基于电源纹波的功率负载旁路检测方法

洪鑫宇,潘杨,马洪斌,张顾洪,皇甫江涛

(1.浙江大学 信息与电子工程学院,杭州 310027;2.浙江大学 微小卫星研究中心,杭州 310027)

0 引言

星载大功率器部件往往需要处于高温高压的复杂工作环境,一旦出现问题,若无法及时发现并解决,对安全生产和人员安全都危害极大,无法保证人身和设备财产安全。在目前的工业生产中,传统的功率器部件检测方案通常需要安装大量传感器,这在实际应用中存在许多弊端:特别是传感器在恶劣的环境中表现不稳定[1-4];传感器的使用增加了系统的控制接口和布线,降低了系统的可靠性;大多数检测方法需要将传感器直接安装在功率驱动电路中进行单模块测量,这不利于设备的扩展和更新。对于星载功率器部件的检测来说,对于传感器的要求将更加严苛,如星载制冷机的状态检测中的各类传感器需要忍受极端的温度变化,当局部温度快速降低到零下200 ℃时,各类传感器的性能保持稳定[5]。此外,传感器需要克服温度变化的带来的各种效应如热胀冷缩等。对于各类机械式传感器还需要克服失重带来的影响。因此,星载大功率器部件的状态检测需要提出更加智能可扩展、可靠性高的检测方法。

1 智能检测方法

图1为卫星电源上接入的大功率器部件的电源纹波模型。

图1 卫星电源上接入的大功率器部件的电源纹波模型

通常这些电源纹波往往是需要抑制的,因为其在一定程度上会影响功率器部件的效率性能等,往往采用接入大功率LC滤波器、提高开关信号的频率和改善信号的占空比等方法来降低电源纹波的干扰[6-7]。实际上,卫星电源电源线上纹波电流幅值、相位与负载的大功率器部件的数量、工作状态(功率)有直接关系,即电源纹波中蕴含了大功率器部件工作状态的各类特征[8]。因此,文章提出了一种基于电源状态检测的功率器部件旁路多点状态检测方法,旁路采集电源纹波作为重要特征,对目标功率器部件的工作状态进行检测。

文章提出的智能检测方法框图如图2所示,通过在直流电源上旁路接入的纹波采集电路获取多路功率器部件的混合电源纹波,进一步做归一化预处理后,分析该信号的频谱,提取功率器部件的纹波频率。根据纹波的频点特征,将每个频点的相位、占空比等信息作为变量,生成相应的单频点纹波信号,再将多路单频点纹波信号重新随机组合生成纹波信号。文章用这些重新生成的混合纹波信号构成一定规模的数据集,通过SVM算法将原始的混合纹波信号分类至某一类别的数据集中的某一混合纹波下。从该类别的信号的组合情况反推得到混合电源纹波分离出的多路纹波信号的频率、相位、占空比等信息。

图2 算法框图

如图3所示,电源纹波信号采集电路包括负载电阻、采样电阻、滤波电路、AD采样模块、放大电路;电源VCC和GND之间连接有串联的负载电阻R1和取样电阻R2,其中负载电阻为120 Ω,采样电阻为1 Ω。取样电阻的两端与信号放大电路连接。信号放大电路的作用是将取样电阻两端的微弱差分信号放大后转换成单端输出。信号放大电路依次与滤波电路、电容、AD模块连接,AD模块通过CH340串口转USB芯片将采集到的电源纹波传输到PC上。信号放大电路由三个基本运算放大器构成,通过基于OP27的运算放大器A1和A2的同相输入实现信号的差分放大。接着将信号接入双端口差分放大器A3,再将差分输入信号转换为单端输出信号,其中A3运算放大器的芯片为INA105。图3所设计的信号放大电路在抑制噪声的同时,提高了放大电路的共模抑制比,也就是对共模信号(噪声等)进行抑制,放大差模增益。根据电路原理,该放大器的差模增益为:

图3 旁路电源纹波信号采集电路

Avd=1+2R3/RX

(1)

其中Avd表示电压放大倍数。其中电阻RX为5 kΩ的滑动变阻器,电阻R3为20 kΩ,因此放大倍数最小为9倍。

滤波电路使用的是基于OP27的二阶低通滤波器,其目的是滤除外界的高频的噪声,使采集的纹波信号更加平滑。基本的二阶RC低通滤波器的截止频率f的计算方式如下:

(2)

其中滤波电路中电阻R5=R6=5 kΩ,电容C1=C2=0.01 uF,由此可计算得到该低通滤波器的截止频率f为1 190 Hz。

AD模块选用ST公司STM32F103系列单片机内部ADC资源,该模块通过STM32内部DMA通道将获取的数据转移至内存DDR中,在增强AD采样稳定性和提升AD采样精确度的同时,减轻CPU的负担。数据通过UART串行通信传送到PC端,其中设定的取样频率为10 kHz,以满足Nequester频率定理。

信号分析算法部分,将从上述旁路电源纹波信号采集电路中获得的混合电源纹波信号与汉明窗相乘,以减少频谱混叠和频谱泄漏的影响。在提取到加窗后的混合电源纹波信号后进行傅里叶变换后,我们按照以下规则从频谱中计算出PWM信号的数量和每个PWM信号的频率。

•设置一个阈值,选择频谱中幅度高于阈值的频率。

•选择的频率可能包含PWM信号的谐波。当所选的两个频率之间存在倍数关系时,根据以下公式重新计算较大的频率点对应的频谱幅度。

(3)

进一步构建专属数据集,根据得到的有效频率点生成不同占空比的PWM信号作为数据集样本,每个PWM信号的初始相位延迟步骤为π/4。根据占空比的组合类型对样本进行标记后,我们选择80%的数据集作为训练集,其余的作为测试集。

在模型训练部分,我们选择高斯核函数来建立一个有监督的SVM学习模型。与其他经典的机器学习方法相比,SVM的优势在于它可以在高维空间进行小样本学习,而且结构风险最小[9]。保存训练好的模型后,将归一化的原始电源纹波设为模型输入,根据模型输出的标签推断出相应LED的工作状态。

2 实验结果

实验方面本文搭建了如图4所示的大功率LED二极管PWM调制的LED电路电源纹波探测模型。由于LED是半导体器件,它们可以比其他照明技术更快地开启和关闭[10-11]。这种高开关速度使大功率LED二极管适合使用PWM方法进行调光[12]。通常情况下,PWM调制是通过将一个开关器件(MOS管、三极管等)与大功率LED二极管串联来实现。其中电流波形与PWM电压的形状相同[13-15]。因此,由于直流电源不理想,会产生电源纹波[16]。在实践中,由多个PWM调制的大功率LED二极管产生的纹波是线性地叠加在电源的直流分量上。因此,电源纹波包含每个PWM调制信号的频率和占空比的特征,而这些特征决定了大功率LED二极管的工作状态。其中实验中电源为12 V直流电压源,大功率LED二极管有25%、50%和75%三种亮度的状态,耐压值为15 V,PWM调制信号的频率随机生成。

图4 多路PWM调制LED电路电源纹波探测模型

由硬件电路收集的电源纹波如图5(a)所示。通过分析信号的频谱,我们计算出三个灯的PWM调制频率,分别为100 Hz、250 Hz和300 Hz,如图5(b)所示。图6显示了由三盏灯各自贡献的电源纹波的最终分离结果,即各自的PWM调制信号。结果表明,经过占空比的计算,得到三种不同调制频率的LED的亮度为25、50、75。

图5 信号处理过程

图6 三个LED的PWM调制信号

此外,我们还研究了该方法的一般适应性。电源纹波的频率组成被设定为在50 Hz-1 kHz范围内随机选择,并在其上叠加高斯噪声,噪声的大小由信噪比(SNR)来表征。实验结果如表1所列,所提出的检测方法性能非常优越,在训练和测试集上都达到了至少95%的正确率。此外,该方法对环境的噪声不敏感,如表2所列,即使在信噪比为1的情况下也能保持出色的分类性能。

表1 不同频率、占空比PWM纹波信号分类结果

表2 不同信噪比对测试正确率的影响

3 结论

文章提出了一种基于电源纹波的可扩展、可靠性高的多路功率器件状态旁路检测方法。在不修改原有电路结构的情况下,旁路采集功率负载电源纹波作为重要特征,应用机器学习算法对负载的工作状态进行分类,实现对功率器部件的智能状态检测。该方法可以降低系统成本,避免使传统传感器对信号通路的影响。通过相关实验验证所提方法在不同信噪比环境下能保持很好的识别能力。

虽然SVM可以通过使用核函数方法克服了维数灾难和非线性可分的问题,但考虑到SVM方法在面对大规模训练样本难以实施,不仅浪费大量资源并且决策效果并不理想。因此未来的工作重点是优化相关算法的速度和性能,一方面可以通过可编程逻辑门FPGA对SVM涉及的矩阵运算进行加速。另一方面可以结合一定的优化算法进行改进如SMO算法、SOR算法对训练过程进行优化,提升运算速度;各类种群算法对SVM参数进行优化,提升分类性能。最终将其部署于实际的星载电路系统中进行应用。