AI-driven smart fault-detection in DC-DC converters

DC/DC power converters have been widely used in automotive, and the requirements for their stability and reliability has increased. Being able to monitor real-time state of the power converters components is very important in order to perform condition based maintenance. This thesis present an online method for anomaly detection on output filter capacitor of a buck converter. A moving window of a finite length of samples is used to evaluate the AC component of the output voltage. By using the FFT algorithm the amplitude spectrum is calculated for each window. The maximum peak value in a given interval corresponding to the operative frequency range is then extracted. The current switching frequency at which the converter is working is calculated. A decision making algorithm that uses the peak and frequency values in order to detect the anomalies on the capacitor is then performed. The decision making algorithm is based on the innovation error computed by using the kalman filter, an alarm signal is triggered when the error between the measured value and the predicted one exceeds a given threshold. Since dc-dc converters constantly change their working conditions a training algorithm based on linear regression is computed in order to adapt the anomaly detection method to these changes due in particular to variations on working switching frequency. The results has been validated on a post regulator buck converter model operating in CCM. Simulation results obtained with SIMetrix and Matlab validate the practicability and effectiveness of the proposed method in detecting the anomalies on the output filter capacitor.

I convertitori di potenza DC/ DC vengono ampiamente utilizzati nel settore automobilistico e i requisiti per la loro stabilità e affidabilità sono aumentati. Essere in grado di monitorare lo stato in tempo reale dei vari componenti dei convertitori è molto importante per poter svolgere una manutenzione preventiva del dispositivo. Questa tesi presenta un metodo online per il rilevamento delle anomalie sulla capacità del filtro di uscita di un convertitore buck.Il metodo si basa sulla valutazione della camponente AC della tensione di uscita tramite l'utilizzo di una finestra mobile di lunghezza finita. Applicando l'FFT ai campioni di ogni finestra, lo spettro di ampiezza viene calcolato. Da esso viene quindi estratto il valore del picco massimo all'interno di un dato intervallo prestabilito corrispondente al range di frequenze alle quali il convertitore può lavorare. Viene inoltre calcolato il valore della frequenza di switching alla quale il convertitore sta lavorando.Un algoritmo decisionale che utilizza i valori di picco e di frequenza per rilevare le anomalie sulla capacità del filtro di uscita viene quindi eseguito. L'algoritmo decisionale si basa sull'errore di innovazione calcolato utilizzando il filtro Kalman, un segnale di allarme viene attivato quando l'errore tra il valore misurato e quello previsto supera una determinata soglia. Poiché i convertitori DC-DC cambiano costantemente le loro condizioni di lavoro, è stato implementato un algoritmo di training basato sulla regressione lineare per adattare il metodo di rilevamento delle anomalie a questi cambiamenti dovuti in particolare alle variazioni della frequenza di switching. I risultati sono stati convalidati su un modello di un post regolatore buck che opera in CCM. I risultati delle simulazioni ottenuti con SIMetrix e Matlab confermano la praticabilità e l'efficacia del metodo proposto nel rilevare le anomalie sulla capacità del filtro di uscita.