تشخيص و آشكارسازي خطاي اتصال باز در مبدل DC/AC مبتني بر IGBT به‌كارگرفته‌شده در خودروي الكتريكي

Open Phases Fault Diagnosis of IGBT-based DC-AC Inverter of Electric Vehicle

امروزه مبدل‌هاي الكترونيك قدرت نقش بسيار مهم و غيرقابل انكاري در سيستم پيش‌رانش خودروهاي الكتريكي ايفا مي‌كنند. يكي از انواع مبدل‌ها، اينورتر منبع ولتاژ مي‌باشد كه كاربرد بسيار زيادي در درايو موتور الكتريكي دارد. در خودروهاي برقي، به‌دليل محيط پرتنش كه با اغتشاش نيز همراه است، اينورترها همواره در معرض خرابي قرار دارند كه گاهي اوقات باعث بروز خسارات جبران‌ناپذيري مي‌شود. ازاين‌رو شناسايي و تشخيص خطا در اينورترها از اهميت بسيار بالايي برخوردار است و سبب افزايش ايمني سيستم خواهد شد. اين مقاله، به آشكارسازي خطاي اتصال باز در اينورتر منبع ولتاژ مبتني بر IGBT پرداخته است. نوع خطاهايي كه مورد بررسي قرار خواهندگرفت از نوع خطاي تك و چندگانه IGBT مي‌باشد. به‌منظور استخراج شاخص خطا، يك الگوي شناسايي خطاي اتصال باز در اين كار معرفي شده است و نتايج به‌دست‌آمده، رضايت‌بخش بوده است. در ادامه براي آشكارسازي و كلاسه‌بندي خطا، از الگوريتم شبكه عصبي پرسپترون چندلايه استفاده شده است. سيستم موردمطالعه در حالت استاتيك با 5 سطح گشتاور و 5 سطح سرعت مختلف در حالت ايستا موردبررسي قرار گرفته است كه تمامي حالات خطا، به كمك الگوريتم شبكه عصبي، با موفقيت مورد شناسايي قرار گرفته است.

Nowadays, the power electronic converters play a crucial and undeniable role on electric vehicles propulsion system. One type of this converters are voltage source inverter (VSI) that use a lot in electric motor drives. In electric vehicles, due to the tense environment that is also associated with turbulence, Inverters are always at risk of failure that occasionally caused to irreparable damages. This paper focuses on diagnosis and detection of open phases fault on IGBT based VSI inverter. In order to extract the fault index, an open-circuit fault detection model presented in this work and the results obtained have been satisfactory. In continue, for fault diagnosis and classification, it is used a multilayer perceptron artificial neural network (MPANN) algorithm. The system is investigated under 5 different torque and speed level in static state, that all fault conditions have been identified successfully with the help of MPANN.