电感电流伪连续导电模式下Buck变换器的动力学建模与分析

以电感电流伪连续导电模式(pseudo-continuous conduction mode,PCCM)下Buck变换器为例,通过对开关变换器的开关模态的完整描述,建立了PCCM Buck变换器的精确离散时间模型.基于该模型,研究了PCCM Buck变换器在负载电阻、电感等效串联电阻、电感、电容、参考电流和输入电压等电路参数变化时的分岔行为,并揭示了变换器存在的次谐波振荡、倍周期分岔和混沌等复杂动力学行为.基于分段光滑开关模型的数值仿真,得到变换器在不同负载电阻下的时域波形图和相轨图,验证了离散时间模型的正确性.理论分析和仿真结果表明:PCCM Buck变换器更适合工作在轻载条件,加大负载会导致变换器工作状态的失稳以及工作模式的转移;电感的等效串联电阻对变换器稳定性具有一定程度的影响,且等效串联电阻越大,变换器越稳定.研究结果对于设计与控制PCCM Buck变换器具有重要意义.

基于卷积神经网络图像分类的轴承故障模式识别

针对传统的基于数据驱动的机械故障模式识别方法中需要人工构造算法提取特征以及人工构造特征提取算法繁琐的问题,结合卷积神经网络(CNN)在图像特征自动提取与图像分类识别中的广泛应用,提出了一种基于CNN图像分类的轴承故障模式识别方法。首先,利用集合经验模态分解(EEMD)方法对轴承振动信号进行自适应分解并用相关系数对得到的本征模函数分量进行筛选。其次,对筛选得到的本征模函数分量进行伪魏格纳-威利时频分析(PWVD)计算得到信号的时频分布图,并对时频图进行预处理。最后,将轴承15种不同工况预处理后的时频图利用CNN进行特征提取与分类识别。将该方法与同类方法进行了对比,分类正确率提高了4.26%。

基于EMD的声波全波列几种时频分析方法对比

时频分析方法是处理阵列声波测井数据的有效手段,但不同时频分析方法特性不同,处理效果也存在差异。为此,利用经验模态分解(EMD)将单点的实测声波全波列分解为有限个固有模态函数(IMF)分量,再采用短时傅里叶变换、Choi-Williams分布、平滑伪Wigner-Ville分布及重排谱图处理原始的声波全波列和前3个IMF分量,并从时间分辨率、频率分辨率和交叉项干扰3方面对比这4种方法的优缺点。结果表明:前3个IMF分量表征了声波全波列中不同的模式波,而4种方法均无交叉项干扰影响识别模式波的问题,其中重排谱图的时间分辨率、频率分辨率最高。引入时频分布的边缘特性,利用基于EMD的4种方法处理干层、水层、油水同层、油层井段的声波全波列,结果表明重排谱图使能量聚焦明显,能较清晰地显示能量很低的纵波,波峰时间、主频的定位更精准,对不同流体性质储集层的区分效果最好,进一步验证了重排谱图的优势。

一种超宽带伪差分跨导放大器

提出了一种超宽带伪差分运算跨导放大器。该放大器通过共模前馈和共模反馈方法使得运算跨导放大器单元具有更为简单的电路结构,易于设计验证并能够稳定工作在较高频率。以该放大器作为单元电路,可以实现截止频率到达百兆赫兹的高频连续时间滤波器,并作为中频滤波器用于射频接收机中。

带定向通路的十读六写寄存器文件全定制设计

本文介绍了一个带定向通路的十读六写寄存器文件在0.18μmCMOS工艺下的全定制设计,与基于标准单元半定制寄存器文件相比,面积和功耗都缩小了近一半,延迟从2.34ns减小为1.2ns。在建立视图时,通过采用伪时序建模的方法大大减小了建模的工作量。该设计已运用于YHFT系列DSP芯片中。

基于时频图与双通道卷积神经网络的轴承故障识别模型

采用传统的信号处理方法难以从轴承振动信号中提取能全面准确反映轴承运行状态的故障特征,并且实际工程中采集的数据量难以满足深度学习方法的要求(需要较大数据量),针对这些问题,提出了一种基于时频图与双通道卷积神经网络(CNN)的轴承故障识别模型(方法)。首先,基于样本熵和峭度,构造了新的目标函数,利用灰狼优化算法(GWO)对变分模态分解(VMD)方法进行了参数优化,当目标函数达到最小值时,得到了其最优参数组合;然后,使用经过参数优化后的变分模态分解(VMD)方法对轴承信号进行了处理,将处理后得到的模态分量进行了平滑伪Wigner Ville分布(SPWVD)计算,累加其计算结果后,最终得到了轴承的时频图;其次,利用连续小波变换(CWT)直接对原始信号处理得到了时频图;最后,将采用两种方式得到的时频图分别作为双通道CNN的输入,对网络进行了训练,由CNN提取了其时频图特征,并对轴承故障进行了识别分类和诊断。实验结果表明:采用该方法在轴承故障实验中得到的准确率为99.69%,在10次实验中的平均准确率达到了99.61%,相比于单通道CNN和支持向量机(SVM)等方法,该方法有着更高的准确率和更出色的稳定性。研究结果表明:将该方法应用在轴承故障诊断领域,具有准确率高、稳定性强的特点,能够有效地诊断轴承故障。