Progettazione e implementazione di un sistema di normalizzazione analogico per il monitoraggio in tempo reale e il controllo adattivo dei convertitori DC-DC Buck mediante reti neurali

In modern power electronics, ensuring the reliability and efficiency of DC-DC converters is crucial, particularly in applications requiring long-term stability and predictive maintenance. This research presents the design and implementation of an analog normalizer for real-time data acquisition in a buck converter system. The normalizer processes key electrical parameters such as output voltage and current before their conversion into digital form for further analysis, effectively mapping minute signal variations (as small as 4mV peak-to-peak) to a suitable range for digital processing without requiring high-resolution ADCs. A neural network-based diagnostic system is then employed to estimate critical aging-related parameters, including equivalent series resistance (ESR), MOSFET on-resistance (RDSON), capacitor degradation, and inductor variations. By leveraging real-time sensor data, the system provides precise predictions regarding component aging and potential failures. Additionally, a diagnostic flag system is integrated to indicate anomalies and maintenance needs. The proposed framework combines hardware-based analog normalization through both simple three-stage and advanced HPF+LPF approaches, digital processing, and AI-driven analysis, providing a comprehensive real-time monitoring and self-optimization strategy for DC-DC converters. This enables significant reductions in silicon area while maintaining high accuracy for edge AI applications in power electronics

Nell'elettronica di potenza moderna, garantire l'affidabilità e l'efficienza dei convertitori DC-DC è cruciale, particolarmente nelle applicazioni che richiedono stabilità a lungo termine e manutenzione predittiva. Questa ricerca presenta la progettazione e l'implementazione di un normalizzatore analogico per l'acquisizione di dati in tempo reale in un sistema convertitore buck. Il normalizzatore elabora parametri elettrici chiave come tensione e corrente di uscita prima della loro conversione in forma digitale per ulteriori analisi, mappando efficacemente variazioni minime del segnale (anche di soli 4mV picco-picco) in un intervallo adatto all'elaborazione digitale senza richiedere convertitori analogico-digitali ad alta risoluzione. Un sistema diagnostico basato su rete neurale viene quindi impiegato per stimare parametri critici legati all'invecchiamento, inclusi la resistenza serie equivalente (ESR), la resistenza di accensione del MOSFET (RDSON), il degrado del condensatore e le variazioni dell'induttore. Sfruttando i dati dei sensori in tempo reale, il sistema fornisce previsioni precise riguardo l'invecchiamento dei componenti e potenziali guasti. Inoltre, è integrato un sistema di flag diagnostici per indicare anomalie e necessità di manutenzione. Il framework proposto combina normalizzazione analogica basata su hardware, attraverso approcci sia semplici a tre stadi che avanzati HPF+LPF, elaborazione digitale e analisi guidata dall'intelligenza artificiale, fornendo una strategia completa di monitoraggio in tempo reale e auto-ottimizzazione per i convertitori DC-DC. Questo consente significative riduzioni dell'area di silicio mantenendo un'elevata precisione per le applicazioni di AI edge nell'elettronica di potenza.