✨ 长期致力于电弧故障采集、电弧故障检测、电弧故障定位、片上系统、全数字锁相环、逐次逼近型模数转换器、低功耗、低成本研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1双调谐数控振荡器全数字锁相环设计为了满足电弧故障检测片上系统对低抖动、快速锁定时钟的需求提出了一种基于双调谐数控振荡器的高性能全数字锁相环。数控振荡器采用粗调级六位二进制加权电容阵列和细调级八位温度计码控制的可变电容两级结构粗调范围覆盖五十至二百兆赫兹细调分辨率达到零点五皮秒。锁相环核心采用二阶数字环路滤波器比例系数Kp0.125积分系数Ki0.001。相位检测器采用时间数字转换器分辨率十皮秒。整个电路在标准五十五纳米CMOS工艺下流片芯片面积仅零点零零一平方毫米。测试结果输入参考频率十兆赫兹输出一百兆赫兹时均方根抖动为十四点四皮秒锁定时间五十五个参考周期功耗一百一十二点三微瓦。参考杂散负四十八分贝一兆赫兹偏移处相位噪声负八十二点零六分贝每赫兹。该锁相环完全采用数字自动布局布线无需定制模拟模块可移植性强。2低功耗低成本逐次逼近型模数转换器与四分段电容阵列设计了两种逐次逼近型模数转换器。第一种采用四分段电容阵列将高位电容分段为二进制加权子阵列减少了单位电容总数从二的N次方降至约二的N/2次方。在十二位精度下单位电容数从四千零九十六个减少至二百五十六个面积缩减百分之九十四。该模数转换器在五十五纳米工艺下面积为零点零二五六平方毫米功耗三十四点七三微瓦信噪比失真比达到五十七点一六分贝。第二种改进型引入冗余技术增加百分之十二点五的冗余位、动态元件匹配和电容交换技术无需额外校准电路即可将信噪比失真比提高十六分贝达到七十三分贝优值达到一百六十一飞焦每步。两种模数转换器均集成了采样保持电路和比较器支持一兆次采样每秒。3电压电流双域电弧故障检测与定位片上系统芯片实现将上述锁相环和模数转换器与数字逻辑集成形成单片电弧故障检测与定位片上系统。芯片同时采集电压信号通过电阻分压和电流信号通过罗氏线圈和积分器。电弧故障检测算法基于离散小波变换将电压和电流信号分解为五层细节系数计算各层能量和过零率。比较器判断能量是否超过阈值电流域阈值设为正常值的三倍若超过则判定为故障电弧。然后分析电压域细节系数的波动模式确定故障发生在哪条分支支路。算法在硬件中实现为有限状态机共一百二十个状态。芯片在五十五纳米工艺流片测试中使用UL1699标准电弧发生器在串联电弧条件下负载为阻性、容性和感性芯片能够在八十毫秒内检测出电弧识别率百分之九十七点五。定位功能通过比较不同支路的电压畸变相位能够准确定位到故障分支定位准确率百分之九十三。此外提出了基于阻抗测距法的逐次逼近故障定位算法通过注入小信号和测量回波阻抗可在低信噪比大于四十五分贝条件下实现百分之一精度的故障距离估计。import numpy as np import pywt class ArcFaultDetector: 电弧故障检测算法 (硬件实现对应的软件模型) def __init__(self, sampling_rate10000, waveletdb4, level5): self.fs sampling_rate self.wavelet wavelet self.level level self.current_threshold 3.0 # 倍正常值 self.voltage_threshold 2.0 def feature_extraction(self, signal): 离散小波变换提取能量和过零率 coeffs pywt.wavedec(signal, self.wavelet, levelself.level) # 计算每层细节系数的能量 energies [np.sum(c**2) for c in coeffs[1:]] # 过零率 zero_crossings [] for c in coeffs[1:]: zc np.sum(np.diff(np.sign(c)) ! 0) / len(c) zero_crossings.append(zc) return energies, zero_crossings def detect(self, current_signal, voltage_signal): 双域检测 cur_energies, cur_zc self.feature_extraction(current_signal) vol_energies, vol_zc self.feature_extraction(voltage_signal) # 电流域判定 cur_ratio max(cur_energies) / np.mean(cur_energies[:10]) # 与正常基线比 if cur_ratio self.current_threshold: # 故障候选进一步电压域分析 vol_ratio max(vol_energies) / np.mean(vol_energies[:10]) if vol_ratio self.voltage_threshold: return True, arc_fault else: return True, possible_arc return False, normal class ImpedanceBasedLocator: 基于阻抗测距的逐次逼近故障定位 def __init__(self, line_impedance_per_km0.5): self.Z_per_km line_impedance_per_km # 欧姆/公里 def locate(self, measured_impedance, max_distance10, precision0.01): 逐次逼近法求故障距离 low, high 0.0, max_distance for _ in range(20): # 二分迭代直到达到精度 mid (low high) / 2 Z_calc self.Z_per_km * mid if Z_calc measured_impedance: low mid else: high mid if high - low precision: break return (low high) / 2 # 模拟片上系统行为 class ArcFaultSoC: def __init__(self): self.adc_resolution 12 self.pll_freq 100e6 self.detector ArcFaultDetector() self.locator ImpedanceBasedLocator() def process(self, current_samples, voltage_samples): # 硬件中采样由ADC完成这里是模拟 detection_flag, fault_type self.detector.detect(current_samples, voltage_samples) if detection_flag: # 定位 # 测量回路阻抗 (通过注入小信号) measured_Z 2.5 # 模拟测量值 2.5 欧姆 distance self.locator.locate(measured_Z) return {fault: fault_type, distance_km: distance} return {fault: none}
