电力电子在当今世界有着广泛的应用，从工业和制造工厂到航空航天和医疗保健。这些应用中的每一个都需要精确控制高频设备以找到最佳工作点。目前，使用不同的基于分析的技术以及来自不同边缘传感器的反馈来动态控制这些电力电子设备。但是，随着对快速和精确响应的需求不断增加，这些传统的控制和监测技术无法提供所需的输出。数据中心、医疗保健和医疗应用等任务关键型应用需要一种强大的机制，以便系统能够响应外部动态中最轻微的变化和偏差，而不会影响流程。

这可以通过创建一个可以精确映射电路输入和输出的监控器来完成。最初对监控器进行训练，以便使用从电路获取的输入和输出数据，为每组输入提供一组不同的输出。在培训阶段之后，主管将变为监视器。在此容量下，它接收电路的实际输入数据并估计输出变量。只有当一个或多个电路元件的特性发生变化时，监控器的预计输出才会与实际电路输出不同。

设计分析模型以如此精确地行动是乏味和不切实际的，这就是基于AI的技术进入画面的地方。这些模型忽略了电路级的细节，并将电路视为“黑匣子”。这些智能系统可以在各种工作条件下随时将电路的输入映射到相关输出。

由于其快速学习、优化和适应能力，人工神经网络（ANN）最近在电力电子和电机驱动领域的采用率越来越高。凭借高度复杂的建模能力，神经网络可以模拟复杂的操作。它们有效地找出ANN中输入和输出之间的非线性关系，ANN具有以下特性，使其适用于电力电子设备的建模，控制和状态监测：

• 从特定应用程序的可用数据集进行训练的能力
• 学习非线性关系的能力
• 多个输入和输出，使其适用于多变量系统
• 并行结构有助于更快的并行处理和更好的容错能力，使模型健壮

使用人工神经网络进行状态监测

传统ANN的体系结构表明，它是一个多维计算系统，其中计算以分布式方式完成，这与顺序计算不同。这使得ANN对系统中的动态变化反应更灵敏，这在工业控制应用中很突出，因为工业控制系统也具有不确定性和时变效应。状态监测是连续监测不同参数（如温度、压力和振动）以帮助识别正在形成的故障的过程。这是预防性维护的重要一步，它帮助我们事先识别系统中的故障，并在任何重大损失之前进行维护工作。

传统上，状态监测主要基于对系统的振动分析来识别动态变化。随着传感器的发展，温度和压力等其他参数也被监测，以获得更高的精度。在电力电子的情况下，工作频率非常高，使得这些常规的状态监测方法效率低下。如前所述，ANN的优势使其成为这些传统方法的可靠替代品。

静态ANN可用于映射任何电力电子电路的输入和输出。现有的ANN有助于根据给定的输入电压和电流值估算输出电压。因此，该网络将表示显示电路输入输出关系的数字副本。因此，在任何给定的输入下，可以从ANN获得电力电子电路的预期输出。然后将电路的实际输出参数与ANN的理想输出进行比较，并且可以轻松识别与理想值的任何偏差。这种偏差的作用是警告电路的组件在指定条件下未按预期运行。

该方法可用于绘制复杂的电力电子电路图，以准确监控其状态以进行预防性维护。在电力电子电路更复杂的情况下，需要监测更多的参数，这将增加神经网络的尺寸。隐藏层中的神经元数量可能会增加，所需的训练数据量可能会增加。因此，通过适当的系统设计参数，例如神经元的数量和足够的训练数据（包括学习速率参数），神经网络可以准确地获得任何非线性系统的高水平建模熟练度。

结论

基于AI的技术从设计，建模，制造和监控电力电子电路中找到其应用。传统的分析方法正在慢慢被这些智能技术所取代，这要归功于技术进步，在边缘提供了更快的计算能力。本文中讨论的基于ANN的状态监测技术只是对电力电子电路进行状态监测的方法之一。

本文讨论的方法从系统角度研究电力电子电路，采用最高级别的信息，特别是输入输出电压和电流。为了能够区分故障的种类和原因，例如环境变化或元件退化，需要对电路进行微观级监控。这将需要在电路的不同位置安装测量探头，以访问电路中包含的信息。