Bu araştırma, üç fazlı bir invertörle beslenen asenkron motor sürücüsünde yarı iletken anahtarların üç farklı arıza türünü yapay zekâ ile tespit etmeyi ve arızalı anahtarın yerini belirlemeyi amaçlamaktadır. Araştırmacılar açık gate (Open Gate, OG), gerçek açık anahtar (Open Switch, OS) ve kısa devre (Short Circuit, SC) arızalarını altı invertör anahtarının her biri için ayrı ayrı modellemiş; sağlıklı durumla birlikte toplam 19 sınıflı bir arıza tanılama problemi oluşturmuştur. Fully Connected Neural Network (FCN), Convolutional Neural Network (CNN) ve Bidirectional Long Short-Term Memory (BiLSTM) modelleri karşılaştırılmıştır. Test veri setinde BiLSTM %98,45 doğrulukla en yüksek sonucu vermiş; CNN %97,1, FCN ise %93,52 doğruluk elde etmiştir.

Önerilen sistem doğrudan ham anahtarlama sinyallerini sınıflandırmak yerine üç faz akım ve gerilimlerinden hesaplanan RMS değerleri ile faz açılarını kullanmaktadır. Her zaman adımında üç faz için akım ve gerilim RMS değerleri ve açıları birleştirilerek toplam 12 özellik oluşturulmuştur. RMS hesabı bir temel elektrik periyodu uzunluğundaki kayan pencere üzerinden yapılmış, pencere her 0,1 ms'de güncellenmiştir. BiLSTM için bu özelliklerin 50 zaman adımlık dizileri kullanılmıştır.

Çalışmanın örnek testlerinde S1 anahtarındaki OG, OS ve SC arızaları 1800 rpm koşulunda sırasıyla 8,0 ms, 2,4 ms ve 8,0 ms'de tespit edilmiştir. Beyaz gürültü ve yüksek genlikli rastgele spike bozucuları eklendiğinde aynı arızalar sırasıyla 7,3 ms, 3,4 ms ve 8,1 ms'de belirlenmiştir. Araştırmacılar farklı sabit hızlar ve hız değişimi koşullarında arıza sınıflandırmasının korunduğunu göstermektedir. Bununla birlikte çok hafif yükte, yaklaşık 1 N·m ve altında, tespit gecikmesinin bazı durumlarda bir temel elektrik periyodunu aşabildiği aynı çalışmanın tartışma bölümünde belirtilmektedir.

Araştırma donanımsal inverter ve gerçek motor deneyinden değil, yüksek ayrıntılı MATLAB/Simulink modelinden üretilen verilerden oluşmaktadır. Bu nedenle %98,45 doğruluk, 1,8 ms çıkarım süresi veya alt-periyot arıza tespit sonuçları doğrudan gerçek bir elektrikli araç, endüstriyel motor sürücüsü ya da gömülü kontrolcü üzerindeki doğrulanmış saha performansı olarak yorumlanamaz. Araştırmacılar donanım-in-the-loop ve laboratuvar deneylerini gelecek çalışma olarak bırakmıştır.

Türkiye açısından: Çalışma Türkiye'deki bir sanayi tesisi, elektrikli araç platformu veya gerçek inverter donanımı üzerinde doğrulanmamıştır. Buna karşın asenkron motor sürücülerinde kestirimci bakım, elektrikli araç güç elektroniği, endüstriyel otomasyon ve arıza toleranslı kontrol üzerine çalışan araştırma ekipleri açısından ayrıntılı bir yapay zekâ tabanlı tanı çerçevesi sunmaktadır. Türkiye'de gerçek uygulamaya geçiş için farklı inverter topolojileri, farklı motor güçleri, sensör toleransları, gerçek elektromanyetik girişim, farklı yük profilleri, rejeneratif çalışma ve donanımsal kısa devre koruması altında ayrıca deneysel doğrulama gerekir.

Araştırmanın çözmeye çalıştığı problem nedir?

Üç fazlı invertörlerdeki yarı iletken anahtar arızaları motor sürücüsünün akım dalga biçimini, torkunu ve çalışma sürekliliğini bozabilir. Araştırmacılar özellikle iki probleme odaklanmaktadır: açık devre grubundaki farklı arıza mekanizmalarının birbirinden ayrılması ve kısa devre arızalarının yalnızca varlığının değil, hangi fiziksel anahtarda oluştuğunun da belirlenmesi.

Çalışmanın önemli ayrımı, her açık devre arızasını tek bir sınıf olarak değerlendirmemesidir. Araştırmada Open Gate (OG) ve Open Switch (OS) ayrı elektriksel durumlar olarak modellenmiştir.

OG, OS ve SC arızalarının farkı nedir?

Open Gate (OG) durumunda IGBT'nin gate sürme kanalı artık anahtarı iletime geçiremez; ancak antiparalel diyot sağlam kalır. Kaynakta S1 örneği için pozitif yarım periyodun kaybolduğu, negatif yarım periyotta diyot üzerinden iletimin devam ettiği açıklanmaktadır.

Open Switch (OS) durumunda hem IGBT hem de ona paralel diyot açık devredir. Böylece ilgili anahtar kolunda iki yönde de akım yolu ortadan kalkar. Arızalı fazın akımı ciddi biçimde azalır veya kaybolur; diğer fazlar yükü paylaşmak zorunda kalır.

Short Circuit (SC) durumunda anahtar sürekli iletimde kabul edilir. Bu durum akımın hızla yükselmesine, ciddi dalga biçimi bozulmasına ve DC bara aşırı akım riskine yol açabilen en hızlı gelişen arıza türüdür.

Altı fiziksel anahtar bulunduğu için:

• 6 adet OG sınıfı,
• 6 adet SC sınıfı,
• 6 adet OS sınıfı,
• 1 adet sağlıklı sınıf

oluşturulmuş ve toplam sınıf sayısı 19 olmuştur.

Motor ve invertör sistemi nasıl modellenmiş?

Araştırmacılar MATLAB/Simulink 2024a ortamında V/F kontrollü, üç fazlı iki seviyeli invertör üzerinden beslenen sincap kafesli bir asenkron motor modeli kurmuştur. Altı IGBT, 10 kHz taşıyıcılı PWM ile anahtarlanmıştır.

Veri seti nasıl oluşturuldu?

Her arıza simülasyonu toplam 2,5 saniye sürmüştür. İlk 0,5 saniye sağlıklı çalışma olarak kaydedilmiş, ardından ilgili arıza uygulanmış ve kalan 2,0 saniye arızalı çalışma verisi olarak kullanılmıştır.

Akım ve gerilim sinyalleri:

10 kHz

örnekleme frekansıyla kaydedilmiştir. Bu nedenle her simülasyon koşulunda toplam:

25.000 örnek

oluşturulmuştur.

Yapay zekâya hangi özellikler verildi?

Her zaman adımında üç fazlı akım ve gerilimlerden hem RMS büyüklüğü hem de faz açısı çıkarılmıştır. Böylece:

• 3 akım RMS değeri,
• 3 akım faz açısı,
• 3 gerilim RMS değeri,
• 3 gerilim faz açısı

olmak üzere toplam 12 skaler özellik elde edilmiştir.

RMS değerleri bir temel elektrik periyoduna eşit kayan pencere üzerinden hesaplanmış ve ardışık pencereler arasındaki adım:

0,1 ms

olarak belirlenmiştir. Böylece pencere uzun olmasına rağmen arıza sonrası oluşan değişiklikler her 0,1 ms'de güncellenen RMS değerlerine aşamalı olarak yansımaktadır.

RMS kullanmanın amacı neydi?

Araştırmacılar RMS özelliğini, anlık değerlerden daha az gürültü duyarlı olduğu için seçmiştir. RMS hesabı yüksek frekanslı geçicilerin bir bölümünü yumuşatırken OG, OS ve SC gibi anahtar arızalarının faz akımı büyüklüğünde oluşturduğu belirgin değişiklikleri korumaktadır.

Çalışmanın Şekil 9'u S1 anahtarı için üç arıza türünün RMS imzalarının farklı olduğunu göstermektedir. OG durumunda faz RMS değerleri daha sınırlı biçimde değişirken, OS durumunda arızalı faza bağlı daha belirgin bozulma oluşmaktadır. SC durumunda RMS değerlerinde çok hızlı ve çok büyük artış meydana gelmektedir.

Eğitim-test ayrımı nasıl yapıldı?

Her sınıf içinde veriler %70 eğitim ve %30 test olarak ayrılmıştır. Test setinde her sınıf için 7.500 örnek bulunduğu ve toplam test örneği sayısının:

142.500

olduğu belirtilmiştir.

Giriş özelliklerine z-score normalizasyonu uygulanmıştır. Ortalama ve standart sapma yalnız eğitim verisinden hesaplanmış ve aynı parametreler test setine uygulanmıştır. Araştırmacılar bunun bilgi sızıntısını önlemek amacıyla yapıldığını belirtmektedir.

Kaynak açıklamasında veri dengesiyle ilgili bir ifade uyuşmazlığı bulunmaktadır: bir yandan “her sınıftan eşit sayıda örnek seçildiği” söylenirken aynı açıklamada sağlıklı sınıfın tekil arıza sınıflarından daha fazla örnek içerdiği belirtilmektedir. Aşağıdaki sonuçlar kaynakta raporlandığı biçimde aktarılmıştır.

FCN modeli nasıl çalışıyor?

FCN modeli zaman dizisini açık biçimde modellemek yerine özellik büyüklükleri arasındaki ilişkileri tam bağlantılı katmanlarla öğrenmektedir. ReLU aktivasyonu kullanılmış ve aşırı öğrenmeyi azaltmak için dropout olasılığı:

\[ p=0.3 \]

olarak seçilmiştir.

Çıkışta 19 sınıflı softmax bulunmaktadır:

\[ \hat{y} = softmax(Wa+b) \]

Model Adam optimizasyonu, 0,001 başlangıç öğrenme oranı, cross-entropy kayıp fonksiyonu, 50 epoch ve 64 mini-batch ile eğitilmiştir.

Kaynakta FCN mimarisi için metin, Şekil 3a ve Tablo 3 arasında katman sayısı ve nöron adetleri bakımından uyumsuzluk bulunmaktadır. Bu nedenle burada kaynakta tutarlı olan eğitim ayarları ve 19 sınıflı çıkış korunmuş, çelişkili gizli katman boyutları tek bir değer dizisine dönüştürülmemiştir.

CNN modeli hangi bilgiyi öğreniyor?

CNN için 12 boyutlu özellik vektörü 3 × 4 biçiminde iki boyutlu bir gösterime dönüştürülmüştür. Araştırmacılar konvolüsyon katmanlarıyla akım-gerilim özellikleri arasındaki yerel örüntülerin öğrenilmesini amaçlamıştır.

Konvolüsyon işlemi kaynakta:

\[ f^{(k)} = \sigma \left( \sum_{c=1}^{C} X^{(c)} * K^{(k,c)} + b^{(k)} \right) \]

biçiminde verilmiştir.

Metin üç konvolüsyon bloğunu 32, 64 ve 128 filtreyle tanımlamaktadır. Ancak Şekil 3b'nin görünür katman yapısı ve Tablo 3'teki nöron listeleri bu açıklamayla tam olarak örtüşmemektedir. Bu nedenle kaynak içindeki mimari sayı farklılıkları sessizce düzeltilmemiştir.

BiLSTM neden daha başarılı oldu?

BiLSTM, RMS ve faz açılarının yalnız mevcut değerini değil, zaman içinde nasıl değiştiğini de öğrenmektedir. Araştırmacılar OG ile OS gibi ilk anlarda birbirine benzeyebilen arıza imzalarını ayırmak için zaman bağımlılığının kritik olduğunu savunmaktadır.

BiLSTM girişinde her zaman adımında 12 özellik bulunur ve:

50 zaman adımlık dizi

kullanılır.

Kaynakta açıklanan ana mimari:

• 200 gizli birimli BiLSTM katmanı,
• 150 gizli birimli tek yönlü LSTM katmanı,
• dropout \(p=0,3\),
• 128 nöronlu tam bağlantılı ReLU katmanı,
• 19 sınıflı softmax çıkışı

şeklindedir.

BiLSTM'nin temel hücre güncellemelerinden bazıları:

\[ f_t = \sigma(W_fx_t+U_fh_{t-1}+b_f) \]

\[ i_t = \sigma(W_ix_t+U_ih_{t-1}+b_i) \]

\[ c_t = f_t\odot c_{t-1} + i_t\odot a_t \]

\[ h_t = o_t\odot\tanh(c_t) \]

biçiminde verilmiştir.

Çift yönlü yapıda ileri ve geri LSTM gizli durumları birleştirilmektedir:

\[ y_t = \begin{bmatrix} \overrightarrow{h_t}\\ \overleftarrow{h_t} \end{bmatrix} \]

Üç model arasında doğruluk farkı ne kadar?

BiLSTM bütün raporlanan temel sınıflandırma metriklerinde diğer iki modelden daha yüksek sonuç vermiştir. Araştırmacılar bunu zaman içinde gelişen RMS ve faz açısı örüntülerini öğrenebilmesine bağlamaktadır.

Precision, recall ve F1 neyi ölçüyor?

Doğruluk:

\[ Accuracy = \frac{TP+TN} {TP+TN+FP+FN} \]

Precision:

\[ Precision = \frac{TP} {TP+FP} \]

Recall:

\[ Recall = \frac{TP} {TP+FN} \]

F1 skoru:

\[ F1 = 2 \frac{Precision\times Recall} {Precision+Recall} \]

olarak hesaplanmıştır. BiLSTM için yüksek precision değeri az sayıda yanlış alarm, yüksek recall değeri ise gerçek arızaların büyük bölümünün yakalandığı anlamına gelmektedir; ancak bu yorum yalnız araştırmanın test veri seti koşulları için geçerlidir.

S1 açık gate arızası ne kadar hızlı bulundu?

1800 rpm'de S1 açık gate arızası t = 3 s'de uygulanmış ve sınıflandırıcı:

8 ms

sonra sağlıklı etiket 0'dan S1 OG etiketi 1'e geçmiştir. Araştırmacılar bunu 60 Hz temel elektrik periyodunun yaklaşık %48'i olarak belirtmektedir.

1400 rpm'de aynı S1 OG arızası 3,6 ms'de, değişken hız koşulunda ise 7 ms'de tespit edilmiştir.

Açık anahtar arızası daha mı hızlı tespit edildi?

Kaynakta verilen S1 örneklerinde evet. OS arızası:

• 1800 rpm'de 2,4 ms,
• 1400 rpm'de 2,6 ms,
• değişken hızda 3,2 ms

içinde belirlenmiştir. Araştırmacılar incelenen OS senaryolarında en kötü tespit gecikmesinin temel periyodun %20'sini aşmadığını belirtmektedir.

Kısa devre arızası ne kadar hızlı tespit edildi?

S1 kısa devre arızası:

• 1800 rpm'de 8,0 ms,
• 1400 rpm'de 6,9 ms,
• değişken hız koşulunda 5,1 ms

sonra sınıflandırılmıştır.

Kaynak, gerçek uygulamadaki kısa devre koruma devrelerinin DC barayı \(T/6\) civarında kesebileceğini de belirtmektedir. Bununla birlikte burada raporlanan SC karar gecikmesinin bazı örneklerde \(0,48T\)'ye kadar çıkması, gerçek çok hızlı donanım korumasıyla eş zamanlı kullanımın henüz fiziksel donanımda doğrulanmadığını göstermektedir. Çalışma bu uyumluluğu simülasyon temelli bir olasılık olarak tartışmaktadır.

Gürültü eklendiğinde sistem çalışmaya devam etti mi?

Araştırmacılar ölçüm koşullarını zorlaştırmak için akım sinyallerine iki tür bozucu eklemiştir:

• Temiz sinyal genliğinin %10'una kadar band-sınırlı beyaz Gaussian gürültü,
• Tam sinyal genliğine eşit ±5 A büyüklüğünde rastgele spike bozucuları.

Spike olaylarının oluşma olasılığı %0,1 olarak belirlenmiştir.

1800 rpm'de S1 arızaları gürültülü koşulda:

• OG: 7,3 ms,
• OS: 3,4 ms,
• SC: 8,1 ms

içinde tespit edilmiştir.

Çok hafif yükte ne oluyor?

Çalışmanın önemli sınırlamalarından biri çok hafif yükte ortaya çıkmaktadır. Araştırmacılar yaklaşık:

1 N·m ve altındaki yüklerde

faz akımlarının ve dolayısıyla arıza kaynaklı RMS bozulmasının küçüldüğünü belirtmektedir. Bu durumda sınıflandırıcının güvenli karar vermek için daha uzun gözlem penceresine ihtiyaç duyduğu ve tespit gecikmesinin bazı durumlarda:

bir temel periyottan daha uzun

olabildiği açıklanmaktadır.

Bu bulgu, makalenin özet ve sonuç kısmındaki “yarım periyottan kısa tespit” ifadesinin bütün yük seviyeleri için mutlak bir özellik olarak yorumlanmaması gerektiğini göstermektedir.

RMS yerine anlık gerilim ve akım kullanılırsa ne oluyor?

Ablasyon çalışmasında aynı BiLSTM yapısı korunmuş, yalnız RMS değerlerinin yerine anlık akım ve gerilim değerleri verilmiştir.

Bu karşılaştırmada RMS + faz açıları yaklaşımı yaklaşık 18 yüzde puanı daha yüksek sınıflandırma doğruluğu vermiştir. Araştırmacılar anlık sinyallerin gürültü ve geçici bozuculara daha duyarlı olduğunu, arıza sınıfları arasında kararsız geçişlere neden olabildiğini belirtmektedir.

BiLSTM sonucu tekrarlandığında kararlı mı?

Model aynı veri seti ve hiperparametrelerle üç bağımsız kez eğitilip test edilmiştir.

Araştırmacılar düşük standart sapmaları eğitim tekrarları arasında model performansının kararlı kaldığının göstergesi olarak değerlendirmektedir.

Model gerçek zamanlı gömülü sistem için ne kadar büyük?

BiLSTM yaklaşık:

693.000 öğrenilebilir parametreye

sahiptir.

Kaynakta tahmini model belleği:

• 32-bit kayan nokta: yaklaşık 2,6–2,8 MB,
• 16-bit sabit nokta: yaklaşık 1,3–1,4 MB

olarak verilmektedir.

MATLAB'da 100 çalıştırmanın ortalamasından hesaplanan tek tahmin çıkarım süresi:

1,8 ms

olarak raporlanmıştır.

Ancak araştırmacılar arıza tespit grafiklerinde bildirilen karar gecikmelerinin bu 1,8 ms'lik hesaplama süresini içermediğini açıkça belirtmektedir. Dolayısıyla gerçek bir kontrolcüde uçtan uca toplam gecikme yalnız Şekil 5 veya Şekil 7'deki tespit süresine eşit kabul edilemez.

Model gerçekten elektrikli araç üzerinde test edildi mi?

Hayır. Çalışmada elektrikli araçlar olası uygulama alanı olarak tartışılmaktadır; ancak araştırma gerçek bir EV inverteri, otomobil çekiş motoru veya fiziksel laboratuvar inverteri üzerinde gerçekleştirilmemiştir.

Bütün temel doğrulama sonuçları yüksek ayrıntılı MATLAB/Simulink inverter–asenkron motor modelinden üretilen simülasyon verilerine dayanmaktadır.

Çalışmanın desteklediği sonuçlar

• Simülasyon veri setinde BiLSTM, FCN ve CNN'den daha yüksek genel sınıflandırma başarısı göstermiştir.
• BiLSTM test doğruluğu %98,45 olarak raporlanmıştır.
• Model sağlıklı durum ile altı anahtarın OG, OS ve SC arızalarını toplam 19 sınıfta ayırabilmiştir.
• 1800 rpm örneklerinde OG, OS ve SC arızaları milisaniye mertebesinde tespit edilmiştir.
• 1400 rpm ve değişken hız simülasyonlarında da arızalar sınıflandırılmıştır.
• %10 beyaz gürültü ve %0,1 olasılıklı ±5 A spike bozucular altında S1 örnekleri doğru tespit edilmiştir.
• RMS + faz açıları, aynı BiLSTM ile anlık sinyal özelliklerinden daha yüksek doğruluk sağlamıştır.
• Üç bağımsız eğitim-test tekrarında düşük performans varyansı raporlanmıştır.
• MATLAB ortamında ortalama ağ çıkarım süresi 1,8 ms olarak ölçülmüştür.

Çalışmanın desteklemediği veya test etmediği sonuçlar

• Model gerçek inverter-motor donanımında deneysel olarak doğrulanmamıştır.
• %98,45 doğruluk gerçek araç veya fabrika sahası doğruluğu değildir.
• Tespit süreleri modelin hesaplama çıkarım süresini içeren uçtan uca donanım gecikmesi değildir.
• Yaklaşık 1 N·m ve altındaki çok hafif yüklerde yarım periyot tespit garantisi yoktur; gecikme bir periyodu aşabilmektedir.
• Aynı anda birden fazla anahtarın arızalanması test edilmemiştir.
• Yalnız tek anahtarlı OG, OS ve SC arızaları değerlendirilmiştir.
• Rejeneratif çalışma test edilmemiştir.
• İkinci, üçüncü ve dördüncü çalışma bölgeleri incelenmemiştir.
• Farklı motor veya invertör topolojilerine doğrudan genelleme deneysel olarak gösterilmemiştir.
• Gerçek kısa devre koruma donanımıyla eş zamanlı çalışma fiziksel testle doğrulanmamıştır.
• Arıza toleranslı kontrol sistemi bu çalışmada uygulanmamıştır.

Çalışmanın Yöntemi ve Bulguları

Simülasyon veri üretim süreci

FCN eğitim ayarları

• Optimizasyon: Adam
• Başlangıç öğrenme oranı: 0,001
• Kayıp: Cross-entropy
• Epoch: 50
• Mini-batch: 64
• Dropout: 0,3
• Çıkış sınıfı: 19

CNN eğitim ayarları

• Girdi biçimi: 3 × 4 özellik haritası
• Konvolüsyon çekirdeği: 2 × 2
• Metinde verilen filtre sayıları: 32, 64, 128
• Batch normalization + ReLU
• Pooling
• Dropout: 0,3
• Adam, öğrenme oranı 0,001
• 50 epoch
• Mini-batch: 64
• Çıkış sınıfı: 19

BiLSTM eğitim ayarları

• Girdi: zaman adımı başına 12 özellik
• Dizi uzunluğu: 50 zaman adımı
• BiLSTM: 200 gizli birim
• LSTM: 150 gizli birim
• Tam bağlantılı katman: metinde 128 nöron
• Dropout: 0,3
• Çıkış: 19 sınıf
• Adam
• Öğrenme oranı: 0,001
• Epoch: 50
• Mini-batch: 128

Eğitim süreleri

Modeller Apple M1 işlemci ve 16 GB RAM bulunan sistem üzerinde eğitilmiştir.

Kaynakta bulunan mimari tablo uyuşmazlığı

Tablo 3'te FCN ve CNN için nöron sütununda [256 128 22], BiLSTM için [200 150 22] yazmaktadır. Buna karşılık bütün çalışma 19 sınıflı problem tanımlamakta ve model açıklamalarında çıkış katmanı 19 nöron olarak verilmektedir.

Ayrıca FCN açıklaması üç gizli katmandan söz ederken Şekil 3a'da 128 ve 64 nöronlu iki gizli tam bağlantılı katman ile 19 nöronlu sınıflandırma çıkışı görünmektedir. CNN metni üç konvolüsyon katmanını 32, 64 ve 128 filtreyle tarif ederken Şekil 3b'nin görünen yapısı ve Tablo 3 değerleri farklıdır.

Bu nedenle Verianla metni “22” değerini varsayımsal olarak 19 veya 128 şeklinde değiştirmemiştir.

Karışıklık matrisleri ne gösteriyor?

Şekil 8'de FCN, CNN ve BiLSTM için normalize edilmiş karışıklık matrisleri verilmektedir. BiLSTM matrisi diyagonal üzerinde en yoğun doğru sınıflandırmayı göstermektedir.

Kaynak tartışmasında kalan hataların büyük bölümünün elektriksel imzaları birbirine benzeyen sınıflar arasında, özellikle aynı fazdaki OG ve OS arızalarının ilk geçiş anlarında oluştuğu açıklanmaktadır. Arıza imzası zaman içinde daha belirgin hale geldikçe BiLSTM'nin sınıfları daha iyi ayırdığı belirtilmektedir.

Çok hafif yük etkisi

Nominal çalışma koşullarının yanında düşük yük de incelenmiştir. Yaklaşık 1 N·m ve altındaki yüklerde faz akımları küçüldüğü için arıza kaynaklı RMS bozulmaları zayıflamıştır. Araştırmacılar bu koşullarda karar süresinin uzadığını ve bazı durumlarda bir temel periyodun üzerine çıkabildiğini bildirmiştir.

Bu sınırlama, model performansının yalnız motor hızına değil yük seviyesine de bağlı olduğunu göstermektedir.

Gürültü testi

Algoritmik karar süresi ile çıkarım süresi aynı şey mi?

Hayır. Makale bu iki süreyi ayrı değerlendirmektedir. Şekillerde raporlanan birkaç milisaniyelik arıza tespit süreleri simülasyon sinyalinde arıza başlangıcı ile doğru sınıf kararının oluşması arasındaki gecikmedir.

Derin öğrenme ağının MATLAB'daki gerçek hesaplama süresi ayrıca ölçülmüş ve 100 tahmin ortalaması:

1,8 ms / tahmin

olarak verilmiştir.

Kaynak, bu 1,8 ms sürenin Şekil 5 ve Şekil 7'deki arıza tespit gecikmelerine dahil olmadığını açıkça belirtmektedir.

Model belleği

Araştırmacılar modelin yaklaşık 693 bin öğrenilebilir parametresini ve hesaplama süresini gömülü kontrolcü açısından uygun bir boyut olarak değerlendirmektedir. Texas Instruments C2000 ve ARM Cortex-M4 sınıfı kontrolcüler olası hedefler olarak tartışılmıştır; ancak bu platformlarda deneysel çalışma yapılmamıştır.

Temel yöntemsel sınırlılıklar

• Bütün sonuçlar MATLAB/Simulink simülasyonundan elde edilmiştir.
• Fiziksel inverter ve motor üzerinde deney yapılmamıştır.
• Hardware-in-the-loop doğrulaması yapılmamıştır.
• Yalnız tek anahtar arızaları değerlendirilmiştir.
• Eş zamanlı çoklu anahtar arızaları kapsam dışıdır.
• Yalnız ileri motorlama, yani birinci çalışma bölgesi incelenmiştir.
• Rejeneratif ve çok bölgeli çalışma kapsam dışıdır.
• Düşük yükte tespit gecikmesi artmaktadır.
• Gerçek sensör doğrusal olmayanlıkları ve donanım toleransları fiziksel olarak test edilmemiştir.
• Farklı motor ve invertör yapılarına transfer yeteneği deneysel olarak gösterilmemiştir.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: Open Gate, Open Switch and Short Circuit Fault Detection of Three-Phase Inverter Switches in Induction Motor Drive Applications

Yazarlar: Mohammad Zamani Khaneghah, Mohamad Alzayed, Hicham Chaoui.

Yazar sırası: Kaynakta verilen sıra aynen korunmuştur.

Eş birinci / eş katkı: Kaynakta eş birinci veya eş katkı beyanı bulunmamaktadır.

Sorumlu yazar: Hicham Chaoui.

Kurum: Intelligent Robotic and Energy Systems (IRES) Research Group, Department of Electronics, Carleton University, Ottawa, Ontario, Canada.

Kaynak türü: Hakemli araştırma makalesi; MATLAB/Simulink tabanlı simülasyon, veri analizi ve derin öğrenme arıza tespit çalışması.

Dergi: Actuators.

Yayınevi: MDPI.

Bibliyografik künyesi: Actuators 2026, 15(1), 34.

Makale numarası: 34.

DOI: 10.3390/act15010034.

Resmî yayın bağlantısı:https://doi.org/10.3390/act15010034

Gönderim tarihi: 25 Kasım 2025.

Revizyon tarihi: 23 Aralık 2025.

Kabul tarihi: 29 Aralık 2025.

Yayın tarihi: 5 Ocak 2026.

Lisans: Creative Commons Attribution (CC BY).

Finansman: Araştırmacılar dış finansman alınmadığını bildirmiştir.

Etik kurul: Kaynakta “Not applicable” olarak belirtilmiştir.

Bilgilendirilmiş onam: Kaynakta “Not applicable” olarak belirtilmiştir.

Veri erişilebilirliği: Araştırmanın özgün katkılarının makale içinde yer aldığı, ek soruların sorumlu yazara yöneltilebileceği belirtilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını bildirmiştir.

Yazar katkıları: Kavramsallaştırma M.Z.K., M.A. ve H.C.; metodoloji M.Z.K., M.A. ve H.C.; yazılım M.Z.K.; doğrulama M.Z.K., M.A. ve H.C.; formel analiz ve araştırma M.Z.K., M.A. ve H.C.; kaynaklar H.C.; veri düzenleme M.Z.K.; ilk taslak M.Z.K.; gözden geçirme ve düzenleme M.A. ve H.C.; danışmanlık M.A. ve H.C.; proje yönetimi H.C. olarak bildirilmiştir.

Bilimsel içerik sınırı: Bu Verianla yazısındaki motor parametreleri, arıza türleri, veri üretim yöntemi, yapay zekâ mimarileri, eğitim-test ayrımı, doğruluk sonuçları, tespit gecikmeleri, gürültü deneyleri, ablasyon sonuçları ve sınırlılıklar incelenen temel çalışmaya dayanmaktadır. Bibliyografik doğrulama dışında dış kaynaklardan yeni deneysel sonuç eklenmemiştir.

Kaynak içindeki önemli tutarsızlıklar ve yorum sınırları

• Özet ve sonuç, arıza tespit süresini genel olarak yarım temel periyottan kısa biçimde sunarken tartışma bölümünde yaklaşık 1 N·m ve altındaki çok hafif yükte gecikmenin bazı durumlarda bir periyodu aşabildiği belirtilmektedir.
• Tablo 3'te FCN ve CNN için nöron değerleri “[256 128 22]”, BiLSTM için “[200 150 22]” olarak verilmektedir; buna karşılık çalışma 19 sınıflı çıkış kullanmaktadır ve metindeki mimari açıklamaları bu değerlerle tam uyuşmamaktadır.
• FCN metni üç gizli katman tarif ederken Şekil 3a'nın görünür mimarisi iki gizli tam bağlantılı katman ve 19 nöronlu çıkış göstermektedir.
• CNN metni 32, 64 ve 128 filtreli üç konvolüsyon bloğundan söz ederken Şekil 3b ve Tablo 3 aynı mimariyi açık ve tutarlı biçimde göstermemektedir.
• Veri dağılımı açıklamasında “her sınıftan eşit sayıda örnek seçildiği” belirtilirken hemen ardından sağlıklı sınıfın tekil arıza sınıflarından daha fazla örnek içerdiği ifade edilmektedir.
• Kaynak kısa devre koruma sistemlerinin pratikte DC barayı T/6 içinde ayırabileceğini belirtirken önerilen tanı modelinin bazı SC örneklerinde karar gecikmesi yaklaşık 0,48T'dir. Gerçek hızlı donanım korumasıyla birlikte çalışma fiziksel deneyle gösterilmemiştir.
• Şekillerdeki arıza tespit süreleri derin öğrenme ağının 1,8 ms ortalama hesaplama çıkarım süresini içermemektedir.

Temel bilimsel sınır: Araştırma yüksek ayrıntılı bir simülasyon üzerinde güçlü sınıflandırma sonuçları sunmaktadır. Buna rağmen gerçek inverter anahtarlarının üretim toleransları, güç katı parazitleri, fiziksel sensör davranışı, gerçek kısa devre koruması ve farklı çalışma bölgeleri deneysel olarak doğrulanmadığı için sonuçlar doğrudan endüstriyel veya otomotiv saha performansı olarak yorumlanmamalıdır.