Bu tədqiqat, üçfazaalı bir invertorle beslenen asenkron mühərrik sürücüsünde yarımkeçirici açarların üç fərqli nasazlıq növünü süni intəllekt ilə aşkarlama etmeyi və nasaz açarın yerini bəlirlemeyi məqsəd qoyur. Tədqiqatçılar bucaqq gate (Open Gate, OG), real bucaqq açar (Open Switch, OS) və qısaqapanma (Short Circuit, SC) nasazlıqlarnı altı invertor açarının hər biri üçün ayrı ayrı modəllemiş; sağlam vəziyyətla birlikdə cəmi 19 siniflı bir nasazlıq diaqnostiəzələı problemi oluşdövrmuşdövr. Fully Connected Neural Network (FCN), Convolutional Neural Network (CNN) və Bidirectional Long Short-Term Memory (BiLSTM) modəlləşdiriri müqayisə edilmişdir. Test məlumat dəstində BiLSTM %98,45 dəqiqlikla en yüksək sonucu vermiş; CNN %97,1, FCN isə %93,52 dəqiqlik əlde etmiştir.

Təklif edilən sistem birbaşa ham açarlama sinyallerini təsnifatk əvəzinə üç fazaa cərəyan və gərginliklerinden hesablanan RMS dəyərləri ilə fazaa bucaqlarını kullanmaktadır. Hər zaman addımında üç faza üçün cərəyan və gərginlik RMS dəyərləri və bucaqları birleştirilerek cəmi 12 özəllik yaradılmışdır. RMS hesabı bir əsas əlektrik periodu uzunluğundaki sürüşən pəncərə üzərindən yapılmış, pencere hər 0,1 ms'də güncəllenmiştir. BiLSTM üçün bu xüsusiyyətlərin 50 zaman adımlık sıraleri istifadə edilmişdir.

Tədqiqatın örnek testlerinde S1 açarındaki OG, OS və SC nasazlıqlar 1800 rpm koşulunda sırasıyla 8,0 ms, 2,4 ms və 8,0 ms'də aşkarlama edilmiştir. Beyaz səs-küy və yüksək genlikli rastgəle spike pozucuları eklendiğinde eyni nasazlıqlar sırasıyla 7,3 ms, 3,4 ms və 8,1 ms'də bəlirlenmiştir. Tədqiqatçılar fərqli sabit hızlar və hız değişimi şərtlərinda nasazlıq təsnifatının korunduğunu göstərir. Bununla bələ çox yüngül yükte, təxminən 1 N·m və altında, aşkarlama gecikməsinin bazı dayanumlarda bir əsas əlektrik periodunu aşabildiği eyni tədqiqatın tartışma bölümünde bəlirtilmektedir.

Tədqiqat aparatsal inverter və real mühərrik deneyinden deyil, yüksək ətraflı MATLAB/Simulink modəlinden yaradılan məlumatlarden ibarətdir. Bu səbəbdən %98,45 dəqiqlik, 1,8 ms çıxarış müddəti və ya alt-periyot nasazlıq aşkarlama nəticələrı birbaşa real bir əlektrikli nəqliyyat vasitəsi, sənaye mühərrik sürücüsü ya da daxili idarəedici üzerindeki təsdiqlənmiş sahə performansı kimi şərhlanamaz. Tədqiqatçılar aparat-in-the-loop və laboratuvar deneylerini gələcək iş kimi bırakmıştır.

Türkiyə baxımından: Tədqiqat Türkiye'deki bir sanayi tesisi, əlektrikli nəqliyyat vasitəsi platforması və ya real inverter aparatı üzərində təsdiqlənməmişdir. Buna karşın asenkron mühərrik sürücülerinde proqnozlaşdırıcı texniki xidmət, əlektrikli nəqliyyat vasitəsi güc əlektroniəzələı, endüstriyəl otomasyon və nasazlığa dözümlü idarəetmə üzerine çalışan tədqiqat ekipleri açistilikndan ətraflı bir süni intəllekt əsaslı tanı çərçivəsi təqdim edir. Türkiye'də real tətbiqya geçiş üçün fərqli inverter topolojileri, fərqli mühərrik güçleri, sensor tolerantlıqları, real əlektromaqnit müdaxilə, fərqli yük profilleri, regenerativ tədqiqat və aparat qısaqapanma qoruması altında ayrıca eksperimental təsdiqləmə lazımdır.

Tədqiqatnın çözmeye çalıştığı problem nədir?

Üç fazalı invertorlerdeki yarımkeçirici açar nasazlıqlar mühərrik sürücüsünün cərəyan dalga biçimini, torkunu və tədqiqat sürekliliğini bozabilir. Tədqiqatçılar özəllikle iki probleme fokuslanır: bucaqk devre grubundaki fərqli nasazlıq mekanizmalarının birbirinden ayrılması və qısaqapanma nasazlıqlarnın yalnız varlığının deyil, hansı fiziksəl açarda oluştuğunun da bəlirlenmesi.

Tədqiqatın örütubətli ayrımı, hər bucaqk devre nasazlıqsını tək bir sinif kimi qiymətləndirməmesidir. Tədqiqatda Open Gate (OG) və Open Switch (OS) ayrı əlektriksəl dayanumlar kimi modəllenmiştir.

OG, OS və SC nasazlıqlarnın fərqi nədir?

Open Gate (OG) dayanumunda IGBT'nin gate sürmə kanalı artık açarı iletime geçiremez; lakin antiparaləl diod sağlam kalır. Mənbədə S1 örneği üçün pozitif yarım periyodun kaybolduğu, negatif yarım periyotta diod üzərindən iletimin devam ettiği bucaqklanmaktadır.

Open Switch (OS) dayanumunda hem IGBT hem də ona paraləl diod bucaqk devredir. Bələliklə ilgili açar qolunda iki yönde də cərəyan yolu ortadan kalkar. Arızalı fazaasın cərəyanı ciddi şəkildə azalır və ya kaybolur; digər fazalar yükü paylaşmak zorunda kalır.

Short Circuit (SC) dayanumunda açar davamlı keçiricilikde kabul edilir. Bu dayanum cərəyanın hızla yüksəlmesine, ciddi dalga biçimi pozulmasına və DC şina həddindən artıq cərəyan riskine yol açabilen en sürətli gəlişen nasazlıq növüdür.

Altı fiziksəl açar bulunduğu üçün:

• 6 adet OG sinifı,
• 6 adet SC sinifı,
• 6 adet OS sinifı,
• 1 adet sağlıklı sinif

yaradılmış və cəmi sinif sayı 19 olmuşdövr.

Motor və invertor sistemi necə modəllenmiş?

Tədqiqatçılar MATLAB/Simulink 2024a ortamında V/F idarə olunan, üçfazaalı iki səviyyəli invertor üzərindən beslenen dələ qəfəsli bir asenkron mühərrik modəli kurmuşdövr. Altı IGBT, 10 kHz daşıyıcılı PWM ilə açarlanmıştır.

Veri seti necə oluşdövruldu?

Hər nasazlıq simulyasiyau cəmi 2,5 saniye sürmüştür. İlk 0,5 saniye sağlıklı tədqiqat kimi qeydə alınmış, ardından ilgili nasazlıq uygulanmış və kalan 2,0 saniye nasaz tədqiqat verisi kimi istifadə edilmişdir.

Akım və gərginlik sinyalleri:

10 kHz

nümunələmə tezliyiyla qeydə alınmıştir. Bu səbəbdən hər simulyasiya koşulunda cəmi:

25.000 örnek

yaradılmışdır.

Yapay zekâya hansı özəllikler verildi?

Hər zaman addımında üçfazaalı cərəyan və gərginliklerden hem RMS ölçüsü hem də fazaa bucağı çıkarılmıştır. Bələliklə:

• 3 cərəyan RMS dəyəri,
• 3 cərəyan fazaa bucağı,
• 3 gərginlik RMS dəyəri,
• 3 gərginlik fazaa bucağı

olmak üzere cəmi 12 skaler özəllik əlde edilmiştir.

RMS dəyərləri bir əsas əlektrik perioduna eşit sürüşən pəncərə üzərindən hesaplanmış və ardişıq pencerəler arasındaki adım:

0,1 ms

kimi bəlirlenmiştir. Bələliklə pencere uzun olmasına rağmen nasazlıq sonrası yaranan değişiklikler hər 0,1 ms'də güncəllenen RMS dəyərlərine aşamalı kimi yansımaktadır.

RMS kullanmanın amacı neydi?

Tədqiqatçılar RMS özəlliğini, anlık dəyərlərden daha az səs-küy duyarlı olduğu üçün seçmiştir. RMS hesabı yüksək frekanslı geçicilerin bir bölümünü yumuşatırken OG, OS və SC kimi açar nasazlıqlarnın fazaa cərəyanı ölçüsünde oluşdövrduğu bəlirgin değişiklikleri korumaktadır.

Tədqiqatın Şəkil 9'u S1 açarı üçün üç nasazlıq növünün RMS imzalarının fərqli olduğunu göstərir. OG dayanumunda faza RMS dəyərləri daha sərhədlı şəkildə değişirken, OS dayanumunda nasaz fazaa bağlı daha bəlirgin pozulma ibarətdir. SC dayanumunda RMS dəyərlərinde çox sürətli və çox böyük artış meydana gəlmektedir.

Eğitim-test ayrımı necə yapıldı?

Hər sinif içində məlumatlar %70 təlim və %30 test kimi ayrılmıştır. Test setinde hər sinif üçün 7.500 örnek bulunduğu və cəmi test örneği sayının:

142.500

olduğu bəlirtilmiştir.

Giriş xüsusiyyətlərine z-score normallaşdırması tətbiq edilmişdir. Ortalama və standart sapma yalnız təlim verisinden hesaplanmış və eyni parametrlər test setine tətbiq edilmişdir. Tədqiqatçılar bunun informasiya sızmasını önlemek amacıyla yapıldığını bəlirtmektedir.

Mənbə izahında məlumat dengesiyle ilgili bir ifade uyuşmazlığı mövcuddur: bir yandan “hər siniftan eşit sayda örnek seçildiği” söylenirken eyni izahda sağlıklı sinifın təkil nasazlıq siniflarından daha fazala örnek içerdiği bəlirtilmektedir. Aşağıdaki nəticələr qaynaqta raporlandığı şəkildə aktarılmıştır.

FCN modəli necə işləyir?

FCN modəli zaman sırasıni bucaqk şəkildə modəllemek əvəzinə özəllik ölçüleri arasındaki ilişkileri tam bağlı qatlarla öğrenmektedir. ReLU aktivasyonu kullanılmış və aşırı öğrenmeyi azaltmaq üçün dropout olasılığı:

\[ p=0.3 \]

kimi seçilmiştir.

Çıkışta 19 siniflı softmax mövcuddur:

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

Modəl Adam optimallaşdırmau, 0,001 başlangıç öyrənmə sürəti, cross-entropy kayıp fonksiyonu, 50 epoch və 64 mini-batch ilə eğitilmiştir.

Mənbədə FCN memarlığı üçün metin, Şəkil 3a və Cədvəl 3 arasında qat sayı və nöron adetleri bcərəyanından uyumsuzluk mövcuddur. Bu səbəbdən burada qaynaqta tutarlı olan təlim ayarları və 19 siniflı çıkış korunmuş, çəlişkili gizli qat boyutları tək bir dəyər sırasıne dönüştürülmemiştir.

CNN modəli hansı bilgiyi öğreniyor?

CNN üçün 12 boyutlu özəllik vektörü 3 × 4 şəklində ikiölçülü bir gösterime çevrilmiştür. Tədqiqatçılar konvolyusiya qatlarıyla cərəyan-gərginlik xüsusiyyətləri arasındaki lokal örüntülerin öğrenilmesini amaçlamıştır.

Konvolüsyon əməliyyatı qaynaqta:

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

şəklində verilmişdir.

Metin üç konvolyusiya bloğunu 32, 64 və 128 filtreyle tanımlamaktadır. Lakin Şəkil 3b'nin görünür qat yapistilik və Cədvəl 3'teki nöron listəleri bu izahyla tam kimi örtüşmemektedir. Bu səbəbdən qaynaq içindeki memarlıq sayı fərqlilıkları sessizce düzəltilmemiştir.

BiLSTM niyə daha uğurlu oldu?

BiLSTM, RMS və fazaa bucaqlarının yalnız mövcud dəyərini deyil, zaman içində necə değiştiğini də öğrenmektedir. Tədqiqatçılar OG ilə OS kimi ilk anlarda birbirine benzeyebilen nasazlıq imzalarını ayırmak üçün zaman bağımlılığının kritik olduğunu savunmaktadır.

BiLSTM girişinde hər zaman addımında 12 özəllik bulunur və:

50 zaman adımlık sıra

istifadə olunur.

Mənbədə bucaqklanan əsas memarlıq:

• 200 gizli birimli BiLSTM qatı,
• 150 gizli birimli tək yönlü LSTM qatı,
• dropout \(p=0,3\),
• 128 nöronlu tam bağlı ReLU qatı,
• 19 siniflı softmax çıkışı

şəklindədir.

BiLSTM'nin əsas hüceyrə güncəlleməlerinden bazıları:

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

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

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

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

şəklində verilmişdir.

Çift yönlü yapıda ileri və geri LSTM gizli dayanumları birleştirilmektedir:

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

Üç modəl arasında dəqiqlik fərqi nə kadar?

BiLSTM bütün raporlanan əsas təsnifat metriklerinde digər iki modəlden daha yüksək nəticə vermiştir. Tədqiqatçılar bunu zaman içində gəlişen RMS və fazaa bucağı örüntülerini öğrenebilmesine bağlamaktadır.

Precision, recall və 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:

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

kimi hesaplanmıştır. BiLSTM üçün yüksək precision dəyəri az sayda yanlış alarm, yüksək recall dəyəri isə real nasazlıqlarn böyük bölümünün yakalandığı anlamına gəlmektedir; lakin bu şərh yalnız tədqiqatnın test məlumat dəsti şərtləri üçün geçerlidir.

S1 bucaqq gate nasazlıqsı nə kadar sürətli bulundu?

1800 rpm'də S1 bucaqq gate nasazlıqsı t = 3 s'də uygulanmış və təsnifləndirici:

8 ms

sonra sağlıklı etiket 0'dan S1 OG etiketi 1'e geçmiştir. Tədqiqatçılar bunu 60 Hz əsas əlektrik periodunun təxminən %48'i kimi bəlirtmektedir.

1400 rpm'də eyni S1 OG nasazlıqsı 3,6 ms'də, değişken hız koşulunda isə 7 ms'də aşkarlama edilmiştir.

Açıq açar nasazlıqsı daha mı sürətli aşkarlama edildi?

Mənbədə verilen S1 örneklerinde evet. OS nasazlıqsı:

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

içində bəlirlenmiştir. Tədqiqatçılar incəlenen OS senaryolarında en kötü aşkarlama gecikməsinin əsas periyodun %20'sini aşmadığını bəlirtmektedir.

Kısa devre nasazlıqsı nə kadar sürətli aşkarlama edildi?

S1 qısaqapanma nasazlıqsı:

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

sonra təsnif edilmişdir.

Mənbə, real tətbiqdaki qısaqapanma koruma devrəlerinin DC şinayı \(T/6\) civarında kesebileceğini də bəlirtmektedir. Bununla bələ burada raporlanan SC qərar gecikməsinin bazı örneklerde \(0,48T\)'ye kadar çıkması, real çox sürətli aparat korumasıyla eş zamanlı istifadəsin henüz fiziksəl aparatda doğrulanmadığını göstərir. Tədqiqat bu uyğunluğu simulyasiya əsasli bir olasılık kimi tartışmaktadır.

Gürültü eklendiğinde sistem tədqiqatya devam etti mı?

Tədqiqatçılar ölçmə şərtlərinı zorlaştırmak üçün cərəyan sinyallerine iki tür pozucu oynaqiştir:

• Temiz sinyal amplitudasınin %10'una kadar zolaq məhdudiyyətli beyaz Gaussian səs-küyü,
• Tam sinyal amplitudasıne eşit ±5 A ölçüsünde rastgəle spike pozucuları.

Spike olaylarının oluşma olasılığı %0,1 kimi bəlirlenmiştir.

1800 rpm'də S1 nasazlıqlar səs-küylü koşulda:

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

içində aşkarlama edilmiştir.

Çox yüngül yükte nə oluyor?

Tədqiqatın örütubətli sərhədlamalarından biri çox yüngül yükte ortaya çıkmaktadır. Tədqiqatçılar təxminən:

1 N·m və altındaki yüklərde

fazaa cərəyanlarının və dolayistilikyla nasazlıq qaynaqlı RMS pozulmasının küçüldüğünü bəlirtmektedir. Bu dayanumda təsnifləndiricinin inamli qərar vermek üçün daha uzun gözlem penceresine ihtiyaç duyduğu və aşkarlama gecikməsinin bazı dayanumlarda:

bir əsas periyottan daha uzun

olabildiği bucaqklanmaktadır.

Bu nəticə, məqalənin xülasə və nəticə kısmındaki “yarım periyottan kısa aşkarlama” ifadesinin bütün yük seviyəleri üçün mutlak bir özəllik kimi şərhlanmaması gerektiğini göstərir.

RMS əvəzinə ani gərginlik və cərəyan kullanılırsa nə oluyor?

Ablasyon tədqiqatsında eyni BiLSTM yapistilik korunmuş, yalnız RMS dəyərlərinin əvəzinə ani cərəyan və gərginlik dəyərləri verilmişdir.

Bu müqayisəda RMS + fazaa bucaqları yanaşması təxminən 18 yüzde puanı daha yüksək təsnifat doğruluğu vermiştir. Tədqiqatçılar ani siqnallerin səs-küy və geçici pozuculara daha duyarlı olduğunu, nasazlıq sinifları arasında qeyri-sabit geçişlere niyə olabildiğini bəlirtmektedir.

BiLSTM sonucu təkrarlandığında sabit mı?

Modəl eyni məlumat dəsti və hiperparametrlerle üç müstəqil dəfə eğitilip test edilmişdir.

Tədqiqatçılar aşağı standart sapmaları təlim təkrarları arasında modəl performansının sabit kaldığının göstergesi kimi qiymətləndirməktedir.

Modəl real vaxtlı gömülü sistem üçün nə kadar böyük?

BiLSTM təxminən:

693.000 öyrənilə bilən parametrye

sahiptir.

Mənbədə proqnozu modəl bəlleği:

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

kimi verilmektedir.

MATLAB'da 100 çalıştırmanın ortasından hesablanan tək proqnoz çıxarış müddəti:

1,8 ms

kimi hesabatda bildirilmişdir.

Lakin tədqiqatçılar nasazlıq aşkarlama qrafiklerinde bildirilen qərar gecikmələrinin bu 1,8 ms'lik hesablama müddətini içermediğini bucaqkça bəlirtmektedir. Buna görə real bir idarəedicide başdan sona cəmi gecikmə yalnız Şəkil 5 və ya Şəkil 7'deki aşkarlama müddətine eşit kabul edilemez.

Modəl həqiqətən əlektrikli nəqliyyat vasitəsi üzərində test edildi mı?

Hayır. Tədqiqatda əlektrikli nəqliyyat vasitəsilar olası tətbiq alanı kimi tartışılmaktadır; lakin tədqiqat real bir EV inverteri, otomobil çekiş mühərriki və ya fiziksəl laboratuvar inverteri üzərində realleştirilmemiştir.

Bütün əsas doğrulama nəticələrı yüksək ətraflı MATLAB/Simulink inverter–asenkron mühərrik modəlinden yaradılan simulyasiya məlumatlarıne dayanmaktadır.

Tədqiqatın dəstəklədiyi nəticələr

• Simülasyon məlumat dəstində BiLSTM, FCN və CNN'den daha yüksək genəl təsnifat uğursı göstərmişdir.
• BiLSTM test doğruluğu %98,45 kimi hesabatda bildirilmişdir.
• Modəl sağlam vəziyyət ilə altı açarın OG, OS və SC nasazlıqlarnı cəmi 19 sinifta ayırabilmiştir.
• 1800 rpm örneklerinde OG, OS və SC nasazlıqlar valisaniye mertebesinde aşkarlama edilmiştir.
• 1400 rpm və değişken hız simulyasiyalarında da nasazlıqlar təsnif edilmişdir.
• %10 şəbəkə səs-küy və %0,1 olasılıklı ±5 A spike pozucular altında S1 örnekleri doğru aşkarlama edilmiştir.
• RMS + fazaa bucaqları, eyni BiLSTM ilə ani siqnal xüsusiyyətlərinden daha yüksək dəqiqlik sağlamıştır.
• Üç müstəqil təlim-test təkrarında aşağı performans dispersiyaı hesabatda bildirilmişdir.
• MATLAB ortamında orta şəbəkə çıxarış müddəti 1,8 ms kimi ölçülmüşdür.

Tədqiqatın destoynaqediği və ya test etmediği nəticələr

• Modəl real inverter-mühərrik aparatında deneysəl kimi təsdiqlənməmişdir.
• %98,45 dəqiqlik real avtomobil və ya fabrika sahası doğruluğu değildir.
• Tespit sürəleri modəlin hesaplama çıxarış müddətini ehtiva edən başdan sona aparat gecikməsi değildir.
• Təxminən 1 N·m və altındaki çox yüngül yüklərde yarım periyot aşkarlama garantisi yokdövr; gecikmə bir periyodu aşabilmektedir.
• Aynı anda birden fazala açarın nasazlıqlanması test edilməmişdir.
• Yalnız tək açarlı OG, OS və SC nasazlıqlar qiymətləndirilmişdir.
• Rejeneratif tədqiqat test edilməmişdir.
• İkinci, üçüncü və dördüncü tədqiqat bölgəleri incəlenmemiştir.
• Fərqli mühərrik və ya invertor topolojilerine birbaşa genəlleme deneysəl kimi gösterilmemiştir.
• Real qısaqapanma koruma aparatıyla eş zamanlı tədqiqat fiziksəl testle təsdiqlənməmişdir.
• Arıza toleranslı kontrol sistemi bu tədqiqatda tətbiq edilməmişdir.

Tədqiqatın Metodu və Nəticələri

Simülasyon məlumat istehsal süreci

FCN təlim ayarları

• Optimizasyon: Adam
• Başlangıç öyrənmə sürəti: 0,001
• Kayıp: Cross-entropy
• Epoch: 50
• Mini-batch: 64
• Dropout: 0,3
• Çıkış sinifı: 19

CNN təlim ayarları

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

BiLSTM təlim ayarları

• Girdi: zaman addımı başına 12 özəllik
• Dizi uzunluğu: 50 zaman addımı
• BiLSTM: 200 gizli birim
• LSTM: 150 gizli birim
• Tam birləşməlı qat: metinde 128 nöron
• Dropout: 0,3
• Çıkış: 19 sinif
• Adam
• Öğrenme nisbətı: 0,001
• Epoch: 50
• Mini-batch: 128

Eğitim sürəleri

Modəller Apple M1 prosessor və 16 GB RAM bulunan sistem üzərində eğitilmiştir.

Mənbədə bulunan memarlıq cədvəl uyuşmazlığı

Cədvəl 3'te FCN və CNN üçün nöron sütununda [256 128 22], BiLSTM üçün [200 150 22] yazmaktadır. Buna karşılık bütün tədqiqat 19 siniflı problem tanımlamakta və modəl izahlarında çıkış qatı 19 nöron kimi verilmektedir.

Bundan əlavə FCN izahı üç gizli qatdan söz ederken Şəkil 3a'da 128 və 64 nöronlu iki gizli tam bağlı qat ilə 19 nöronlu təsnifat çıkışı görünmektedir. CNN metni üç konvolyusiya qatını 32, 64 və 128 filtreyle tarif ederken Şəkil 3b'nin görünen yapistilik və Cədvəl 3 dəyərləri fərqlidır.

Bu səbəbdən Verianla metni “22” dəyərini varsayımsal kimi 19 və ya 128 şəklində dəyişdirməmiştir.

Karişıqlık matrisleri nə göstərir?

Şəkil 8'də FCN, CNN və BiLSTM üçün normallaşdırılmış karişıqlık matrisleri verilmektedir. BiLSTM matrisi diyagonal üzərində en yoğun doğru təsnifatyı göstərir.

Mənbə tartışmasında kalan xətaların böyük bölümünün əlektriksəl imzaları birbirine benzeyen siniflar arasında, özəllikle eyni fazadaki OG və OS nasazlıqlarnın ilk geçiş anlarında oluştuğu bucaqklanmaktadır. Arıza imzası zaman içində daha bəlirgin hale gəldikçe BiLSTM'nin sinifları daha iyi ayırdığı bəlirtilmektedir.

Çox yüngül yük etkisi

Nominal tədqiqat şərtlərinın yanında aşağı yük də incəlenmiştir. Təxminən 1 N·m və altındaki yüklərde fazaa cərəyanları küçüldüğü üçün nasazlıq qaynaqlı RMS pozulmaları zayıflamıştır. Tədqiqatçılar bu koşullarda qərar müddətinin uzadığını və bazı dayanumlarda bir əsas periyodun üzerine çıkabildiğini bildirmiştir.

Bu sərhədlama, modəl performansının yalnız mühərrik hızına deyil yük səviyyəsine də bağlı olduğunu göstərir.

Gürültü testi

Algoritmik qərar müddəti ilə çıxarış müddəti eyni şey mı?

Hayır. Məqalə bu iki süreyi ayrı qiymətləndirməktedir. Şəkillerde raporlanan birkaç valisaniyəlik nasazlıq aşkarlama sürəleri simulyasiya sinyalinde nasazlıq başlangıcı ilə doğru sinif qərarının oluşması arasındaki gecikmədir.

Derin öğrenme ağının MATLAB'daki real hesablama müddəti ayrıca ölçülmüş və 100 proqnoz ortası:

1,8 ms / proqnoz

kimi verilmişdir.

Mənbə, bu 1,8 ms sürenin Şəkil 5 və Şəkil 7'deki nasazlıq aşkarlama gecikmələrine daxil olmadığını bucaqkça bəlirtmektedir.

Modəl bəlleği

Tədqiqatçılar modəlin təxminən 693 bin öyrənilə bilən parametrsini və hesablama müddətini daxili idarəedici açistilikndan uyğun bir boyut kimi qiymətləndirməktedir. Texas Instruments C2000 və ARM Cortex-M4 sinifı idarəedicilər olası hədəfler kimi tartışılmıştır; lakin bu platformlarda deneysəl tədqiqat yapılmamıştır.

Əsas metodsəl məhdudiyyətlər

• Bütün nəticələr MATLAB/Simulink simulyasiyaundan əlde edilmiştir.
• Fiziksəl inverter və mühərrik üzərində deney yapılmamıştır.
• Hardware-in-the-loop doğrulaması yapılmamıştır.
• Yalnız tək açar nasazlıqlar qiymətləndirilmişdir.
• Eş zamanlı çoxlu açar nasazlıqlar əhatə dışıdır.
• Yalnız ileri mühərriklama, yani birinci işləmə bölgəsi incəlenmiştir.
• Rejeneratif və çox bölgəli tədqiqat əhatə dışıdır.
• Aşağı yükte aşkarlama gecikməsi artmaktadır.
• Real sensor qeyri-xəttilikları və aparat toleransları fiziksəl kimi test edilməmişdir.
• Fərqli mühərrik və invertor yapılarına transfer yeteneği deneysəl kimi gösterilmemiştir.

Mənbə və Metod Qeydi

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

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

Yazar sırası: Mənbədə verilen sıra aynen korunmuşdövr.

Eş birinci / eş katkı: Mənbədə eş birinci və ya eş katkı beyanı mövcud deyil.

Sorumlu yazar: Hicham Chaoui.

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

Mənbə növü: Hakemli tədqiqat məqaləsi; MATLAB/Simulink əsaslı simulyasiya, məlumat analizi və derin öğrenme nasazlıq aşkarlama tədqiqatsı.

Jurnal: Actuators.

Nəşriyyat: MDPI.

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

Məqalə numarası: 34.

DOI: 10.3390/act15010034.

Rəsmi nəşr birləşməsı: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.

Lisenziya: Creative Commons Attribution (CC BY).

Maliyyələşdirmə: Tədqiqatçılar xarici finansman alınmadığını bildirmiştir.

Etik kurul: Mənbədə “Qeyd applicable” kimi bəlirtilmiştir.

Bilgilendirilmiş razılıq: Mənbədə “Qeyd applicable” kimi bəlirtilmiştir.

Məlumat əlçatanlığı: Tədqiqatnın orijinal katkılarının məqalə içində yer aldığı, ek soruların sorumlu yazara yönəltilebileceği bəlirtilmiştir.

Maraqlar toqquşması: Müəlliflər çıkar çatışması olmadığını bildirmiştir.

Müəllif töhfələri: Kavramsallaştırma M.Z.K., M.A. və H.C.; metodoloji M.Z.K., M.A. və H.C.; yazılım M.Z.K.; doğrulama M.Z.K., M.A. və H.C.; forməl analiz və tədqiqat M.Z.K., M.A. və H.C.; qaynaqlar H.C.; məlumat tənzimləmə M.Z.K.; ilk taslak M.Z.K.; gözden geçirme və tənzimləmə M.A. və H.C.; danışmanlık M.A. və H.C.; proje yönetimi H.C. kimi bildirilmişdir.

Bilimsəl məzmun sərhədi: Bu Verianla yazistilikndaki mühərrik parametrləri, nasazlıq növləri, məlumat istehsal metodi, süni intəllekt memarlıqleri, təlim-test ayrımı, dəqiqlik nəticələrı, aşkarlama gecikmələri, səs-küy deneyleri, ablasiya nəticələrı və məhdudiyyətlər incəlenen əsas tədqiqatya dayanmaktadır. Bibliyoqrafik doğrulama xaricində xarici qaynaqlardan yeni deneysəl nəticə eklenmemiştir.

Mənbə daxilində örütubətli tutarsızlıklar və şərh sərhədları

• Özet və nəticə, nasazlıq aşkarlama müddətini genəl kimi yarım əsas periyottan kısa şəkildə sunarken tartışma bölümünde təxminən 1 N·m və altındaki çox yüngül yükte gecikmənin bazı dayanumlarda bir periyodu aşabildiği bəlirtilmektedir.
• Cədvəl 3'te FCN və CNN üçün nöron dəyərləri “[256 128 22]”, BiLSTM üçün “[200 150 22]” kimi verilmektedir; buna karşılık tədqiqat 19 siniflı çıkış kullanmaktadır və metindeki memarlıq izahları bu dəyərlərle tam uyuşmamaktadır.
• FCN metni üç gizli qat tarif ederken Şəkil 3a'nın görünür memarlığı iki gizli tam bağlı qat və 19 nöronlu çıkış göstərir.
• CNN metni 32, 64 və 128 filtrəli üç konvolyusiya bloğundan söz ederken Şəkil 3b və Cədvəl 3 eyni memarlıqyi bucaqk və tutarlı şəkildə göstərmir.
• Veri dağılımı izahında “hər siniftan eşit sayda örnek seçildiği” bəlirtilirken hemen ardından sağlıklı sinifın təkil nasazlıq siniflarından daha fazala örnek içerdiği ifade edilmektedir.
• Mənbə qısaqapanma koruma sistemlərinin pratikte DC şinayı T/6 içində ayırabileceğini bəlirtirken təklif edilən tanı modəlinin bazı SC örneklerinde qərar gecikməsi təxminən 0,48T'dir. Real sürətli aparat korumasıyla birlikdə tədqiqat fiziksəl deneyle gösterilmemiştir.
• Şəkillerdeki nasazlıq aşkarlama sürəleri derin öğrenme ağının 1,8 ms orta hesaplama çıxarış müddətini ehtiva etmir.

Əsas bilimsəl sərhəd: Tədqiqat yüksək ətraflı bir simulyasiya üzərində güçlü təsnifat nəticələrı təqdim edir. Buna rağmen real inverter açarlarının istehsal toleransları, güc mərhələsi parazitləri, fiziksəl sensor davranışı, real qısaqapanma koruması və fərqli tədqiqat bölgəleri deneysəl kimi doğrulanmadığı üçün nəticələr birbaşa endüstriyəl və ya otomotiv sahə performansı kimi şərhlanmamalıdır.