Kaskad H-körpülü çoxsəviyyəli invertor (CHMI) bərpa olunan enerji sistemlərində, elektrik ötürücülərində və şarj infrastrukturunda yüksək keyfiyyətli DC–AC güc çevrilməsi üçün istifadə olunan modul güc elektronikası quruluşudur. Lakin səviyyələrin və güc yarımkeçiricilərinin sayı artdıqca nasazlıq ehtimalı və nasazlığın hansı açarda yarandığını dəqiq müəyyənləşdirmək problemi də çətinləşir.

Haocheng Hu və həmkarlarının araşdırması, xüsusilə IGBT açıq-dövrə nasazlıqlarını avtomatik diaqnostika etmək üçün PC-DARTS-SC adlı edge-yönümlü neyron şəbəkə memarlığı axtarışı üsulunu təklif edir. Ənənəvi yanaşmada mütəxəssislər CNN memarlığını, filtr ölçülərini, şəbəkə dərinliyini və downsampling quruluşunu əl ilə müəyyən edirlər. Bu işdə isə şəbəkə memarlığı nasazlıq siqnallarının xüsusiyyətlərinə uyğun olaraq diferensiallaşdırıla bilən neural architecture search vasitəsilə avtomatik müəyyənləşdirilir.

Tədqiqatın əsas çətinliyi bəzi açıq-dövrə nasazlıqlarının bir-birinə demək olar ki, eyni görünən gərginlik dalğa formaları yaratmasıdır. Xüsusilə eyni H-körpüsündə çarpaz yerləşən IGBT cütlərində qlobal dalğa forması böyük ölçüdə eynidir; fərqləndirici məlumat əsasən yük cərəyanının sıfırdan keçid bölgələrində görünən kiçik gərginlik spike-larında yerləşir.

Tədqiqatçılar bu incə fərqləri qorumaq üçün gərginlik dövrlərini 20×20 ikiölçülü xüsusiyyət xəritələrinə çevirmiş və downsampling tətbiq etməyən xüsusi hüceyrələrdən ibarət şəbəkə axtarmışlar. 7 Ω və 6 mH RL yük şəraitində təklif olunan üsul test dəstində orta hesabla %99,44 dəqiqlik əldə etmişdir.

Son şəbəkə cəmi 0,2417 milyon öyrədilə bilən parametrə malikdir və Jetson Orin Nano üzərində TensorRT FP16 ilə hər nümunə üçün 3,54 ms inferensiya həyata keçirə bilir. Bununla belə, nəticələr nəzarət olunan laboratoriya nasazlıqlarına və məhdud invertor/yük konfiqurasiyalarına əsaslandığı üçün birbaşa ümumi sənaye sahə performansı kimi şərh edilməməlidir.

CHMI sistemlərində açıq-dövrə nasazlığını diaqnostika etmək niyə çətindir?

CHMI sistemləri bir neçə H-körpü alt modulunun ardıcıl qoşulması ilə yaradılır. Hər H-körpü dörd IGBT-dən ibarətdir və çıxış gərginliyi bu açarların müxtəlif kombinasiyalarda keçirici vəziyyətə gətirilməsi ilə formalaşdırılır.

IGBT-lərdə iki əsas nasazlıq növü ola bilər:

• Qısaqapanma nasazlığı — SCF
• Açıq-dövrə nasazlığı — OCF

Qısaqapanma nasazlıqları çox qısa müddətdə ciddi istilik və cərəyan təsirləri yaratdığı üçün adətən aparat mühafizə dövrələri ilə sürətlə idarə olunur. Praktik gate-driver dövrələrində qısaqapanma nasazlığını açıq-dövrə vəziyyətinə çevirməklə sistemi qorumaq da mümkündür.

Açıq-dövrə nasazlığı isə əsasən gərginlik və cərəyan dalğa formalarının pozulması ilə üzə çıxır. Bir neçə güc moduluna malik CHMI sistemində nasaz açarın dəqiq yerini müəyyən etmək iki səviyyəli invertorla müqayisədə daha mürəkkəbdir.

Niyə bəzi nasazlıqlar demək olar ki, eyni görünür?

Tədqiqatda iki H-körpülü birfazalı beşsəviyyəli invertordan istifadə edilmişdir. Cəmi səkkiz IGBT H1S1–H2S4 kimi adlandırılmışdır.

Tədqiqatçılar göstərirlər ki, xüsusilə eyni alt moduldakı çarpaz IGBT cütlərində açıq-dövrə nasazlığı oxşar çıxış gərginliyi ardıcıllıqları yarada bilər.

Məsələn, H1S1 və H1S3 nasazlıqları bir çox kommutasiya vəziyyətində eyni gərginlik nümunəsini yarada bilər. Eyni hal H1S2 və H1S4 üçün də keçərlidir.

Fərq çox vaxt əsas gərginlik dalğasında deyil, yük cərəyanının sıfırdan keçdiyi nöqtələrin yaxınlığında yaranan kiçik transient spike-larda ortaya çıxır.

Kiçik gərginlik spike-ları niyə vacibdir?

Bu spike-ların iki əsas mənbəyi vardır:

• yük induktivliyindəki enerjinin boşalması nəticəsində yaranan daha böyük transient-lər,
• IGBT-nin ideal olmayan kommutasiya xüsusiyyətlərindən qaynaqlanan daha kiçik spike qrupları.

Fərqləndirici məlumat əsas çıxış gərginliyinin böyüklüyü ilə müqayisədə çox kiçik olduğuna görə klassik vizual, statistik və ya əl ilə hazırlanmış xüsusiyyətlər bu fərqləri sabit şəkildə tutmaqda çətinlik çəkə bilər.

DARTS niyə şəbəkə memarlığını avtomatik axtarır?

Neural Architecture Search — NAS, neyron şəbəkə memarlığını birbaşa mütəxəssisin müəyyən etməsi əvəzinə əvvəlcədən təyin olunmuş əməliyyat məkanında avtomatik axtarmağı hədəfləyir.

DARTS — Differentiable Architecture Search diskret memarlıq seçimi problemini fasiləsiz optimallaşdırma probleminə çevirir. Beləliklə, hansı convolution, pooling və ya identity əməliyyatının seçiləcəyi gradient əsaslı şəkildə optimallaşdırıla bilər.

Bir hüceyrə directed acyclic graph — DAG kimi təmsil olunur. Hüceyrədəki düyünlər latent xüsusiyyətləri, kənarlar isə namizəd əməliyyatları təmsil edir.

Hər kənardakı əməliyyat tək bir namizəd əvəzinə softmax çəkili əməliyyatlar qarışığı kimi modelləşdirilir:

f_i,j(x_i) = Σ softmax(α^o_i,j) · o(x_i)

Beləliklə, memarlıq parametrləri α birbaşa optimallaşdırıla bilən hala gəlir.

PC-DARTS niyə istifadə olunur?

Standart DARTS bütün feature channel-ları eyni anda candidate operation-lara göndərdiyi üçün yüksək yaddaş tələbi yarada bilər və parametrsiz əməliyyatların seçim prosesində üstünlük qazanması kimi qeyri-sabitlik göstərə bilər.

PC-DARTS feature channel-ların yalnız bir hissəsini mixed operation-a göndərir, qalan hissəni isə bypass edir. Bununla axtarış yaddaşı və hesablama xərci azalır.

Bundan əlavə, edge normalization mexanizmi stochastic channel sampling-in memarlıq seçiminə gətirə biləcəyi qeyri-sabitliyi azaltmağa kömək edir.

PC-DARTS-SC standart PC-DARTS-dan necə fərqlənir?

Standart PC-DARTS adətən normal cell və reduction cell strukturlarını birlikdə istifadə edir. Reduction cell feature map ölçüsünü kiçildir.

Bu yanaşma böyük təsvir təsnifatı tapşırıqlarında faydalı ola bilər; lakin burada giriş yalnız 20×20 ölçüsündədir və kritik nasazlıq məlumatı çox kiçik lokal spike-larda yerləşir.

Erkən downsampling bu zəif siqnalları aradan qaldıra bilər.

Buna görə tədqiqatçılar yalnız special cell istifadə edən PC-DARTS-SC strategiyasını hazırlamışlar. Bütün hüceyrələr eyni əsas memarlığı paylaşır və həlli erkən mərhələdə azaldan reduction cell istifadə edilmir.

Axtarış məkanında hansı əməliyyatlar var?

Namizəd əməliyyatlar müxtəlif receptive field ölçülərini əhatə edəcək şəkildə hazırlanmışdır:

• 3×3 depthwise separable convolution,
• 5×5 depthwise separable convolution,
• 7×7 depthwise separable convolution,
• 3×3 dilated separable convolution,
• 5×5 dilated separable convolution,
• 7×7 dilated separable convolution,
• 3×3 max pooling,
• 3×3 average pooling,
• identity,
• zero.

Bütün əməliyyatlar stride 1 ilə tətbiq edilir və feature map həlli qorunur.

Niyə 5×5 və 7×7 filtrlər ön plana çıxır?

Müxtəlif yük şəraitlərində aparılan memarlıq axtarışında şəbəkənin 5×5 və 7×7 separable convolution kimi daha geniş receptive field-a malik əməliyyatları tez-tez seçdiyi müşahidə edilmişdir.

Bu, nasazlıq fərqlərinin yalnız bir dar spike-da deyil, müxtəlif temporal miqyaslara yayılan lokal dalğa forması dəyişikliklərində yerləşdiyini düşündürür.

Daha geniş kernel-lər bu çoxmiqyaslı fərqlərin eyni vaxtda tutulmasına kömək edə bilər.

Gərginlik siqnalı niyə 20×20 təsvirə çevrilir?

Təcrübə qurğusunda çıxış gərginliyi 20 kHz tezliklə nümunələnir. Əsas tezlik 50 Hz olduğuna görə bir dövr 20 ms davam edir və hər dövr:

20.000 × 0,020 = 400 nümunə

ehtiva edir.

Bu 400 nümunə ardıcıllığı qorunmaqla 20×20 matris halına gətirilir.

Beləliklə, birölçülü zaman sırası 2D convolution əməliyyatlarının istifadə oluna bildiyi feature map-ə çevrilir.

Bu təqdimat, xüsusilə zaman baxımından bir-birinə yaxın nöqtələrdəki kiçik spike strukturlarının lokal convolution filtrləri tərəfindən öyrənilməsini hədəfləyir.

Verilənlər dəsti necə yaradıldı?

Hər fault class və hər yük şəraiti üçün 200 etiketlənmiş dövr nümunəsi toplanmışdır.

Doqquz sinif bunlardan ibarətdir:

• 1 normal iş rejimi,
• 8 ayrı tək-IGBT açıq-dövrə nasazlığı.

Hər dövr müstəqil 20×20 sample kimi yaradılmış və overlapping sliding window istifadə edilməmişdir.

Verilənlər:

• %75 təlim,
• %15 doğrulama,
• %10 test

olaraq bölünmüşdür.

Fiziki təcrübə platforması

Təcrübə sistemi birfazalı beşsəviyyəli CHMI prototipidir.

İstifadə olunan IGBT tipi IKW30N60H3, gərginlik sensoru isə LV25-P-dir. Gate-drive siqnalları dSPACE MicroLabBox vasitəsilə yaradılmışdır.

Mənbə məqalənin 11-ci səhifəsindəki təcrübə qurğusu laptopu, osiloskopu, dSPACE idarəetmə blokunu, fault-setting dövrəsini, CHMI-ni və RL yükünü eyni fiziki sistem daxilində göstərir.

Nasazlıqlar necə yaradıldı?

Müvafiq IGBT-nin gate-drive siqnalı fault-setting dövrəsi vasitəsilə sıfıra məcbur edilmişdir.

Beləliklə, nəzarət olunan və təkrarlana bilən açıq-dövrə nasazlığı emulyasiya edilmişdir.

Bu yanaşma təhlükəsiz təcrübə baxımından uyğundur; lakin təbii yaşlanma ilə inkişaf edən fiziki nasazlığın bütün təsirlərini təmsil etmir.

Tədqiqatın Metodu və Nəticələri

Memarlıq axtarışı necə aparıldı?

Architecture search 20 epoch davam etmişdir.

İlk 6 epoch ərzində yalnız network weight-lər optimallaşdırılmışdır. Sonra memarlıq parametrləri ilə network weight-lər birlikdə yenilənmişdir.

Axtarılan şəbəkənin son quruluşu

Search tamamlandıqdan sonra hər ara düyün üçün architecture parameter dəyəri ən yüksək olan iki əməliyyat seçilərək super-network diskret son şəbəkəyə çevrilir.

Son feature extractor ardıcıl şəkildə yığılmış dörd special cell-dən ibarətdir.

Daha sonra:

Global Average Pooling → Fully Connected → Softmax

qatları ilə nasazlıq sinfi müəyyən edilir.

GAP istifadəsi böyük fully connected qatlarla müqayisədə parametr sayını və overfitting riskini azaltmağı hədəfləyir.

Əsas müqayisə nəticəsi

Təklif olunan üsul müqayisədə ən yüksək orta dəqiqliyi əldə etmişdir.

Lakin müəlliflər test dəstinin kiçik olması və 1D-CNN ilə fərqin məhdud qalması səbəbindən dəqiqlik fərqinin ehtiyatla şərh edilməli olduğunu xüsusilə vurğulayırlar.

Tədqiqatın əsas üstünlüyü yalnız %99,44 rəqəmi deyil; bu performansın əl ilə layihələndirilməmiş, avtomatik axtarılmış və edge üçün uyğun kiçik memarlıqla əldə edilməsidir.

0,2417 milyon parametr niyə vacibdir?

Son model cəmi 0,2417 milyon trainable parameter ehtiva edir.

FP32 formatında bu təxminən:

0,97 MB

parametr yaddaşına uyğun gəlir.

Bu miqyas böyük GPU serveri əvəzinə Jetson Orin Nano kimi daxili edge cihazlarda işləməyi mümkün edən əsas dizayn nəticələrindən biridir.

Architecture search nə qədər bahalıdır?

Axtarış NVIDIA RTX 4060 GPU üzərində 20 epoch aparılmışdır.

Bir tam axtarış:

• 472,95 saniyə,
• 0,0055 GPU-day,
• 2,86 GB peak GPU memory

tələb etmişdir.

Bu xərc yalnız inkişaf zamanı bir dəfə yaranır. Edge cihazda architecture search aparılmır; yalnız seçilmiş son şəbəkə işlədilir.

DARTS-SC ilə PC-DARTS-SC müqayisəsi

Bu nəzarətli müqayisədə hər iki üsul eyni dəqiqliyi əldə etmiş, lakin PC-DARTS-SC daha aşağı architecture search xərci göstərmişdir.

Model səs-küylü siqnalda nə qədər dayanıqlıdır?

Real invertor ölçmələrində switching noise, sensor səs-küyü, quantization noise, aşağıtezlikli rəqslər və elektromaqnit müdaxilə ola bilər.

Tədqiqat bu fiziki təsirlərin hamısını ayrı-ayrılıqda modelləşdirməmişdir. Bunun əvəzinə nəzarətli noise-sensitivity testi üçün ölçülmüş real siqnallara müxtəlif səviyyələrdə AWGN — Additive White Gaussian Noise əlavə edilmişdir.

Təklif olunan üsul sınaqdan keçirilən bütün SNR səviyyələrində müqayisə olunan üsullardan daha yüksək dəqiqlik göstərmişdir.

Bununla belə, AWGN real sənaye invertor mühitindəki bütün səs-küy mənbələrinin tam birəbir simulyasiyası deyil.

Model həqiqətən edge cihazda işləyirmi?

Bəli. Son model birbaşa Jetson Orin Nano üzərində yerləşdirilmişdir.

Pipeline belədir:

PyTorch → ONNX → TensorRT → Jetson Orin Nano

TensorRT optimallaşdırılmasında:

• FP16 mixed precision,
• layer fusion,
• tensor fusion,
• dynamic tensor memory management,
• kernel auto-tuning

kimi əməliyyatlar tətbiq edilmişdir.

Jetson Orin Nano nəticələri

Bir əsas gərginlik dövrü 20 ms davam etdiyinə görə 3,54 ms-lik inferensiya müddəti dövr əsaslı onlayn diaqnostika üçün kifayət qədər hesablama ehtiyatı saxlayır.

TensorRT dəqiqliyi artırırmı?

Xeyr. Məqalə bu fərqi xüsusi vurğulayır.

FP16 və ya TensorRT modelin öyrənilmiş diaqnostik qabiliyyətini artırmır. Yalnız mövcud modelin inference hesablamasını daha səmərəli edir.

%100 edge accuracy seçilmiş tək export edilmiş modelin yerləşdirmə ardıcıllığını göstərir; workstation üzərindəki %99,44 ± 1,05 orta nəticə ilə “TensorRT dəqiqliyi artırdı” şəklində müqayisə edilə bilməz.

Tədqiqatın dəstəklədiyi nəticələr

• PC-DARTS-SC CHMI açıq-dövrə nasazlıqları üçün tapşırığa-xas yüngül neyron şəbəkə memarlığını avtomatik tapa bilər.
• Special cell yanaşması kiçik 20×20 feature map üzərində lokal fault spike-larını erkən downsampling-dən qorumağı hədəfləyir.
• 7 Ω / 6 mH təcrübə şəraitində təklif olunan üsul %99,44 orta test dəqiqliyi əldə etmişdir.
• Son şəbəkə cəmi 0,2417 M parametr ehtiva edir.
• Jetson Orin Nano + TensorRT FP16 üzərində 3,54 ms/sample inference əldə edilmişdir.
• Nəzarətli AWGN testlərində üsul müqayisə olunan modellərdən daha yüksək noise robustness göstərmişdir.

Tədqiqatın dəstəkləmədiyi nəticələr

• Modelin bütün invertor topologiyalarında eyni dəqiqliyə çatacağı sübut edilməmişdir.
• Real sahə şəraitində təbii IGBT nasazlıqlarında eyni performans göstərilməmişdir.
• Uzunmüddətli cihaz yaşlanması, sensor drift və mürəkkəb EMI şəraiti geniş şəkildə sınaqdan keçirilməmişdir.
• %100 edge deployment accuracy modelin ümumi dəqiqliyinin %100 olduğu demək deyil.
• AWGN testi real sənaye səs-küy mühitinin tam simulyasiyası deyil.
• Təsadüfi cycle-level split tam zaman müstəqilliyinə zəmanət vermir.

Əsas məhdudiyyətlər

Təcrübələr yalnız birfazalı beşsəviyyəli CHMI üzərində, tək IGBT açıq-dövrə nasazlıqları və iki RL yük şəraiti ilə aparılmışdır.

Buna görə modelin fərqli invertor topologiyalarına, daha yüksək səviyyəli sistemlərə, çoxsaylı eyni vaxtlı nasazlıqlara və ya fərqli modulation strategiyalarına birbaşa ümumiləşdirilə bilməsi hələ göstərilməmişdir.

Nasazlıqlar fiziki cihazın uzunmüddətli pozulmasından təbii şəkildə yaranmamış, müvafiq gate siqnalının söndürülməsi ilə nəzarətli şəkildə emulyasiya edilmişdir.

Bundan əlavə, dövrlər overlap etməsə də training və test nümunələri eyni davamlı acquisition ardıcıllığından gələn qonşu dövrləri ehtiva edə bilər. Buna görə random cycle-level split tam temporal independence təmin etmir.

Gələcək işlər

Müəlliflərin qeyd etdiyi əsas gələcək tədqiqat sahələri bunlardır:

1. daha mürəkkəb invertor topologiyaları,
2. daha müxtəlif iş şəraiti,
3. daha geniş nasazlıq növləri,
4. fərqli edge avadanlıqlarında doğrulama,
5. cross-condition adaptation,
6. real sahə nasazlıq məlumatları,
7. time-ordered və ya cycle-block əsaslı daha sərt verilənlər ayrılması,
8. sənaye səs-küyünə və mühit dəyişkənliyinə qarşı daha geniş robustness analizi.

Mənbə və Metod Qeydi

Orijinal başlıq:Multilevel Inverter Fault Diagnosis Using Differentiable Architecture Search for Edge Deployment

Müəlliflər: Haocheng Hu, Tianzhen Wang, Haoran Wang və Yassine Amirat.

Qurumlar: Logistics Engineering College, Shanghai Maritime University, Shanghai, China; LabISEN, ISEN Ouest, Brest, France.

Jurnal:AI, 2026, 7, Article 208.

DOI:10.3390/ai7060208

Təqdim: 2 aprel 2026. Reviziya: 29 may 2026. Qəbul: 4 iyun 2026. Nəşr: 7 iyun 2026.

Tədqiqat növü: Fiziki invertor prototipi üzərində laboratoriya təcrübəsi, data-driven nasazlıq diaqnostikası, differentiable neural architecture search və edge deployment doğrulaması.

Əsas sistem: Birfazalı, iki H-körpü alt modullu, beşsəviyyəli CHMI; 8 IGBT və 9 sinifli fault classification problemi.

Edge platforması: NVIDIA Jetson Orin Nano; ONNX Runtime və TensorRT.

Maliyyələşdirmə: National Natural Science Foundation of China, grant no. 62573283.

Etika: Institutional Review Board və informed consent tətbiq edilə bilən deyil.

Verilənlərə çıxış: Verilənlər məsul müəllifdən sorğu əsasında əldə edilə bilər; açıq ictimaiyyət üçün əlçatan deyil.

Maraqların toqquşması: Müəlliflər maraqların toqquşması bildirməmişlər.

Lisenziya: Creative Commons Attribution (CC BY).

Metodoloji sərhəd: Nəticələr nəzarət olunan laboratoriya şəraitində emulyasiya edilmiş single-IGBT OCF hallarına, iki RL yük şəraitinə və cycle-level random split strategiyasına əsaslanır. Real sahə nasazlıqları, uzunmüddətli aging, temporal müstəqil test, fərqli invertor topologiyaları və daha mürəkkəb sənaye səs-küy şəraiti hələ geniş şəkildə doğrulanmamışdır.

Verianla metod qeydi: Bu Azərbaycan dili məzmunu mənbə işdəki CHMI nasazlıq mexanizmini, DARTS/PC-DARTS-SC metodunu, gərginlik siqnalının yenidən formalaşdırılması strategiyasını, təcrübə platformasını, performans müqayisələrini, noise sensitivity-ni, edge deployment-i və məhdudiyyətləri mənbə mənasına sadiq qalaraq müstəqil tədris quruluşunda yenidən təşkil edir. Mənbə fiqurları və ya cədvəlləri birbaşa kopyalanmamışdır.