Təklif olunan iki axınlı şəbəkə, T-tip neytral nöqtə sıxılmış üçsəviyyəli invertorlarda IGBT açıq dövrə nasazlıqlarını; cərəyan-gərginlik siqnalları arasındakı nümunəyə xas əlaqələri qraf qolunda, zaman nümunələrini isə diqqət mexanizmli ikiistiqamətli qapılı təkrarlanan vahid (BiGRU) qolunda öyrənərək təsnif edən dərin öyrənmə arxitekturasıdır. Tədqiqatda üç faza cərəyanı və üç faza gərginliyi altı ayrı siqnal düyünü kimi götürülmüş; ortaq 1B CNN ilə əlamətlər çıxarılmış, Sinkhorn ilə təxmini Wasserstein məsafələri hesablanaraq hər nümunə üçün çəkili dinamik qraf qurulmuş və bu qraf ikiqatlı GCN ilə işlənmişdir. Paralel zaman qolunda BiGRU və global attention istifadə edilmiş, iki qolun təsvirləri birləşdirilərək 21 iş vəziyyəti təsnif edilmişdir.
Mənbədə hər qeyd altı siqnalın hər biri üçün 1024 nümunə götürmə nöqtəsi ehtiva edir. Hər nasazlıq vəziyyəti üçün 300 qeyd ayrıca əldəetmələrlə toplanmış, DC keçid gərginliyi 800 V dəyərinin ±5% ətrafında dəyişdirilmiş və verilənlər təsadüfi olaraq 70% təlim, 15% doğrulama və 15% test qruplarına ayrılmışdır. Modelin təlimində Z-score standartlaşdırması, 1×10−3 öyrənmə sürəti, 1×10−4 weight decay, 64 batch ölçüsü və 0.25 dropout nisbəti bildirilmişdir. Mənbə istifadə olunan optimizer adını və təlim üçün dəqiq maksimal epoch sayını metod cədvəlində göstərmir.
Təklif olunan tam model üçün təkrarlanan təcrübələrin orta doğrulama dəqiqliyi 99.88% kimi bildirilmişdir. Ablasiya nəticələrində CNN-GCN 93.98 ± 4.00%, CNN-Sinkhorn-GCN 95.00 ± 1.80%, CNN-Sinkhorn-GCN + GRU 95.47 ± 1.93% və CNN-Sinkhorn-GCN + BiGRU 96.96 ± 1.61% dəqiqlik göstərdiyi halda, tam model 99.88 ± 0.84% dəqiqliyə çatmışdır. Bununla belə, mənbədə göstərilən təmsilçi qarışıqlıq matrisi işləməsi 99.76% dəqiqlikdədir və 819 doğrulama nümunəsindən ikisi yanlış təsnif edilmişdir; buna görə 99.88% və 99.76% fərqli hesabat kontekstlərinə aiddir.
Tədqiqat yalnız proqram simulyasiyasına əsaslanmır: MATLAB 2024b/Simulink modeli ilə yanaşı Starsim MT6060 real vaxt HIL sistemi və TMS320F28335 idarəedicisi istifadə edilərək nasazlıq şəraitləri yenidən yaradılmış və cərəyan-gərginlik dalğa formaları əldə edilmişdir. Lakin HIL bölməsi müstəqil HIL-only təsnifat dəqiqliyi cədvəli təqdim etmir; müəlliflər HIL-only kəmiyyət qiymətləndirməsini və quraşdırılmış aparatda real vaxt tətbiqini gələcək iş mövzusu kimi açıq şəkildə qeyd edirlər.
T-NPC Üçsəviyyəli İnvertorda IGBT Açıq Dövrə Nasazlığı Nəyi Dəyişir?
IGBT açıq dövrə nasazlığı müvafiq açarın keçiricilik yolunu yararsız hala gətirərək faza cərəyanının alternativ diod və ya açar yollarına yönəlməsinə və T-NPC invertorunun P, O və N çıxış vəziyyətləri arasında nasazlıqdan asılı keçidlərin yaranmasına səbəb olur. Bu dəyişiklik yalnız bir cərəyan amplituduna təsir etmir; cərəyanın istiqamətindən və hansı açarın açıq dövrədə qalmasından asılı olaraq müsbət və ya mənfi yarımdövrdə faza cərəyanı ilə faza gərginliyinin dalğa forması müxtəlif şəkildə təhrif oluna bilər.
T-NPC topologiyasında hər faza qolunda iki xarici açar və iki daxili açar vardır. Mənbə faza-A üçün Sa1, Sa2, Sa3 və Sa4 açıq dövrə nasazlıqlarının cərəyan istiqamətindən asılı təsirlərini ayrıca təhlil edir. Ardıcıl DC keçid kondensatorları faza qoluna Udc1, 0 və Udc2 olmaqla üç gərginlik səviyyəsi verir. Açıq dövrə nasazlığı yarandıqda gözlənilən keçiricilik yolu kəsilir və sərbəst dövretmə diodları ilə qalan açarlar üzərindən yeni yol yarana bilər.
| Nasaz IGBT | Cərəyan istiqaməti | Mənbədə verilən cərəyan yolu | Vəziyyət dəyişikliyi |
|---|---|---|---|
| Sa1 | ia > 0 | Sa1 → Da2, Sa3 | P → O |
| Sa1 | ia < 0 | Da1 | Dəyişiklik yoxdur |
| Sa2 | ia > 0 | Da2, Sa3 | Dəyişiklik yoxdur |
| Sa2 | ia < 0 | Sa2, Da3 → Da1 | O → P |
| Sa3 | ia > 0 | Sa3, Da2 → Da4 | O → N |
| Sa3 | ia < 0 | Sa2, Da3 | Dəyişiklik yoxdur |
| Sa4 | ia > 0 | Da4 | Dəyişiklik yoxdur |
| Sa4 | ia < 0 | Sa4 → Sa2, Da3 | N → O |
İki IGBT nasazlığında eyni məntiq daha mürəkkəb hala gəlir. Müxtəlif fazalarda yaranan iki nasazlıq üçün əvvəlcə hər fazanın yerli keçiricilik variantları tək-açar qaydalarından çıxarılır; lakin mənbə xüsusi olaraq bunun iki nasazlığın dinamik baxımdan müstəqil olduğu və ya dalğa forması təsirlərinin xətti şəkildə üst-üstə əlavə edilə biləcəyi anlamına gəlmədiyini bildirir. Eyni fazadakı iki nasazlıq isə keçiricilik istiqamətlərini birbaşa bir-birinə bağlaya bilər; məsələn, Sa1 və Sa3 birlikdə açıq dövrədə olduqda ia > 0 şərtində vəziyyət P-dən N-ə keçə bilər.
Tədqiqatda təsnif edilən 21 vəziyyət
Model bütün mümkün T-NPC açıq dövrə kombinasiyalarını əhatə etmir. Mənbə verilənlər toplusu seçilmiş 20 açıq dövrə nasazlığını və bir sağlam vəziyyəti ehtiva edir; xüsusilə faza-B və faza-C tərəfində qalan kombinasiyaların gələcəkdə verilənlər toplusuna əlavə edilməsi planlaşdırılır.
| Etiket | Vəziyyət | Etiket | Vəziyyət |
|---|---|---|---|
| 0 | Sa1 | 11 | Sa2Sb2 |
| 1 | Sa1Sa2 | 12 | Sa2Sb3 |
| 2 | Sa1Sa3 | 13 | Sa2Sb4 |
| 3 | Sa1Sa4 | 14 | Sa3 |
| 4 | Sa1Sb1 | 15 | Sa3Sa4 |
| 5 | Sa1Sb2 | 16 | Sa3Sb3 |
| 6 | Sa1Sb3 | 17 | Sa3Sb4 |
| 7 | Sa1Sb4 | 18 | Sa4 |
| 8 | Sa2 | 19 | Sa4Sb4 |
| 9 | Sa2Sa3 | 20 | Normal |
| 10 | Sa2Sa4 |
Sinkhorn–Wasserstein Dinamik Qrafı Bu Tədqiqatda Niyə İstifadə Olunur?
Sinkhorn–Wasserstein dinamik qrafı altı cərəyan-gərginlik siqnalı arasındakı əlaqəni sabit topologiya kimi qəbul etmək əvəzinə, hər nümunə üçün CNN-dən öyrənilmiş gizli əlamət paylanmalarının oxşarlığına görə yenidən çəkiləndirmək məqsədilə istifadə olunur. Beləliklə, müxtəlif açar nasazlıqlarının cərəyan və gərginlik kanallarına fərqli təsiri nümunəyə xas qonşuluq matrisi daxilində təmsil edilir və GCN-nin yalnız ayrı-ayrı siqnalları deyil, siqnallar arasındakı əlaqələri də öyrənməsi hədəflənir.
Giriş matrisi və Z-score standartlaşdırması: Tənliklər (1)–(4)
Hər nümunə altı kanal və hər kanal üçün 1024 nümunə götürmə nöqtəsi ilə müəyyən edilir:
\[X^{(n)}=[i_a^{(n)}\; i_b^{(n)}\; i_c^{(n)}\; V_{AO}^{(n)}\; V_{BO}^{(n)}\; V_{CO}^{(n)}]^T \in \mathbb{R}^{6\times1024}. \tag{1}\]
Tənlik (1) modelin bir nümunədə üç cərəyan və üç gərginlik dalğa formasını birlikdə gördüyünü ifadə edir. Cərəyanların fiziki vahidi amper, gərginliklərin fiziki vahidi voltdur; lakin bu kəmiyyətlər Z-score əməliyyatından sonra ölçüsüz standartlaşdırılmış dəyərlərə çevrilir.
Mənbə kanal ortalamasını yalnız təlim toplusundan hesablayır:
\[\mu_c=\frac{1}{N_{tr}T}\sum_{n\in D_{tr}}\sum_{t=1}^{T}X_{c,t}^{(n)}. \tag{2}\]
Standart sapma da eyni təlim toplusu üzrə hesablanır:
\[\sigma_c=\sqrt{\frac{1}{N_{tr}T}\sum_{n\in D_{tr}}\sum_{t=1}^{T}\left(X_{c,t}^{(n)}-\mu_c\right)^2}. \tag{3}\]
Son standartlaşdırma:
\[\widetilde{X}_{c,t}^{(n)}=\frac{X_{c,t}^{(n)}-\mu_c}{\sigma_c+\varepsilon}. \tag{4}\]
Burada c altı siqnal kanalından birini, t nümunə götürmə mövqeyini, T = 1024 qeyd uzunluğunu, Dtr təlim toplusunu və Ntr təlim nümunələrinin sayını göstərir. Tənlik (4)-dəki kiçik müsbət ε sıfıra bölünmənin qarşısını almaq üçün istifadə olunur. Mənbə daha sonra Sinkhorn optimal nəql tənzimlənməsində də ε simvolundan istifadə edir; bu iki istifadənin riyazi funksiyası fərqlidir və bir-biri ilə qarışdırılmamalıdır.
Ortaq CNN ilə altı düyünün 32 ölçüyə sıxılması: Tənliklər (5)–(6)
İki konvolyusiya bloku aşağıdakı quruluşla verilir:
\[B_l(z)=\operatorname{ReLU}[\operatorname{BN}(W_l * z+b_l)],\quad l=1,2. \tag{5}\]
Wl konvolyusiya nüvəsinin parametrlərini, bl bias terminini, BN batch normalization əməliyyatını və ReLU qeyri-xətti aktivləşməni təmsil edir. İki blokdan sonra adaptiv orta hovuzlama və xətti proyeksiya tətbiq edilərək hər siqnal düyünü 32 ölçülü təsvirə çevrilir:
\[H^{(0)}=[h_{i_a}^{(0)},h_{i_b}^{(0)},h_{i_c}^{(0)},h_{V_{AO}}^{(0)},h_{V_{BO}}^{(0)},h_{V_{CO}}^{(0)}]^T\in\mathbb{R}^{6\times32}. \tag{6}\]
Bu mərhələnin rolu 1024 nöqtəli xam dalğa formalarını daha yığcam gizli fəzaya daşımaq və sonrakı Sinkhorn hesablaması ilə qraf konvolyusiyasının xərcini azaltmaqdır.
Sinkhorn–Wasserstein ilə dinamik qraf: Tənliklər (7)–(14)
Hər düyünün 32 ölçülü gizli əlaməti əvvəlcə Softmax ilə ehtimalabənzər paylanmaya çevrilir:
\[p_{i,r}=\frac{\exp(h_{i,r}^{(0)})}{\sum_{s=1}^{F}\exp(h_{i,s}^{(0)})},\quad F=32. \tag{7}\]
Bu paylanma xam cərəyan və ya gərginlik amplitudunun fiziki ehtimal paylanması deyil; ortaq CNN gizli fəzasındakı aktivləşmələrin normallaşdırılmış təsviridir. Paylanmalar mənfi ola bilməz və onların ümumi kütləsi birdir:
\[p_i,p_j\in\Delta^{F-1},\quad p_{i,r}\ge0,\quad\sum_{r=1}^{F}p_{i,r}=1. \tag{8}\]
Gizli əlamət mövqelərinin normallaşdırılmış dayaq koordinatı:
\[u_r=\frac{r-1}{F-1},\quad r=1,\ldots,F. \tag{9}\]
Nəql planı P-nin marjinal məhdudiyyətləri:
\[\sum_{s=1}^{F}P_{rs}=p_{i,r},\qquad\sum_{r=1}^{F}P_{rs}=p_{j,s}. \tag{10}\]
Entropiya ilə tənzimlənmiş optimal nəql planı mənbədə belə yazılır:
\[P_{ij}^{*}=\arg\min\left[\langle P,C\rangle+\varepsilon\sum_{r=1}^{F}\sum_{s=1}^{F}P_{rs}(\ln P_{rs}-1)\right]. \tag{11}\]
Burada C nəql xərci matrisidir, ⟨P,C⟩ planın ümumi nəql xərcini təmsil edir və bu tənlikdəki ε entropiya tənzimləmə əmsalıdır. Tədqiqatın parametr skanında ən yüksək orta təsnifat dəqiqliyi ε = 0.1 dəyərində əldə edilmiş və bu dəyər istifadə olunmuşdur.
İki düyün arasındakı Sinkhorn ilə təxmini Wasserstein məsafəsi:
\[d_{ij}=\sum_{r=1}^{F}\sum_{s=1}^{F}P_{ij,rs}^{*}C_{rs}. \tag{12}\]
dij kiçildikcə iki düyünün gizli əlamət paylanmaları daha oxşar hesab olunur. Bu məsafə qonşuluq çəkisinə çevrilir:
\[A_{ij}=\begin{cases}\exp(-d_{ij}/\tau),&j\in N(i)\\0,&\text{aksi halde}\end{cases}. \tag{13}\]
N(i) dinamik qonşuluq çoxluğunu, τ kənar çəkisinin temperatur əmsalını göstərir. Mənbə τ üçün ədədi dəyəri və hər düyün üçün seçilmiş qonşu sayını açıq şəkildə bildirmir; bu dəyərlər Verianla izahında uydurulmamışdır.
Nümunə əsaslı qraf sonda:
\[g^{(n)}=(V,H^{(n,0)},A^{(n)}). \tag{14}\]
şəklində ifadə olunur. V altı siqnal düyününü, H(n,0) CNN-dən gələn düyün əlamətlərini və A(n) həmin nümunəyə xas 6×6 çəkili qonşuluq matrisini təmsil edir.
GCN ilə əlaqəli əlamət çıxarımı: Tənliklər (15)–(20)
Düyünlərin öz məlumatını da qorumaq üçün öz-əlaqə əlavə edilir:
\[\widetilde{A}=A+I. \tag{15}\]
Dərəcə matrisi:
\[\widetilde{D}_{ii}=\sum_j\widetilde{A}_{ij}. \tag{16}\]
Simmetrik normallaşdırılmış qonşuluq:
\[\widehat{A}=\widetilde{D}^{-1/2}\widetilde{A}\widetilde{D}^{-1/2}. \tag{17}\]
Birinci GCN qatı 6 düyünü 64 ölçülü gizli fəzaya daşıyır:
\[H^{(1)}=\operatorname{Dropout}\{\operatorname{ReLU}[\operatorname{BN}(\widehat{A}H^{(0)}W^{(0)})]\},\quad H^{(1)}\in\mathbb{R}^{6\times64}. \tag{18}\]
İkinci qat 32 ölçülü düyün təsvirinə qayıdır:
\[H^{(2)}=\operatorname{Dropout}\{\operatorname{ReLU}[\operatorname{BN}(\widehat{A}H^{(1)}W^{(1)})]\},\quad H^{(2)}\in\mathbb{R}^{6\times32}. \tag{19}\]
Global average pooling ilə altı düyün vahid qraf təsvirinə endirilir:
\[f_g=\operatorname{GAP}(H^{(2)})=\frac{1}{N}\sum_{i=1}^{N}h_i^{(2)}. \tag{20}\]
Bu zəncirdə fiziki amper/volt vahidləri artıq birbaşa daşınmır; H və fg öyrənilmiş, ölçüsüz gizli təsvirlərdir. Riyazi məqsəd bir düyünün yalnız öz məlumatını deyil, dinamik qrafda qonşu olduğu digər siqnallardan gələn məlumatı da normallaşdırılmış şəkildə toplamasıdır.
BiGRU və global attention: Tənliklər (21)–(31)
Mənbə irəli və geri GRU əməliyyatlarını bu şəkildə verir:
\[\overrightarrow{h}_t=\operatorname{GRU}(x_t,\overrightarrow{h}_{t-1}). \tag{21}\]
\[\overleftarrow{h}_t=\operatorname{GRU}(x_t,\overleftarrow{h}_{t-1}). \tag{22}\]
İki istiqamətin gizli vəziyyətləri birləşdirilir:
\[h=W_{\overrightarrow{h_t}}\overrightarrow{h}_t+W_{\overleftarrow{h_t}}\overleftarrow{h}_t+b_t. \tag{23}\]
Global attention hədəf vəziyyət ilə bütün mənbə gizli vəziyyətləri arasındakı uyğunlaşma ballarını normallaşdırır:
\[a_t(s)=\operatorname{align}(h_t,\bar h_s)=\frac{\exp(\operatorname{score}(h_t,\bar h_s))}{\sum_{s'}\exp(\operatorname{score}(h_t,\bar h_{s'}))}. \tag{24}\]
Mənbə daha sonra ikinci attention təsvirini belə yazır:
\[\alpha_{ki}=\frac{\exp(e_{ki})}{\sum_{j}^{l}\exp(e_{ki})}. \tag{25}\]
Mənbədaxili yazılış qeydi: Tənlik (25)-in çap olunmuş formasında məxrəcdəki cəm j indeksi ilə yazılsa da eksponensial termin yenə eki olaraq qalır. Buna görə cəm indeksinin məxrəcdəki terminə necə tətbiq olunacağı mətndən dəqiq müəyyən edilə bilmir. Verianla formulu səssizcə ekj formasına çevirməmişdir; mənbədə çap olunan quruluş qorunmuş və qeyri-müəyyənlik açıq saxlanmışdır.
Attention enerji balı:
\[e_{ki}=V\tanh(Wh_k+Uh_i). \tag{26}\]
Çəkili gizli vəziyyət xülasəsi:
\[\beta=\sum_{i=1}^{l}\alpha_{ki}h_i. \tag{27}\]
Son çıxış düyününün gizli təsviri:
\[h'_k=H(\beta,h_k,x_k). \tag{28}\]
Tədqiqatın tətbiq hissəsində son irəli və geri BiGRU vəziyyətləri bir query vektoru yaradır; bu query bütün 64 zaman dilimi ilə müqayisə olunur və 64 elementli attention paylanması yaradılır. Global context vektoru:
\[c=\sum_{t=1}^{T}\alpha_t h_t\in\mathbb{R}^{B\times96}. \tag{29}\]
Burada ht 96 ölçülü BiGRU gizli vəziyyətini, αt müvafiq zaman diliminin attention çəkisini və B batch ölçüsünü göstərir. Context və query birləşdirilir:
\[f_{pre}^{t}=[c\parallel q]\in\mathbb{R}^{B\times192}. \tag{30}\]
Zaman qolunun 128 ölçülü son əlaməti:
\[f_t=\operatorname{Dropout}\{\operatorname{ReLU}[\operatorname{LN}(W_t f_{pre}^{t}+b_t)]\}. \tag{31}\]
LN layer normalization əməliyyatını göstərir. Bu qolun elmi vəzifəsi nasazlıq baş verdikdə vacib hala gələn zaman sahələrini daha yüksək çəki ilə təmsil etmək, səs-küylü və ya az informasiya daşıyan zaman dilimlərinin təsirini isə azaltmaqdır.
İki qolun füzyonu və 21 sinifli çıxış: Tənliklər (32)–(37)
Qraf qolu və zaman qolu əvvəlcə ayrıca ümumi 128 ölçülü fəzaya proyeksiya edilir:
\[\widehat{f}_g=\operatorname{ReLU}[\operatorname{LN}(W_g^{p}f_g+b_g^{p})]. \tag{32}\]
\[\widehat{f}_{temp}=\operatorname{ReLU}[\operatorname{LN}(W_{temp}^{p}f_{temp}+b_{temp}^{p})]. \tag{33}\]
İki təsvir birləşdirilərək qeyri-xətti füzyondan keçirilir:
\[f_{fus}=\operatorname{Dropout}\{\operatorname{ReLU}[\operatorname{LN}(W_f f_{cat}+b_f)]\}. \tag{34}\]
21 sinif üçün logit vektoru:
\[o=W_o f_{fus}+b_o\in\mathbb{R}^{B\times21}. \tag{35}\]
Sinif ehtimalları Softmax ilə hesablanır:
\[\widehat{y}_c=\frac{\exp(o_c)}{\sum_{j=1}^{21}\exp(o_j)},\quad c=1,2,\ldots,21. \tag{36}\]
Son diaqnoz ən yüksək ehtimallı sinifdir:
\[\widehat{c}=\arg\max_c\widehat{y}_c,\quad c\in\{1,\ldots,21\}. \tag{37}\]
Performans metrikləri: Tənliklər (38)–(41)
Mənbə dörd standart təsnifat metrikindən istifadə edir:
\[\operatorname{Accuracy}=\frac{TP+TN}{TP+TN+FP+FN}. \tag{38}\]
\[\operatorname{Precision}=\frac{TP}{TP+FP}. \tag{39}\]
\[\operatorname{Recall}=\frac{TP}{TP+FN}. \tag{40}\]
\[F1=2\times\frac{\operatorname{Precision}\times\operatorname{Recall}}{\operatorname{Precision}+\operatorname{Recall}}. \tag{41}\]
TP həqiqi müsbət, TN həqiqi mənfi, FP yanlış müsbət və FN yanlış mənfi sayını göstərir. Accuracy bütün qərarların nə qədərinin doğru olduğunu; precision hücum/nasaz kimi işarələnənlərin nə qədərinin həqiqətən müvafiq sinfə aid olduğunu; recall həqiqi müvafiq nümunələrin nə qədərinin aşkarlandığını; F1 isə precision və recall arasındakı harmonik tarazlığı ölçür. Bu metriklər modelin real sənaye sahəsində etibarlılığını təkbaşına sübut etmir; mənbədə sınaqdan keçirilmiş verilənlər və şərtlər daxilində təsnifat performansını ölçür.
Tədqiqatın Metodu və Nəticələri
Verilənlərin yaradılması, simulyasiya və HIL sərhədi
Mənbənin verilənlər təsvirində iki istehsal xətti birlikdə yer alır: eksperimental verilənlərin Starsim MT6060 HIL platforması ilə əsas kompüter arasında TCP/IP bağlantısı vasitəsilə əldə edildiyi, buna paralel olaraq T-tip üçsəviyyəli invertorun MATLAB 2024b/Simulink daxilində qurularaq simulyasiya nasazlıq verilənlərinin yaradıldığı bildirilir. Mətn hər nasazlıq vəziyyəti üçün 300 qeydin müstəqil əldəetmələrlə toplandığını və 70%/15%/15% nisbətində bölündüyünü deyir; lakin bu bölünmənin HIL və simulyasiya verilənlərinə ayrı-ayrılıqda, yoxsa birlikdə tətbiq edildiyini açıq şəkildə fərqləndirmir. Buna görə Verianla izahı iki mənbəni birləşdirərək yeni verilənlər toplusu quruluşu fərz etmir.
| Element | Mənbədə verilən dəyər | Şərh sərhədi |
|---|---|---|
| Siqnallar | ia, ib, ic, VAO, VBO, VCO | Altı kanal |
| Qeyd uzunluğu | 1024 nümunə götürmə nöqtəsi / kanal | Mənbə nümunə götürmə tezliyini bu dəyərlə eyniləşdirmir |
| Qeyd sayı | Hər IGBT nasazlıq vəziyyəti üçün 300 qeyd | Ümumi qeyd sayı mənbədə ayrıca verilmir |
| DC-link gərginliyi | 800 V, ±5% variasiya | Verilənlərin əldə edilməsində dəyişdirilən şərt |
| Verilənlərin bölgüsü | 70% / 15% / 15% | Təlim / doğrulama / test |
| Simulyasiya proqramı | MATLAB 2024b / Simulink | T-NPC nasazlıq verilənlərinin yaradılması |
| HIL sistemi | Starsim MT6060 | Real vaxt nasazlıq şəraitinin yenidən yaradılması və siqnal əldə edilməsi |
| İdarəedici | TMS320F28335 DSP | 20 kHz PWM siqnalının yaradılması |
| DC kondensatorları | C1, C2 = 4000 µF | Simulyasiya və HIL parametr cədvəli |
| Kommutasiya tezliyi | 20 kHz | fs; verilənlərin nümunə götürmə tezliyi kimi şərh edilməməlidir |
| Yük müqaviməti | 30 Ω | R |
| Filtr induktivliyi | 3 mH | Lf |
| Filtr kondensatoru | 8000 µF | Cf |
| Prosessor | Intel Core i7-14900 | Təlim mühiti |
| Yaddaş | 16 GB RAM | Təlim mühiti |
| GPU | NVIDIA GeForce GTX 5060 | Mənbədə bu şəkildə bildirilmişdir |
| Learning rate | 1 × 10−3 | Mənbə optimizer adını göstərmir |
| Weight decay | 1 × 10−4 | Tənzimləmə |
| Batch size | 64 | Təlim parametri |
| Dropout | 0.25 | Təlim parametri |
| Sinkhorn entropy ε | 0.1 | 10 təkrarlanan təcrübədə ən yüksək orta dəqiqlik |
| GCN qatı | 2 | Qat sayı ablasiyası ilə seçilmişdir |
Qraf qurma strategiyasının ablasiyası
| Model | Accuracy | Orta təlim müddəti | Qraf qolunun parametrləri |
|---|---|---|---|
| Euclidean distance KNN weighted graph | 92.34% | 11 s | 20.12 K |
| Unweighted Sinkhorn graph | 95.21% | 14 s | 22.45 K |
| Təklif olunan weighted Sinkhorn dynamic graph | 99.88% | 15 s | 25.34 K |
Təklif olunan yanaşma ən aşağı hesablama xərcinə malik deyil. Euclidean KNN variantı ilə müqayisədə 5.22 K əlavə parametr və təxminən 4 s əlavə orta təlim müddəti hesabına mənbədə 7.54 faiz bəndi dəqiqlik artımı bildirilmişdir. Bu nəticə tədqiqatın iddiasını “ən yüngül model” kimi deyil, dəqiqlik ilə hesablama xərci arasında daha əlverişli tarazlıq kimi mövqeləndirir.
İki axınlı arxitekturanın ablasiyası
| Model | Accuracy (%) | Precision (%) | Recall (%) | F1-score (%) |
|---|---|---|---|---|
| CNN-GCN | 93.98 ± 4.00 | 94.10 ± 4.96 | 93.99 ± 4.20 | 93.97 ± 4.57 |
| CNN-Sinkhorn-GCN | 95.00 ± 1.80 | 95.09 ± 1.59 | 94.96 ± 1.60 | 95.01 ± 1.70 |
| CNN-Sinkhorn-GCN + GRU | 95.47 ± 1.93 | 96.60 ± 1.45 | 96.47 ± 1.83 | 96.46 ± 1.88 |
| CNN-Sinkhorn-GCN + BiGRU | 96.96 ± 1.61 | 97.96 ± 1.54 | 96.96 ± 1.41 | 96.96 ± 1.10 |
| Təklif olunan tam model | 99.88 ± 0.84 | 98.98 ± 1.24 | 98.88 ± 1.16 | 98.78 ± 2.0 |
Bu cədvəl bütün performansın tək bir komponentlə izah olunmadığını göstərir. Sinkhorn əsaslı qrafın əlavə edilməsi CNN-GCN baza xəttini yüksəldir; zaman qolu GRU ilə əlavə məlumat gətirir; BiGRU irəli və geri konteksti birlikdə istifadə etməklə nəticəni daha da artırır; global attention və paralel füzyon tam arxitekturada əlavə qazanc təmin edir.
Global attention ablasiyası
| Quruluş | Accuracy |
|---|---|
| GRU + Global Average Pooling | 87.78% |
| BiGRU + Global Average Pooling | 90.34% |
| BiGRU + Full Connected | 93.54% |
| GRU + Global Attention | 95.65% |
| BiGRU + Global Attention | 96.77% |
| Dual-branch + Full Connected | 98.56% |
| Təklif olunan model | 99.88% |
Mənbə GRU quruluşuna global attention əlavə edildikdə 7.87 faiz bəndi artım; BiGRU-da global average pooling əvəzinə global attention istifadə edildikdə 6.43 faiz bəndi, fully connected əvəzinə istifadə edildikdə isə 3.23 faiz bəndi artım bildirir. Eyni attention altında BiGRU, GRU-dan 1.12 faiz bəndi daha yüksək dəqiqlik verir. İki axınlı arxitekturada fully connected füzyon əvəzinə attention istifadə olunması isə 1.20 faiz bəndi əlavə artımla əlaqələndirilmişdir.
99.88% Dəqiqlik Necə Şərh Edilməlidir?
99.88% dəyəri tədqiqatda bildirilən təkrarlanan təcrübələrin orta doğrulama dəqiqliyidir və modelin araşdırılan 21 sinif ilə mənbədə müəyyən edilən verilənlərin yaradılması və bölünməsi şərtlərindəki performansını ifadə edir; quraşdırılmış sahə cihazında bütün T-NPC nasazlıq kombinasiyaları üçün sübut edilmiş universal dəqiqlik mənasına gəlmir. Mənbədə göstərilən tək təmsilçi confusion-matrix işləməsi 99.76% dəqiqlikdədir və 819 doğrulama nümunəsindən ikisi yanlış təsnif edilmişdir; HIL-only kəmiyyət təsnifatı və real quraşdırılmış aparatda yerləşdirmə isə gələcəkdə həyata keçirilməsi planlaşdırılan işlərdir.
Təmsilçi qarışıqlıq matrisi və yanlış siniflər
Təmsilçi işləmədə sinif 1 olan Sa1Sa2 nümunələrindən biri sinif 15 olan Sa3Sa4 kimi; sinif 4 olan Sa1Sb1 nümunələrindən biri isə sinif 9 olan Sa2Sa3 kimi proqnozlaşdırılmışdır. Bunun əvəzində dörd tək-IGBT nasazlıq sinfi Sa1, Sa2, Sa3 və Sa4 üçün bu təmsilçi işləmədə hər sinifdəki 39 nümunənin hamısı düzgün tanınmış və mənbə precision və recall dəyərlərini 100% kimi vermişdir.
Səs-küy altında performans
Mənbə modelləri −4 dB, −2 dB, 0 dB, 2 dB və 4 dB Gaussian white noise şəraitində müqayisə edir. Təklif olunan model ən ağır səs-küy şərtləri olan −4 dB və −2 dB-də accuracy, precision, recall və F1 baxımından müqayisə olunan üsullar arasında ən yüksək nəticələri verir. Lakin 4 dB şəraitində accuracy və F1 baxımından 1D-DSCNN-GMP-dən bir qədər geri qalır. Buna görə tədqiqat “hər SNR səviyyəsində qeyd-şərtsiz üstünlük” deyil, xüsusilə daha güclü səs-küy altında yüksək dayanıqlıq iddiasını dəstəkləyir.
GCN dərinliyi və Sinkhorn ε seçimi
GCN qatlarının sayı üzrə aparılan tədqiqat bir qatın əlaqəli əlamət çıxarımı üçün yetərsiz olduğunu, iki qatda dəqiqliyin maksimuma çatdığını, daha dərin şəbəkələrdə isə düyün təsvirlərinin bir-birinə həddindən artıq bənzəməsi ilə əlaqələndirilən over-smoothing səbəbindən performansın azaldığını göstərir. Altı düyünlü kiçik dinamik qraf səbəbindən iki GCN qatı dəqiqlik, model ölçüsü və hesablama xərci tarazlığı üçün seçilmişdir.
Sinkhorn entropy tənzimləmə əmsalı ε üçün aparılan on təkrarlanan təcrübədə ən yüksək orta dəqiqlik ε = 0.1 dəyərində əldə edilmişdir. Mənbə çox kiçik ε dəyərlərində nəql planının seyrəkləşdiyini, yaxınlaşmanın yavaşıdığını və qrafın səs-küy/DC gərginlik dəyişməsinə daha həssas hala gəldiyini; çox böyük ε dəyərlərində isə həddindən artıq hamarlamanın düyün məsafələrini bir-birinə yaxınlaşdıraraq sinif ayrımını zəiflətdiyini bildirir.
Çıxarım gecikməsi
Mənbə Şəkil 17-də təklif olunan modelin batch size = 1 üçün orta çıxarım müddətini təxminən 5 ms / diaqnostika nümunəsi kimi verir. Bu müddət CNN əlamət çıxarımı, Sinkhorn–Wasserstein dinamik qrafının qurulması, GCN, attention-BiGRU, əlamət füzyonu və son təsnifatı ehtiva edir; siqnal əldəetmə və verilənlərin ötürülmə müddəti bu 5 ms-ə daxil deyil. Buna görə 5 ms dəyəri başdan-başa fiziki nasazlıq aşkarlama müddəti kimi şərh edilməməlidir.
HIL doğrulaması nəyi göstərir?
Starsim MT6060 və TMS320F28335 əsaslı HIL quruluşu müxtəlif açıq dövrə nasazlıqlarında gözlənilən cərəyan və gərginlik təhriflərinin real vaxt mühitində yenidən yaradıla bildiyini göstərir. Mənbə Sa4, Sa1Sa2 və Sa1Sa3 nümunələri üçün dalğa formaları təqdim edir və bu siqnalların simulyasiya təhlilindəki nasazlıq mexanizmləri ilə uyğun olduğunu bildirir. Lakin mənbə nəticə bölməsində HIL-only kəmiyyət təsnifatı qiymətləndirməsini gələcək iş kimi saxlayır.
Tədqiqatın dəstəklədiyi nəticələr və dəstəkləmədiyi ümumiləşdirmələr
| Mənbənin dəstəklədiyi | Mənbənin dəstəkləmədiyi |
|---|---|
| Altı cərəyan-gərginlik siqnalının nümunəyə xas dinamik qrafla modelləşdirilməsi mənbədə sınaqdan keçirilən şərtlərdə sabit/Euclidean qraf alternativləri ilə müqayisədə daha yüksək dəqiqlik vermişdir. | Bütün invertor topologiyalarında və ya bütün nasazlıq tiplərində eyni qazancın təmin edildiyi nəticəsi. |
| BiGRU + global attention zaman qolu və paralel füzyon ablasiyalarda performansa əlavə töhfə vermişdir. | Attention çəkilərinin fiziki səbəblilik və ya nasazlığın dəqiq fiziki kök səbəbi olduğu nəticəsi. |
| Təklif olunan model −4 dB və −2 dB ağır Gaussian white noise şəraitində müqayisə edilən modellər arasında güclü nəticələr göstərmişdir. | Hər səs-küy növündə və hər SNR səviyyəsində qeyd-şərtsiz ən yaxşı model olduğu nəticəsi. |
| HIL sistemi nasazlıq vəziyyətlərini və cərəyan-gərginlik dalğa formalarını yenidən yaratmışdır. | HIL üzərində ayrıca, başdan-başa 99.88% təsnifat dəqiqliyinin göstərildiyi nəticəsi. |
| 21 sinif araşdırılmışdır. | T-NPC sistemindəki bütün tək və ikiqat açıq dövrə kombinasiyalarının əhatə edildiyi nəticəsi. |
| Təxminən 5 ms model çıxarım müddəti bildirilmişdir. | Siqnal əldəetmə və verilənlərin ötürülməsi daxil olmaqla ümumi sahə reaksiya müddətinin 5 ms olduğu nəticəsi. |
Təkrar istehsal edilə bilmə baxımından açıq qalan məqamlar
Mənbə metod zəncirini ətraflı təsvir etsə də, bəzi tətbiq parametrləri açıq deyil. Dinamik qonşuluq N(i) üçün neçə qonşunun seçildiyi, Tənlik (13)-dəki τ temperatur əmsalının ədədi dəyəri, optimizer adı və təlimin dəqiq maksimal epoch sayı mətndə aydın şəkildə bildirilmir. Bundan əlavə, verilənlər təsviri HIL və MATLAB/Simulink verilənlərini eyni bölmədə izah etsə də, 70/15/15 bölgüsünün bu verilənlər mənbələrinə dəqiq necə tətbiq olunduğunu açıq şəkildə ayırmır. Bu boşluqlar yeni dəyərlərlə doldurulmamışdır.
Mənbə və Metod Qeydi
Orijinal tədqiqat: A Dual-Stream Network with Dynamic Graph Convolution and Attention-Based BiGRU for IGBT Open-Circuit Fault Diagnosis in T-NPC Three-Level Inverters
Müəlliflər: Lin Bai; Bo Guo; Weiye Jing; Feng Li; Wei Luo.
Məsul müəllif: Lin Bai; mənbədə ulduz işarəsi ilə corresponding author kimi göstərilmişdir.
Qurumlar: Lin Bai və Wei Luo — Department of Electrical Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China. Bo Guo, Weiye Jing və Feng Li — Shanxi Lu’an Anyi Electric Co., Ltd., Changzhi 046000, China.
Jurnal: Energies.
Nəşriyyat: MDPI, Basel, Switzerland.
İl / cild / nömrə / məqalə: 2026; 19(17); 4227.
DOI: 10.3390/en19174227.
Rəsmi keçid: https://doi.org/10.3390/en19174227
Məqalə növü və rəy prosesi: Energies jurnalında dərc edilmiş tədqiqat məqaləsidir. Mənbə qeydi onun 7 avqust 2026-da qəbul edildiyini, 1 sentyabr 2026-da yenidən işlənildiyini, 4 sentyabr 2026-da qəbul olunduğunu və 7 sentyabr 2026-da dərc edildiyini bildirir.
Lisenziya: Creative Commons Attribution (CC BY) lisenziyası altında açıq çıxış.
Elmi tədqiqat növü: Dərin öyrənmə əsaslı nasazlıq diaqnostikası metodunun hazırlanması; MATLAB/Simulink simulyasiyası, ablasiya və səs-küy testləri ilə HIL əsaslı nasazlıq şəraiti/siqnal doğrulaması.
Maliyyələşdirmə: Mənbə “This research received no external funding” ifadəsini istifadə edir.
Verilənlərin əlçatanlığı: Mənbə tədqiqatdakı orijinal töhfələrin məqalədə olduğunu və əlavə sualların corresponding author-a yönəldilə biləcəyini bildirir; müstəqil açıq verilənlər deposuna keçid verilmir.
Maraqların toqquşması: Bo Guo, Weiye Jing və Feng Li-nin Shanxi Lu’an Anyi Electric Co. əməkdaşları olduğu açıqlanmışdır. Digər müəlliflər tədqiqata təsir göstərə biləcək kommersiya və ya maliyyə münasibətinin olmadığını bəyan etmişlər.
Müəllif töhfələri: Konseptuallaşdırma: Lin Bai və Wei Luo; metod: Lin Bai və Bo Guo; proqram təminatı: Lin Bai və Weiye Jing; doğrulama: Lin Bai, Feng Li və Wei Luo; ilkin layihənin yazılması: Lin Bai və Weiye Jing; nəzərdən keçirmə və redaktə: Bo Guo və Wei Luo. Bütün müəlliflər dərc olunmuş versiyanı oxuyub təsdiqləmişlər.
Mənbədaxili diqqət məqamları: Tənlik (25)-də attention normallaşdırma məxrəcinin indeks yazılışı riyazi baxımdan qeyri-müəyyəndir və burada səssizcə düzəldilməmişdir. ε simvolu həm Z-score məxrəcindəki kiçik sabitlik sabiti, həm də Sinkhorn entropy tənzimləmə əmsalı üçün istifadə edilmişdir; iki məna ayrı saxlanmışdır. Mənbə həmçinin HIL və simulyasiya verilənlərinin bölünmə qaydasını tam təfərrüatı ilə ayırmadığı üçün Verianla bu nöqtədə yeni verilənlər axını fərz etməmişdir.
Əsas şərh sərhədi: 99.88% orta doğrulama dəqiqliyi mənbədə müəyyən edilmiş 21 sinif və təcrübə şərtləri üçündür. HIL-only kəmiyyət təsnifatı, bütün mümkün faza-B/faza-C nasazlıq kombinasiyaları, çarpaz şərt ümumiləşdirməsi və quraşdırılmış aparatda real vaxt yerləşdirmə gələcək iş kimi saxlanmışdır.
Şərh yazın
E-poçt ünvanınız yayımlanmayacaq. Məcburi sahələr * ilə işarələnib