Kaskad H-köprü çok seviyeli evirici (CHMI), yenilenebilir enerji sistemleri, elektrikli sürücüler ve şarj altyapılarında yüksek kaliteli DC–AC güç dönüşümü için kullanılan modüler bir güç elektroniği yapısıdır. Ancak seviye ve güç yarı iletkeni sayısı arttıkça arıza olasılığı ve arızanın hangi anahtarda oluştuğunu doğru belirleme problemi de zorlaşır.

Haocheng Hu ve çalışma arkadaşlarının araştırması, özellikle IGBT açık-devre arızalarını otomatik olarak teşhis etmek için PC-DARTS-SC adlı edge odaklı bir sinir ağı mimari arama yöntemi önermektedir. Geleneksel yaklaşımda uzmanlar CNN mimarisini, filtre boyutlarını, ağ derinliğini ve downsampling yapısını elle belirler. Bu çalışmada ise ağ mimarisi, arıza sinyallerinin özelliklerine göre diferansiyellenebilir neural architecture search ile otomatik olarak belirlenmektedir.

Çalışmanın ana zorluğu, bazı açık-devre arızalarının birbirine neredeyse aynı görünen gerilim dalga şekilleri üretmesidir. Özellikle aynı H-köprüsünde çapraz konumlanan IGBT çiftlerinde küresel dalga şekli büyük ölçüde aynıdır; ayırt edici bilgi çoğunlukla yük akımının sıfır geçiş bölgelerinde görülen küçük voltaj spike'larında bulunur.

Araştırmacılar bu ince farkları korumak için gerilim çevrimlerini 20×20 iki boyutlu özellik haritalarına dönüştürmüş ve downsampling uygulamayan özel hücrelerden oluşan bir ağ aramıştır. 7 Ω ve 6 mH RL yük koşulunda önerilen yöntem test setinde ortalama %99,44 doğruluk elde etmiştir.

Nihai ağ yalnızca 0,2417 milyon eğitilebilir parametre içermekte ve Jetson Orin Nano üzerinde TensorRT FP16 ile örnek başına 3,54 ms çıkarım yapabilmektedir. Bununla birlikte sonuçlar kontrollü laboratuvar arızalarına ve sınırlı inverter/yük konfigürasyonlarına dayandığı için doğrudan genel endüstriyel saha performansı olarak yorumlanmamalıdır.

CHMI sistemlerinde açık-devre arızasını teşhis etmek neden zordur?

CHMI sistemleri birden fazla H-köprü alt modülünün seri bağlanmasıyla oluşturulur. Her H-köprüsü dört IGBT içerir ve çıkış gerilimi, bu anahtarların farklı kombinasyonlarda iletime geçirilmesiyle oluşturulur.

IGBT'lerde iki temel arıza türü bulunabilir:

• Kısa devre arızası — SCF
• Açık devre arızası — OCF

Kısa devre arızaları çok kısa sürede ciddi termal ve akım etkileri oluşturduğu için genellikle donanım koruma devreleriyle hızlı biçimde ele alınır. Pratik sürücü devrelerinde kısa devre arızalarının açık-devre durumuna dönüştürülerek sistemin korunması da mümkündür.

Açık-devre arızası ise çoğunlukla gerilim ve akım dalga şekillerinin bozulmasıyla ortaya çıkar. Birden fazla güç modülü içeren CHMI sisteminde arızalı anahtarın tam yerini belirlemek, iki seviyeli bir invertere göre daha karmaşıktır.

Neden bazı arızalar birbirine neredeyse aynı görünüyor?

Çalışmada iki H-köprülü tek fazlı beş seviyeli inverter kullanılmıştır. Toplam sekiz IGBT, H1S1–H2S4 olarak adlandırılmıştır.

Araştırmacılar, özellikle aynı alt modüldeki çapraz IGBT çiftlerinde açık-devre arızasının benzer çıkış gerilimi dizileri üretebildiğini göstermektedir.

Örneğin H1S1 ve H1S3 arızaları birçok anahtarlama durumunda aynı gerilim örüntüsünü oluşturabilir. Aynı durum H1S2 ve H1S4 için de geçerlidir.

Fark çoğu zaman ana gerilim dalgasında değil; yük akımının sıfır geçişi yakınlarında oluşan küçük transient spike'larda ortaya çıkar.

Küçük voltaj spike'ları neden önemli?

Bu spike'ların iki ana kaynağı vardır:

• yük indüktansındaki enerjinin boşalmasıyla oluşan daha büyük transient'ler,
• IGBT'nin ideal olmayan anahtarlama karakteristiklerinden kaynaklanan daha küçük spike kümeleri.

Ayırt edici bilgi, ana çıkış geriliminin büyüklüğüne kıyasla oldukça küçük olduğu için klasik görsel, istatistiksel veya elle tasarlanmış özelliklerin bu farkları kararlı biçimde yakalaması zor olabilir.

DARTS neden ağ mimarisini otomatik arıyor?

Neural Architecture Search — NAS, sinir ağı mimarisini doğrudan uzman tarafından belirlemek yerine önceden tanımlanmış bir işlem uzayı içinde otomatik olarak aramayı amaçlar.

DARTS — Differentiable Architecture Search, ayrık mimari seçim problemini sürekli bir optimizasyon problemine dönüştürür. Böylece hangi convolution, pooling veya identity işleminin seçileceği gradient tabanlı olarak optimize edilebilir.

Bir hücre directed acyclic graph — DAG olarak temsil edilir. Hücre içindeki düğümler latent özellikleri, kenarlar ise aday işlemleri temsil eder.

Her kenardaki işlem tek bir aday yerine softmax ağırlıklı işlemler karışımı olarak modellenir:

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

Böylece mimari parametreleri α doğrudan optimize edilebilir hale gelir.

PC-DARTS neden kullanılıyor?

Standart DARTS, bütün feature channel'larını aynı anda candidate operation'lara gönderdiği için yüksek bellek gereksinimine sahip olabilir ve parametresiz işlemlerin seçim sürecini domine etmesi gibi kararsızlıklar gösterebilir.

PC-DARTS yalnız feature channel'larının bir bölümünü mixed operation'a gönderirken geri kalanını bypass eder. Böylece arama belleği ve hesaplama maliyeti azaltılır.

Ayrıca edge normalization mekanizması, stochastic channel sampling'in mimari seçimine getirebileceği kararsızlığı azaltmaya yardımcı olur.

PC-DARTS-SC standart PC-DARTS'tan nasıl ayrılıyor?

Standart PC-DARTS genellikle normal cell ve reduction cell yapılarını birlikte kullanır. Reduction cell feature map boyutunu küçültür.

Bu yaklaşım büyük görüntü sınıflandırma görevlerinde yararlı olabilir; ancak burada giriş yalnızca 20×20 boyutundadır ve kritik arıza bilgisi çok küçük lokal spike'larda bulunmaktadır.

Erken downsampling bu zayıf sinyalleri ortadan kaldırabilir.

Bu nedenle araştırmacılar yalnızca special cell kullanan PC-DARTS-SC stratejisini geliştirmiştir. Tüm hücreler aynı temel mimariyi paylaşır ve çözünürlüğü erken aşamada düşüren reduction cell kullanılmaz.

Arama uzayında hangi işlemler var?

Aday işlemler farklı receptive field boyutlarını kapsayacak şekilde tasarlanmıştır:

• 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.

Tüm işlemler stride 1 ile uygulanmakta ve feature map çözünürlüğü korunmaktadır.

Neden 5×5 ve 7×7 filtreler öne çıkıyor?

Farklı yük koşullarında yapılan mimari aramada ağın 5×5 ve 7×7 separable convolution gibi daha geniş receptive field'lı işlemleri sık tercih ettiği görülmüştür.

Bu, arıza farklarının yalnız tek bir dar spike'ta değil, farklı temporal ölçeklere yayılan lokal dalga şekli değişimlerinde bulunduğunu düşündürmektedir.

Daha geniş kernel'lar, bu çok ölçekli farklılıkların aynı anda yakalanmasına yardımcı olabilir.

Gerilim sinyali neden 20×20 görüntüye dönüştürülüyor?

Deney düzeneğinde çıkış gerilimi 20 kHz ile örneklenmektedir. Temel frekans 50 Hz olduğundan bir çevrim 20 ms sürer ve her çevrim:

20.000 × 0,020 = 400 örnek

içerir.

Bu 400 örnek, sıraları korunarak 20×20 matris haline getirilir.

Böylece tek boyutlu zaman dizisi, 2D convolution işlemlerinin kullanılabileceği bir feature map'e dönüşür.

Bu temsil, özellikle birbirine yakın zaman noktalarındaki küçük spike yapılarının lokal convolution filtreleri tarafından öğrenilebilmesini amaçlar.

Veri seti nasıl oluşturuldu?

Her fault class ve her yük koşulu için 200 etiketli çevrim örneği toplanmıştır.

Dokuz sınıf şunlardan oluşur:

• 1 normal çalışma durumu,
• 8 ayrı tek-IGBT açık-devre arızası.

Her çevrim bağımsız bir 20×20 sample olarak oluşturulmuş ve overlapping sliding window kullanılmamıştır.

Veri:

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

olarak bölünmüştür.

Fiziksel deney platformu

Deney sistemi tek fazlı beş seviyeli CHMI prototipidir.

Kullanılan IGBT tipi IKW30N60H3, gerilim sensörü ise LV25-P'dir. Gate-drive sinyalleri dSPACE MicroLabBox üzerinden üretilmiştir.

Kaynak makalenin 11. sayfasındaki deney düzeneği, laptop, osiloskop, dSPACE kontrol ünitesi, fault-setting devresi, CHMI ve RL yükü aynı fiziksel sistem içinde göstermektedir.

Arızalar nasıl oluşturuldu?

İlgili IGBT'nin gate-drive sinyali bir fault-setting devresi üzerinden sıfıra zorlanmıştır.

Böylece kontrollü ve tekrar edilebilir bir açık-devre arızası emüle edilmiştir.

Bu yaklaşım güvenli deney açısından uygundur; ancak doğal yaşlanmayla gelişen fiziksel arızanın bütün etkilerini temsil etmez.

Çalışmanın Yöntemi ve Bulguları

Mimari arama nasıl yürütüldü?

Architecture search 20 epoch sürmüştür.

İlk 6 epoch boyunca yalnız network weight'leri optimize edilmiştir. Daha sonra mimari parametreleri ile network weight'leri birlikte güncellenmiştir.

Aranan ağın son yapısı

Search tamamlandıktan sonra her ara düğüm için architecture parameter değeri en yüksek iki işlem seçilerek super-network ayrık nihai ağa dönüştürülür.

Nihai feature extractor dört special cell'in art arda istiflenmesinden oluşur.

Ardından:

Global Average Pooling → Fully Connected → Softmax

katmanlarıyla arıza sınıfı belirlenir.

GAP kullanımı, büyük fully connected katmanlarına kıyasla parametre sayısını ve overfitting riskini azaltmayı amaçlar.

Ana karşılaştırma sonucu

Önerilen yöntem karşılaştırmadaki en yüksek ortalama doğruluğu elde etmiştir.

Ancak yazarlar test setinin küçük ve 1D-CNN ile farkın sınırlı olması nedeniyle doğruluk farkının dikkatli yorumlanması gerektiğini özellikle belirtmektedir.

Çalışmanın asıl avantajı yalnız %99,44 sayısı değil; bu performansın elle tasarlanmamış, otomatik aranmış ve edge'e uygun küçük bir mimariyle elde edilmesidir.

0,2417 milyon parametre neden önemli?

Nihai model yalnızca 0,2417 milyon trainable parameter içermektedir.

FP32 biçiminde bu yaklaşık:

0,97 MB

parametre depolama alanına karşılık gelir.

Bu ölçek, büyük GPU sunucusu yerine Jetson Orin Nano gibi gömülü edge cihazlarda çalıştırmayı mümkün kılan temel tasarım sonuçlarından biridir.

Architecture search ne kadar pahalı?

Arama NVIDIA RTX 4060 GPU üzerinde 20 epoch gerçekleştirilmiştir.

Bir tam arama:

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

gerektirmiştir.

Bu maliyet yalnız geliştirme sırasında bir kez ortaya çıkar. Edge cihazda architecture search yapılmaz; yalnız seçilmiş nihai ağ çalıştırılır.

DARTS-SC ile PC-DARTS-SC karşılaştırması

Bu kontrollü karşılaştırmada iki yöntem de aynı doğruluğu elde etmiş, ancak PC-DARTS-SC daha düşük architecture search maliyeti göstermiştir.

Model gürültülü sinyalde ne kadar dayanıklı?

Gerçek inverter ölçümlerinde switching noise, sensör gürültüsü, quantization noise, düşük frekanslı salınımlar ve elektromanyetik parazit bulunabilir.

Çalışma tüm bu fiziksel etkileri ayrı ayrı modellememiştir. Bunun yerine kontrollü noise-sensitivity testi için ölçülen gerçek sinyallere farklı seviyelerde AWGN — Additive White Gaussian Noise eklenmiştir.

Önerilen yöntem, test edilen tüm SNR seviyelerinde karşılaştırılan yöntemlerden daha yüksek doğruluk göstermiştir.

Bununla birlikte AWGN, gerçek endüstriyel inverter ortamındaki tüm noise kaynaklarının birebir simülasyonu değildir.

Model edge cihaz üzerinde gerçekten çalışıyor mu?

Evet. Nihai model Jetson Orin Nano üzerinde doğrudan dağıtılmıştır.

Pipeline şu şekildedir:

PyTorch → ONNX → TensorRT → Jetson Orin Nano

TensorRT optimizasyonunda:

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

gibi işlemler uygulanmıştır.

Jetson Orin Nano sonuçları

Bir temel gerilim çevrimi 20 ms sürdüğü için 3,54 ms'lik çıkarım süresi çevrim bazlı online teşhis açısından yeterli hesaplama marjı bırakmaktadır.

TensorRT doğruluğu artırıyor mu?

Hayır. Makale bu ayrımı özellikle vurgulamaktadır.

FP16 veya TensorRT modelin öğrenilmiş teşhis kapasitesini artırmaz. Yalnızca mevcut modelin inference hesaplamasını daha verimli hale getirir.

%100 edge accuracy, seçilen tek bir export edilmiş modelin dağıtım tutarlılığını göstermektedir; workstation üzerindeki %99,44 ± 1,05 ortalama sonuçla “TensorRT doğruluğu yükseltti” şeklinde kıyaslanamaz.

Çalışmanın desteklediği sonuçlar

• PC-DARTS-SC, CHMI açık-devre arızaları için görev-özgü hafif sinir ağı mimarisi otomatik olarak bulabilir.
• Special cell yaklaşımı, küçük 20×20 feature map üzerinde lokal fault spike'larını erken downsampling'den korumayı amaçlar.
• 7 Ω / 6 mH deney koşulunda önerilen yöntem %99,44 ortalama test doğruluğu elde etmiştir.
• Nihai ağ yalnız 0,2417 M parametre içerir.
• Jetson Orin Nano + TensorRT FP16 üzerinde 3,54 ms/sample inference elde edilmiştir.
• Kontrollü AWGN testlerinde yöntem karşılaştırılan modellerden daha yüksek noise robustness göstermiştir.

Çalışmanın desteklemediği sonuçlar

• Modelin tüm inverter topolojilerinde aynı doğruluğa ulaşacağı kanıtlanmamıştır.
• Gerçek saha koşullarındaki doğal IGBT arızalarında aynı performans gösterilmemiştir.
• Uzun dönem cihaz yaşlanması, sensor drift ve karmaşık EMI koşulları kapsamlı biçimde test edilmemiştir.
• %100 edge deployment accuracy, modelin genel doğruluğunun %100 olduğu anlamına gelmez.
• AWGN testi gerçek endüstriyel noise ortamının eksiksiz simülasyonu değildir.
• Rastgele cycle-level split, tam zaman bağımsızlığı garanti etmez.

Temel sınırlılıklar

Deneyler yalnız tek fazlı beş seviyeli bir CHMI üzerinde, tek IGBT açık-devre arızaları ve iki RL yük koşuluyla gerçekleştirilmiştir.

Bu nedenle modelin farklı inverter topolojilerine, daha yüksek seviyeli sistemlere, çoklu eşzamanlı arızalara veya farklı modulation stratejilerine doğrudan genellenebilirliği henüz gösterilmemiştir.

Arızalar fiziksel cihazın uzun dönemli bozulmasından doğal olarak oluşmamış, ilgili gate sinyalinin kapatılmasıyla kontrollü biçimde emüle edilmiştir.

Ayrıca çevrimler overlap etmese de training ve test örnekleri aynı sürekli acquisition dizisinden gelen komşu çevrimleri içerebilir. Bu nedenle random cycle-level split tam temporal independence sağlamaz.

Gelecek çalışmalar

Yazarların belirttiği başlıca gelecek araştırma alanları şunlardır:

1. daha karmaşık inverter topolojileri,
2. daha çeşitli çalışma koşulları,
3. daha geniş arıza tipleri,
4. farklı edge donanımlarında doğrulama,
5. cross-condition adaptation,
6. gerçek saha arıza verileri,
7. time-ordered veya cycle-block tabanlı daha katı veri ayrımı,
8. endüstriyel gürültü ve çevresel değişkenliğe karşı daha kapsamlı robustness analizi.

Kaynak ve Yöntem Notu

Özgün başlık:Multilevel Inverter Fault Diagnosis Using Differentiable Architecture Search for Edge Deployment

Yazarlar: Haocheng Hu, Tianzhen Wang, Haoran Wang ve Yassine Amirat.

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

Dergi:AI, 2026, 7, Article 208.

DOI:10.3390/ai7060208

Gönderim: 2 Nisan 2026. Revizyon: 29 Mayıs 2026. Kabul: 4 Haziran 2026. Yayın: 7 Haziran 2026.

Çalışma türü: Fiziksel inverter prototipi üzerinde laboratuvar deneyi, data-driven arıza teşhisi, differentiable neural architecture search ve edge deployment doğrulaması.

Temel sistem: Tek fazlı, iki H-köprü alt modüllü, beş seviyeli CHMI; 8 IGBT ve 9 sınıflı fault classification problemi.

Edge platform: NVIDIA Jetson Orin Nano; ONNX Runtime ve TensorRT.

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

Etik: Institutional Review Board ve informed consent uygulanabilir değildir.

Veri erişimi: Veriler sorumlu yazardan talep üzerine sağlanabilir; kamuya açık değildir.

Çıkar çatışması: Yazarlar çıkar çatışması bildirmemiştir.

Lisans: Creative Commons Attribution (CC BY).

Yöntemsel sınır: Sonuçlar kontrollü laboratuvar koşullarındaki emüle edilmiş single-IGBT OCF vakalarına, iki RL yük koşuluna ve cycle-level random split stratejisine dayanmaktadır. Gerçek saha arızaları, uzun dönem aging, temporal bağımsız test, farklı inverter topolojileri ve daha karmaşık endüstriyel gürültü koşulları henüz kapsamlı biçimde doğrulanmamıştır.

Verianla yöntem notu: Bu Türkçe içerik; kaynak çalışmadaki CHMI arıza mekanizması, DARTS/PC-DARTS-SC yöntemi, gerilim sinyali yeniden şekillendirme stratejisi, deney platformu, performans karşılaştırmaları, noise sensitivity, edge deployment ve sınırlılıkları kaynak anlamına sadık biçimde bağımsız bir öğretim yapısında yeniden düzenlemektedir. Kaynak figürleri veya tabloları birebir kopyalanmamıştır.