Каскаддуу H-көпүрөлүү көп деңгээлдүү инвертор (CHMI) кайра жаралуучу энергия системаларында, электр жетектеринде жана кубаттоо инфраструктурасында жогорку сапаттагы DC–AC кубат өзгөртүүсү үчүн колдонулган модулдук күч электроника түзүмү болуп саналат. Бирок деңгээлдердин жана күч жарым өткөргүчтөрүнүн саны көбөйгөн сайын бузулуу ыктымалдыгы жана бузулуу кайсы ачкычта пайда болгонун так аныктоо маселеси да татаалдашат.

Haocheng Hu жана анын кесиптештеринин изилдөөсү, өзгөчө IGBT ачык-чынжыр бузулууларын автоматтык түрдө диагностикалоо үчүн PC-DARTS-SC деп аталган edge-багытталган нейрондук тармак архитектурасын издөө ыкмасын сунуштайт. Салттуу ыкмада адистер CNN архитектурасын, фильтр өлчөмдөрүн, тармактын тереңдигин жана downsampling түзүмүн кол менен аныкташат. Бул иште болсо тармак архитектурасы бузулуу сигналдарынын өзгөчөлүктөрүнө жараша дифференциалдануучу neural architecture search аркылуу автоматтык түрдө аныкталат.

Изилдөөнүн негизги кыйынчылыгы — айрым ачык-чынжыр бузулуулары бири-бирине дээрлик окшош чыңалуу толкун формаларын жаратышы. Айрыкча бир эле H-көпүрөдө кайчылаш жайгашкан IGBT жуптарында глобалдык толкун формасы негизинен бирдей; айырмалоочу маалымат көбүнчө жүк тогунун нөлдөн өтүү аймактарында байкалган майда чыңалуу spike-тарында болот.

Изилдөөчүлөр бул майда айырмачылыктарды сактоо үчүн чыңалуу циклдерин 20×20 эки өлчөмдүү feature map-терге айландырып, downsampling колдонбогон атайын клеткалардан турган тармакты издешкен. 7 Ω жана 6 mH RL жүк шартында сунушталган ыкма тест топтомунда орточо %99,44 тактыкка жеткен.

Акыркы тармак болгону 0,2417 миллион үйрөтүлүүчү параметрди камтыйт жана Jetson Orin Nano түзмөгүндө TensorRT FP16 менен ар бир үлгү үчүн 3,54 мс inference аткара алат. Ошентсе да натыйжалар көзөмөлдөнгөн лабораториялык бузулууларга жана чектелген инвертор/жүк конфигурацияларына таянгандыктан, аларды түздөн-түз жалпы өнөр жай талаа көрсөткүчү катары чечмелөөгө болбойт.

CHMI системаларында ачык-чынжыр бузулуусун диагностикалоо эмне үчүн кыйын?

CHMI системалары бир нече H-көпүрө субмодулдарын катар туташтыруу аркылуу түзүлөт. Ар бир H-көпүрө төрт IGBT камтыйт жана чыгыш чыңалуусу ушул ачкычтарды ар кандай айкалышта өткөрүү абалына келтирүү менен түзүлөт.

IGBTлерде эки негизги бузулуу түрү болушу мүмкүн:

• Кыска туташуу бузулуусу — SCF
• Ачык-чынжыр бузулуусу — OCF

Кыска туташуу бузулуулары өтө кыска убакытта олуттуу жылуулук жана ток таасирлерин жараткандыктан, адатта аппараттык коргоо схемалары менен тез иштетилет. Практикалык gate-driver схемаларында кыска туташуу бузулуусун ачык-чынжыр абалына айландыруу аркылуу системаны коргоо да мүмкүн.

Ачык-чынжыр бузулуусу болсо көбүнчө чыңалуу жана ток толкун формаларынын бузулушу менен байкалат. Бир нече күч модулу бар CHMI системасында бузулган ачкычтын так ордун аныктоо эки деңгээлдүү инверторго караганда татаалыраак.

Эмне үчүн айрым бузулуулар бири-бирине дээрлик окшош көрүнөт?

Изилдөөдө эки H-көпүрөлүү бир фазалуу беш деңгээлдүү инвертор колдонулган. Жалпы сегиз IGBT H1S1–H2S4 деп белгиленген.

Изилдөөчүлөр өзгөчө бир эле субмодулдагы кайчылаш IGBT жуптарында ачык-чынжыр бузулуусу окшош чыгыш чыңалуу ырааттуулуктарын жаратышы мүмкүн экенин көрсөтүшөт.

Мисалы, H1S1 жана H1S3 бузулуулары көптөгөн коммутация абалдарында бирдей чыңалуу үлгүсүн жаратышы мүмкүн. Ушул эле жагдай H1S2 жана H1S4 үчүн да туура.

Айырма көбүнчө негизги чыңалуу толкунунда эмес, жүк тогунун нөлдөн өтүү чекиттерине жакын пайда болгон майда transient spike-тарда көрүнөт.

Майда чыңалуу spike-тары эмне үчүн маанилүү?

Бул spike-тардын эки негизги булагы бар:

• жүк индуктивдүүлүгүндөгү энергиянын бошошунан пайда болгон чоңураак transient-тер,
• IGBTнин идеалдуу эмес коммутациялык мүнөздөмөлөрүнөн келип чыккан майда spike топтору.

Айырмалоочу маалымат негизги чыгыш чыңалуусунун чоңдугуна салыштырмалуу өтө кичине болгондуктан, классикалык визуалдык, статистикалык же кол менен долбоорлонгон белгилер бул айырмаларды туруктуу кармоодо кыйналышы мүмкүн.

DARTS эмне үчүн тармак архитектурасын автоматтык түрдө издейт?

Neural Architecture Search — NAS нейрондук тармак архитектурасын адис түздөн-түз аныктагандын ордуна, алдын ала белгиленген операциялар мейкиндигинде автоматтык түрдө издөөнү көздөйт.

DARTS — Differentiable Architecture Search дискреттүү архитектура тандоо маселесин үзгүлтүксүз оптималдаштыруу маселесине айландырат. Ошентип, кайсы convolution, pooling же identity операциясы тандалары gradient негизинде оптималдаштырылышы мүмкүн.

Бир клетка directed acyclic graph — DAG катары көрсөтүлөт. Клетканын ичиндеги түйүндөр latent белгилерди, кырлар болсо талапкер операцияларды билдирет.

Ар бир кырдагы операция бир гана талапкердин ордуна softmax салмакталган операциялардын аралашмасы катары моделденет:

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

Муну менен архитектура параметрлери α түздөн-түз оптималдаштырылуучу болуп калат.

PC-DARTS эмне үчүн колдонулат?

Стандарттуу DARTS бардык feature channel-дарды бир эле учурда candidate operation-дарга жөнөткөндүктөн, эс тутумга талап жогору болушу мүмкүн жана параметрсиз операциялар тандоо процессинде үстөмдүк кылышы сыяктуу туруксуздуктарды көрсөтүшү мүмкүн.

PC-DARTS feature channel-дардын бир бөлүгүн гана mixed operation-га жөнөтүп, калганын bypass кылат. Муну менен издөө эс тутуму жана эсептөө чыгымы азайтылат.

Мындан тышкары, edge normalization механизми stochastic channel sampling архитектура тандоосуна алып келиши мүмкүн болгон туруксуздукту азайтууга жардам берет.

PC-DARTS-SC стандарттуу PC-DARTSтан эмнеси менен айырмаланат?

Стандарттуу PC-DARTS адатта normal cell жана reduction cell түзүмдөрүн бирге колдонот. Reduction cell feature map өлчөмүн кичирейтет.

Бул ыкма чоң сүрөт классификациясы тапшырмаларында пайдалуу болушу мүмкүн; бирок бул жерде кириш өлчөмү болгону 20×20 жана маанилүү бузулуу маалыматы өтө майда жергиликтүү spike-тарда жайгашкан.

Эрте downsampling бул алсыз сигналдарды жок кылышы мүмкүн.

Ошондуктан изилдөөчүлөр болгону special cell колдонгон PC-DARTS-SC стратегиясын иштеп чыгышкан. Бардык клеткалар бир эле негизги архитектураны бөлүшөт жана чечилишти эрте баскычта азайткан reduction cell колдонулбайт.

Издөө мейкиндигинде кайсы операциялар бар?

Талапкер операциялар ар түрдүү receptive field өлчөмдөрүн камтый тургандай иштелип чыккан:

• 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.

Бардык операциялар stride 1 менен колдонулат жана feature map чечилиши сакталат.

Эмне үчүн 5×5 жана 7×7 фильтрлер көбүрөөк тандалат?

Ар түрдүү жүк шарттарындагы архитектура издөөсүндө тармак 5×5 жана 7×7 separable convolution сыяктуу кененирээк receptive field-га ээ операцияларды көп тандаганы байкалган.

Бул бузулуу айырмалары бир эле тар spike-та эмес, ар башка temporal масштабдарга тараган жергиликтүү толкун формасы өзгөрүүлөрүндө жатканын көрсөтүшү мүмкүн.

Кеңири kernel-дер бул көп масштабдуу айырмачылыктарды бир убакта кармоого жардам берет.

Чыңалуу сигналы эмне үчүн 20×20 сүрөткө айландырылат?

Эксперименттик орнотууда чыгыш чыңалуусу 20 kHz менен үлгүлөнөт. Негизги жыштык 50 Hz болгондуктан, бир цикл 20 ms созулат жана ар бир цикл:

20.000 × 0,020 = 400 үлгү

камтыйт.

Бул 400 үлгү ирети сакталган бойдон 20×20 матрицага айландырылат.

Муну менен бир өлчөмдүү убакыт катары 2D convolution операциялары колдонулчу feature map-ке айланат.

Бул көрсөтүү, айрыкча убакыт боюнча жакын чекиттердеги майда spike түзүмдөрүн жергиликтүү convolution фильтрлери үйрөнө алышын көздөйт.

Маалымат топтому кантип түзүлгөн?

Ар бир fault class жана ар бир жүк шарты үчүн 200 белгиленген цикл үлгүсү чогултулган.

Тогуз класс төмөнкүлөрдөн турат:

• 1 кадимки иштөө абалы,
• 8 өзүнчө бир-IGBT ачык-чынжыр бузулуусу.

Ар бир цикл өз алдынча 20×20 sample катары түзүлгөн жана overlapping sliding window колдонулган эмес.

Маалымат:

• %75 окутуу,
• %15 валидация,
• %10 тест

болуп бөлүнгөн.

Физикалык эксперимент платформасы

Эксперименттик система бир фазалуу беш деңгээлдүү CHMI прототиби.

Колдонулган IGBT түрү IKW30N60H3, ал эми чыңалуу сенсору LV25-P. Gate-drive сигналдары dSPACE MicroLabBox аркылуу түзүлгөн.

Булак макаланын 11-бетиндеги эксперименттик орнотуу ноутбукту, осциллоскопту, dSPACE башкаруу блогун, fault-setting схемасын, CHMIни жана RL жүктү бир физикалык система ичинде көрсөтөт.

Бузулуулар кантип түзүлгөн?

Тиешелүү IGBTнин gate-drive сигналы fault-setting схемасы аркылуу нөлгө мажбурланган.

Ошентип, көзөмөлдөнгөн жана кайталанма ачык-чынжыр бузулуусу эмуляцияланган.

Бул ыкма коопсуз эксперимент үчүн ылайыктуу; бирок табигый эскирүү менен өнүккөн физикалык бузулуунун бардык таасирин чагылдырбайт.

Изилдөөнүн Ыкмасы жана Натыйжалары

Архитектура издөөсү кантип жүргүзүлгөн?

Architecture search 20 epoch созулган.

Алгачкы 6 epoch ичинде network weight-тер гана оптималдаштырылган. Андан кийин архитектура параметрлери менен network weight-тер бирге жаңыртылган.

Изделген тармактын акыркы түзүмү

Search аяктагандан кийин ар бир аралык түйүн үчүн architecture parameter мааниси эң жогору болгон эки операция тандалып, super-network дискреттүү акыркы тармакка айландырылат.

Акыркы feature extractor удаалаш жайгашкан төрт special cell-ден турат.

Андан кийин:

Global Average Pooling → Fully Connected → Softmax

катмарлары аркылуу бузулуу классы аныкталат.

GAP колдонуу чоң fully connected катмарларга салыштырмалуу параметрлердин санын жана overfitting коркунучун азайтууну көздөйт.

Негизги салыштыруу натыйжасы

Сунушталган ыкма салыштырууда эң жогорку орточо тактыкка жеткен.

Бирок авторлор тест топтому кичине жана 1D-CNN менен айырма чектелүү болгондуктан, тактык айырмасын этият чечмелөө керек экенин өзгөчө белгилешет.

Изилдөөнүн негизги артыкчылыгы бир гана %99,44 саны эмес; бул көрсөткүч кол менен долбоорлонбогон, автоматтык издөөдөн өткөн жана edge үчүн ылайыктуу чакан архитектура менен алынган.

0,2417 миллион параметр эмне үчүн маанилүү?

Акыркы модель болгону 0,2417 миллион trainable parameter камтыйт.

FP32 форматында бул болжол менен:

0,97 MB

параметр сактоо көлөмүнө туура келет.

Бул масштаб чоң GPU серверинин ордуна Jetson Orin Nano сыяктуу орнотулган edge түзмөктөрүндө иштетүүгө мүмкүндүк берген негизги долбоордук натыйжалардын бири.

Architecture search канчалык кымбат?

Издөө NVIDIA RTX 4060 GPU үстүндө 20 epoch жүргүзүлгөн.

Бир толук издөө:

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

талап кылган.

Бул чыгым иштеп чыгуу маалында бир гана жолу пайда болот. Edge түзмөктө architecture search жүргүзүлбөйт; тандалган акыркы тармак гана иштетилет.

DARTS-SC менен PC-DARTS-SC салыштыруу

Бул көзөмөлдөнгөн салыштырууда эки ыкма тең бирдей тактыкка жеткен, бирок PC-DARTS-SC architecture search үчүн төмөнүрөөк чыгым көрсөткөн.

Модель ызы-чуулуу сигналда канчалык туруктуу?

Чыныгы инвертор өлчөөлөрүндө switching noise, сенсор ызы-чуусу, quantization noise, төмөн жыштыктагы термелүүлөр жана электромагниттик тоскоолдуктар болушу мүмкүн.

Изилдөө бул физикалык таасирлердин баарын өз-өзүнчө моделдеген эмес. Анын ордуна көзөмөлдөнгөн noise-sensitivity тести үчүн өлчөнгөн чыныгы сигналдарга ар кандай деңгээлде AWGN — Additive White Gaussian Noise кошулган.

Сунушталган ыкма текшерилген бардык SNR деңгээлдеринде салыштырылган ыкмаларга караганда жогору тактык көрсөткөн.

Ошентсе да AWGN чыныгы өнөр жай инвертор чөйрөсүндөгү бардык ызы-чуу булактарынын так көчүрмө симуляциясы эмес.

Модель edge түзмөктө чындап иштейби?

Ооба. Акыркы модель Jetson Orin Nano үстүнө түздөн-түз жайгаштырылган.

Pipeline төмөнкүдөй:

PyTorch → ONNX → TensorRT → Jetson Orin Nano

TensorRT оптималдаштыруусунда:

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

сыяктуу операциялар колдонулган.

Jetson Orin Nano натыйжалары

Бир негизги чыңалуу цикли 20 ms созулгандыктан, 3,54 ms inference убактысы циклге негизделген онлайн диагностика үчүн жетиштүү эсептөө запасын калтырат.

TensorRT тактыкты жогорулатабы?

Жок. Макала бул айырманы атайын баса белгилейт.

FP16 же TensorRT моделдин үйрөнүлгөн диагностикалык жөндөмүн арттырбайт. Ал болгону бар моделдин inference эсептөөсүн натыйжалуураак кылат.

%100 edge accuracy тандалган бир export жасалган моделдин deployment ырааттуулугун көрсөтөт; муну workstation үстүндөгү %99,44 ± 1,05 орточо жыйынтык менен “TensorRT тактыкты жогорулатты” деп салыштырууга болбойт.

Изилдөө колдогон жыйынтыктар

• PC-DARTS-SC CHMI ачык-чынжыр бузулуулары үчүн тапшырмага ылайык жеңил нейрондук тармак архитектурасын автоматтык түрдө таба алат.
• Special cell ыкмасы кичинекей 20×20 feature map үстүндөгү жергиликтүү fault spike-тарын эрте downsampling-ден сактоону көздөйт.
• 7 Ω / 6 mH эксперимент шартында сунушталган ыкма %99,44 орточо тест тактыгына жеткен.
• Акыркы тармак болгону 0,2417 M параметр камтыйт.
• Jetson Orin Nano + TensorRT FP16 үстүндө 3,54 ms/sample inference алынган.
• Көзөмөлдөнгөн AWGN тесттеринде ыкма салыштырылган моделдерге караганда жогору noise robustness көрсөткөн.

Изилдөө колдобогон жыйынтыктар

• Модель бардык инвертор топологияларында ушундай эле тактыкка жетери далилденген эмес.
• Чыныгы талаа шартындагы табигый IGBT бузулууларында ошол эле көрсөткүч көрсөтүлгөн эмес.
• Түзмөктүн узак мөөнөттүү эскириши, sensor drift жана татаал EMI шарттары кеңири текшерилген эмес.
• %100 edge deployment accuracy моделдин жалпы тактыгы %100 дегенди билдирбейт.
• AWGN тести чыныгы өнөр жай ызы-чуу чөйрөсүнүн толук симуляциясы эмес.
• Кокус cycle-level split толук убакыттык көз карандысыздыкка кепилдик бербейт.

Негизги чектөөлөр

Эксперименттер бир фазалуу беш деңгээлдүү CHMI үстүндө гана, бир IGBT ачык-чынжыр бузулуулары жана эки RL жүк шарты менен жүргүзүлгөн.

Ошондуктан моделдин башка инвертор топологияларына, жогорку деңгээлдүү системаларга, бир учурдагы көп бузулууларга же ар башка modulation стратегияларына түздөн-түз жалпыланышы азырынча көрсөтүлгөн эмес.

Бузулуулар физикалык түзмөктүн узак мөөнөттүү бузулушунан табигый түрдө пайда болгон эмес; тиешелүү gate сигналы өчүрүлүп, көзөмөлдөнгөн түрдө эмуляцияланган.

Мындан тышкары, циклдер overlap кылбаса да training жана test үлгүлөрү бир эле үзгүлтүксүз acquisition тизмегинен келген коңшу циклдерди камтышы мүмкүн. Ошондуктан random cycle-level split толук temporal independence камсыз кылбайт.

Келечектеги иштер

Авторлор белгилеген негизги келечектеги изилдөө багыттары:

1. татаалыраак инвертор топологиялары,
2. ар түрдүү иштөө шарттары,
3. бузулуулардын кеңири түрлөрү,
4. ар башка edge жабдууларында валидация,
5. cross-condition adaptation,
6. чыныгы талаа бузулуу маалыматтары,
7. time-ordered же cycle-block негизиндеги катуураак маалымат бөлүү,
8. өнөр жай ызы-чуусуна жана чөйрөнүн өзгөрмөлүүлүгүнө каршы кеңири robustness анализи.

Булак жана Ыкма Эскертүүсү

Түп нуска аталышы:Multilevel Inverter Fault Diagnosis Using Differentiable Architecture Search for Edge Deployment

Авторлор: Haocheng Hu, Tianzhen Wang, Haoran Wang жана Yassine Amirat.

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

Журнал:AI, 2026, 7, Article 208.

DOI:10.3390/ai7060208

Тапшырылган: 2-апрель 2026. Кайра каралган: 29-май 2026. Кабыл алынган: 4-июнь 2026. Жарыяланган: 7-июнь 2026.

Изилдөө түрү: Физикалык инвертор прототибинде лабораториялык эксперимент, data-driven бузулуу диагностикасы, differentiable neural architecture search жана edge deployment валидациясы.

Негизги система: Бир фазалуу, эки H-көпүрө субмодулдуу, беш деңгээлдүү CHMI; 8 IGBT жана 9 класстуу fault classification маселеси.

Edge платформасы: NVIDIA Jetson Orin Nano; ONNX Runtime жана TensorRT.

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

Этика: Institutional Review Board жана informed consent колдонулбайт.

Маалыматка жетүү: Маалыматтар жооптуу автордон суроо-талап боюнча алынышы мүмкүн; жалпыга ачык эмес.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

Лицензия: Creative Commons Attribution (CC BY).

Методологиялык чек: Жыйынтыктар көзөмөлдөнгөн лаборатория шарттарындагы эмуляцияланган single-IGBT OCF учурларына, эки RL жүк шартына жана cycle-level random split стратегиясына негизделет. Чыныгы талаа бузулуулары, узак мөөнөттүү aging, temporal көз карандысыз тест, башка инвертор топологиялары жана татаалыраак өнөр жай ызы-чуу шарттары азырынча кеңири валидацияланган эмес.

Verianla ыкма эскертүүсү: Бул кыргызча мазмун булак изилдөөдөгү CHMI бузулуу механизмин, DARTS/PC-DARTS-SC ыкмасын, чыңалуу сигналын кайра калыптандыруу стратегиясын, эксперимент платформасын, көрсөткүчтөрдү салыштырууну, noise sensitivity, edge deployment жана чектөөлөрдү булак маанисине берилген бойдон өз алдынча окутуучу түзүмдө кайра уюштурат. Булак фигуралары же таблицалары сөзмө-сөз көчүрүлгөн эмес.