Академиялык изилдөөлөр, түшүнүктүү тил

Verianla | Кыргызча академиялык изилдөөлөр жана илим

19 ноябрь 2026, Бейшемби
VERİANLA Көз карандысыз илимий басма
Менюну ачуу же жабуу
...
Башкы бет / Колдонмо илимдер / Инженерия / T-NPC Үч Деңгээлдүү Инверторлорунда IGBT Ачык Чынжыр Бузулуусун Диагностикалоо үчүн Динамикалык Граф Конволюциясын жана Көңүл Бурууга Негизделген BiGRUну Колдонгон Кош Агымдуу Тармак
Инженерия

T-NPC Үч Деңгээлдүү Инверторлорунда IGBT Ачык Чынжыр Бузулуусун Диагностикалоо үчүн Динамикалык Граф Конволюциясын жана Көңүл Бурууга Негизделген BiGRUну Колдонгон Кош Агымдуу Тармак

Сунушталган кош агымдуу тармак T-тибиндеги нейтралдык чекитке кысылган үч деңгээлдүү инверторлордогу IGBT ачык чынжыр бузулууларын; ток-чыңалуу сигналдарынын ортосундагы үлгүгө мүнөздүү байланыштарды граф бутагында, убакыттык үлгүлөрдү болсо көңүл буруу механизми бар эки багыттуу дарбазалуу кайталануучу бирдик (BiGRU) бутагында үйрөнүп классификациялаган терең үйрөнүү архитектурасы.

19/11/2026  Veri Anla  40 көрүү
T-NPC Үч Деңгээлдүү Инверторлорунда IGBT Ачык Чынжыр Бузулуусун Диагностикалоо үчүн Динамикалык Граф Конволюциясын жана Көңүл Бурууга Негизделген BiGRUну Колдонгон Кош Агымдуу Тармак

Сунушталган кош агымдуу тармак T-тибиндеги нейтралдык чекитке кысылган үч деңгээлдүү инверторлордогу IGBT ачык чынжыр бузулууларын; ток-чыңалуу сигналдарынын ортосундагы үлгүгө мүнөздүү байланыштарды граф бутагында, ал эми убакыттык үлгүлөрдү көңүл буруу механизми бар эки багыттуу дарбазалуу кайталануучу бирдик (BiGRU) бутагында үйрөнүү аркылуу классификациялаган терең үйрөнүү архитектурасы болуп саналат. Изилдөөдө үч фаза тогу менен үч фаза чыңалуусу алты өзүнчө сигнал түйүнү катары каралган; жалпы 1B CNN аркылуу белгилер чыгарылып, Sinkhorn менен болжолдуу Wasserstein аралыктары эсептелип, ар бир үлгү үчүн салмакталган динамикалык граф курулган жана бул граф эки катмарлуу GCN менен иштетилген. Параллелдүү убакыт бутагында BiGRU жана global attention колдонулуп, эки бутактын өкүлчүлүктөрү бириктирилип 21 иштөө абалы классификацияланган.

Булакта ар бир жазуу алты сигналдын ар бири үчүн 1024 үлгү алуу чекитин камтыйт. Ар бир бузулуу абалы үчүн 300 жазуу өзүнчө өлчөөлөр менен топтолгон, DC-link чыңалуусу 800 V маанисинин ±5% айланасында өзгөртүлгөн жана маалыматтар кокусунан 70% окутуу, 15% валидация жана 15% тест болуп бөлүнгөн. Моделди окутууда Z-score стандартташтыруу, 1×10−3 learning rate, 1×10−4 weight decay, 64 batch size жана 0.25 dropout катышы билдирилген. Булак колдонулган optimizer атын жана окутуу үчүн так максималдуу epoch санын ыкма таблицасында көрсөтпөйт.

Сунушталган толук модель үчүн кайталанма тажрыйбалардын орточо валидация тактыгы 99.88% деп билдирилген. Абляция натыйжаларында CNN-GCN 93.98 ± 4.00%, CNN-Sinkhorn-GCN 95.00 ± 1.80%, CNN-Sinkhorn-GCN + GRU 95.47 ± 1.93% жана CNN-Sinkhorn-GCN + BiGRU 96.96 ± 1.61% тактык берген, ал эми толук модель 99.88 ± 0.84% тактыкка жеткен. Ошол эле учурда булакта көрсөтүлгөн өкүлчүлүктүү чаташуу матрицасынын иштетүүсү 99.76% тактыкта болуп, 819 валидация үлгүсүнүн экөө туура эмес классификацияланган; демек 99.88% менен 99.76% ар башка отчеттук контексттерге тиешелүү.

Изилдөө программалык симуляцияга гана негизделбейт: MATLAB 2024b/Simulink модели менен катар Starsim MT6060 реалдуу убакыттагы HIL системасы жана TMS320F28335 контроллери колдонулуп, бузулуу шарттары кайра түзүлгөн жана ток-чыңалуу толкун формалары алынган. Бирок HIL бөлүмү өзүнчө HIL-only классификация тактыгынын таблицасын бербейт; авторлор HIL-only сандык баалоону жана орнотулган аппараттык камсыздоодо реалдуу убакытта ишке ашырууну келечектеги иш катары ачык белгилешет.

T-NPC Үч Деңгээлдүү Инверторунда IGBT Ачык Чынжыр Бузулуусу Эмнени Өзгөртөт?

IGBT ачык чынжыр бузулуусу тиешелүү ачкычтын өткөрүү жолун пайдаланууга мүмкүн болбой турган абалга келтирип, фаза тогунун альтернативдүү диод же ачкыч жолдоруна багытталышына жана T-NPC инверторунун P, O жана N чыгуу абалдарынын ортосунда бузулууга байланышкан өтүүлөрдүн пайда болушуна алып келет. Бул өзгөрүү бир гана ток амплитудасына таасир этпейт; токтун багытына жана кайсы ачкыч ачык чынжырда калганына жараша оң же терс жарым циклде фаза тогунун жана фаза чыңалуусунун толкун формасы ар башкача бузулушу мүмкүн.

T-NPC топологиясында ар бир фаза бутагында эки тышкы жана эки ички ачкыч бар. Булак фаза-A үчүн Sa1, Sa2, Sa3 жана Sa4 ачык чынжыр бузулууларынын ток багытына жараша таасирлерин өз-өзүнчө талдайт. Тизмектей туташкан DC-link конденсаторлору фаза бутагына Udc1, 0 жана Udc2 болуп үч чыңалуу деңгээлин берет. Ачык чынжыр бузулуусу пайда болгондо күтүлгөн өткөрүү жолу үзүлөт жана эркин айлануу диоддору менен калган ачкычтар аркылуу жаңы жол түзүлүшү мүмкүн.

Бузулган IGBTТоктун багытыБулакта берилген ток жолуАбалдын өзгөрүшү
Sa1ia > 0Sa1 → Da2, Sa3P → O
Sa1ia < 0Da1Өзгөрүү жок
Sa2ia > 0Da2, Sa3Өзгөрүү жок
Sa2ia < 0Sa2, Da3 → Da1O → P
Sa3ia > 0Sa3, Da2 → Da4O → N
Sa3ia < 0Sa2, Da3Өзгөрүү жок
Sa4ia > 0Da4Өзгөрүү жок
Sa4ia < 0Sa4 → Sa2, Da3N → O

Кош IGBT бузулууларында ошол эле логика татаалыраак болот. Ар башка фазаларда пайда болгон эки бузулуу үчүн адегенде ар бир фазанын жергиликтүү өткөрүү варианттары бир ачкычтык эрежелерден чыгарылат; бирок булак мунун эки бузулуу динамикалык жактан көз карандысыз экенин же толкун формасына болгон таасирлер сызыктуу түрдө кошула аларын билдирбей турганын өзгөчө белгилейт. Бир эле фазадагы эки бузулуу өткөрүү багыттарын түздөн-түз бири-бирине байланыштырышы мүмкүн; мисалы, Sa1 жана Sa3 бир убакта ачык чынжыр болгондо ia > 0 шартында абал P ден N ге өтүшү мүмкүн.

Изилдөөдө классификацияланган 21 абал

Модель мүмкүн болгон бардык T-NPC ачык чынжыр комбинацияларын камтыбайт. Булактагы маалымат топтому тандалган 20 ачык чынжыр бузулуусун жана бир нормалдуу абалды камтыйт; өзгөчө фаза-B жана фаза-C тарабындагы калган комбинацияларды келечекте маалымат топтомуна кошуу пландалууда.

БелгиАбалБелгиАбал
0Sa111Sa2Sb2
1Sa1Sa212Sa2Sb3
2Sa1Sa313Sa2Sb4
3Sa1Sa414Sa3
4Sa1Sb115Sa3Sa4
5Sa1Sb216Sa3Sb3
6Sa1Sb317Sa3Sb4
7Sa1Sb418Sa4
8Sa219Sa4Sb4
9Sa2Sa320Нормалдуу
10Sa2Sa4  

Sinkhorn–Wasserstein Динамикалык Графы Бул Изилдөөдө Эмне Үчүн Колдонулат?

Sinkhorn–Wasserstein динамикалык графы алты ток-чыңалуу сигналынын ортосундагы байланышты туруктуу топология катары кабыл албастан, ар бир үлгү үчүн CNN үйрөнгөн жашыруун белгилердин бөлүштүрүлүштөрүнүн окшоштугуна жараша кайра салмактоо үчүн колдонулат. Муну менен ар башка ачкыч бузулууларынын ток жана чыңалуу каналдарына ар башкача таасири үлгүгө мүнөздүү кошуналык матрицасында көрсөтүлүп, GCN жеке сигналдарды гана эмес, сигналдар аралык байланыштарды да үйрөнүшү көздөлөт.

Булактагы ыкма байланыштары жана 3-сүрөт, 5-сүрөт жана 9-сүрөт негизинде Verianla үчүн өз алдынча кайра түзүлгөн схемалык архитектура. Булак сүрөттөрүнүн пикселдик көчүрмөсү эмес; өлчөмдөр физикалык масштабды билдирбейт.

Кирүү матрицасы жана Z-score стандартташтыруусу: Теңдемелер (1)–(4)

Ар бир үлгү алты канал жана ар бир канал үчүн 1024 үлгү алуу чекити менен аныкталат:

\[X^{(n)}=[i_a^{(n)}\; i_b^{(n)}\; i_c^{(n)}\; V_{AO}^{(n)}\; V_{BO}^{(n)}\; V_{CO}^{(n)}]^T \in \mathbb{R}^{6\times1024}. \tag{1}\]

Теңдеме (1) модель бир үлгүдө үч ток жана үч чыңалуу толкун формасын бирге көрөрүн билдирет. Токтун физикалык бирдиги ампер, чыңалуунун физикалык бирдиги вольт; бирок бул чоңдуктар Z-score операциясынан кийин өлчөмсүз стандартташтырылган маанилерге айланат.

Булак каналдын орточо маанисин окутуу топтомунан гана эсептейт:

\[\mu_c=\frac{1}{N_{tr}T}\sum_{n\in D_{tr}}\sum_{t=1}^{T}X_{c,t}^{(n)}. \tag{2}\]

Стандарттык четтөө да ошол эле окутуу топтому боюнча эсептелет:

\[\sigma_c=\sqrt{\frac{1}{N_{tr}T}\sum_{n\in D_{tr}}\sum_{t=1}^{T}\left(X_{c,t}^{(n)}-\mu_c\right)^2}. \tag{3}\]

Акыркы стандартташтыруу:

\[\widetilde{X}_{c,t}^{(n)}=\frac{X_{c,t}^{(n)}-\mu_c}{\sigma_c+\varepsilon}. \tag{4}\]

Бул жерде c алты сигнал каналынын бирин, t үлгү алуу ордун, T = 1024 жазуу узундугун, Dtr окутуу топтомун жана Ntr окутуу үлгүлөрүнүн санын көрсөтөт. Теңдеме (4) төгү кичине оң ε нөлгө бөлүүнү алдын алуу үчүн колдонулат. Булак кийин Sinkhorn оптималдуу ташуу регуляризациясында да ε белгисин колдонот; бул эки колдонмонун математикалык милдети ар башка жана аларды аралаштырбоо керек.

Жалпы CNN менен алты түйүндү 32 өлчөмгө кысуу: Теңдемелер (5)–(6)

Эки конволюция блогу төмөнкү түзүлүштө берилет:

\[B_l(z)=\operatorname{ReLU}[\operatorname{BN}(W_l * z+b_l)],\quad l=1,2. \tag{5}\]

Wl конволюция ядросунун параметрлерин, bl bias мүчөсүн, BN batch normalization операциясын жана ReLU сызыктуу эмес активдештирүүнү билдирет. Эки блоктон кийин адаптивдүү орточо pooling жана сызыктуу проекция колдонулуп, ар бир сигнал түйүнү 32 өлчөмдүү өкүлчүлүккө айландырылат:

\[H^{(0)}=[h_{i_a}^{(0)},h_{i_b}^{(0)},h_{i_c}^{(0)},h_{V_{AO}}^{(0)},h_{V_{BO}}^{(0)},h_{V_{CO}}^{(0)}]^T\in\mathbb{R}^{6\times32}. \tag{6}\]

Бул этаптын ролу 1024 чекиттүү чийки толкун формаларын кыйла компакттуу жашыруун мейкиндикке өткөрүү жана кийинки Sinkhorn эсептөөсү менен граф конволюциясынын чыгымын азайтуу болуп саналат.

Sinkhorn–Wasserstein менен динамикалык граф: Теңдемелер (7)–(14)

Ар бир түйүндүн 32 өлчөмдүү жашыруун белгиси алгач Softmax аркылуу ыктымалдыкка окшош бөлүштүрүүгө айландырылат:

\[p_{i,r}=\frac{\exp(h_{i,r}^{(0)})}{\sum_{s=1}^{F}\exp(h_{i,s}^{(0)})},\quad F=32. \tag{7}\]

Бул бөлүштүрүү чийки ток же чыңалуу амплитудасынын физикалык ыктымалдык бөлүштүрүүсү эмес; жалпы CNN жашыруун мейкиндигиндеги активдешүүлөрдүн нормалдаштырылган өкүлчүлүгү. Бөлүштүрүүлөр терс боло албайт жана алардын жалпы массасы бирге барабар:

\[p_i,p_j\in\Delta^{F-1},\quad p_{i,r}\ge0,\quad\sum_{r=1}^{F}p_{i,r}=1. \tag{8}\]

Жашыруун белги позицияларынын нормалдаштырылган таяныч координатасы:

\[u_r=\frac{r-1}{F-1},\quad r=1,\ldots,F. \tag{9}\]

Ташуу планы Pнин маргиналдык чектөөлөрү:

\[\sum_{s=1}^{F}P_{rs}=p_{i,r},\qquad\sum_{r=1}^{F}P_{rs}=p_{j,s}. \tag{10}\]

Энтропия менен регуляризацияланган оптималдуу ташуу планы булакта төмөнкүдөй жазылат:

\[P_{ij}^{*}=\arg\min\left[\langle P,C\rangle+\varepsilon\sum_{r=1}^{F}\sum_{s=1}^{F}P_{rs}(\ln P_{rs}-1)\right]. \tag{11}\]

Бул жерде C ташуу наркынын матрицасы, ⟨P,C⟩ пландын жалпы ташуу наркын билдирет, ал эми бул теңдемедеги ε энтропиялык регуляризация коэффициенти болуп саналат. Изилдөөнүн параметр сканында эң жогорку орточо классификация тактыгы ε = 0.1 маанисинде алынган жана ушул маани колдонулган.

Эки түйүндүн ортосундагы Sinkhorn аркылуу болжолдуу Wasserstein аралыгы:

\[d_{ij}=\sum_{r=1}^{F}\sum_{s=1}^{F}P_{ij,rs}^{*}C_{rs}. \tag{12}\]

dij кичирейген сайын эки түйүндүн жашыруун белги бөлүштүрүүлөрү окшошураак деп эсептелет. Бул аралык кошуналык салмагына айландырылат:

\[A_{ij}=\begin{cases}\exp(-d_{ij}/\tau),&j\in N(i)\\0,&\text{aksi halde}\end{cases}. \tag{13}\]

N(i) динамикалык кошуналык топтомун, τ кыр салмагынын температура коэффициентин көрсөтөт. Булак τ үчүн сандык маанини жана ар бир түйүн үчүн тандалган кошуналардын санын ачык билдирбейт; бул маанилер Verianla баянында ойлоп чыгарылган эмес.

Үлгүгө негизделген граф акырында:

\[g^{(n)}=(V,H^{(n,0)},A^{(n)}). \tag{14}\]

түрүндө көрсөтүлөт. V алты сигнал түйүнүн, H(n,0) CNNден келген түйүн белгилерин жана A(n) ошол үлгүгө мүнөздүү 6×6 салмакталган кошуналык матрицасын билдирет.

GCN менен байланыштык белгилерди чыгаруу: Теңдемелер (15)–(20)

Түйүндөрдүн өз маалыматын да сактоо үчүн өздүк байланыш кошулат:

\[\widetilde{A}=A+I. \tag{15}\]

Даража матрицасы:

\[\widetilde{D}_{ii}=\sum_j\widetilde{A}_{ij}. \tag{16}\]

Симметриялуу нормалдаштырылган кошуналык:

\[\widehat{A}=\widetilde{D}^{-1/2}\widetilde{A}\widetilde{D}^{-1/2}. \tag{17}\]

Биринчи GCN катмары 6 түйүндү 64 өлчөмдүү жашыруун мейкиндикке өткөрөт:

\[H^{(1)}=\operatorname{Dropout}\{\operatorname{ReLU}[\operatorname{BN}(\widehat{A}H^{(0)}W^{(0)})]\},\quad H^{(1)}\in\mathbb{R}^{6\times64}. \tag{18}\]

Экинчи катмар 32 өлчөмдүү түйүн өкүлчүлүгүнө кайтып келет:

\[H^{(2)}=\operatorname{Dropout}\{\operatorname{ReLU}[\operatorname{BN}(\widehat{A}H^{(1)}W^{(1)})]\},\quad H^{(2)}\in\mathbb{R}^{6\times32}. \tag{19}\]

Global average pooling аркылуу алты түйүн бир граф өкүлчүлүгүнө кыскартылат:

\[f_g=\operatorname{GAP}(H^{(2)})=\frac{1}{N}\sum_{i=1}^{N}h_i^{(2)}. \tag{20}\]

Бул чынжырда физикалык ампер/вольт бирдиктери эми түздөн-түз ташылбайт; H жана fg үйрөнүлгөн, өлчөмсүз жашыруун өкүлчүлүктөр. Математикалык максат түйүн өзүнүн маалыматын гана эмес, динамикалык графта кошуна болгон башка сигналдардан келген маалыматты да нормалдаштырылган түрдө топтошу болуп саналат.

BiGRU жана global attention: Теңдемелер (21)–(31)

Булак алдыга жана артка GRU операцияларын төмөнкүдөй берет:

\[\overrightarrow{h}_t=\operatorname{GRU}(x_t,\overrightarrow{h}_{t-1}). \tag{21}\]

\[\overleftarrow{h}_t=\operatorname{GRU}(x_t,\overleftarrow{h}_{t-1}). \tag{22}\]

Эки багыттын жашыруун абалдары бириктирилет:

\[h=W_{\overrightarrow{h_t}}\overrightarrow{h}_t+W_{\overleftarrow{h_t}}\overleftarrow{h}_t+b_t. \tag{23}\]

Global attention максаттуу абал менен бардык булак жашыруун абалдарынын ортосундагы дал келүү упайларын нормалдаштырат:

\[a_t(s)=\operatorname{align}(h_t,\bar h_s)=\frac{\exp(\operatorname{score}(h_t,\bar h_s))}{\sum_{s'}\exp(\operatorname{score}(h_t,\bar h_{s'}))}. \tag{24}\]

Булак андан кийин экинчи attention көрсөтүлүшүн төмөнкүдөй жазат:

\[\alpha_{ki}=\frac{\exp(e_{ki})}{\sum_{j}^{l}\exp(e_{ki})}. \tag{25}\]

Булактагы жазылыш боюнча эскертүү: Теңдеме (25)тин басылган түрүндө бөлүмдүн суммасы j индекси менен жазылганына карабастан, экспоненциалдык мүчө дагы эле eki болуп калган. Ошондуктан сумма индекси бөлүмдөгү мүчөгө кандай колдонулары тексттен так чечилбейт. Verianla формуланы унчукпай ekj түрүнө өзгөрткөн эмес; булакта басылган түзүлүш сакталган жана бүдөмүк жагдай ачык калтырылган.

Attention энергия упайы:

\[e_{ki}=V\tanh(Wh_k+Uh_i). \tag{26}\]

Салмакталган жашыруун абалдын жыйынтыгы:

\[\beta=\sum_{i=1}^{l}\alpha_{ki}h_i. \tag{27}\]

Акыркы чыгуу түйүнүнүн жашыруун өкүлчүлүгү:

\[h'_k=H(\beta,h_k,x_k). \tag{28}\]

Изилдөөнүн колдонмо бөлүгүндө акыркы алдыга жана артка BiGRU абалдары query векторун түзөт; бул query бардык 64 убакыт тилкеси менен салыштырылып, 64 элементтүү attention бөлүштүрүлүшү алынат. Global context вектору:

\[c=\sum_{t=1}^{T}\alpha_t h_t\in\mathbb{R}^{B\times96}. \tag{29}\]

Бул жерде ht 96 өлчөмдүү BiGRU жашыруун абалын, αt тиешелүү убакыт тилкесинин attention салмагын, ал эми B batch өлчөмүн көрсөтөт. Context жана query бириктирилет:

\[f_{pre}^{t}=[c\parallel q]\in\mathbb{R}^{B\times192}. \tag{30}\]

Убакыт бутагынын 128 өлчөмдүү акыркы белгиси:

\[f_t=\operatorname{Dropout}\{\operatorname{ReLU}[\operatorname{LN}(W_t f_{pre}^{t}+b_t)]\}. \tag{31}\]

LN layer normalization операциясын көрсөтөт. Бул бутактын илимий милдети бузулуу болгон учурда маанилүү болуп калган убакыт аймактарын жогорку салмак менен көрсөтүү, ал эми ызы-чуулуу же аз маалымат алып жүргөн убакыт тилкелеринин таасирин азайтуу болуп саналат.

Эки бутакты бириктирүү жана 21 класстуу чыгыш: Теңдемелер (32)–(37)

Граф бутагы менен убакыт бутагы алгач өз-өзүнчө жалпы 128 өлчөмдүү мейкиндикке проекцияланат:

\[\widehat{f}_g=\operatorname{ReLU}[\operatorname{LN}(W_g^{p}f_g+b_g^{p})]. \tag{32}\]

\[\widehat{f}_{temp}=\operatorname{ReLU}[\operatorname{LN}(W_{temp}^{p}f_{temp}+b_{temp}^{p})]. \tag{33}\]

Эки өкүлчүлүк бириктирилип, сызыктуу эмес бириктирүүдөн өткөрүлөт:

\[f_{fus}=\operatorname{Dropout}\{\operatorname{ReLU}[\operatorname{LN}(W_f f_{cat}+b_f)]\}. \tag{34}\]

21 класс үчүн logit вектору:

\[o=W_o f_{fus}+b_o\in\mathbb{R}^{B\times21}. \tag{35}\]

Класстардын ыктымалдыктары Softmax аркылуу эсептелет:

\[\widehat{y}_c=\frac{\exp(o_c)}{\sum_{j=1}^{21}\exp(o_j)},\quad c=1,2,\ldots,21. \tag{36}\]

Акыркы диагноз эң жогорку ыктымалдыктагы класс болуп саналат:

\[\widehat{c}=\arg\max_c\widehat{y}_c,\quad c\in\{1,\ldots,21\}. \tag{37}\]

Натыйжалуулук метрикалары: Теңдемелер (38)–(41)

Булак төрт стандарттык классификация метрикасын колдонот:

\[\operatorname{Accuracy}=\frac{TP+TN}{TP+TN+FP+FN}. \tag{38}\]

\[\operatorname{Precision}=\frac{TP}{TP+FP}. \tag{39}\]

\[\operatorname{Recall}=\frac{TP}{TP+FN}. \tag{40}\]

\[F1=2\times\frac{\operatorname{Precision}\times\operatorname{Recall}}{\operatorname{Precision}+\operatorname{Recall}}. \tag{41}\]

TP чыныгы оң, TN чыныгы терс, FP жалган оң жана FN жалган терс учурлардын санын көрсөтөт. Accuracy бардык чечимдердин канчасы туура экенин; precision чабуул/бузук деп белгиленгендердин канчасы чындап тиешелүү класска таандык экенин; recall тиешелүү чыныгы үлгүлөрдүн канчасы табылганын; F1 болсо precision менен recall ортосундагы гармониялык тең салмакты өлчөйт. Бул метрикалар моделдин реалдуу өнөр жай талаасындагы ишенимдүүлүгүн өз алдынча далилдебейт; булакта сыналган маалыматтар жана шарттар ичиндеги классификация натыйжалуулугун өлчөйт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Маалыматтарды түзүү, симуляция жана HIL чеги

Булактагы маалымат сүрөттөмөсүндө эки өндүрүү жолу чогуу берилет: эксперименттик маалыматтар Starsim MT6060 HIL платформасы менен негизги компьютердин ортосунда TCP/IP байланышы аркылуу алынганы, ага параллелдүү түрдө T-тибиндеги үч деңгээлдүү инвертор MATLAB 2024b/Simulink ичинде курулуп, симуляциялык бузулуу маалыматтары өндүрүлгөнү айтылат. Текст ар бир бузулуу абалы үчүн 300 жазуу көз карандысыз өлчөөлөр аркылуу топтолуп, 70%/15%/15% болуп бөлүнгөнүн айтат; бирок бул бөлүү HIL жана симуляция маалыматтарына өз-өзүнчөбү же чогуу колдонулганбы, так айырмалабайт. Ошондуктан Verianla баяны эки булакты бириктирип жаңы маалымат топтомунун түзүлүшүн болжолдобойт.

ЭлементБулакта берилген мааниТүшүндүрмө чеги
Сигналдарia, ib, ic, VAO, VBO, VCOАлты канал
Жазуунун узундугу1024 үлгү алуу чекити / каналБулак үлгү алуу жыштыгын бул маани менен теңдебейт
Жазуулардын саныАр бир IGBT бузулуу абалы үчүн 300 жазууЖалпы жазуулардын саны булакта өзүнчө берилген эмес
DC-link чыңалуусу800 V, ±5% өзгөрүүМаалымат алууда өзгөртүлгөн шарт
Маалыматты бөлүү70% / 15% / 15%Окутуу / валидация / тест
Симуляция программасыMATLAB 2024b / SimulinkT-NPC бузулуу маалыматтарын түзүү
HIL системасыStarsim MT6060Реалдуу убакытта бузулуу шартын кайра түзүү жана сигнал алуу
КонтроллерTMS320F28335 DSP20 kHz PWM сигналын түзүү
DC конденсаторлорC1, C2 = 4000 µFСимуляция жана HIL параметрлер таблицасы
Которуу жыштыгы20 kHzfs; маалыматты үлгү алуу жыштыгы катары чечмеленбеши керек
Жүк каршылыгы30 ΩR
Фильтр индуктивдүүлүгү3 mHLf
Фильтр конденсатору8000 µFCf
ПроцессорIntel Core i7-14900Окутуу чөйрөсү
Эс тутум16 GB RAMОкутуу чөйрөсү
GPUNVIDIA GeForce GTX 5060Булакта ушул түрдө билдирилген
Learning rate1 × 10−3Булак optimizer атын көрсөтпөйт
Weight decay1 × 10−4Регуляризация
Batch size64Окутуу параметри
Dropout0.25Окутуу параметри
Sinkhorn entropy ε0.110 кайталанма тажрыйбадагы эң жогорку орточо тактык
GCN катмары2Катмар санынын абляциясы менен тандалган
Булактагы 18-сүрөттөгү HIL түзүлүшүнүн функционалдык байланыштарына негизделип Verianla үчүн даярдалган өз алдынча жана масштабсыз схема. Чыныгы түзмөктүн сүрөтү эмес; булакта сүрөттөлгөн байланыш милдеттерин гана көрсөтөт.

Граф куруу стратегиясынын абляциясы

МодельAccuracyОрточо окутуу убактысыГраф бутагынын параметрлери
Euclidean distance KNN weighted graph92.34%11 s20.12 K
Unweighted Sinkhorn graph95.21%14 s22.45 K
Сунушталган weighted Sinkhorn dynamic graph99.88%15 s25.34 K

Сунушталган ыкма эң төмөн эсептөө чыгымына ээ эмес. Euclidean KNN вариантына салыштырмалуу 5.22 K кошумча параметр жана болжол менен 4 s кошумча орточо окутуу убактысынын эсебинен булакта тактыктын 7.54 пайыздык пунктка өсүшү билдирилген. Бул жыйынтык изилдөөнүн дооматын “эң жеңил модель” катары эмес, тактык менен эсептөө чыгымынын ортосундагы ыңгайлуураак тең салмак катары жайгаштырат.

Кош агымдуу архитектуранын абляциясы

МодельAccuracy (%)Precision (%)Recall (%)F1-score (%)
CNN-GCN93.98 ± 4.0094.10 ± 4.9693.99 ± 4.2093.97 ± 4.57
CNN-Sinkhorn-GCN95.00 ± 1.8095.09 ± 1.5994.96 ± 1.6095.01 ± 1.70
CNN-Sinkhorn-GCN + GRU95.47 ± 1.9396.60 ± 1.4596.47 ± 1.8396.46 ± 1.88
CNN-Sinkhorn-GCN + BiGRU96.96 ± 1.6197.96 ± 1.5496.96 ± 1.4196.96 ± 1.10
Сунушталган толук модель99.88 ± 0.8498.98 ± 1.2498.88 ± 1.1698.78 ± 2.0

Бул таблица бардык натыйжалуулукту бир гана компонент түшүндүрбөй турганын көрсөтөт. Sinkhorn негизиндеги графтын кошулушу CNN-GCN базалык деңгээлин көтөрөт; убакыт бутагы GRU аркылуу кошумча маалымат берет; BiGRU алдыга жана артка контекстти бирге колдонуп натыйжаны дагы жогорулатат; global attention жана параллелдүү бириктирүү толук архитектурада кошумча пайда берет.

Global attention абляциясы

ТүзүлүшAccuracy
GRU + Global Average Pooling87.78%
BiGRU + Global Average Pooling90.34%
BiGRU + Full Connected93.54%
GRU + Global Attention95.65%
BiGRU + Global Attention96.77%
Dual-branch + Full Connected98.56%
Сунушталган модель99.88%

Булак GRU түзүлүшүнө global attention кошулганда 7.87 пайыздык пункт өсүш; BiGRUда global average pooling ордуна global attention колдонулганда 6.43 пайыздык пункт, fully connected ордуна колдонулганда 3.23 пайыздык пункт өсүш билдирет. Бирдей attention шартында BiGRU, GRUдан 1.12 пайыздык пункт жогору тактык берет. Кош агымдуу архитектурада fully connected бириктирүүнүн ордуна attention колдонулушу дагы 1.20 пайыздык пункт кошумча өсүш менен байланышкан.

99.88% Тактык Кандай Түшүндүрүлүшү Керек?

99.88% мааниси изилдөөдө билдирилген кайталанма тажрыйбалардын орточо валидация тактыгы болуп, моделдин каралган 21 класс жана булакта аныкталган маалымат өндүрүү менен бөлүү шарттарындагы натыйжалуулугун билдирет; бул орнотулган талаа түзмөгүндө бардык T-NPC бузулуу комбинациялары үчүн далилденген универсалдуу тактык дегенди билдирбейт. Булакта көрсөтүлгөн бир өкүлчүлүктүү confusion-matrix иштетүүсү 99.76% тактыкта болуп, 819 валидация үлгүсүнүн экөө туура эмес классификацияланган; HIL-only сандык классификация жана чыныгы орнотулган аппараттык камсыздоодо жайгаштыруу болсо келечекте аткарылуучу иштер катары пландалган.

Өкүлчүлүктүү чаташуу матрицасы жана туура эмес класстар

Өкүлчүлүктүү иштетүүдө 1-класс болгон Sa1Sa2 үлгүлөрүнүн бири 15-класс болгон Sa3Sa4 катары; 4-класс болгон Sa1Sb1 үлгүлөрүнүн бири 9-класс болгон Sa2Sa3 катары болжолдонгон. Ал эми төрт бир-IGBT бузулуу классы Sa1, Sa2, Sa3 жана Sa4 үчүн бул өкүлчүлүктүү иштетүүдө ар бир класстагы 39 үлгүнүн баары туура таанылган жана булак precision менен recall маанилерин 100% деп берген.

Ызы-чуу шартындагы натыйжалуулук

Булак моделдерди −4 dB, −2 dB, 0 dB, 2 dB жана 4 dB Gaussian white noise шарттарында салыштырат. Сунушталган модель эң оор ызы-чуу шарттары болгон −4 dB жана −2 dBде accuracy, precision, recall жана F1 боюнча салыштырылган ыкмалардын ичинен эң жогорку натыйжаларды берет. Бирок 4 dB шартында accuracy жана F1 боюнча 1D-DSCNN-GMPден бир аз артта калат. Ошондуктан изилдөө “ар бир SNR деңгээлинде шартсыз артыкчылык” эмес, айрыкча күчтүү ызы-чуу шартында жогорку туруктуулук деген тыянакты колдойт.

GCN тереңдиги жана Sinkhorn ε тандоосу

GCN катмарларынын саны боюнча жүргүзүлгөн изилдөө бир катмар байланыштык белгилерди жетиштүү чыгарбай турганын, эки катмарда тактык максимумга жетерин, ал эми тереңирээк тармактарда түйүн өкүлчүлүктөрүнүн бири-бирине ашыкча окшошуусу менен байланышкан over-smoothing себептүү натыйжалуулук төмөндөөрүн көрсөтөт. Алты түйүндүү кичине динамикалык графка байланыштуу эки GCN катмары тактык, модель өлчөмү жана эсептөө чыгымынын тең салмагы үчүн тандалган.

Sinkhorn entropy регуляризация коэффициенти ε үчүн жүргүзүлгөн он кайталанма тажрыйбада эң жогорку орточо тактык ε = 0.1 маанисинде алынган. Булак өтө кичине ε маанилеринде ташуу планы сейрек болуп, жакындашуу жайлай турганын жана граф ызы-чуу/DC чыңалуу өзгөрүүсүнө сезимтал боло турганын; өтө чоң ε маанилеринде болсо ашыкча жылмалоо түйүндөрдүн аралыктарын бири-бирине окшоштуруп, класстарды ажыратууну начарлатарын билдирет.

Чыгаруу кечигүүсү

Булак 17-сүрөттө сунушталган моделдин batch size = 1 үчүн орточо чыгаруу убактысын болжол менен 5 ms / диагноз үлгүсү деп берет. Бул убакыт CNN белгилерин чыгарууну, Sinkhorn–Wasserstein динамикалык графын курууну, GCN, attention-BiGRU, белгилерди бириктирүүнү жана акыркы классификацияны камтыйт; сигнал алуу жана маалымат өткөрүү убактысы бул 5 msге кирбейт. Ошондуктан 5 ms маанисин башынан аягына чейинки физикалык бузулууну аныктоо убактысы катары түшүндүрүүгө болбойт.

HIL валидациясы эмнени көрсөтөт?

Starsim MT6060 жана TMS320F28335 негизиндеги HIL түзүлүшү ар кандай ачык чынжыр бузулууларында күтүлгөн ток жана чыңалуу бурмалоолорун реалдуу убакыт чөйрөсүндө кайра түзүүгө болорун көрсөтөт. Булак Sa4, Sa1Sa2 жана Sa1Sa3 үлгүлөрү үчүн толкун формаларын берет жана бул сигналдар симуляция талдоосундагы бузулуу механизмдерине шайкеш экенин билдирет. Бирок булак жыйынтык бөлүмүндө HIL-only сандык классификация баалоосун келечектеги иш катары калтырат.

Изилдөө колдогон жыйынтыктар жана колдобогон жалпылоолор

Булак колдойтБулак колдобойт
Алты ток-чыңалуу сигналын үлгүгө мүнөздүү динамикалык граф менен моделдөө булакта сыналган шарттарда туруктуу/Euclidean граф альтернативаларына салыштырмалуу жогору тактык берген.Бардык инвертор топологияларында же бардык бузулуу түрлөрүндө ушундай эле пайда кепилденет деген жыйынтык.
BiGRU + global attention убакыт бутагы жана параллелдүү бириктирүү абляцияларда натыйжалуулукка кошумча салым кошкон.Attention салмактары физикалык себептүүлүктү же бузулуунун так физикалык түпкү себебин билдирет деген жыйынтык.
Сунушталган модель −4 dB жана −2 dB күчтүү Gaussian white noise шарттарында салыштырылган моделдердин ичинде күчтүү натыйжаларды көрсөткөн.Ар бир ызы-чуу түрүндө жана ар бир SNR деңгээлинде шартсыз эң мыкты модель деген жыйынтык.
HIL системасы бузулуу абалдарын жана ток-чыңалуу толкун формаларын кайра түзгөн.HIL үстүндө өзүнчө, башынан аягына чейин 99.88% классификация тактыгы көрсөтүлгөн деген жыйынтык.
21 класс каралган.T-NPC системасындагы бардык жалгыз жана кош ачык чынжыр комбинациялары камтылган деген жыйынтык.
Болжол менен 5 ms модель чыгаруу убактысы билдирилген.Сигнал алуу жана маалымат өткөрүүнү кошкондогу жалпы талаа жооп убактысы 5 ms деген жыйынтык.

Кайра өндүрүлүү жагынан ачык калган маселелер

Булак ыкмалардын тизмегин кеңири сүрөттөсө да, айрым колдонмо параметрлери ачык эмес. Динамикалык кошуналык N(i) үчүн канча кошуна тандалганы, Теңдеме (13)төгү τ температура коэффициентинин сандык мааниси, optimizer аты жана окутуунун так максималдуу epoch саны текстте так билдирилген эмес. Мындан тышкары, маалымат сүрөттөмөсү HIL жана MATLAB/Simulink маалыматтарын бир бөлүмдө түшүндүргөнү менен, 70/15/15 бөлүнүшү бул маалымат булактарына так кандай колдонулганын өзүнчө айырмалабайт. Бул боштуктар жаңы маанилер менен толтурулган эмес.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска изилдөө: A Dual-Stream Network with Dynamic Graph Convolution and Attention-Based BiGRU for IGBT Open-Circuit Fault Diagnosis in T-NPC Three-Level Inverters

Авторлор: Lin Bai; Bo Guo; Weiye Jing; Feng Li; Wei Luo.

Жооптуу автор: Lin Bai; булакта жылдызча менен corresponding author катары көрсөтүлгөн.

Мекемелер: Lin Bai жана Wei Luo — Department of Electrical Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China. Bo Guo, Weiye Jing жана Feng Li — Shanxi Lu’an Anyi Electric Co., Ltd., Changzhi 046000, China.

Журнал: Energies.

Басма: MDPI, Basel, Switzerland.

Жыл / том / сан / макала: 2026; 19(17); 4227.

DOI: 10.3390/en19174227.

Расмий шилтеме: https://doi.org/10.3390/en19174227

Макаланын түрү жана рецензиялоо: Energies журналында жарыяланган изилдөө макаласы. Булактагы жазуу макала 7 август 2026да алынганын, 1 сентябрь 2026да кайра каралганын, 4 сентябрь 2026да кабыл алынганын жана 7 сентябрь 2026да жарыяланганын билдирет.

Лицензия: Creative Commons Attribution (CC BY) лицензиясы менен ачык жеткиликтүүлүк.

Илимий изилдөөнүн түрү: Терең үйрөнүүгө негизделген бузулуу диагностикасы ыкмасын иштеп чыгуу; MATLAB/Simulink симуляциясы, абляция жана ызы-чуу тесттери менен HIL негизиндеги бузулуу шарты/сигнал валидациясы.

Каржылоо: Булак “This research received no external funding” деген билдирүүнү колдонот.

Маалыматтын жеткиликтүүлүгү: Булак изилдөөдөгү түпнуска салымдар макаланын ичинде экенин жана кошумча суроолор corresponding authorга жөнөтүлүшү мүмкүн экенин белгилейт; өз алдынча ачык маалымат репозиторийинин шилтемеси берилген эмес.

Кызыкчылыктардын кагылышы: Bo Guo, Weiye Jing жана Feng Li Shanxi Lu’an Anyi Electric Co. компаниясынын кызматкерлери экени көрсөтүлгөн. Башка авторлор изилдөөгө таасир бере турган коммерциялык же каржылык мамилелер жок экенин билдиришкен.

Авторлордун салымдары: Концепциялоо: Lin Bai жана Wei Luo; ыкма: Lin Bai жана Bo Guo; программалык камсыздоо: Lin Bai жана Weiye Jing; валидация: Lin Bai, Feng Li жана Wei Luo; алгачкы долбоорду жазуу: Lin Bai жана Weiye Jing; карап чыгуу жана редакциялоо: Bo Guo жана Wei Luo. Бардык авторлор жарыяланган версияны окуп, жактырышкан.

Булактагы көңүл буруучу жагдайлар: Теңдеме (25)те attention нормалдаштыруу бөлүмүнүн индекс жазылышы математикалык жактан бүдөмүк жана бул жерде унчукпай оңдолгон эмес. ε белгиси Z-score бөлүмүндөгү кичине туруктуулук константасы үчүн да, Sinkhorn entropy регуляризация коэффициенти үчүн да колдонулган; эки мааниси өз-өзүнчө сакталган. Булак HIL жана симуляция маалыматтарынын бөлүнүү тартибин толук деталда бөлүп көрсөтпөгөндүктөн, Verianla бул жерде жаңы маалымат агымын болжолдогон эмес.

Негизги түшүндүрмө чеги: 99.88% орточо валидация тактыгы булакта аныкталган 21 класс жана тажрыйба шарттары үчүн гана. HIL-only сандык классификация, бардык мүмкүн болгон фаза-B/фаза-C бузулуу комбинациялары, шарттар аралык жалпылоо жана орнотулган аппараттык камсыздоодо реалдуу убакытта жайгаштыруу келечектеги иш катары калтырылган.


Бөлүшүү:

Пикирлер текшерилгенден кийин жарыяланат. Пикириңиз жактыруу процессине жөнөтүлүп, ылайыктуу деп табылганда көрүнөт.

Пикир калтырыңыз

E-mail дарегиңиз жарыяланбайт. Милдеттүү талаалар * менен белгиленген