Utafiti huu unalenga kutumia akili bandia kugundua aina tatu tofauti za hitilafu za swichi za semikondakta katika mfumo wa kuendesha mota asinkroni unaolishwa na inverter ya awamu tatu, na pia kubainisha swichi yenye hitilafu. Watafiti walimodeli hitilafu za gate iliyo wazi (Open Gate, OG), swichi iliyo wazi kikamilifu (Open Switch, OS) na mzunguko mfupi (Short Circuit, SC) kando kwa kila moja ya swichi sita za inverter; pamoja na hali yenye afya, waliunda tatizo la utambuzi wa hitilafu lenye jumla ya madarasa 19. Miundo ya Fully Connected Neural Network (FCN), Convolutional Neural Network (CNN) na Bidirectional Long Short-Term Memory (BiLSTM) ililinganishwa. Katika seti ya data ya majaribio, BiLSTM ilitoa matokeo ya juu zaidi kwa usahihi wa %98,45; CNN ilifikia %97,1 na FCN %93,52.

Badala ya kuainisha moja kwa moja ishara ghafi za switching, mfumo uliopendekezwa hutumia thamani za RMS na pembe za awamu zinazokokotolewa kutoka mikondo na voltiji za awamu tatu. Katika kila hatua ya muda, thamani za RMS na pembe za mikondo na voltiji za awamu tatu ziliunganishwa na kuunda jumla ya vipengele 12. RMS ilikokotolewa kwa kutumia dirisha linalosogea lenye urefu wa kipindi kimoja cha msingi cha umeme, na dirisha lilisasishwa kila 0,1 ms. Kwa BiLSTM, mfululizo wa hatua 50 za muda wa vipengele hivi ulitumika.

Katika majaribio ya mfano ya utafiti, hitilafu za OG, OS na SC kwenye swichi S1 ziligunduliwa katika hali ya 1800 rpm baada ya 8,0 ms, 2,4 ms na 8,0 ms mtawalia. Kelele nyeupe na usumbufu wa random spike wenye amplitudo kubwa ulipoongezwa, hitilafu hizo hizo zilitambuliwa baada ya 7,3 ms, 3,4 ms na 8,1 ms mtawalia. Watafiti wanaonyesha kuwa uainishaji wa hitilafu uliendelea kufanya kazi katika kasi tofauti zisizobadilika na katika hali za mabadiliko ya kasi. Hata hivyo, sehemu ya majadiliano ya utafiti huo huo inaeleza kuwa katika mzigo mwepesi sana, takribani 1 N·m na chini yake, ucheleweshaji wa ugunduzi unaweza katika baadhi ya hali kuzidi kipindi kimoja cha msingi cha umeme.

Utafiti hautokani na jaribio la inverter ya vifaa halisi na mota halisi, bali na data iliyozalishwa kutoka modeli ya kina ya MATLAB/Simulink. Kwa hiyo, usahihi wa %98,45, muda wa inference wa 1,8 ms au matokeo ya kugundua hitilafu ndani ya chini ya kipindi kimoja hayapaswi kutafsiriwa moja kwa moja kama utendaji wa shambani uliothibitishwa kwenye gari halisi la umeme, mfumo wa kuendesha mota wa viwandani au kidhibiti kilichopachikwa. Watafiti wameacha majaribio ya hardware-in-the-loop na maabara kama kazi ya baadaye.

Kwa mtazamo wa Türkiye: Utafiti haujathibitishwa katika kiwanda cha viwandani nchini Türkiye, jukwaa la gari la umeme au vifaa halisi vya inverter. Hata hivyo, unatoa mfumo wa kina wa utambuzi unaotegemea akili bandia kwa timu za utafiti zinazofanya kazi katika matengenezo tabiri ya mifumo ya kuendesha mota asinkroni, power electronics za magari ya umeme, otomatiki ya viwandani na udhibiti unaostahimili hitilafu. Ili kuhamishwa katika matumizi halisi nchini Türkiye, topolojia tofauti za inverter, viwango tofauti vya nguvu za mota, toleransi za sensa, mwingiliano halisi wa sumakuumeme, wasifu tofauti wa mzigo, uendeshaji wa regenerative na ulinzi wa hardware dhidi ya mzunguko mfupi vinahitaji kuthibitishwa zaidi kwa majaribio.

Tatizo ambalo utafiti unajaribu kulitatua ni lipi?

Hitilafu za swichi za semikondakta katika inverter za awamu tatu zinaweza kuvuruga umbo la wimbi la mkondo, torque na mwendelezo wa uendeshaji wa mota. Watafiti wanazingatia hasa matatizo mawili: kutofautisha mifumo tofauti ya hitilafu katika kundi la mzunguko wazi, na kubainisha si tu kuwepo kwa hitilafu ya mzunguko mfupi bali pia swichi halisi ambako hitilafu hiyo imetokea.

Tofauti muhimu ya utafiti ni kwamba kila hitilafu ya mzunguko wazi haitathminiwi kama darasa moja. Katika utafiti, Open Gate (OG) na Open Switch (OS) zimemodeliwa kama hali tofauti za umeme.

Tofauti kati ya hitilafu za OG, OS na SC ni ipi?

Katika hali ya Open Gate (OG), njia ya kuendesha gate ya IGBT haiwezi tena kuiweka swichi katika hali ya conduction; hata hivyo, diodi ya antiparallel hubaki salama. Kwa mfano wa S1, chanzo kinaeleza kwamba nusu-chanya ya kipindi hupotea, huku conduction kupitia diodi ikiendelea katika nusu-hasi ya kipindi.

Katika hali ya Open Switch (OS), IGBT pamoja na diodi iliyo sambamba nayo zote huwa mzunguko wazi. Hivyo, njia ya mkondo katika pande zote mbili hupotea kwenye tawi husika la swichi. Mkondo wa awamu yenye hitilafu hupungua sana au hupotea; awamu nyingine hulazimika kugawana mzigo.

Katika hali ya Short Circuit (SC), swichi huchukuliwa kuwa katika conduction daima. Hii ni aina ya hitilafu inayokua kwa kasi zaidi na inaweza kusababisha mkondo kuongezeka haraka, kuvurugika sana kwa umbo la wimbi na hatari ya overcurrent kwenye DC bus.

Kwa kuwa kuna swichi sita halisi:

• madarasa 6 ya OG,
• madarasa 6 ya SC,
• madarasa 6 ya OS,
• darasa 1 lenye afya

yaliundwa, na jumla ya madarasa ikawa 19.

Mfumo wa mota na inverter ulimodeliwa vipi?

Watafiti waliunda katika mazingira ya MATLAB/Simulink 2024a modeli ya squirrel-cage induction motor inayodhibitiwa kwa V/F na kulishwa kupitia inverter ya awamu tatu, ngazi mbili. IGBT sita zili-switchiwa kwa PWM yenye carrier ya 10 kHz.

Seti ya data iliundwaje?

Kila simulation ya hitilafu ilidumu jumla ya sekunde 2,5. Sekunde 0,5 za kwanza zilirekodiwa kama uendeshaji wenye afya, kisha hitilafu husika iliwekwa na sekunde 2,0 zilizobaki zikatumiwa kama data ya uendeshaji wenye hitilafu.

Ishara za mkondo na voltiji zilirekodiwa kwa:

10 kHz

sampling frequency. Kwa hiyo, katika kila hali ya simulation jumla ya:

sampuli 25.000

ziliundwa.

Ni vipengele gani vilivyopewa akili bandia?

Katika kila hatua ya muda, magnitude ya RMS na pembe ya awamu zilitolewa kutoka mikondo na voltiji za awamu tatu. Hivyo:

• thamani 3 za RMS ya mkondo,
• pembe 3 za awamu za mkondo,
• thamani 3 za RMS ya voltiji,
• pembe 3 za awamu za voltiji

zikatoa jumla ya vipengele 12 vya scalar.

Thamani za RMS zilikokotolewa kwa dirisha linalosogea lenye urefu sawa na kipindi kimoja cha msingi cha umeme, na hatua kati ya madirisha yanayofuatana iliwekwa kuwa:

0,1 ms

Hivyo, hata kama dirisha ni refu, mabadiliko yanayotokea baada ya hitilafu hujitokeza hatua kwa hatua katika thamani za RMS zinazosasishwa kila 0,1 ms.

Lengo la kutumia RMS lilikuwa nini?

Watafiti walichagua kipengele cha RMS kwa sababu ni nyeti kidogo kwa kelele kuliko thamani za papo hapo. Kukokotoa RMS hupunguza baadhi ya transients za masafa ya juu, huku kukihifadhi mabadiliko dhahiri katika magnitude ya mkondo wa awamu yanayosababishwa na hitilafu za swichi kama OG, OS na SC.

Kielelezo 9 cha utafiti kinaonyesha kuwa saini za RMS za aina tatu za hitilafu kwa swichi S1 ni tofauti. Katika hali ya OG, thamani za RMS za awamu hubadilika kwa kiwango kidogo zaidi, wakati katika OS kunatokea upotoshaji ulio wazi zaidi unaohusiana na awamu yenye hitilafu. Katika SC, thamani za RMS huongezeka kwa kasi sana na kwa kiasi kikubwa sana.

Mgawanyo wa training na test ulifanywaje?

Ndani ya kila darasa, data iligawanywa kuwa %70 training na %30 test. Imeelezwa kuwa katika seti ya test kulikuwa na sampuli 7.500 kwa kila darasa na kwamba jumla ya sampuli za test ilikuwa:

142.500

imeelezwa kuwa ndiyo idadi hiyo.

Z-score normalization ilitumika kwenye vipengele vya input. Mean na standard deviation zilikokotolewa tu kutoka data ya training, na vigezo hivyo hivyo vikatumika kwenye test set. Watafiti wanaeleza kuwa hii ilifanywa ili kuzuia data leakage.

Kuna kutokulingana kwa maelezo kuhusu usawa wa data katika chanzo: upande mmoja unasema “idadi sawa ya sampuli ilichaguliwa kutoka kila darasa”, lakini maelezo hayo hayo pia yanasema darasa lenye afya lina sampuli nyingi zaidi kuliko darasa moja moja la hitilafu. Matokeo yafuatayo yamewasilishwa kama yalivyoripotiwa kwenye chanzo.

Modeli ya FCN inafanyaje kazi?

Badala ya kumodeli mfululizo wa muda moja kwa moja, FCN hujifunza mahusiano kati ya magnitude za vipengele kupitia tabaka zilizounganishwa kikamilifu. Activation ya ReLU ilitumika na, ili kupunguza overfitting, uwezekano wa dropout:

\[ p=0.3 \]

ulichaguliwa.

Kwenye output kuna softmax ya madarasa 19:

\[ \hat{y} = softmax(Wa+b) \]

Modeli ilifundishwa kwa Adam optimization, initial learning rate ya 0,001, cross-entropy loss function, 50 epoch na 64 mini-batch.

Katika chanzo, maelezo ya maandishi ya usanifu wa FCN, Kielelezo 3a na Jedwali 3 hayalingani kuhusu idadi ya tabaka na idadi ya neurons. Kwa hiyo, hapa mipangilio ya training iliyo thabiti katika chanzo na output ya madarasa 19 imehifadhiwa, huku ukubwa unaokinzana wa hidden layers haujageuzwa kuwa mfululizo mmoja wa thamani.

Modeli ya CNN inajifunza taarifa gani?

Kwa CNN, vector ya vipengele 12 iligeuzwa kuwa uwakilishi wa pande mbili wa 3 × 4. Watafiti walilenga kutumia convolution layers kujifunza patterns za ndani kati ya vipengele vya mkondo na voltiji.

Operesheni ya convolution imetolewa katika chanzo kama:

\[ f^{(k)} = \sigma \left( \sum_{c=1}^{C} X^{(c)} * K^{(k,c)} + b^{(k)} \right) \]

katika umbo hilo.

Maandishi yanaelezea convolution blocks tatu zenye filters 32, 64 na 128. Hata hivyo, muundo wa tabaka unaoonekana katika Kielelezo 3b na orodha za neurons katika Jedwali 3 haulingani kikamilifu na maelezo haya. Kwa hiyo, tofauti za namba za usanifu ndani ya chanzo hazijasahihishwa kimya kimya.

Kwa nini BiLSTM ilifanikiwa zaidi?

BiLSTM haijifunzi tu thamani ya sasa ya RMS na pembe za awamu, bali pia jinsi zinavyobadilika kwa muda. Watafiti wanaeleza kuwa utegemezi wa muda ni muhimu ili kutenganisha saini za hitilafu kama OG na OS ambazo zinaweza kufanana katika nyakati za mwanzo.

Katika input ya BiLSTM kuna vipengele 12 katika kila hatua ya muda na:

mfululizo wa hatua 50 za muda

hutumika.

Usanifu mkuu ulioelezwa katika chanzo ni:

• tabaka ya BiLSTM yenye hidden units 200,
• tabaka ya LSTM ya mwelekeo mmoja yenye hidden units 150,
• dropout \(p=0,3\),
• tabaka ya fully connected ReLU yenye neurons 128,
• softmax output ya madarasa 19

.

Baadhi ya masasisho ya msingi ya cell ya BiLSTM yametolewa kama:

\[ f_t = \sigma(W_fx_t+U_fh_{t-1}+b_f) \]

\[ i_t = \sigma(W_ix_t+U_ih_{t-1}+b_i) \]

\[ c_t = f_t\odot c_{t-1} + i_t\odot a_t \]

\[ h_t = o_t\odot\tanh(c_t) \]

katika maumbo hayo.

Katika muundo wa pande mbili, hidden states za LSTM ya mbele na nyuma zinaunganishwa:

\[ y_t = \begin{bmatrix} \overrightarrow{h_t}\\ \overleftarrow{h_t} \end{bmatrix} \]

Tofauti ya usahihi kati ya modeli tatu ni kiasi gani?

BiLSTM ilitoa matokeo ya juu kuliko modeli nyingine mbili katika metrics zote kuu za uainishaji zilizoripotiwa. Watafiti wanahusisha hili na uwezo wake wa kujifunza patterns za RMS na pembe za awamu zinavyoendelea kubadilika kwa muda.

Precision, recall na F1 hupima nini?

Usahihi:

\[ Accuracy = \frac{TP+TN} {TP+TN+FP+FN} \]

Precision:

\[ Precision = \frac{TP} {TP+FP} \]

Recall:

\[ Recall = \frac{TP} {TP+FN} \]

F1 score:

\[ F1 = 2 \frac{Precision\times Recall} {Precision+Recall} \]

zilikokotolewa hivyo. Kwa BiLSTM, precision ya juu ina maana ya idadi ndogo ya false alarms, na recall ya juu ina maana kwamba sehemu kubwa ya hitilafu halisi zilikamatwa; hata hivyo, tafsiri hii inatumika tu katika mazingira ya test set ya utafiti.

Hitilafu ya open gate ya S1 ilipatikana kwa kasi gani?

Katika 1800 rpm, hitilafu ya open gate ya S1 iliwekwa katika t = 3 s na classifier:

8 ms

baadaye ikabadilika kutoka lebo yenye afya 0 hadi lebo ya S1 OG 1. Watafiti wanaeleza hili kuwa takribani %48 ya kipindi cha msingi cha umeme cha 60 Hz.

Katika 1400 rpm, hitilafu hiyo hiyo ya S1 OG iligunduliwa katika 3,6 ms, na katika hali ya kasi inayobadilika katika 7 ms.

Je, hitilafu ya open switch iligunduliwa kwa kasi zaidi?

Kwa mifano ya S1 iliyotolewa katika chanzo, ndiyo. Hitilafu ya OS iligunduliwa:

• katika 1800 rpm ndani ya 2,4 ms,
• katika 1400 rpm ndani ya 2,6 ms,
• katika kasi inayobadilika ndani ya 3,2 ms

. Watafiti wanaeleza kuwa katika scenarios za OS zilizochunguzwa, ucheleweshaji mbaya zaidi wa ugunduzi haukuzidi %20 ya kipindi cha msingi.

Hitilafu ya short circuit iligunduliwa kwa kasi gani?

Hitilafu ya short circuit ya S1 iliainishwa:

• katika 1800 rpm baada ya 8,0 ms,
• katika 1400 rpm baada ya 6,9 ms,
• katika hali ya kasi inayobadilika baada ya 5,1 ms

.

Chanzo pia kinaeleza kuwa katika matumizi halisi, circuits za ulinzi wa short circuit zinaweza kukata DC bus karibu na \(T/6\). Hata hivyo, kwa kuwa ucheleweshaji wa uamuzi wa SC unaoripotiwa hapa hufikia hadi \(0,48T\) katika baadhi ya mifano, matumizi ya wakati mmoja na ulinzi wa hardware wa kasi sana bado hayajathibitishwa kwenye hardware halisi. Utafiti unajadili uoanifu huu kama uwezekano wa msingi wa simulation.

Je, mfumo uliendelea kufanya kazi baada ya kelele kuongezwa?

Watafiti waliongeza aina mbili za usumbufu kwenye ishara za mkondo ili kufanya mazingira ya upimaji kuwa magumu zaidi:

• band-limited white Gaussian noise hadi %10 ya amplitudo ya ishara safi,
• random spike disturbances zenye ukubwa wa ±5 A, sawa na amplitudo kamili ya ishara.

Uwezekano wa matukio ya spike uliwekwa kuwa %0,1.

Katika 1800 rpm, hitilafu za S1 katika hali yenye kelele ziligunduliwa ndani ya:

• OG: 7,3 ms,
• OS: 3,4 ms,
• SC: 8,1 ms

.

Nini hutokea kwenye mzigo mwepesi sana?

Moja ya mapungufu muhimu ya utafiti hujitokeza kwenye mzigo mwepesi sana. Watafiti wanaeleza kuwa kwa takribani:

mizigo ya 1 N·m na chini yake

mikondo ya awamu, na hivyo upotoshaji wa RMS unaotokana na hitilafu, hupungua. Katika hali hii, classifier huhitaji dirisha refu zaidi la uchunguzi ili kufanya uamuzi wa kuaminika, na ucheleweshaji wa ugunduzi katika baadhi ya hali unaweza kuwa:

mrefu kuliko kipindi kimoja cha msingi

.

Matokeo haya yanaonyesha kuwa kauli ya “ugunduzi chini ya nusu kipindi” katika muhtasari na sehemu ya matokeo haipaswi kufasiriwa kama sifa ya lazima kwa viwango vyote vya mzigo.

Nini hutokea ikiwa voltiji na mkondo wa papo hapo hutumiwa badala ya RMS?

Katika ablation study, muundo ule ule wa BiLSTM ulihifadhiwa, lakini thamani za RMS zilibadilishwa na thamani za papo hapo za mkondo na voltiji.

Katika ulinganisho huu, mbinu ya RMS + pembe za awamu ilitoa usahihi wa uainishaji ulio juu kwa takribani pointi 18 za asilimia. Watafiti wanaeleza kuwa ishara za papo hapo ni nyeti zaidi kwa kelele na transient disturbances na zinaweza kusababisha mabadiliko yasiyo thabiti kati ya madarasa ya hitilafu.

Je, matokeo ya BiLSTM ni thabiti yanaporudiwa?

Modeli ilifundishwa na kupimwa mara tatu kwa kujitegemea kwa kutumia seti ile ile ya data na hyperparameters.

Watafiti wanachukulia standard deviations ndogo kama ishara kwamba utendaji wa modeli ulibaki thabiti kati ya marudio ya training.

Modeli ni kubwa kiasi gani kwa mfumo wa embedded wa real-time?

BiLSTM ina takribani:

parameters 693.000 zinazoweza kujifunzwa

.

Chanzo kinatoa makadirio ya memory ya modeli kama:

• 32-bit floating point: takribani 2,6–2,8 MB,
• 16-bit fixed point: takribani 1,3–1,4 MB

.

Muda wa inference wa prediction moja, uliokokotolewa kutoka wastani wa runs 100 katika MATLAB, uliripotiwa kuwa:

1,8 ms

.

Hata hivyo, watafiti wanaeleza wazi kwamba ucheleweshaji wa uamuzi ulioripotiwa kwenye grafu za kugundua hitilafu haujumuishi muda huu wa kukokotoa wa 1,8 ms. Kwa hiyo, katika kidhibiti halisi, total end-to-end delay haiwezi kuchukuliwa kuwa sawa tu na muda wa ugunduzi katika Kielelezo 5 au Kielelezo 7.

Je, modeli ilijaribiwa kweli kwenye gari la umeme?

Hapana. Utafiti unajadili magari ya umeme kama eneo linalowezekana la matumizi; lakini haukufanywa kwenye EV inverter halisi, traction motor ya gari au inverter halisi ya maabara.

Matokeo yote makuu ya uthibitishaji yanategemea data ya simulation iliyozalishwa kutoka modeli ya kina ya MATLAB/Simulink ya inverter–induction motor.

Matokeo yanayoungwa mkono na utafiti

• Katika seti ya data ya simulation, BiLSTM ilionyesha mafanikio ya juu zaidi ya uainishaji kwa ujumla kuliko FCN na CNN.
• Usahihi wa test wa BiLSTM uliripotiwa kuwa %98,45.
• Modeli iliweza kutenganisha hali yenye afya na hitilafu za OG, OS na SC za swichi sita katika jumla ya madarasa 19.
• Katika mifano ya 1800 rpm, hitilafu za OG, OS na SC ziligunduliwa katika kiwango cha millisecond.
• Hitilafu pia ziliainishwa katika simulations za 1400 rpm na kasi inayobadilika.
• Mifano ya S1 iligunduliwa kwa usahihi chini ya %10 white noise na ±5 A spike disturbances zenye uwezekano wa %0,1.
• RMS + pembe za awamu zilitoa usahihi wa juu kuliko vipengele vya ishara za papo hapo kwa BiLSTM ile ile.
• Tofauti ndogo ya utendaji iliripotiwa katika marudio matatu huru ya training-test.
• Katika mazingira ya MATLAB, wastani wa network inference time ulipimwa kuwa 1,8 ms.

Matokeo ambayo utafiti hauungi mkono au haujapima

• Modeli haijathibitishwa kwa majaribio kwenye hardware halisi ya inverter-motor.
• Usahihi wa %98,45 si usahihi wa gari halisi au mazingira ya kiwandani.
• Detection times si end-to-end hardware delay inayojumuisha computational inference time ya modeli.
• Kwa mzigo mwepesi sana wa takribani 1 N·m na chini yake, hakuna guarantee ya kugundua ndani ya nusu kipindi; ucheleweshaji unaweza kuzidi kipindi kimoja.
• Hitilafu za swichi nyingi zinazotokea kwa wakati mmoja hazijapimwa.
• Ni hitilafu za OG, OS na SC za swichi moja tu zilizotathminiwa.
• Regenerative operation haijapimwa.
• Operating regions za pili, tatu na nne hazijachunguzwa.
• Uwezo wa ku-generalize moja kwa moja kwa topolojia tofauti za mota au inverter haujaonyeshwa kwa majaribio.
• Uendeshaji wa wakati mmoja na hardware halisi ya short-circuit protection haujathibitishwa kwa jaribio la kimwili.
• Fault-tolerant control system haikutekelezwa katika utafiti huu.

Mbinu na Matokeo ya Utafiti

Mchakato wa kuzalisha data ya simulation

Mipangilio ya training ya FCN

• Optimization: Adam
• Initial learning rate: 0,001
• Loss: Cross-entropy
• Epoch: 50
• Mini-batch: 64
• Dropout: 0,3
• Output class: 19

Mipangilio ya training ya CNN

• Input format: feature map ya 3 × 4
• Convolution kernel: 2 × 2
• Idadi za filters zilizotolewa katika maandishi: 32, 64, 128
• Batch normalization + ReLU
• Pooling
• Dropout: 0,3
• Adam, learning rate 0,001
• 50 epoch
• Mini-batch: 64
• Output class: 19

Mipangilio ya training ya BiLSTM

• Input: vipengele 12 kwa kila hatua ya muda
• Sequence length: hatua 50 za muda
• BiLSTM: hidden units 200
• LSTM: hidden units 150
• Fully connected layer: neurons 128 katika maandishi
• Dropout: 0,3
• Output: madarasa 19
• Adam
• Learning rate: 0,001
• Epoch: 50
• Mini-batch: 128

Muda wa training

Modeli zilifundishwa kwenye mfumo wenye processor ya Apple M1 na 16 GB RAM.

Kutokulingana kwa jedwali la usanifu katika chanzo

Katika Jedwali 3, safu ya neurons ina [256 128 22] kwa FCN na CNN, na [200 150 22] kwa BiLSTM. Kinyume chake, utafiti wote unafafanua tatizo lenye output ya madarasa 19, na maelezo ya modeli yanaeleza output layer ya neurons 19.

Zaidi ya hayo, maelezo ya FCN yanataja hidden layers tatu, wakati Kielelezo 3a kinaonyesha hidden fully connected layers mbili zenye neurons 128 na 64 pamoja na classification output yenye neurons 19. Maandishi ya CNN yanaeleza convolution layers tatu zenye filters 32, 64 na 128, lakini muundo unaoonekana wa Kielelezo 3b na thamani za Jedwali 3 ni tofauti.

Kwa hiyo, maandishi ya Verianla hayajabadilisha kwa kukisia thamani “22” kuwa 19 au 128.

Confusion matrices zinaonyesha nini?

Kielelezo 8 kinatoa normalized confusion matrices kwa FCN, CNN na BiLSTM. Matrix ya BiLSTM inaonyesha msongamano mkubwa zaidi wa classifications sahihi kwenye diagonal.

Katika mjadala wa chanzo, inaelezwa kuwa sehemu kubwa ya makosa yaliyobaki hutokea kati ya madarasa yenye saini za umeme zinazofanana, hasa wakati wa mwanzo wa transition ya hitilafu za OG na OS katika awamu moja. Kadiri saini ya hitilafu inavyokuwa wazi zaidi kwa muda, BiLSTM inaelezwa kutenganisha madarasa vizuri zaidi.

Athari ya mzigo mwepesi sana

Pamoja na hali za nominal operation, mzigo mdogo pia ulichunguzwa. Kwa mizigo ya takribani 1 N·m na chini yake, mikondo ya awamu ilipungua na hivyo distortions za RMS zinazosababishwa na hitilafu zikawa dhaifu. Watafiti waliripoti kuwa katika hali hizi muda wa uamuzi uliongezeka na katika baadhi ya hali unaweza kuzidi kipindi kimoja cha msingi.

Kikomo hiki kinaonyesha kuwa utendaji wa modeli hautegemei kasi ya mota pekee, bali pia kiwango cha mzigo.

Jaribio la kelele

Je, algorithmic decision time na inference time ni kitu kimoja?

Hapana. Makala inatathmini muda huu miwili kando. Muda wa kugundua hitilafu wa millisecond chache unaoripotiwa katika vielelezo ni ucheleweshaji kati ya kuanza kwa hitilafu katika ishara ya simulation na kuonekana kwa uamuzi sahihi wa darasa.

Muda halisi wa kukokotoa wa deep learning network katika MATLAB ulipimwa kando na wastani wa predictions 100 ulitolewa kuwa:

1,8 ms / prediction

.

Chanzo kinaeleza wazi kwamba muda huu wa 1,8 ms haujajumuishwa katika ucheleweshaji wa kugundua hitilafu katika Kielelezo 5 na Kielelezo 7.

Memory ya modeli

Watafiti wanatathmini takribani parameters 693 elfu zinazoweza kujifunzwa na muda wa kukokotoa wa modeli kama ukubwa unaofaa kwa embedded controller. Controllers za darasa la Texas Instruments C2000 na ARM Cortex-M4 zimejadiliwa kama malengo yanayowezekana; hata hivyo, hakuna jaribio lililofanywa kwenye majukwaa haya.

Mapungufu makuu ya kimetodolojia

• Matokeo yote yametokana na simulation ya MATLAB/Simulink.
• Hakuna jaribio lililofanywa kwenye inverter na mota halisi.
• Hardware-in-the-loop validation haijafanywa.
• Ni hitilafu za swichi moja tu zilizotathminiwa.
• Hitilafu za swichi nyingi zinazotokea kwa wakati mmoja ziko nje ya wigo.
• Ni forward motoring pekee, yaani operating region ya kwanza, iliyochunguzwa.
• Regenerative na multi-region operation ziko nje ya wigo.
• Detection delay huongezeka kwenye mzigo mdogo.
• Nonlinearities za sensa halisi na hardware tolerances hazijapimwa kimwili.
• Transfer capability kwa miundo tofauti ya mota na inverter haijaonyeshwa kwa majaribio.

Maelezo ya Chanzo na Mbinu

Jina kamili la asili la utafiti: Open Gate, Open Switch and Short Circuit Fault Detection of Three-Phase Inverter Switches in Induction Motor Drive Applications

Waandishi: Mohammad Zamani Khaneghah, Mohamad Alzayed, Hicham Chaoui.

Mpangilio wa waandishi: Mpangilio uliotolewa katika chanzo umehifadhiwa kama ulivyo.

Uandishi wa kwanza wa pamoja/mchango sawa: Chanzo hakina taarifa ya uandishi wa kwanza wa pamoja au mchango sawa.

Mwandishi anayewajibika: Hicham Chaoui.

Taasisi: Intelligent Robotic and Energy Systems (IRES) Research Group, Department of Electronics, Carleton University, Ottawa, Ontario, Canada.

Aina ya chanzo: Makala ya utafiti iliyopitiwa na wenzao; utafiti wa simulation, uchanganuzi wa data na deep-learning fault detection unaotegemea MATLAB/Simulink.

Jarida: Actuators.

Mchapishaji: MDPI.

Rekodi ya bibliografia: Actuators 2026, 15(1), 34.

Nambari ya makala: 34.

DOI: 10.3390/act15010034.

Kiungo rasmi cha uchapishaji:https://doi.org/10.3390/act15010034

Tarehe ya kuwasilishwa: 25 Novemba 2025.

Tarehe ya marekebisho: 23 Desemba 2025.

Tarehe ya kukubaliwa: 29 Desemba 2025.

Tarehe ya kuchapishwa: 5 Januari 2026.

Leseni: Creative Commons Attribution (CC BY).

Ufadhili: Watafiti waliripoti kuwa hakuna ufadhili wa nje uliopokelewa.

Kamati ya maadili: Imeelezwa katika chanzo kuwa “Not applicable”.

Idhini yenye taarifa: Imeelezwa katika chanzo kuwa “Not applicable”.

Upatikanaji wa data: Imeelezwa kuwa michango asili ya utafiti iko ndani ya makala na maswali ya ziada yanaweza kuelekezwa kwa mwandishi anayewajibika.

Mgongano wa maslahi: Waandishi waliripoti kuwa hakuna mgongano wa maslahi.

Michango ya waandishi: Conceptualization M.Z.K., M.A. na H.C.; methodology M.Z.K., M.A. na H.C.; software M.Z.K.; validation M.Z.K., M.A. na H.C.; formal analysis na investigation M.Z.K., M.A. na H.C.; resources H.C.; data curation M.Z.K.; original draft M.Z.K.; review na editing M.A. na H.C.; supervision M.A. na H.C.; project administration H.C. kama ilivyoripotiwa.

Wigo wa maudhui ya kisayansi: Vigezo vya mota, aina za hitilafu, mbinu ya kuzalisha data, miundo ya akili bandia, mgawanyo wa training-test, matokeo ya usahihi, detection delays, majaribio ya kelele, matokeo ya ablation na mapungufu katika makala hii ya Verianla yanategemea utafiti mkuu uliokaguliwa. Hakuna matokeo mapya ya majaribio kutoka vyanzo vya nje yaliyoongezwa isipokuwa uthibitishaji wa bibliografia.

Kutokulingana muhimu ndani ya chanzo na mipaka ya tafsiri

• Muhtasari na hitimisho kwa ujumla vinaeleza muda wa kugundua hitilafu kuwa chini ya nusu kipindi cha msingi, lakini sehemu ya majadiliano inasema kuwa katika mzigo mwepesi sana wa takribani 1 N·m na chini yake, ucheleweshaji unaweza katika baadhi ya hali kuzidi kipindi kimoja.
• Jedwali 3 linatoa thamani za neurons “[256 128 22]” kwa FCN na CNN na “[200 150 22]” kwa BiLSTM; hata hivyo, utafiti unatumia output ya madarasa 19 na maelezo ya usanifu katika maandishi hayalingani kikamilifu na thamani hizi.
• Maandishi ya FCN yanaeleza hidden layers tatu, wakati usanifu unaoonekana katika Kielelezo 3a unaonyesha hidden fully connected layers mbili na output yenye neurons 19.
• Maandishi ya CNN yanataja convolution blocks tatu zenye filters 32, 64 na 128, lakini Kielelezo 3b na Jedwali 3 havionyeshi usanifu huo kwa uwazi na uthabiti.
• Maelezo ya data distribution yanasema “idadi sawa ya sampuli ilichaguliwa kutoka kila darasa”, lakini mara moja baada yake yanaeleza kuwa darasa lenye afya lina sampuli nyingi zaidi kuliko darasa moja moja la hitilafu.
• Chanzo kinaeleza kuwa mifumo ya short-circuit protection kwa vitendo inaweza kutenganisha DC bus ndani ya T/6, huku proposed diagnostic model ikiwa na decision delay ya takribani 0,48T katika baadhi ya mifano ya SC. Uendeshaji pamoja na ulinzi halisi wa hardware wa kasi sana haujaonyeshwa kwa jaribio la kimwili.
• Muda wa kugundua hitilafu katika vielelezo haujumuishi wastani wa computational inference time wa 1,8 ms wa deep learning network.

Kikomo kikuu cha kisayansi: Utafiti unatoa matokeo mazuri ya uainishaji kwenye simulation ya kina. Hata hivyo, kwa sababu tolerances za utengenezaji wa swichi halisi za inverter, power-stage interference, tabia ya sensa halisi, short-circuit protection halisi na operating regions tofauti hazijathibitishwa kwa majaribio, matokeo hayapaswi kutafsiriwa moja kwa moja kama utendaji wa shambani wa viwandani au magari.