Inverter ya ngazi nyingi ya daraja-H iliyounganishwa kwa mfululizo (CHMI) ni muundo wa moduli wa elektroniki za nguvu unaotumika kwa ubadilishaji wa nguvu wa DC–AC wa ubora wa juu katika mifumo ya nishati jadidifu, viendeshi vya umeme na miundombinu ya kuchaji. Hata hivyo, kadiri idadi ya ngazi na vifaa vya nusu-kondakta vya nguvu inavyoongezeka, ndivyo uwezekano wa hitilafu na ugumu wa kubaini kwa usahihi swichi ambayo hitilafu imetokea huongezeka.

Utafiti wa Haocheng Hu na wenzake unapendekeza mbinu ya kutafuta usanifu wa mtandao wa neva unaolenga edge iitwayo PC-DARTS-SC kwa ajili ya kutambua kiotomatiki hasa hitilafu za open-circuit za IGBT. Katika mbinu ya kawaida, wataalamu huamua kwa mkono usanifu wa CNN, ukubwa wa vichujio, kina cha mtandao na muundo wa downsampling. Katika utafiti huu, usanifu wa mtandao huamuliwa kiotomatiki kwa differentiable neural architecture search kulingana na sifa za ishara za hitilafu.

Changamoto kuu ya utafiti ni kwamba baadhi ya hitilafu za open-circuit huzalisha maumbo ya mawimbi ya volteji yanayofanana karibu kabisa. Hasa kwa jozi za IGBT zilizo katika nafasi za kuvukana ndani ya H-bridge ileile, umbo la jumla la wimbi huwa karibu sawa; taarifa ya kutofautisha hupatikana zaidi katika spike ndogo za volteji zinazoonekana karibu na maeneo ya kuvuka sifuri ya mkondo wa mzigo.

Ili kuhifadhi tofauti hizi ndogo, watafiti walibadilisha mizunguko ya volteji kuwa feature map za pande mbili za 20×20 na kutafuta mtandao ulioundwa na special cell zisizotumia downsampling. Chini ya hali ya mzigo wa RL wa 7 Ω na 6 mH, mbinu iliyopendekezwa ilipata usahihi wa wastani wa %99,44 kwenye seti ya majaribio.

Mtandao wa mwisho una vigezo vinavyofundishika milioni 0,2417 pekee na unaweza kufanya inference kwa kila sampuli kwa ms 3,54 kwenye Jetson Orin Nano kwa TensorRT FP16. Hata hivyo, kwa kuwa matokeo yanategemea hitilafu zilizodhibitiwa za maabara na usanidi mdogo wa inverter/mzigo, hayapaswi kutafsiriwa moja kwa moja kama utendaji wa jumla katika mazingira halisi ya viwandani.

Kwa nini ni vigumu kutambua hitilafu ya open-circuit katika mifumo ya CHMI?

Mifumo ya CHMI huundwa kwa kuunganisha kwa mfululizo submodule kadhaa za H-bridge. Kila H-bridge ina IGBT nne, na volteji ya pato hutengenezwa kwa kuwasha swichi hizi katika michanganyiko tofauti.

IGBT zinaweza kuwa na aina mbili kuu za hitilafu:

• Hitilafu ya mzunguko mfupi — SCF
• Hitilafu ya open-circuit — OCF

Kwa sababu hitilafu za mzunguko mfupi husababisha athari kubwa za joto na mkondo ndani ya muda mfupi sana, kwa kawaida hushughulikiwa haraka na saketi za ulinzi wa maunzi. Katika saketi za vitendo za gate-driver, mfumo unaweza pia kulindwa kwa kubadilisha hitilafu ya mzunguko mfupi kuwa hali ya open-circuit.

Hitilafu ya open-circuit hujitokeza zaidi kupitia kuvurugika kwa maumbo ya mawimbi ya volteji na mkondo. Katika mfumo wa CHMI wenye moduli nyingi za nguvu, kubaini mahali hasa pa swichi yenye hitilafu ni changamano zaidi kuliko katika inverter ya ngazi mbili.

Kwa nini baadhi ya hitilafu huonekana karibu sawa kabisa?

Utafiti ulitumia inverter ya awamu moja yenye H-bridge mbili na ngazi tano. Jumla ya IGBT nane zilipewa majina H1S1–H2S4.

Watafiti wanaonyesha kuwa, hasa kwa jozi za IGBT zinazovukana ndani ya submodule ileile, hitilafu ya open-circuit inaweza kuzalisha mfuatano unaofanana wa volteji ya pato.

Kwa mfano, hitilafu za H1S1 na H1S3 zinaweza kuunda muundo uleule wa volteji katika hali nyingi za switching. Hali hiyo hiyo inatumika kwa H1S2 na H1S4.

Tofauti mara nyingi haionekani kwenye wimbi kuu la volteji, bali kwenye transient spike ndogo zinazotokea karibu na sehemu za kuvuka sifuri za mkondo wa mzigo.

Kwa nini spike ndogo za volteji ni muhimu?

Spike hizi zina vyanzo viwili vikuu:

• transient kubwa zaidi zinazotokana na kuachiliwa kwa nishati katika inductance ya mzigo,
• makundi madogo ya spike yanayotokana na sifa zisizo bora kabisa za switching za IGBT.

Kwa kuwa taarifa ya kutofautisha ni ndogo sana ikilinganishwa na ukubwa wa volteji kuu ya pato, vipengele vya kawaida vya kuona, kitakwimu au vilivyoundwa kwa mkono vinaweza kupata ugumu wa kunasa tofauti hizi kwa uthabiti.

Kwa nini DARTS hutafuta usanifu wa mtandao kiotomatiki?

Neural Architecture Search — NAS inalenga kutafuta kiotomatiki usanifu wa mtandao wa neva ndani ya nafasi ya operesheni iliyofafanuliwa mapema badala ya usanifu kuamuliwa moja kwa moja na mtaalamu.

DARTS — Differentiable Architecture Search hubadilisha tatizo la kuchagua usanifu wa discrete kuwa tatizo endelevu la optimization. Kwa hiyo, uchaguzi wa convolution, pooling au identity unaweza kuboreshwa kwa msingi wa gradient.

Cell huwakilishwa kama directed acyclic graph — DAG. Nodi ndani ya cell huwakilisha latent features, huku kingo zikiwakilisha candidate operations.

Operesheni kwenye kila ukingo huundwa kama mchanganyiko wa operesheni zilizopewa uzito wa softmax badala ya candidate operation moja:

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

Hivyo, vigezo vya usanifu α vinaweza kuboreshwa moja kwa moja.

Kwa nini PC-DARTS inatumika?

DARTS ya kawaida inaweza kuhitaji kumbukumbu kubwa kwa sababu hutuma feature channel zote kwa candidate operation kwa wakati mmoja, na inaweza kuonyesha kutokuwa thabiti kama vile operesheni zisizo na vigezo kutawala mchakato wa uteuzi.

PC-DARTS hutuma sehemu tu ya feature channel kwenye mixed operation huku sehemu iliyobaki iki-bypass. Hivyo kumbukumbu ya utafutaji na gharama ya ukokotoaji hupunguzwa.

Zaidi ya hayo, utaratibu wa edge normalization husaidia kupunguza kutokuwa thabiti ambako stochastic channel sampling inaweza kuleta katika uchaguzi wa usanifu.

PC-DARTS-SC inatofautianaje na PC-DARTS ya kawaida?

PC-DARTS ya kawaida kwa ujumla hutumia miundo ya normal cell na reduction cell kwa pamoja. Reduction cell hupunguza ukubwa wa feature map.

Mbinu hii inaweza kuwa na manufaa katika kazi kubwa za uainishaji wa picha; lakini hapa ingizo ni la ukubwa wa 20×20 pekee na taarifa muhimu ya hitilafu iko katika spike ndogo sana za eneo husika.

Downsampling ya mapema inaweza kuondoa ishara hizi dhaifu.

Kwa sababu hiyo, watafiti waliunda mkakati wa PC-DARTS-SC unaotumia special cell pekee. Cell zote hushiriki usanifu uleule wa msingi na reduction cell inayopunguza resolution katika hatua ya mapema haitumiki.

Ni operesheni gani zilizomo katika nafasi ya utafutaji?

Candidate operations zilibuniwa kufunika ukubwa tofauti wa receptive field:

• 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.

Operesheni zote hutekelezwa kwa stride 1 na resolution ya feature map huhifadhiwa.

Kwa nini vichujio vya 5×5 na 7×7 vinaonekana zaidi?

Katika utafutaji wa usanifu chini ya hali tofauti za mzigo, mtandao ulionekana kuchagua mara kwa mara operesheni zenye receptive field pana zaidi kama 5×5 na 7×7 separable convolution.

Hii inadokeza kwamba tofauti za hitilafu hazipo tu kwenye spike moja nyembamba, bali pia katika mabadiliko ya eneo husika ya umbo la wimbi yaliyosambaa kwenye temporal scales tofauti.

Kernel pana zaidi zinaweza kusaidia kunasa tofauti hizi za mizani mingi kwa wakati mmoja.

Kwa nini ishara ya volteji hubadilishwa kuwa picha ya 20×20?

Katika mfumo wa majaribio, volteji ya pato huchukuliwa sampuli kwa 20 kHz. Kwa kuwa frequency ya msingi ni 50 Hz, mzunguko mmoja hudumu 20 ms na kila mzunguko una:

20.000 × 0,020 = sampuli 400

.

Sampuli hizi 400 hubadilishwa kuwa matrix ya 20×20 huku mpangilio wake ukihifadhiwa.

Kwa njia hii, mfuatano wa muda wa kipimo kimoja hubadilika kuwa feature map ambayo operesheni za 2D convolution zinaweza kutumika.

Uwakilishi huu unalenga hasa kuruhusu vichujio vya lokal convolution kujifunza miundo midogo ya spike katika sehemu za muda zilizo karibu.

Seti ya data iliundwaje?

Kwa kila fault class na kila hali ya mzigo, sampuli 200 za mizunguko zilizo na lebo zilikusanywa.

Madarasa tisa yalikuwa:

• hali 1 ya uendeshaji wa kawaida,
• hitilafu 8 tofauti za single-IGBT open-circuit.

Kila mzunguko uliundwa kama sample huru ya 20×20 na overlapping sliding window haikutumika.

Data iligawanywa kuwa:

• %75 mafunzo,
• %15 validation,
• %10 test

.

Jukwaa la majaribio la kimwili

Mfumo wa majaribio ni prototipu ya CHMI ya awamu moja yenye ngazi tano.

Aina ya IGBT iliyotumika ni IKW30N60H3, huku sensor ya volteji ikiwa LV25-P. Ishara za gate-drive zilitengenezwa kupitia dSPACE MicroLabBox.

Mpangilio wa majaribio kwenye ukurasa wa 11 wa makala chanzo unaonyesha laptop, oscilloscope, kitengo cha udhibiti cha dSPACE, saketi ya fault-setting, CHMI na mzigo wa RL ndani ya mfumo mmoja wa kimwili.

Hitilafu ziliundwaje?

Ishara ya gate-drive ya IGBT husika ililazimishwa kuwa sifuri kupitia saketi ya fault-setting.

Kwa njia hiyo, hitilafu ya open-circuit inayodhibitika na kurudiwa iliigizwa.

Mbinu hii inafaa kwa usalama wa majaribio; hata hivyo, haiwakilishi athari zote za hitilafu ya kimwili inayotokea kutokana na kuzeeka kwa asili.

Mbinu na Matokeo ya Utafiti

Utafutaji wa usanifu ulifanywaje?

Architecture search ilidumu epoch 20.

Katika epoch 6 za kwanza, network weight pekee ndizo ziliboreshwa. Baadaye, vigezo vya usanifu na network weight vilisasishwa kwa pamoja.

Muundo wa mwisho wa mtandao uliotafutwa

Baada ya Search kukamilika, operesheni mbili zenye thamani ya juu zaidi ya architecture parameter huchaguliwa kwa kila nodi ya kati, na super-network hubadilishwa kuwa mtandao wa mwisho wa discrete.

Feature extractor ya mwisho ina special cell nne zilizopangwa kwa mfululizo.

Kisha:

Global Average Pooling → Fully Connected → Softmax

hutumika kubaini darasa la hitilafu.

Matumizi ya GAP yanalenga kupunguza idadi ya vigezo na hatari ya overfitting ikilinganishwa na fully connected layers kubwa.

Matokeo makuu ya ulinganisho

Mbinu iliyopendekezwa ilipata usahihi wa wastani wa juu zaidi katika ulinganisho.

Hata hivyo, waandishi wanasisitiza kwamba tofauti ya usahihi inapaswa kutafsiriwa kwa tahadhari kwa sababu seti ya test ni ndogo na tofauti dhidi ya 1D-CNN ni ndogo.

Faida kuu ya utafiti si tu namba ya %99,44; bali ni kwamba utendaji huu ulipatikana kwa usanifu mdogo usioundwa kwa mkono, uliotafutwa kiotomatiki na unaofaa kwa edge.

Kwa nini vigezo milioni 0,2417 ni muhimu?

Modeli ya mwisho ina trainable parameter milioni 0,2417 pekee.

Katika FP32, hii ni takribani:

0,97 MB

ya nafasi ya kuhifadhi vigezo.

Kiwango hiki ni mojawapo ya matokeo muhimu ya muundo yanayowezesha model kuendeshwa kwenye vifaa vya embedded edge kama Jetson Orin Nano badala ya server kubwa ya GPU.

Architecture search ina gharama kiasi gani?

Utafutaji ulifanywa kwa epoch 20 kwenye NVIDIA RTX 4060 GPU.

Utafutaji mmoja kamili ulihitaji:

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

.

Gharama hii hutokea mara moja tu wakati wa maendeleo. Architecture search haifanywi kwenye kifaa cha edge; mtandao wa mwisho uliochaguliwa pekee ndio huendeshwa.

Ulinganisho wa DARTS-SC na PC-DARTS-SC

Katika ulinganisho huu uliodhibitiwa, mbinu zote mbili zilipata usahihi sawa, lakini PC-DARTS-SC ilionyesha gharama ya chini ya architecture search.

Modeli inastahimili kwa kiwango gani ishara yenye kelele?

Vipimo halisi vya inverter vinaweza kuwa na switching noise, kelele ya sensor, quantization noise, mitetemo ya frequency ya chini na mwingiliano wa sumakuumeme.

Utafiti haukuunda modeli tofauti kwa kila athari hii ya kimwili. Badala yake, kwa noise-sensitivity test iliyodhibitiwa, viwango tofauti vya AWGN — Additive White Gaussian Noise viliongezwa kwenye ishara halisi zilizopimwa.

Mbinu iliyopendekezwa ilionyesha usahihi wa juu kuliko mbinu zilizolinganishwa katika viwango vyote vya SNR vilivyojaribiwa.

Hata hivyo, AWGN si uigaji wa moja kwa moja wa vyanzo vyote vya kelele katika mazingira halisi ya inverter za viwandani.

Je, modeli inafanya kazi kweli kwenye kifaa cha edge?

Ndiyo. Modeli ya mwisho ilisambazwa moja kwa moja kwenye Jetson Orin Nano.

Pipeline ni kama ifuatavyo:

PyTorch → ONNX → TensorRT → Jetson Orin Nano

Katika uboreshaji wa TensorRT, zilitumika:

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

.

Matokeo ya Jetson Orin Nano

Kwa kuwa mzunguko mmoja wa msingi wa volteji hudumu 20 ms, muda wa inference wa 3,54 ms unaacha nafasi ya kutosha ya ukokotoaji kwa utambuzi wa mtandaoni unaotegemea mzunguko.

Je, TensorRT huongeza usahihi?

Hapana. Makala inasisitiza tofauti hii.

FP16 au TensorRT haiongezi uwezo wa utambuzi ambao modeli imejifunza. Inafanya tu ukokotoaji wa inference wa modeli iliyopo kuwa na ufanisi zaidi.

%100 edge accuracy inaonyesha uthabiti wa deployment wa modeli moja iliyochaguliwa na ku-export; haiwezi kulinganishwa na matokeo ya wastani ya %99,44 ± 1,05 kwenye workstation kwa kusema kwamba “TensorRT iliongeza usahihi”.

Hitimisho zinazoungwa mkono na utafiti

• PC-DARTS-SC inaweza kupata kiotomatiki usanifu mwepesi wa mtandao wa neva unaolenga kazi ya hitilafu za open-circuit za CHMI.
• Mbinu ya special cell inalenga kulinda local fault spike kwenye feature map ndogo ya 20×20 dhidi ya downsampling ya mapema.
• Katika hali ya majaribio ya 7 Ω / 6 mH, mbinu iliyopendekezwa ilipata usahihi wa wastani wa test wa %99,44.
• Mtandao wa mwisho una vigezo 0,2417 M pekee.
• Kwenye Jetson Orin Nano + TensorRT FP16, inference ya 3,54 ms/sample ilipatikana.
• Katika majaribio yaliyodhibitiwa ya AWGN, mbinu ilionyesha noise robustness ya juu kuliko modeli zilizolinganishwa.

Hitimisho ambazo utafiti hauungi mkono

• Haijathibitishwa kuwa modeli itafikia usahihi uleule katika topolojia zote za inverter.
• Utendaji uleule haujaonyeshwa kwa hitilafu za asili za IGBT katika hali halisi za uwanjani.
• Kuzeeka kwa muda mrefu kwa kifaa, sensor drift na hali changamano za EMI hazijajaribiwa kwa upana.
• %100 edge deployment accuracy haimaanishi kwamba usahihi wa jumla wa modeli ni %100.
• Jaribio la AWGN si uigaji kamili wa mazingira halisi ya kelele za viwandani.
• Random cycle-level split haihakikishi temporal independence kamili.

Mapungufu makuu

Majaribio yalifanywa tu kwenye CHMI ya awamu moja ya ngazi tano, kwa hitilafu za single-IGBT open-circuit na hali mbili za mzigo wa RL.

Kwa hiyo, uwezo wa modeli kuhamishwa moja kwa moja kwenye topolojia tofauti za inverter, mifumo yenye ngazi nyingi zaidi, hitilafu nyingi kwa wakati mmoja au mikakati tofauti ya modulation bado haujaonyeshwa.

Hitilafu hazikutokea kwa asili kutokana na kuharibika kwa muda mrefu kwa kifaa; ziliigizwa kwa njia iliyodhibitiwa kwa kuzima gate signal husika.

Zaidi ya hayo, ingawa mizunguko haiku-overlap, sampuli za training na test zinaweza kujumuisha mizunguko iliyo jirani kutoka kwenye mfuatano uleule endelevu wa acquisition. Kwa hiyo, random cycle-level split haitoi temporal independence kamili.

Kazi za baadaye

Maeneo makuu ya utafiti wa baadaye yaliyotajwa na waandishi ni:

1. topolojia changamano zaidi za inverter,
2. hali mbalimbali zaidi za uendeshaji,
3. aina pana zaidi za hitilafu,
4. uthibitishaji kwenye maunzi tofauti ya edge,
5. cross-condition adaptation,
6. data halisi za hitilafu za uwanjani,
7. mgawanyo mkali zaidi wa data unaotegemea time-ordered au cycle-block,
8. uchambuzi mpana zaidi wa robustness dhidi ya kelele za viwandani na mabadiliko ya mazingira.

Maelezo ya Chanzo na Mbinu

Kichwa asili:Multilevel Inverter Fault Diagnosis Using Differentiable Architecture Search for Edge Deployment

Waandishi: Haocheng Hu, Tianzhen Wang, Haoran Wang na Yassine Amirat.

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

Jarida:AI, 2026, 7, Article 208.

DOI:10.3390/ai7060208

Iliwasilishwa: 2 Aprili 2026. Ilirekebishwa: 29 Mei 2026. Ilikubaliwa: 4 Juni 2026. Ilichapishwa: 7 Juni 2026.

Aina ya utafiti: Jaribio la maabara kwenye prototipu halisi ya inverter, data-driven fault diagnosis, differentiable neural architecture search na uthibitishaji wa edge deployment.

Mfumo msingi: CHMI ya awamu moja, yenye submodule mbili za H-bridge na ngazi tano; IGBT 8 na tatizo la fault classification lenye madarasa 9.

Jukwaa la edge: NVIDIA Jetson Orin Nano; ONNX Runtime na TensorRT.

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

Maadili: Institutional Review Board na informed consent havitumiki.

Upatikanaji wa data: Data zinaweza kupatikana kutoka kwa mwandishi anayewajibika kwa ombi; hazipatikani wazi kwa umma.

Mgongano wa maslahi: Waandishi hawakuripoti mgongano wa maslahi.

Leseni: Creative Commons Attribution (CC BY).

Kikomo cha kimetodolojia: Matokeo yanategemea visa vya single-IGBT OCF vilivyoigizwa katika hali zilizodhibitiwa za maabara, hali mbili za mzigo wa RL na mkakati wa cycle-level random split. Hitilafu halisi za uwanjani, aging ya muda mrefu, test huru za temporal, topolojia tofauti za inverter na hali changamano zaidi za kelele za viwandani bado hazijathibitishwa kwa upana.

Maelezo ya mbinu ya Verianla: Maudhui haya ya Kiswahili yamepanga upya kwa muundo huru wa kielimu, huku yakibaki mwaminifu kwa maana ya chanzo, mekanizimu ya hitilafu ya CHMI, mbinu ya DARTS/PC-DARTS-SC, mkakati wa kuunda upya ishara ya volteji, jukwaa la majaribio, ulinganisho wa utendaji, noise sensitivity, edge deployment na mapungufu ya utafiti chanzo. Vielelezo au majedwali ya chanzo hayajanakiliwa moja kwa moja.