Utafiti wa kitaaluma, lugha inayoeleweka

Verianla | Akademik Araştırmalardan Türkçe Ekonomi ve Bilim İçerikleri

19 Novemba 2026, Alhamisi
VERİANLA Uchapishaji huru wa sayansi
Fungua au funga menyu
...
Home / Sayansi Tumizi / Uhandisi / Mtandao wa Mikondo Miwili Unaotumia Konvolusheni ya Grafu Inayobadilika na BiGRU Inayotegemea Attention kwa Utambuzi wa Hitilafu ya Mzunguko Wazi ya IGBT katika Vigeuzi vya Ngazi Tatu vya T-NPC
Uhandisi

Mtandao wa Mikondo Miwili Unaotumia Konvolusheni ya Grafu Inayobadilika na BiGRU Inayotegemea Attention kwa Utambuzi wa Hitilafu ya Mzunguko Wazi ya IGBT katika Vigeuzi vya Ngazi Tatu vya T-NPC

Mtandao uliopendekezwa wa mikondo miwili ni usanifu wa ujifunzaji wa kina unaoainisha hitilafu za mzunguko wazi za IGBT katika vigeuzi vya ngazi tatu vya T-type vyenye neutral point clamping kwa kujifunza mahusiano mahususi kwa sampuli kati ya ishara za mkondo-volteji katika tawi la grafu na mifumo ya muda katika tawi la BiGRU lenye utaratibu wa attention.

19/11/2026  Veri Anla  Imetazamwa mara 45
Mtandao wa Mikondo Miwili Unaotumia Konvolusheni ya Grafu Inayobadilika na BiGRU Inayotegemea Attention kwa Utambuzi wa Hitilafu ya Mzunguko Wazi ya IGBT katika Vigeuzi vya Ngazi Tatu vya T-NPC

Mtandao uliopendekezwa wa mikondo miwili ni usanifu wa ujifunzaji wa kina unaoainisha hitilafu za mzunguko wazi za IGBT katika vigeuzi vya ngazi tatu vya T-type vyenye neutral point clamping kwa kujifunza mahusiano mahususi kwa kila sampuli kati ya ishara za mkondo na volteji katika tawi la grafu, na mifumo ya muda katika tawi la kitengo cha kujirudia chenye milango cha pande mbili (BiGRU) lenye utaratibu wa attention. Katika utafiti, mikondo ya awamu tatu na volteji za awamu tatu zimechukuliwa kama nodi sita tofauti za ishara; vipengele vimetolewa kwa CNN ya pamoja ya 1B, umbali wa takribani wa Wasserstein ukahesabiwa kwa Sinkhorn ili kujenga grafu yenye uzani inayobadilika kwa kila sampuli, na grafu hii ikachakatwa kwa GCN ya tabaka mbili. Katika tawi sambamba la muda, BiGRU na global attention zimetumika, uwakilishi wa matawi mawili ukaunganishwa na hali 21 za uendeshaji zikaainishwa.

Katika chanzo, kila rekodi ina nukta 1024 za sampuli kwa kila moja ya ishara sita. Kwa kila hali ya hitilafu, rekodi 300 zilikusanywa kupitia upataji huru, volteji ya DC-link ikabadilishwa ndani ya ±5% ya thamani ya 800 V, na data ikagawanywa nasibu kuwa 70% kwa mafunzo, 15% kwa uthibitishaji na 15% kwa majaribio. Katika mafunzo ya modeli, zimeripotiwa standardization ya Z-score, learning rate ya 1×10−3, weight decay ya 1×10−4, batch size ya 64 na kiwango cha dropout cha 0.25. Chanzo hakitaji jina la optimizer iliyotumika wala idadi kamili ya juu zaidi ya epoch za mafunzo katika jedwali la mbinu.

Kwa modeli kamili iliyopendekezwa, usahihi wa wastani wa uthibitishaji wa majaribio yaliyorudiwa umeripotiwa kuwa 99.88%. Katika matokeo ya ablation, CNN-GCN ilitoa usahihi wa 93.98 ± 4.00%, CNN-Sinkhorn-GCN 95.00 ± 1.80%, CNN-Sinkhorn-GCN + GRU 95.47 ± 1.93% na CNN-Sinkhorn-GCN + BiGRU 96.96 ± 1.61%, huku modeli kamili ikifikia 99.88 ± 0.84%. Hata hivyo, utekelezaji wa mfano wa confusion matrix ulioonyeshwa katika chanzo una usahihi wa 99.76%, ambapo sampuli mbili kati ya sampuli 819 za uthibitishaji ziliainishwa vibaya; kwa hiyo 99.88% na 99.76% zinahusu miktadha tofauti ya uripoti.

Utafiti hautegemei tu uigaji wa programu: pamoja na modeli ya MATLAB 2024b/Simulink, mfumo wa HIL wa wakati halisi wa Starsim MT6060 na kidhibiti cha TMS320F28335 vilitumika kuzalisha upya hali za hitilafu na kupata maumbo ya mawimbi ya mkondo na volteji. Hata hivyo, sehemu ya HIL haitoi jedwali huru la usahihi wa uainishaji wa HIL-only; waandishi wanaeleza wazi kuwa tathmini ya kiasi ya HIL-only na utekelezaji wa wakati halisi kwenye maunzi yaliyopachikwa ni kazi za baadaye.

Hitilafu ya Mzunguko Wazi ya IGBT Hubadilisha Nini Katika Kigeuzi cha Ngazi Tatu cha T-NPC?

Hitilafu ya mzunguko wazi ya IGBT hufanya njia ya upitishaji ya swichi husika kutotumika, hivyo kupeleka mkondo wa awamu kwenye njia mbadala za diode au swichi na kusababisha mabadiliko yanayotegemea hitilafu kati ya hali za pato P, O na N za kigeuzi cha T-NPC. Mabadiliko haya hayaathiri tu amplitudo moja ya mkondo; kulingana na mwelekeo wa mkondo na ni swichi ipi imebaki katika hali ya mzunguko wazi, umbo la wimbi la mkondo wa awamu na volteji ya awamu linaweza kupotoshwa kwa namna tofauti katika nusu-mzunguko chanya au hasi.

Katika topolojia ya T-NPC, kila tawi la awamu lina swichi mbili za nje na swichi mbili za ndani. Chanzo kinachambua kando athari zinazotegemea mwelekeo wa mkondo za hitilafu za mzunguko wazi za Sa1, Sa2, Sa3 na Sa4 kwa awamu-A. Capacitor za DC-link zilizounganishwa mfululizo hutoa viwango vitatu vya volteji kwa tawi la awamu: Udc1, 0 na Udc2. Hitilafu ya mzunguko wazi inapotokea, njia ya upitishaji iliyotarajiwa hukatika na njia mpya inaweza kutokea kupitia diode za freewheeling na swichi zilizobaki.

IGBT yenye hitilafuMwelekeo wa mkondoNjia ya mkondo iliyotolewa katika chanzoMabadiliko ya hali
Sa1ia > 0Sa1 → Da2, Sa3P → O
Sa1ia < 0Da1Hakuna mabadiliko
Sa2ia > 0Da2, Sa3Hakuna mabadiliko
Sa2ia < 0Sa2, Da3 → Da1O → P
Sa3ia > 0Sa3, Da2 → Da4O → N
Sa3ia < 0Sa2, Da3Hakuna mabadiliko
Sa4ia > 0Da4Hakuna mabadiliko
Sa4ia < 0Sa4 → Sa2, Da3N → O

Katika hitilafu mbili za IGBT, mantiki hiyo hiyo huwa tata zaidi. Kwa hitilafu mbili zinazotokea katika awamu tofauti, chaguo za upitishaji za kila awamu kwanza hutolewa kutoka katika kanuni za swichi moja; hata hivyo, chanzo kinasisitiza kuwa hili halimaanishi kwamba hitilafu hizo mbili zinajitegemea kidinamiki au kwamba athari zao kwenye maumbo ya mawimbi zinaweza kujumlishwa kwa mstari. Hitilafu mbili katika awamu moja zinaweza kuunganisha moja kwa moja mielekeo ya upitishaji; kwa mfano, Sa1 na Sa3 zinapokuwa katika mzunguko wazi kwa pamoja, katika sharti la ia > 0 hali inaweza kubadilika kutoka P kwenda N.

Hali 21 zilizoainishwa katika utafiti

Modeli haijumuishi michanganyiko yote inayowezekana ya mzunguko wazi wa T-NPC. Seti ya data ya chanzo ina hitilafu 20 zilizochaguliwa za mzunguko wazi na hali moja yenye afya; hasa, imepangwa kuongeza michanganyiko iliyobaki ya upande wa awamu-B na awamu-C kwenye seti ya data katika siku zijazo.

LeboHaliLeboHali
0Sa111Sa2Sb2
1Sa1Sa212Sa2Sb3
2Sa1Sa313Sa2Sb4
3Sa1Sa414Sa3
4Sa1Sb115Sa3Sa4
5Sa1Sb216Sa3Sb3
6Sa1Sb317Sa3Sb4
7Sa1Sb418Sa4
8Sa219Sa4Sb4
9Sa2Sa320Kawaida
10Sa2Sa4  

Kwa Nini Grafu Inayobadilika ya Sinkhorn–Wasserstein Inatumika Katika Utafiti Huu?

Grafu inayobadilika ya Sinkhorn–Wasserstein hutumika badala ya kudhani kuwa uhusiano kati ya ishara sita za mkondo-volteji ni topolojia isiyobadilika; kwa kila sampuli, uhusiano huo hupewa uzani upya kulingana na ufanano wa usambazaji wa vipengele fiche uliojifunzwa kutoka CNN. Kwa njia hii, athari tofauti za hitilafu za swichi kwenye njia za mkondo na volteji huwakilishwa ndani ya matriksi ya ujirani mahususi kwa sampuli, kwa lengo la kufanya GCN ijifunze si ishara moja moja tu bali pia mahusiano kati ya ishara.

Usanifu wa kishemati ulioundwa upya kwa kujitegemea kwa Verianla kwa kuzingatia mahusiano ya mbinu katika utafiti wa chanzo na Kielelezo 3, Kielelezo 5 na Kielelezo 9. Si nakala ya pikseli ya vielelezo vya chanzo; vipimo havionyeshi skeli ya kimwili.

Matriksi ya ingizo na standardization ya Z-score: Milinganyo (1)–(4)

Kila sampuli hufafanuliwa kwa njia sita na nukta 1024 za sampuli kwa kila njia:

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

Mlinganyo (1) unaonyesha kuwa modeli huona kwa pamoja maumbo matatu ya mawimbi ya mkondo na maumbo matatu ya mawimbi ya volteji katika sampuli moja. Kizio cha kimwili cha mkondo ni ampere na cha volteji ni volt; hata hivyo, baada ya mchakato wa Z-score, viwango hivi hubadilika kuwa thamani zilizosanifishwa zisizo na vipimo.

Chanzo huhesabu wastani wa kila njia kutoka katika seti ya mafunzo pekee:

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

Mkengeuko sanifu pia huhesabiwa kwa kutumia seti hiyo hiyo ya mafunzo:

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

Standardization ya mwisho:

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

Hapa c inaonyesha moja ya njia sita za ishara, t nafasi ya sampuli, T = 1024 urefu wa rekodi, Dtr seti ya mafunzo na Ntr idadi ya sampuli za mafunzo. ε ndogo chanya katika Mlinganyo (4) hutumika kuzuia kugawa kwa sifuri. Baadaye chanzo hutumia alama ε pia katika regularization ya Sinkhorn optimal transport; majukumu ya kihisabati ya matumizi haya mawili ni tofauti na hayapaswi kuchanganywa.

Kubana nodi sita hadi vipimo 32 kwa CNN ya pamoja: Milinganyo (5)–(6)

Bloku mbili za convolution zinatolewa kwa muundo ufuatao:

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

Wl inawakilisha vigezo vya kernel ya convolution, bl neno la bias, BN mchakato wa batch normalization na ReLU uanzishaji usio wa mstari. Baada ya bloku mbili, adaptive average pooling na projeksheni ya mstari hutumika na kila nodi ya ishara hubadilishwa kuwa uwakilishi wa vipimo 32:

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

Jukumu la hatua hii ni kuhamisha maumbo ghafi ya mawimbi yenye nukta 1024 kwenda katika nafasi fiche iliyobana zaidi na kupunguza gharama ya hesabu ya Sinkhorn na convolution ya grafu inayofuata.

Grafu inayobadilika kwa Sinkhorn–Wasserstein: Milinganyo (7)–(14)

Kipengele fiche cha vipimo 32 cha kila nodi kwanza hubadilishwa kwa Softmax kuwa usambazaji unaofanana na uwezekano:

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

Usambazaji huu si usambazaji wa kimwili wa uwezekano wa amplitudo ghafi ya mkondo au volteji; ni uwakilishi uliosawazishwa wa uanzishaji katika nafasi fiche ya CNN ya pamoja. Usambazaji hauwezi kuwa hasi na jumla ya uzito wake ni moja:

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

Koordinati ya msingi iliyosawazishwa ya nafasi za vipengele fiche:

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

Vizuizi vya marginal vya mpango wa usafirishaji P:

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

Mpango wa optimal transport ulioregularize kwa entropy umeandikwa katika chanzo kama ifuatavyo:

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

Hapa C ni matriksi ya gharama ya usafirishaji, ⟨P,C⟩ inawakilisha gharama ya jumla ya usafirishaji ya mpango, na ε katika mlinganyo huu ni mgawo wa regularization ya entropy. Katika uchunguzi wa vigezo wa utafiti, usahihi wa juu zaidi wa wastani wa uainishaji ulipatikana katika ε = 0.1 na thamani hii ikatumika.

Umbali wa takribani wa Wasserstein kati ya nodi mbili kwa Sinkhorn:

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

Kadiri dij inavyopungua, ndivyo usambazaji wa vipengele fiche wa nodi mbili unavyochukuliwa kuwa unafanana zaidi. Umbali huu hubadilishwa kuwa uzani wa ujirani:

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

N(i) inaonyesha seti ya ujirani inayobadilika, na τ mgawo wa halijoto wa uzani wa ukingo. Chanzo hakiripoti wazi thamani ya namba ya τ wala idadi ya majirani waliochaguliwa kwa kila nodi; thamani hizi hazijabuniwa katika maelezo ya Verianla.

Hatimaye, grafu ya kila sampuli inaonyeshwa kama:

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

Hapa V inawakilisha nodi sita za ishara, H(n,0) vipengele vya nodi vinavyotoka CNN na A(n) matriksi ya ujirani yenye uzani ya 6×6 iliyo mahususi kwa sampuli hiyo.

Utoaji wa vipengele vya kimahusiano kwa GCN: Milinganyo (15)–(20)

Ili kuhifadhi pia taarifa ya nodi yenyewe, self-loop huongezwa:

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

Matriksi ya degree:

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

Ujirani uliosawazishwa kwa ulinganifu:

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

Tabaka la kwanza la GCN huhamisha nodi 6 kwenda nafasi fiche ya vipimo 64:

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

Tabaka la pili hurudi kwenye uwakilishi wa nodi wa vipimo 32:

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

Kwa global average pooling, nodi sita hupunguzwa kuwa uwakilishi mmoja wa grafu:

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

Katika mnyororo huu, vitengo vya kimwili vya ampere/volt havibebwi tena moja kwa moja; H na fg ni uwakilishi fiche uliojifunzwa usio na vipimo. Lengo la kihisabati ni kufanya nodi ikusanye kwa namna iliyosawazishwa si taarifa yake tu, bali pia taarifa inayotoka kwenye ishara nyingine zilizo majirani zake katika grafu inayobadilika.

BiGRU na global attention: Milinganyo (21)–(31)

Chanzo kinatoa michakato ya GRU ya mbele na nyuma kwa namna ifuatayo:

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

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

Hali fiche za pande mbili huunganishwa:

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

Global attention husawazisha alama za ulinganifu kati ya hali lengwa na hali zote fiche za chanzo:

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

Kisha chanzo kinaandika uwakilishi wa pili wa attention kama ifuatavyo:

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

Dokezo la uandishi ndani ya chanzo: Ingawa katika umbo lililochapishwa la Mlinganyo (25) jumla katika denomineta imeandikwa kwa faharasa j, neno la eksponenti bado ni eki. Kwa hiyo, haiwezekani kubaini kwa uhakika kutoka katika maandishi jinsi faharasa ya jumla inavyotumika kwa neno la denomineta. Verianla haijabadilisha kimyakimya fomula kuwa ekj; muundo uliochapishwa katika chanzo umehifadhiwa na utata umeachwa wazi.

Alama ya nishati ya attention:

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

Muhtasari wa hali fiche wenye uzani:

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

Uwakilishi fiche wa nodi ya mwisho ya pato:

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

Katika sehemu ya utekelezaji wa utafiti, hali za mwisho za mbele na nyuma za BiGRU huunda vekta ya query; query hii hulinganishwa na vipande vyote 64 vya muda na usambazaji wa attention wenye vipengele 64 hutolewa. Vekta ya global context:

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

Hapa ht ni hali fiche ya BiGRU yenye vipimo 96, αt ni uzani wa attention wa kipande husika cha muda, na B ni batch size. Context na query huunganishwa:

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

Kipengele cha mwisho cha tawi la muda chenye vipimo 128:

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

LN inaonyesha mchakato wa layer normalization. Jukumu la kisayansi la tawi hili ni kuwakilisha kwa uzani mkubwa zaidi maeneo ya muda yanayokuwa muhimu hitilafu inapotokea, huku likipunguza athari za vipande vya muda vyenye kelele au taarifa ndogo.

Muunganisho wa matawi mawili na pato la madarasa 21: Milinganyo (32)–(37)

Tawi la grafu na tawi la muda kwanza hupelekwa kila moja kivyake kwenye nafasi ya pamoja yenye vipimo 128:

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

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

Uwakilishi huo mbili huunganishwa na kupitishwa katika fusion isiyo ya mstari:

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

Vekta ya logit kwa madarasa 21:

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

Uwezekano wa madarasa huhesabiwa kwa Softmax:

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

Utambuzi wa mwisho ni darasa lenye uwezekano wa juu zaidi:

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

Vipimo vya utendaji: Milinganyo (38)–(41)

Chanzo kinatumia vipimo vinne vya kawaida vya uainishaji:

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

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

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

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

TP inaonyesha idadi ya true positive, TN true negative, FP false positive na FN false negative. Accuracy hupima ni sehemu gani ya maamuzi yote ni sahihi; precision ni sehemu gani ya zilizotiwa alama kuwa shambulio/hitilafu ambazo kwa kweli ni za darasa husika; recall ni sehemu gani ya sampuli halisi husika zilizogunduliwa; na F1 hupima uwiano wa kiharmonia kati ya precision na recall. Vipimo hivi pekee havithibitishi uaminifu wa modeli katika mazingira halisi ya viwandani; vinapima utendaji wa uainishaji ndani ya data na masharti yaliyojaribiwa katika chanzo.

Mbinu na Matokeo ya Utafiti

Uzalishaji wa data, uigaji na mpaka wa HIL

Katika maelezo ya data ya chanzo, njia mbili za uzalishaji zimewasilishwa kwa pamoja: data za majaribio zilipatikana kupitia muunganisho wa TCP/IP kati ya jukwaa la Starsim MT6060 HIL na kompyuta kuu, huku sambamba na hilo kigeuzi cha T-type cha ngazi tatu kikijengwa ndani ya MATLAB 2024b/Simulink ili kuzalisha data za hitilafu za uigaji. Maandishi yanasema kuwa kwa kila hali ya hitilafu rekodi 300 zilikusanywa kupitia upataji huru na kugawanywa kwa 70%/15%/15%; hata hivyo, hayafafanui wazi kama mgawanyo huu ulitumika kando kwa data za HIL na uigaji au kwa pamoja. Kwa hiyo, maelezo ya Verianla hayachanganyi vyanzo viwili na kudhani muundo mpya wa seti ya data.

KipengeleThamani iliyotolewa katika chanzoMpaka wa tafsiri
Isharaia, ib, ic, VAO, VBO, VCONjia sita
Urefu wa rekodiNukta 1024 za sampuli / njiaChanzo hakilinganishi frequency ya sampuli na thamani hii
Idadi ya rekodiRekodi 300 kwa kila hali ya hitilafu ya IGBTJumla ya rekodi haijatolewa kando katika chanzo
Volteji ya DC-link800 V, tofauti ya ±5%Sharti lililobadilishwa wakati wa upataji wa data
Mgawanyo wa data70% / 15% / 15%Mafunzo / uthibitishaji / majaribio
Programu ya uigajiMATLAB 2024b / SimulinkUzalishaji wa data za hitilafu za T-NPC
Mfumo wa HILStarsim MT6060Uzalishaji upya wa hali ya hitilafu kwa wakati halisi na upataji wa ishara
KidhibitiTMS320F28335 DSPUzalishaji wa ishara ya 20 kHz PWM
Capacitor za DCC1, C2 = 4000 µFJedwali la vigezo vya uigaji na HIL
Frequency ya switching20 kHzfs; haipaswi kufasiriwa kama frequency ya sampuli ya data
Upinzani wa mzigo30 ΩR
Inductance ya kichujio3 mHLf
Capacitor ya kichujio8000 µFCf
ProcessorIntel Core i7-14900Mazingira ya mafunzo
Kumbukumbu16 GB RAMMazingira ya mafunzo
GPUNVIDIA GeForce GTX 5060Imeripotiwa hivyo katika chanzo
Learning rate1 × 10−3Chanzo hakitaji jina la optimizer
Weight decay1 × 10−4Regularization
Batch size64Kigezo cha mafunzo
Dropout0.25Kigezo cha mafunzo
Sinkhorn entropy ε0.1Usahihi wa juu zaidi wa wastani katika majaribio 10 yaliyorudiwa
Tabaka la GCN2Limechaguliwa kwa ablation ya idadi ya tabaka
Mchoro huru usio na skeli uliotayarishwa kwa Verianla kwa kutegemea mahusiano ya kiutendaji ya mpangilio wa HIL katika Kielelezo 18 cha chanzo. Si picha ya kifaa halisi; unaonyesha tu majukumu ya miunganisho yaliyoelezwa katika chanzo.

Ablation ya mkakati wa kujenga grafu

ModeliAccuracyWastani wa muda wa mafunzoVigezo vya tawi la grafu
Euclidean distance KNN weighted graph92.34%11 s20.12 K
Unweighted Sinkhorn graph95.21%14 s22.45 K
Weighted Sinkhorn dynamic graph iliyopendekezwa99.88%15 s25.34 K

Mbinu iliyopendekezwa haina gharama ya chini kabisa ya hesabu. Ikilinganishwa na chaguo la Euclidean KNN, chanzo kinaripoti ongezeko la pointi 7.54 za asilimia katika usahihi kwa gharama ya vigezo 5.22 K vya ziada na takribani 4 s za ziada za wastani wa muda wa mafunzo. Matokeo haya yanaweka dai la utafiti si kama “modeli nyepesi zaidi”, bali kama uwiano unaofaa zaidi kati ya usahihi na gharama ya hesabu.

Ablation ya usanifu wa mikondo miwili

ModeliAccuracy (%)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
Modeli kamili iliyopendekezwa99.88 ± 0.8498.98 ± 1.2498.88 ± 1.1698.78 ± 2.0

Jedwali hili linaonyesha kwamba hakuna kipengele kimoja kinachoeleza utendaji wote. Kuongezwa kwa grafu inayotegemea Sinkhorn huinua kiwango cha msingi cha CNN-GCN; tawi la muda huleta taarifa ya ziada kupitia GRU; BiGRU hutumia kwa pamoja muktadha wa mbele na nyuma na kuongeza zaidi matokeo; global attention na fusion sambamba hutoa faida ya ziada katika usanifu kamili.

Ablation ya global attention

MuundoAccuracy
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%
Modeli iliyopendekezwa99.88%

Chanzo kinaripoti ongezeko la pointi 7.87 za asilimia global attention inapoongezwa kwenye muundo wa GRU; ongezeko la pointi 6.43 za asilimia global attention inapotumika badala ya global average pooling katika BiGRU, na pointi 3.23 za asilimia inapotumika badala ya fully connected. Chini ya attention ileile, BiGRU inatoa usahihi wa pointi 1.12 za asilimia juu ya GRU. Katika usanifu wa mikondo miwili, kutumia attention badala ya fully connected katika fusion kumehusishwa na ongezeko la ziada la pointi 1.20 za asilimia.

Usahihi wa 99.88% Unapaswa Kufasiriwaje?

Thamani ya 99.88% ni wastani wa usahihi wa uthibitishaji wa majaribio yaliyorudiwa yaliyoripotiwa katika utafiti na inaonyesha utendaji wa modeli katika madarasa 21 yaliyowahi kuchunguzwa pamoja na masharti ya uzalishaji na mgawanyo wa data yaliyofafanuliwa katika chanzo; haimaanishi usahihi wa jumla uliothibitishwa kwa michanganyiko yote ya hitilafu za T-NPC kwenye kifaa halisi kilichopachikwa shambani. Utekelezaji mmoja wa mfano wa confusion-matrix ulioonyeshwa katika chanzo una usahihi wa 99.76%, ambapo sampuli mbili kati ya sampuli 819 za uthibitishaji ziliainishwa vibaya; uainishaji wa kiasi wa HIL-only na utekelezaji halisi kwenye maunzi yaliyopachikwa zimeachwa kuwa kazi za siku zijazo.

Confusion matrix ya mfano na madarasa yaliyotabiriwa vibaya

Katika utekelezaji wa mfano, sampuli moja ya Sa1Sa2 ya darasa 1 ilitabiriwa kuwa Sa3Sa4 ya darasa 15; na sampuli moja ya Sa1Sb1 ya darasa 4 ilitabiriwa kuwa Sa2Sa3 ya darasa 9. Kinyume chake, kwa madarasa manne ya hitilafu ya IGBT moja, Sa1, Sa2, Sa3 na Sa4, sampuli zote 39 katika kila darasa zilitambuliwa kwa usahihi katika utekelezaji huu wa mfano, na chanzo kikatoa precision na recall za 100%.

Utendaji chini ya kelele

Chanzo kinalinganisha modeli chini ya masharti ya Gaussian white noise ya −4 dB, −2 dB, 0 dB, 2 dB na 4 dB. Modeli iliyopendekezwa hutoa matokeo ya juu zaidi kati ya mbinu zilizolinganishwa kwa accuracy, precision, recall na F1 katika masharti mazito zaidi ya kelele, yaani −4 dB na −2 dB. Hata hivyo, katika hali ya 4 dB huwa nyuma kidogo ya 1D-DSCNN-GMP kwa accuracy na F1. Kwa hiyo, utafiti hauungi mkono dai la “ubora usio na masharti katika kila kiwango cha SNR”, bali unasaidia dai la ustahimilivu mkubwa hasa chini ya kelele kali zaidi.

Kina cha GCN na uchaguzi wa Sinkhorn ε

Utafiti wa idadi ya tabaka za GCN unaonyesha kuwa tabaka moja halitoi utoaji wa kutosha wa vipengele vya kimahusiano, usahihi hufikia kilele katika tabaka mbili, na katika mitandao yenye kina zaidi utendaji hupungua kwa sababu ya over-smoothing inayohusishwa na uwakilishi wa nodi kufanana kupita kiasi. Kwa sababu ya grafu ndogo inayobadilika yenye nodi sita, tabaka mbili za GCN zilichaguliwa ili kusawazisha usahihi, ukubwa wa modeli na gharama ya hesabu.

Katika majaribio kumi yaliyorudiwa ya mgawo wa regularization wa Sinkhorn entropy ε, usahihi wa juu zaidi wa wastani ulipatikana katika ε = 0.1. Chanzo kinaripoti kwamba kwa thamani ndogo sana za ε mpango wa usafirishaji huwa sparse, convergence hupungua na grafu huwa nyeti zaidi kwa kelele/mabadiliko ya volteji ya DC; kwa thamani kubwa sana za ε, kulainisha kupita kiasi hufanya umbali wa nodi ufanane na kudhoofisha utengano wa madarasa.

Ucheleweshaji wa inference

Katika Kielelezo 17, chanzo kinatoa wastani wa muda wa inference wa modeli iliyopendekezwa kwa batch size = 1 kuwa takribani 5 ms / sampuli ya utambuzi. Muda huu unajumuisha utoaji wa vipengele wa CNN, ujenzi wa grafu inayobadilika ya Sinkhorn–Wasserstein, GCN, attention-BiGRU, fusion ya vipengele na uainishaji wa mwisho; muda wa upataji wa ishara na uhamishaji wa data haujumuishwi katika 5 ms hizi. Kwa hiyo, thamani ya 5 ms haipaswi kufasiriwa kama muda wa jumla wa kimwili wa kugundua hitilafu kutoka mwanzo hadi mwisho.

Uthibitishaji wa HIL unaonyesha nini?

Mpangilio wa HIL unaotegemea Starsim MT6060 na TMS320F28335 unaonyesha kuwa upotoshaji unaotarajiwa wa mkondo na volteji katika hitilafu mbalimbali za mzunguko wazi unaweza kuzalishwa upya katika mazingira ya wakati halisi. Chanzo kinatoa maumbo ya mawimbi kwa mifano ya Sa4, Sa1Sa2 na Sa1Sa3, na kuripoti kuwa ishara hizi zinaendana na taratibu za hitilafu katika uchanganuzi wa uigaji. Hata hivyo, katika sehemu ya matokeo, chanzo kinaacha tathmini ya kiasi ya uainishaji wa HIL-only kuwa kazi ya baadaye.

Matokeo yanayoungwa mkono na utafiti na ujumlishaji ambao hauungwi mkono

Chanzo kinaunga mkonoChanzo hakiungi mkono
Kuunda modeli ya ishara sita za mkondo-volteji kwa grafu inayobadilika mahususi kwa sampuli kulitoa usahihi wa juu kuliko mbadala za grafu zisizobadilika/Euclidean chini ya masharti yaliyojaribiwa katika chanzo.Hitimisho kwamba faida hiyo hiyo imehakikishwa katika topolojia zote za vigeuzi au aina zote za hitilafu.
Tawi la muda la BiGRU + global attention na fusion sambamba vilitoa mchango wa ziada katika utendaji kwenye ablation.Hitimisho kwamba uzani wa attention ni usababishi wa kimwili au sababu halisi ya msingi ya hitilafu.
Modeli iliyopendekezwa ilitoa matokeo makubwa kati ya modeli zilizolinganishwa chini ya Gaussian white noise kali ya −4 dB na −2 dB.Hitimisho kwamba ni modeli bora bila masharti kwa kila aina ya kelele na kila kiwango cha SNR.
Mfumo wa HIL ulizalisha upya hali za hitilafu na maumbo ya mawimbi ya mkondo-volteji.Hitimisho kwamba usahihi huru wa uainishaji wa 99.88% kutoka mwanzo hadi mwisho umeonyeshwa kwenye HIL.
Madarasa 21 yalichunguzwa.Hitimisho kwamba michanganyiko yote ya hitilafu moja na mbili za mzunguko wazi katika mfumo wa T-NPC imejumuishwa.
Muda wa inference wa modeli wa takribani 5 ms umeripotiwa.Hitimisho kwamba muda wa jumla wa majibu ya shambani, ukiwemo upataji wa ishara na uhamishaji wa data, ni 5 ms.

Masuala yaliyobaki wazi kuhusu uwezekano wa kurudia matokeo

Ingawa chanzo kinaeleza mnyororo wa mbinu kwa kina, baadhi ya vigezo vya utekelezaji haviko wazi. Idadi ya majirani waliochaguliwa kwa ujirani unaobadilika N(i), thamani ya namba ya mgawo wa halijoto τ katika Mlinganyo (13), jina la optimizer na idadi kamili ya juu zaidi ya epoch za mafunzo hazijaripotiwa wazi katika maandishi. Zaidi ya hayo, maelezo ya data yanaeleza data za HIL na MATLAB/Simulink katika sehemu moja lakini hayatenganishi wazi jinsi mgawanyo wa 70/15/15 ulivyotumika kwa vyanzo hivi vya data. Mapengo haya hayajajazwa kwa kubuni thamani mpya.

Maelezo ya Chanzo na Mbinu

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

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

Mwandishi wa mawasiliano: Lin Bai; ameonyeshwa katika chanzo kwa alama ya nyota kama corresponding author.

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

Jarida: Energies.

Mchapishaji: MDPI, Basel, Switzerland.

Mwaka / juzuu / toleo / makala: 2026; 19(17); 4227.

DOI: 10.3390/en19174227.

Kiungo rasmi: https://doi.org/10.3390/en19174227

Aina ya makala na mapitio ya kitaalamu: Ni makala ya utafiti iliyochapishwa katika jarida la Energies. Rekodi ya chanzo inasema ilipokelewa 7 Agosti 2026, ikafanyiwa marekebisho 1 Septemba 2026, ikakubaliwa 4 Septemba 2026 na kuchapishwa 7 Septemba 2026.

Leseni: Ufikiaji wazi chini ya leseni ya Creative Commons Attribution (CC BY).

Aina ya utafiti wa kisayansi: Uundaji wa mbinu ya utambuzi wa hitilafu inayotegemea ujifunzaji wa kina; uigaji wa MATLAB/Simulink, majaribio ya ablation na kelele, pamoja na uthibitishaji wa hali ya hitilafu/ishara unaotegemea HIL.

Ufadhili: Chanzo kinatumia kauli “This research received no external funding”.

Upatikanaji wa data: Chanzo kinasema michango asilia ya utafiti inapatikana ndani ya makala na maswali ya ziada yanaweza kuelekezwa kwa corresponding author; hakuna kiungo cha hifadhi huru ya data ya wazi kilichotolewa.

Mgongano wa maslahi: Imeelezwa kwamba Bo Guo, Weiye Jing na Feng Li ni wafanyakazi wa Shanxi Lu’an Anyi Electric Co. Waandishi wengine wametangaza kutokuwa na mahusiano ya kibiashara au kifedha yanayoweza kuathiri utafiti.

Michango ya waandishi: Uundaji wa dhana: Lin Bai na Wei Luo; mbinu: Lin Bai na Bo Guo; programu: Lin Bai na Weiye Jing; uthibitishaji: Lin Bai, Feng Li na Wei Luo; uandishi wa rasimu ya kwanza: Lin Bai na Weiye Jing; mapitio na uhariri: Bo Guo na Wei Luo. Waandishi wote wamesoma na kuidhinisha toleo lililochapishwa.

Hoja za kuzingatia ndani ya chanzo: Katika Mlinganyo (25), uandishi wa faharasa katika denomineta ya normalization ya attention una utata wa kihisabati na haujasahihishwa kimyakimya hapa. Alama ε imetumika kwa konstanti ndogo ya uthabiti katika denomineta ya Z-score na pia kwa mgawo wa regularization wa Sinkhorn entropy; maana hizi mbili zimehifadhiwa tofauti. Kwa kuwa chanzo pia hakitenganishi kikamilifu utaratibu wa kugawa data za HIL na uigaji, Verianla haijadhania mtiririko mpya wa data katika hatua hii.

Mpaka mkuu wa tafsiri: Wastani wa usahihi wa uthibitishaji wa 99.88% unahusu madarasa 21 na masharti ya majaribio yaliyofafanuliwa katika chanzo. Uainishaji wa kiasi wa HIL-only, michanganyiko yote inayowezekana ya hitilafu za awamu-B/awamu-C, ujumlishaji kati ya masharti na utekelezaji wa wakati halisi kwenye maunzi yaliyopachikwa vimeachwa kuwa kazi za baadaye.


Shiriki:

Maoni huchapishwa baada ya kukaguliwa. Maoni yako yatapitia mchakato wa idhini na yataonekana yakikubaliwa.

Acha maoni

Anwani yako ya barua pepe haitachapishwa. Sehemu za lazima zimewekewa alama ya *