Önerilen çift akışlı ağ, T-tip nötr nokta kenetlemeli üç seviyeli eviricilerdeki IGBT açık devre arızalarını; akım-gerilim sinyalleri arasındaki örneğe özgü ilişkileri bir grafik kolunda, zamansal örüntüleri ise dikkat mekanizmalı çift yönlü kapılı tekrarlayan birim (BiGRU) kolunda öğrenerek sınıflandıran bir derin öğrenme mimarisidir. Çalışmada üç faz akımı ile üç faz gerilimi altı ayrı sinyal düğümü olarak ele alınmış; ortak bir 1B CNN ile öznitelikler çıkarılmış, Sinkhorn ile yaklaşık Wasserstein uzaklıkları hesaplanarak örnek bazında ağırlıklı dinamik grafik kurulmuş ve bu grafik iki katmanlı GCN ile işlenmiştir. Paralel zaman kolunda BiGRU ve global attention kullanılmış, iki kolun temsilleri birleştirilerek 21 çalışma durumu sınıflandırılmıştır.
Kaynakta her kayıt altı sinyalin her biri için 1024 örnekleme noktası içerir. Her arıza durumu için 300 kayıt ayrı edinimlerle toplanmış, DC bağlantı gerilimi 800 V değerinin ±5% çevresinde değiştirilmiş ve veriler 70% eğitim, 15% doğrulama ve 15% test olarak rastgele ayrılmıştır. Model eğitiminde Z-score standardizasyonu, 1×10−3 öğrenme oranı, 1×10−4 weight decay, 64 batch boyutu ve 0.25 dropout oranı raporlanmıştır. Kaynak, kullanılan optimizer adını ve eğitim için kesin azami epoch sayısını yöntem tablosunda belirtmemektedir.
Önerilen tam model için tekrarlı deneylerin ortalama doğrulama doğruluğu 99.88% olarak raporlanmıştır. Ablasyon sonuçlarında CNN-GCN 93.98 ± 4.00%, CNN-Sinkhorn-GCN 95.00 ± 1.80%, CNN-Sinkhorn-GCN + GRU 95.47 ± 1.93% ve CNN-Sinkhorn-GCN + BiGRU 96.96 ± 1.61% doğruluk verirken tam model 99.88 ± 0.84% doğruluğa ulaşmıştır. Bununla birlikte kaynakta gösterilen temsilî karışıklık matrisi koşusu 99.76% doğrulukta olup 819 doğrulama örneğinin ikisi yanlış sınıflandırılmıştır; dolayısıyla 99.88% ile 99.76% farklı raporlama bağlamlarına aittir.
Çalışma yalnız yazılım simülasyonuna dayanmamaktadır: MATLAB 2024b/Simulink modeli yanında Starsim MT6060 gerçek zamanlı HIL sistemi ve TMS320F28335 denetleyicisi kullanılarak arıza koşulları yeniden üretilmiş ve akım-gerilim dalga biçimleri edinilmiştir. Ancak HIL bölümü bağımsız bir HIL-only sınıflandırma doğruluk tablosu sunmamaktadır; yazarlar HIL-only nicel değerlendirmenin ve gömülü donanımda gerçek zamanlı uygulamanın gelecek çalışma konusu olduğunu açıkça belirtmektedir.
T-NPC Üç Seviyeli Eviricide IGBT Açık Devre Arızası Neyi Değiştirir?
IGBT açık devre arızası, ilgili anahtarın iletim yolunu kullanılamaz hale getirerek faz akımının alternatif diyot veya anahtar yollarına yönelmesine ve T-NPC eviricinin P, O ve N çıkış durumları arasında arızaya bağlı geçişler oluşmasına neden olur. Bu değişim yalnız tek bir akım genliğini etkilemekle kalmaz; akımın yönüne ve hangi anahtarın açık devre kaldığına göre pozitif veya negatif yarım çevrimde faz akımı ile faz geriliminin dalga biçimi farklı şekilde bozulabilir.
T-NPC topolojisinde her faz kolunda iki dış anahtar ve iki iç anahtar bulunur. Kaynak faz-A için Sa1, Sa2, Sa3 ve Sa4 açık devre arızalarının akım yönüne bağlı etkilerini ayrı ayrı çözümlemektedir. Seri DC bağlantı kapasitörleri faz koluna Udc1, 0 ve Udc2 olmak üzere üç gerilim seviyesi sağlar. Açık devre arızası oluştuğunda beklenen iletim yolu kesilir ve serbest dolaşım diyotları ile kalan anahtarlar üzerinden yeni bir yol oluşabilir.
| Arızalı IGBT | Akım yönü | Kaynakta verilen akım yolu | Durum değişimi |
|---|---|---|---|
| Sa1 | ia > 0 | Sa1 → Da2, Sa3 | P → O |
| Sa1 | ia < 0 | Da1 | Değişim yok |
| Sa2 | ia > 0 | Da2, Sa3 | Değişim yok |
| Sa2 | ia < 0 | Sa2, Da3 → Da1 | O → P |
| Sa3 | ia > 0 | Sa3, Da2 → Da4 | O → N |
| Sa3 | ia < 0 | Sa2, Da3 | Değişim yok |
| Sa4 | ia > 0 | Da4 | Değişim yok |
| Sa4 | ia < 0 | Sa4 → Sa2, Da3 | N → O |
Çift IGBT arızalarında aynı mantık daha karmaşık hale gelir. Farklı fazlarda oluşan iki arıza için önce her fazın yerel iletim seçenekleri tek-anahtar kurallarından çıkarılır; ancak kaynak özellikle bunun iki arızanın dinamik olarak bağımsız olduğu veya dalga biçimi etkilerinin doğrusal biçimde üst üste eklenebileceği anlamına gelmediğini belirtir. Aynı fazdaki iki arıza ise iletim yönlerini doğrudan birbirine bağlayabilir; örneğin Sa1 ve Sa3 birlikte açık devre olduğunda ia > 0 koşulunda durum P’den N’ye geçebilir.
Çalışmada sınıflandırılan 21 durum
Model, bütün olası T-NPC açık devre kombinasyonlarını kapsamaz. Kaynak veri kümesi 20 seçilmiş açık devre arızası ile bir sağlıklı durumu içerir; özellikle faz-B ve faz-C tarafındaki kalan kombinasyonların gelecekte veri kümesine eklenmesi planlanmaktadır.
| Etiket | Durum | Etiket | Durum |
|---|---|---|---|
| 0 | Sa1 | 11 | Sa2Sb2 |
| 1 | Sa1Sa2 | 12 | Sa2Sb3 |
| 2 | Sa1Sa3 | 13 | Sa2Sb4 |
| 3 | Sa1Sa4 | 14 | Sa3 |
| 4 | Sa1Sb1 | 15 | Sa3Sa4 |
| 5 | Sa1Sb2 | 16 | Sa3Sb3 |
| 6 | Sa1Sb3 | 17 | Sa3Sb4 |
| 7 | Sa1Sb4 | 18 | Sa4 |
| 8 | Sa2 | 19 | Sa4Sb4 |
| 9 | Sa2Sa3 | 20 | Normal |
| 10 | Sa2Sa4 |
Sinkhorn–Wasserstein Dinamik Grafiği Bu Çalışmada Neden Kullanılıyor?
Sinkhorn–Wasserstein dinamik grafiği, altı akım-gerilim sinyalinin aralarındaki ilişkiyi sabit bir topoloji olarak varsaymak yerine her örnek için CNN'den öğrenilen gizli öznitelik dağılımlarının benzerliğine göre yeniden ağırlıklandırmak amacıyla kullanılır. Böylece farklı anahtar arızalarının akım ve gerilim kanallarını farklı biçimde etkilemesi, örneğe özgü bir komşuluk matrisi içinde temsil edilerek GCN'nin yalnız tek tek sinyalleri değil sinyaller arası ilişkileri de öğrenmesi hedeflenir.
Giriş matrisi ve Z-score standardizasyonu: Denklemler (1)–(4)
Her örnek altı kanal ve kanal başına 1024 örnekleme noktasıyla tanımlanır:
\[X^{(n)}=[i_a^{(n)}\; i_b^{(n)}\; i_c^{(n)}\; V_{AO}^{(n)}\; V_{BO}^{(n)}\; V_{CO}^{(n)}]^T \in \mathbb{R}^{6\times1024}. \tag{1}\]
Denklem (1), modelin tek bir örnekte üç akım ve üç gerilim dalga biçimini birlikte gördüğünü ifade eder. Akımların fiziksel birimi amper, gerilimlerin fiziksel birimi volttur; ancak bu büyüklükler Z-score işleminden sonra boyutsuz standartlaştırılmış değerlere dönüşür.
Kaynak, kanal ortalamasını yalnız eğitim kümesinden hesaplar:
\[\mu_c=\frac{1}{N_{tr}T}\sum_{n\in D_{tr}}\sum_{t=1}^{T}X_{c,t}^{(n)}. \tag{2}\]
Standart sapma da aynı eğitim kümesi üzerinden hesaplanır:
\[\sigma_c=\sqrt{\frac{1}{N_{tr}T}\sum_{n\in D_{tr}}\sum_{t=1}^{T}\left(X_{c,t}^{(n)}-\mu_c\right)^2}. \tag{3}\]
Son standardizasyon:
\[\widetilde{X}_{c,t}^{(n)}=\frac{X_{c,t}^{(n)}-\mu_c}{\sigma_c+\varepsilon}. \tag{4}\]
Burada c altı sinyal kanalından birini, t örnekleme konumunu, T = 1024 kayıt uzunluğunu, Dtr eğitim kümesini ve Ntr eğitim örneği sayısını gösterir. Denklem (4)'teki küçük pozitif ε, sıfıra bölünmeyi önlemek için kullanılır. Kaynak daha sonra Sinkhorn optimal taşıma düzenlileştirmesinde de ε sembolünü kullanmaktadır; iki kullanımın matematiksel görevi farklıdır ve birbirine karıştırılmamalıdır.
Ortak CNN ile altı düğümün 32 boyuta sıkıştırılması: Denklemler (5)–(6)
İki evrişim bloğu şu yapıyla verilir:
\[B_l(z)=\operatorname{ReLU}[\operatorname{BN}(W_l * z+b_l)],\quad l=1,2. \tag{5}\]
Wl evrişim çekirdeği parametrelerini, bl bias terimini, BN batch normalization işlemini ve ReLU doğrusal olmayan aktivasyonu temsil eder. İki bloktan sonra adaptif ortalama havuzlama ve doğrusal projeksiyon uygulanarak her sinyal düğümü 32 boyutlu temsile dönüştürülür:
\[H^{(0)}=[h_{i_a}^{(0)},h_{i_b}^{(0)},h_{i_c}^{(0)},h_{V_{AO}}^{(0)},h_{V_{BO}}^{(0)},h_{V_{CO}}^{(0)}]^T\in\mathbb{R}^{6\times32}. \tag{6}\]
Bu aşamanın rolü, 1024 noktalı ham dalga biçimlerini daha kompakt bir gizli uzaya taşımak ve sonraki Sinkhorn hesabı ile grafik evrişiminin maliyetini azaltmaktır.
Sinkhorn–Wasserstein ile dinamik grafik: Denklemler (7)–(14)
Her düğümün 32 boyutlu gizli özniteliği önce Softmax ile olasılık benzeri bir dağılıma dönüştürülür:
\[p_{i,r}=\frac{\exp(h_{i,r}^{(0)})}{\sum_{s=1}^{F}\exp(h_{i,s}^{(0)})},\quad F=32. \tag{7}\]
Bu dağılım ham akım veya gerilim genliğinin fiziksel olasılık dağılımı değildir; ortak CNN gizli uzayındaki aktivasyonların normalize edilmiş temsilidir. Dağılımlar negatif olamaz ve toplam kütleleri birdir:
\[p_i,p_j\in\Delta^{F-1},\quad p_{i,r}\ge0,\quad\sum_{r=1}^{F}p_{i,r}=1. \tag{8}\]
Gizli özellik konumlarının normalize destek koordinatı:
\[u_r=\frac{r-1}{F-1},\quad r=1,\ldots,F. \tag{9}\]
Taşıma planı P'nin marjinal kısıtları:
\[\sum_{s=1}^{F}P_{rs}=p_{i,r},\qquad\sum_{r=1}^{F}P_{rs}=p_{j,s}. \tag{10}\]
Entropiyle düzenlenmiş optimal taşıma planı kaynakta şu şekilde yazılır:
\[P_{ij}^{*}=\arg\min\left[\langle P,C\rangle+\varepsilon\sum_{r=1}^{F}\sum_{s=1}^{F}P_{rs}(\ln P_{rs}-1)\right]. \tag{11}\]
Burada C taşıma maliyeti matrisidir, ⟨P,C⟩ planın toplam taşıma maliyetini temsil eder ve bu denklemdeki ε entropi düzenlileştirme katsayısıdır. Çalışmanın parametre taramasında en yüksek ortalama sınıflandırma doğruluğu ε = 0.1 değerinde elde edilmiş ve bu değer kullanılmıştır.
İki düğüm arasındaki Sinkhorn ile yaklaşık Wasserstein uzaklığı:
\[d_{ij}=\sum_{r=1}^{F}\sum_{s=1}^{F}P_{ij,rs}^{*}C_{rs}. \tag{12}\]
dij küçüldükçe iki düğümün gizli özellik dağılımları daha benzer kabul edilir. Bu uzaklık komşuluk ağırlığına çevrilir:
\[A_{ij}=\begin{cases}\exp(-d_{ij}/\tau),&j\in N(i)\\0,&\text{aksi halde}\end{cases}. \tag{13}\]
N(i) dinamik komşuluk kümesini, τ kenar ağırlığı sıcaklık katsayısını gösterir. Kaynak τ için sayısal bir değer ve her düğüm için seçilen komşu sayısını açık biçimde raporlamamaktadır; bu değerler Verianla anlatımında uydurulmamıştır.
Örnek bazlı grafik son olarak:
\[g^{(n)}=(V,H^{(n,0)},A^{(n)}). \tag{14}\]
şeklinde ifade edilir. V altı sinyal düğümünü, H(n,0) CNN'den gelen düğüm özelliklerini ve A(n) o örneğe özgü 6×6 ağırlıklı komşuluk matrisini temsil eder.
GCN ile ilişkisel öznitelik çıkarımı: Denklemler (15)–(20)
Düğümlerin kendi bilgisini de korumak için öz-bağlantı eklenir:
\[\widetilde{A}=A+I. \tag{15}\]
Derece matrisi:
\[\widetilde{D}_{ii}=\sum_j\widetilde{A}_{ij}. \tag{16}\]
Simetrik normalize edilmiş komşuluk:
\[\widehat{A}=\widetilde{D}^{-1/2}\widetilde{A}\widetilde{D}^{-1/2}. \tag{17}\]
Birinci GCN katmanı 6 düğümü 64 boyutlu gizli uzaya taşır:
\[H^{(1)}=\operatorname{Dropout}\{\operatorname{ReLU}[\operatorname{BN}(\widehat{A}H^{(0)}W^{(0)})]\},\quad H^{(1)}\in\mathbb{R}^{6\times64}. \tag{18}\]
İkinci katman 32 boyutlu düğüm temsiline döner:
\[H^{(2)}=\operatorname{Dropout}\{\operatorname{ReLU}[\operatorname{BN}(\widehat{A}H^{(1)}W^{(1)})]\},\quad H^{(2)}\in\mathbb{R}^{6\times32}. \tag{19}\]
Global average pooling ile altı düğüm tek grafik temsiline indirgenir:
\[f_g=\operatorname{GAP}(H^{(2)})=\frac{1}{N}\sum_{i=1}^{N}h_i^{(2)}. \tag{20}\]
Bu zincirde fiziksel amper/volt birimleri artık doğrudan taşınmaz; H ve fg öğrenilmiş, boyutsuz gizli temsillerdir. Matematiksel amaç, bir düğümün yalnız kendi bilgisini değil dinamik grafikte komşu olduğu diğer sinyallerden gelen bilgiyi de normalize edilmiş şekilde toplamasıdır.
BiGRU ve global attention: Denklemler (21)–(31)
Kaynak, ileri ve geri GRU işlemlerini şu biçimde verir:
\[\overrightarrow{h}_t=\operatorname{GRU}(x_t,\overrightarrow{h}_{t-1}). \tag{21}\]
\[\overleftarrow{h}_t=\operatorname{GRU}(x_t,\overleftarrow{h}_{t-1}). \tag{22}\]
İki yönün gizli durumları birleştirilir:
\[h=W_{\overrightarrow{h_t}}\overrightarrow{h}_t+W_{\overleftarrow{h_t}}\overleftarrow{h}_t+b_t. \tag{23}\]
Global attention, hedef durum ile bütün kaynak gizli durumları arasındaki hizalama skorlarını normalize eder:
\[a_t(s)=\operatorname{align}(h_t,\bar h_s)=\frac{\exp(\operatorname{score}(h_t,\bar h_s))}{\sum_{s'}\exp(\operatorname{score}(h_t,\bar h_{s'}))}. \tag{24}\]
Kaynak daha sonra ikinci bir attention gösterimini şu şekilde yazar:
\[\alpha_{ki}=\frac{\exp(e_{ki})}{\sum_{j}^{l}\exp(e_{ki})}. \tag{25}\]
Kaynak içi gösterim notu: Denklem (25)'in basılı halinde paydadaki toplam j indisiyle yazılmış olmasına rağmen üstel terim yine eki olarak kalmaktadır. Bu nedenle toplam indeksinin paydadaki terime nasıl uygulanacağı metinden kesin çözülememektedir. Verianla, formülü sessizce ekj biçimine çevirmemiştir; kaynakta basıldığı yapı korunmuş ve belirsizlik açık bırakılmıştır.
Attention enerji skoru:
\[e_{ki}=V\tanh(Wh_k+Uh_i). \tag{26}\]
Ağırlıklı gizli durum özeti:
\[\beta=\sum_{i=1}^{l}\alpha_{ki}h_i. \tag{27}\]
Son çıkış düğümünün gizli temsili:
\[h'_k=H(\beta,h_k,x_k). \tag{28}\]
Çalışmanın uygulama tarafında son ileri ve geri BiGRU durumları bir query vektörü oluşturur; bu query bütün 64 zaman dilimiyle karşılaştırılır ve 64 elemanlı attention dağılımı üretilir. Global context vektörü:
\[c=\sum_{t=1}^{T}\alpha_t h_t\in\mathbb{R}^{B\times96}. \tag{29}\]
Burada ht 96 boyutlu BiGRU gizli durumu, αt ilgili zaman diliminin attention ağırlığı ve B batch boyutudur. Context ve query birleştirilir:
\[f_{pre}^{t}=[c\parallel q]\in\mathbb{R}^{B\times192}. \tag{30}\]
Zamansal kolun 128 boyutlu son özelliği:
\[f_t=\operatorname{Dropout}\{\operatorname{ReLU}[\operatorname{LN}(W_t f_{pre}^{t}+b_t)]\}. \tag{31}\]
LN layer normalization işlemini gösterir. Bu kolun bilimsel görevi, arıza meydana geldiğinde önemli hale gelen zaman bölgelerini daha yüksek ağırlıkla temsil ederken gürültülü veya düşük bilgi taşıyan zaman dilimlerinin etkisini azaltmaktır.
İki kolun füzyonu ve 21 sınıflı çıkış: Denklemler (32)–(37)
Grafik kolu ve zamansal kol önce ayrı ayrı ortak 128 boyutlu uzaya projekte edilir:
\[\widehat{f}_g=\operatorname{ReLU}[\operatorname{LN}(W_g^{p}f_g+b_g^{p})]. \tag{32}\]
\[\widehat{f}_{temp}=\operatorname{ReLU}[\operatorname{LN}(W_{temp}^{p}f_{temp}+b_{temp}^{p})]. \tag{33}\]
İki temsil birleştirilip doğrusal olmayan füzyondan geçirilir:
\[f_{fus}=\operatorname{Dropout}\{\operatorname{ReLU}[\operatorname{LN}(W_f f_{cat}+b_f)]\}. \tag{34}\]
21 sınıf için logit vektörü:
\[o=W_o f_{fus}+b_o\in\mathbb{R}^{B\times21}. \tag{35}\]
Sınıf olasılıkları Softmax ile hesaplanır:
\[\widehat{y}_c=\frac{\exp(o_c)}{\sum_{j=1}^{21}\exp(o_j)},\quad c=1,2,\ldots,21. \tag{36}\]
Son teşhis en yüksek olasılıklı sınıftır:
\[\widehat{c}=\arg\max_c\widehat{y}_c,\quad c\in\{1,\ldots,21\}. \tag{37}\]
Performans metrikleri: Denklemler (38)–(41)
Kaynak dört standart sınıflandırma metriğini kullanır:
\[\operatorname{Accuracy}=\frac{TP+TN}{TP+TN+FP+FN}. \tag{38}\]
\[\operatorname{Precision}=\frac{TP}{TP+FP}. \tag{39}\]
\[\operatorname{Recall}=\frac{TP}{TP+FN}. \tag{40}\]
\[F1=2\times\frac{\operatorname{Precision}\times\operatorname{Recall}}{\operatorname{Precision}+\operatorname{Recall}}. \tag{41}\]
TP gerçek pozitif, TN gerçek negatif, FP yanlış pozitif ve FN yanlış negatif sayısını gösterir. Accuracy tüm kararların ne kadarının doğru olduğunu; precision saldırı/arızalı diye işaretlenenlerin ne kadarının gerçekten ilgili sınıfa ait olduğunu; recall gerçek ilgili örneklerin ne kadarının yakalandığını; F1 ise precision ve recall arasındaki harmonik dengeyi ölçer. Bu metrikler modelin gerçek endüstriyel saha güvenilirliğini tek başına kanıtlamaz; kaynakta test edilen veri ve koşullar içindeki sınıflandırma performansını ölçer.
Çalışmanın Yöntemi ve Bulguları
Veri üretimi, simülasyon ve HIL sınırı
Kaynak veri tanımında iki üretim hattı birlikte yer alır: deneysel verilerin Starsim MT6060 HIL platformu ile ana bilgisayar arasında TCP/IP bağlantısı üzerinden edinildiği, buna paralel olarak T-tip üç seviyeli eviricinin MATLAB 2024b/Simulink içinde kurularak simülasyon arıza verilerinin üretildiği belirtilmektedir. Metin her arıza durumu için 300 kaydın bağımsız edinimlerle toplandığını ve 70%/15%/15% olarak bölündüğünü söyler; ancak bu bölmenin HIL ve simülasyon verilerine ayrı ayrı mı yoksa birlikte mi uygulandığını açıkça ayrıştırmaz. Bu nedenle Verianla anlatımı iki kaynağı birleştirip yeni bir veri seti yapısı varsaymamaktadır.
| Öğe | Kaynakta verilen değer | Yorum sınırı |
|---|---|---|
| Sinyaller | ia, ib, ic, VAO, VBO, VCO | Altı kanal |
| Kayıt uzunluğu | 1024 örnekleme noktası / kanal | Kaynak örnekleme frekansını bu değerle eşitlemez |
| Kayıt sayısı | Her IGBT arıza durumu için 300 kayıt | Toplam kayıt sayısı kaynakta ayrıca verilmez |
| DC-link gerilimi | 800 V, ±5% varyasyon | Veri ediniminde değiştirilen koşul |
| Veri ayrımı | 70% / 15% / 15% | Eğitim / doğrulama / test |
| Simülasyon yazılımı | MATLAB 2024b / Simulink | T-NPC arıza verisi üretimi |
| HIL sistemi | Starsim MT6060 | Gerçek zamanlı arıza koşulu yeniden üretimi ve sinyal edinimi |
| Denetleyici | TMS320F28335 DSP | 20 kHz PWM sinyali üretimi |
| DC kapasitörler | C1, C2 = 4000 µF | Simülasyon ve HIL parametre tablosu |
| Anahtarlama frekansı | 20 kHz | fs; veri örnekleme frekansı olarak yorumlanmamalı |
| Yük direnci | 30 Ω | R |
| Filtre endüktansı | 3 mH | Lf |
| Filtre kapasitörü | 8000 µF | Cf |
| İşlemci | Intel Core i7-14900 | Eğitim ortamı |
| Bellek | 16 GB RAM | Eğitim ortamı |
| GPU | NVIDIA GeForce GTX 5060 | Kaynakta bu biçimde raporlanmıştır |
| Learning rate | 1 × 10−3 | Kaynak optimizer adını belirtmez |
| Weight decay | 1 × 10−4 | Düzenlileştirme |
| Batch size | 64 | Eğitim parametresi |
| Dropout | 0.25 | Eğitim parametresi |
| Sinkhorn entropy ε | 0.1 | 10 tekrarlı deneyde en yüksek ortalama doğruluk |
| GCN katmanı | 2 | Katman sayısı ablasyonuyla seçilmiştir |
Grafik kurma stratejisinin ablasyonu
| Model | Accuracy | Ortalama eğitim süresi | Grafik kolu parametreleri |
|---|---|---|---|
| Euclidean distance KNN weighted graph | 92.34% | 11 s | 20.12 K |
| Unweighted Sinkhorn graph | 95.21% | 14 s | 22.45 K |
| Önerilen weighted Sinkhorn dynamic graph | 99.88% | 15 s | 25.34 K |
Önerilen yaklaşım en düşük hesaplama maliyetine sahip değildir. Euclidean KNN seçeneğine göre 5.22 K ek parametre ve yaklaşık 4 s ek ortalama eğitim süresi karşılığında kaynakta 7.54 yüzde puanlık doğruluk artışı raporlanmıştır. Bu sonuç, çalışmanın iddiasını “en hafif model” olarak değil, doğruluk ile hesaplama maliyeti arasında daha elverişli bir denge olarak konumlandırır.
Çift akışlı mimarinin ablasyonu
| Model | Accuracy (%) | Precision (%) | Recall (%) | F1-score (%) |
|---|---|---|---|---|
| CNN-GCN | 93.98 ± 4.00 | 94.10 ± 4.96 | 93.99 ± 4.20 | 93.97 ± 4.57 |
| CNN-Sinkhorn-GCN | 95.00 ± 1.80 | 95.09 ± 1.59 | 94.96 ± 1.60 | 95.01 ± 1.70 |
| CNN-Sinkhorn-GCN + GRU | 95.47 ± 1.93 | 96.60 ± 1.45 | 96.47 ± 1.83 | 96.46 ± 1.88 |
| CNN-Sinkhorn-GCN + BiGRU | 96.96 ± 1.61 | 97.96 ± 1.54 | 96.96 ± 1.41 | 96.96 ± 1.10 |
| Önerilen tam model | 99.88 ± 0.84 | 98.98 ± 1.24 | 98.88 ± 1.16 | 98.78 ± 2.0 |
Bu tablo, tek bir bileşenin bütün performansı açıklamadığını gösterir. Sinkhorn tabanlı grafiğin eklenmesi CNN-GCN taban çizgisini yükseltir; zamansal kol GRU ile ek bilgi getirir; BiGRU ileri ve geri bağlamı birlikte kullanarak sonucu daha da yükseltir; global attention ve paralel füzyon tam mimaride ek kazanç sağlar.
Global attention ablasyonu
| Yapı | Accuracy |
|---|---|
| GRU + Global Average Pooling | 87.78% |
| BiGRU + Global Average Pooling | 90.34% |
| BiGRU + Full Connected | 93.54% |
| GRU + Global Attention | 95.65% |
| BiGRU + Global Attention | 96.77% |
| Dual-branch + Full Connected | 98.56% |
| Önerilen model | 99.88% |
Kaynak, GRU yapısına global attention eklendiğinde 7.87 yüzde puanlık artış; BiGRU'da global average pooling yerine global attention kullanıldığında 6.43 yüzde puanlık, fully connected yerine kullanıldığında 3.23 yüzde puanlık artış raporlar. Aynı attention altında BiGRU, GRU'dan 1.12 yüzde puan daha yüksek doğruluk verir. Çift akışlı mimaride fully connected füzyon yerine attention kullanılması ise 1.20 yüzde puanlık ek artışla ilişkilendirilmiştir.
99.88% Doğruluk Nasıl Yorumlanmalıdır?
99.88% değeri, çalışmada raporlanan tekrarlı deneylerin ortalama doğrulama doğruluğudur ve modelin incelenen 21 sınıf ile kaynakta tanımlanan veri üretim ve bölme koşullarındaki performansını ifade eder; gömülü bir saha cihazında bütün T-NPC arıza kombinasyonları için kanıtlanmış evrensel doğruluk anlamına gelmez. Kaynakta gösterilen tek temsilî confusion-matrix koşusu 99.76% doğrulukta olup 819 doğrulama örneğinden ikisi yanlış sınıflandırılmıştır; HIL-only nicel sınıflandırma ve gerçek gömülü donanım dağıtımı ise gelecekte yapılması planlanan çalışmalardır.
Temsilî karışıklık matrisi ve yanlış sınıflar
Temsilî koşuda sınıf 1 olan Sa1Sa2 örneklerinden biri sınıf 15 olan Sa3Sa4 olarak; sınıf 4 olan Sa1Sb1 örneklerinden biri sınıf 9 olan Sa2Sa3 olarak tahmin edilmiştir. Buna karşılık dört tek-IGBT arıza sınıfı Sa1, Sa2, Sa3 ve Sa4 için bu temsilî koşuda her sınıftaki 39 örneğin tamamı doğru tanınmış ve kaynak precision ile recall değerlerini 100% olarak vermiştir.
Gürültü altında performans
Kaynak modelleri −4 dB, −2 dB, 0 dB, 2 dB ve 4 dB Gaussian white noise koşullarında karşılaştırır. Önerilen model, en ağır gürültü koşulları olan −4 dB ve −2 dB'de accuracy, precision, recall ve F1 bakımından karşılaştırılan yöntemler içinde en yüksek sonuçları verir. Ancak 4 dB koşulunda accuracy ve F1 bakımından 1D-DSCNN-GMP'nin biraz gerisinde kalır. Dolayısıyla çalışma “her SNR seviyesinde koşulsuz üstünlük” değil, özellikle daha şiddetli gürültü altında güçlü dayanıklılık iddiasını destekler.
GCN derinliği ve Sinkhorn ε seçimi
GCN katman sayısı için yapılan çalışma tek katmanın yetersiz ilişkisel özellik çıkarımı verdiğini, iki katmanda doğruluğun tepe yaptığını, daha derin ağlarda ise düğüm temsillerinin birbirine aşırı benzemesiyle ilişkilendirilen over-smoothing nedeniyle performansın gerilediğini gösterir. Altı düğümlü küçük dinamik grafik nedeniyle iki GCN katmanı doğruluk, model boyutu ve hesaplama maliyeti dengesi için seçilmiştir.
Sinkhorn entropy düzenlileştirme katsayısı ε için yapılan on tekrarlı deneyde en yüksek ortalama doğruluk ε = 0.1 değerinde elde edilmiştir. Kaynak, çok küçük ε değerlerinde taşıma planının seyrekleştiğini, yakınsamanın yavaşladığını ve grafiğin gürültü/DC gerilim değişimine daha hassas hale geldiğini; çok büyük ε değerlerinde ise aşırı yumuşatmanın düğüm uzaklıklarını birbirine benzeterek sınıf ayrımını zayıflattığını bildirir.
Çıkarım gecikmesi
Kaynak Şekil 17'de önerilen modelin batch size = 1 için ortalama çıkarım süresini yaklaşık 5 ms / teşhis örneği olarak verir. Bu süre CNN öznitelik çıkarımı, Sinkhorn–Wasserstein dinamik grafik kurulumu, GCN, attention-BiGRU, özellik füzyonu ve son sınıflandırmayı içerir; sinyal edinimi ve veri iletim süresi bu 5 ms'ye dahil değildir. Bu nedenle 5 ms değeri uçtan uca fiziksel arıza tespit süresi olarak yorumlanmamalıdır.
HIL doğrulaması neyi gösteriyor?
Starsim MT6060 ve TMS320F28335 tabanlı HIL düzeni, farklı açık devre arızalarında beklenen akım ve gerilim bozulmalarının gerçek zamanlı ortamda yeniden üretilebildiğini göstermektedir. Kaynak Sa4, Sa1Sa2 ve Sa1Sa3 örnekleri için dalga biçimleri sunar ve bu sinyallerin simülasyon analizindeki arıza mekanizmalarıyla uyumlu olduğunu bildirir. Ancak kaynak sonuç bölümünde HIL-only nicel sınıflandırma değerlendirmesini gelecekte yapılacak iş olarak bırakır.
Çalışmanın desteklediği sonuçlar ve desteklemediği genellemeler
| Kaynağın desteklediği | Kaynağın desteklemediği |
|---|---|
| Altı akım-gerilim sinyalinin örneğe özgü dinamik grafikle modellenmesi, kaynakta test edilen koşullarda sabit/Euclidean grafik alternatiflerine göre daha yüksek doğruluk vermiştir. | Bütün evirici topolojilerinde veya bütün arıza tiplerinde aynı kazanımın garanti edildiği sonucu. |
| BiGRU + global attention zamansal kolu ve paralel füzyon, ablasyonlarda performansa ek katkı sağlamıştır. | Attention ağırlıklarının fiziksel nedensellik veya arızanın kesin fiziksel kök nedeni olduğu sonucu. |
| Önerilen model −4 dB ve −2 dB ağır Gaussian white noise koşullarında karşılaştırılan modeller içinde güçlü sonuçlar vermiştir. | Her gürültü türünde ve her SNR seviyesinde koşulsuz olarak en iyi model olduğu sonucu. |
| HIL sistemi arıza durumlarını ve akım-gerilim dalga biçimlerini yeniden üretmiştir. | HIL üzerinde ayrı, uçtan uca 99.88% sınıflandırma doğruluğunun gösterildiği sonucu. |
| 21 sınıf incelenmiştir. | T-NPC sistemindeki bütün tekli ve çiftli açık devre kombinasyonlarının kapsandığı sonucu. |
| Yaklaşık 5 ms model çıkarım süresi raporlanmıştır. | Sinyal edinimi ve veri iletimi dahil toplam saha tepki süresinin 5 ms olduğu sonucu. |
Yeniden üretilebilirlik açısından açık kalan noktalar
Kaynak yöntem zincirini ayrıntılı tanımlasa da bazı uygulama parametreleri açık değildir. Dinamik komşuluk N(i) için kaç komşu seçildiği, Denklem (13)'teki τ sıcaklık katsayısının sayısal değeri, optimizer adı ve eğitimin kesin azami epoch sayısı metinde net olarak raporlanmamıştır. Ayrıca veri tanımı HIL ve MATLAB/Simulink verilerini aynı bölümde anlatmasına rağmen 70/15/15 ayrımının bu veri kaynaklarına tam olarak nasıl uygulandığını açık biçimde ayırmamaktadır. Bu boşluklar yeni değerlerle doldurulmamıştır.
Kaynak ve Yöntem Notu
Özgün çalışma: A Dual-Stream Network with Dynamic Graph Convolution and Attention-Based BiGRU for IGBT Open-Circuit Fault Diagnosis in T-NPC Three-Level Inverters
Yazarlar: Lin Bai; Bo Guo; Weiye Jing; Feng Li; Wei Luo.
Sorumlu yazar: Lin Bai; kaynakta yıldız işaretiyle corresponding author olarak gösterilmiştir.
Kurumlar: Lin Bai ve Wei Luo — Department of Electrical Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China. Bo Guo, Weiye Jing ve Feng Li — Shanxi Lu’an Anyi Electric Co., Ltd., Changzhi 046000, China.
Dergi: Energies.
Yayınevi: MDPI, Basel, Switzerland.
Yıl / cilt / sayı / makale: 2026; 19(17); 4227.
DOI: 10.3390/en19174227.
Resmî bağlantı: https://doi.org/10.3390/en19174227
Makale türü ve hakemlik: Energies dergisinde yayımlanmış araştırma makalesidir. Kaynak kaydı 7 Ağustos 2026'da alındığını, 1 Eylül 2026'da revize edildiğini, 4 Eylül 2026'da kabul edildiğini ve 7 Eylül 2026'da yayımlandığını bildirir.
Lisans: Creative Commons Attribution (CC BY) lisansı altında açık erişim.
Bilimsel çalışma türü: Derin öğrenme tabanlı arıza teşhis yöntemi geliştirme; MATLAB/Simulink simülasyonu, ablasyon ve gürültü testleri ile HIL tabanlı arıza koşulu/sinyal doğrulaması.
Finansman: Kaynak “This research received no external funding” ifadesini kullanır.
Veri erişilebilirliği: Kaynak, çalışmadaki özgün katkıların makale içinde bulunduğunu ve ek soruların corresponding author'a yöneltilebileceğini belirtir; bağımsız bir açık veri deposu bağlantısı verilmez.
Çıkar çatışması: Bo Guo, Weiye Jing ve Feng Li'nin Shanxi Lu’an Anyi Electric Co. çalışanı olduğu açıklanmıştır. Diğer yazarlar çalışmayı etkileyebilecek ticari veya finansal ilişki bulunmadığını beyan etmiştir.
Yazar katkıları: Kavramsallaştırma: Lin Bai ve Wei Luo; yöntem: Lin Bai ve Bo Guo; yazılım: Lin Bai ve Weiye Jing; doğrulama: Lin Bai, Feng Li ve Wei Luo; ilk taslak yazımı: Lin Bai ve Weiye Jing; gözden geçirme ve düzenleme: Bo Guo ve Wei Luo. Tüm yazarlar yayımlanan sürümü okuyup onaylamıştır.
Kaynak içi dikkat noktaları: Denklem (25)'te attention normalizasyon paydasının indeks gösterimi matematiksel olarak belirsizdir ve burada sessizce düzeltilmemiştir. ε sembolü hem Z-score paydasındaki küçük kararlılık sabiti hem de Sinkhorn entropy düzenlileştirme katsayısı için kullanılmıştır; iki anlam ayrı tutulmuştur. Kaynak ayrıca HIL ve simülasyon verilerinin bölünme düzenini tam ayrıntısıyla ayrıştırmadığı için Verianla bu noktada yeni bir veri akışı varsaymamıştır.
Temel yorum sınırı: 99.88% ortalama doğrulama doğruluğu, kaynakta tanımlanan 21 sınıf ve deney koşulları içindir. HIL-only nicel sınıflandırma, bütün olası faz-B/faz-C arıza kombinasyonları, çapraz koşul genellemesi ve gömülü donanımda gerçek zamanlı dağıtım gelecekteki çalışma olarak bırakılmıştır.
Bir yorum bırakın
E-posta adresiniz yayınlanmayacaktır. Gerekli alanlar * ile işaretlenmiştir