Инвертори бисёрсатҳаи каскадии H-пул (CHMI) сохтори модулии электроникаи қувва мебошад, ки барои табдили босифати қувваи DC–AC дар низомҳои энергияи барқароршаванда, гардонандаҳои барқӣ ва инфрасохтори пуркунии барқ истифода мешавад. Аммо бо зиёд шудани шумораи сатҳҳо ва нимноқилҳои қувва эҳтимоли нуқсон ва мушкили дақиқ муайян кардани он ки нуқсон дар кадом калид ба вуҷуд омадааст, низ мураккабтар мегардад.

Тадқиқоти Haocheng Hu ва ҳамкоронаш барои ташхиси автоматии нуқсонҳои open-circuit-и IGBT усули ҷустуҷӯи меъмории шабакаи нейронии ба edge нигаронидашударо бо номи PC-DARTS-SC пешниҳод мекунад. Дар равиши анъанавӣ мутахассисон меъмории CNN, андозаи филтрҳо, умқи шабака ва сохтори downsampling-ро дастӣ муайян мекунанд. Дар ин кор бошад, меъмории шабака мувофиқи хусусиятҳои сигналҳои нуқсон тавассути differentiable neural architecture search ба таври автоматӣ муайян карда мешавад.

Мушкили асосии тадқиқот дар он аст, ки баъзе нуқсонҳои open-circuit шаклҳои мавҷи шиддатеро ба вуҷуд меоранд, ки қариб аз ҳам фарқ намекунанд. Хусусан дар ҷуфтҳои IGBT-и диагоналӣ дар як H-пул шакли умумии мавҷ асосан яксон аст; маълумоти фарқкунанда бештар дар spike-ҳои хурди шиддат дар минтақаҳои убури сифри ҷараёни бор ҷойгир мешавад.

Барои нигоҳ доштани ин фарқиятҳои нозук, муҳаққиқон давраҳои шиддатро ба feature map-ҳои дученакаи 20×20 табдил дода, шабакаеро ҷустуҷӯ карданд, ки аз special cell-ҳо бе downsampling иборат аст. Дар шароити бори RL бо 7 Ω ва 6 mH усули пешниҳодшуда дар маҷмӯи тестӣ ба дақиқии миёнаи %99,44 расид.

Шабакаи ниҳоӣ танҳо 0,2417 миллион параметри омӯзишшаванда дорад ва дар Jetson Orin Nano бо TensorRT FP16 барои ҳар намуна inference-ро дар 3,54 ms иҷро карда метавонад. Бо вуҷуди ин, азбаски натиҷаҳо ба нуқсонҳои назоратшавандаи лабораторӣ ва конфигуратсияҳои маҳдуди инвертор/бор такя мекунанд, онҳоро набояд мустақиман ҳамчун нишондиҳандаи умумии кори саҳроии саноатӣ шарҳ дод.

Чаро ташхиси нуқсони open-circuit дар низомҳои CHMI душвор аст?

Низомҳои CHMI бо пайваст кардани якчанд зер-модули H-пул ба таври пайдарпай сохта мешаванд. Ҳар H-пул чор IGBT дорад ва шиддати баромад тавассути гузаронидани ин калидҳо дар комбинатсияҳои гуногун ба ҳолати гузаронанда ташаккул меёбад.

Дар IGBT ду навъи асосии нуқсон вуҷуд дошта метавонад:

• Нуқсони кӯтоҳпайваст — SCF
• Нуқсони open-circuit — OCF

Азбаски нуқсонҳои кӯтоҳпайваст дар вақти хеле кӯтоҳ таъсирҳои ҷиддии гармӣ ва ҷараён ба вуҷуд меоранд, онҳо одатан бо схемаҳои муҳофизатии сахтафзор зуд идора мешаванд. Дар схемаҳои амалии gate-driver инчунин мумкин аст нуқсони кӯтоҳпайваст ба ҳолати open-circuit табдил дода шуда, низом муҳофизат карда шавад.

Нуқсони open-circuit бошад, бештар тавассути вайрон шудани шаклҳои мавҷи шиддат ва ҷараён зоҳир мешавад. Дар низоми CHMI бо якчанд модули қувва муайян кардани ҷойи дақиқи калиди носолим нисбат ба инвертори дусатҳа мураккабтар аст.

Чаро баъзе нуқсонҳо қариб якхела ба назар мерасанд?

Дар тадқиқот инвертори якфазаи панҷсатҳа бо ду H-пул истифода шудааст. Ҳашт IGBT дар маҷмӯъ H1S1–H2S4 номгузорӣ шудаанд.

Муҳаққиқон нишон медиҳанд, ки махсусан дар ҷуфтҳои диагоналии IGBT дар як зер-модул нуқсони open-circuit метавонад пайдарпаии монанди шиддати баромадро ба вуҷуд орад.

Масалан, нуқсонҳои H1S1 ва H1S3 дар бисёр ҳолатҳои коммутатсия метавонанд як намунаи шиддатро ба вуҷуд оранд. Ҳамин ҳолат барои H1S2 ва H1S4 низ дуруст аст.

Фарқ аксаран на дар мавҷи асосии шиддат, балки дар transient spike-ҳои хурде пайдо мешавад, ки наздики убури сифри ҷараёни бор ба вуҷуд меоянд.

Чаро spike-ҳои хурди шиддат муҳиманд?

Ин spike-ҳо ду манбаи асосӣ доранд:

• transient-ҳои калонтаре, ки аз холӣ шудани энергияи индуктивияти бор ба вуҷуд меоянд,
• гурӯҳҳои хурдтари spike, ки аз хусусиятҳои ғайриидеалии коммутатсионии IGBT сар мезананд.

Азбаски маълумоти фарқкунанда нисбат ба бузургии шиддати асосии баромад хеле хурд аст, хусусиятҳои классикии визуалӣ, оморӣ ё дастӣ тарҳрезишуда метавонанд дар гирифтани устувори ин фарқиятҳо душворӣ кашанд.

Чаро DARTS меъмории шабакаро автоматӣ ҷустуҷӯ мекунад?

Neural Architecture Search — NAS ҳадаф дорад, ки ба ҷойи муайян кардани мустақими меъмории шабакаи нейронӣ аз ҷониби мутахассис, онро дар фазои пешакӣ муайяншудаи амалиётҳо ба таври автоматӣ ҷустуҷӯ кунад.

DARTS — Differentiable Architecture Search масъалаи интихоби дискретии меъмориро ба масъалаи оптимизатсияи пайваста табдил медиҳад. Ҳамин тавр, интихоби convolution, pooling ё identity метавонад бо усули gradient-based оптимизатсия шавад.

Як cell ҳамчун directed acyclic graph — DAG муаррифӣ мешавад. Гиреҳҳои дохили cell хусусиятҳои latent ва канорҳо амалиётҳои номзадро ифода мекунанд.

Амалиёт дар ҳар канор ба ҷойи як номзад ҳамчун омехтаи амалиётҳои вазндоршуда бо softmax моделсозӣ мешавад:

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

Бо ин роҳ параметрҳои меъморӣ α мустақиман қобили оптимизатсия мешаванд.

Чаро PC-DARTS истифода мешавад?

Азбаски DARTS-и стандартӣ ҳамаи feature channel-ҳоро ҳамзамон ба candidate operation-ҳо мефиристад, он метавонад ниёзи зиёди хотира дошта бошад ва ноустувориҳое ба монанди бартарӣ гирифтани амалиётҳои бепараметр дар раванди интихоб нишон диҳад.

PC-DARTS танҳо як қисми feature channel-ҳоро ба mixed operation мефиристад ва қисми боқимондаро bypass мекунад. Бо ин роҳ хотираи ҷустуҷӯ ва харҷи ҳисоббарорӣ кам мешавад.

Ғайр аз ин, механизми edge normalization барои кам кардани ноустуворие, ки stochastic channel sampling метавонад ба интихоби меъморӣ ворид кунад, кумак мерасонад.

PC-DARTS-SC аз PC-DARTS-и стандартӣ чӣ фарқ дорад?

PC-DARTS-и стандартӣ одатан сохторҳои normal cell ва reduction cell-ро якҷо истифода мебарад. Reduction cell андозаи feature map-ро кам мекунад.

Ин равиш метавонад дар вазифаҳои бузурги таснифи тасвир муфид бошад; аммо дар ин ҷо вуруд танҳо 20×20 аст ва маълумоти муҳими нуқсон дар spike-ҳои хеле хурди маҳаллӣ ҷойгир мебошад.

Downsampling-и барвақт метавонад ин сигналҳои заифро аз байн барад.

Аз ин рӯ, муҳаққиқон стратегияи PC-DARTS-SC-ро таҳия карданд, ки танҳо special cell истифода мебарад. Ҳамаи cell-ҳо як меъмории асосиро истифода мекунанд ва reduction cell, ки resolution-ро дар марҳилаи барвақт кам мекунад, истифода намешавад.

Дар фазои ҷустуҷӯ кадом амалиётҳо ҳастанд?

Амалиётҳои номзад тавре тарҳрезӣ шудаанд, ки андозаҳои гуногуни receptive field-ро фаро гиранд:

• 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.

Ҳамаи амалиётҳо бо stride 1 иҷро шуда, resolution-и feature map нигоҳ дошта мешавад.

Чаро филтрҳои 5×5 ва 7×7 бештар интихоб мешаванд?

Дар ҷустуҷӯи меъморӣ зери шароити гуногуни бор дида шудааст, ки шабака амалиётҳои дорои receptive field-и васеътар, ба монанди 5×5 ва 7×7 separable convolution-ро зиёд интихоб мекунад.

Ин нишон медиҳад, ки фарқиятҳои нуқсон танҳо дар як spike-и танг не, балки дар тағйироти маҳаллии шакли мавҷ дар миқёсҳои гуногуни temporal низ ҷой доранд.

Kernel-ҳои васеътар метавонанд барои ҳамзамон гирифтани ин фарқиятҳои бисёрмиқёса кумак кунанд.

Чаро сигнали шиддат ба тасвири 20×20 табдил дода мешавад?

Дар таҷҳизоти озмоишӣ шиддати баромад бо 20 kHz намунагирӣ мешавад. Азбаски басомади асосӣ 50 Hz аст, як давр 20 ms давом мекунад ва ҳар давр:

20.000 × 0,020 = 400 намуна

дорад.

Ин 400 намуна бо нигоҳ доштани тартиб ба матрицаи 20×20 табдил дода мешаванд.

Ҳамин тавр, қатори якченакаи вақт ба feature map табдил меёбад, ки дар он амалиётҳои 2D convolution истифода шуда метавонанд.

Ин муаррифӣ ҳадаф дорад, ки махсусан сохторҳои хурди spike дар нуқтаҳои наздики вақт аз ҷониби филтрҳои маҳаллии convolution омӯзонида шаванд.

Маҷмӯи додаҳо чӣ гуна сохта шуд?

Барои ҳар fault class ва ҳар шароити бор 200 намунаи нишондодашудаи давр ҷамъоварӣ шудааст.

Нӯҳ синф аз инҳо иборатанд:

• 1 ҳолати кори муқаррарӣ,
• 8 нуқсони ҷудогонаи single-IGBT open-circuit.

Ҳар давр ҳамчун sample-и мустақили 20×20 сохта шуда, overlapping sliding window истифода нашудааст.

Додаҳо ба:

• %75 омӯзиш,
• %15 валидатсия,
• %10 тест

тақсим шудаанд.

Платформаи физикии таҷриба

Низоми таҷриба прототипи CHMI-и якфазаи панҷсатҳа аст.

Навъи IGBT-и истифодашуда IKW30N60H3 ва сенсори шиддат LV25-P аст. Сигналҳои gate-drive тавассути dSPACE MicroLabBox тавлид шудаанд.

Тарҳи таҷрибавии саҳифаи 11-и мақолаи манбаъ laptop, осциллоскоп, воҳиди идоракунии dSPACE, схемаи fault-setting, CHMI ва бори RL-ро дар як низоми физикӣ нишон медиҳад.

Нуқсонҳо чӣ гуна ба вуҷуд оварда шуданд?

Сигнали gate-drive-и IGBT-и дахлдор тавассути схемаи fault-setting маҷбуран ба сифр оварда шудааст.

Ҳамин тавр нуқсони open-circuit-и назоратшаванда ва такроршаванда эмулятсия карда шудааст.

Ин равиш барои таҷрибаи бехатар мувофиқ аст; аммо ҳамаи таъсирҳои нуқсони физикиеро, ки дар натиҷаи фарсудашавии табиӣ инкишоф меёбад, ифода намекунад.

Усул ва Натиҷаҳои Тадқиқот

Ҷустуҷӯи меъморӣ чӣ гуна гузаронида шуд?

Architecture search 20 epoch давом кард.

Дар 6 epoch-и аввал танҳо network weight-ҳо оптимизатсия шуданд. Баъд параметрҳои меъморӣ ва network weight-ҳо якҷо нав карда шуданд.

Сохтори ниҳоии шабакаи ёфташуда

Пас аз анҷоми Search, барои ҳар гиреҳи миёнарав ду амалиёте, ки қимати architecture parameter-и баландтарин доранд, интихоб мешаванд ва super-network ба шабакаи ниҳоии дискретӣ табдил дода мешавад.

Feature extractor-и ниҳоӣ аз чор special cell-и пайдарпай иборат аст.

Сипас:

Global Average Pooling → Fully Connected → Softmax

бо ин қабатҳо синфи нуқсон муайян карда мешавад.

Истифодаи GAP ҳадаф дорад, ки нисбат ба қабатҳои калони fully connected шумораи параметрҳо ва хатари overfitting-ро кам кунад.

Натиҷаи асосии муқоиса

Усули пешниҳодшуда дар муқоиса баландтарин дақиқии миёнаро ба даст овард.

Аммо муаллифон таъкид мекунанд, ки аз сабаби хурд будани маҷмӯи тестӣ ва маҳдуд будани фарқ бо 1D-CNN, фарқи дақиқӣ бояд бо эҳтиёт шарҳ дода шавад.

Бартарии асосии тадқиқот танҳо рақами %99,44 нест; ин нишондиҳанда бо меъмории хурде ба даст омадааст, ки дастӣ тарҳрезӣ нашуда, автоматӣ ҷустуҷӯ шудааст ва барои edge мувофиқ мебошад.

Чаро 0,2417 миллион параметр муҳим аст?

Модели ниҳоӣ танҳо 0,2417 миллион trainable parameter дорад.

Дар формати FP32 ин тақрибан:

0,97 MB

фазои нигоҳдории параметрҳоро ташкил медиҳад.

Ин миқёс яке аз натиҷаҳои асосии тарҳрезист, ки кор кардани моделро дар дастгоҳҳои дохилии edge, ба монанди Jetson Orin Nano, ба ҷойи сервери бузурги GPU имконпазир мекунад.

Architecture search чӣ қадар гарон аст?

Ҷустуҷӯ дар NVIDIA RTX 4060 GPU барои 20 epoch гузаронида шудааст.

Як ҷустуҷӯи пурра:

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

талаб кардааст.

Ин хароҷот танҳо як маротиба ҳангоми таҳия ба вуҷуд меояд. Дар дастгоҳи edge architecture search анҷом дода намешавад; танҳо шабакаи ниҳоии интихобшуда иҷро мешавад.

Муқоисаи DARTS-SC ва PC-DARTS-SC

Дар ин муқоисаи назоратшаванда ҳар ду усул ба як дақиқӣ расиданд, аммо PC-DARTS-SC харҷи камтари architecture search нишон дод.

Модел дар сигнали пурғавғо то чӣ андоза устувор аст?

Дар ченкуниҳои воқеии инвертор switching noise, ғавғои сенсор, quantization noise, ларзишҳои пастбасомад ва дахолати электромагнитӣ мавҷуд буда метавонанд.

Тадқиқот ҳамаи ин таъсирҳои физикиро алоҳида модел накардааст. Ба ҷойи ин, барои noise-sensitivity-и назоратшаванда ба сигналҳои воқеии ченшуда сатҳҳои гуногуни AWGN — Additive White Gaussian Noise илова карда шудаанд.

Усули пешниҳодшуда дар ҳамаи сатҳҳои санҷидашудаи SNR нисбат ба усулҳои муқоисашуда дақиқии баландтар нишон дод.

Бо вуҷуди ин, AWGN симулятсияи айнан яксони ҳамаи манбаъҳои ғавғо дар муҳити воқеии инвертори саноатӣ нест.

Оё модел воқеан дар дастгоҳи edge кор мекунад?

Бале. Модели ниҳоӣ мустақиман дар Jetson Orin Nano ҷойгир карда шудааст.

Pipeline чунин аст:

PyTorch → ONNX → TensorRT → Jetson Orin Nano

Дар оптимизатсияи TensorRT:

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

монанди амалиётҳо татбиқ шудаанд.

Натиҷаҳои Jetson Orin Nano

Азбаски як даври асосии шиддат 20 ms давом мекунад, вақти inference-и 3,54 ms барои ташхиси онлайн дар асоси давр ҳошияи кофии ҳисоббарорӣ мегузорад.

Оё TensorRT дақиқиро зиёд мекунад?

Не. Мақола ин фарқро махсус таъкид мекунад.

FP16 ё TensorRT қобилияти омӯзишёфтаи ташхисии моделро зиёд намекунад. Он танҳо ҳисоббарории inference-и модели мавҷударо самараноктар мекунад.

%100 edge accuracy мутобиқати deployment-и як модели интихобшуда ва export-шударо нишон медиҳад; онро бо натиҷаи миёнаи %99,44 ± 1,05 дар workstation ҳамчун “TensorRT дақиқиро зиёд кард” муқоиса кардан мумкин нест.

Натиҷаҳое, ки тадқиқот дастгирӣ мекунад

• PC-DARTS-SC метавонад барои нуқсонҳои open-circuit-и CHMI меъмории сабуки нейронӣ ва махсуси вазифаро автоматӣ пайдо кунад.
• Равиши special cell ҳадаф дорад fault spike-ҳои маҳаллиро дар feature map-и хурди 20×20 аз downsampling-и барвақт ҳифз кунад.
• Дар шароити таҷрибавии 7 Ω / 6 mH усули пешниҳодшуда дақиқии миёнаи тестии %99,44 ба даст овард.
• Шабакаи ниҳоӣ танҳо 0,2417 M параметр дорад.
• Дар Jetson Orin Nano + TensorRT FP16 inference-и 3,54 ms/sample ба даст омад.
• Дар тестҳои назоратшавандаи AWGN усул нисбат ба моделҳои муқоисашуда noise robustness-и баландтар нишон дод.

Натиҷаҳое, ки тадқиқот дастгирӣ намекунад

• Исбот нашудааст, ки модел дар ҳамаи топологияҳои инвертор ба ҳамин дақиқӣ мерасад.
• Ҳамин нишондиҳанда дар нуқсонҳои табиии IGBT дар шароити воқеии саҳроӣ нишон дода нашудааст.
• Фарсудашавии дарозмуддати дастгоҳ, sensor drift ва шароити мураккаби EMI ҳамаҷониба санҷида нашудаанд.
• %100 edge deployment accuracy маънои онро надорад, ки дақиқии умумии модел %100 аст.
• Тести AWGN симулятсияи пурраи муҳити воқеии ғавғои саноатӣ нест.
• Random cycle-level split истиқлолияти пурраи вақтро кафолат намедиҳад.

Маҳдудиятҳои асосӣ

Таҷрибаҳо танҳо дар CHMI-и якфазаи панҷсатҳа, бо нуқсонҳои single-IGBT open-circuit ва ду шароити бори RL гузаронида шудаанд.

Аз ин рӯ, қобилияти мустақими умумисозии модел ба топологияҳои дигари инвертор, низомҳои сатҳи баландтар, нуқсонҳои сершумори ҳамзамон ё стратегияҳои гуногуни modulation ҳанӯз нишон дода нашудааст.

Нуқсонҳо аз вайроншавии дарозмуддати табиии дастгоҳи физикӣ пайдо нашудаанд; онҳо бо хомӯш кардани gate signal-и дахлдор ба таври назоратшаванда эмулятсия шудаанд.

Ғайр аз ин, гарчанде даврҳо overlap намекунанд, намунаҳои training ва test метавонанд даврҳои ҳамсояро аз як пайдарпаии доимии acquisition дар бар гиранд. Аз ин рӯ random cycle-level split temporal independence-и пурраро таъмин намекунад.

Корҳои оянда

Самтҳои асосии ояндаи тадқиқот, ки муаллифон нишон додаанд:

1. топологияҳои мураккабтари инвертор,
2. шароити кори гуногунтар,
3. навъҳои васеътари нуқсон,
4. валидатсия дар сахтафзорҳои гуногуни edge,
5. cross-condition adaptation,
6. додаҳои воқеии нуқсонҳои саҳроӣ,
7. тақсимоти сахттари додаҳо дар асоси time-ordered ё cycle-block,
8. таҳлили васеътари robustness нисбат ба ғавғои саноатӣ ва тағйирёбии муҳит.

Ёддошти Манбаъ ва Усул

Унвони аслӣ:Multilevel Inverter Fault Diagnosis Using Differentiable Architecture Search for Edge Deployment

Муаллифон: Haocheng Hu, Tianzhen Wang, Haoran Wang ва Yassine Amirat.

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

Маҷалла:AI, 2026, 7, Article 208.

DOI:10.3390/ai7060208

Ирсол: 2 апрели 2026. Бознигарӣ: 29 майи 2026. Қабул: 4 июни 2026. Нашр: 7 июни 2026.

Навъи тадқиқот: Таҷрибаи лабораторӣ дар прототипи физикии инвертор, ташхиси data-driven-и нуқсон, differentiable neural architecture search ва валидатсияи edge deployment.

Низоми асосӣ: CHMI-и якфаза, бо ду зер-модули H-пул ва панҷ сатҳ; 8 IGBT ва масъалаи 9-синфии fault classification.

Платформаи edge: NVIDIA Jetson Orin Nano; ONNX Runtime ва TensorRT.

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

Этика: Institutional Review Board ва informed consent татбиқшаванда нестанд.

Дастрасӣ ба додаҳо: Додаҳоро бо дархост аз муаллифи масъул гирифтан мумкин аст; онҳо оммавӣ нестанд.

Бархӯрди манфиатҳо: Муаллифон бархӯрди манфиатҳоро гузориш накардаанд.

Литсензия: Creative Commons Attribution (CC BY).

Ҳади методологӣ: Натиҷаҳо ба ҳолатҳои эмулятсияшудаи single-IGBT OCF дар шароити назоратшавандаи лабораторӣ, ду шароити бори RL ва стратегияи cycle-level random split асос меёбанд. Нуқсонҳои воқеии саҳроӣ, aging-и дарозмуддат, тестҳои temporal-и мустақил, топологияҳои гуногуни инвертор ва шароити мураккабтари ғавғои саноатӣ ҳанӯз ҳамаҷониба валидатсия нашудаанд.

Ёддошти усули Verianla: Ин муҳтавои тоҷикӣ механизми нуқсони CHMI, усули DARTS/PC-DARTS-SC, стратегияи бозшаклдиҳии сигнали шиддат, платформаи таҷриба, муқоисаҳои нишондиҳандаҳо, noise sensitivity, edge deployment ва маҳдудиятҳои кори манбаъро бо садоқат ба маънои манбаъ дар сохтори мустақили омӯзишӣ аз нав ташкил медиҳад. Фигураҳо ё ҷадвалҳои манбаъ айнан нусхабардорӣ нашудаанд.