Ushbu tadqiqot uch fazali invertor orqali quvvatlanadigan asinxron motor yuritmasida yarimoʻtkazgich kalitlarning uch xil nosozlik turini sunʼiy intellekt yordamida aniqlash va nosoz kalitning joylashuvini belgilashni maqsad qiladi. Tadqiqotchilar ochiq gate (Open Gate, OG), haqiqiy ochiq kalit (Open Switch, OS) va qisqa tutashuv (Short Circuit, SC) nosozliklarini invertordagi oltita kalitning har biri uchun alohida modellashtirgan; sogʻlom holat bilan birga jami 19 sinfli nosozlik diagnostikasi muammosini yaratgan. Fully Connected Neural Network (FCN), Convolutional Neural Network (CNN) va Bidirectional Long Short-Term Memory (BiLSTM) modellari taqqoslangan. Test maʼlumotlar toʻplamida BiLSTM %98,45 aniqlik bilan eng yuqori natijani bergan; CNN %97,1, FCN esa %93,52 aniqlikka erishgan.

Taklif etilgan tizim xom kommutatsiya signallarini bevosita tasniflash oʻrniga uch fazali tok va kuchlanishlardan hisoblangan RMS qiymatlari hamda faza burchaklaridan foydalanadi. Har bir vaqt qadamida uch faza uchun tok va kuchlanish RMS qiymatlari va burchaklari birlashtirilib jami 12 xususiyat hosil qilingan. RMS hisobi bitta asosiy elektr davri uzunligidagi sirpanma oyna orqali bajarilgan, oyna har 0,1 ms da yangilangan. BiLSTM uchun ushbu xususiyatlarning 50 vaqt qadamlik ketma-ketliklari ishlatilgan.

Tadqiqotdagi namunaviy sinovlarda S1 kalitidagi OG, OS va SC nosozliklari 1800 rpm sharoitida mos ravishda 8,0 ms, 2,4 ms va 8,0 ms da aniqlangan. Oq shovqin va yuqori amplitudali tasodifiy spike buzilishlari qoʻshilganda ayni nosozliklar mos ravishda 7,3 ms, 3,4 ms va 8,1 ms da aniqlangan. Tadqiqotchilar turli doimiy tezliklar va tezlik oʻzgarishi sharoitlarida nosozlik tasnifi saqlanib qolganini koʻrsatgan. Biroq juda yengil yukda, taxminan 1 N·m va undan pastda, aniqlash kechikishi ayrim holatlarda bitta asosiy elektr davridan oshishi mumkinligi ayni tadqiqotning muhokama bo‘limida qayd etilgan.

Tadqiqot apparat invertori va haqiqiy motor tajribasidan emas, yuqori tafsilotli MATLAB/Simulink modelidan hosil qilingan maʼlumotlardan iborat. Shu sababli %98,45 aniqlik, 1,8 ms inference vaqti yoki davrdan qisqa nosozlik aniqlash natijalari bevosita haqiqiy elektr transport vositasi, sanoat motor yuritmasi yoki oʻrnatilgan kontrollerdagi tasdiqlangan dala ishlashi sifatida talqin qilinmasligi kerak. Tadqiqotchilar hardware-in-the-loop va laboratoriya tajribalarini kelajakdagi ish sifatida qoldirgan.

Turkiya nuqtai nazaridan: Tadqiqot Turkiyadagi sanoat korxonasi, elektr transport vositasi platformasi yoki haqiqiy invertor apparatida tasdiqlanmagan. Shunga qaramay, asinxron motor yuritmalarida prognostik texnik xizmat, elektr transport vositalari kuch elektronikasi, sanoat avtomatlashtirish va nosozlikka chidamli boshqaruv ustida ishlaydigan tadqiqot guruhlari uchun batafsil sunʼiy intellektga asoslangan diagnostika doirasini taqdim etadi. Turkiyada haqiqiy amaliyotga oʻtish uchun turli invertor topologiyalari, turli motor quvvatlari, sensor toleranslari, haqiqiy elektromagnit xalaqitlar, turli yuk profillari, regenerativ ishlash va apparat qisqa tutashuv himoyasi ostida qoʻshimcha tajribaviy tasdiqlash talab etiladi.

Tadqiqot hal qilishga urinayotgan muammo nima?

Uch fazali invertorlardagi yarimoʻtkazgich kalit nosozliklari motor yuritmasining tok toʻlqin shaklini, momentini va ish uzluksizligini buzishi mumkin. Tadqiqotchilar ayniqsa ikki muammoga eʼtibor qaratadi: ochiq zanjir guruhidagi turli nosozlik mexanizmlarini bir-biridan ajratish va qisqa tutashuv nosozliklarining nafaqat mavjudligini, balki qaysi fizik kalitda yuz berganini ham aniqlash.

Tadqiqotning muhim farqi shundaki, har bir ochiq zanjir nosozligi bitta sinf sifatida baholanmaydi. Tadqiqotda Open Gate (OG) va Open Switch (OS) alohida elektr holatlar sifatida modellashtirilgan.

OG, OS va SC nosozliklarining farqi nimada?

Open Gate (OG) holatida IGBT ning gate haydash kanali endi kalitni oʻtkazuvchan holatga keltira olmaydi; biroq antiparallel diod sogʻlom qoladi. Manbada S1 misoli uchun musbat yarim davr yoʻqolishi, manfiy yarim davrda esa diod orqali oʻtkazuvchanlik davom etishi tushuntirilgan.

Open Switch (OS) holatida IGBT ham, unga parallel diod ham ochiq zanjir holatida bo‘ladi. Shu tariqa tegishli kalit yelkasida har ikki yoʻnalishdagi tok yoʻli yoʻqoladi. Nosoz fazaning toki keskin kamayadi yoki yoʻqoladi; boshqa fazalar yukni oʻzaro taqsimlashga majbur boʻladi.

Short Circuit (SC) holatida kalit doimiy oʻtkazuvchan deb qabul qilinadi. Bu holat tokning tez koʻtarilishiga, jiddiy toʻlqin shakli buzilishiga va DC shinasida ortiqcha tok xavfiga olib kelishi mumkin bo‘lgan eng tez rivojlanadigan nosozlik turidir.

Oltita fizik kalit mavjudligi sababli:

• 6 ta OG sinfi,
• 6 ta SC sinfi,
• 6 ta OS sinfi,
• 1 ta sogʻlom sinf

yaratilgan va jami sinflar soni 19 bo‘lgan.

Motor va invertor tizimi qanday modellashtirilgan?

Tadqiqotchilar MATLAB/Simulink 2024a muhitida V/F boshqaruvli, uch fazali ikki darajali invertor orqali quvvatlanadigan qafasli asinxron motor modelini qurgan. Oltita IGBT 10 kHz tashuvchili PWM bilan kommutatsiya qilingan.

Maʼlumotlar toʻplami qanday yaratilgan?

Har bir nosozlik simulyatsiyasi jami 2,5 soniya davom etgan. Dastlabki 0,5 soniya sogʻlom ishlash sifatida qayd etilgan, soʻng tegishli nosozlik qoʻllangan va qolgan 2,0 soniya nosoz ishlash maʼlumotlari sifatida ishlatilgan.

Tok va kuchlanish signallari:

10 kHz

namunalash chastotasida qayd qilingan. Shu sababli har bir simulyatsiya sharoitida jami:

25.000 namuna

hosil qilingan.

Sunʼiy intellektga qaysi xususiyatlar berilgan?

Har bir vaqt qadamida uch fazali tok va kuchlanishlardan ham RMS kattaligi, ham faza burchagi chiqarilgan. Shunday qilib:

• 3 ta tok RMS qiymati,
• 3 ta tok faza burchagi,
• 3 ta kuchlanish RMS qiymati,
• 3 ta kuchlanish faza burchagi

boʻlib, jami 12 skalyar xususiyat olingan.

RMS qiymatlari bitta asosiy elektr davriga teng sirpanma oyna orqali hisoblangan va ketma-ket oynalar orasidagi qadam:

0,1 ms

deb belgilangan. Shu tariqa oyna uzun bo‘lsa ham, nosozlikdan keyin yuzaga keladigan oʻzgarishlar har 0,1 ms da yangilanadigan RMS qiymatlarida bosqichma-bosqich aks etadi.

RMS dan foydalanishdan maqsad nima edi?

Tadqiqotchilar RMS xususiyatini oniy qiymatlarga qaraganda shovqinga kamroq sezgir bo‘lgani uchun tanlagan. RMS hisobi yuqori chastotali oʻtkinchi jarayonlarning bir qismini yumshatadi, shu bilan birga OG, OS va SC kabi kalit nosozliklari faza toki kattaligida yuzaga keltiradigan yaqqol oʻzgarishlarni saqlaydi.

Tadqiqotning 9-rasmi S1 kaliti uchun uch nosozlik turining RMS imzolari turlicha ekanini ko‘rsatadi. OG holatida faza RMS qiymatlari cheklanganroq oʻzgaradi, OS holatida esa nosoz fazaga bogʻliq yanada aniq buzilish yuz beradi. SC holatida RMS qiymatlarida juda tez va juda katta oshish roʻy beradi.

Oʻqitish-test ajratilishi qanday amalga oshirilgan?

Har bir sinf ichida maʼlumotlar %70 oʻqitish va %30 test sifatida ajratilgan. Test toʻplamida har bir sinf uchun 7.500 namuna bo‘lgani va jami test namunalar soni:

142.500

ekanligi qayd etilgan.

Kirish xususiyatlariga z-score normallashtirish qoʻllangan. Oʻrtacha qiymat va standart ogʻish faqat oʻqitish maʼlumotlaridan hisoblangan va ayni parametrlar test toʻplamiga qoʻllangan. Tadqiqotchilar buni maʼlumot sizib chiqishini oldini olish maqsadida qilganini bildiradi.

Manba izohida maʼlumotlar muvozanati haqida bir ifoda nomuvofiqligi mavjud: bir tomondan “har bir sinfdan teng miqdorda namuna tanlangani” aytiladi, ayni izohning davomida esa sogʻlom sinf yakka nosozlik sinflaridan koʻproq namunani oʻz ichiga olishi bildiriladi. Quyidagi natijalar manbada qanday hisobot qilingan bo‘lsa, shunday keltirilgan.

FCN modeli qanday ishlaydi?

FCN modeli vaqt ketma-ketligini ochiq tarzda modellashtirish o‘rniga xususiyat kattaliklari oʻrtasidagi munosabatlarni toʻliq bogʻlangan qatlamlar orqali oʻrganadi. ReLU aktivatsiyasi ishlatilgan va ortiqcha moslashishni kamaytirish uchun dropout ehtimoli:

\[ p=0.3 \]

deb tanlangan.

Chiqishda 19 sinfli softmax mavjud:

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

Model Adam optimizatsiyasi, 0,001 boshlangʻich oʻrganish tezligi, cross-entropy yoʻqotish funksiyasi, 50 epoch va 64 mini-batch bilan oʻqitilgan.

Manbada FCN arxitekturasi boʻyicha matn, 3a-rasm va 3-jadval oʻrtasida qatlamlar soni va neyronlar soni jihatidan nomuvofiqlik bor. Shu sababli bu yerda manbada izchil bo‘lgan oʻqitish sozlamalari va 19 sinfli chiqish saqlangan, ziddiyatli yashirin qatlam oʻlchamlari bitta qiymatlar ketma-ketligiga aylantirilmagan.

CNN modeli qaysi maʼlumotni oʻrganadi?

CNN uchun 12 oʻlchamli xususiyat vektori 3 × 4 shaklidagi ikki oʻlchamli tasvirga aylantirilgan. Tadqiqotchilar konvolyutsiya qatlamlari orqali tok-kuchlanish xususiyatlari orasidagi mahalliy naqshlarni oʻrganishni maqsad qilgan.

Konvolyutsiya amali manbada:

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

koʻrinishida berilgan.

Matn uchta konvolyutsiya blokini 32, 64 va 128 filtr bilan taʼriflaydi. Biroq 3b-rasmning koʻrinadigan qatlam tuzilishi va 3-jadvaldagi neyron roʻyxatlari bu taʼrif bilan toʻliq mos kelmaydi. Shu sababli manbadagi arxitektura sonlaridagi farqlar yashirincha tuzatilmagan.

BiLSTM nega muvaffaqiyatliroq bo‘ldi?

BiLSTM RMS va faza burchaklarining faqat hozirgi qiymatini emas, balki vaqt davomida qanday oʻzgarishini ham oʻrganadi. Tadqiqotchilar OG va OS kabi dastlabki lahzalarda bir-biriga oʻxshash boʻlishi mumkin bo‘lgan nosozlik imzolarini ajratishda vaqtga bogʻliqlik muhim ekanini taʼkidlaydi.

BiLSTM kirishida har bir vaqt qadamida 12 xususiyat mavjud va:

50 vaqt qadamlik ketma-ketlik

ishlatiladi.

Manbada taʼriflangan asosiy arxitektura:

• 200 yashirin birlikli BiLSTM qatlami,
• 150 yashirin birlikli bir yoʻnalishli LSTM qatlami,
• dropout \(p=0,3\),
• 128 neyronli toʻliq bogʻlangan ReLU qatlami,
• 19 sinfli softmax chiqishi

koʻrinishidadir.

BiLSTM ning asosiy hujayra yangilanishlaridan ayrimlari:

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

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

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

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

koʻrinishida berilgan.

Ikki yoʻnalishli tuzilmada oldinga va orqaga LSTM yashirin holatlari birlashtiriladi:

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

Uch model orasidagi aniqlik farqi qancha?

BiLSTM hisobot qilingan barcha asosiy tasniflash metrikalarida boshqa ikki modeldan yuqori natija koʻrsatgan. Tadqiqotchilar buni vaqt davomida rivojlanadigan RMS va faza burchagi naqshlarini oʻrganish qobiliyati bilan izohlaydi.

Precision, recall va F1 nimani oʻlchaydi?

Aniqlik:

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

Precision:

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

Recall:

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

F1 balli:

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

koʻrinishida hisoblangan. BiLSTM uchun yuqori precision qiymati kam sonli notoʻgʻri ogohlantirishlar, yuqori recall qiymati esa haqiqiy nosozliklarning katta qismi aniqlanganini anglatadi; biroq bu talqin faqat tadqiqotning test maʼlumotlari sharoitlari uchun amal qiladi.

S1 open gate nosozligi qanchalik tez topilgan?

1800 rpm da S1 open gate nosozligi t = 3 s da qoʻllangan va tasniflagich:

8 ms

oʻtgach sogʻlom yorliq 0 dan S1 OG yorligʻi 1 ga oʻtgan. Tadqiqotchilar buni 60 Hz asosiy elektr davrining taxminan %48 qismi deb taʼriflaydi.

1400 rpm da ayni S1 OG nosozligi 3,6 ms da, oʻzgaruvchan tezlik sharoitida esa 7 ms da aniqlangan.

Ochiq kalit nosozligi tezroq aniqlanganmi?

Manbada berilgan S1 misollarida ha. OS nosozligi:

• 1800 rpm da 2,4 ms,
• 1400 rpm da 2,6 ms,
• oʻzgaruvchan tezlikda 3,2 ms

ichida aniqlangan. Tadqiqotchilar tekshirilgan OS ssenariylarida eng yomon aniqlash kechikishi asosiy davrning %20 qismidan oshmaganini bildiradi.

Qisqa tutashuv nosozligi qanchalik tez aniqlangan?

S1 qisqa tutashuv nosozligi:

• 1800 rpm da 8,0 ms,
• 1400 rpm da 6,9 ms,
• oʻzgaruvchan tezlik sharoitida 5,1 ms

oʻtgach tasniflangan.

Manba haqiqiy amaliyotdagi qisqa tutashuv himoya zanjirlari DC shinasini \(T/6\) atrofida uzishi mumkinligini ham qayd etadi. Biroq bu yerda hisobot qilingan SC qaror kechikishining ayrim misollarda \(0,48T\) gacha chiqishi, haqiqiy juda tez apparat himoyasi bilan bir vaqtda ishlash hali fizik apparatda tasdiqlanmaganini ko‘rsatadi. Tadqiqot bu moslikni simulyatsiyaga asoslangan ehtimol sifatida muhokama qiladi.

Shovqin qoʻshilganda tizim ishlashda davom etdimi?

Tadqiqotchilar oʻlchov sharoitlarini qiyinlashtirish uchun tok signallariga ikki xil buzuvchi qoʻshgan:

• Toza signal amplitudasining %10 gacha bo‘lgan band-cheklangan oq Gaussian shovqini,
• Toʻliq signal amplitudasiga teng ±5 A kattalikdagi tasodifiy spike buzilishlari.

Spike hodisalarining yuz berish ehtimoli %0,1 deb belgilangan.

1800 rpm da S1 nosozliklari shovqinli sharoitda:

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

ichida aniqlangan.

Juda yengil yukda nima yuz beradi?

Tadqiqotning muhim cheklovlaridan biri juda yengil yukda paydo boʻladi. Tadqiqotchilar taxminan:

1 N·m va undan past yuklarda

faza toklari va natijada nosozlik sababli RMS buzilishlari kamayishini qayd etadi. Bu holatda tasniflagich ishonchli qaror berish uchun uzoqroq kuzatish oynasiga muhtoj bo‘lishi va aniqlash kechikishi ayrim holatlarda:

bitta asosiy davrdan uzoqroq

boʻlishi mumkinligi tushuntiriladi.

Bu topilma maqola xulosasi va natijalar qismidagi “yarim davrdan qisqa aniqlash” ifodasini barcha yuk darajalari uchun mutlaq xususiyat sifatida talqin qilmaslik kerakligini ko‘rsatadi.

RMS oʻrniga oniy kuchlanish va tok ishlatilsa nima bo‘ladi?

Ablatsiya tadqiqotida ayni BiLSTM tuzilishi saqlangan, faqat RMS qiymatlari oʻrniga oniy tok va kuchlanish qiymatlari berilgan.

Bu taqqoslashda RMS + faza burchaklari yondashuvi qariyb 18 foiz punkt yuqori tasniflash aniqligini bergan. Tadqiqotchilar oniy signallar shovqin va oʻtkinchi buzilishlarga ko‘proq sezgir ekanini, nosozlik sinflari orasida beqaror oʻtishlarga sabab bo‘lishi mumkinligini qayd etadi.

BiLSTM natijasi takrorlanganda barqarormi?

Model ayni maʼlumotlar toʻplami va giperparametrlar bilan uch mustaqil marta oʻqitilib, sinovdan oʻtkazilgan.

Tadqiqotchilar past standart ogʻishlarni oʻqitish takrorlari orasida model ishlashi barqaror qolganining ko‘rsatkichi sifatida baholaydi.

Model real vaqt oʻrnatilgan tizimi uchun qanchalik katta?

BiLSTM taxminan:

693.000 oʻrganiladigan parametrga

ega.

Manbada taxminiy model xotirasi:

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

deb berilgan.

MATLAB da 100 ishga tushirish oʻrtachasidan hisoblangan bitta bashorat inference vaqti:

1,8 ms

deb hisobot qilingan.

Biroq tadqiqotchilar nosozlikni aniqlash grafiklarida ko‘rsatilgan qaror kechikishlari ushbu 1,8 ms hisoblash vaqtini o‘z ichiga olmasligini aniq qayd etadi. Demak, haqiqiy kontrollerda end-to-end umumiy kechikishni faqat 5-rasm yoki 7-rasmdagi aniqlash vaqtiga teng deb qabul qilish mumkin emas.

Model haqiqatan elektr transport vositasida sinovdan oʻtkazilganmi?

Yoʻq. Tadqiqotda elektr transport vositalari ehtimoliy qoʻllanish sohasi sifatida muhokama qilinadi; biroq tadqiqot haqiqiy EV invertori, avtomobil tortish motori yoki fizik laboratoriya invertorida bajarilmagan.

Barcha asosiy tasdiqlash natijalari yuqori tafsilotli MATLAB/Simulink invertor–asinxron motor modelidan hosil qilingan simulyatsiya maʼlumotlariga asoslangan.

Tadqiqot qoʻllab-quvvatlaydigan xulosalar

• Simulyatsiya maʼlumotlar toʻplamida BiLSTM FCN va CNN dan yuqoriroq umumiy tasniflash muvaffaqiyatini ko‘rsatgan.
• BiLSTM test aniqligi %98,45 deb hisobot qilingan.
• Model sogʻlom holat va oltita kalitning OG, OS hamda SC nosozliklarini jami 19 sinfda ajrata olgan.
• 1800 rpm misollarida OG, OS va SC nosozliklari millisekund miqyosida aniqlangan.
• 1400 rpm va oʻzgaruvchan tezlik simulyatsiyalarida ham nosozliklar tasniflangan.
• %10 oq shovqin va %0,1 ehtimollikdagi ±5 A spike buzilishlari ostida S1 misollari toʻgʻri aniqlangan.
• RMS + faza burchaklari ayni BiLSTM bilan oniy signal xususiyatlariga qaraganda yuqoriroq aniqlik bergan.
• Uch mustaqil oʻqitish-test takrorida past ishlash variatsiyasi hisobot qilingan.
• MATLAB muhitida tarmoqning oʻrtacha inference vaqti 1,8 ms deb oʻlchangan.

Tadqiqot qoʻllab-quvvatlamaydigan yoki sinovdan oʻtkazmagan xulosalar

• Model haqiqiy invertor-motor apparatida tajribaviy tasdiqlanmagan.
• %98,45 aniqlik haqiqiy transport vositasi yoki zavod maydoni aniqligi emas.
• Aniqlash vaqtlari modelning hisoblash inference vaqtini oʻz ichiga olgan end-to-end apparat kechikishi emas.
• Taxminan 1 N·m va undan past juda yengil yuklarda yarim davrli aniqlash kafolati yoʻq; kechikish bir davrdan oshishi mumkin.
• Bir vaqtning oʻzida bir nechta kalitning nosozlanishi sinovdan oʻtkazilmagan.
• Faqat bitta kalitli OG, OS va SC nosozliklari baholangan.
• Regenerativ ishlash sinovdan oʻtkazilmagan.
• Ikkinchi, uchinchi va toʻrtinchi ish hududlari tekshirilmagan.
• Turli motor yoki invertor topologiyalariga bevosita umumlashtirish tajribaviy ko‘rsatilmagan.
• Haqiqiy qisqa tutashuv himoya apparati bilan bir vaqtning oʻzida ishlash fizik sinov bilan tasdiqlanmagan.
• Nosozlikka chidamli boshqaruv tizimi ushbu tadqiqotda qoʻllanmagan.

Tadqiqot usuli va natijalari

Simulyatsiya maʼlumotlarini hosil qilish jarayoni

FCN oʻqitish sozlamalari

• Optimizatsiya: Adam
• Boshlangʻich oʻrganish tezligi: 0,001
• Yoʻqotish: Cross-entropy
• Epoch: 50
• Mini-batch: 64
• Dropout: 0,3
• Chiqish sinfi: 19

CNN oʻqitish sozlamalari

• Kirish formati: 3 × 4 xususiyat xaritasi
• Konvolyutsiya yadrosi: 2 × 2
• Matnda berilgan filtr sonlari: 32, 64, 128
• Batch normalization + ReLU
• Pooling
• Dropout: 0,3
• Adam, oʻrganish tezligi 0,001
• 50 epoch
• Mini-batch: 64
• Chiqish sinfi: 19

BiLSTM oʻqitish sozlamalari

• Kirish: har bir vaqt qadamida 12 xususiyat
• Ketma-ketlik uzunligi: 50 vaqt qadami
• BiLSTM: 200 yashirin birlik
• LSTM: 150 yashirin birlik
• Toʻliq bogʻlangan qatlam: matnda 128 neyron
• Dropout: 0,3
• Chiqish: 19 sinf
• Adam
• Oʻrganish tezligi: 0,001
• Epoch: 50
• Mini-batch: 128

Oʻqitish vaqtlari

Modellar Apple M1 protsessori va 16 GB RAM ga ega tizimda oʻqitilgan.

Manbadagi arxitektura jadvali nomuvofiqligi

3-jadvalda FCN va CNN uchun neyron ustunida [256 128 22], BiLSTM uchun esa [200 150 22] yozilgan. Bunga qarshi, butun tadqiqot 19 sinfli muammoni taʼriflaydi va model izohlarida chiqish qatlami 19 neyron deb berilgan.

Bundan tashqari, FCN izohi uchta yashirin qatlam haqida gapiradi, 3a-rasmda esa 128 va 64 neyronli ikkita yashirin toʻliq bogʻlangan qatlam va 19 neyronli tasniflash chiqishi ko‘rinadi. CNN matni uchta konvolyutsiya qatlamini 32, 64 va 128 filtr bilan taʼriflaydi, biroq 3b-rasmning koʻrinadigan tuzilishi va 3-jadval qiymatlari boshqacha.

Shu sababli Verianla matni “22” qiymatini faraz orqali 19 yoki 128 ga oʻzgartirmagan.

Chalkashlik matritsalari nimani koʻrsatadi?

8-rasmda FCN, CNN va BiLSTM uchun normallashtirilgan chalkashlik matritsalari berilgan. BiLSTM matritsasi diagonal boʻylab eng zich toʻgʻri tasniflashni ko‘rsatadi.

Manba muhokamasida qolgan xatolarning katta qismi elektr imzolari bir-biriga oʻxshash sinflar orasida, ayniqsa bir fazadagi OG va OS nosozliklarining dastlabki oʻtish lahzalarida yuz berishi tushuntiriladi. Nosozlik imzosi vaqt o‘tishi bilan aniqroq bo‘lgach, BiLSTM sinflarni yaxshiroq ajratishi qayd etiladi.

Juda yengil yuk taʼsiri

Nominal ish sharoitlaridan tashqari past yuk ham tekshirilgan. Taxminan 1 N·m va undan past yuklarda faza toklari kamaygani sababli nosozlikdan kelib chiqadigan RMS buzilishlari zaiflashgan. Tadqiqotchilar bu sharoitlarda qaror vaqti uzayganini va ayrim holatlarda bitta asosiy davrdan oshishi mumkinligini bildirgan.

Bu cheklov model ishlashi faqat motor tezligiga emas, balki yuk darajasiga ham bogʻliq ekanini ko‘rsatadi.

Shovqin sinovi

Algoritmik qaror vaqti va inference vaqti bir xilmi?

Yoʻq. Maqola bu ikki vaqtni alohida baholaydi. Rasmlarda hisobot qilingan bir necha millisekundlik nosozlikni aniqlash vaqtlari simulyatsiya signalida nosozlik boshlanishi bilan toʻgʻri sinf qarori hosil boʻlishi orasidagi kechikishdir.

Chuqur oʻrganish tarmogʻining MATLAB dagi haqiqiy hisoblash vaqti alohida oʻlchangan va 100 bashorat oʻrtachasi:

1,8 ms / bashorat

deb berilgan.

Manba ushbu 1,8 ms vaqt 5-rasm va 7-rasmdagi nosozlikni aniqlash kechikishlariga kiritilmaganini aniq bildiradi.

Model xotirasi

Tadqiqotchilar modelning taxminan 693 ming oʻrganiladigan parametri va hisoblash vaqtini oʻrnatilgan kontroller nuqtai nazaridan maqbul oʻlcham sifatida baholaydi. Texas Instruments C2000 va ARM Cortex-M4 sinfidagi kontrollerlar ehtimoliy maqsadlar sifatida muhokama qilingan; biroq bu platformalarda tajribaviy ish bajarilmagan.

Asosiy uslubiy cheklovlar

• Barcha natijalar MATLAB/Simulink simulyatsiyasidan olingan.
• Fizik invertor va motor ustida tajriba qilinmagan.
• Hardware-in-the-loop tasdiqlashi qilinmagan.
• Faqat bitta kalit nosozliklari baholangan.
• Bir vaqtning oʻzida koʻp kalitli nosozliklar qamrovdan tashqarida.
• Faqat oldinga motorlash, yaʼni birinchi ish hududi tekshirilgan.
• Regenerativ va koʻp hududli ishlash qamrovdan tashqarida.
• Past yukda aniqlash kechikishi ortadi.
• Haqiqiy sensor nochiziqliklari va apparat toleranslari fizik tarzda sinovdan oʻtkazilmagan.
• Turli motor va invertor tuzilmalariga transfer qobiliyati tajribaviy ko‘rsatilmagan.

Manba va usul haqida izoh

Toʻliq asl tadqiqot nomi: Open Gate, Open Switch and Short Circuit Fault Detection of Three-Phase Inverter Switches in Induction Motor Drive Applications

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

Mualliflar tartibi: Manbada berilgan tartib aynan saqlangan.

Teng birinchi muallif/teng hissa: Manbada teng birinchi mualliflik yoki teng hissa bayonoti mavjud emas.

Masʼul muallif: Hicham Chaoui.

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

Manba turi: Peer-review qilingan tadqiqot maqolasi; MATLAB/Simulink asosidagi simulyatsiya, maʼlumotlar tahlili va chuqur oʻrganish orqali nosozlik aniqlash tadqiqoti.

Jurnal: Actuators.

Nashriyot: MDPI.

Bibliografik yozuv: Actuators 2026, 15(1), 34.

Maqola raqami: 34.

DOI: 10.3390/act15010034.

Rasmiy nashr havolasi:https://doi.org/10.3390/act15010034

Yuborilgan sana: 25 Noyabr 2025.

Qayta koʻrib chiqilgan sana: 23 Dekabr 2025.

Qabul qilingan sana: 29 Dekabr 2025.

Nashr sanasi: 5 Yanvar 2026.

Litsenziya: Creative Commons Attribution (CC BY).

Moliyalashtirish: Tadqiqotchilar tashqi moliyalashtirish olinmaganini bildirgan.

Etika qoʻmitasi: Manbada “Not applicable” deb ko‘rsatilgan.

Axborotli rozilik: Manbada “Not applicable” deb ko‘rsatilgan.

Maʼlumotlar mavjudligi: Tadqiqotning original hissalari maqola ichida joylashgani, qoʻshimcha savollar masʼul muallifga yoʻnaltirilishi mumkinligi qayd etilgan.

Manfaatlar toʻqnashuvi: Mualliflar manfaatlar toʻqnashuvi yoʻqligini bildirgan.

Muallif hissalari: Konseptualizatsiya M.Z.K., M.A. va H.C.; metodologiya M.Z.K., M.A. va H.C.; dasturiy taʼminot M.Z.K.; validatsiya M.Z.K., M.A. va H.C.; formal tahlil va tadqiqot M.Z.K., M.A. va H.C.; resurslar H.C.; maʼlumotlarni tartibga solish M.Z.K.; dastlabki qoralama M.Z.K.; koʻrib chiqish va tahrirlash M.A. va H.C.; maslahat M.A. va H.C.; loyiha boshqaruvi H.C. deb bildirilgan.

Ilmiy mazmun chegarasi: Ushbu Verianla maqolasidagi motor parametrlari, nosozlik turlari, maʼlumot yaratish usuli, sunʼiy intellekt arxitekturalari, oʻqitish-test ajratilishi, aniqlik natijalari, aniqlash kechikishlari, shovqin tajribalari, ablatsiya natijalari va cheklovlar ko‘rib chiqilgan asosiy tadqiqotga tayangan. Bibliografik tekshiruvdan tashqari tashqi manbalardan yangi tajribaviy natija qoʻshilmagan.

Manbadagi muhim nomuvofiqliklar va talqin chegaralari

• Xulosa va natija bo‘limi nosozlikni aniqlash vaqtini umuman yarim asosiy davrdan qisqa qilib taqdim etsa, muhokama bo‘limida taxminan 1 N·m va undan past juda yengil yukda kechikish ayrim holatlarda bir davrdan oshishi mumkinligi qayd etiladi.
• 3-jadvalda FCN va CNN uchun neyron qiymatlari “[256 128 22]”, BiLSTM uchun “[200 150 22]” deb berilgan; bunga qarshi tadqiqot 19 sinfli chiqishni ishlatadi va matndagi arxitektura tavsiflari bu qiymatlarga to‘liq mos kelmaydi.
• FCN matni uchta yashirin qatlamni taʼriflaydi, 3a-rasmning ko‘rinadigan arxitekturasi esa ikkita yashirin toʻliq bogʻlangan qatlam va 19 neyronli chiqishni ko‘rsatadi.
• CNN matni 32, 64 va 128 filtrli uchta konvolyutsiya blokini tilga oladi, biroq 3b-rasm va 3-jadval ayni arxitekturani ochiq va izchil tarzda ko‘rsatmaydi.
• Maʼlumot taqsimoti izohida “har bir sinfdan teng miqdorda namuna tanlangani” aytiladi, darhol keyin esa sogʻlom sinf yakka nosozlik sinflaridan ko‘proq namunani oʻz ichiga olishi bildiriladi.
• Manba qisqa tutashuv himoya tizimlari amalda DC shinasini T/6 ichida ajratishi mumkinligini aytadi, taklif etilgan diagnostika modelining ayrim SC misollarida qaror kechikishi esa taxminan 0,48T. Haqiqiy tez apparat himoyasi bilan birgalikda ishlash fizik tajribada ko‘rsatilmagan.
• Rasmlardagi nosozlikni aniqlash vaqtlari chuqur oʻrganish tarmogʻining 1,8 ms oʻrtacha hisoblash inference vaqtini oʻz ichiga olmaydi.

Asosiy ilmiy chegara: Tadqiqot yuqori tafsilotli simulyatsiyada kuchli tasniflash natijalarini taqdim etadi. Biroq haqiqiy invertor kalitlarining ishlab chiqarish toleranslari, kuch pogʻonasi shovqinlari, fizik sensor xatti-harakati, haqiqiy qisqa tutashuv himoyasi va turli ish hududlari tajribaviy tasdiqlanmaganligi sababli natijalar bevosita sanoat yoki avtomobil dala ishlashi sifatida talqin qilinmasligi kerak.