Kaskad H-ko‘prikli ko‘p darajali invertor (CHMI) qayta tiklanuvchi energiya tizimlari, elektr yuritmalar va zaryadlash infratuzilmalarida yuqori sifatli DC–AC quvvat o‘zgartirish uchun qo‘llanadigan modulli kuch elektronikasi tuzilmasidir. Biroq darajalar va kuch yarimo‘tkazgichlari soni ortgani sari nosozlik ehtimoli hamda nosozlik aynan qaysi kalitda yuz berganini to‘g‘ri aniqlash muammosi murakkablashadi.

Haocheng Hu va hamkasblarining tadqiqoti, ayniqsa IGBT ochiq-zanjir nosozliklarini avtomatik diagnostika qilish uchun PC-DARTS-SC deb nomlangan edge-ga yo‘naltirilgan neyron tarmoq arxitekturasi qidiruv usulini taklif qiladi. An’anaviy yondashuvda mutaxassislar CNN arxitekturasi, filtr o‘lchamlari, tarmoq chuqurligi va downsampling tuzilmasini qo‘lda belgilaydi. Ushbu ishda esa tarmoq arxitekturasi nosozlik signallarining xususiyatlariga qarab differensiallanuvchi neural architecture search orqali avtomatik aniqlanadi.

Tadqiqotning asosiy qiyinligi shundaki, ayrim ochiq-zanjir nosozliklari bir-biriga deyarli aynan o‘xshash kuchlanish to‘lqin shakllarini hosil qiladi. Ayniqsa bir xil H-ko‘prikda diagonal joylashgan IGBT juftlarida global to‘lqin shakli asosan bir xil bo‘ladi; farqlovchi ma’lumot ko‘pincha yuk toki nolni kesib o‘tadigan hududlarda ko‘rinadigan kichik kuchlanish spike-larida joylashadi.

Tadqiqotchilar ushbu nozik farqlarni saqlash uchun kuchlanish sikllarini 20×20 ikki o‘lchovli feature map-larga aylantirib, downsampling qo‘llamaydigan maxsus hujayralardan tashkil topgan tarmoqni qidirgan. 7 Ω va 6 mH RL yuk sharoitida taklif qilingan usul test to‘plamida o‘rtacha %99,44 aniqlikka erishgan.

Yakuniy tarmoq atigi 0,2417 million o‘rgatiladigan parametrni o‘z ichiga oladi va Jetson Orin Nano qurilmasida TensorRT FP16 bilan har bir namuna uchun 3,54 ms inference bajara oladi. Shunga qaramay, natijalar nazorat qilinadigan laboratoriya nosozliklari va cheklangan invertor/yuk konfiguratsiyalariga asoslangani sababli ularni to‘g‘ridan-to‘g‘ri umumiy sanoat maydonidagi samaradorlik deb talqin qilish mumkin emas.

CHMI tizimlarida ochiq-zanjir nosozligini diagnostika qilish nega qiyin?

CHMI tizimlari bir nechta H-ko‘prik submodullarini ketma-ket ulash orqali hosil qilinadi. Har bir H-ko‘prik to‘rtta IGBTni o‘z ichiga oladi va chiqish kuchlanishi ushbu kalitlarni turli kombinatsiyalarda o‘tkazuvchan holatga keltirish orqali shakllantiriladi.

IGBTlarda ikki asosiy nosozlik turi bo‘lishi mumkin:

• Qisqa tutashuv nosozligi — SCF
• Ochiq-zanjir nosozligi — OCF

Qisqa tutashuv nosozliklari juda qisqa vaqt ichida jiddiy issiqlik va tok ta’sirlarini yuzaga keltirgani uchun odatda apparat himoya sxemalari bilan tez boshqariladi. Amaliy gate-driver sxemalarida qisqa tutashuv nosozligini ochiq-zanjir holatiga aylantirish orqali tizimni himoya qilish ham mumkin.

Ochiq-zanjir nosozligi esa ko‘pincha kuchlanish va tok to‘lqin shakllarining buzilishi bilan namoyon bo‘ladi. Bir nechta quvvat moduliga ega CHMI tizimida nosoz kalitning aniq joyini aniqlash ikki darajali invertorga qaraganda murakkabroq.

Nega ayrim nosozliklar bir-biriga deyarli bir xil ko‘rinadi?

Tadqiqotda ikki H-ko‘prikli bir fazali besh darajali invertordan foydalanilgan. Jami sakkiz IGBT H1S1–H2S4 deb belgilangan.

Tadqiqotchilar, ayniqsa bir xil submoduldagi diagonal IGBT juftlarida ochiq-zanjir nosozligi o‘xshash chiqish kuchlanishi ketma-ketliklarini hosil qilishi mumkinligini ko‘rsatadi.

Masalan, H1S1 va H1S3 nosozliklari ko‘plab kommutatsiya holatlarida bir xil kuchlanish naqshini yuzaga keltirishi mumkin. Xuddi shu holat H1S2 va H1S4 uchun ham amal qiladi.

Farq ko‘pincha asosiy kuchlanish to‘lqinida emas, balki yuk toki nolni kesib o‘tish nuqtalari yaqinida paydo bo‘ladigan kichik transient spike-larda yuzaga chiqadi.

Kichik kuchlanish spike-lari nega muhim?

Bu spike-larning ikki asosiy manbai bor:

• yuk induktivligidagi energiyaning bo‘shashi natijasida paydo bo‘ladigan kattaroq transient-lar,
• IGBTning ideal bo‘lmagan kommutatsiya xususiyatlaridan kelib chiqadigan kichikroq spike guruhlari.

Farqlovchi ma’lumot asosiy chiqish kuchlanishi kattaligiga nisbatan juda kichik bo‘lgani sababli klassik vizual, statistik yoki qo‘lda ishlab chiqilgan xususiyatlar bu farqlarni barqaror ushlashda qiynalishi mumkin.

DARTS nega tarmoq arxitekturasini avtomatik qidiradi?

Neural Architecture Search — NAS neyron tarmoq arxitekturasini mutaxassis bevosita belgilash o‘rniga oldindan aniqlangan operatsiyalar fazosida avtomatik qidirishni maqsad qiladi.

DARTS — Differentiable Architecture Search diskret arxitektura tanlash muammosini uzluksiz optimallashtirish muammosiga aylantiradi. Shu tariqa qaysi convolution, pooling yoki identity operatsiyasi tanlanishi gradient asosida optimallashtirilishi mumkin.

Bitta hujayra directed acyclic graph — DAG sifatida ifodalanadi. Hujayradagi tugunlar latent xususiyatlarni, qirralar esa nomzod operatsiyalarni ifodalaydi.

Har bir qirradagi operatsiya bitta nomzod o‘rniga softmax vaznli operatsiyalar aralashmasi sifatida modellashtiriladi:

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

Shu tariqa arxitektura parametrlari α bevosita optimallashtiriladigan holga keladi.

PC-DARTS nega qo‘llanadi?

Standart DARTS barcha feature channel-larni bir vaqtning o‘zida candidate operation-larga yuborgani uchun yuqori xotira talabiga ega bo‘lishi va parametrsiz operatsiyalarning tanlov jarayonida ustunlik qilishi kabi beqarorliklarni ko‘rsatishi mumkin.

PC-DARTS feature channel-larning faqat bir qismini mixed operation-ga yuboradi, qolgan qismini esa bypass qiladi. Shu bilan qidiruv xotirasi va hisoblash xarajati kamayadi.

Bundan tashqari, edge normalization mexanizmi stochastic channel sampling arxitektura tanloviga olib kelishi mumkin bo‘lgan beqarorlikni kamaytirishga yordam beradi.

PC-DARTS-SC standart PC-DARTSdan qanday farq qiladi?

Standart PC-DARTS odatda normal cell va reduction cell tuzilmalarini birgalikda qo‘llaydi. Reduction cell feature map o‘lchamini kichraytiradi.

Bu yondashuv katta tasvir klassifikatsiyasi vazifalarida foydali bo‘lishi mumkin; biroq bu yerda kirish o‘lchami atigi 20×20 va muhim nosozlik ma’lumoti juda kichik lokal spike-larda joylashgan.

Erta downsampling bu zaif signallarni yo‘qotishi mumkin.

Shu sababli tadqiqotchilar faqat special cell ishlatadigan PC-DARTS-SC strategiyasini ishlab chiqqan. Barcha hujayralar bir xil asosiy arxitekturani baham ko‘radi va rezolyutsiyani dastlabki bosqichda pasaytiradigan reduction cell ishlatilmaydi.

Qidiruv fazosida qanday operatsiyalar bor?

Nomzod operatsiyalar turli receptive field o‘lchamlarini qamrab oladigan tarzda ishlab chiqilgan:

• 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.

Barcha operatsiyalar stride 1 bilan qo‘llanadi va feature map rezolyutsiyasi saqlanadi.

Nega 5×5 va 7×7 filtrlar ko‘proq ajralib turadi?

Turli yuk sharoitlarida o‘tkazilgan arxitektura qidiruvida tarmoq 5×5 va 7×7 separable convolution kabi kengroq receptive field-ga ega operatsiyalarni tez-tez tanlagani kuzatilgan.

Bu nosozlik farqlari faqat bitta tor spike-da emas, balki turli temporal masshtablarga yoyilgan lokal to‘lqin shakli o‘zgarishlarida ham joylashganini ko‘rsatishi mumkin.

Kengroq kernel-lar bu ko‘p masshtabli farqlarni bir vaqtning o‘zida ushlashga yordam berishi mumkin.

Kuchlanish signali nega 20×20 tasvirga aylantiriladi?

Tajriba qurilmasida chiqish kuchlanishi 20 kHz bilan namuna olinadi. Asosiy chastota 50 Hz bo‘lgani uchun bir sikl 20 ms davom etadi va har bir sikl:

20.000 × 0,020 = 400 namuna

o‘z ichiga oladi.

Bu 400 namuna ketma-ketligi saqlangan holda 20×20 matritsa ko‘rinishiga keltiriladi.

Shu tariqa bir o‘lchovli vaqt qatori 2D convolution operatsiyalari qo‘llanishi mumkin bo‘lgan feature map-ga aylanadi.

Ushbu ifoda ayniqsa vaqt bo‘yicha bir-biriga yaqin nuqtalardagi kichik spike tuzilmalarini lokal convolution filtrlari o‘rganishini maqsad qiladi.

Ma’lumotlar to‘plami qanday yaratildi?

Har bir fault class va har bir yuk sharoiti uchun 200 ta belgilangan sikl namunasi to‘plangan.

To‘qqizta sinf quyidagilardan iborat:

• 1 ta normal ish holati,
• 8 ta alohida bitta-IGBT ochiq-zanjir nosozligi.

Har bir sikl mustaqil 20×20 sample sifatida yaratilgan va overlapping sliding window qo‘llanmagan.

Ma’lumotlar:

• %75 o‘qitish,
• %15 validatsiya,
• %10 test

ko‘rinishida bo‘lingan.

Fizik tajriba platformasi

Tajriba tizimi bir fazali besh darajali CHMI prototipidir.

Qo‘llangan IGBT turi IKW30N60H3, kuchlanish sensori esa LV25-P. Gate-drive signallari dSPACE MicroLabBox orqali hosil qilingan.

Manba maqolaning 11-sahifasidagi tajriba qurilmasi laptop, osiloskop, dSPACE boshqaruv bloki, fault-setting sxemasi, CHMI va RL yukini bitta fizik tizim ichida ko‘rsatadi.

Nosozliklar qanday yaratildi?

Tegishli IGBTning gate-drive signali fault-setting sxemasi orqali nolga majburlangan.

Shu tariqa nazorat qilinadigan va takrorlanadigan ochiq-zanjir nosozligi emulyatsiya qilingan.

Bu yondashuv xavfsiz tajriba nuqtai nazaridan mos; biroq tabiiy qarish orqali rivojlanadigan fizik nosozlikning barcha ta’sirlarini ifodalamaydi.

Tadqiqot Usuli va Natijalari

Arxitektura qidiruvi qanday olib borildi?

Architecture search 20 epoch davom etgan.

Dastlabki 6 epoch davomida faqat network weight-lar optimallashtirilgan. Keyin arxitektura parametrlari bilan network weight-lar birgalikda yangilangan.

Qidirilgan tarmoqning yakuniy tuzilishi

Search tugagach, har bir oraliq tugun uchun architecture parameter qiymati eng yuqori bo‘lgan ikkita operatsiya tanlanadi va super-network diskret yakuniy tarmoqqa aylantiriladi.

Yakuniy feature extractor ketma-ket joylashtirilgan to‘rtta special cell-dan iborat.

So‘ng:

Global Average Pooling → Fully Connected → Softmax

qatlamlari orqali nosozlik sinfi aniqlanadi.

GAP qo‘llash katta fully connected qatlamlarga nisbatan parametrlar soni va overfitting xavfini kamaytirishni maqsad qiladi.

Asosiy taqqoslash natijasi

Taklif qilingan usul taqqoslashda eng yuqori o‘rtacha aniqlikka erishgan.

Biroq mualliflar test to‘plami kichik va 1D-CNN bilan farq cheklangan bo‘lgani uchun aniqlikdagi farqni ehtiyotkorlik bilan talqin qilish kerakligini alohida ta’kidlaydi.

Tadqiqotning asosiy afzalligi faqat %99,44 ko‘rsatkichi emas; bu samaradorlik qo‘lda loyihalanmagan, avtomatik qidirilgan va edge uchun mos kichik arxitektura bilan olinganidir.

0,2417 million parametr nega muhim?

Yakuniy model atigi 0,2417 million trainable parameterni o‘z ichiga oladi.

FP32 formatida bu taxminan:

0,97 MB

parametr saqlash hajmiga teng.

Bu masshtab katta GPU serveri o‘rniga Jetson Orin Nano kabi o‘rnatilgan edge qurilmalarida ishlash imkonini beradigan asosiy dizayn natijalaridan biridir.

Architecture search qanchalik qimmat?

Qidiruv NVIDIA RTX 4060 GPUda 20 epoch davomida bajarilgan.

Bitta to‘liq qidiruv:

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

talab qilgan.

Bu xarajat faqat ishlab chiqish jarayonida bir marta yuzaga keladi. Edge qurilmada architecture search bajarilmaydi; faqat tanlangan yakuniy tarmoq ishlatiladi.

DARTS-SC va PC-DARTS-SC taqqoslanishi

Ushbu nazorat qilinadigan taqqoslashda ikkala usul ham bir xil aniqlikka erishgan, biroq PC-DARTS-SC architecture search uchun kamroq xarajat ko‘rsatgan.

Model shovqinli signalda qanchalik barqaror?

Haqiqiy invertor o‘lchovlarida switching noise, sensor shovqini, quantization noise, past chastotali tebranishlar va elektromagnit xalaqitlar bo‘lishi mumkin.

Tadqiqot bu fizik ta’sirlarning barchasini alohida modellashtirmagan. Buning o‘rniga nazorat qilinadigan noise-sensitivity testi uchun o‘lchangan haqiqiy signallarga turli darajada AWGN — Additive White Gaussian Noise qo‘shilgan.

Taklif qilingan usul sinovdan o‘tkazilgan barcha SNR darajalarida taqqoslangan usullardan yuqoriroq aniqlik ko‘rsatgan.

Shunga qaramay, AWGN haqiqiy sanoat invertor muhitidagi barcha shovqin manbalarining aynan bir xil simulyatsiyasi emas.

Model edge qurilmada haqiqatan ishlaydimi?

Ha. Yakuniy model Jetson Orin Nano qurilmasiga bevosita joylashtirilgan.

Pipeline quyidagicha:

PyTorch → ONNX → TensorRT → Jetson Orin Nano

TensorRT optimallashtirishida:

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

kabi amallar qo‘llangan.

Jetson Orin Nano natijalari

Bitta asosiy kuchlanish sikli 20 ms davom etgani sababli 3,54 ms inference vaqti sikl asosidagi onlayn diagnostika uchun yetarli hisoblash zaxirasini qoldiradi.

TensorRT aniqlikni oshiradimi?

Yo‘q. Maqola bu farqni alohida ta’kidlaydi.

FP16 yoki TensorRT modelning o‘rganilgan diagnostik qobiliyatini oshirmaydi. U faqat mavjud modelning inference hisoblashini samaraliroq qiladi.

%100 edge accuracy tanlangan bitta export qilingan modelning deployment izchilligini ko‘rsatadi; uni workstationdagi %99,44 ± 1,05 o‘rtacha natija bilan “TensorRT aniqlikni oshirdi” tarzida taqqoslash mumkin emas.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• PC-DARTS-SC CHMI ochiq-zanjir nosozliklari uchun vazifaga xos yengil neyron tarmoq arxitekturasini avtomatik topa oladi.
• Special cell yondashuvi kichik 20×20 feature mapdagi lokal fault spike-larini erta downsamplingdan saqlashni maqsad qiladi.
• 7 Ω / 6 mH tajriba sharoitida taklif qilingan usul %99,44 o‘rtacha test aniqligiga erishgan.
• Yakuniy tarmoq atigi 0,2417 M parametrni o‘z ichiga oladi.
• Jetson Orin Nano + TensorRT FP16da 3,54 ms/sample inference olingan.
• Nazorat qilinadigan AWGN testlarida usul taqqoslangan modellardan yuqoriroq noise robustness ko‘rsatgan.

Tadqiqot qo‘llab-quvvatlamaydigan xulosalar

• Model barcha invertor topologiyalarida ayni aniqlikka erishishi isbotlanmagan.
• Haqiqiy maydon sharoitidagi tabiiy IGBT nosozliklarida ayni samaradorlik ko‘rsatilmagan.
• Qurilmaning uzoq muddatli qarishi, sensor drift va murakkab EMI sharoitlari keng qamrovda sinovdan o‘tkazilmagan.
• %100 edge deployment accuracy modelning umumiy aniqligi %100 degani emas.
• AWGN testi haqiqiy sanoat shovqin muhitining to‘liq simulyatsiyasi emas.
• Tasodifiy cycle-level split to‘liq vaqt mustaqilligini kafolatlamaydi.

Asosiy cheklovlar

Tajribalar faqat bir fazali besh darajali CHMIda, bitta IGBT ochiq-zanjir nosozliklari va ikki RL yuk sharoiti bilan o‘tkazilgan.

Shu sababli modelning boshqa invertor topologiyalari, yuqori darajali tizimlar, bir vaqtning o‘zida bir nechta nosozliklar yoki turli modulation strategiyalariga bevosita umumlashtirilishi hali ko‘rsatilmagan.

Nosozliklar fizik qurilmaning uzoq muddatli buzilishidan tabiiy ravishda kelib chiqmagan; tegishli gate signali o‘chirilib, nazorat qilinadigan tarzda emulyatsiya qilingan.

Bundan tashqari, sikllar overlap qilmasa ham training va test namunalari bir xil uzluksiz acquisition ketma-ketligidan kelgan qo‘shni sikllarni o‘z ichiga olishi mumkin. Shu sababli random cycle-level split to‘liq temporal independence ta’minlamaydi.

Kelajakdagi ishlar

Mualliflar ko‘rsatgan asosiy kelajak tadqiqot yo‘nalishlari quyidagilar:

1. murakkabroq invertor topologiyalari,
2. yanada xilma-xil ish sharoitlari,
3. kengroq nosozlik turlari,
4. turli edge apparatlarida validatsiya,
5. cross-condition adaptation,
6. haqiqiy maydon nosozlik ma’lumotlari,
7. time-ordered yoki cycle-block asosidagi qat’iyroq ma’lumot ajratish,
8. sanoat shovqini va muhit o‘zgaruvchanligiga nisbatan kengroq robustness tahlili.

Manba va Usul Eslatmasi

Asl sarlavha:Multilevel Inverter Fault Diagnosis Using Differentiable Architecture Search for Edge Deployment

Mualliflar: Haocheng Hu, Tianzhen Wang, Haoran Wang va Yassine Amirat.

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

Jurnal:AI, 2026, 7, Article 208.

DOI:10.3390/ai7060208

Yuborilgan: 2-aprel 2026. Qayta ko‘rib chiqilgan: 29-may 2026. Qabul qilingan: 4-iyun 2026. Nashr qilingan: 7-iyun 2026.

Tadqiqot turi: Fizik invertor prototipida laboratoriya tajribasi, data-driven nosozlik diagnostikasi, differentiable neural architecture search va edge deployment validatsiyasi.

Asosiy tizim: Bir fazali, ikki H-ko‘prik submodulli, besh darajali CHMI; 8 IGBT va 9 sinfli fault classification muammosi.

Edge platforma: NVIDIA Jetson Orin Nano; ONNX Runtime va TensorRT.

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

Etika: Institutional Review Board va informed consent qo‘llanilmaydi.

Ma’lumotlarga kirish: Ma’lumotlar mas’ul muallifdan so‘rov asosida olinishi mumkin; omma uchun ochiq emas.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bildirgan.

Litsenziya: Creative Commons Attribution (CC BY).

Metodologik chegara: Natijalar nazorat qilinadigan laboratoriya sharoitida emulyatsiya qilingan single-IGBT OCF holatlari, ikki RL yuk sharoiti va cycle-level random split strategiyasiga asoslangan. Haqiqiy maydon nosozliklari, uzoq muddatli aging, temporal mustaqil test, boshqa invertor topologiyalari va murakkabroq sanoat shovqin sharoitlari hali keng qamrovda tasdiqlanmagan.

Verianla usul eslatmasi: Ushbu o‘zbekcha mazmun manba tadqiqotdagi CHMI nosozlik mexanizmi, DARTS/PC-DARTS-SC usuli, kuchlanish signalini qayta shakllantirish strategiyasi, tajriba platformasi, samaradorlik taqqoslashlari, noise sensitivity, edge deployment va cheklovlarni manba ma’nosiga sodiq holda mustaqil o‘quv tuzilmasida qayta tashkil etadi. Manba figuralari yoki jadvallari aynan ko‘chirib olinmagan.