Taklif etilgan ikki oqimli tarmoq T-tip neytral nuqtasi qisilgan uch sathli invertorlardagi IGBT ochiq zanjir nosozliklarini; tok-kuchlanish signallari orasidagi namunaga xos bogʻlanishlarni grafik tarmogʻida, vaqtli naqshlarni esa diqqat mexanizmiga ega ikki yoʻnalishli darvozali takrorlanuvchi birlik (BiGRU) tarmogʻida oʻrganib tasniflaydigan chuqur oʻrganish arxitekturasidir. Tadqiqotda uch faza toki va uch faza kuchlanishi oltita alohida signal tuguni sifatida qaralgan; umumiy 1B CNN yordamida xususiyatlar ajratib olingan, Sinkhorn orqali taxminiy Wasserstein masofalari hisoblanib har bir namuna uchun vaznli dinamik grafik qurilgan va bu grafik ikki qatlamli GCN bilan qayta ishlangan. Parallel vaqt tarmogʻida BiGRU va global attention qoʻllanilgan, ikki tarmoq tasvirlari birlashtirilib 21 ish holati tasniflangan.
Manbada har bir yozuv oltita signalning har biri uchun 1024 ta namuna olish nuqtasini oʻz ichiga oladi. Har bir nosozlik holati uchun 300 ta yozuv alohida yigʻishlar orqali olingan, DC-link kuchlanishi 800 V qiymatining ±5% atrofida oʻzgartirilgan va maʼlumotlar tasodifiy ravishda 70% trening, 15% validatsiya va 15% testga ajratilgan. Modelni oʻqitishda Z-score standartlashtirish, 1×10−3 learning rate, 1×10−4 weight decay, 64 batch size va 0.25 dropout darajasi qayd etilgan. Manba ishlatilgan optimizer nomi va trening uchun aniq maksimal epoch sonini usul jadvalida ko‘rsatmaydi.
Taklif etilgan toʻliq model uchun takroriy tajribalarning oʻrtacha validatsiya aniqligi 99.88% deb qayd etilgan. Ablatsiya natijalarida CNN-GCN 93.98 ± 4.00%, CNN-Sinkhorn-GCN 95.00 ± 1.80%, CNN-Sinkhorn-GCN + GRU 95.47 ± 1.93% va CNN-Sinkhorn-GCN + BiGRU 96.96 ± 1.61% aniqlik bergan, toʻliq model esa 99.88 ± 0.84% aniqlikka erishgan. Shu bilan birga, manbada ko‘rsatilgan namunaviy chalkashlik matritsasi ishga tushirilishi 99.76% aniqlikka ega bo‘lib, 819 ta validatsiya namunasidan ikkitasi notoʻgʻri tasniflangan; demak, 99.88% va 99.76% turli hisobot kontekstlariga tegishli.
Tadqiqot faqat dasturiy simulyatsiyaga asoslanmaydi: MATLAB 2024b/Simulink modeli bilan birga Starsim MT6060 real vaqt HIL tizimi va TMS320F28335 boshqaruvchisi yordamida nosozlik sharoitlari qayta hosil qilingan va tok-kuchlanish to‘lqin shakllari yigʻilgan. Biroq HIL bo‘limida mustaqil HIL-only tasniflash aniqligi jadvali berilmagan; mualliflar HIL-only miqdoriy baholash va o‘rnatilgan apparatda real vaqtli qo‘llashni kelajakdagi ish sifatida ochiq qayd etadilar.
T-NPC Uch Sathli Invertorda IGBT Ochiq Zanjir Nosozligi Nimani Oʻzgartiradi?
IGBT ochiq zanjir nosozligi tegishli kalitning o‘tkazuvchanlik yo‘lini ishlatib bo‘lmaydigan holga keltirib, faza tokini muqobil diod yoki kalit yo‘llariga yo‘naltiradi hamda T-NPC invertorining P, O va N chiqish holatlari orasida nosozlikka bog‘liq o‘tishlarni yuzaga keltiradi. Bu o‘zgarish faqat bitta tok amplitudasiga taʼsir qilib qolmaydi; tok yoʻnalishi va qaysi kalit ochiq zanjir holatida qolganiga qarab musbat yoki manfiy yarim davrda faza toki bilan faza kuchlanishining to‘lqin shakli turlicha buzilishi mumkin.
T-NPC topologiyasida har bir faza tarmogʻida ikkita tashqi va ikkita ichki kalit mavjud. Manba faza-A uchun Sa1, Sa2, Sa3 va Sa4 ochiq zanjir nosozliklarining tok yo‘nalishiga bog‘liq taʼsirlarini alohida tahlil qiladi. Ketma-ket DC-link kondensatorlari faza tarmogʻiga Udc1, 0 va Udc2 ko‘rinishida uchta kuchlanish sathini beradi. Ochiq zanjir nosozligi yuz berganda kutilgan o‘tkazuvchanlik yo‘li uziladi va erkin aylanish diodlari hamda qolgan kalitlar orqali yangi yo‘l hosil bo‘lishi mumkin.
| Nosoz IGBT | Tok yoʻnalishi | Manbada berilgan tok yoʻli | Holat oʻzgarishi |
|---|---|---|---|
| Sa1 | ia > 0 | Sa1 → Da2, Sa3 | P → O |
| Sa1 | ia < 0 | Da1 | Oʻzgarish yoʻq |
| Sa2 | ia > 0 | Da2, Sa3 | Oʻzgarish yoʻq |
| Sa2 | ia < 0 | Sa2, Da3 → Da1 | O → P |
| Sa3 | ia > 0 | Sa3, Da2 → Da4 | O → N |
| Sa3 | ia < 0 | Sa2, Da3 | Oʻzgarish yoʻq |
| Sa4 | ia > 0 | Da4 | Oʻzgarish yoʻq |
| Sa4 | ia < 0 | Sa4 → Sa2, Da3 | N → O |
Ikki IGBT nosozligida ayni mantiq murakkablashadi. Turli fazalarda yuzaga kelgan ikki nosozlik uchun avval har bir fazaning mahalliy o‘tkazuvchanlik variantlari bitta kalit qoidalaridan kelib chiqariladi; ammo manba bu ikki nosozlik dinamik jihatdan mustaqil degani emasligini yoki to‘lqin shakliga taʼsirlar chiziqli ravishda ustma-ust qo‘shilishi mumkinligini anglatmasligini alohida taʼkidlaydi. Bir fazadagi ikki nosozlik esa o‘tkazuvchanlik yo‘nalishlarini bevosita o‘zaro bog‘lashi mumkin; masalan, Sa1 va Sa3 birgalikda ochiq zanjir bo‘lganda ia > 0 shartida holat P dan N ga o‘tishi mumkin.
Tadqiqotda tasniflangan 21 holat
Model barcha mumkin bo‘lgan T-NPC ochiq zanjir kombinatsiyalarini qamrab olmaydi. Manba maʼlumotlar to‘plami tanlangan 20 ta ochiq zanjir nosozligi va bitta sog‘lom holatni o‘z ichiga oladi; xususan, faza-B va faza-C tomonidagi qolgan kombinatsiyalarni kelajakda maʼlumotlar to‘plamiga qo‘shish rejalashtirilgan.
| Yorliq | Holat | Yorliq | Holat |
|---|---|---|---|
| 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 Grafigi Bu Tadqiqotda Nega Ishlatiladi?
Sinkhorn–Wasserstein dinamik grafigi oltita tok-kuchlanish signali orasidagi aloqani doimiy topologiya deb faraz qilish o‘rniga, har bir namuna uchun CNN dan o‘rganilgan yashirin xususiyat taqsimotlarining o‘xshashligiga qarab qayta vaznlash uchun ishlatiladi. Shu tariqa turli kalit nosozliklarining tok va kuchlanish kanallariga turlicha taʼsiri namunaga xos qo‘shnichilik matritsasida ifodalanadi va GCN nafaqat alohida signallarni, balki signallar orasidagi munosabatlarni ham o‘rganishi ko‘zda tutiladi.
Kirish matritsasi va Z-score standartlashtirish: Tenglamalar (1)–(4)
Har bir namuna oltita kanal va har bir kanal uchun 1024 ta namuna olish nuqtasi bilan aniqlanadi:
\[X^{(n)}=[i_a^{(n)}\; i_b^{(n)}\; i_c^{(n)}\; V_{AO}^{(n)}\; V_{BO}^{(n)}\; V_{CO}^{(n)}]^T \in \mathbb{R}^{6\times1024}. \tag{1}\]
Tenglama (1) model bitta namunada uchta tok va uchta kuchlanish to‘lqin shaklini birgalikda ko‘rishini bildiradi. Toklarning fizik birligi amper, kuchlanishlarning fizik birligi volt; biroq bu kattaliklar Z-score jarayonidan keyin o‘lchovsiz standartlashtirilgan qiymatlarga aylanadi.
Manba kanal o‘rtachasini faqat trening to‘plamidan hisoblaydi:
\[\mu_c=\frac{1}{N_{tr}T}\sum_{n\in D_{tr}}\sum_{t=1}^{T}X_{c,t}^{(n)}. \tag{2}\]
Standart og‘ish ham ayni trening to‘plami bo‘yicha hisoblanadi:
\[\sigma_c=\sqrt{\frac{1}{N_{tr}T}\sum_{n\in D_{tr}}\sum_{t=1}^{T}\left(X_{c,t}^{(n)}-\mu_c\right)^2}. \tag{3}\]
Yakuniy standartlashtirish:
\[\widetilde{X}_{c,t}^{(n)}=\frac{X_{c,t}^{(n)}-\mu_c}{\sigma_c+\varepsilon}. \tag{4}\]
Bu yerda c oltita signal kanalidan birini, t namuna olish o‘rnini, T = 1024 yozuv uzunligini, Dtr trening to‘plamini va Ntr trening namunalari sonini bildiradi. Tenglama (4) dagi kichik musbat ε nolga bo‘lishning oldini olish uchun ishlatiladi. Manba keyinchalik Sinkhorn optimal transport regulyarizatsiyasida ham ε belgisidan foydalanadi; ikki qo‘llanishning matematik vazifasi farq qiladi va ularni aralashtirmaslik kerak.
Umumiy CNN bilan oltita tugunni 32 o‘lchamga siqish: Tenglamalar (5)–(6)
Ikki konvolyutsiya bloki quyidagi tuzilishda beriladi:
\[B_l(z)=\operatorname{ReLU}[\operatorname{BN}(W_l * z+b_l)],\quad l=1,2. \tag{5}\]
Wl konvolyutsiya yadrosi parametrlarini, bl bias hadini, BN batch normalization jarayonini va ReLU nochiziqli faollashtirishni ifodalaydi. Ikki blokdan keyin adaptiv o‘rtacha pooling va chiziqli proyeksiya qo‘llanib, har bir signal tuguni 32 o‘lchamli tasvirga aylantiriladi:
\[H^{(0)}=[h_{i_a}^{(0)},h_{i_b}^{(0)},h_{i_c}^{(0)},h_{V_{AO}}^{(0)},h_{V_{BO}}^{(0)},h_{V_{CO}}^{(0)}]^T\in\mathbb{R}^{6\times32}. \tag{6}\]
Bu bosqichning vazifasi 1024 nuqtali xom to‘lqin shakllarini ixchamroq yashirin fazoga o‘tkazish va keyingi Sinkhorn hisobi hamda grafik konvolyutsiyasi xarajatini kamaytirishdir.
Sinkhorn–Wasserstein bilan dinamik grafik: Tenglamalar (7)–(14)
Har bir tugunning 32 o‘lchamli yashirin xususiyati avval Softmax orqali ehtimolga o‘xshash taqsimotga aylantiriladi:
\[p_{i,r}=\frac{\exp(h_{i,r}^{(0)})}{\sum_{s=1}^{F}\exp(h_{i,s}^{(0)})},\quad F=32. \tag{7}\]
Bu taqsimot xom tok yoki kuchlanish amplitudasining fizik ehtimollik taqsimoti emas; umumiy CNN yashirin fazosidagi faollashuvlarning normallashtirilgan tasviridir. Taqsimotlar manfiy bo‘la olmaydi va ularning umumiy massasi birga teng:
\[p_i,p_j\in\Delta^{F-1},\quad p_{i,r}\ge0,\quad\sum_{r=1}^{F}p_{i,r}=1. \tag{8}\]
Yashirin xususiyat o‘rinlarining normallashtirilgan tayanch koordinatasi:
\[u_r=\frac{r-1}{F-1},\quad r=1,\ldots,F. \tag{9}\]
Transport rejasi P ning marginal cheklovlari:
\[\sum_{s=1}^{F}P_{rs}=p_{i,r},\qquad\sum_{r=1}^{F}P_{rs}=p_{j,s}. \tag{10}\]
Entropiya bilan regulyarizatsiyalangan optimal transport rejasi manbada quyidagicha yozilgan:
\[P_{ij}^{*}=\arg\min\left[\langle P,C\rangle+\varepsilon\sum_{r=1}^{F}\sum_{s=1}^{F}P_{rs}(\ln P_{rs}-1)\right]. \tag{11}\]
Bu yerda C transport xarajati matritsasi, ⟨P,C⟩ rejaning umumiy transport xarajatini ifodalaydi va bu tenglamadagi ε entropiya regulyarizatsiyasi koeffitsiyentidir. Tadqiqotning parametr qidiruvida eng yuqori o‘rtacha tasniflash aniqligi ε = 0.1 qiymatida olingan va shu qiymat qo‘llanilgan.
Ikki tugun orasidagi Sinkhorn bilan taxminiy Wasserstein masofasi:
\[d_{ij}=\sum_{r=1}^{F}\sum_{s=1}^{F}P_{ij,rs}^{*}C_{rs}. \tag{12}\]
dij kamaygan sari ikki tugunning yashirin xususiyat taqsimotlari o‘xshashroq deb qabul qilinadi. Bu masofa qo‘shnichilik vazniga aylantiriladi:
\[A_{ij}=\begin{cases}\exp(-d_{ij}/\tau),&j\in N(i)\\0,&\text{aksi halde}\end{cases}. \tag{13}\]
N(i) dinamik qo‘shnichilik to‘plamini, τ qirra vazni harorat koeffitsiyentini bildiradi. Manba τ uchun sonli qiymatni va har bir tugun uchun tanlangan qo‘shnilar sonini aniq qayd etmaydi; bu qiymatlar Verianla bayonida to‘qib chiqarilmagan.
Namuna bo‘yicha grafik yakunda:
\[g^{(n)}=(V,H^{(n,0)},A^{(n)}). \tag{14}\]
ko‘rinishida ifodalanadi. V oltita signal tugunini, H(n,0) CNN dan kelgan tugun xususiyatlarini va A(n) o‘sha namunaga xos 6×6 vaznli qo‘shnichilik matritsasini ifodalaydi.
GCN bilan munosabatli xususiyatlarni ajratish: Tenglamalar (15)–(20)
Tugunlarning o‘z maʼlumotini ham saqlash uchun o‘z-o‘ziga ulanish qo‘shiladi:
\[\widetilde{A}=A+I. \tag{15}\]
Daraja matritsasi:
\[\widetilde{D}_{ii}=\sum_j\widetilde{A}_{ij}. \tag{16}\]
Simmetrik normallashtirilgan qo‘shnichilik:
\[\widehat{A}=\widetilde{D}^{-1/2}\widetilde{A}\widetilde{D}^{-1/2}. \tag{17}\]
Birinchi GCN qatlami 6 tugunni 64 o‘lchamli yashirin fazoga o‘tkazadi:
\[H^{(1)}=\operatorname{Dropout}\{\operatorname{ReLU}[\operatorname{BN}(\widehat{A}H^{(0)}W^{(0)})]\},\quad H^{(1)}\in\mathbb{R}^{6\times64}. \tag{18}\]
Ikkinchi qatlam 32 o‘lchamli tugun tasviriga qaytadi:
\[H^{(2)}=\operatorname{Dropout}\{\operatorname{ReLU}[\operatorname{BN}(\widehat{A}H^{(1)}W^{(1)})]\},\quad H^{(2)}\in\mathbb{R}^{6\times32}. \tag{19}\]
Global average pooling orqali oltita tugun bitta grafik tasviriga qisqartiriladi:
\[f_g=\operatorname{GAP}(H^{(2)})=\frac{1}{N}\sum_{i=1}^{N}h_i^{(2)}. \tag{20}\]
Bu zanjirda fizik amper/volt birliklari endi bevosita tashilmaydi; H va fg o‘rganilgan, o‘lchovsiz yashirin tasvirlardir. Matematik maqsad tugun faqat o‘z maʼlumotini emas, balki dinamik grafikda qo‘shni bo‘lgan boshqa signallardan keladigan maʼlumotni ham normallashtirilgan tarzda jamlashidir.
BiGRU va global attention: Tenglamalar (21)–(31)
Manba oldinga va orqaga GRU jarayonlarini quyidagi ko‘rinishda beradi:
\[\overrightarrow{h}_t=\operatorname{GRU}(x_t,\overrightarrow{h}_{t-1}). \tag{21}\]
\[\overleftarrow{h}_t=\operatorname{GRU}(x_t,\overleftarrow{h}_{t-1}). \tag{22}\]
Ikki yo‘nalishning yashirin holatlari birlashtiriladi:
\[h=W_{\overrightarrow{h_t}}\overrightarrow{h}_t+W_{\overleftarrow{h_t}}\overleftarrow{h}_t+b_t. \tag{23}\]
Global attention maqsad holati bilan barcha manba yashirin holatlari o‘rtasidagi moslashuv ballarini normallashtiradi:
\[a_t(s)=\operatorname{align}(h_t,\bar h_s)=\frac{\exp(\operatorname{score}(h_t,\bar h_s))}{\sum_{s'}\exp(\operatorname{score}(h_t,\bar h_{s'}))}. \tag{24}\]
Manba keyin ikkinchi attention ifodasini quyidagicha yozadi:
\[\alpha_{ki}=\frac{\exp(e_{ki})}{\sum_{j}^{l}\exp(e_{ki})}. \tag{25}\]
Manba ichidagi yozuv bo‘yicha izoh: Tenglama (25) ning bosma ko‘rinishida maxrajdagi yig‘indi j indeksi bilan yozilgan bo‘lsa-da, eksponentsial had yana eki bo‘lib qolgan. Shu sababli yig‘indi indeksi maxrajdagi hadga qanday qo‘llanishini matndan aniq aniqlab bo‘lmaydi. Verianla formulani yashirin ravishda ekj ko‘rinishiga tuzatmagan; manbada bosilgan tuzilma saqlangan va noaniqlik ochiq qoldirilgan.
Attention energiya bali:
\[e_{ki}=V\tanh(Wh_k+Uh_i). \tag{26}\]
Vaznli yashirin holat xulosasi:
\[\beta=\sum_{i=1}^{l}\alpha_{ki}h_i. \tag{27}\]
Yakuniy chiqish tugunining yashirin tasviri:
\[h'_k=H(\beta,h_k,x_k). \tag{28}\]
Tadqiqotning amaliy qismida oxirgi oldinga va orqaga BiGRU holatlari query vektorini hosil qiladi; bu query barcha 64 vaqt bo‘lagi bilan solishtiriladi va 64 elementli attention taqsimoti hosil qilinadi. Global context vektori:
\[c=\sum_{t=1}^{T}\alpha_t h_t\in\mathbb{R}^{B\times96}. \tag{29}\]
Bu yerda ht 96 o‘lchamli BiGRU yashirin holati, αt tegishli vaqt bo‘lagining attention vazni va B batch o‘lchamidir. Context va query birlashtiriladi:
\[f_{pre}^{t}=[c\parallel q]\in\mathbb{R}^{B\times192}. \tag{30}\]
Vaqt tarmog‘ining 128 o‘lchamli yakuniy xususiyati:
\[f_t=\operatorname{Dropout}\{\operatorname{ReLU}[\operatorname{LN}(W_t f_{pre}^{t}+b_t)]\}. \tag{31}\]
LN layer normalization jarayonini bildiradi. Ushbu tarmoqning ilmiy vazifasi nosozlik yuz berganda muhim bo‘lib qoladigan vaqt sohalarini yuqoriroq vazn bilan ifodalash, shovqinli yoki kam axborotli vaqt bo‘laklarining taʼsirini esa kamaytirishdir.
Ikki tarmoqni birlashtirish va 21 sinfli chiqish: Tenglamalar (32)–(37)
Grafik tarmog‘i va vaqt tarmog‘i avval alohida-alohida umumiy 128 o‘lchamli fazoga proyeksiya qilinadi:
\[\widehat{f}_g=\operatorname{ReLU}[\operatorname{LN}(W_g^{p}f_g+b_g^{p})]. \tag{32}\]
\[\widehat{f}_{temp}=\operatorname{ReLU}[\operatorname{LN}(W_{temp}^{p}f_{temp}+b_{temp}^{p})]. \tag{33}\]
Ikki tasvir birlashtirilib, nochiziqli fyuziyadan o‘tkaziladi:
\[f_{fus}=\operatorname{Dropout}\{\operatorname{ReLU}[\operatorname{LN}(W_f f_{cat}+b_f)]\}. \tag{34}\]
21 sinf uchun logit vektori:
\[o=W_o f_{fus}+b_o\in\mathbb{R}^{B\times21}. \tag{35}\]
Sinf ehtimollari Softmax orqali hisoblanadi:
\[\widehat{y}_c=\frac{\exp(o_c)}{\sum_{j=1}^{21}\exp(o_j)},\quad c=1,2,\ldots,21. \tag{36}\]
Yakuniy tashxis eng katta ehtimolli sinfdir:
\[\widehat{c}=\arg\max_c\widehat{y}_c,\quad c\in\{1,\ldots,21\}. \tag{37}\]
Samaradorlik metrikalari: Tenglamalar (38)–(41)
Manba to‘rtta standart tasniflash metrikasidan foydalanadi:
\[\operatorname{Accuracy}=\frac{TP+TN}{TP+TN+FP+FN}. \tag{38}\]
\[\operatorname{Precision}=\frac{TP}{TP+FP}. \tag{39}\]
\[\operatorname{Recall}=\frac{TP}{TP+FN}. \tag{40}\]
\[F1=2\times\frac{\operatorname{Precision}\times\operatorname{Recall}}{\operatorname{Precision}+\operatorname{Recall}}. \tag{41}\]
TP haqiqiy musbat, TN haqiqiy manfiy, FP noto‘g‘ri musbat va FN noto‘g‘ri manfiy sonini bildiradi. Accuracy barcha qarorlarning qanchasi to‘g‘ri ekanini; precision hujum/nosoz deb belgilanganlarning qanchasi haqiqatan tegishli sinfga mansubligini; recall haqiqiy tegishli namunalarning qanchasi aniqlanganini; F1 esa precision va recall orasidagi garmonik muvozanatni o‘lchaydi. Bu metrikalar modelning haqiqiy sanoat maydonidagi ishonchliligini o‘z-o‘zidan isbotlamaydi; ular manbada sinovdan o‘tkazilgan maʼlumotlar va shartlar doirasidagi tasniflash samaradorligini o‘lchaydi.
Tadqiqot Usuli va Natijalari
Maʼlumot yaratish, simulyatsiya va HIL chegarasi
Manbaning maʼlumot tavsifida ikki ishlab chiqarish yo‘li birgalikda berilgan: tajriba maʼlumotlari Starsim MT6060 HIL platformasi bilan asosiy kompyuter o‘rtasida TCP/IP ulanishi orqali olingani, parallel ravishda esa T-tip uch sathli invertor MATLAB 2024b/Simulink ichida qurilib simulyatsiya nosozlik maʼlumotlari hosil qilingani aytiladi. Matnda har bir nosozlik holati uchun 300 ta yozuv mustaqil yig‘ishlar bilan to‘plangani va 70%/15%/15% nisbatda ajratilgani aytiladi; biroq bu ajratish HIL va simulyatsiya maʼlumotlariga alohida-alohida yoki birgalikda qo‘llanganini aniq farqlamaydi. Shu sababli Verianla bayoni ikki manbani birlashtirib yangi maʼlumotlar to‘plami tuzilmasini faraz qilmaydi.
| Element | Manbada berilgan qiymat | Talqin chegarasi |
|---|---|---|
| Signallar | ia, ib, ic, VAO, VBO, VCO | Oltita kanal |
| Yozuv uzunligi | 1024 namuna olish nuqtasi / kanal | Manba namuna olish chastotasini bu qiymat bilan tenglashtirmaydi |
| Yozuvlar soni | Har bir IGBT nosozlik holati uchun 300 yozuv | Umumiy yozuvlar soni manbada alohida berilmagan |
| DC-link kuchlanishi | 800 V, ±5% variatsiya | Maʼlumot yig‘ishda o‘zgartirilgan shart |
| Maʼlumotlar ajratilishi | 70% / 15% / 15% | Trening / validatsiya / test |
| Simulyatsiya dasturi | MATLAB 2024b / Simulink | T-NPC nosozlik maʼlumotlarini yaratish |
| HIL tizimi | Starsim MT6060 | Real vaqt nosozlik holatini qayta hosil qilish va signal yig‘ish |
| Boshqaruvchi | TMS320F28335 DSP | 20 kHz PWM signalini yaratish |
| DC kondensatorlar | C1, C2 = 4000 µF | Simulyatsiya va HIL parametrlar jadvali |
| Kommutatsiya chastotasi | 20 kHz | fs; maʼlumot namuna olish chastotasi deb talqin qilinmasligi kerak |
| Yuk qarshiligi | 30 Ω | R |
| Filtr induktivligi | 3 mH | Lf |
| Filtr kondensatori | 8000 µF | Cf |
| Protsessor | Intel Core i7-14900 | Trening muhiti |
| Xotira | 16 GB RAM | Trening muhiti |
| GPU | NVIDIA GeForce GTX 5060 | Manbada shu ko‘rinishda qayd etilgan |
| Learning rate | 1 × 10−3 | Manba optimizer nomini ko‘rsatmaydi |
| Weight decay | 1 × 10−4 | Regulyarizatsiya |
| Batch size | 64 | Trening parametri |
| Dropout | 0.25 | Trening parametri |
| Sinkhorn entropy ε | 0.1 | 10 takroriy tajribada eng yuqori o‘rtacha aniqlik |
| GCN qatlami | 2 | Qatlam soni ablatsiyasi bilan tanlangan |
Grafik qurish strategiyasining ablatsiyasi
| Model | Accuracy | O‘rtacha trening vaqti | Grafik tarmog‘i parametrlari |
|---|---|---|---|
| Euclidean distance KNN weighted graph | 92.34% | 11 s | 20.12 K |
| Unweighted Sinkhorn graph | 95.21% | 14 s | 22.45 K |
| Taklif etilgan weighted Sinkhorn dynamic graph | 99.88% | 15 s | 25.34 K |
Taklif etilgan yondashuv eng past hisoblash xarajatiga ega emas. Euclidean KNN variantiga nisbatan 5.22 K qo‘shimcha parametr va taxminan 4 s qo‘shimcha o‘rtacha trening vaqti evaziga manbada aniqlikning 7.54 foiz punktga oshishi qayd etilgan. Bu natija tadqiqot daʼvosini “eng yengil model” sifatida emas, aniqlik va hisoblash xarajati o‘rtasidagi yanada qulay muvozanat sifatida joylashtiradi.
Ikki oqimli arxitekturaning ablatsiyasi
| 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 |
| Taklif etilgan to‘liq model | 99.88 ± 0.84 | 98.98 ± 1.24 | 98.88 ± 1.16 | 98.78 ± 2.0 |
Bu jadval butun samaradorlikni bitta komponent bilan tushuntirib bo‘lmasligini ko‘rsatadi. Sinkhorn asosidagi grafikning qo‘shilishi CNN-GCN bazaviy chizig‘ini oshiradi; vaqt tarmog‘i GRU orqali qo‘shimcha maʼlumot beradi; BiGRU oldinga va orqaga kontekstni birgalikda ishlatib natijani yanada oshiradi; global attention va parallel fyuziya to‘liq arxitekturada qo‘shimcha yutuq beradi.
Global attention ablatsiyasi
| Tuzilma | 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% |
| Taklif etilgan model | 99.88% |
Manba GRU tuzilmasiga global attention qo‘shilganda 7.87 foiz punktlik oshish; BiGRU da global average pooling o‘rniga global attention ishlatilganda 6.43 foiz punktlik, fully connected o‘rniga ishlatilganda 3.23 foiz punktlik oshish qayd etadi. Ayni attention sharoitida BiGRU GRU dan 1.12 foiz punkt yuqori aniqlik beradi. Ikki oqimli arxitekturada fully connected fyuziya o‘rniga attention ishlatilishi esa qo‘shimcha 1.20 foiz punktlik oshish bilan bog‘langan.
99.88% Aniqlik Qanday Talqin Qilinishi Kerak?
99.88% qiymati tadqiqotda qayd etilgan takroriy tajribalarning o‘rtacha validatsiya aniqligi bo‘lib, modelning ko‘rib chiqilgan 21 sinf hamda manbada taʼriflangan maʼlumot yaratish va ajratish sharoitlaridagi samaradorligini ifodalaydi; bu o‘rnatilgan dala qurilmasida barcha T-NPC nosozlik kombinatsiyalari uchun isbotlangan universal aniqlik degani emas. Manbada ko‘rsatilgan bitta namunaviy confusion-matrix ishga tushirilishi 99.76% aniqlikda bo‘lib, 819 ta validatsiya namunasidan ikkitasi noto‘g‘ri tasniflangan; HIL-only miqdoriy tasniflash va haqiqiy o‘rnatilgan apparatda joylashtirish esa kelajakda bajarilishi rejalashtirilgan ishlardir.
Namunaviy chalkashlik matritsasi va noto‘g‘ri sinflar
Namunaviy ishga tushirishda sinf 1 bo‘lgan Sa1Sa2 namunalaridan biri sinf 15 bo‘lgan Sa3Sa4 deb; sinf 4 bo‘lgan Sa1Sb1 namunalaridan biri esa sinf 9 bo‘lgan Sa2Sa3 deb bashorat qilingan. Buning aksiga, to‘rtta bitta-IGBT nosozlik sinfi Sa1, Sa2, Sa3 va Sa4 uchun ushbu namunaviy ishga tushirishda har bir sinfdagi 39 namunaning barchasi to‘g‘ri tanilgan va manba precision hamda recall qiymatlarini 100% deb bergan.
Shovqin ostidagi samaradorlik
Manba modellarni −4 dB, −2 dB, 0 dB, 2 dB va 4 dB Gaussian white noise sharoitlarida solishtiradi. Taklif etilgan model eng og‘ir shovqin sharoitlari bo‘lgan −4 dB va −2 dB da accuracy, precision, recall va F1 bo‘yicha taqqoslangan usullar orasida eng yuqori natijalarni beradi. Biroq 4 dB sharoitida accuracy va F1 bo‘yicha 1D-DSCNN-GMP dan biroz ortda qoladi. Demak, tadqiqot “har bir SNR darajasida shartsiz ustunlik”ni emas, ayniqsa kuchliroq shovqin ostida yuqori barqarorlik daʼvosini qo‘llab-quvvatlaydi.
GCN chuqurligi va Sinkhorn ε tanlovi
GCN qatlamlari soni bo‘yicha o‘tkazilgan tadqiqot bitta qatlam yetarli munosabatli xususiyat ajratishni bermasligini, ikki qatlamda aniqlik cho‘qqiga chiqishini, chuqurroq tarmoqlarda esa tugun tasvirlarining bir-biriga haddan tashqari o‘xshashib ketishi bilan bog‘langan over-smoothing tufayli samaradorlik pasayishini ko‘rsatadi. Oltita tugunli kichik dinamik grafik sababli ikki GCN qatlami aniqlik, model hajmi va hisoblash xarajati muvozanati uchun tanlangan.
Sinkhorn entropy regulyarizatsiya koeffitsiyenti ε uchun o‘tkazilgan o‘nta takroriy tajribada eng yuqori o‘rtacha aniqlik ε = 0.1 qiymatida olingan. Manba juda kichik ε qiymatlarida transport rejasi siyraklashishini, yaqinlashuv sekinlashishini va grafik shovqin/DC kuchlanish o‘zgarishiga sezgirroq bo‘lishini; juda katta ε qiymatlarida esa ortiqcha silliqlash tugun masofalarini bir-biriga o‘xshatib, sinflar ajralishini zaiflashtirishini bildiradi.
Inferensiya kechikishi
Manba 17-rasmda taklif etilgan modelning batch size = 1 uchun o‘rtacha inferensiya vaqtini taxminan 5 ms / tashxis namunasi deb beradi. Bu vaqt CNN xususiyat ajratish, Sinkhorn–Wasserstein dinamik grafikni qurish, GCN, attention-BiGRU, xususiyatlarni birlashtirish va yakuniy tasniflashni o‘z ichiga oladi; signal yig‘ish va maʼlumot uzatish vaqti bu 5 ms ga kiritilmagan. Shuning uchun 5 ms qiymatini boshidan oxirigacha fizik nosozlikni aniqlash vaqti deb talqin qilmaslik kerak.
HIL validatsiyasi nimani ko‘rsatadi?
Starsim MT6060 va TMS320F28335 asosidagi HIL qurilmasi turli ochiq zanjir nosozliklarida kutiladigan tok va kuchlanish buzilishlarini real vaqt muhitida qayta hosil qilish mumkinligini ko‘rsatadi. Manba Sa4, Sa1Sa2 va Sa1Sa3 namunalari uchun to‘lqin shakllarini beradi va bu signallar simulyatsiya tahlilidagi nosozlik mexanizmlari bilan mosligini bildiradi. Biroq manba natijalar bo‘limida HIL-only miqdoriy tasniflash bahosini kelajakdagi ish sifatida qoldiradi.
Tadqiqot qo‘llab-quvvatlaydigan natijalar va qo‘llab-quvvatlamaydigan umumlashtirishlar
| Manba qo‘llab-quvvatlaydi | Manba qo‘llab-quvvatlamaydi |
|---|---|
| Oltita tok-kuchlanish signalini namunaga xos dinamik grafik bilan modellashtirish manbada sinovdan o‘tkazilgan sharoitlarda doimiy/Euclidean grafik muqobillariga nisbatan yuqoriroq aniqlik bergan. | Barcha invertor topologiyalarida yoki barcha nosozlik turlarida ayni yutuq kafolatlanadi degan xulosa. |
| BiGRU + global attention vaqt tarmog‘i va parallel fyuziya ablatsiyalarda samaradorlikka qo‘shimcha hissa qo‘shgan. | Attention vaznlari fizik sababiyat yoki nosozlikning aniq fizik tub sababi degan xulosa. |
| Taklif etilgan model −4 dB va −2 dB kuchli Gaussian white noise sharoitlarida taqqoslangan modellar orasida kuchli natijalar ko‘rsatgan. | Har bir shovqin turida va har bir SNR darajasida shartsiz eng yaxshi model degan xulosa. |
| HIL tizimi nosozlik holatlari va tok-kuchlanish to‘lqin shakllarini qayta hosil qilgan. | HIL ustida alohida, boshidan oxirigacha 99.88% tasniflash aniqligi ko‘rsatilgan degan xulosa. |
| 21 sinf ko‘rib chiqilgan. | T-NPC tizimidagi barcha yakka va juft ochiq zanjir kombinatsiyalari qamrab olingan degan xulosa. |
| Taxminan 5 ms model inferensiya vaqti qayd etilgan. | Signal yig‘ish va maʼlumot uzatishni ham o‘z ichiga olgan umumiy dala javob vaqti 5 ms degan xulosa. |
Qayta ishlab chiqarish nuqtayi nazaridan ochiq qolgan jihatlar
Manba usul zanjirini batafsil tavsiflasa-da, ayrim qo‘llash parametrlari ochiq qolgan. Dinamik qo‘shnichilik N(i) uchun nechta qo‘shni tanlangani, Tenglama (13) dagi τ harorat koeffitsiyentining sonli qiymati, optimizer nomi va treningning aniq maksimal epoch soni matnda ravshan qayd etilmagan. Bundan tashqari, maʼlumot tavsifi HIL va MATLAB/Simulink maʼlumotlarini ayni bo‘limda tushuntirsa ham, 70/15/15 ajratish ushbu maʼlumot manbalariga aniq qanday qo‘llanganini alohida ko‘rsatmaydi. Bu bo‘shliqlar yangi qiymatlar bilan to‘ldirilmagan.
Manba va Usul Haqida Izoh
Asl tadqiqot: A Dual-Stream Network with Dynamic Graph Convolution and Attention-Based BiGRU for IGBT Open-Circuit Fault Diagnosis in T-NPC Three-Level Inverters
Mualliflar: Lin Bai; Bo Guo; Weiye Jing; Feng Li; Wei Luo.
Masʼul muallif: Lin Bai; manbada yulduzcha belgisi bilan corresponding author sifatida ko‘rsatilgan.
Muassasalar: Lin Bai va Wei Luo — Department of Electrical Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China. Bo Guo, Weiye Jing va Feng Li — Shanxi Lu’an Anyi Electric Co., Ltd., Changzhi 046000, China.
Jurnal: Energies.
Nashriyot: MDPI, Basel, Switzerland.
Yil / jild / son / maqola: 2026; 19(17); 4227.
DOI: 10.3390/en19174227.
Rasmiy havola: https://doi.org/10.3390/en19174227
Maqola turi va taqriz holati: Energies jurnalida chop etilgan tadqiqot maqolasidir. Manba qaydiga ko‘ra u 7 avgust 2026 da qabul qilib olingan, 1 sentyabr 2026 da qayta ko‘rib chiqilgan, 4 sentyabr 2026 da qabul qilingan va 7 sentyabr 2026 da nashr etilgan.
Litsenziya: Creative Commons Attribution (CC BY) litsenziyasi ostida ochiq kirish.
Ilmiy tadqiqot turi: Chuqur o‘rganishga asoslangan nosozlik diagnostikasi usulini ishlab chiqish; MATLAB/Simulink simulyatsiyasi, ablatsiya va shovqin sinovlari hamda HIL asosidagi nosozlik holati/signal validatsiyasi.
Moliyalashtirish: Manba “This research received no external funding” iborasini ishlatadi.
Maʼlumotlar mavjudligi: Manba tadqiqotdagi asl hissalar maqola ichida ekanini va qo‘shimcha savollar corresponding author ga yo‘naltirilishi mumkinligini bildiradi; mustaqil ochiq maʼlumotlar omboriga havola berilmagan.
Manfaatlar to‘qnashuvi: Bo Guo, Weiye Jing va Feng Li Shanxi Lu’an Anyi Electric Co. xodimlari ekani ochiqlangan. Boshqa mualliflar tadqiqotga taʼsir ko‘rsatishi mumkin bo‘lgan tijoriy yoki moliyaviy munosabatlar yo‘qligini bildirgan.
Muallif hissalari: Konsepsiyalashtirish: Lin Bai va Wei Luo; usul: Lin Bai va Bo Guo; dasturiy taʼminot: Lin Bai va Weiye Jing; validatsiya: Lin Bai, Feng Li va Wei Luo; dastlabki qoralamani yozish: Lin Bai va Weiye Jing; ko‘rib chiqish va tahrirlash: Bo Guo va Wei Luo. Barcha mualliflar nashr etilgan versiyani o‘qib, tasdiqlagan.
Manba ichidagi eʼtiborli jihatlar: Tenglama (25) da attention normallashtirish maxrajining indeks yozuvi matematik jihatdan noaniq va bu yerda yashirin ravishda tuzatilmagan. ε belgisi ham Z-score maxrajidagi kichik barqarorlik doimiysi, ham Sinkhorn entropy regulyarizatsiya koeffitsiyenti uchun ishlatilgan; ikki maʼno alohida saqlangan. Manba HIL va simulyatsiya maʼlumotlarini ajratish tartibini ham to‘liq tafsilot bilan farqlamaganligi sababli Verianla bu nuqtada yangi maʼlumot oqimini faraz qilmagan.
Asosiy talqin chegarasi: 99.88% o‘rtacha validatsiya aniqligi manbada belgilangan 21 sinf va tajriba sharoitlari uchundir. HIL-only miqdoriy tasniflash, barcha mumkin bo‘lgan faza-B/faza-C nosozlik kombinatsiyalari, shartlararo umumlashtirish va o‘rnatilgan apparatda real vaqtli joylashtirish kelajakdagi ish sifatida qoldirilgan.
Izoh qoldiring
E-pochta manzilingiz chop etilmaydi. Majburiy maydonlar * bilan belgilangan