IGBT-Verschleißdiagnose mit nur 0,7 MB Speicher

Die Zuverlässigkeit dreiphasiger spannungsgepufferter Wechselrichter ist das Rückgrat moderner Energiesysteme. Diese Bauteile versorgen Windkraftanlagen, Solarparks und Luft- und Raumfahrzeugfahrzeuge. Ihr Zustand hängt vollständig von sechs isoliergate-bipolartransistoren oder IGBTs ab. Herkömmliche Überwachungsmethoden betrachten den Wechselrichter oft als eine einzige Einheit. Dieser Ansatz verschleiert, welcher spezifische Schalter nachlässt. Diese blinde Fleck kann zu ungeplanten Ausfällen führen. Solche Fehler kosten Millionen an entgangener Energieerzeugung. Sie gefährden auch die Sicherheit in kritischen Antriebssystemen.

Eine neue Lösung stellt CWT-MTNet vor. Dieses leichte mehrstufige convolutional neural network diagnostiziert den Verschleißzustand aller sechs Schalter gleichzeitig. Es benötigt nur ein einziges Bild als Eingabe. Der Prozess beginnt damit, rohe Spannungssignale in Skalogramme der kontinuierlichen Wavelet-Transformation umzuwandeln. Daraus entstehen 224x224 RGB-Bilder. Jeder Kanal repräsentiert eine symmetrische Komponente des elektrischen Signals. Diese visuelle Codierung erfasst subtile zeit-frequenzbezogene Anomalien. Sie erkennt Bond-Draht-Lift-off und Risse in Lötstellen lange bevor ein harter Ausfall eintritt.

Die Architektur ist bemerkenswert effizient. Sie enthält nur 172.000 Parameter. Sie belegt lediglich 0,7 MB Speicher. Dieser kompakte Footprint ermöglicht den direkten Betrieb auf eingebetteten Mikrocontrollern in industriellen Antrieben. Externe Edge-Server sind nicht erforderlich. Upgrades der Steuerung werden überflüssig. Das Modell wurde neu trainiert auf Basis von über 15.000 simulierten Szenarien. Diese Szenarien deckten jede mögliche Kombination von Schaltzuständen ab.

CWT-MTNet erreicht eine Genauigkeit von 98,15 Prozent. Die Recall-Rate für milde Degradation liegt bei 95,81 Prozent. Die Leistung ist statistisch nicht von größeren Modellen wie MobileNet-v2 zu unterscheiden. Dennoch verwendet es nur ein Zwölftel der Parameter. Die Studie zeigt, dass Pre-Training auf natürlichen Bildern die Leistung beeinträchtigt. Domain-Mismatch reduziert die Effektivität. Das Training von Grund auf erweist sich als überlegen für diese spezialisierten technischen Daten.

Eine Schlüsselinnovation sind Depthwise Separable Convolutions oder DS-Conv. Diese Technik verhindert Gradientenkonflikte. Gradientenkonflikt ist ein häufiges Problem im Multi-Task-Learning. Konkurrierende Aufgaben können das Modell destabilisieren. Tiefere Netzwerke wie ResNet-18 leiden unter erheblichen Leistungsabfällen, wenn sie sechs gleichzeitige Vorhersagen verarbeiten. CWT-MTNet bleibt unter diesen Bedingungen stabil. Die Forschung identifiziert jedoch eine kritische Einschränkung. Das System ist anfällig für unabhängiges Sensorrauschen. Robustheit in realen Anwendungen erfordert kohärentes Averaging. Die Erfassungs-Frontend muss breitbandiges Rauschen unterdrücken. Dies stellt sicher, dass die Verschleißsignatur klar bleibt. Dieser Fortschritt markiert einen bedeutenden Schritt in Richtung prädiktiver Wartung. Er ist sowohl hochgenau als auch rechnerisch machbar für den weitverbreiteten industriellen Einsatz.