Comment diagnostiquer le vieillissement des IGBT avec seulement 0,7 Mo de mémoire

La fiabilité des onduleurs triphasés à source de tension constitue la colonne vertébrale des systèmes énergétiques modernes. Ces composants alimentent les éoliennes, les parcs solaires et les véhicules aérospatiaux. Leur bon fonctionnement dépend entièrement de six transistors bipolaires à grille isolée ou IGBT. Les méthodes de surveillance traditionnelles traitent souvent l'onduleur comme un bloc unique. Cette approche masque quelle commutation spécifique se dégrade. Ce point aveugle peut entraîner des pannes imprévues. Ces défaillances coûtent des millions en perte de production. Elles compromettent également la sécurité des systèmes de propulsion critiques.

Une nouvelle solution propose CWT-MTNet. Ce réseau de neurones convolutifs multi-tâches léger diagnostique l'état de vieillissement des six interrupteurs simultanément. Il utilise une seule image en entrée. Le processus commence par la transformation des signaux bruts en scalogrammes de Transformée en Ondelettes Continue. Cela génère des images RGB de 224x224 pixels. Chaque canal représente une composante symétrique du signal électrique. Cet encodage visuel capture des anomalies subtiles dans le domaine temps-fréquence. Il détecte le décollement des fils de liaison et la fissuration des joints de soudure bien avant la panne définitive.

L'architecture est remarquablement efficace. Elle ne contient que 172 000 paramètres. Elle occupe une place minime de 0,7 Mo de mémoire. Cette empreinte compacte lui permet de s'exécuter directement sur des microcontrôleurs intégrés dans les variateurs industriels. Aucun serveur edge externe n'est nécessaire. Les mises à jour des contrôleurs deviennent inutiles. Le modèle a été entraîné à partir de zéro sur plus de 15 000 scénarios simulés. Ces scénarios couvraient toutes les combinaisons possibles d'états de commutation.

CWT-MTNet atteint une précision de 98,15 %. Son taux de rappel pour les cas modérés s'établit à 95,81 %. Ses performances sont statistiquement indistinguables de celles de modèles plus volumineux comme MobileNet-v2. Pourtant, il utilise seulement un vingt-et-unième du nombre de paramètres. L'étude souligne que la pré-entraînement sur des images naturelles nuit aux performances. Le décalage de domaine réduit l'efficacité. L'entraînement à partir de zéro s'avère supérieur pour ces données techniques spécialisées.

Une innovation clé repose sur les Convolutions Séparables en Profondeur ou DS-Conv. Cette technique prévient les conflits de gradients. Les conflits de gradients sont un problème courant dans l'apprentissage multi-tâches. Des tâches concurrentes peuvent déstabiliser le modèle. Les réseaux profonds comme ResNet-18 subissent des baisses de performance significatives lors de six prédictions simultanées. CWT-MTNet reste stable dans ces conditions. La recherche identifie toutefois une contrainte critique. Le système est vulnérable au bruit de capteur indépendant. La robustesse dans les applications réelles nécessite une moyenne cohérente. L'avant-numérisation doit supprimer le bruit large bande. Cela garantit que la signature du vieillissement reste claire. Cette avancée marque un pas significatif vers la maintenance prédictive. Elle est à la fois très précise et réalisable computationnellement pour un déploiement industriel répandu.