Cara Mendiagnosis Penuaan IGBT Hanya dengan Memori 0,7 MB

Keandalan inverter sumber tegangan tiga fase menjadi tulang punggung sistem energi modern. Komponen ini menggerakkan turbin angin, ladang surya, dan kendaraan dirgantara. Kesehatan inverter bergantung sepenuhnya pada enam transistor bipolar gerbang terisolasi atau IGBT. Pemantauan tradisional sering memperlakukan inverter sebagai satu kesatuan utuh. Pendekatan ini menyembunyikan saklar spesifik mana yang mulai menurun kinerjanya. Titik buta ini dapat menyebabkan pemadaman tak terduga. Kegagalan seperti itu menelan kerugian jutaan rupiah dari hilangnya produksi energi. Selain itu, hal ini juga membahayakan keselamatan dalam sistem propulsi kritis.

Solusi baru bernama CWT-MTNet hadir untuk mengatasi masalah ini. Jaringan saraf konvolusional ringan multi-tugas ini mendiagnosis kondisi penuaan dari keenam saklar secara bersamaan. Sistem hanya memerlukan satu gambar sebagai input. Proses dimulai dengan mengubah sinyal tegangan mentah menjadi scalogram Transformasi Gelombang Kontinu. Hasilnya adalah gambar RGB berukuran 224x224 piksel. Setiap saluran mewakili komponen simetris dari sinyal listrik. Pengodean visual ini menangkap anomali frekuensi-waktu yang halus. Ia mendeteksi lepasnya kawat bond dan retaknya sambungan solder jauh sebelum kegagalan total terjadi.

Arsitektur ini sangat efisien. Model ini hanya memiliki 172.000 parameter. Ukurannya hanya menempati memori sebesar 0,7 MB. Jejak komputasi yang ringkas memungkinkan model berjalan langsung pada mikrokontroler tertanam di dalam penggerak industri. Tidak diperlukan server tepi eksternal. Pembaruan pada pengontrol pun tidak lagi perlu dilakukan. Model ini dilatih dari nol menggunakan lebih dari 15.000 skenario simulasi. Skenario tersebut mencakup setiap kombinasi kemungkinan keadaan saklar.

CWT-MTNet mencapai akurasi sebesar 98,15 persen. Tingkat recall untuk kategori Mild mencapai 95,81 persen. Performanya setara secara statistik dengan model yang lebih besar seperti MobileNet-v2. Namun, model ini hanya menggunakan seperdua puluh satu jumlah parameter dibandingkan model sekelasnya. Studi ini menyoroti bahwa pra-pelatihan menggunakan gambar alam liar justru merusak kinerja. Ketidakcocokan domain mengurangi efektivitas model. Pelatihan dari awal terbukti lebih unggul untuk data teknis khusus ini.

Inovasi kunci terletak pada penggunaan Konvolusi Terpisah Kedalaman atau DS-Conv. Teknik ini mencegah konflik gradien. Konflik gradien adalah masalah umum dalam pembelajaran multi-tugas. Tugas yang bersaing dapat membuat model menjadi tidak stabil. Jaringan yang lebih dalam seperti ResNet-18 mengalami penurunan performa signifikan saat menangani enam prediksi sekaligus. CWT-MTNet tetap stabil dalam kondisi tersebut. Penelitian juga mengidentifikasi batasan penting. Sistem ini rentan terhadap noise sensor independen. Robustness dalam aplikasi dunia nyata memerlukan averaging yang koheren. Front-end akuisisi harus menekan noise broadband. Hal ini memastikan tanda penuaan tetap jelas. Kemajuan ini menandai langkah besar menuju pemeliharaan prediktif. Teknologi ini sangat akurat dan layak secara komputasi untuk diterapkan secara luas di industri.