Como diagnosticar o envelhecimento de IGBTs com apenas 0,7 MB de memória

A confiabilidade dos inversores trifásicos de fonte de tensão é fundamental para os sistemas energéticos modernos. Esses componentes alimentam turbinas eólicas, usinas solares e veículos aeroespaciais. Sua integridade depende exclusivamente de seis transistores bipolares com porta isolada, conhecidos como IGBTs. A monitoração tradicional frequentemente trata o inversor como uma unidade única. Essa abordagem esconde qual interruptor específico está se degradando. Esse ponto cego pode levar a paradas não planejadas. Falhas assim custam milhões em geração perdida. Elas também comprometem a segurança em sistemas de propulsão críticos.

Uma nova solução apresenta o CWT-MTNet. Esta rede neural convolucional leve e multifuncional diagnostica o estado de envelhecimento de todos os seis interruptores simultaneamente. Ela utiliza apenas uma imagem como entrada. O processo começa transformando sinais de tensão brutos em escalogramas da Transformada Wavelet Contínua. Isso gera imagens RGB de 224 por 224 pixels. Cada canal representa um componente simétrico do sinal elétrico. Essa codificação visual captura anomalias sutis no tempo e na frequência. Ela detecta o levantamento de fios de solda e trincas nas juntas de solda muito antes da falha total ocorrer.

A arquitetura é notavelmente eficiente. Ela contém apenas 172 mil parâmetros. Ocupa meros 0,7 MB de memória. Essa pegada compacta permite que ela rode diretamente em microcontroladores embutidos dentro de drives industriais. Não há necessidade de servidores de borda externos. Atualizações de controlador tornam-se desnecessárias. O modelo foi treinado do zero em mais de 15 mil cenários simulados. Esses cenários cobriram todas as combinações possíveis de estados dos interruptores.

O CWT-MTNet alcança uma precisão de 98,15 por cento. Sua taxa de recall para casos moderados é de 95,81 por cento. Ele performa em nível estatisticamente indistinguível de modelos maiores como o MobileNet-v2. No entanto, ele usa apenas um vigésimo primeiro dos parâmetros. O estudo destaca que o pré-treinamento em imagens naturais prejudica o desempenho. A incompatibilidade de domínio reduz a eficácia. O treinamento do zero mostra-se superior para esses dados técnicos especializados.

Uma inovação chave envolve as Convoluções Separáveis por Profundidade ou DS-Conv. Essa técnica previne conflitos de gradiente. Conflito de gradiente é um problema comum no aprendizado multifuncional. Tarefas concorrentes podem desestabilizar o modelo. Redes mais profundas como o ResNet-18 sofrem quedas significativas de desempenho ao lidar com seis previsões simultâneas. O CWT-MTNet permanece estável nessas condições. A pesquisa identifica porém uma restrição crítica. O sistema é vulnerável a ruídos de sensor independentes. A robustez em aplicações do mundo real requer média coerente. A frente de aquisição deve suprimir ruído de banda larga. Isso garante que a assinatura do envelhecimento permaneça clara. Este avanço marca um passo significativo rumo à manutenção preditiva. É altamente preciso e computacionalmente viável para implantação industrial generalizada.