Как диагностировать старение IGBT, используя всего 0,7 МБ памяти

Надежность трехфазных инверторов напряжения с источником тока является основой современных энергосистем. Эти устройства питают ветрогенераторы, солнечные электростанции и авиационную технику. Их работоспособность полностью зависит от шести изолированных биполярных транзисторов с затвором (IGBT). Традиционные методы мониторинга часто рассматривают инвертор как единый блок. Такой подход скрывает информацию о том, какой именно ключ изнашивается. Эта слепая зона может привести к незапланированным остановкам. Подобные сбои обходятся в миллионы долларов из-за потерянной выработки энергии. Они также ставят под угрозу безопасность критически важных систем тяги.

Новое решение представляет собой CWT-MTNet. Это легковесная многозадачная сверточная нейронная сеть, которая одновременно диагностирует состояние старения всех шести ключей. Она использует для ввода всего одно изображение. Процесс начинается с преобразования сырых сигналов напряжения в скалограммы непрерывного вейвлет-преобразования. В результате получаются изображения размером 224x224 пикселя в формате RGB. Каждый канал представляет симметричную составляющую электрического сигнала. Такая визуальная кодировка улавливает тонкие аномалии во временной и частотной областях. Система выявляет отрывbond-wire и трещины в припое задолго до полного отказа.

Архитектура отличается высокой эффективностью. Модель содержит всего 172 тысячи параметров. Она занимает лишь 0,7 МБ памяти. Этот компактный размер позволяет запускать алгоритм непосредственно на встроенных микроконтроллерах промышленных приводов. Внешние сервера обработки данных не требуются. Обновление контроллеров становится ненужным. Модель обучалась с нуля на базе более 15 тысяч смоделированных сценариев. Эти сценарии охватывали все возможные комбинации состояний ключей.

CWT-MTNet достигает точности 98,15 процента. Коэффициент полноты обнаружения легких повреждений составляет 95,81 процента. Ее показатели статистически неотличимы от результатов более крупных моделей, таких как MobileNet-v2. При этом она использует в двадцать один раз меньше параметров. Исследование показало, что предварительное обучение на натуральных изображениях ухудшает результаты. Расхождение между областями применения снижает эффективность. Обучение с нуля доказало свою превосходность для этих специализированных технических данных.

Ключевой инновацией стали глубинные разделимые свертки (DS-Conv). Эта техника предотвращает конфликт градиентов. Конфликт градиентов является распространенной проблемой в многозадачном обучении. competing задачи могут дестабилизировать модель. Более глубокие сети, такие как ResNet-18, испытывают значительное падение производительности при обработке шести одновременных предсказаний. CWT-MTNet остается стабильной в таких условиях. Исследователи выявили важное ограничение. Система уязвима к независимым шумам датчиков. Надежность в реальных приложениях требует согласованного усреднения. Фронтальный блок сбора данных должен подавлять широкополосный шум. Это гарантирует четкость сигнатуры старения. Это достижение знаменует собой значительный шаг в сторону прогнозного обслуживания. Решение обладает высокой точностью и вычислительной осуществимостью для широкого промышленного внедрения.