Online Monitoring of Power Converter Degradation Using Deep Neural Network
Notice bibliographique
Résumé
Power semiconductor devices in the power converters used for motor drives are susceptible to wear-out and failure, especially when operated in harsh environments. Therefore, detection of degradation of power devices is crucial for ensuring the reliable performance of power converters. In this paper, a deep learning approach for online classification of the health states of the snubber resistors in the Insulated Gate Bipolar Transistors (IGBTs) in a three-phase Brushless DC (BLDC) motor drive is proposed. The method can locate one out of the six IGBTs experiencing a snubber resistor degradation problem by measuring the voltage waveforms of the three shunt resistors using voltage sensors. The range of the degradation of the snubber resistors for successful classification is also investigated. The off-the-shelf deep Convolutional Neural Network (CNN) architecture ResNet50 is used for transfer learning to determine which snubber resistor has degraded. The dataset for evaluating the above classification scheme of IGBT degradation is obtained by measuring the shunt voltage waveforms with varying snubber resistance and reference current. Then, the three-phase voltage waveforms are converted into greyscale images and RGB spectrogram images, which are later fed into the deep CNN. Experiments are carried out on the greyscale image dataset and the spectrogram image dataset using four-fold cross-validation. The results show that the proposed scheme can classify seven classes (one class for normal condition and six classes for abnormal condition in one of the six IGBTs in a three-phase BLDC drive) with over 95% average accuracy within a specific range of snubber resistance. Using grayscale images and using spectrogram-based RGB images yields similar accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».