A Multi-Stage Hybrid Open-Circuit Fault Diagnosis Approach for Three-Phase VSI-Fed PMSM Drive Systems
Notice bibliographique
Résumé
The performance of Hybrid Electric Vehicles (HEVs), especially in series architecture, is highly dependent on the reliability of electric drive-motor systems. Any failure in power semiconductor devices, such as Insulated-Gate Bipolar Transistors (IGBTs), used in three-phase Voltage-Sourced Inverters (VSIs) for Permanent Magnet Synchronous Motor (PMSM) drive systems, causes a reduction in the reliability and unscheduled maintenance of HEVs. This paper aims at presenting a three-stage combined model-based and data-driven fault diagnosis approach, the so-called hybrid fault diagnosis approach, to detect, locate, and clear open-circuit faults in IGBTs used in VSI-fed PMSM drive systems in HEVs. Field-Oriented Control (FOC), which is a model-based technique, is used to control the electric drive-motor system. The proposed algorithm, which is based on phase voltage analysis, estimates the current in each phase of VSI using the normal operating conditions dataset to detect open-circuit faults in IGBTs. Once a fault is detected, it is located using the faulty conditions dataset and an online data-driven approach, called Modified Multi-Class Support Vector Machines (MMC-SVM) algorithm. Thereafter, the faulty IGBT is bypassed by closing the corresponding backup switch leading to the continuous operation of the electric drive-motor system. The proposed method can accurately and quickly detect, locate, and clear open-circuit faults in IGBTs without the need for additional sensors. Additionally, it shows robustness against back-to-back and simultaneous faults in IGBTs used in VSI-fed PMSM drive systems in HEVs.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 ».