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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».