A Comparative Analysis of Artificial Intelligence Techniques for Single Open-Circuit Fault Detection in a Packed E-Cell Inverter
Notice bibliographique
Résumé
Recently, fault detection has played a crucial role in ensuring the safety and reliability of inverter operation. Switch failures are primarily classified into Open-Circuit (OC) and short-circuit faults. While OC failures have limited negative impacts, prolonged system operation under such conditions may lead to further malfunctions. This paper demonstrates the effectiveness of employing Artificial Intelligence (AI) approaches for detecting single OC faults in a Packed E-Cell (PEC) inverter. Two promising strategies are considered: Random Forest Decision Tree (RFDT) and Feed-Forward Neural Network (FFNN). A comprehensive literature review of various fault detection approaches is first conducted. The PEC inverter’s modulation scheme and the significance of OC fault detection are highlighted. Next, the proposed methodology is introduced, followed by an evaluation based on five performance metrics, including an in-depth comparative analysis. This paper focuses on improving the robustness of fault detection strategies in PEC inverters using MATLAB/Simulink software. Simulation results show that the RFDT classifier achieved the highest accuracy of 93%, the lowest log loss value of 0.56, the highest number of correctly predicted estimations among the total samples, and nearly perfect ROC and PR curves, demonstrating exceptionally high discriminative ability across all fault categories.
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 | 0,001 | 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 ».