יישום למידה עמוקה עבור Fault גילוי מערכות חשמל

מבוא למידה עמוקה עבור גילויי חשמל אלקטרוניקה

מערכות אלקטרוניקה כוחיות מהוות את עמוד השדרה של ניהול האנרגיה המודרנית, המשתרע על פני יישומים ממערכות אנרגיה מתחדשת ומחסני סוללות להובלת כלי רכב חשמליים וכוננים תעשייתיים.הבטחת הפעולה אמינה ובטוחה שלהם היא רבת-חשיבות, כמו גם תקלות קטנות יכולות להוביל לכשלים קטסטרופליים, ירידה יקרה, או סכנות זיהוי בטיחותיות מסורתיות מסתמכות רבות על חיישנים פיזיים בשילוב עם אלגוריתמים המבוססים על בסיס הכלל – כגון השוואות או מודלים המבוססים על תקלות, בעוד שלעתים קרובות מדי, כאשר הם פועלים, כמו גם על תקלות יעילות, כמו גם על תקלות, כמו גם על תקלות, כמו גם על תקלות, כאשר הם, כמו גם על תקלות מורכבות, כאשר שיטות זיהוי לקויות, כמו גם על תקלות, כמו גם על תקלות, כמו גם על תקלות, או דינמיקה, או התנגשויות, לעתים קרובות, כמו גם על תקלות, כמו גם על ידי מצבי דיכאון, כמו גם על ידי מצבי דיכאון, כמו גם על ידי שימוש יעיל מדי, כמו גם על ידי מצבי דיכאון, כמו גם על תקלות, לעתים קרובות, כמו גם על תקלות, כמו גם על ידי מצבי דיכאון, כמו גם על ידי מצבי דיכאון, כמו גם על ידי מצבי דיכאון, כגון, כגון, לעתים קרובות, כמו גם על ידי מצבי דיכאון, כגון, כמו גם על ידי

למידה עמוקה, תת-קבוצה של למידת מכונה באמצעות רשתות עצביות רב-שכבות, התפתחה כגישה טרנספורמטיבית לגילוי תקלות באלקטרוניקה כוחית.על ידי הפקת תכונות היררכיות מהנתונים של חיישן גולמי, מודלים למידה עמוקה יכולים לזהות דפוסים עדינים של תקלות מתעוררות, להסתגל למשטרים הפעלה שונים, ולצמצם את האזהרות שווא. מאמר זה מספק מחקר סמכותי של כמה טכניקות למידה עמוקות מוחלות על מנת לזהות מערכות זיהוי חשמל, אופטימיזציה, אופטימיזציה קדימה, שיטות מחקר, שיטות מחקר, שיטות מחקר קדימה, אלקטרוניקה, שיטות מחקר.

תוצאות חיפוש עבור Fault Detection in Power Electronics

סוגי Fault

מערכות אלקטרוניקה כוחיות ניסיון מגוון של תקלות, כל אחת עם חתימה נפרדת. קטגוריות מפתח כוללות:

• (ב) [15] ,0) מכופות: (FLT:1 Open-circuit או כישלונות קצרים-circuit in insulated-gate bi קוטבי טרנזיסטורים (IGBTs), MOSFETs, או דידות.אלה לעתים קרובות תוצאה של פלטות מעוות, overcurrents או ספייקטים.
• (FLT:0)Capacitor השפלה: 1FLT:1; ציפוי אלקטרוליטי בדרך כלל נכשלים בשל ההזדקנות, המוביל להגדלת עמידות סדרה שווה ערך (ESR) וצמצום הכניעה, המשפיע על ביצועי המסנן ו- rip.
• (ב) [15] ,0) ,(ב) ,(ב) ,(ב) ,במתח, בחיישנים הנוכחיים או בטמפרטורה המייצרים קריאה שגויה, אשר יכול להפיץ באמצעות לולאות שליטה.
• (ב) [15] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (ב) ⁇ :0 (בפרקים:0) ,(ב) ,(ב) ,(ב) ,(התק"ד)) , ⁇ (ב) , ⁇ ⁇ ⁇ ) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

גישות זיהוי מסורתיות ומגבלותיהם

טכניקות זיהוי שגיאות קלאסי כוללות את החומרה Redundancy (למשל, חיישנים כפולים), שיטות המבוססות על מודלים באמצעות מסנן קלמן או משקיפים, ועיבוד אותות עם Fourier או גל הופך.בעוד אלה הוכיחו שימושי, הם סובלים ממספר חסרונות: הם דורשים מודלים מערכתיים מדויקים שקשה להשיג עבור אלקטרוניקה ללא לינארי, זמן משתנה כוח; הם רגישים לרעש וריאציות; הם עשויים לאיים אלה כדי להתגבר על מודלים מתמטיים או לא ברורים של תכונות למידה.

טכניקות למידה עמוקות ל-Fault Detection

כמה ארכיטקטורות למידה עמוקה מותאמות בהצלחה לאיתור תקלות באלקטרוניקה של חשמל.הבחירה של הרשת תלויה בטבע הנתונים הזמינים - אותות של זמן, spectrograms, או ריבוי-רגישות היתוך - ואת המשימה הספציפית זיהוי.

רשתות ערפיליות מהפכתיות (CNN)

CNN מצטיינים במיצוי תכונות מרחביות מהנתונים דמויי רשת.באלקטרוניקה, זרם גולמי, מתח או אותות רטט הופכים לעתים קרובות לייצוגים דו-ממדיים כגון ספקטרום זמן או פיסות הישנות. A CNN יכול ללמוד דפוסים היררכיים האופייניים לקבצי תקלות שונות.לדוגמה, מחקר על ידי FLT:0Zhang al.21) LT 1 השתמש ב-CNN עם שלושה ספקטרום יעיל על פני חיישנים מתקדמים.

רשתות ערפיליות חוזרות ונשנות (RNNNs) ומשתנים

בהתחשב בכך שהנתונים אלקטרוניקה כוח הוא בעל אופי עצום, RNs - במיוחד זיכרון לטווח קצר ארוך (LSTM) ו- Gated Recurrent Unit (GRU) רשתות - הן אפשרויות טבעיות.הם ללכוד תלות זמנית, כגון האבולוציה של אשמה הנוכחית על פני מאות אלפי שניות, אשר חיוני כדי להבחין פגמים טרנספורמטיביים משינוי רגיל.

Autoencoders for Anomaly Detection

Autoencoders הם מודלים למידה לא מבוקרים המחסמים נתונים לייצוג מאוחר יותר בממד נמוך ולאחר מכן לשחזר אותו.על ידי אימון autoencoder על סט נתונים גדול של תנאי ניתוח רגילים, הרשת לומדת לשחזר אותות רגילים באופן נאמן.כאשר אות פגומה הוא מוזן דרך אותה רשת, שגיאות שחזור - מחושת על ידי טעות מרובעת או סימטרי דומה - in amaticrections, זה גם סימן נדיר של שינוי אוטומטי (aacting data) הוא זיהוי).

אדריכלות מתפתחת: Transformers and Graph Neural Networks

עבודה חדשה חקרה ארכיטקטורות טרנספורמטיביות, אשר משתמשות במנגנוני כוונות עצמית כדי ללכוד תלות ארוכת טווח בסדרה זמן ללא צווארי הבקבוק המשתנים של RNs. Transformers הראו הבטחה בזיהוי דפוסי תקלות מורכבים בממירים בעלי רמה רב-ממדית. Graph Neural Networks (GNs) נחקרים עבור מערכות שבהן יש מבנה טבעי, כגון תת-ממדיים מחוברים במודולים במודולים במודולים, המאפשרים ספציפיים לתא.

יישום צינור למידה עמוקה - מבוסס Fault Detection

יישום חזק דורש תשומת לב זהירה לכל שלב, החל מרכישה של נתונים ועד פריסה. להלן הוא צינור טיפוסי המשמש במחקר אבטיפוס תעשייתי.

איסוף נתונים ולייבל

נתוני חיישן - כולל זרמי שלב, מתח DC-link, מעבר לתנודות גלימות, וטמפרטורה - נאספים בתנאים רגילים וטעימים. Faults ניתן מוזרק במכוון בהגדרה מעבדה או נאסף ממאגרי כישלון היסטוריים.עבור כל מדגם, תווית אמת קרקע (נורמלית לעומת סוג מסוים של אשמה) נדרשת.טכניקות של הגדלת נתונים כגון הוספת רעש גאוסיאני, זמן, או overamping (כתובת מחלה).

עיבוד ועיבוד

אותות רול מכילים לעתים קרובות רעש גבוה ורכיבים לא רלוונטיים.שלבים נפוצים כוללים:

• סינון (למשל, פאס נמוך כדי להסיר את החלפת הרמוניות מעל 10 kHz).
• נורמליזציה או סטנדרטיזציה לאפס פירושה וחלופה יחידה.
• סגמנטציה לחלונות של אורך קבוע (למשל, 50 מ"מ המכילה מספר מחזורים בסיסיים).
• טרנספורמציה אופטית לתחום שבו חתימות שגיאות הן יותר מרתיעות, כגון קצר-זמן Fourier Transform (STFT) או גליגול.

אורך החלון הנכון וחפיפות הם קריטיים: חלון קצר מדי עלול להחמיץ תקלות בלתי אפשריות, בעוד חלון ארוך מדי מצמצם את ההחלטה הזמנית ומגדיל עומס חישובי.

בחירת מודל ואימון

בהתבסס על דרישות הבעיה (הפצה נגד סיווג לעומת Localization), אדריכלות מתאימה נבחרת.לדוגמה, 1D- CNN עובד טוב עבור חלונות עתודות גלם, בעוד 2D-CNN עדיף עבור spectrograms. Training כרוך פיצול נתונים לתוך הכשרה, אימות, ובדיקות (למשל, 70-15), אופטימיזציה של היפרדות באמצעות צלב מתאים, שימוש בפונקציות למניעת תיקון מוקדם של זיהום.

המונחים: real-Time Inference

לאחר אימון, המודל מומר לתבנית קלה (למשל, TensorFlow Lite או ONNX) עבור פריסה על מערכות משובצות או מערכות מחשוב קצה.זמני הקצאות חייבים לעמוד במגבלות בזמן אמת - לעתים קרובות פחות ממילימטר אחד לדגימה.טכניקות כמו pruning, קוונטיזציה, האצה (למשל, באמצעות NVIDIA Jetson או Xilin DPU) הם מועסקים כדי להפחית את הכוח.

יתרונות וביצוע

זיהוי לקוי למידה עמוקה מבוסס למידה מציע כמה יתרונות קונקרטיים על שיטות מסורתיות:

• (FLT:0) , גילוי גבוה: FLT:1 רשתות עצביות עמוק יכולות מודל יחסים מורכבים שאינם לינאריים, המאפשר זיהוי של תקלות עדינות כי בריחה גלאי מבוסס הסף.בהרבה מהדורות מפורסמות, CNN ו LSTMs להשיג דיוק מעל 95% אפילו בתנאים רועשים.
• (FLT:0) ,Adaptability to system change:FreaLT:1 מודלים ניתן לתקן או לפטור את המערכת בנתונים חדשים כאשר המערכת מופעלת מחדש או רכיבים בגילים מוחלפים, מבלי צורך לעצב מחדש את ההיגיון.
• (FLT:0) למידה של תכונה:FLT:1 ; למידה עמוקה מבטלת את הצורך בתכונות מונדסות באופן ידני, אשר לעתים קרובות דורשות ידע דומיין מומחה ועשויות לא להכלל בהתנצלות שונה.
• (FLT:0) ,Time Monitoring Capability:FLT:1 פעם לפרוס, אי-אפשר לבצע כל הזמן, לספק התראות מיידיות ומאפשר אסטרטגיות תחזוקה חיזוי אשר להפחית את זמן השבתה לא מתוכנן.

אתגרים ומגבלות

למרות הבטחתו, הפצת למידה עמוקה לאיתור תקלות באלקטרוניקה מול כמה מכשולים משמעותיים:

מחסור בנתונים ומדפי ביניים

נתונים של Fault, במיוחד עבור תקלות נדירות או בלתי אפשריות, קשה ויקרה מאוד לאסוף.הזרקת תקלות מעבדה יכולה רק לכסות קבוצה מוגבלת של תרחישים.מחסור זה מוביל למאגרי נתונים חסרי איזון שבהם דגימות נורמליות באופן עצום מכמה פגמים, מודלים הטייתים כלפי המעמד הרוב. Synthetic Data באמצעות סימולטורים המבוססים על פיסיקה או רשתות ניווניות (Gregans) הוא תחום גדל והולך של מחקר זה.

דרישות משאבים

מודלים למידה עמוקה, במיוחד RNNs או מהפך, דורשים זיכרון משמעותי וכוח חישובי במהלך אימון והפרעה. בקרים תעשייתיים יש לעתים קרובות משאבים מוגבלים (למשל, 100 מיקרו-בקרים MHz עם MBs של RAM) טכניקות כמו דחיסה מודל ו- AI הם הכרחיים אבל עשוי לדהיד דיוק.

חוסר יכולת ואמון

מהנדסים ואנשי תחזוקה צריכים להבין מדוע מודל מכריז על טעות - במיוחד ביישומים קריטיים בטיחותיים.טבע "הקופסא השחורה" של רשתות עמוקות מעכב אימוץ.התקדמות אחרונה בשיטות AI (XAI), כגון ⁇ משולבות, מפות קשב, או LIME, יכול להדגיש אילו חלקים של האות הובילו את ההחלטה, אמון ותאפשר ניתוח שורש.

כלליזציה בתנאי הפעלה

מודל המוכשר על נתונים מטופולוגיה אחת או פרופיל עומס אחד עשוי להיכשל כאשר הוא פרוס על מערכת אחרת. העברת למידה ומיומנויות הסתגלות דומיין נחקרים כדי להפחית את עלויות השיקום כאשר נעים בין פלטפורמות דומות אך לא זהות.

כיוונים עתידיים למחקר

AI זמין עבור Power Electronics

הגדלת XAI לתוך לוחות נתונים זיהוי תקלות יאפשר למפעילים לדמיין את פלחי האות המרכזיים אשר גרמו אזעקה, להאיץ את האבחנה.מחקר מתמקד בפיתוח הסברים לאחר-הואק שהם נאמנים ומובנים לא-מומחים.

« « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « «

מינוף מודלים למידה מעמיקים דחוס ישירות על מנהלי שער מבוססי מיקרובקר או PLC המקומי להפחית את הסבלנות ומבטל את ההסתמכות על קישוריות בענן. מסגרות LIML כמו TensorFlow Lite Micro מאפשרות מודלים עם <100 kB טביעת רגל. העבודה העתידית שואפת לדחוף את זיהוי רמת ההחלפה, עם תקופות הקצאות מתחת 10 שניות.

העברת למידה והתאמה

קדם אימון מודל על סמך נתונים מדומים גדולים ממודל אלקטרוניקה של כוח גנרי, ולאחר מכן כוונון עדין עם כמות קטנה של נתונים בעולם האמיתי ממערכת מסוימת, יכול להפחית באופן דרמטי את דרישות הנתונים. גישה זו מבטיחה במיוחד עבור יישומים תעשייתיים שבהם נתונים מזוהים של תקלות הוא בקושי.

Digital Twin Synergy

שילוב של גלאי למידה עמוקים עם תאומים דיגיטליים המבוססים על פיזיקה של ממירי חשמל מציע זיהוי היברידי: התאום הדיגיטלי צופה התנהגות נורמלית, והרשת העמוקה מזהה סטייה שאינם מתודגמים פיזית.

למידה מקוונת והתאמה מתמשכת

מערכות אלקטרוניקה חשמל מתפוגגות לאורך זמן, כך מודל זיהוי תקלות מאומן על נתונים ראשוניים עשוי להיות מיושן כמו רכיבים גיל אלגוריתמי למידה מקוונים - כגון הכשרה מצטברת עם מדפים מחדש או Bayesian - מאפשר מודלים להסתגל לתנאים משתנים ללא אימון מלא.

מסקנה

למידה עמוקה ביססה את עצמה ככלי רב עוצמה לזיהוי מערכות חשמל, המציע דיוק מעולה, הסתגלות ואוטומציה בהשוואה לשיטות מסורתיות המבוססות על הכלל.מרשתות מהפכתיות מסווגות פגמים מתגים מצורות גל נוכחיות ועד לאוטומטיים לתפוס הידרדרות קיבול נדיר, טכניקות אלה מאפשרות תחזוקה חיזוי חכם ומערכות אנרגיה בטוחות יותר.

(ב) ראו את הסקר המקיף של FLT:0Chen et al. (2022)Frea15) על למידה עמוקה באבחון כוח, והמדריך המעשי לפרוס רשתות עצביות במערכות משובצות ב-FLT:2TensorFlow LiteFLT:3 .