Three-phase converters based on insulated-gate bipolar transistors (IGBTs) are widely used in various industrial applications.
Faults in IGBTs can significantly affect the operation and safety of the power electronic equipment and loads.
It is critical to accurately detect power inverter faults as soon as they occur to ensure system availability and high-power quality.
절연 게이트 양극성 트랜지스터(IGBTs)를 기반으로 한 삼상 변환기는 다양한 산업 응용 분야에서 널리 사용됩니다.
IGBT의 결함은 전력 전자 장비 및 부하의 운영 및 안전에 중대한 영향을 미칠 수 있습니다.
전력 인버터의 결함을 발생 즉시 정확하게 감지하여 시스템 가용성과 고품질 전력을 보장하는 것이 중요합니다.
This study provides a novel integration of signal and data-driven fault-diagnosis approaches for detecting open-circuit switch faults in three-phase inverters.
이 연구에서는 삼상 인버터의 개방 회로 스위치 결함을 감지하기 위한 신호 및 데이터 기반 오류 진단 접근 방식을 혁신적으로 제공합니다.
The proposed technique uses the average root-mean-square (RMS) ratio of the phase current as the key extraction feature.
제안된 기술은 상전류의 평균 제곱근 (RMS) 비율을 키 추출 특징으로 사용합니다.
This feature can be used to estimate the fault types and faulty switches (es) irrespective of changes in the running load.
이러한 특징은 가동 부하의 변경과 관계없이 결함 유형 및 결함 스위치를 추정하는 데 사용될 수 있습니다.
Ensemble-bagged machine learning classification was used to accurately predict the faulty switch of the inverter.
Ensemble-bagged 기계 학습 분류가 인버터의 결함 스위치를 정확하게 예측하는 데 사용되었습니다.
The results demonstrate the ability of the proposed fault diagnosis technique to identify single-, double-, and triple-switch fault (s).
결과는 제안된 결함 진단 기술이 단일, 이중 및 삼중 스위치 결함을 식별하는 능력을 보여줍니다.
The experimental results also attested to the simulation of multiple fault diagnosis.
실험 결과는 다중 결함 진단의 시뮬레이션을 증명합니다.
A unique feature of this technique is its ability to estimate faulty switches under various inverter-operating conditions.
이 기술의 독특한 기능 중 하나는 다양한 인버터 운영 조건 하에서 결함 스위치를 추정할 수 있는 능력입니다.
(1) Introduction
Voltage Source Inverters (VSIs) play a vital role in the contemporary industry and energy sectors, with applications extending from induction motor drives to renewable energy integration and power-efficient systems [1].
The failure of these devices can lead to operational disruption and consequential economic loss.
Research on motor drives and renewable energy conversion systems reveals that VSIs are particularly susceptible to faults and exhibit a high failure rate, as depicted in Fig.1 [2].
전압원 인버터(VSIs)는 현대 산업 및 에너지 분야에서 중요한 역할을 하며, 인덕션 모터 구동부터 재생 에너지 통합 및 전력 효율 시스템까지의 응용 분야로 확장되고 있습니다.
이러한 장치의 고장은 운영 중단과 이에 따른 경제적 손실을 초래할 수 있습니다.
모터 구동 및 재생 에너지 변환 시스템에 대한 연구 결과, VSIs가 특히 고장에 취약하며 고장률이 높다는 것을 나타내는 것으로 Fig. 1에 나타납니다[2].
Insulated Gate Bipolar Transistors (IGBTs) are one of the common VSI components that are especially prone to faults, accounting for 38% of VSI failures [3], [4].
These can be categorized into short-circuit (SC), gate-drive malfunction, and open-circuit (OC) faults, often resulting from environmental conditions, thermal stress, or ageing [1], [5].
절연 게이트 양극성 트랜지스터(IGBTs)는 특히 고장에 취약한 일반적인 VSI 구성 요소 중 하나이며, VSI 고장의 38%를 차지합니다.
이러한 고장은 단락 회로 (SC), 게이트 드라이브 고장 및 개회로 (OC) 고장으로 분류될 수 있으며, 종종 환경 조건, 열 응력 또는 노화로 인해 발생합니다.
Short-circuit faults can inflict immediate and severe damage, necessitating protective mechanisms such as fuses and circuit breakers [4].
단락 회로 고장은 즉시 심각한 피해를 입힐 수 있으며, 퓨즈 및 회로 차단기와 같은 보호 메커니즘이 필요할 수 있습니다.
On the other hand, open-circuit faults may not cause instant damage but can degrade the power quality of the inverter output, potentially harming other system components.
Over time, open-circuit faults can prompt a total system shutdown [6].
반면에, 개회로 고장은 즉각적인 피해를 일으키지 않을 수 있지만, 인버터 출력의 전력 품질을 저하시키고 다른 시스템 구성 요소에 잠재적인 피해를 입힐 수 있습니다.
시간이 지나면, 개회로 고장이 전체 시스템 종료를 유도할 수 있습니다.
Hence, it is essential to detect open- and short-circuit faults promptly to prevent extensive damage to the converter system.
따라서, 변환기 시스템에 광범위한 피해를 방지하기 위해 개회로 및 단락 회로 고장을 즉시 감지하는 것이 중요합니다.
Fault diagnosis (FD) is a vital reliability-cantered tool used to identify, classify, and locate faults, which in turn reduces the downtime of the inverter system.
고장 진단(FD)은 고장을 식별, 분류 및 위치를 찾는 데 사용되는 중요한 신뢰성 중심 도구로, 이는 역으로 인버터 시스템의 다운타임을 줄입니다.
Over the years, considerable research has been conducted to investigate the performance of power switches under open circuit conditions.
지난 몇 년 동안, 개회로 조건 하에서 전력 스위치의 성능을 조사하기 위해 상당한 연구가 수행되었습니다.
This has resulted in the development of fault diagnosis and fault-tolerant techniques.
이로 인해 고장 진단 및 고장 허용 기술이 개발되었습니다.
Fig.2 shows the common open-circuit faults in a VSI.
These faults include gate driver malfunctions, open-switch faults, and diode open faults [5], [8].
Fig.2는 VSI의 일반적인 개회로 고장을 보여줍니다.
이러한 고장에는 게이트 드라이버 고장, 개회로 스위치 고장 및 다이오드 개회로 고장이 포함됩니다.
A gate driver malfunction occurs when the gate drive signal to the switch is interrupted.
Thus, there is no signal to switch, creating an open-circuit fault in the IGBT switch.
게이트 드라이버 고장은 스위치로의 게이트 드라이브 신호가 중단될 때 발생합니다.
따라서 스위치로의 신호가 없어져 IGBT 스위치에 개회로 고장이 발생합니다.
A gate driver malfunction leads to an interruption in the gate drive signal to the switch, resulting in an open-circuit fault in the IGBT switch.
게이트 드라이버 고장은 스위치로의 게이트 드라이브 신호가 중단되어 IGBT 스위치에 개회로 고장이 발생하는 것입니다.
This fault can arise from a faulty gate driver or bond wire lift-off within the IGBT switch.
이러한 고장은 IGBT 스위치 내에서의 고장 게이트 드라이버 또는 본드 와이어 해제로 인해 발생할 수 있습니다.
In cases where the anti-parallel diode is not integrated directly with the IGBT switch, it remains connected and operational [5], [9], [10].
반대로, anti-parallel diode가 IGBT 스위치와 직접 통합되지 않은 경우 연결되어 작동 상태를 유지합니다.
An open-diode fault occurs when the diode is damaged and becomes disconnected from the circuit.
개회로 다이오드 고장은 다이오드가 손상되어 회로에서 분리될 때 발생합니다.
In contrast, an openswitch fault occurs when both the IGBT and the diode within the circuit are faulty [5], [10], [11].
Such faults can manifest during bond wire lift-off caused by thermal stress, specifically in a Reverse ConductingInsulated Gate Bipolar Transistor (RC-IGBT) where the IGBT and diode are integrated on a single chip.
대조적으로, 개회로 스위치 고장은 회로 내의 IGBT 및 다이오드 모두가 고장일 때 발생합니다.
이러한 고장은 특히 IGBT와 다이오드가 단일 칩에 통합된 역 동작 절연 게이트 양극성 트랜지스터 (RC-IGBT)에서 열 응력으로 인해 본드 와이어가 해제될 때 발생할 수 있습니다.
*Reverse Conducting Insulated Gate Bipolar Transistor (RC-IGBT) :역방향 전도성 IGBT(RC-IGBT)는 단일 칩에 IGBT와 프리휠링 다이오드(FWD)를 통합합니다. 많은 IGBT 응용에서 프리휠링 전류가 이미터에서 컬렉터로 흐르는 모드가 있습니다. 이러한 프리휠링 동작을 위해 프리휠링 다이오드는 IGBT에 반병렬로 연결됩니다. 그림 (b)는 RC-IGBT의 내부 구조의 예를 보여줍니다. 컬렉터 전극에서 P 영역의 일부를 N 영역으로 대체하여 이미터 전극에서 P 영역과 PIN 다이오드(*1)(P-N--P)를 형성합니다. 이 PIN 다이오드는 그림 (a)에 표시된 FWD와 같이 IGBT에 반병렬로 연결되어 프리휠링 다이오드 역할을 합니다. 오늘날 RC-IGBT의 응용은 전압 공진 외에도 하드 스위칭 분야로 확장되고 있습니다.
(*1) PIN 다이오드는 P 영역과 N 영역 사이에 고저항 고유(I) 반도체 영역을 갖는 다이오드입니다. 고유 영역은 도펀트 농도가 낮기 때문에 고유 반도체에 가까운 고저항을 갖습니다. 이러한 구조는 높은 내전압을 필요로 하는 IGBT에서의 FWD입니다.
Most studies on open-circuit faults have focused on gate drive malfunctions rather than on open-switch faults.
개회로 고장에 대한 대부분의 연구는 개회로 스위치 고장보다는 게이트 드라이브 고장에 중점을 두고 있습니다.
(2) Open Circuit Fault Diagnosis Methods
Open circuit (OC) fault diagnosis can be categorized into model-based, data-driven, and signal-based approaches [1].
개회로(OC) 고장 진단은 모델 기반, 데이터 기반 및 신호 기반 접근 방식으로 분류될 수 있습니다.
A model-based approach compares the information from the analytical and theoretical inverter models with that of a real system after a fault occurs.
This includes the development of mathematical models and open- and closed-loop observers and using residuals as fault indicators.
모델 기반 접근 방식은 고장이 발생한 후 분석적 및 이론적 인버터 모델의 정보를 실제 시스템의 정보와 비교합니다.
이는 수학적 모델 및 개방 및 폐쇄 루프 관찰자의 개발을 고장 지표로 사용하는 것을 포함합니다.
The authors of [12] used a switching-state function model for fault diagnosis in inverters.
[12]의 저자들은 인버터에서의 고장 진단을 위해 스위칭 상태 함수 모델을 사용했습니다.
A gate-drive malfunction was created, the switching states were analyzed, and an estimated phase voltage was established.
A normal scenario occurred when the measured and estimated phase voltages were similar.
A threshold was set to consider measurement error, switching delay, and dead time.
게이트 드라이브 고장이 생성되었고, 스위칭 상태가 분석되고 추정된 상전압이 설정되었습니다.
측정된 상전압과 추정된 상전압이 유사한 경우 정상 시나리오가 발생했습니다.
측정 오차, 스위칭 지연 및 데드 타임을 고려하기 위해 임계값이 설정되었습니다.
When a fault occurs, the phase voltage exceeds a set threshold.
Thus, fault identification was achieved.
고장이 발생하면 상전압이 설정 임계값을 초과합니다.
따라서 고장 식별이 달성되었습니다.
However, only single-switch faults were identified in the present study.
그러나 현재 연구에서는 단일 스위치 고장만 식별되었습니다.
In [13], a Luenberger observer model was introduced using a dq stator current.
[13]에서는 dq 스테이터 전류를 사용하여 룬베르거 관찰자 모델이 소개되었습니다.
*Luenberger observer model : 제어공학에서 사용되는 상태 추정기 혹은 상태 관측기 중 가장 표준이 되는 관측기로 사실상 제어공학에서 사용되는 모든 형태의 추정기는 루엔버거 관측기 형태로 표현될 수 있다.
The fault was identified by monitoring the current residuals and comparing them with a threshold value.
고장은 전류 잔차를 모니터링하고 임계값과 비교함으로써 식별되었습니다.
Reference [4]presents an approach that uses an observer and an adaptive threshold to analyze system signals without extra hardware.
[4]는 하드웨어 추가 없이 시스템 신호를 분석하기 위해 관찰자와 적응 임계값을 사용하는 접근 방식을 제시합니다.
It takes into account current dynamics, state changes, and real-world application factors.
Its detection time is about 6ms.
전류 역학, 상태 변화 및 실제 응용 프로그램 요소를 고려합니다. 검출 시간은 약 6ms입니다.
Reference [14] proposes a hybrid approach for diagnosing faults in sensorless induction motor drives.
The method uses a diagnostic algorithm, based on a first-order sliding mode observer, to identify single and multiple open-switch faults and open-phase faults by analyzing unique features of the motor’s abc frame in about 20% of the fundamental frequency.
[14]에서는 센서 미 사용 인덕션 모터 구동에서 고장 진단을 위한 하이브리드 접근 방식을 제안합니다.
이 방법은 1차 슬라이딩 모드 관찰자를 기반으로 한 진단 알고리즘을 사용하여 20%의 기본 주파수에서 모터의 abc 프레임의 고유한 기능을 분석하여 단일 및 다중 개회로 스위치 고장 및 개회로 상 고장을 식별합니다.
One of its drawbacks is the threshold setting.
The main drawbacks of model-based approaches include a lack of robustness in multiple-switch fault identification and their dependence on the type of model used.
Some voltage-based methods involve the use of extra equipment such as voltage sensors, thus reducing the total reliability and increasing the implementation cost.
그러나 이 방법의 단점 중 하나는 임계값 설정입니다.
모델 기반 접근 방식의 주요 단점은 다중 스위치 고장 식별의 내구성 부족 및 사용된 모델의 종속성입니다.
일부 전압 기반 방법은 전압 센서와 같은 추가 장비를 사용하여 전체 신뢰성을 감소시키고 구현 비용을 증가시킵니다.
A data-driven fault-diagnosis approach involves the use of machine learning for fault identification and localization.
In this approach, significant emphasis is placed on the feature extraction of fault indicator signals, because they play a critical role in the performance of the technique.
데이터 기반 고장 진단 접근 방식은 기계 학습을 사용하여 고장 식별 및 위치를 결정합니다.
이 접근 방식에서는 고장 지표 신호의 특성 추출에 중요한 중점이 둬지며, 이는 기술의 성능에 중대한 영향을 미칩니다.
The raw three-phase current itself was combined with a random vector functional network in [15] for the fault identification and classification of gate-drive malfunction open-circuit faults.
[15]에서는 고장 식별 및 게이트 드라이브 고장 개회로 고장의 분류를 위해 원시 삼상 전류가 무작위 벡터 기능 네트워크와 결합되었습니다.
High accuracy can be achieved only when the sample’s current time window length is greater than 60 ms (approximately 3-4 cycles).
샘플의 현재 시간 window 길이가 60 ms (대략 3-4 주기)보다 큰 경우에만 높은 정확도를 달성할 수 있습니다.
Wavelet analysis using a fuzzy algorithm was proposed in [15] and [16].
In this method, an open-circuit fault was created by opening the gate signal to the switches under investigation.
[15] 및 [16]에서는 퍼지 알고리즘을 사용하여 웨이블릿 분석이 제안되었습니다.
이 방법에서는 조사 중인 스위치의 게이트 신호를 열어 개회로 고장을 만듭니다.
The fault is detected by changes that occur in three-phase current wavelet coefficients.
These coefficients were fed into the fuzzy algorithm for the fault identification and classification stages.
Single- and double-switch faults were identified using this technique [16].
고장은 삼상 전류 웨이블릿 계수에서 발생하는 변화로 감지됩니다.
이러한 계수는 고장 식별 및 분류 단계에 대한 퍼지 알고리즘에 공급됩니다.
이 기술을 사용하여 단일 및 이중 스위치 고장을 식별했습니다.
Several combinations of wavelet parameters, such as wavelet energy and entropy, have been used with more sophisticated machine learning algorithms for fault identification [18], [19], [20].
고장 식별을 위해 더 정교한 기계 학습 알고리즘과 함께 웨이블릿 파라미터의 여러 조합, 예를 들어 웨이블릿 에너지와 엔트로피가 사용되었습니다.
*Wavelet parameter : Wavelet Transform은 임의의 신호를 웨이블릿(Wavelet)으러 정의되는 함수들로 분해하는 방법이다. 푸리에 변환이 무한히 진동하는 sine, cos함수를 기저함수로 사용해 신호를 분해나는 것과는 달리 웨이블릿 변환은 진동하는 시간이 제한되는 함수를 기저함수로 사용해 시간 당 포함되는 주파수 성분의 크기를 보게 된다. 원리를 요약하면 특정한 규칙에 따라 모델링 된 웨이블릿 함수의 시간 스케일을 바꿔가면 원본 신호와의 상광 계수를 계산해 변환할 수 있다.
The major concerns of the data-driven approach are its complexity and the requirement of large-scale data for training and validating machine-learning algorithms.
데이터 기반 접근 방식의 주요 고려 사항은 그 복잡성 및 기계 학습 알고리즘을 교육하고 유효화하기 위한 대규모 데이터의 요구입니다.
Signal-based methods use the signal characteristics of current, voltage, or a combination of both for fault identification and classification.
신호 기반 방법은 전류, 전압 또는 둘 다의 신호 특성을 사용하여 고장을 식별하고 분류합니다.
The following include different signal-based fault diagnosis techniques [16], [20], [21], which developed an open-circuit fault diagnosis (OC-FD) method based on the principle of the park vector technique by analyzing the average current trajectory.
다양한 신호 기반 고장 진단 기술은 평균 전류 궤적을 분석하여 park vector 기법의 원리를 기반으로 개회로 고장 진단(OC-FD) 방법을 개발했습니다.
*Park vector technique : UVW상에서 αβ상으로의 변환을 "Clarke 변환" 이라고 부르고 αβ상에서 DQ상으로의 변환을 "Park 변환"이라 부른다.
이를 합쳐서 "DQ변환" 또는 Clarke-Park변환"이라 부른다. Clarke 변환한 알파베타 고정좌표계에서는 눈이 한 곳에 머물면서 벡터가 돌아가는 것을 보고 있었다면,
Park 변환한 회전좌표계에서는 눈이 회전하는 dq 회전 좌표계의 d축과 q축에 딱 붙어서 회전을 하는 것처럼 본다.
In a healthy condition, the average current trajectory is a complete circle; however, it is subject to change when a fault occurs.
The shape of the current trajectory depends on the type of OC fault.
정상 상태에서 평균 전류 궤적은 완전한 원이지만 고장이 발생하면 변할 수 있습니다.
전류 궤적의 모양은 OC 고장의 유형에 따라 달라집니다.
The major drawback of this technique is its load dependence.
To address this issue, the authors of [23] introduced a DC-normalized current that compares the normalized DC for each phase to a universal threshold.
이 기술의 주요 단점은 부하 의존성입니다.
이 문제를 해결하기 위해 [23]의 저자들은 각 상에 대한 정규화된 직류를 일반 임계값과 비교하는 DC-normalized current를 소개했습니다.
*DC-normalized current : 특정 참조 값의 상대적인 값을 의미한다.
A pattern-recognition method was used in [23], that deploys three-phase current harmonics for FD was used in [23].
[23]에서는 3상 전류 공명을 사용하여 고장 진단에 대한 패턴 인식 방법이 사용되었습니다.
It has been established that whenever a fault occurs, the zero-order harmonics of the faulty phase are the sum of the other two zero-order harmonics of healthy phases.
고장이 발생할 때, 고장 상의 zero-order 공명은 정상 상의 다른 two zero-order 공명의 합입니다.
*Zero-order harmonics(0차 고조파) : Harmonics란 일반적으로 진동과 소음의 분야에서 가장 낮은, 기본이 되는 주파수 성분(또는 1 order)의 정수배가 되는 성분들을 말한다. 하모닉파형을 기본 주파수를 기준으로 2배, 3배, 4배... 의 회전수가 같은 신호표현(시간과 주파수 그래프)상에 표기되는데 시간파형에서는 신호가 중첩되어 더욱 복잡한 상태로, 주파수 파형에서는 기본주파수의 위에 선분이 더욱 많게 되는 그림으로 나타난다. Zero-order harmonic은 상수항인 DC-term을 의미한다.
The faulty arm(pole) and single-switch faults can be identified; however, doubleswitch faults cannot be identified from the two different phases.
고장된 암 및 단일 스위치 고장은 식별될 수 있지만, 이중 스위치 고장은 다른 두 상에서 식별될 수 없습니다.
Reference [25] introduces a novel fuzzy-based fault diagnosis technique for three-phase voltage-source inverters.
It uses the average current Park’s vector for detecting and locating single, multiple, and intermittent faults in power switches.
These faults were detected in 9ms and the fuzzy system had an accuracy of 96%.
[25]는 3상 전압 소스 인버터에 대한 혁신적인 퍼지 기반 고장 진단 기술을 소개합니다.
이 기술은 평균 전류 파크 벡터를 사용하여 전원 스위치의 단일, 다중 및 간헐적 고장을 감지하고 위치를 지정합니다.
이러한 고장은 9ms에서 감지되었으며 퍼지 시스템의 정확도는 96%입니다.
The mean current was proposed in [26] for fault identification and localization.
Under normal conditions, the mean value of each phase is zero.
평균 전류는 [26]에서 고장 식별 및 위치 지정을 위해 제안되었습니다. 정상 상태에서 각 상의 평균 값은 영입니다.
However, this value changes when an OC fault exists.
그러나 OC 고장이 존재하는 경우 이 값이 변경됩니다.
The polarity of the mean value was used for switch identification.
평균 값의 극성이 스위치 식별에 사용되었습니다.
Single- and double-switch faults can be identified; however, the technique is load dependent as well.
단일 및 이중 스위치 고장을 식별할 수 있습니다. 그러나 이 기술도 부하에 의존적입니다.
To eliminate load dependency, an additional variable called the normalized mean current was employed [27].
This was derived by dividing the mean current of each phase by the Park modulus [26].
부하 의존성을 제거하기 위해 정규화된 평균 전류라는 추가 변수가 사용되었습니다.
이는 각 상의 평균 전류를 Park 모듈로 나누어 얻었습니다.
Under healthy conditions, the normalized average mean was 0.5198.
Thus, a fault will cause deviation from the normalized healthy value.
This technique can be used to identify single- and double-switch faults.
정상 상태에서 정규화된 평균 평균은 0.5198이었습니다.
따라서 고장은 정상화된 건강한 값을 벗어나게 만듭니다.
이 기술은 단일 및 이중 스위치 고장을 식별하는 데 사용할 수 있습니다.
A criticism of this methodwas published in [11], which indicated that this technique would not be effective at low currents, that is when the current approached zero.
[11]에서 이 방법에 대한 비판이 발표되었으며, 이 방법은 전류가 제로에 접근할 때, 즉 낮은 전류에서 효과적이지 않을 것이라는 것을 나타냈습니다.
However, this technique cannot be used to identify triple-switch faults.
그러나 이 기술은 삼중 스위치 고장을 식별할 수 없습니다.
Root-mean-square (RMS) and mean combination were proposed in [6] and [22].
It uses the RMS to identify the faulty arm and the mean to identify the faulty switch.
It also introduces a normalized mean current to remove the load dependency.
This technique cannot detect multiple switch faults and is prone to challenges that affect the normalization techniques discussed in other approaches.
[6] 및 [22]에서는 평균 제곱근 (RMS) 및 평균 조합이 제안되었습니다.
이 기술은 고장된 암을 식별하기 위해 RMS를 사용하고 고장된 스위치를 식별하기 위해 평균을 사용합니다.
또한 부하 의존성을 제거하기 위해 정규화된 평균 전류를 소개합니다.
그러나 이 기술은 다중 스위치 고장을 감지할 수 없으며 다른 접근 방식에서 논의된 정규화 기술에 영향을주는 도전에 취약합니다.
The authors of [10] developed an FD method to identify open-switch faults in voltage-source inverters.
This method is based on measuring the RMS and average voltage output of the inverter.
It can identify single- and multiple-switch faults within a single cycle.
The major drawback of this technique is the first step in the diagnosis, and it is necessary to compare the measured RMS voltage to the rated RMS voltage.
Therefore, this technique requires the input of the rated RMS voltage at the start of FD.
[10]의 저자들은 전압 소스 인버터의 오픈 스위치 고장을 식별하기 위한 FD 방법을 개발했습니다.
이 방법은 인버터의 RMS 및 평균 전압 출력을 측정하는 것에 기반합니다.
이 방법은 단일 및 다중 스위치 고장을 단일 주기 내에 식별할 수 있습니다.
이 기술의 주요 단점은 진단의 첫 번째 단계이며, 측정된 RMS 전압을 등급화된 RMS 전압과 비교해야 한다는 점입니다.
따라서 이 기술은 FD 시작 시 등급화된 RMS 전압의 입력이 필요합니다.
Overall, the signal-based approach is simple and easy to implement in control units because minimum calculation is required [1].
전반적으로, 신호 기반 접근 방식은 최소한의 계산만 필요하기 때문에 제어 장치에 간단하고 쉽게 구현할 수 있습니다.
Recent research has focused on a signal - and data-driven methods, owing to their simplicity and potential.
최근 연구는 단순성과 잠재력 때문에 신호 및 데이터 기반 방법에 초점을 맞추고 있습니다.
The literature has shown that adding extra hardware, complexity, high cost of implementation, false alarms, and lack of robustness are major shortcomings of existing FD methods for OC faults.
문헌에는 추가 하드웨어 추가, 복잡성, 구현 비용 증가, 거짓 경보 및 부족한 견고성이 OC 고장에 대한 기존 FD 방법의 주요 단점으로 나타났습니다.
Several authors such as [5], [10], and [11] have highlighted the potential for open switch faults to occur in inverter systems.
Upon reviewing the literature, it’s evident that much of the existing research predominantly concentrates on gatedrive malfunctions, with relatively fewer studies dedicated to open-switch faults in the inverter.
Thus, distinguishing and accurately pinpointing the root causes of open-circuit faults in the inverter switches becomes an essential endeavour.
다수의 저자들([5], [10], [11] 등)은 인버터 시스템에서 오픈 스위치 고장이 발생할 수 있는 가능성을 강조했습니다.
문헌 검토를 통해 기존 연구 대부분이 주로 게이트 드라이브 고장에 집중되어 있으며, 인버터의 오픈 스위치 고장에 대한 연구는 상대적으로 적은 것으로 나타났습니다.
따라서 인버터 스위치의 오픈 회로 고장의 원인을 명확하게 구별하고 정확하게 파악하는 것이 중요한 노력이 되었습니다.
This paper’s contributions are summarized as follows.
본 논문의 기여는 다음과 같이 요약됩니다.
• A fault diagnosis technique for open-switch faults was developed using a combination of three-phase current average and rms for fault identification and classification.
세 상 평균과 rms를 결합하여 오픈 스위치 고장에 대한 장애 진단 기술이 개발되었습니다.
• The FD technique can identify single and multiple switch faults without the need for additional sensors.
추가적인 센서가 필요하지 않고 FD 기술은 단일 및 다중 스위치 고장을 식별할 수 있습니다.
• It also introduces a novel but simple normalization technique to eliminate the load dependency associated with the mean current indicator compared with published methods.
출판된 방법과 비교하여 평균 전류 지표와 관련된 부하 의존성을 제거하기 위한 혁신적이고 간단한 정규화 기술을 도입했습니다.
• Developed a machine-learning-based technique that successfully identified single- and multiple-switch open-circuit faults.
This was achieved by using supervised and ensemble-bagged tree models to predict the classification of faults that were completely independent of load changes.
단일 및 다중 스위치 오픈 회로 고장을 성공적으로 식별하기 위해 기계 학습 기반 기술이 개발되었습니다.
이는 지도 및 ensemble-bagged tree 모델을 사용하여 부하 변화와 완전히 독립적인 고장 분류를 예측하는 데 성공했습니다.
The proposed model is verified experimentally to confirm the simulations.
제안된 모델은 실험적으로 검증되어 시뮬레이션을 확인했습니다.
In this paper, we present a comprehensive study of open-circuit fault diagnosis methods in Section II.
In Section III, we discuss the specific characteristics of faults in the three-phase inverter output current.
In Sections IV and V, we propose a novel fault-diagnosis method that utilizes average and RMS ratios.
We then provide the simulation and experimental results in Sections VI and VII, respectively, before concluding our findings in Section VIII.
이 논문에서는 제2장에서 오픈 회로 고장 진단 방법에 대한 포괄적인 연구를 제시합니다.
제3장에서는 삼상 인버터 출력 전류의 특성을 논의합니다.
제4장과 제5장에서는 평균 rms 비율을 활용한 혁신적인 장애 진단 방법을 제안합니다.
이후 각각 제6장과 제7장에서는 시뮬레이션 및 실험 결과를 제공하고, 최종적으로 결과를 요약하는 제8장을 마무리합니다.
(3) Open Circuit Characteristics of Three-Phase Inverter
A. Inverter Model
This study concentrates on a three-phase, two-level inverter system, as depicted in Fig. 3.
이 연구는 그림 3에 나와 있는 삼상, two-level inverter 시스템에 집중합니다.
*Two-level inverter : 일반적으로 인버터의 극전압은 +V/2, -V/2, 2레벨입니다. 여기서 극전압의 레벨을 더 높이기 위해 인버터를 확장시킨 개념이 멀티 레벨 인버터이다. 인버터의 레벨 수를 증가시키면 용량이 작은 소자로 대용량의 인버터를 설계할 수 있고, 정현파에 가까운 출력을 만들 수 있어 고조파 저감에도 유리하다. 이러한 멀티 레벨 인버터는 수 MW~수십 MW 급의 전기 추진 선박에 주로 적용된다.
The system utilizes IGBT switches and operates using pulse-width modulation (PWM) for control within an open-loop control framework.
이 시스템은 IGBT 스위치를 활용하며 펄스 폭 변조 (PWM)를 사용하여 오픈 루프 제어 프레임워크 내에서 작동합니다.
The output of this system is connected to an RL load, which is typically found in applications such as Uninterruptible Power Supplies (UPS), certain types of motor drives, renewable energy systems like solar photovoltaic and wind energy systems, and power supplies for electronic equipment.
이 시스템의 출력은 주로 Uninterruptible Power Supplies (UPS), 특정 유형의 모터 드라이브, 태양광 및 풍력 발전 시스템과 같은 재생 가능 에너지 시스템, 그리고 전자 장비용 전원 공급 장치와 같은 응용 분야에서 찾을 수 있는 RL 부하에 연결됩니다.
*Uninterruptible Powre Supplies(UPS) : 무정전전원장치란 공급되는 상용 전원 및 발전기 전원의 변동시 부하에 일정한 전압 및 주파수를 부하기기에 연속적으로 공급하며 정전시에도 축전지 전원을 이용하여 지정된 시간동안 전력을 연속적으로 유지 공급하는 장치이다. https://m.blog.naver.com/dohyuni1018/80175910322
The specific parameters of the RL load, crucial for determining the performance of the system, are detailed in Table 1.
시스템의 성능을 결정하는 데 중요한 RL 부하의 특정 매개 변수는 표 1에 자세히 설명되어 있습니다.
B. Fault Analysis
The three-phase balanced output-current waveforms of the inverter are sinusoidal under normal operating conditions, as shown in Fig.4.
This changes when an OC fault occurs in a single switch or multiple switches.
인버터의 삼상 균형 출력 전류 파형은 정상 작동 조건에서 사인파입니다. 이는 그림 4에서 보여집니다.
그러나 단일 스위치 또는 다중 스위치에서 OC 고장이 발생하면 이 상태가 변경됩니다.
1) Single Switch Fault
When a switch from the upper arms is subjected to an OC fault (e.g., S3), the current will not flow through S3 but will flow through S6.
위쪽 암의 스위치가 OC 고장에 노출되면(예: S3), 전류는 S3를 통하지 않고 S6를 통해 흐릅니다.
Thus, the current in Phase B was negative.
This, in turn, adds positive DC components to the currents in Phases A and C.
따라서 B 상의 전류는 음수가 됩니다.
이에 따라 A 상과 C 상의 전류에 양의 DC 구성 요소가 추가됩니다.
The three-phase current became distorted, as shown in Fig. 5.
The Case is reversed when S6 is OC and the current in phase B becomes positive.
그 결과, 그림 5에 나와 있는 것처럼 삼상 전류가 왜곡됩니다.
S6가 OC되고 B 상의 전류가 양수가 될 때 이 상황은 반대로 전환됩니다.
2) Double Switch Fault
During a double-switch OC fault on the upper arms (e.g., S1 and S3), the current does not flow through either Switch.
상부 암에 있는 두 개의 스위치 (예: S1 및 S3)에 이중 스위치 OC 고장이 발생하면 전류는 어떤 스위치를 통하지 않습니다.
Thus, the currents in phases A and B are negative, as shown in Fig. 6.
따라서 A 상과 B 상의 전류가 음수가 됩니다. 이는 그림 6에 나와 있습니다.
The case is reversed if both the faulty switches are in the lower arms.
The current waveform in the fault phase was positive.
두 개의 고장 스위치가 하부 암에 있는 경우 상황이 반대로 됩니다.
고장 상에 대한 전류 파형은 양수입니다.
However, if one fault is in the upper arm and the other in the lower arm (e.g., S1 and S6), the current will not flow through them, thus creating positive and negative currents for phases A and B, respectively, as shown in Fig. 7.
그러나 하나의 고장이 상부 암에 있고 다른 하나가 하부 암에 있는 경우 (예: S1 및 S6), 전류는 그들을 통과하지 않으므로 A 상 및 B 상에 각각 양수 및 음수 전류를 생성합니다. 이는 그림 7에 나와 있습니다.
3) Triple Switch Fault
When this type of fault occurs, all three-phase current wave- forms have a positive or negative half cycle.
This depends on the arm in which the fault occurred.
이 유형의 고장이 발생하면 모든 삼상 전류 파형이 양수 또는 음수의 반 주기를 갖습니다.
이는 고장이 발생한 암에 따라 달라집니다.
If S4, S5, and S6 are affected by an OC fault, it can be observed in Fig.8 that phases A and B will be positive, whereas phase C will have a negative value.
S4, S5 및 S6이 OC 고장에 영향을 받는 경우, 그림 8에서 확인할 수 있듯이 A 상과 B 상은 양수이고, C 상은 음수 값이 됩니다.
From this analysis, information from the current waveform can be extracted and used for fault identification during the OC faults.
이 분석을 통해 전류 파형에서 정보를 추출하여 OC 고장 중에 고장을 식별하는 데 사용할 수 있습니다.
(4) Fault Indicating Measurements
In the previous section, it was established that the three-phase waveforms of the current are affected under faulty conditions.
이전 섹션에서는 전류의 삼상 파형이 고장 상태에서 영향을 받는 것으로 확인되었습니다.
Thus, the waveform characteristics can be used as key indicators for identifying fault signatures.
This study suggests using RMS and average values of the current for fault identification and classification.
따라서 파형 특성은 고장 식별을 위한 주요 지표로 사용될 수 있습니다.
이 연구는 전류의 RMS 및 평균 값을 고장 식별 및 분류에 사용하는 것을 제안합니다.
For example, Fig.9 shows the effect of the S1 OC fault on the average current.
예를 들어, 그림 9는 S1 OC 고장이 평균 전류에 미치는 영향을 보여줍니다.
As can be observed, the average current is 0 during a healthy condition, and this changes during the fault when introduced at 0.04s.
관찰할 수 있듯이, 정상 상태에서는 평균 전류가 0이며, 고장이 발생할 때 이 값이 변경됩니다(0.04초에 발생).
Fig.10 shows the effect of the S1 OC fault on the rms measured current.
그림 10은 S1 OC 고장이 rms 측정 전류에 미치는 영향을 보여줍니다.
It is observed that during a healthy condition, the rms of all phases are the same but change when a fault is introduced at 0.04s.
정상 상태에서는 모든 상의 rms가 동일하나, 0.04초에 고장이 발생할 때 이 값이 변경됩니다.
From all graphs, it is noticeable that the magnitude and sign of the average and rms currents are rich indicators of the type and location of faults.
모든 그래프에서 평균 및 rms 전류의 크기와 부호가 고장의 유형과 위치에 대한 풍부한 지표임을 알 수 있습니다.
(5) Novel Approach of Fault Detection and Classification
To extract information regarding the inverter condition, the RMS and average current values were calculated for each phase over one cycle using Eqs. (1) and (2), respectively : The RMS and average current values were generated from the simulated inverter for both healthy and faulty conditions to extract fault signatures.
인버터 상태에 관한 정보를 추출하기 위해 각 상에 대한 RMS 및 평균 전류 값을 Eqs. (1) 및 (2)를 사용하여 한 주기 동안 계산했습니다.
: RMS 및 평균 전류 값은 정상 상태와 고장 상태 모두에 대해 시뮬레이션된 인버터에서 생성되어 고장 특징을 추출했습니다.
There are limitations to using each parameter individually for fault detection.
The RMS alone can identify the faulty phase in the inverter, but cannot identify the faulty switch.
This is also load dependent.
각 매개변수를 개별적으로 고장 감지에 사용하는 데 제한이 있습니다.
RMS만 사용하면 인버터의 고장 상태를 식별할 수 있지만, 고장된 스위치를 식별할 수는 없습니다.
또한 이는 부하에 따라 달라집니다.
Using only the average current, identification of the faulty switch and/or phase (only if one or two phases are faulty) can be achieved; however, the FD method is load dependent and cannot differentiate between short and open-circuit faults.
평균 전류만 사용하면 고장된 스위치 및/또는 상을 식별할 수 있으며 (상이 하나 또는 두 개 고장된 경우에만), 그러나 FD 방법은 부하에 의존하며 단락 및 열린 회로 고장을 구별할 수 없습니다.
To address the load dependency issue, researchers have adopted an additional variable called the normalized mean current [27].
부하 의존성 문제를 해결하기 위해 연구자들은 정규화된 평균 전류라는 추가 변수를 채택했습니다.
This was derived by dividing the mean current of each phase by the Park modulus [26].
이는 각 상의 평균 전류를 Park 모듈로 나누어 유도되었습니다.
However, this normalization technique has limitations, including lower effectiveness at low current values and the inability to identify triple-switch faults [1].
그러나 이 정규화 기술에는 낮은 전류 값에서의 효과가 낮아지고 세 개의 스위치 고장을 식별할 수 없는 등의 제한이 있습니다.
This study presents a new normalization technique that uses the ratio of the average to the RMS current for each phase.
이 연구는 각 상에 대한 평균 대 RMS 전류 비율을 사용하는 새로운 정규화 기술을 제시합니다.
The average and RMS values changed at different loads, but the average-to-RMS ratio remained the same.
평균 및 RMS 값은 다른 부하에서 변경되지만, 평균 대 RMS 비율은 동일하게 유지됩니다.
Table 2 shows a sample of the average-rms ratio for the S3 fault for different loads, as indicated in Fig.11.
Fig.11에 표시된 것과 같이 다른 부하에 대한 S3 고장의 평균-RMS 비율의 샘플을 Table 2에 보여줍니다.
Thus, the mean to rms ratio can be employed for fault detection without being load dependent.
따라서, 평균 대 rms 비율은 부하에 의존하지 않고 고장을 감지하는 데 사용될 수 있습니다.
This technique has been shown to identify faults at low currents and triple-switch faults in the inverters.
이 기술은 저전류에서의 고장 및 인버터에서의 세 개의 스위치 고장을 식별하는 데 사용되었습니다.
The sample data given in Table 3 represent the generated data to be presented to a machine-learning algorithm to classify the faulty switch of the faulty phase (A/B/C) under load variation.
Table 3에 제공된 샘플 데이터는 부하 변동에 따라 고장 상태의 잘못된 상의 잘못된 스위치를 분류하기 위해 기계 학습 알고리즘에 제공될 것입니다.
Table 4 lists all the possible open-switch faults and their respective fault labels.
These fault labels are used to train the classifiers.
Table 4에는 모든 가능한 열린 스위치 고장과 해당하는 고장 라벨이 나열되어 있습니다.
이러한 고장 라벨은 분류기를 훈련하는 데 사용됩니다.
A. Classification Techniques
Several classifiers are used in the decision-making process for fault identification in the inverters.
Accuracy and efficiency are critical factors when considering the best classifiers.
다양한 분류기가 인버터의 오류 식별을 위한 의사 결정 과정에서 사용됩니다.
최상의 분류기를 고려할 때 정확도와 효율성이 중요한 요소입니다.
Support vector machine (SVM), Naïve Bayes (NB) (KNN) decision tree (DT), and linear discriminant are some of the classifiers used in fault classification.
서포트 벡터 머신(SVM), 나이브 베이즈(NB)(KNN), 의사 결정 트리(DT) 및 선형 판별 분석은 오류 분류에 사용되는 분류기 중 일부입니다.
The accuracy of these classifiers significantly depends on the dataset param- eters; thus, the accuracy varies from one dataset to another.
이러한 분류기의 정확도는 데이터셋 매개변수에 크게 의존하기 때문에 정확도는 데이터셋마다 다릅니다.
To achieve a high classifier model efficiency, cross-validation was applied to the training process to protect against over-fitting.
분류기 모델의 효율성을 높이기 위해서, 과적합을 방지하기 위해 훈련 프로세스에 교차 검증이 적용되었습니다.
This was achieved by segmenting the dataset into smaller sets and estimating their accuracy.
이를 위해 데이터셋을 작은 세트로 분할하고 정확도를 추정했습니다.
1) Support Vector Machine
This supervised machine-learning technique was developed in [30] and used for both classification and regression analyses.
This technique is based on determining the optimal separating hyperplane between two classes of data, as illustrated in Fig.12 [31].
이 지도 학습 기계 학습 기법은 [30]에서 개발되었으며 분류 및 회귀 분석에 사용되었습니다.
이 기법은 두 가지 데이터 클래스 간의 최적의 분리 초평면을 결정하는 것에 기반하며, 그림 12에 설명되어 있습니다 [31].
A hyperplane with the maximum distance between the two data classes was chosen.
두 데이터 클래스 간의 최대 거리를 가진 초평면이 선택되었습니다.
Its major advantage is its ability to produce a globally optimized separating boundary using a small dataset compared with a neural network that uses a large dataset and has a high risk of local minima [20].
그 주요 장점은 작은 데이터 세트를 사용하여 전역적으로 최적화된 분리 경계를 생성할 수 있다는 것이며, 이는 큰 데이터 세트를 사용하는 신경망과 달리 로컬 최솟값의 위험이 높습니다 [20].
Maximize
Subjected to
where αi is a Lagrange multiplier, and (xi, yi) is a training dataset in which xi is the input data and yi is the output data.
여기서 αi는 라그랑지 승수이며, (xi, yi)는 xi가 입력 데이터이고 yi가 출력 데이터인 훈련 데이터 집합입니다.
C is a constant for a trade-off between the performance and the generalization, K(x, x‘) is a polynomial kernel function that performs the non-linear mapping into the feature space.
C는 성능과 일반화 사이의 균형을 위한 상수이며, K(x, x')는 특성 공간에서 비선형 매핑을 수행하는 다항 커널 함수입니다.
2) K-Nearest Neighbours
It is one of the simplest forms of supervised machine learning that can be used for classification and regression.
K-Nearest Neighbors(KNN)은 분류와 회귀에 사용될 수 있는 가장 간단한 형태의 지도 학습 중 하나입니다.
Classification is conducted by mapping how close data classes are and grouping them based on their minimum distances as nearest neighbours [20], [32].
분류는 데이터 클래스간의 거리를 어떻게 매핑하는지 파악하고 최소 거리를 기준으로 그룹화하는 방식으로 이루어집니다.
Fig.13 shows the general KNN classifier.
In this scenario, the Euclidean KNN model was adopted using Equation (6) [33], which measures the straight-line distance between classes of x1 and x2.
그림 13은 일반적인 KNN 분류기를 보여줍니다.
이 시나리오에서는 Euclidean KNN 모델이 채택되었으며, 이는 방정식 (6)을 사용하여 x1과 x2 클래스 간의 직선 거리를 측정합니다.
3) Decision Tree
This method(decision tree) graphically represents the steps that must be performed to achieve optimal classification.
It is a supervised machine learning method that solves problems using a top-bottom approach to find solutions [20], [34].
All possibilities were considered before making the final decision.
이 방법은 최적의 분류를 달성하기 위해 수행해야 하는 단계를 그래픽적으로 표현합니다.
이는 해결책을 찾기 위해 위에서 아래로 접근하는 지도 학습 방법입니다.
최종 결정을 내리기 전에 모든 가능성이 고려되었습니다.
4) Ensemble Decision Tree
Ensemble learning is a supervised machine learning method with a high ability to accurately predict classification labels [35].
This is a series/parallel combination of classifiers to improve the classification accuracy, generalizability, and robustness over a single classifier.
Ensemble 학습은 고유한 분류 레이블을 정확하게 예측하기 위한 높은 능력을 가진 지도 학습 방법입니다.
이는 단일 분류기보다 분류 정확도, 일반화 능력 및 견고성을 향상시키기 위한 일련의/병렬의 분류기 결합입니다.
Several ensemble methods have been proposed to achieve this purpose.
This paper uses the bagging tree method.
A bagging tree is a combination of decision tree classifiers, which results in a reduction in the variance and bias of the classifiers, thus improving accuracy.
이러한 목적을 달성하기 위해 여러 개의 앙상블 방법이 제안되었습니다.
본 논문에서는 배깅 트리 방법을 사용합니다.
배깅 트리는 결정 트리 분류기의 조합으로, 이는 분류기의 분산과 편향을 줄여 정확도를 향상시킵니다.
Fig. 14 shows the basic structure of the bagging decision tree.
This study used 30 learners in the bagged tree method to enhance the classifier output.
Fig. 14는 배깅 결정 트리의 기본 구조를 보여줍니다.
본 연구에서는 분류기 출력을 향상시키기 위해 배깅 트리 방법에서 30개의 학습자를 사용했습니다.
B. Proposed Classification Assessment
Single- and multiple-switch OC faults were simulated using MATLAB and Simulink.
Table 3 shows a sample of the average, RMS, and their ratio values for different loads during the OC single and multiple switch faults.
These values are then used to train the classifier models.
MATLAB 및 Simulink를 사용하여 단일 및 다중 스위치 OC 결함을 시뮬레이션했습니다.
표 3은 OC 단일 및 다중 스위치 결함 시 다른 부하에서의 평균, RMS 및 그들의 비율 값의 샘플을 보여줍니다.
이러한 값은 분류기 모델을 훈련하는 데 사용됩니다.
To achieve high accuracy in identifying fault conditions, several techniques were compared for the same set of supervised training data.
결함 조건을 식별하는 높은 정확도를 달성하기 위해 동일한 지도 훈련 데이터 집합에 대해 여러 기술이 비교되었습니다.
Classifiers based on trees, KNN, SVC, and ensembles were trained and their responses were studied.
트리, KNN, SVC 및 앙상블을 기반으로 한 분류기가 훈련되었으며 그들의 응답이 연구되었습니다.
An indicator called the Confusion Matrix was used to evaluate the performance of each classifier in retrieving the original trained state.
Confusion Matrix라는 지표를 사용하여 원래 훈련된 상태를 검색할 때 각 분류기의 성능을 평가했습니다.
*Confusion Matrix : Training을 통한 Prediction성능을 측정하기 위해 예측 value와 실제 value를 비교하기 위한 표
T : True , F : False TP와 TN은 실제값을 맞게 예측한 부분, FP와 FN은 실제값과 다르게 예측한 부분을 의미한다.
The confusion matrix plots show the performance of the classifier for each class of the dataset.
Confusion Matrix플롯은 데이터 집합의 각 클래스에 대한 분류기의 성능을 보여줍니다.
The true class was plotted against the predicted class.
Thus, the diagonal class indicates classifier performance.
The confusion matrix is analyzed based on two factors namely the false discovery rates (FDR), and predictive Positive values (PPV).
실제 클래스가 예측된 클래스에 대해 플롯됩니다.
따라서 대각선 클래스는 분류기 성능을 나타냅니다.
Confusion Matrix은 false discovery rates(FDR) 및 predictive Positive values(PPV)이라는 두 가지 요소를 기준으로 분석됩니다.
FDR is defined as the proportion of erroneously categorized observations per expected class, whereas PPV is defined as the proportion of correctly categorized observations per projected class.
FDR은 예상 클래스당 잘못 분류된 관측치의 비율로 정의되며, PPV는 예측된 클래스당 올바르게 분류된 관측치의 비율로 정의됩니다.
In the confusion matrix, the highest FDR is denoted in red and the highest PPV is denoted in green.
Confusion Matrix에서 FDR이 가장 높은 경우 빨간색으로 표시되고 PPV가 가장 높은 경우 녹색으로 표시됩니다.
As the FDR and PPV values decreased, the intensity of the colour decreased.
It is important to note that when the PPV is not at its highest, there is a presence of FDR.
FDR과 PPV 값이 감소할수록 색의 강도가 감소합니다.
PPV가 최대가 아닐 때 FDR이 존재한다는 점에 유의해야 합니다.
Fig. 15 shows the confusion matrix for the decision tree classifier when trained with the average and rms ratios.
Fig. 15는 평균과 rms 비율로 훈련된 decision tree 분류기의 confusion matrix 을 보여줍니다.
From the figure, we can observe that there are many FDR and most PPVs do not reach 100%.
This indicates that the classifier cannot accurately distinguish the fault classes.
그림에서 볼 수 있듯이 많은 FDR이 있으며 대부분의 PPV가 100%에 도달하지 않습니다.
이는 분류기가 장애 클래스를 정확하게 구별하지 못하는 것을 나타냅니다.
An example with the S5 open switch fault is denoted as fault label ‘3’ on the confusion matrix.
The PPV was 53% and the accumulated FDR was approximately 46.7%.
This means that the classifier tends to classify S5 faults as other faults.
In this case, S2S3, S4S6, and S4S5S6 faults are denoted by their corresponding fault labels 12, 17, and 20, respectively.
PPV는 53%이고 누적 FDR은 약 46.7%입니다.
이는 분류기가 S5 장애를 다른 장애로 분류하는 경향이 있다는 것을 의미합니다.
이 경우, S2S3, S4S6 및 S4S5S6 장애는 각각 해당하는 장애 레이블 12, 17 및 20으로 표시됩니다.
Fig.16 and 17 show the confusion matrices of KNN and SVM, respectively.
Both can be observed to have an FDR; therefore, they can incorrectly classify trained open-switch faults.
Fig.16 및 17은 KNN 및 SVM의 confusion matrices 을 보여줍니다.
두 경우 모두 FDR이 있음을 관찰할 수 있으므로 이들은 훈련된 개방 스위치 장애를 잘못 분류할 수 있습니다.
However, in the SVM confusion matrix, it can be observed that FDR has a lower colour intensity than KNN and the decision tree.
This indicates that SVM performs better than KNN and the decision tree.
그러나 SVM의 Confusion Matrix에서 FDR이 KNN 및 decision tree보다 낮은 색상 강도를 가지고 있음을 관찰할 수 있습니다.
이는 SVM이 KNN 및 decision tree보다 더 나은 성능을 발휘한다는 것을 의미합니다.
Fig.18 shows the confusion matrix for the ensemble bagged tree.
It can be observed that the classifier did not misclassify the different faults; hence, the PPV for each fault was 100%.
From the confusion matrices for the different classifiers, it is clear that the bagged ensemble has the highest accuracy in estimating classes that are as close as possible to the true values.
분류기가 다른 장애를 잘못 분류하지 않았음을 관찰할 수 있으며, 따라서 각 장애의 PPV는 100%였습니다.
다양한 분류기에 대한 confusion matrix을 살펴보면, bagged ensemble이 실제 값에 가능한 가까운 클래스를 추정하는 데 가장 높은 정확도를 갖고 있음을 알 수 있습니다.
(6) Simulation Results
A three-phase DC-AC inverter was simulated under different fault scenarios for IGBT open-circuit faults.
다양한 장애 시나리오에 대한 IGBT 개방 회로 장애에 대한 3상 DC-AC 인버터가 시뮬레이션되었습니다.
The test model included the inverter under investigation, with an ensemble classifier block fed from the current RMS and average measurements.
시험 모델은 조사 대상의 인버터를 포함하며, 전류 RMS 및 평균 측정값에서 공급되는 앙상블 분류기 블록이 포함되었습니다.
The machine learning block (classification model) has three main functions
기계 학습 블록 (분류 모델)에는 세 가지 주요 기능이 있습니다.
first, to check and identify the healthy case from the faulty phase; 첫째, 건전한 경우와 불량 상태의 상태를 확인하고 식별하는 것;
second function) to apply ensemble classifications for the average/rms data samples, and 둘째, 평균/RMS 데이터 샘플에 대한 앙상블 분류를 적용하는 것 및
(third) to convert the fault label values to string output showing the faulty switch on the display. (세 번째) 장애 레이블 값을 문자열 출력으로 변환하여 디스플레이에 장애 스위치를 표시하는 것입니다.
The numeric- to-string conversion is implemented using a mathematical function in MATLAB.
숫자를 문자열로 변환하는 것은 MATLAB의 수학적 함수를 사용하여 구현되었습니다.
A schematic of the process is shown in Fig. 19.
The fault label values were split into single digits and converted into strings.
This signal was then fed into the display to show the condition of the inverter.
This creates a user-friendly environment for the proposed method.
프로세스의 개요는 그림 19에 나와 있습니다.
장애 레이블 값은 단일 숫자로 분할되어 문자열로 변환되었습니다.
그런 다음 이 신호가 표시로 전달되어 인버터의 상태를 나타냈습니다.
이로써 제안된 방법에 대한 사용자 친화적인 환경이 조성되었습니다.
A flowchart of the classification system is shown in Fig. 20.
The output of the classifier is indicated as a ‘‘figure’’ that represents the fault case, and the full details of all cases are given in Table 4 for all possible fault open circuits, that is, for single, double, and triple faulty switches (es).
분류 시스템의 플로우 차트는 그림 20에 나와 있습니다.
분류기의 출력은 장애 상황을 나타내는 'figure'으로 표시되며, 모든 가능한 장애 개방 회로 (즉, 단일, 이중 및 삼중 장애 스위치(es)에 대한 모든 경우의 전체 세부 정보는 표 4에 제공됩니다.
The simulation analysis and the results of the investigated technique are presented in this section.
이 섹션에서는 시뮬레이션 분석 및 조사 기술의 결과가 제시됩니다.
Table 5 shows that the ensemble bagged classifier has the best performance and accuracy (100%) compared to the other classifiers.
표 5는 다른 분류기와 비교하여 ensemble bagged 분류기가 최고의 성능과 정확도(100%)를 가지고 있음을 보여줍니다.
Fig. 21 – 24 shows the simulation fault diagnosis model results for OC single-, double-, and triple-switch faults, respectively, using the ensemble-bagged supervised classifi- cation technique.
그림 21-24는 ensemble-bagged 지도 분류 기술을 사용하여 OC 단일, 이중 및 삼중 스위치 장애에 대한 시뮬레이션 장애 진단 모델 결과를 보여줍니다.
The display faulty switch block is designed to convert the classifier fault indicator into a display of fault type and indicates the faulty switch(es).
디스플레이 장애 스위치 블록은 분류기 장애 표시기를 장애 유형으로 변환하고 장애 스위치(es)를 표시하는 데 사용됩니다.
As shown in Fig. 21, S3 was an open-circuit circuit.
그림 21에서는 S3이 개방 회로입니다.
The corresponding average to-RMS ratios are shown in Fig. 10.
해당 평균 대 RMS 비율은 그림 10에 표시됩니다.
The output fault label code of that fault according to Table 4 is 2, this is also indicated in the display unit as ‘S3’ which is clearly shown.
표 4에 따른 해당 장애 레이블 코드는 2이며, 이는 표시 장치에 'S3'로 표시됩니다.
Fig. 22 shows the classifier outputting ‘S1 S3’ for the double open-circuit switches in the top arms, in this case, for S1 and S3. The resulting output shows the fault label as ‘9’ as indicated in Table 4.
그림 22는 상단 암의 이중 개방 회로 스위치인 경우에 'S1 S3'을 분류기가 출력하는 것을 보여줍니다. 이 경우 표 4에서 '9'로 표시된 해당 장애 레이블이 나옵니다.
Fig. 23 shows the classifier result when two switches from two different phases are open-circuited, this is S2&S3, it pro- duces the code of ‘17’ as indicated in Table 4.
그림 23은 두 개의 다른 상에 있는 두 개의 스위치가 개방된 경우를 보여줍니다. 이 경우 'S2&S3'으로, 표 4에 따라 '17'의 코드를 생성합니다.
Fig.24 shows the classifier estimation for triple switches open circuit fault for S1&S2&S3, it produces the correct fault code of ‘19.’
그림 24는 S1&S2&S3에 대한 삼중 스위치 개방 회로 장애에 대한 분류기 추정 결과를 보여줍니다. 이는 올바른 장애 코드 '19'를 생성합니다.
Fig. 25 shows the different fault scenarios and fault diagnosis technique responses to these faults.
From Fig. 25A a healthy scenario is simulated from 0 – 0.11 s and it can be seen that the current waveform is sinusoidal thus the fault technique reads ‘0’ indicating a normal condition.
그림 25는 다양한 장애 시나리오 및 장애 진단 기술의 응답을 보여줍니다.
그림 25A에서는 0 - 0.11 s까지 건강한 시나리오가 모의되었으며, 이 기간 동안 전류 파형이 사인파임을 확인할 수 있으므로 장애 기술은 '0'을 나타내어 정상 상태를 나타냅니다.
An open switch fault S1 is introduced between 0.11 s – 0.2 s.
Phase A will have negative values and the fault diagnosis technique result changes from ‘0’ to ‘1’ according to the fault label in Table 4.
0.11 s - 0.2 s 사이에 S1의 개방 스위치 장애가 도입됩니다.
A상은 음수 값을 갖게되고, 표 4의 장애 레이블에 따라 장애 진단 기술 결과가 '0'에서 '1'로 변경됩니다.
Fig. 25B shows a double-switch open circuit S1, and S3 is introduced from 0 to 0.1s.
그림 25B에서는 이중 스위치 개방 회로 S1 및 S3이 0에서 0.1초까지 도입됩니다.
The fault diagnosis technique immediately identifies faulty switches by indicating fault label ‘9 ’ at a diagnosis time of 12.5% of the fundamental frequency approximately 2.5ms.
장애 진단 기술은 거의 2.5ms로 진단 시점의 기본 주파수의 12.5%에서 장애 스위치를 즉시 식별하여 '9' 장애 레이블을 나타냅니다.
A triple switch open circuit fault S1, S2 and S3 is introduced at 0.1s -0.2s, and we can observe the decrease in the magnitude of the current waveform thus the fault diagnosis technique indicates ‘19. ’
S1, S2 및 S3에 대한 삼중 스위치 개방 회로 장애가 0.1초에서 0.2초에 도입되었으며, 전류 파형의 크기 감소가 관찰됩니다. 따라서 장애 진단 기술은 '19'를 나타냅니다.
These results demonstrate that the proposed technique can identify the fault switch for half the period of the fundamental frequency.
이러한 결과는 제안된 기술이 기본 주파수의 반기간 동안 장애 스위치를 식별할 수 있음을 보여줍니다.
(7) Experiment Result
The experimental setup was performed at the Smart Energy Lab at the Glasgow Caledonian University, as shown in Fig. 26.
The setup included a three-phase inverter with six removable GW39NCB0VD IGBT switches driven by a GDA- 3A2S1 Taraz Technologies gate driver.
MATLAB Simulink was used to generate the gate control signals for the six switches.
The LAUNCHXL-F28379D Launchpad Development Kit was used as an input–output interface between the Simulink and gate drivers.
실험 설정은 그림 26에 표시된대로 Glasgow Caledonian University의 Smart Energy Lab에서 수행되었습니다.
이 설정에는 GDA- 3A2S1 Taraz Technologies 게이트 드라이버로 구동되는 여섯 개의 탈착 가능한 GW39NCB0VD IGBT 스위치가있는 삼상 인버터가 포함되었습니다.
MATLAB Simulink를 사용하여 여섯 개의 스위치에 대한 게이트 제어 신호를 생성했습니다.
LAUNCHXL-F28379D Launchpad Development Kit는 Simulink와 게이트 드라이버 간의 입력-출력 인터페이스로 사용되었습니다.
An open-circuit fault was created by removing each switch, and the three-phase output current was measured using a current and voltage measurement device USM-31V (Taraz Technologies).
The data from the phase current measurements were logged from the oscillo- scope and fed offline to the fault diagnosis model block in MATLAB Simulink and were used for fault identification and classification.
각 스위치를 제거하여 개방 회로 장애를 생성했으며, 삼상 출력 전류는 전류 및 전압 측정 장치 USM-31V (Taraz Technologies)를 사용하여 측정되었습니다.
상전류 측정 데이터는 오실로스코프에서 기록되어 MATLAB Simulink의 장애 진단 모델 블록으로 오프라인으로 전달되어 장애 식별 및 분류에 사용되었습니다.
Fig. 27-28 shows the output currents for the healthy and faulty case obtained from the experiment.
Fig. 27-28는 실험에서 얻은 건강한 상태와 오류가 있는 경우의 출력 전류를 보여줍니다.
Fig. 29 shows the Simulink fault diagnosis model fed with the experimental three-phase current.
In this case, a single (S3) open switch fault is fed to the model and the output of the model indicates S3 while the fault label shows ‘2’.
Fig. 29는 실험용 삼상 전류로 공급된 Simulink 장애 진단 모델을 보여줍니다.
이 경우 모델에 단일 (S3) 개방 스위치 장애가 공급되고 모델의 출력은 S3을 나타내며 장애 레이블은 '2'를 나타냅니다.
In Fig. 30, a more detailed diagram can be observed when the S3 open-switch fault was applied, and the fault diagnosis model increased to 2.
This indicates that the faulty switch is S3.
Fig. 30에서는 S3 개방 스위치 장애가 적용될 때 더 자세한 다이어그램을 볼 수 있으며, 장애 진단 모델이 2로 증가합니다.
이는 고장 스위치가 S3임을 나타냅니다.
The experimental results verified the proposed technique in all scenarios, and all single- and multiple switch OC faults could be detected and classified accurately.
실험 결과는 제안된 기술이 모든 시나리오에서 검증되었으며, 모든 단일 및 다중 스위치 OC 장애가 정확하게 감지되고 분류되었습니다.
Table 6 presents a comparative analysis of the proposed fault diagnosis technique, specifically for IGBT/Diode faults, against techniques previously used for IGBT faults, with a particular emphasis on detection time and accuracy.
Table 6은 IGBT / 다이오드 고장에 대한 제안된 장애 진단 기술을 이전에 사용된 IGBT 고장에 대한 기술과 비교한 것을 나타내며, 특히 감지 시간과 정확도에 중점을 두었습니다.
The detection time is evaluated in relation to the period of the fundamental current, which is 20ms.
감지 시간은 기본 전류의 주기인 20ms와 관련하여 평가됩니다.
The data in Table 6 clearly shows that most of the techniques require less than half the period of the fundamental time for diagnosis.
Table 6의 데이터는 대부분의 기술이 기본 시간의 절반 이하로 진단에 필요한 것을 명확히 보여줍니다.
Moreover, the table illustrates that the proposed method for IGBT/Diode faults demonstrates strong performance across the evaluated parameters, indicating its effectiveness in a comparative context, rather than a direct comparison of the fault diagnosis methods themselves.
또한, 테이블은 제안된 IGBT / 다이오드 고장에 대한 방법이 평가된 매개변수에서 강력한 성능을 나타내며, 장애 진단 방법 자체의 직접적인 비교보다는 비교적 맥락에서의 효과를 보여줍니다.
(8) Conclusion
This study focused on the open-switch fault of a three-phase inverter.
This study presents a new fault diagnosis method for identifying and classifying single and multiple open-switch faults. This was achieved by.
이 연구는 삼상 인버터의 개방형 스위치 고장에 초점을 맞추었습니다.
본 연구는 단일 및 다중 개방형 스위치 고장을 식별하고 분류하기 위한 새로운 고장 진단 방법을 제시합니다.
이를 달성하기 위해 다음과 같은 접근을 취했습니다.
• The three-phase current waveform of the inverter was analyzed, and the average and RMS values were extracted. The combination of both parameters yields a robust fault diagnosis method compared with using them individually.
인버터의 삼상 전류 파형을 분석하고 평균 및 RMS 값이 추출되었습니다. 이러한 매개 변수의 조합은 개별적으로 사용하는 것보다 견고한 고장 진단 방법을 제공합니다. • A new normalization method based on the mean-to- RMS ratio is introduced and verified.
The ratio values were fed into the ensemble-bagged classification method to classify different faults.
평균 대 RMS 비율을 기반으로 한 새로운 정규화 방법이 도입되었으며 검증되었습니다.
이 비율 값은 서로 다른 고장을 분류하기 위해 앙상블 배깅 분류 방법에 투입되었습니다. • The proposed technique can identify multiple switch faults including triple switch faults.
It is also effective under low current conditions.
제안된 기술은 삼중 스위치 고장을 포함한 다중 스위치 고장을 식별할 수 있습니다.
또한 저전류 조건에서도 효과적입니다. • In addition to the simplicity of the fault diagnosis technique, additional sensors are not required, thus facilitating implementation and minimizing the cost to the manufacturer.
고장 진단 기술의 단순함에 추가적인 센서가 필요하지 않아 제조업체가 구현을 용이하게 하고 비용을 최소화할 수 있습니다. • The proposed fault diagnosis technique was validated through experiments and simulations.
The results presented in this paper confirm the robustness of the proposed technique for estimating all possible fault scenarios.
제안된 고장 진단 기술은 실험 및 시뮬레이션을 통해 검증되었습니다.
본 논문에서 제시된 결과는 제안된 기술이 모든 가능한 고장 시나리오를 추정하는 데 견고함을 확인합니다.
[1] K.Hu,Z.Liu,Y.Yang,F.Iannuzzo,andF.Blaabjerg,‘‘Ensuringareliable operation of two-level IGBT-based power converters: A review of monitor- ing and fault-tolerant approaches,’’ IEEE Access, vol. 8, pp. 89988–90022, 2020.
[2] T. Chen, Y. Pan, and Z. Xiong, ‘‘Fault diagnosis scheme for single and simultaneous open-circuit faults of voltage-source inverters on the basis of fault online simulation,’’ J. Power Electron., vol. 21, no. 2, pp. 384–395, Feb. 2021.
[3] H.Yang,Y.Zhou,andJ.Zhao,‘‘Currentcovarianceanalysis-basedopen- circuit fault diagnosis for voltage-source-inverter-fed vector-controlled induction motor drives,’’ J. Power Electron., vol. 20, no. 2, pp. 492–500, Mar. 2020.
[4] H. Yin, Y. Chen, and Z. Chen, ‘‘Observer-based adaptive threshold diag- nosis method for open-switch faults of voltage source inverters,’’ J. Power Electron., vol. 20, no. 6, pp. 1573–1582, Nov. 2020.
[5] S. M. Dabour and M. I. Masoud, ‘‘Open-circuit fault detection of five- phase voltage source inverters,’’ in Proc. IEEE 8th GCC Conf. Exhib., Feb. 2015, pp. 1–6.
[6] M.A.Zdiri,B.Bouzidi,andH.H.Abdallah,‘‘Improveddiagnosismethod for VSI fed IM drives under open IGBT faults,’’ in Proc. 15th Int. Multi- Conf. Syst., Signals Devices (SSD), Mar. 2018, pp. 905–910.
[7] M.Hossain,A.Abu-Siada,andS.Muyeen,‘‘Methodsforadvancedwind turbine condition monitoring and early diagnosis: A literature review,’’ Energies, vol. 11, no. 5, p. 1309, May 2018.
[8] M. D. Kumar, S. F. Kodad, and B. Sarvesh, ‘‘Simplified fault detection algorithm for voltage source fed induction motor,’’ Mater. Today, Proc., vol. 5, no. 1, pp. 1401–1410, 2018.
[9] Z.Li,H.Ma,Z.Bai,Y.Wang,andB.Wang,‘‘Fasttransistoropen-circuit faults diagnosis in grid-tied three-phase VSIs based on average bridge arm pole-to-pole voltages and error-adaptive thresholds,’’ IEEE Trans. Power Electron., vol. 33, no. 9, pp. 8040–8051, Sep. 2018.
[10] Y. O. Ajra, H. A. Sheikh, N. Moubayed, and G. Hoblos, ‘‘Fault diagnosis of open switch failure in voltage source inverter using average and RMS phase voltages,’’ in Proc. Int. Conf. Innov. Intell. for Informat., Comput., Technol. (3ICT), Sep. 2021, pp. 250–255.
[11] L. M. Halabi, I. M. Alsofyani, and K.-B. Lee, ‘‘Open circuit fault diagnosis for multi-level inverters using an improved current distortion method,’’ in Proc. IEEE Conf. Energy Convers. (CENCON), Oct. 2021, pp. 75–79.
[12] T. Yanghong, Z. Haixia, and Z. Ye, ‘‘A simple-to-implement fault diag- nosis method for open switch fault in wind system PMSG drives without threshold setting,’’ Energies, vol. 11, no. 10, p. 2571, Sep. 2018.
[13] Y. Chen, H. Luo, W. Li, X. He, F. Iannuzzo, and F. Blaabjerg, ‘‘Analytical and experimental investigation on a dynamic thermo-sensitive electrical parameter with maximum dIC/dt during turn-off for high power trench gate/field-stop IGBT modules,’’ IEEE Trans. Power Electron., vol. 32, no. 8, pp. 6394–6404, Aug. 2017.
[14] R. Maamouri, M. Trabelsi, M. Boussak, and F. M’Sahli, ‘‘Mixed model- based and signal-based approach for open-switches fault diagnostic in sensorless speed vector controlled induction motor drive using sliding mode observer,’’ IET Power Electron., vol. 12, no. 5, pp. 1149–1159, May 2019.
[15] Y. Xia, B. Gou, Y. Xu, and G. Wilson, ‘‘Ensemble-based randomized classifier for data-driven fault diagnosis of IGBT in traction converters,’’ in Proc. IEEE Innov. Smart Grid Technol. Asia (ISGT Asia), May 2018, pp. 74–79.
[16] H. S. H. Chung, H. Wang, F. Blaabjerg, and M. Pecht, Reliability of Power Electronic Converter Systems. Institution of Engineering and Technology, 2016.
[17] S. Anupama and S. Priya, ‘‘Open circuit switch fault diagnosis methods for VSI fed induction motor drive,’’ in Proc. 3rd Int. Conf. Adv. Comput. Commun. Syst. (ICACCS), vol. 1, Jan. 2016, pp. 1–6.
[18] R.B.DhumaleandS.D.Lokhande,‘‘Comparativestudyoffaultdiagnostic methods in voltage source inverter fed three phase induction motor drive,’’ IOP Conf. Ser., Mater. Sci. Eng., vol. 197, no. 1, 2017, Art. no. 012006.
[19] Z. Yang and Y. Chai, ‘‘A survey of fault diagnosis for onshore grid- connected converter in wind energy conversion systems,’’ Renew. Sustain. Energy Rev., vol. 66, pp. 345–359, Dec. 2016.
[20] P. Achintya and L. Kumar Sahu, ‘‘Open circuit switch fault detection in multilevel inverter topology using machine learning techniques,’’ in Proc. IEEE 9th Power India Int. Conf. (PIICON), Feb. 2020, pp. 1–6.
[21] A. M. S. Mendes and A. J. M. Cardoso, ‘‘Voltage source inverter fault diagnosis in variable speed AC drives, by the average current park’s vector approach,’’ in Proc. IEEE Int. Electr. Mach. Drives Conf. (IEMDC), May 1999, pp. 704–706.
[22] B.LuandS.K.Sharma,‘‘AliteraturereviewofIGBTfaultdiagnosticand protection methods for power inverters,’’ IEEE Trans. Ind. Appl., vol. 45, no. 5, pp. 1770–1777, Sep./Oct. 2009.
[23] K.RothenhagenandF.W.Fuchs,‘‘Performanceofdiagnosismethodsfor IGBT open circuit faults in three phase voltage source inverters for AC variable speed drives,’’ in Proc. Eur. Conf. Power Electron. Appl., 2005, pp. 1–10.
[24] C. B. D. Eddine, B. Azzeddine, K. M. Amine, B. Mokhtar, and B. Noureddine, ‘‘The enhancement of park current vectors technique for inverter fault detection,’’ in Proc. 6th Int. Conf. Syst. Control (ICSC), May 2017, pp. 377–382.
[25] H.Yan,Y.Xu,F.Cai,H.Zhang,W.Zhao,andC.Gerada,‘‘PWM-VSIfault diagnosis for a PMSM drive based on the fuzzy logic approach,’’ IEEE Trans. Power Electron., vol. 34, no. 1, pp. 759–768, Jan. 2019.
[26] Z.Jian-Jian,C.Yong,C.Zhang-Yong,andZ.Anjian,‘‘Open-switchfault diagnosis method in voltage-source inverters based on phase currents,’’ IEEE Access, vol. 7, pp. 63619–63625, 2019.
[27] J. O. Estima and A. J. Marques Cardoso, ‘‘A new approach for real-time multiple open-circuit fault diagnosis in voltage source inverters,’’ in Proc. IEEE Energy Convers. Congr. Expo., Sep. 2010, pp. 4328–4335.
[28] M.A.Khelif,A.Bendiabdellah,andB.D.E.Cherif,‘‘AcombinedRMS- MEAN value approach for an inverter open-circuit fault detection,’’ Peri- odica Polytechnica Electr. Eng. Comput. Sci., vol. 63, no. 3, pp. 169–177, Apr. 2019.
[29] P. S. Das and K. H. Kim, ‘‘Open-switch fault-tolerant control of a grid- side converter in a wind power generation system,’’ Int. J. Power Electron. Drive Syst., vol. 6, no. 2, pp. 293–304, 2015.
[30] C. Cortes and V. Vapnik, ‘‘Support-vector networks,’’ Mach. Learn., vol. 20, no. 3, pp. 273–297, 1995.
[31] D.-E. Kim and D.-C. Lee, ‘‘Fault diagnosis of three-phase PWM inverters using wavelet and SVM,’’ in Proc. IEEE Int. Symp. Ind. Electron., vol. 2, Jun. 2008, pp. 329–334.
[32] W. Gong, H. Chen, Z. Zhang, M. Zhang, and H. Gao, ‘‘A data-driven- based fault diagnosis approach for electrical power DC–DC inverter by using modified convolutional neural network with global average pool- ing and 2-D feature image,’’ IEEE Access, vol. 8, pp. 73677–73697, 2020.
[33] B. Boehmke and B. Greenwell, Hands-On Machine Learning With R. London, U.K.: Chapman & Hall, 2019.
[34] A. Stetco, F. Dinmohammadi, X. Zhao, V. Robu, D. Flynn, M. Barnes, J. Keane, and G. Nenadic, ‘‘Machine learning methods for wind turbine condition monitoring: A review,’’ Renew. Energy, vol. 133, pp. 620–635, Apr. 2019.
[35] W. Zhu, M. Xie, and J.-F. Xie, ‘‘A decision tree algorithm for license plate recognition based on bagging,’’ in Proc. Int. Conf. Wavelet Act. Media Technol. Inf. Process. (ICWAMTIP), Dec. 2012, pp. 136–139.
[36] Z. Li, B. Wang, Y. Ren, J. Wang, Z. Bai, and H. Ma, ‘‘An average model-based transistor open-circuit fault diagnosis method for grid-tied single-phase inverter,’’ in Proc. 44th Annu. Conf. IEEE Ind. Electron. Soc. (IECON), Oct. 2018, pp. 993–998.
[37] K.-D. Li, C.-Y. Chen, T.-F. Chen, S. Cheng, X. Wu, and C.-Q. Xiang, ‘‘A new approach for on-line open-circuit fault diagnosis of inverters based on current trajectory,’’ J. Central South Univ., vol. 26, no. 3, pp. 743–758, Mar. 2019.
