Fortschritte bei der Fehlerdiagnose von Wechselrichtern für Elektrofahrzeuge durch CGAN-CNN-Hybridmodell
Im Zuge der globalen Beschleunigung der Elektromobilitätswende sind Zuverlässigkeit und Sicherheit von Elektrofahrzeugantrieben zu entscheidenden Ingenieurherausforderungen geworden. Unter den Kernkomponenten von E-Antriebssträngen spielt der Drehstromwechselrichter eine zentrale Rolle bei der Umwandlung von Gleichstrom aus der Batterie in Wechselstrom für den Motor. Die Betriebskomplexität und das Hochlastumfeld, in dem Wechselrichter arbeiten, machen sie jedoch anfällig für Ausfälle – insbesondere in leistungselektronischen Halbleiterschaltern. Eine neue Studie im Journal of Power Supply demonstriert einen bedeutenden Durchbruch bei der Diagnose von Wechselrichterfehlern unter realen Bedingungen, wo Fehlerdaten naturgemäß knapp und unausgewogen sind.
Die Forschung unter Leitung von Sun Quan, Peng Fei, Li Hongsheng und Yu Xianghai vom Institut für Automatisierungstechnik der Nanjing Institute of Technology in Zusammenarbeit mit Sun Guodong vom College of Automation Engineering der Nanjing University of Aeronautics and Astronautics stellt ein neuartiges Diagnoseframework vor, das conditional Generative Adversarial Networks (CGAN) mit convolutional neural networks (CNN) kombiniert. Dieser Hybridansatz adressiert direkt eine der persistentesten Herausforderungen in der vorausschauenden Fahrzeugwartung: den Mangel an ausreichenden Fehlerbeispielen.
In der praktischen Anwendung von Elektrofahrzeugen treten Wechselrichterfehler – insbesondere Open-Circuit-Ausfälle in IGBTs (Insulated Gate Bipolar Transistors) – selten auf und dauern oft nur Millisekunden, bevor Schutzschaltungen eingreifen. Diese Kürze schränkt die Möglichkeiten zur Erfassung repräsentativer Fehlerdaten erheblich ein. Folglich leiden maschinelle Lernmodelle, die mit solchen Datensätzen trainiert werden, unter Klassenungleichgewicht, bei dem Normalbetrieb die Fehlerfälle bei weitem überwiegt. Traditionelle Methoden wie SMOTE (Synthetic Minority Over-sampling Technique) oder standard Generative Adversarial Networks (GANs) versuchen dieses Problem zu mildern, bleiben aber oft hinter der Bewahrung nuancenreicher Verteilungseigenschaften hochdimensionaler Fehlersignale zurück.
Die Innovation des Teams liegt in der Nutzung der CGAN-Fähigkeit, hochpräzise synthetische Fehlerbeispiele auf Basis spezifischer Ausfallmodi zu generieren. Im Gegensatz zu konventionellen GANs, die Daten ohne explizite Kontrolle der Ausgabeklasse produzieren, integriert CGAN Klassenlabels während sowohl Generierung als auch Diskriminierung. In dieser Studie wurden sieben distincte Betriebszustände definiert: ein Normalzustand und sechs Einzelschalter-Open-Circuit-Fehlerszenarien entsprechend den sechs IGBTs (T1 bis T6) in einem standard Drehstrombrückenwechselrichter. Durch Einspeisung roher Dreiphasenstromsignale – erfasst unter variierenden Motorlasten (550, 650 und 750 U/min) – transformierten die Forscher die Zeitbereichsdaten mittels Fast Fourier Transformation (FFT) in den Frequenzbereich. Dieser Schritt konzentrierte fehlerrelevante Information in einer kompakten spektralen Repräsentation, die anschließend zur konsistenten Skalierung normalisiert wurde.
Das CGAN-Modell wurde mit diesen gelabelten spektralen Merkmalen trainiert. Der Generator mit drei Faltungsschichten und einem vollvernetzten Ausgang erlernte die Synthese neuer Fehlerbeispiele, die statistische und spektrale Eigenschaften realer Daten spiegelten. Parallel war der Diskriminator – bestehend aus zwei Faltungsschichten, zwei Pooling-Schichten und zwei vollvernetzten Schichten – mit der Unterscheidung echter von synthetischen Beispielen beauftragt. Beide Netzwerke wurden mit dem Adam-Optimierer optimiert, und Batch-Normalisierung stabilisierte die Trainingsdynamik. Nach 100 Trainingsepochen erreichte das CGAN ein stabiles Gleichgewicht, produzierte synthetische Daten, die eng an der Originalverteilung lagen, bestätigt durch t-SNE-Visualisierung der Merkmalsraum-Cluster.
Diese augmentierten Datensätze trainierten anschließend eine custom 1D-CNN-Architektur inspiriert von AlexNet aber adaptiert für sequentielle Signalklassifikation. Das CNN umfasste zwei Faltungsschichten (mit 8 bzw. 16 Filtern der Größe 3×1), zwei Max-Pooling-Schichten (2×1 Fenster), eine vollvernetzte Schicht und eine Softmax-Ausgabeschicht für 7-Klassen-Klassifikation. Bemerkenswerterweise verarbeitete das Modell Frequenzbereichsvektoren direkt, umgehend komplexe handgefertigte Merkmalsextraktion.
Zur Validierung der Robustheit konstruierten die Forscher vier experimentelle Datensätze mit variierenden Ungleichgewichtsgraden. Datensatz A1 enthielt 100 balancierte Beispiele pro Klasse. A2 reduzierte die T6-Open-Circuit-Fehlerklasse auf 50 Beispiele, während A3 sie auf nur 30 reduzierte – ein extremes Ungleichgewicht, das reale Knappheit widerspiegelt. Datensatz A4 stellte Balance wieder her durch Augmentierung der T6-Klasse auf 100 Beispiele mittels drei verschiedener Techniken: SMOTE, Standard-GAN und dem vorgeschlagenen CGAN.
Die Ergebnisse waren eindrücklich. Auf dem balancierten A1-Set erreichte das CNN 99,2% Genauigkeit. Die Leistung fiel auf 95,7% bei A2 und weiter auf 91,4% bei A3, unterstreichend den schädlichen Effekt von Datenknappheit. Als jedoch synthetische Beispiele in A4 eingeführt wurden, erholte sich die Genauigkeit dramatisch – aber nur mit hochwertiger Augmentierung. SMOTE-augmentierte Daten erzielten 95,31% Genauigkeit, Standard-GAN erreichte 96,88%, während das CGAN-verbesserte Modell 98,97% erreichte – nahezu gleichauf mit der Leistung auf dem originalen balancierten Datensatz.
Entscheidend zeigten Konfusionsmatrizen, dass T6-Fehler unter Ungleichgewicht häufig als T2-Fehler fehlklassifiziert wurden, wahrscheinlich aufgrund symmetrischer Stromverzerrungsmuster im Dreiphasensystem. Die CGAN-generierten Beispiele bewahrten diese subtilen diskriminativen Merkmale, ermöglichten dem CNN die Unterscheidung visuell ähnlicher Fehlermodi. Diese Fähigkeit ist essentiell für den Realbetrieb, wo Fehldiagnosen unnötige Abschaltungen auslösen oder latente Fehler zu katastrophalen Ausfällen eskalieren lassen könnten.
Aus automobiltechnischer Perspektive sind die Implikationen profund. Moderne Elektrofahrzeuge verlassen sich zunehmend auf Over-the-Air (OTA) Softwareupdates und cloud-basierte Analytik für vorausschauende Wartung. Solche Systeme benötigen jedoch akkurate Fehlermodelle, trainiert mit diversen Betriebsdaten. Die Knappheit an Fehlerdaten hat historisch die Entwicklung robuster Diagnosealgorithmen beschränkt, zwang Ingenieure zur Nutzung regelbasierter Systeme oder physik-informierter Simulationen, denen Adaptivität fehlt. Das CGAN-CNN-Framework überbrückt diese Lücke durch Ermöglichung datengetriebener Diagnostik selbst bei seltenen physischen Fehleroccurrences.
Zudem aligniert die Methode mit Industrietrends zu modularen, software-definierten Fahrzeugarchitekturen. Durch Operation auf standard Stromsensorausgängen – bereits vorhanden in den meisten Elektrofahrzeug-Motorsteuergeräten – benötigt der Ansatz keine zusätzliche Hardware. Der FFT-Preprocessing-Schritt ist rechenleicht und implementierbar auf existierenden Mikrocontrollern, während CNN-Inferenz an den Domänencontroller des Fahrzeugs ausgelagert oder in der Cloud während routinemäßiger Diagnostik durchgeführt werden kann.
Die Studie adressiert auch Kernanliegen unter den Google-EEAT-Richtlinien (Experience, Expertise, Authoritativeness, Trustworthiness). Die Autoren bringen tiefe Domain-Expertise ein: Sun Quan, Haupt- und Korrespondenzautor, spezialisiert auf Leistungswandler-Fehlererkennung und hält einen Ph.D. in Elektrotechnik. Peng Fei und Yu Xianghai fokussieren auf Machine-Learning-Anwendungen in der Fehlerdiagnose, während Li Hongsheng, Professor mit Jahrzehnten an Erfahrung in Automationssystemen, methodische Rigorosität beisteuert. Sun Guodong, affiliiert mit einer top Luftfahrtuniversität, trägt fortgeschrittenes Wissen zu Leistungselektronik-Zuverlässigkeit bei. Ihre institutionellen Affiliationen – Nanjing Institute of Technology und Nanjing University of Aeronautics and Astronautics – sind etabliert in Chinas Ingenieursforschungsekosystem, mit starken Verbindungen zur Automobil- und Energiewirtschaft.
Die Forschung wurde unterstützt durch die National Natural Science Foundation of China (Grant Nr. 61901212), das Major Project of Natural Science Research in Jiangsu Higher Education Institutions (20KJA510007) und das Jiangsu Collaborative Innovation Center for Smart Distribution Network Technologies and Equipment (XTCX201909) – Förderquellen, die die strategische Bedeutung des Projekts für Chinas breitere Elektrifizierungs- und Smart-Manufacturing-Initiativen unterstreichen.
Während die Studie auf einer bürstenlosen Gleichstrommotor (BLDCM)-Plattform durchgeführt wurde – einer gängigen Wahl für kostensensitive Elektrofahrzeuge und Industrieanwendungen – ist die zugrundeliegende Methodologie leicht übertragbar auf Permanentmagnet-Synchronmotoren (PMSMs), die das Premiumsegment von Elektrofahrzeugen dominieren. Zukünftige Arbeit könnte das Framework auf Mehrfachfehlerszenarien, Teildegradationstracking und domänenübergreifende Adaptation across verschiedener Fahrzeugplattformen und Betriebsumgebungen erweitern.
Kritisch vermied das Team gängige KI-Fallstricke, die Realbetrieb unterminieren. Es gibt keine Abhängigkeit von rein synthetischen Daten; stattdessen augmentiert das CGAN reale, physikalisch gemessene Signale. Die Modellarchitektur ist transparent und reproduzierbar, ohne Blackbox-Ensembles oder uninterpretierbare Deep Stacks. Validierung erfolgte über multiple Betriebslasten, sicherstellende Generalisierbarkeit beyond einzelne Testbedingungen.
Für Automobil-OEMs und Tier-1-Zulieferer bietet diese Forschung einen skalierbaren Pfad zu intelligenter Wechselrichter-Zustandsüberwachung. Während Fahrzeugflotten wachsen und Daten akkumulieren, können solche Modelle kontinuierlich verfeinert werden, formend das Rückgrat nächster Generation Elektrofahrzeug-Haltbarkeits- und Sicherheitssysteme. Regulierer könnten den Ansatz ebenso überzeugend finden: mit Fehlerdiagnosegenauigkeit über 98% könnte die Methode Zertifizierungsstandards für funktionale Sicherheit (z.B. ISO 26262 ASIL Level) in Leistungselektronik unterstützen.
Zusammenfassend repräsentiert die Integration von CGAN für gezielte Datensynthese und CNN für diskriminative Klassifikation eine pragmatische und effektive Lösung für ein langjähriges Datenknappheitsproblem in der Elektrofahrzeug-Fehlerdiagnose. Es exemplifiziert, wie domain-bewusstes maschinelles Lernen – gegründet auf physikalischem Verständnis und validiert durch rigorose Experimentierung – greifbaren Ingenieurswert liefern kann.
Sun Quan, Peng Fei, Li Hongsheng, Yu Xianghai
School of Automation, Nanjing Institute of Technology, Nanjing 211167, China
Sun Guodong
College of Automation Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 211106, China
Journal of Power Supply, Vol. 22, No. 6, November 2024
DOI: 10.13234/j.issn.2095-2805.2024.6.318