本文旨在介绍一项发表于《智能城市》期刊2026年第1期（总第12卷第1期）的原创性研究。该研究由加拿大女王大学（Queen’s University）的肖凯文和加拿大滑铁卢大学（University of Waterloo）的钱欣辰共同完成，题为《基于MobileNetV3的IGBT故障监测方法》。本研究聚焦于电力电子与人工智能交叉领域，针对电力系统中核心功率器件——绝缘栅双极型晶体管（Insulated Gate Bipolar Transistor， IGBT）的实时健康状态监测问题，提出了一种面向嵌入式控制系统的轻量化深度学习解决方案。
学术背景与研究目标 在“双碳”目标驱动下，以新能源为主体的新型电力系统快速发展，电力电子变流器作为新能源发电与直流输电的核心设备，其可靠性至关重要。IGBT是变流器中的主要开关器件，其长期工作于复杂电磁环境、高温、高负荷工况下，失效具有随机性，一旦故障可能导致系统停运，造成重大经济损失。因此，对IGBT进行实时、精准的故障监测是提升电力系统运行可靠性的关键研究热点。 传统的IGBT状态监测方法主要分为机理建模与数据驱动建模两类。机理建模依赖大量老化实验与统计理论，模型构建复杂；数据驱动建模则利用设备退化参数建立预测模型。随着人工智能发展，深度学习在处理复杂非线性问题中展现出显著优势，成为状态监测的重要技术方向。然而，电力设备中的嵌入式控制系统通常计算资源有限，难以部署大型深度学习模型。因此，如何在资源受限的边缘侧实现高精度的智能故障监测，成为亟待解决的实际工程问题。 本研究的目标正在于此：为适应电力设备嵌入式系统的资源约束，探索一种高性能且轻量化的人工智能故障监测方法。研究团队选取了谷歌专为移动和嵌入式设备设计的轻量级神经网络MobileNetV3作为基础架构，旨在对其进行针对性优化，构建一个能够在保持高监测精度的同时，大幅降低计算与存储资源消耗的IGBT故障监测模型，从而为电力设备的智能运维提供一种可行的边缘侧解决方案。
详细研究流程 本研究遵循了从理论分析、模型构建到实验验证的完整科研流程，具体可分为三个核心步骤：IGBT失效机理分析与监测参数确定、MobileNetV3故障监测模型的构建与轻量化优化、以及模型性能的实验验证。
第一步：IGBT失效机理分析与输入参数确定。 研究首先对IGBT的失效机理进行了深入分析。IGBT失效可分为物理失效（如焊接层疲劳、热阻上升）和电气失效（如过压击穿、闩锁效应）。物理失效具有渐进性，而电气失效则突发性强。基于此，研究从工程可测性出发，筛选了三个能够有效表征IGBT退化状态的外部特征参数作为深度学习模型的输入量：1) 热学特性参数：反映封装完整性，器件老化时热阻呈上升趋势；2) 导通压降特性：即集电极-发射极饱和压降（Vce(sat)），随器件老化因载流子迁移率降低而单调上升；3) 关断瞬态特性：关断过程中的电压尖峰，实验表明其随器件退化呈现下降趋势，可能与载流子复合速率变化有关。这三个参数从不同物理维度反映了IGBT的健康状态，为后续的数据驱动模型提供了多维度的特征输入。
第二步：MobileNetV3故障监测模型的构建与优化。 本研究选择MobileNetV3-small版本作为基础模型，因其结构更为精简。该模型的核心创新在于采用了深度可分离卷积、线性瓶颈倒残差结构以及压缩与激励（Squeeze-and-Excitation， SE）注意力模块，在精度与计算开销间取得了良好平衡。 为实现进一步的轻量化以适应更严格的嵌入式环境，研究团队对MobileNetV3进行了关键性的结构优化。其核心改进策略是针对模型中的瓶颈（Bottleneck）模块进行“瘦身”。具体而言，原瓶颈结构中的“扩展层”（Expansion Layer）通过1x1卷积提升通道数以增强特征表达能力，但这带来了额外的参数与计算量。本研究在保证模型主干结构和深层特征提取能力（特别是输出通道数）不变的前提下，系统性地减少了多个瓶颈模块中扩展层的通道数。例如，在由11个相似Block单元构成的瓶颈层中，将Block2的扩展通道从72降至64，Block3从88降至72，Block5和Block6从240降至120等（详见表1）。这种模块化的、有针对性的通道裁剪，旨在削减非核心或冗余的特征维度，从而直接降低模型的可训练参数量（Parameters）和运行时的内存占用（Memory Footprint），实现了模型的进一步轻量化，构建出适用于IGBT故障监测的优化版MobileNetV3模型。
第三步：实验设计与性能验证。 为验证所提方法的有效性，研究团队设计了对比实验。实验硬件平台配置为Windows 11系统，Intel Core i7处理器和NVIDIA GeForce RTX 4060显卡。实验数据采用美国国家航空航天局（NASA）研究中心提供的公开IGBT老化数据集进行模型训练与测试。训练时使用RAdam优化器，设置初始学习率为0.002，批量大小为32，共迭代50个周期。 评估指标包括精确率（Precision）、召回率（Recall）、平均精度（Average Precision， AP）和F1分数，并以准确率（Accuracy）和模型大小作为核心对比指标。研究将优化后的MobileNetV3-small模型与两个基准模型进行对比：代表传统深度网络的VGG16模型，以及未经过轻量化优化的原版MobileNetV3-small模型。
主要研究结果 实验取得了明确且积极的结果，充分验证了所提轻量化故障监测方法的优越性。
在模型性能方面，优化后的MobileNetV3-small模型在测试集上达到了95.98% 的故障监测准确率。虽然略低于原版MobileNetV3-small的97.31%和VGG16的97.42%，但其精度仍然保持在很高的水平，完全满足工程应用的精度要求。
在模型轻量化效果方面，结果尤为突出。优化模型的总参数量从原版的1,232,300个大幅降低至896,676个。更重要的是，其内存占用仅为4.4 MB，相比原版的4.9 MB减少了约10%，而与庞大的VGG16模型（251.2 MB）相比，内存消耗仅为后者的1.75%。这些数据清晰地表明，通过对瓶颈层扩展通道的精心裁剪，研究团队成功地在模型精度与资源消耗之间取得了卓越的平衡。
结果的逻辑关系是连贯的：首先，基于IGBT失效机理选取的多维度特征参数为模型提供了有效的输入信息；其次，对MobileNetV3进行的轻量化改进直接导致了参数量和内存占用的下降；最终，实验验证表明，这种下降是以极小的精度损失为代价的，证明了优化策略的有效性。这些结果共同支撑了研究的核心结论：所提出的方法能够在嵌入式系统资源严重受限的条件下，实现高精度的IGBT故障监测。
结论与研究价值 本研究成功提出并验证了一种基于轻量化改进MobileNetV3的IGBT故障监测方法。其主要结论是：通过分析IGBT失效机理选取关键特征参数，并针对性地对MobileNetV3-small模型的瓶颈结构进行通道数优化，可以构建一个在精度与资源消耗间取得良好平衡的故障监测模型。该模型在保持95.98%高准确率的同时，将内存占用压缩至4.4 MB，显著提升了在电力设备嵌入式控制系统中部署的可行性。 该研究的价值体现在科学与应用两个层面。在科学层面，它展示了将先进的轻量化深度学习架构（MobileNetV3）与具体的工业设备故障监测问题相结合的有效路径，并为如何在边缘计算场景下对通用神经网络进行“瘦身”以适应特定任务提供了可借鉴的技术方案（即针对瓶颈扩展层的结构化裁剪）。在应用层面，本研究为解决电力电子设备，特别是新能源变流器等场景下的IGBT实时智能运维难题，提供了一种切实可行的轻量化解决方案。它推动了人工智能算法从云端向电力系统边缘侧、设备侧的落地应用，有助于实现设备的预测性维护，提升整个电力系统的安全性与稳定性。
研究亮点 本研究的亮点主要体现在以下几个方面： 1. 问题导向明确，贴合工程实际：研究直击电力设备嵌入式系统资源有限与高性能AI算法需求之间的核心矛盾，选题具有鲜明的工程应用价值。 2. 方法创新性强：研究并非简单套用现有MobileNetV3模型，而是针对具体应用场景和模型结构进行了创造性的轻量化改进。通过精细调整瓶颈模块扩展层的通道数这一“微创手术”，实现了模型复杂度的大幅降低，且方法原理清晰，易于复现。 3. 实现了精度与效率的卓越平衡：实验结果表明，优化后的模型以不到0.5个百分点的精度损失，换取了显著的内存占用减少，在轻量化程度上超越了原版MobileNetV3-small，这种权衡对于嵌入式部署至关重要。 4. 研究流程完整严谨：从理论基础（失效机理与特征选取）到模型创新（结构优化），再到实验验证（与主流模型对比、使用公开数据集），形成了逻辑闭环，论证充分。
其他有价值的内容 研究中关于IGBT失效机理的综述（分为物理失效与电气失效，并归纳出四个关键外部特征参数）本身具有很好的参考价值，为不熟悉该领域的读者提供了清晰的背景知识。此外，文章对MobileNetV3网络核心组件（深度可分离卷积、线性瓶颈倒残差结构、SE模块、H-swish激活函数）的介绍简明扼要，有助于读者理解其轻量化设计的精髓。最后，研究明确指出了未来智能运维的发展方向——即基于海量数据训练的深度学习模型向边缘侧演进，呼应了工业物联网和人工智能的发展趋势。