UNA REVISIONE DELLE TECNICHE DI DIAGNOSI DEI GUASTI BASATE SU APPRENDIMENTO PROFONDO NEI CONVERTITORI DI POTENZA

Power converters play a crucial role in various power systems and industries, but they are susceptible to faults that can degrade performance, lead to expensive repairs, and result in extended downtime. Traditional fault diagnosis methods often require complex models and detailed knowledge, which makes them difficult to use in modern, fast-changing systems. Artificial Intelligence (AI), especially Deep learning offers a better solution by using large amounts of data and real-time sensor information to automatically detect and analyze faults more quickly and accurately. This thesis reviews how Machine Learning and Deep Learning (DL) techniques, like convolutional neural networks (CNN), long short-term memory (LSTM) networks, and self-organizing maps (SOM), are used to find and fix faults in power converters. By studying 75 papers from the past 20 years, and from leading journals and conferences, with 62% published between 2020 and 2024, it explores how these methods perform across different types of converters (DC-DC, DC-AC, and AC-DC) and shows in different tables concerning the type of converters, and their application, model of fault diagnostics, faulty devices, time of fault detection, and fault remediation. The results demonstrate that Deep Learning improves fault detection by increasing its speed, reliability, and accuracy. However, challenges remain, such as creating smaller and simpler models that work on limited hardware and enhancing reliability, efficiency, and privacy when using Deep Learning. This thesis highlights how Deep Learning is changing the way we diagnose faults in power converters, making systems more reliable and efficient while opening the door to new research opportunities.

I convertitori di potenza svolgono un ruolo cruciale in diversi sistemi elettrici e settori industriali, ma sono soggetti a guasti che possono compromettere le prestazioni, causare costose riparazioni e provocare lunghi tempi di inattività. I metodi tradizionali di diagnosi dei guasti spesso richiedono modelli complessi e una conoscenza dettagliata, rendendone difficile l’applicazione in sistemi moderni e in rapida evoluzione. Artificial Intelligence (AI), in particolare il Deep Learning, offre una soluzione più efficace utilizzando grandi quantità di dati e informazioni dei sensori in tempo reale per rilevare e analizzare automaticamente i guasti in modo più rapido e accurato. Questa tesi esamina l'uso delle tecniche di Machine Learning e Deep Learning (DL), come le convolutional neural networks (CNN), le reti LSTM (Long Short-Term Memory) e le self-organizing maps (SOM), per individuare e correggere i guasti nei convertitori di potenza. Analizzando 75 articoli pubblicati negli ultimi 20 anni, provenienti da riviste e conferenze di alto livello, con il 62% dei lavori pubblicati tra il 2020 e il 2024, vengono valutate le prestazioni di questi metodi nei diversi tipi di convertitori (DC-DC, DC-AC e AC-DC). I risultati sono presentati in diverse tabelle che mettono in relazione il tipo di convertitore, la sua applicazione, il modello di diagnosi dei guasti, i dispositivi difettosi, il tempo di rilevamento del guasto e le strategie di risoluzione. I risultati dimostrano che il Deep Learning migliora la diagnosi dei guasti aumentando la velocità, l'affidabilità e la precisione. Tuttavia, restano alcune sfide, come la necessità di sviluppare modelli più piccoli e semplici per dispositivi con risorse limitate e migliorare affidabilità, efficienza e privacy nell'uso del Deep Learning. Questa tesi evidenzia come il Deep Learning stia trasformando il modo in cui vengono diagnosticati i guasti nei convertitori di potenza, rendendo i sistemi più affidabili ed efficienti e aprendo nuove opportunità di ricerca.