Preliminary Exploration of Large Models Based on Self-Supervised Learning for Health Monitoring of Power Electronic Converters

📄 arXiv: 2610.18138v1 📥 PDF

作者: Xinyuan Liao, Xiangtian Deng, Yang Liu, Zhaobing Cai, Haoran Wang, Yi Zhang

分类: eess.SY

发布日期: 2026-10-13

备注: Accepted by Proceedings of the 2nd Electrical Artificial Intelligence Conference, EAIC 2025

💡 一句话要点

提出PE-TSFM模型以解决电力电子变换器健康监测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 电力电子 健康监测 自监督学习 时间序列模型 PatchTST 模型泛化 未标记数据

📋 核心要点

  1. 现有的电力电子变换器健康监测方法未能充分利用实际操作中产生的大量未标记数据，限制了模型性能的提升。
  2. 本文提出了PE-TSFM模型，采用PatchTST架构与自监督学习相结合，旨在有效利用未标记数据进行健康监测。
  3. 实验结果表明，PE-TSFM在退化分类任务中达到了87%的准确率，远超传统模型，展示了其优越的学习能力和泛化能力。

📝 摘要（中文）

当前人工智能方法在电力电子变换器的应用中，未充分利用实际操作中生成的大量未标记数据。为此，本文提出了PE-TSFM模型，这是一种针对电力模块健康监测的时间序列基础模型。该模型采用PatchTST架构结合自监督学习，训练数据超过1.43亿个时间戳，其中98%以上为未标记数据。PE-TSFM在退化分类任务中达到了87%的准确率，显著超越了五种传统时间序列AI模型的表现（27%至45%）。这些结果展示了该模型在少样本学习和不同操作条件下的强大泛化能力，推动了电力电子领域从狭隘模型向统一、可扩展基础模型的转变。

🔬 方法详解

问题定义：本文旨在解决电力电子变换器健康监测中未能有效利用大量未标记数据的问题。现有方法在处理这些数据时表现不佳，导致模型性能受限。

核心思路：论文提出的PE-TSFM模型通过结合PatchTST架构与自监督学习，能够从未标记数据中提取有价值的信息，从而提升健康监测的准确性。

技术框架：PE-TSFM模型的整体架构包括数据预处理、特征提取、模型训练和评估四个主要模块。数据预处理阶段负责清洗和整理原始数据，特征提取模块利用PatchTST架构提取时间序列特征，模型训练阶段采用自监督学习策略进行训练，最后通过评估模块验证模型性能。

关键创新：PE-TSFM的主要创新在于其自监督学习的应用，使得模型能够在缺乏标记数据的情况下，依然实现高效的学习和准确的预测。这一方法与传统依赖大量标记数据的模型有本质区别。

关键设计：在模型设计中，采用了特定的损失函数以优化模型性能，并在网络结构上进行了调整，以适应电力电子变换器的特定需求。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

PE-TSFM模型在退化分类任务中达到了87%的准确率，显著高于五种传统时间序列AI模型（其准确率在27%至45%之间），展示了其在少样本学习和不同操作条件下的强大泛化能力，具有重要的实验亮点。

🎯 应用场景

该研究的潜在应用领域包括电力电子设备的健康监测、故障预测及维护优化。通过有效利用未标记数据，PE-TSFM模型能够在实际操作中提供实时监测和预警，降低设备故障风险，提高系统可靠性，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Current artificial intelligence (AI) methods for power electronics converters make limited use of the abundant unlabeled data generated during real-world operation. This underexplored resource holds significant potential for advancing model performance. To address this gap, this paper presents PE-TSFM, a time-series foundation model tailored for power module health monitoring. The model adopts the PatchTST architecture combined with self-supervised learning and is trained on more than 143 million timestamps, where over 98\% of this training data is unlabeled and collected directly from an operating traction converter. In degradation classification tasks, PE-TSFM achieves an accuracy of 87\%, considerably surpassing five conventional time-series AI models whose performance ranges from 27\% to 45\%. These results demonstrate the model's strong few-shot learning capability and generalization across different operating conditions. This work promotes a shift from narrowly focused models in power electronics toward unified, scalable foundation models that can unlock value from large-scale unlabeled operational data.