Bài báo nghiên cứu phương pháp chẩn đoán lỗi trong mạch chuyển đổi Superbuck bằng cách kết hợp phân tích thành phần entropy kernel (KECA) và thuật toán máy học cực trị (ELM). Phương pháp này giúp giảm ảnh hưởng của nhiễu và mối tương quan phức tạp giữa dữ liệu, đồng thời duy trì khả năng phân biệt đặc trưng và giảm tính toán. Tác giả tiến hành mô phỏng và thực nghiệm để thu thập tín hiệu đầu ra, xử lý bằng wavelet, trích xuất các tham số đặc trưng và huấn luyện mạng nơ-ron. Kết quả cho thấy phương pháp KECA-ELM có khả năng phân loại lỗi hiệu quả, đặc biệt trong điều kiện nhiễu và sai lệch linh kiện. Bài báo cũng phân tích các dạng lỗi cứng và lỗi mềm phổ biến trong mạch điện tử công suất.