CN107621782A - 一种栅双极型晶体管(igbt)模块的故障诊断方法 - Google Patents
一种栅双极型晶体管(igbt)模块的故障诊断方法 Download PDFInfo
- Publication number
- CN107621782A CN107621782A CN201710318198.1A CN201710318198A CN107621782A CN 107621782 A CN107621782 A CN 107621782A CN 201710318198 A CN201710318198 A CN 201710318198A CN 107621782 A CN107621782 A CN 107621782A
- Authority
- CN
- China
- Prior art keywords
- ant
- quantum
- igbt
- model
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Landscapes
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明公开了一种绝缘栅双极型晶体管(IGBT)模块的故障诊断方法,首先,针对高结温和高温度梯度工作模式下IGBT模块的键合引线剥落,导致IGBT模块失效情况,通过实时测量IGBT模块的集射极压降值,对测量的集射极压降值数据进行模糊信息粒化处理,提取预测数据序列划分的各窗口的有效分量并进行归一化处理,获取反映IGBT模块健康状态的参量;利用最小二乘支持向量机(LS‑SVM)算法对IGBT模块进行最小二乘支持向量机建模;然后以量子蚁群优化算法(QACO)对最小二乘支持向量机模型进行参数优化;最后以优化后的最小二乘支持向量机模型对IGBT模块的健康状态进行诊断。本发明能够实现IGBT模块的在线状态监测与故障诊断,为IGBT模块的健康评估和及时视情维修提供支持。
Description
技术领域
本发明涉及功率器件故障诊断技术领域,尤其涉及一种栅双极型晶体管(IGBT)模块的故障诊断方法。
背景技术
绝缘栅双极型晶体管(IGBT)模块是一种广泛用于各种电能变换装置的电力电子器件。绝缘栅双极型晶体管(IGBT)模块作为整个电路的核心器件,控制着整个电路模块的工作状态,对整个电路模块的影响十分深远。然而,由于长期工作在高电压和大电流环境中,反复的开通和关断操作导致绝缘栅双极型晶体管(IGBT)模块的功耗和结温波动频繁,从而造成器件的疲劳老化。因此,很有必要对绝缘栅双极型晶体管(IGBT)模块的健康状态进行诊断,以便及时发现故障,为IGBT模块的视情维修提供可靠支持。
由于绝缘栅双极型晶体管(IGBT)模块工作环境恶劣,长期运行于大功率高温状态下,产生大量的热量导致IGBT模块的结构发生复杂变化,引发一系列失效状况,如键合引线的剥落、焊料层的失效、封装的失效等情况。绝缘栅双极型晶体管(IGBT)模块承受着电力,热学、机械应力的复杂影响,导致其失效原因多样化,使得对绝缘栅双极型晶体管(IGBT)模块的健康情况难以做出准确的诊断。
本发明针对高结温和高温度梯度工作模式下IGBT模块的键合引线剥落,导致IGBT模块失效情况,采用基于优化的最小二乘支持向量机模型来对绝缘栅双极型晶体管(IGBT)模块进行健康诊断。本发明中的模糊信息粒化对测量数据序列进行窗口分割,提取有效分量进行归一化并对其分别及建模,解决了采用最小二乘支持向量机单独模型诊断不全面问题,同时采用量子蚁群优化算法来对最小二乘支持向量机模型参数进行优化,与普通蚁群算法相比,量子蚁群优化算法通过引入变异算子来增加种群多样性,避免了算法未成熟局部收敛现象,能够实现绝缘栅双极型晶体管(IGBT)模块的准确健康诊断。
发明内容
本发明的目的在于提供一种栅双极型晶体管(IGBT)模块的故障诊断方法,用于实时进行绝缘栅双极型晶体管(IGBT)模块的状态监测与故障诊断,以提前预知故障发生时间,准确评估绝缘栅双极型晶体管(IGBT)模块健康状况。
为了达成上述目的,本发明的解决方案是:
一种栅双极型晶体管(IGBT)模块的故障诊断方法,包括以下步骤(1)~(5):
(1)实时测量IGBT模块的集射极压降值,构成时间序列X;
(2)对步骤(1)中获取的集射极压降值,利用模糊信息粒化对数据序列进行处理,提取预测数据序列划分的各窗口的有效分量并进行归一化处理,获取反映IGBT模块健康状态的参量,其中窗口的划分是根据模型需要,把整个数据预测序列划分为若干个小子序列,一个子序列为一个操作窗口,有效分量指提取数据序列中对最小二乘支持向量机模型有用的有效信息;
(3)对步骤(2)中获取的各窗口的有效分量,利用最小二乘支持向量机(LS-SVM)算法对其分别进行建模;
(4)依据步骤(3)中对各窗口的有效分量建立的模型,利用量子蚁群优化算法对各模型进行寻优计算,得到模型的最优参数;
(5)对步骤(4)中的得到的最优参数,采用优化后的最小二乘支持向量机模型对IGBT 模块的健康状态进行诊断;
本发明的一种栅双极型晶体管(IGBT)模块的故障诊断方法,利用数据时间序列对绝缘栅双极型晶体管(IGBT)模块健康状况进行评估;所述故障预测方法步骤(2)中,利用模糊信息粒化对数据进行处理,提取各窗口的有效分量并进行归一化处理,获取反映IGBT模块健康状态的参量,具体步骤为(a1)~(a4):
(a1)把测量原始数据集射极压降值作时间序列X,把整个时间序列看成是一个窗口,进行模糊化。
在X上建立一个模糊粒子P,能够合理描述X的模糊概念G(以X为论域的模糊集合),通过确定G来定模糊粒子P。
以下是确定一个G的隶属度函数A的过程:
A=μg
(b1)选取模糊粒子为三角型
(b2)采用隶属度函数表示A
其中,x为论域中的变量,a,m和b为参数。a,m,b分别对应每个窗口都得到的3个模糊粒子后的变量:LOW,R和UP。
LOW参数描述该粒子原始数据变化的最小值。
R参数描述该粒子相应的原始数据变化的大体平均水平。
UP参数描述该粒子原始数据变化的最大值。
(b3)分别对信息粒化后得到的LOW、R、UP进行归一化处理,公式如下:
其中,Pi是训练样本中某一变量xi归一化后的数据,
xmin是样本中该组数据的最小值,
xmax是样本中该组数据的最大值。
本发明的一种栅双极型晶体管(IGBT)模块的故障诊断方法在步骤(3)中利用最小二乘支持向量机(LS-SVM)算法对各窗口的有效分量进行建模,具体步骤为(c1)~(c3):
(c1)设置最小二乘支持向量机的核函数为径向基核函数,核函数参数gam=1000,sig2=0.1;
(c2)对监测位移时间序列{x1,x2,...,xn},寻找i+p时刻位移序列值xi+p与前p个时刻的序列值xi,xi+1,...,xi+p-1的关系。
即xi+p=g(xi,xi+1,xi+p-1),其中p为历史步数,g为非线性映射函数。根据SVM理论,位移时间序列非线性关系,即回归模型可为:
其中,e*(xm+n)表示m+n时刻预测位移值,xm+n表示m+n时刻前p个时刻的实测位移时间序列值xm+n=(xm+n-p,xm+n-p+1,...,xm+n-1),xi+p表示i+p时刻前p个时刻的实测位移时间序列值,xi+p=(xi,xi+1,...,xi+p-1)。
本发明中,步骤(4)中利用量子蚁群优化算法对各模型进行寻优计算,得到模型的最优参数,具体步骤为(d1)~(d3):
(d1)确定c、γ的取值范围分别为1≤c≤100,1≤γ≤100,且均为正整数,并给定初始值c=1、γ=1;
(d2)利用(3.3)模型获取LS-SVM输出值以与yi的误差平方和最小来作为量子蚁群优化算法的适应度函数。建立目标函数获取最小二乘支持向量机模型的输出值以ei和的最小误差平方和最小值作为适应度函数,采用量子蚁群优化算法寻优,获取最小误差下的c、γ值,记为cd、γd。
(d3)取c=cd,γ=γd,采用最小二乘支持向量机得到优化后的模型。本步骤中的量子蚁群优化算法具体如下:
(e1)设置初始种群的产生。直接采用量子位的概率幅作为蚂蚁当前位置的编码,考虑种群初始化时,编码的随机性,采用如下编码方案:
其中,θij=2π*rand,rand为(0,1)之间的随机数,i=1,2,,,m;j=1,2,,,n;
这里,m为种群规模,n为空间维数。
种群中每个蚂蚁占据空间的两个位置分别对应量子态|0>和|1>的概率幅如下:
qi0=(cos(θi1),cos(θi2),...cos(θin))
qi1=(sin(θi1),sin(θi2),...sin(θin))
其中,qi0为|0>态位置
qi1为|1>态位置
(e2)进行解空间的变换,计算蚂蚁当前位置优劣性。
蚂蚁遍历空间为[-1,1],进行解空间的转换,即将每个蚂蚁占据的两个位置由单位空间 I=[-1,1]n映射到优化问题的解空间。蚂蚁上量子位的每个概率幅对应解空间的一个优化变量。
记蚂蚁q上第j个量子位为[cosθij,sinθij]T,则相应的解空间变量为:
整理上式,得
因此,每个蚂蚁对应优化问题的两个解,其中,量子态|0>的概率幅为量子态|1>的概率幅为其中i=1,2,…m,j=1,2,…n。
(e3)对当前蚂蚁位置进行更新。首先将普通ACO中蚂蚁经过路径的信息素强度的增量转变为量子旋转门旋转角的更新,然后采用量子旋转门更新蚂蚁携带的量子比特,完成蚂蚁的移动,因此,蚂蚁位置的更新转变为蚂蚁上量子位概率幅的更新。
量子旋转门转角的大小和方向:
根据旋转目的是使当前解逼近全局最优解,由两个解中量子位的相位关系可知:
令α0和β0是当前搜索到的全局最优解中某量子位的概率幅,
α1和β1是当前解相应量子位概率幅
记:
转角Δθ的方向可有如下确定:
(e4)转角大小确定。普通ACO中蚂蚁经过路径的信息素强度的增量局部调整和全局调整加入到转角步长函数的设计中,提出如下转角步长函数:
Δθij(t+1)=-sgn(A)(Δθij(t)+c1ΔτLij(t)+c2ΔτGij(t))
其中,c1,c2分别表示信息素强度的局部调整和全局调整系数,Q是信息素强度,Lk表示第k只蚂蚁在本次循环中所走路径的总长度,dij表示第k只蚂蚁经过路径ij的距离。
(e5)蚂蚁位置的变异处理。首先给定变异概率Pm,对每个蚂蚁赋于一个(0,1)之间随机数rand,若rand<Pm,则随机选择该蚂蚁中个量子位,用量子非门交换两个概率幅,其记忆的自身最优位置保持不变。
其中,i∈{1,2,...m},j∈{1,2,...n},
对于第j个量子位,转角大小为
本发明中,步骤(5)中采用优化后的最小二乘支持向量机模型对IGBT模块的健康状态进行诊断,具体步骤为(f1)~(f2):
(f1)采用优化后的最小二乘支持向量模型预测下一个窗口的LOW、R、UP值。
(f2)对预测结果进行诊断。根据预测模型给出的结果,采用平均绝对百分比误差和相对误差两个标准对诊断结果进行分析。
附图说明
图1是绝缘栅双极型晶体管(IGBT)的模块图。
图2是一种栅双极型晶体管(IGBT)的故障诊断方法流程图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明。
如图1所示,本发明的一种栅双极型晶体管(IGBT)的故障诊断方法,具体实施包括如下步骤:
(1)针对高结温和高温度梯度工作模式下IGBT模块的键合引线失效情况,实时测量 IGBT模块的集射极压降值,构成时间序列X。
(2)对步骤(1)中获取的集射极压降值,利用模糊信息粒化对数据进行处理,提取预测数据序列划分的各窗口的有效分量并进行归一化处理,获取反映IGBT模块健康状态的参量,其中窗口的划分是根据模型需要,把整个数据预测序列划分为若干个小子序列,一个子序列为一个操作窗口,有效分量指提取数据序列中对最小二乘支持向量机模型有用的有效信息。
(a1)把测量原始数据集射极压降值作时间序列X,把整个时间序列看成是一个窗口,进行模糊化。
在X上建立一个模糊粒子P,能够合理描述X的模糊概念G(以X为论域的模糊集合),通过确定G来定模糊粒子P。
以下是确定一个G的隶属度函数A的过程:
A=μg
(b1)选取模糊粒子为三角型
(b2)采用隶属度函数表示A
其中,x为论域中的变量,a,m和b为参数。a,m,b分别对应每个窗口都得到的3个模糊粒子后的变量:LOW,R和UP。
LOW参数描述该粒子原始数据变化的最小值。
R参数描述该粒子相应的原始数据变化的大体平均水平。
UP参数描述该粒子原始数据变化的最大值。
(b3)分别对信息粒化后得到的LOW、R、UP进行归一化处理,公式如下:
其中,Pi是训练样本中某一变量xi归一化后的数据,
xmin是样本中该组数据的最小值,
xmax是样本中该组数据的最大值。
(3)对步骤(2)中获取的各窗口的有效分量,利用最小二乘支持向量机(LS-SVM)算法对其分别进行建模。
(c1)设置最小二乘支持向量机的核函数为径向基核函数,核函数参数gam=1000,sig2=0.1;
(c2)对监测位移时间序列{x1,x2,...,xn},寻找i+p时刻位移序列值xi+p与前p个时刻的序列值xi,xi+1,...,xi+p-1的关系。
即xi+p=g(xi,xi+1,xi+p-1),其中p为历史步数,g为非线性映射函数。根据SVM理论,位移时间序列非线性关系,即回归模型可为:
其中,e*(xm+n)表示m+n时刻预测位移值,xm+n表示m+n时刻前p个时刻的实测位移时间序列值xm+n=(xm+n-p,xm+n-p+1,...,xm+n-1),xi+p表示i+p时刻前p个时刻的实测位移时间序列值,xi+p=(xi,xi+1,...,xi+p-1)。
(4)依据步骤(3)中对各窗口的有效分量建立的模型,利用量子蚁群优化算法对各模型进行寻优计算,得到模型的最优参数。
(d1)确定c、γ的取值范围分别为1≤c≤100,1≤γ≤100,且均为正整数,并给定初始值c=1、γ=1;
(d2)利用(3.3)模型获取LS-SVM输出值以与yi的误差平方和最小来作为量子蚁群优化算法的适应度函数。建立目标函数获取最小二乘支持向量机模型的输出值以ei和的最小误差平方和最小值作为适应度函数,采用量子蚁群优化算法寻优,获取最小误差下的c、γ值,记为cd、γd。
(d3)取c=cd,γ=γd,采用最小二乘支持向量机得到优化后的模型。本步骤中的量子蚁群优化算法具体如下:
(e1)设置初始种群的产生。直接采用量子位的概率幅作为蚂蚁当前位置的编码,考虑种群初始化时,编码的随机性,采用如下编码方案:
其中,θij=2π*rand,rand为(0,1)之间的随机数,i=1,2,,,m;j=1,2,,,n;
这里,m为种群规模,n为空间维数。
种群中每个蚂蚁占据空间的两个位置分别对应量子态|0>和|1>的概率幅如下:
qi0=(cos(θi1),cos(θi2),...cos(θin))
qi1=(sin(θi1),sin(θi2),...sin(θin))
其中,qi0为|0>态位置
qi1为|1>态位置
(e2)进行解空间的变换,计算蚂蚁当前位置优劣性。
蚂蚁遍历空间为[-1,1],进行解空间的转换,即将每个蚂蚁占据的两个位置由单位空间 I=[-1,1]n映射到优化问题的解空间。蚂蚁上量子位的每个概率幅对应解空间的一个优化变量。
记蚂蚁q上第j个量子位为[cosθij,sinθij]T,则相应的解空间变量为:
整理上式,得
因此,每个蚂蚁对应优化问题的两个解,其中,量子态|0>的概率幅为量子态|1>的概率幅为其中i=1,2,…m,j=1,2,…n。
(e3)对当前蚂蚁位置进行更新。首先将普通ACO中蚂蚁经过路径的信息素强度的增量转变为量子旋转门旋转角的更新,然后采用量子旋转门更新蚂蚁携带的量子比特,完成蚂蚁的移动,因此,蚂蚁位置的更新转变为蚂蚁上量子位概率幅的更新。
量子旋转门转角的大小和方向:
根据旋转目的是使当前解逼近全局最优解,由两个解中量子位的相位关系可知:
令α0和β0是当前搜索到的全局最优解中某量子位的概率幅,
α1和β1是当前解相应量子位概率幅
记:
转角Δθ的方向可有如下确定:
(e4)转角大小确定。普通ACO中蚂蚁经过路径的信息素强度的增量局部调整和全局调整加入到转角步长函数的设计中,提出如下转角步长函数:
Δθij(t+1)=-sgn(A)(Δθij(t)+c1ΔτLij(t)+c2ΔτGij(t))
其中,c1,c2分别表示信息素强度的局部调整和全局调整系数,Q是信息素强度,Lk表示第k只蚂蚁在本次循环中所走路径的总长度,dij表示第k只蚂蚁经过路径ij的距离。
(e5)蚂蚁位置的变异处理。首先给定变异概率Pm,对每个蚂蚁赋于一个(0,1)之间随机数rand,若rand<Pm,则随机选择该蚂蚁中个量子位,用量子非门交换两个概率幅,其记忆的自身最优位置保持不变。
其中,i∈{1,2,...m},j∈{1,2,...n}
对于第j个量子位,转角大小为
(5)对步骤(4)中的得到的最优参数,采用优化后的最小二乘支持向量机模型对IGBT 模块的健康状态进行诊断。
(f1)采用优化后的最小二乘支持向量模型预测下一个窗口的LOW、R、UP值。
(f2)对预测结果进行诊断。根据预测模型给出的结果,采用平均绝对百分比误差和相对误差两个标准对诊断结果进行分析。
Claims (5)
1.一种绝缘栅双极型晶体管(IGBT)模块的故障诊断方法,其特征在于,包括以下步骤:
(1)针对高结温和高温度梯度工作模式下IGBT模块的键合引线失效情况,实时测量IGBT模块的集射极压降值,构成时间序列X;
(2)对步骤(1)中获取的集射极压降值,利用模糊信息粒化对数据进行处理,提取预测数据序列划分的各窗口的有效分量并进行归一化处理,获取反映IGBT模块健康状态的参量,其中窗口的划分是根据模型需要,把整个数据预测序列划分为若干个小子序列,一个子序列为一个操作窗口,有效分量指提取数据序列中对最小二乘支持向量机模型有用的有效信息;
(3)对步骤(2)中获取预测数据序列划分的各窗口的有效分量,利用最小二乘支持向量机(LS-SVM)算法对其分别进行建模;
(4)依据步骤(3)中对各窗口的有效分量建立的模型,利用量子蚁群优化算法对最小二乘支持向量机各模型进行寻优计算,得到模型的最优参数;
(5)对步骤(4)中的得到的最优参数,采用优化后的最小二乘支持向量机模型对IGBT模块的健康状态进行诊断。
2.如权利要求1所述一种绝缘栅双极型晶体管(IGBT)模块的故障诊断方法,其特征在于,所述步骤(2)中,利用模糊信息粒化对数据进行处理,提取各窗口的有效分量并进行归一化处理,获取反映IGBT模块健康状态的参量,具体步骤为:
(2.1)把测量原始数据集射极压降值作时间序列X,把整个时间序列看成是一个窗口,进行模糊化。
在X上建立一个模糊粒子P,能够合理描述X的模糊概念G(以X为论域的模糊集合),通过确定G来定模糊粒子P。
以下是确定一个G的隶属度函数A的过程:
A=μg
(a1)选取模糊粒子为三角型
(a2)采用隶属度函数表示A
其中,x为论域中的变量,a,m和b为参数。a,m,b分别对应每个窗口都得到的3个模糊粒子后的变量:LOW,R和UP。
LOW参数描述该粒子原始数据变化的最小值。
R参数描述该粒子相应的原始数据变化的大体平均水平。
UP参数描述该粒子原始数据变化的最大值。
(a3)分别对信息粒化后得到的LOW、R、UP进行归一化处理,公式如下:
其中,Pi是训练样本中某一变量xi归一化后的数据,
xmin是样本中该组数据的最小值,
xmax是样本中该组数据的最大值。
3.如权利要求1所述一种绝缘栅双极型晶体管(IGBT)模块的故障诊断方法,其特征在于,所述故障诊断方法步骤(3)中,所述最小二乘支持向量机(LS-SVM)算法对各窗口的有效分量分别进行建模,具体步骤为:
(3.1)设置最小二乘支持向量机的核函数为径向基核函数,核函数参数gam=1000,sig2=0.1;
(3.2)对监测位移时间序列{x1,x2,...,xn},寻找i+p时刻位移序列值xi+p与前p个时刻的序列值xi,xi+1,...,xi+p-1的关系。
即xi+p=g(xi,xi+1,xi+p-1),其中p为历史步数,g为非线性映射函数。根据SVM理论,位移时间序列非线性关系,即回归模型可为:
其中,e*(xm+n)表示m+n时刻预测位移值,xm+n表示m+n时刻前p个时刻的实测位移时间序列值xm+n=(xm+n-p,xm+n-p+1,...,xm+n-1),xi+p表示i+p时刻前p个时刻的实测位移时间序列值,xi+p=(xi,xi+1,...,xi+p-1)。
4.如权利要求1所述一种绝缘栅双极型晶体管(IGBT)模块的故障诊断方法,其特征在于,所述故障诊断方法步骤(4)中,所述量子蚁群优化算法对各窗口有效分量模型进行寻优计算,得到模型的最优参数,具体步骤为:
(4.1)确定c、γ的取值范围分别为1≤γ≤100,1≤γ≤100,且均为正整数,并给定初始值c=1、γ=1;
(4.2)利用(3.3)模型获取LS-SVM输出值以与yi的误差平方和最小来作为量子蚁群优化算法的适应度函数。
对最小二乘支持向量机中的惩罚因子c和k(xi,xj)中参数γ进行优化。建立目标函数其中ei为第i个数据的实测位移,为第i个数据的预测位移,n为总样本数目。采用量子蚁群优化算法寻优,获取最小误差下的c、γ值,记为cd、γd。
(4.3)取c=cd,γ=γd,采用最小二乘支持向量机得到优化后的模型。本步骤中的量子蚁群优化算法具体如下:
(a1)设置初始种群的产生。直接采用量子位的概率幅作为蚂蚁当前位置的编码,考虑种群初始化时,编码的随机性,采用如下编码方案:
其中,θij=2π*rand,rand为(0,1)之间的随机数,i=1,2,,,m;j=1,2,,,n;
这里,m为种群规模,n为空间维数。
种群中每个蚂蚁占据空间的两个位置分别对应量子态|0>和|1>的概率幅如下:
qi0=(cos(θi1),cos(θi2),...cos(θin))
qi1=(sin(θi1),sin(θi2),...sin(θin))
其中,qi0为|0>态位置
qi1为|1>态位置
(a2)进行解空间的变换,计算蚂蚁当前位置优劣性。
蚂蚁遍历空间为[-1,1],进行解空间的转换,即将每个蚂蚁占据的两个位置由单位空间I=[-1,1]n映射到优化问题的解空间。蚂蚁上量子位的每个概率幅对应解空间的一个优化变量。
记蚂蚁q上第j个量子位为[cosθij,sinθij]T,则相应的解空间变量为:
整理上式,得
因此,每个蚂蚁对应优化问题的两个解,其中,量子态|0>的概率幅为量子态|1>的概率幅为其中i=1,2,…m,j=1,2,…n。
(a3)对当前蚂蚁位置进行更新。首先将普通ACO中蚂蚁经过路径的信息素强度的增量转变为量子旋转门旋转角的更新,然后采用量子旋转门更新蚂蚁携带的量子比特,完成蚂蚁的移动,因此,蚂蚁位置的更新转变为蚂蚁上量子位概率幅的更新。
量子旋转门转角的大小和方向:
根据旋转目的是使当前解逼近全局最优解,由两个解中量子位的相位关系可知:
令α0和β0是当前搜索到的全局最优解中某量子位的概率幅,
α1和β1是当前解相应量子位概率幅
记:
转角Δθ的方向可有如下确定:
(a4)转角大小确定。普通ACO中蚂蚁经过路径的信息素强度的增量局部调整和全局调整加入到转角步长函数的设计中,提出如下转角步长函数:
Δθij(t+1)=-sgn(A)(Δθij(t)+c1ΔτLij(t)+c2ΔτGij(t))
其中,c1,c2分别表示信息素强度的局部调整和全局调整系数,Q是信息素强度,Lk表示第k只蚂蚁在本次循环中所走路径的总长度,dij表示第k只蚂蚁经过路径ij的距离。
(a5)蚂蚁位置的变异处理。首先给定变异概率Pm,对每个蚂蚁赋于一个(0,1)之间随机数rand,若rand<Pm,则随机选择该蚂蚁中个量子位,用量子非门交换两个概率幅,其记忆的自身最优位置保持不变。
其中,i∈{1,2,...m},j∈{1,2,...n},
对于第j个量子位,转角大小为
5.如权利要求1所述一种绝缘栅双极型晶体管(IGBT)模块的故障诊断方法,其特征在于,所述故障诊断方法步骤(5)中,采用优化后的最小二乘支持向量机模型对IGBT模块的健康状态进行诊断,具体步骤为:
(5.1)采用优化后的最小二乘支持向量模型预测下一个窗口的LOW、R、UP值。
(5.2)对预测结果进行诊断。根据预测模型给出的结果,采用平均绝对百分比误差和相对误差两个标准对诊断结果进行分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710318198.1A CN107621782A (zh) | 2017-05-08 | 2017-05-08 | 一种栅双极型晶体管(igbt)模块的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710318198.1A CN107621782A (zh) | 2017-05-08 | 2017-05-08 | 一种栅双极型晶体管(igbt)模块的故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107621782A true CN107621782A (zh) | 2018-01-23 |
Family
ID=61087896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710318198.1A Withdrawn CN107621782A (zh) | 2017-05-08 | 2017-05-08 | 一种栅双极型晶体管(igbt)模块的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107621782A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284543A (zh) * | 2018-09-04 | 2019-01-29 | 河北工业大学 | 基于最优尺度高斯过程模型的igbt剩余寿命预测方法 |
CN110221189A (zh) * | 2019-06-05 | 2019-09-10 | 合肥工业大学 | 一种igbt模块键合线在线状态监测的方法 |
CN110377991A (zh) * | 2019-07-09 | 2019-10-25 | 合肥工业大学 | 一种绝缘栅双极型晶体管igbt结温在线预测方法 |
CN110837851A (zh) * | 2019-10-25 | 2020-02-25 | 西安交通大学 | 一种电静液作动器液压泵故障诊断方法 |
CN110852509A (zh) * | 2019-11-11 | 2020-02-28 | 北京昊鹏智能技术有限公司 | Igbt模块的故障预测方法、装置及存储介质 |
CN111797815A (zh) * | 2020-07-22 | 2020-10-20 | 安徽三禾一信息科技有限公司 | 基于深度学习的复杂装备健康评估方法及系统 |
CN111856233A (zh) * | 2020-07-03 | 2020-10-30 | 武汉大学 | 基于键合引线退化的igbt模块可靠性评估方法及装置 |
CN115310338A (zh) * | 2022-10-12 | 2022-11-08 | 深圳市威兆半导体股份有限公司 | 一种igbt故障运行参数的动态模拟方法及系统 |
CN117149138A (zh) * | 2023-10-31 | 2023-12-01 | 中电信量子科技有限公司 | 降低量子随机数偏置的高效后处理方法及系统 |
CN117273286A (zh) * | 2023-11-21 | 2023-12-22 | 南京中鑫智电科技有限公司 | 一种容性设备绝缘状态感知优化调节方法及系统 |
-
2017
- 2017-05-08 CN CN201710318198.1A patent/CN107621782A/zh not_active Withdrawn
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284543B (zh) * | 2018-09-04 | 2023-05-23 | 河北工业大学 | 基于最优尺度高斯过程模型的igbt剩余寿命预测方法 |
CN109284543A (zh) * | 2018-09-04 | 2019-01-29 | 河北工业大学 | 基于最优尺度高斯过程模型的igbt剩余寿命预测方法 |
CN110221189A (zh) * | 2019-06-05 | 2019-09-10 | 合肥工业大学 | 一种igbt模块键合线在线状态监测的方法 |
CN110221189B (zh) * | 2019-06-05 | 2020-07-17 | 合肥工业大学 | 一种igbt模块键合线在线状态监测的方法 |
US11874341B2 (en) | 2019-06-05 | 2024-01-16 | Hefei University Of Technology | Method for monitoring online state of bonding wire of IGBT module |
CN110377991B (zh) * | 2019-07-09 | 2022-09-27 | 合肥工业大学 | 一种绝缘栅双极型晶体管igbt结温在线预测方法 |
CN110377991A (zh) * | 2019-07-09 | 2019-10-25 | 合肥工业大学 | 一种绝缘栅双极型晶体管igbt结温在线预测方法 |
CN110837851A (zh) * | 2019-10-25 | 2020-02-25 | 西安交通大学 | 一种电静液作动器液压泵故障诊断方法 |
CN110852509A (zh) * | 2019-11-11 | 2020-02-28 | 北京昊鹏智能技术有限公司 | Igbt模块的故障预测方法、装置及存储介质 |
CN111856233B (zh) * | 2020-07-03 | 2021-04-27 | 武汉大学 | 基于键合引线退化的igbt模块可靠性评估方法及装置 |
CN111856233A (zh) * | 2020-07-03 | 2020-10-30 | 武汉大学 | 基于键合引线退化的igbt模块可靠性评估方法及装置 |
CN111797815A (zh) * | 2020-07-22 | 2020-10-20 | 安徽三禾一信息科技有限公司 | 基于深度学习的复杂装备健康评估方法及系统 |
CN115310338A (zh) * | 2022-10-12 | 2022-11-08 | 深圳市威兆半导体股份有限公司 | 一种igbt故障运行参数的动态模拟方法及系统 |
CN117149138A (zh) * | 2023-10-31 | 2023-12-01 | 中电信量子科技有限公司 | 降低量子随机数偏置的高效后处理方法及系统 |
CN117149138B (zh) * | 2023-10-31 | 2024-03-08 | 中电信量子科技有限公司 | 降低量子随机数偏置的高效后处理方法及系统 |
CN117273286A (zh) * | 2023-11-21 | 2023-12-22 | 南京中鑫智电科技有限公司 | 一种容性设备绝缘状态感知优化调节方法及系统 |
CN117273286B (zh) * | 2023-11-21 | 2024-02-09 | 南京中鑫智电科技有限公司 | 一种容性设备绝缘状态感知优化调节方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107621782A (zh) | 一种栅双极型晶体管(igbt)模块的故障诊断方法 | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
Liu et al. | Fault diagnosis approach for photovoltaic array based on the stacked auto-encoder and clustering with IV curves | |
CN104978613B (zh) | 一种考虑组件温度的光伏出力短期预测方法 | |
CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
CN104077632B (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
CN105373857A (zh) | 一种光伏电站辐照度预测方法 | |
CN103218675A (zh) | 一种基于聚类和滑动窗口的短期负荷预测方法 | |
CN106022528A (zh) | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 | |
WO2024051524A1 (zh) | 一种水风光发电功率联合预测方法、装置 | |
CN110543860A (zh) | 基于tjm迁移学习的机械故障诊断方法及系统 | |
CN111695736B (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN104408562A (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN110263998B (zh) | 多源数值天气预报集合双层修正方法 | |
CN108875281A (zh) | 一种基于深度学习的混合智能健康状态诊断方法及装置 | |
CN113128113A (zh) | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 | |
Singh | Application of artificial neural networks for predicting generated wind power | |
CN106570594A (zh) | 一种基于tmbp的相似日光伏发电短期预测方法 | |
CN112183877A (zh) | 一种基于迁移学习的光伏电站故障智能诊断方法 | |
CN104834981B (zh) | 短期电站光伏功率的主因隐含型预测方法 | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
CN109102102A (zh) | 基于多变量相空间重构和svr的光伏出力短期预测方法 | |
CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
CN106326677A (zh) | 一种pta装置醋酸消耗的软测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180123 |