CN109101738B - 一种igbt模块老化程度评估方法 - Google Patents
一种igbt模块老化程度评估方法 Download PDFInfo
- Publication number
- CN109101738B CN109101738B CN201810971661.7A CN201810971661A CN109101738B CN 109101738 B CN109101738 B CN 109101738B CN 201810971661 A CN201810971661 A CN 201810971661A CN 109101738 B CN109101738 B CN 109101738B
- Authority
- CN
- China
- Prior art keywords
- igbt module
- learning machine
- extreme learning
- aging
- population
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种IGBT模块老化程度评估方法,包括以下步骤:测量IGBT模块在不同老化程度下的电热特性数据并完成老化程度标定;初始化极限学习机的网络结构;获取极限学习机中的最优输入权值和隐含层阈值,求得极限学习机的最优输出权值;对极限学习机进行训练,得到极限学习机的IGBT模块老化程度评估模型;测定待测IGBT模块的电热特性数据,并将该电热特性数据输入已训练好的IGBT模块老化程度评估模型中,从而得到其老化程度评估结果。本发明采用混合改进鲸鱼优化算法优化的极限学习机优化其输入权值和隐含层阈值,解决了极限学习机的预测精度过度依赖输入权值和隐含层阈值的问题,有效提高了极限学习机的预测回归能力。
Description
技术领域
本发明属于电力电子器件技术领域,尤其是一种IGBT模块老化程度评估方法。
背景技术
绝缘栅双极晶体管(Insulated Gate Bipolar Transistor,IGBT)是电能传输与变换的核心器件,在智能电网、轨道交通与可再生能源分布式发电等领域有广泛的应用。这些应用领域对IGBT的可靠性要求很高,一旦IGBT发生失效,将会造成严重经济损失,甚至引起重大安全事故。因此,保证IGBT模块工作过程中的可靠性,有效评估模块健康状态至关重要。
目前IGBT模块的封装通常为多层结构,IGBT芯片通过铜层、陶瓷层和焊料层固定在底板上。IGBT在高频率的导通和关断状态下会产生大幅的温度变化,而热能经由各层材料向外传导时,各层材料的热膨胀系数不同,因而会产生热机械应力冲击;IGBT模块经受长时期的热应力和机械应力冲击后,会引起模块老化失效,具体包括焊料层老化,键合引线脱落或芯片失效等。结构上的老化也会引起IGBT模块电气参数和热参数的变化,如键合引线的老化脱落会引起导通电压增加,焊料层老化会引起IGBT模块热阻增大等。
目前关于IGBT模块老化程度评估的方法主要包括嵌入式传感器法和基于机理模型提取老化指标的老化评估等。其中,IGBT模块内部嵌入传感器的方法可直接监测相关参数的变化来表征老化程度,但是会提高IGBT的制造成本和工艺难度,不适宜大规模应用,所以常用的方法是基于老化指标的评估方法。而老化程度与老化指标间关系的标定大多使用公式拟合法,拟合公式的局限在于拟合精度有限,而且受到函数形式的限制,而基于智能算法的预测能够有效避免这一弊端。
极限学习机作为一种新型单隐含层前馈型神经网络,相对BP算法等前馈神经网络具有训练速度快、精度高、泛化性能好等优点。但是,极限学习机在实际应用中需要大量的隐含层节点实现较高的预测精度,且预测性能过度依赖于初始权值、阈值的设定。为了解决这一问题,国内外众多学者对其进行了广泛研究。其中一种方法就是通过智能优化算法优化其初始权值和阈值。鲸鱼优化算法是Mirjalili教授2016年提出的新型群体智能算法该算法具有所需调节参数少、全局收敛性强等突出特点,近两年得到了大量应用,然而该算法在寻优性能上仍有很大的提高空间,并且如何将鲸鱼优化算法应用在IGBT模块老化程度评估上是目前迫切需要解决的问题。
发明内容
本发明的目的在于克服现有技术的不足,提出一种IGBT模块老化程度评估方法,解决极限学习机预测性能过度依赖于初始权值、阈值的设定,导致需要大量的隐含层节点的问题,提高极限学习机的预测回归能力。
本发明解决其技术问题是采取以下技术方案实现的:
一种IGBT模块老化程度评估方法,包括以下步骤:
步骤1、选定IGBT模块型号,测量该IGBT模块在不同老化程度下的电热特性数据,并依该电热特性数据完成老化程度标定;
步骤2、将步骤1获取的电热特性数据作为训练数据,初始化极限学习机的网络结构;
步骤3、根据步骤2得到极限学习机的网络结构和训练数据,获取极限学习机中的最优输入权值和隐含层阈值,求得极限学习机的最优输出权值;
步骤4、根据步骤3获取的极限学习机的最优权值和阈值对极限学习机进行赋值,使用训练数据对极限学习机进行训练,得到极限学习机的IGBT模块老化程度评估模型;
步骤5、测定待测IGBT模块的电热特性数据,并将该电热特性数据输入到步骤4已训练好的IGBT模块老化程度评估模型中,从而得到其老化程度评估结果。
进一步,所述步骤1的具体实现方法为:采用壳温波动功率循环加速老化试验模拟IGBT模块的实际工作过程,使IGBT模块发生不同程度的全面老化直至失效;同时测定不同加速老化循环次数下IGBT模块的电热特性数据,并将其作为评估IGBT模块老化程度的标准参数。
进一步,所述电热特性数据包括IGBT模块的集电极电流、结温、饱和压降以及功率循环老化试验的循环次数。
进一步,所述步骤2的具体实现方法为:极限学习机的网络的输入数据为IGBT模块的集电极电流、结温、饱和压降,输出数据为老化循环次数;输入层节点数为3,输出层节点数为1,隐含层神经元个数为180。
进一步,所述步骤3的具体实现方法包括以下步骤:
⑴初始化鲸鱼优化算法参数:种群数量N=35,最大迭代次数Tmax=100,初始迭代次数t=1,种群初始化最大迭代次数Tmap_max=300;
⑵采用基于Tent映射的混沌序列法和准反向学习法结合的混合方法来初始化鲸鱼算法种群,得到最优初始种群;
⑶选取均方根误差作为适应度函数,以适应度值最小为迭代目标,计算每个搜索个体的适应度值,记录最优适应度和对应的位置向量;该适应度值的计算公式如下
其中ypre为预测输出值,yact为实际测量值,n为训练样本个数;
⑷更新参数a,A,C,l,p:l是随机数,在(-1,1)之间;p是随机数,在(0,1)之间;a值随着迭代次数的增加而从2到0收敛,收敛公式为
式中,t为当前迭代次数,tmax为所设定最大迭代次数,amax为初始化最大值,amin为初始化最小值;A,C均为系数,其计算公式如下
A=2at1-a
C=2t2
其中,t1和t2是[0,1]的随机数;
⑸若|A|≥1,则采用如下公式更新下一代种群个体位置;
Xt+1=Xrand-A|CXrand-Xt|
若|A|<1,则采用如下公式更新下一代种群个体位置;
其中,Xrand为随机选取的鲸鱼位置,b是定义螺旋形状的常数,X*(t)为当前迭代次数下的最优个体,k2为常数,λ为服从高斯分布的随机变量,其生成公式为
其中,v为(0,1)的随机数,u为与迭代次数相关的(0,1)的随机变量;
⑹迭代次数t=t+1,判定迭代次数是否达到设定最大值Tmax:当迭代次数达到最大值时,结束算法,输出最优个体位置,得到极限学习机的最优输入权值和隐含层阈值;否则,返回步骤⑴。
进一步,所述步骤⑵的具体实现方法为:
①随机产生行向量x0,该行向量x0在小周期点外,i=k=1,i∈[1,N];N为种群数量,k为种群初始化迭代次数;
②如果i≤N,根据式xk+1=f(xk)=(2xk)mod1.进行映射;否则转入步骤④;
④运行结束,保存序列x;
⑦将原始种群和准反向种群合并为一个大的种群,然后根据适应度函数,找出N个适应度最好的个体,组成最终的初始种群。
本发明的优点和积极效果是:
1、本发明采用混合改进鲸鱼优化算法优化的极限学习机(HIWOA-ELM)优化其输入权值和隐含层阈值,解决了极限学习机的预测精度过度依赖输入权值和隐含层阈值的问题,有效提高了极限学习机的预测回归能力,克服了传统鲸鱼优化算法固有的搜索能力不足的劣势,有效提高了其寻优能力。
2、本发明能够全面表征IGBT模块老化程度,克服了现有IGBT模块老化程度评估方法仅关注单一失效问题(例如,键合引线失效或焊料层失效),使得评估结果更为全面、真实、准确,相对于现有传统鲸鱼优化算法具有更高的预测精度。
附图说明
图1是本发明的处理流程图;
图2是IGBT模块壳温波动功率循环加速老化试验电路原理图;
图3是IGBT模块短时单脉冲实验电路原理图;
图4是不同老化程度下IGBT模块电热参数的关系图;
图5是传统极限学习机(ELM)的预测结果图;
图6是采用本发明的预测结果图;
图7是采用本发明前后相对误差结果对比图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
本发明基于以下设计原理实现:
1、极限学习机
极限学习机(ELM)是一种快速单隐含层前馈神经网络学习算法。该算法只需要设定隐含层中神经元个数以及激活函数类型,ELM即可根据训练前随机产生的输入权重和阈值,计算出输出权重,最终得到最优解。相较于传统的神经网络算法,ELM具有学习速度快,方法性能好等优点。
对于一个单隐含层神经网络,输入层有n个神经元,隐含层有L个神经元,输出层有m个神经元,假设有样本数为Q的训练数据{(xi,yi)},其中输入数据为xi=[xi1,xi2,...,xin]T∈Rn,输出数据为yi=[yi1,yi2,...,yim]T∈Rm,i=1,2,...,L,j=1,2,...,Q。
设定激活函数为g(x),则极限学习机的网络模型可表示为
其中ωi=[ωi1,ωi2,...,ωin]为输入权重,bi为第i个隐含层神经元的偏置,xj=[x1j,x2j,...,xnj]T,βi=[βi1,βi2,...,βim]为输出权重,uj=[u1j,u2j,...,umj]T为网络输出。
公式(1)可简化为矩阵表示为
Hβ=U′ (2)
其中,U=[u1,u2,...,uQ],U′是U的转置,β=[β1,β2,...,βL]T,H称为隐含层输出矩阵,具体形式如下
极限学习机的训练目标是训练误差最小化。当激活函数g(x)无限可微,且神经网络的输入权重和阈值可以随机选择时,ELM的训练就等价于通过求解以下方程的最小二乘解获得输出权重β
方程解为
其中H+是H的Moore-Penrose广义逆。
2、鲸鱼优化算法
鲸鱼优化算法(WOA)是基于座头鲸特有的捕食策略bubble-net而提出的一种新型群体智能优化算法。WOA算法的搜索寻优过程包括三个阶段:觅食包围、气泡捕食和搜寻食物。
(1)觅食包围阶段
座头鲸在觅食时通过群体合作识别猎物的位置,然后包围它们。假设初始最优解为目标位置(或鲸群中距离目标最近的个体),则鲸群中其他个体均向最优解靠近。位置更新过程的数学模型如下
且系数A和C的定义公式如下
A=2at1-a (7)
C=2t2 (8)
其中,t1和t2是[0,1]的随机数,a值随着迭代次数的增加而从2到0线性下降。
(2)气泡捕食阶段
座头鲸的气泡捕食行为同时包含两个过程:螺旋上升和收缩包围。通过这两个过程,能最终实现局部寻优。收缩包围是通过公式(6)~(7)中的a值不断减小实现的。该阶段的数学模型如下
其中,b是定义螺旋形状的常数,l是随机数,在(-1,1)之间。
(3)搜寻食物阶段
鲸鱼搜寻食物行为是通过A值变化实现的。鲸群个体向随机选取的鲸鱼位置靠近,实现全局搜索。数学模型如下
Xi+1=Xrand-A|CXrand-Xi| (10)
其中,Xrand为随机选取的鲸鱼位置。
基于以上设计原理,如图1所示,本发明的IGBT模块老化程度评估方法包括如下步骤:
步骤1、选定IGBT模块型号,测量该IGBT模块在不同老化程度下的电热特性数据,并依该电热特性数据完成老化程度标定。
在本步骤中,采用壳温波动功率循环加速老化试验模拟IGBT模块的实际工作过程,使IGBT模块发生不同程度的全面老化直至失效;与此同时测定不同老化程度下(不同加速老化循环次数下)IGBT模块的电热特性参数,数据集包括IGBT模块集电极电流、结温、饱和压降和功率循环老化试验的循环次数;通过数据分析明确某一老化程度下饱和压降与集电极电流和结温之间有相关性,不同老化程度下的电热特性数据具有明显分层,即不同老化循环次数下的IGBT模块电热特性数据(即集电极电流,结温与饱和压降)可以作为评估IGBT模块老化程度的标准参数。
本步骤具体包括以下内容:
(1)壳温波动功率循环加速老化试验
对IGBT模块通以长时间、周期性的工作电流,利用IGBT模块自身产生的热量对其进行电应力和热应力的循环冲击。试验所用IGBT模块为双管桥模块,型号为MMG75SR120B。实验过程中,仅选用IGBT模块中的上管进行。功率循环每完成1000次,代表一个老化阶段的完成。图2所示为壳温波动功率循环加速老化试验电路原理图。图中,恒流源设定为50A,栅极驱动电压VG1为15V。
试验具体步骤如下所述:
①首先通过软件控制开关S开通,使实验上管IGBT导通,同时通过IGBT模块铜基板底部的温度传感器对模块壳温进行监测,使IGBT模块壳温从40℃开始上升;
②当监测到壳温上升到90℃时,断开开关S,使IGBT模块关断,同时通过风冷系统加速模块散热;
③当监测到壳温下降到40℃后,再回到步骤1,如此完成一个循环;待循环1000次后,完成一个老化阶段。
(2)短时单脉冲驱动IGBT模块导通实验
本试验测量IGBT模块不同结温和集电极电流下的饱和压降。测量试验电路原理图如图3所示。实验中通过短时单脉冲电压使IGBT模块短时导通,因导通时间过短,IGBT模块未几乎产生自热,所以视结温与壳温相等。恒温箱温度取13个值,为-20℃-100℃,间隔10℃。集电极电流取10个值,为50A-70A,间隔5A。
实验具体步骤如下:
①将IGBT模块置于恒温箱中,调节恒温箱温度;
②待IGBT模块达到热平衡之后,调节直流电压源输出电流值;
③然后基于DSP开发板产生持续时间1ms的3V单脉冲电压,驱动IGBT模块导通;通过高速示波器测量IGBT模块的饱和压降和集电极电流;测量完成后返回步骤①。
(3)壳温波动功率循环加速老化试验每完成一个老化阶段(老化循环1000次),就进行单脉冲驱动导通实验;本试验共完成7个老化阶段,即1000~7000次的功率循环,在7000次后IGBT模块很快失效;基于测取的数据进行数据分析,使用Matlab软件绘制不同老化阶段下的电热特性数据,结果如图4所示。从图4可以看出,不同老化程度下的IGBT模块电热特性具有明显分层,即可以通过IGBT模块的结温、集电极电流、饱和压降数据组合表征IGBT模块的老化程度,完成了老化程度标定。
因为在加速老化试验中共完成7个老化阶段,即1000~7000次的功率循环,在7000次后IGBT模块很快失效,所以定义该型号IGBT模块共有7个老化等级,1~7级;分别对应加速老化循环次数0~1000次,1000~2000次,2000~3000次,3000~4000次,4000~5000次,5000~6000次,6000~7000次,而大于7000次时视IGBT模块完全失效。老化等级数越高,IGBT模块的老化程度越高;根据这个老化程度定义,即可由老化循环次数预测值评估IGBT模块的老化程度,并进行相应的维护判定。
若IGBT模块处于1级~2级的老化程度,表明模块处于轻度老化阶段,这一阶段内,IGBT模块处于使用初始阶段,老化程度最低。IGBT模块的可靠性最高,剩余寿命足以保证正常使用。
若IGBT模块处于3级~4级的老化程度,表明模块处于中度老化阶段,这一阶段内,IGBT模块相对轻度老化阶段,故障发生率稍有增加,可靠性稍下降。需要技术人员定期检查维护。
若IGBT模块处于5级~6级的老化程度,表明IGBT模块处于重度老化阶段,这一阶段内,IGBT模块故障率大幅提高。需要增加检查维护的频率,时刻关注IGBT模块状态,以免引发大规模系统故障。
若IGBT模块处于7级的老化程度,表明IGBT模块处于严重老化阶段,这一阶段内,IGBT模块已处于高危阶段,处于失效边缘。建议更换该模块,以免引发器件失效,引发重大损失。
若其老化程度大于上限—7级,则表明IGBT模块以完全失效,模块已经无法再投入使用。
获取的原始数据共455组,随机选取其中70%用于基于HIWOA-ELM的老化程度评估模型的训练数据,30%用于测试数据,检验模型的预测精度。
步骤2、将步骤1获取的电热特性数据作为训练数据,初始化极限学习机的网络结构。
在本步骤中,初始化极限学习机的网络结构时,输入数据为集电极电流、结温和饱和压降值,输出数据为老化循环次数;输入层节点数为3,输出层节点数为1,隐含层神经元个数为180。
步骤3、根据步骤2得到极限学习机的网络结构和训练数据,采用混合改进鲸鱼优化算法获取极限学习机中的最优输入权值和隐含层阈值,再运用Moore-Penrose广义逆方法求得最优输出权值。
在本步骤中,采用混合改进鲸鱼优化算法优化极限学习机的输入权值和隐含层阈值的过程如下:
(1)初始化混合改进鲸鱼优化算法参数:种群数量N=35,最大迭代次数Tmax=100,初始迭代次数t=1;
(2)选用基于Tent映射的混沌序列法和准反向学习法结合的混合方法来初始化鲸鱼算法种群,得到最优初始种群;每个鲸鱼个体的编码由极限学习机的输入权值和隐含层阈值构成,每一维都是(0,1)间的随机数;
基于Tent映射的混沌序列法和准反向学习法结合的混合方法初始化鲸鱼算法种群的原理步骤如下:
①随机产生行向量x0,该行向量x0在小周期点外,i=k=1,i∈[1,N];N为种群数量,k为种群初始化迭代次数;
②如果i≤N,根据式xk+1=f(xk)=(2xk)mod1.进行映射;否则转入步骤④;
④运行结束,保存序列x;
⑦将原始种群和准反向种群合并为一个大的种群,然后根据适应度函数,找出N个适应度最好的个体,组成最终的初始种群。
(3)选取均方根误差作为适应度函数,以适应度值最小为迭代目标,其计算公式如下
其中ypre为预测输出值,yact为实际测量值,n为训练样本个数。计算每个搜索个体的适应度值,记录最优适应度和对应的位置向量;
(4)更新参数a,A,C,l,p:l是随机数,在(-1,1)之间;p是随机数,在(0,1)之间;a值随着迭代次数的增加而从2到0收敛,收敛公式为
式中,t为当前迭代次数,tmax为所设定最大迭代次数,amax为初始化最大值,amin为初始化最小值;
A,C的计算公式如下
A=2at1-a (13)
C=2t2 (14)
其中,t1和t2是[0,1]的随机数;
(5)若|A|≥1,则按照公式(15)更新下一代种群个体位置;若|A|<1,则按照公式(16)更新下一代种群个体位置;其中公式(16)中包含了对最优个体的随机正态扰动,以提高算法的全局搜索能力;公式(15)、(16)如下所示
Xt+1=Xrand-A|CXrand-Xt| (15)
其中,Xrand为随机选取的鲸鱼位置,b是定义螺旋形状的常数,X*(t)为当前迭代次数下的最优个体,k2为常数,可以根据实际应用设定合适的扰动程度,λ为服从高斯分布的随机变量,其生成公式为
其中,v为(0,1)的随机数,u为与迭代次数相关的(0,1)的随机变量;
(6)迭代次数t=t+1,判定迭代次数是否达到设定最大值Tmax:当迭代次数达到最大值时,结束算法,输出最优个体位置,得到极限学习机的最优权值和阈值;否则,返回步骤(1)。
步骤4、根据步骤3获取的极限学习机的最优权值和阈值对极限学习机进行赋值,使用步骤1选定的训练数据对极限学习机进行训练,得到极限学习机的IGBT模块老化程度评估模型。
步骤5、测定待测IGBT模块的电热特性数据,并将该电热特性数据输入到步骤4已训练好的IGBT模块老化程度评估模型中,从而得到其老化程度评估结果。
采用上述步骤得到的老化程度评估结果与传统极限学习机的预测结果进行对比,可以证明本发明提出的混合改进鲸鱼优化算法优化极限学习机算法的有效性。测试结果分析如下:
传统极限学习机(ELM)与混合改进鲸鱼优化算法优化极限学习机(HIWOA-ELM)的老化循环次数预测结果如图5和图6所示。为了更直观的比较两算法预测结果的精度,两算法预测结果相对误差比较如图7所示。对比图5和图6可知,HIWOA-ELM算法的预测结果相对ELM算法的预测结果更接近实际值。从图7中可以精确直观的看出两种算法的预测相对误差值(预测值与实际值间的差值除以实际值)分布情况,HIWOA-ELM算法的相对误差结果明显远小于ELM算法的结果,平均相对误差仅为5%。两算法的均方根误差(RMSE)和决定系数(R2),具体结果如表1所示。分析表1中结果可知,HIWOA-ELM的预测结果的RMSE值明显小于ELM的RMSE值;决定系数越接近1说明拟合效果越好,HIWOA-ELM的决定系数高达0.990。这些都充分说明HIWOA-ELM算法的预测精度优于ELM算法,能够完成老化循环次数的较准确预测,即老化程度的评估。
表1极限学习机改进前后预测精度对比
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (5)
1.一种IGBT模块老化程度评估方法,其特征在于:包括以下步骤:
步骤1、选定IGBT模块型号,测量该IGBT模块在不同老化程度下的电热特性数据,并依该电热特性数据完成老化程度标定;
步骤2、将步骤1获取的电热特性数据作为训练数据,初始化极限学习机的网络结构;
步骤3、根据步骤2得到极限学习机的网络结构和训练数据,获取极限学习机中的最优输入权值和隐含层阈值,求得极限学习机的最优输出权值;
步骤4、根据步骤3获取的极限学习机的最优权值和阈值对极限学习机进行赋值,使用训练数据对极限学习机进行训练,得到极限学习机的IGBT模块老化程度评估模型;
步骤5、测定待测IGBT模块的电热特性数据,并将该电热特性数据输入到步骤4已训练好的IGBT模块老化程度评估模型中,从而得到其老化程度评估结果;
所述步骤3的具体实现方法包括以下步骤:
⑴初始化鲸鱼优化算法参数:种群数量N=35,最大迭代次数Tmax=100,初始迭代次数t=1,种群初始化最大迭代次数Tmap_max=300;
⑵采用基于Tent映射的混沌序列法和准反向学习法结合的混合方法来初始化鲸鱼算法种群,得到最优初始种群;
⑶选取均方根误差作为适应度函数,以适应度值最小为迭代目标,计算每个搜索个体的适应度值,记录最优适应度和对应的位置向量;该适应度值的计算公式如下
其中ypre为预测输出值,yact为实际测量值,n为训练样本个数;
⑷更新参数a,A,C,l,p:l是随机数,在(-1,1)之间;p是随机数,在(0,1)之间;a值随着迭代次数的增加而从2到0收敛,收敛公式为
式中,t为当前迭代次数,tmax为所设定最大迭代次数,amax为初始化最大值,amin为初始化最小值;A,C均为系数,其计算公式如下
A=2at1-a
C=2t2
其中,t1和t2是[0,1]的随机数;
⑸若|A|≥1,则采用如下公式更新下一代种群个体位置;
Xt+1=Xrand-A|CXrand-Xt|
若|A|<1,则采用如下公式更新下一代种群个体位置;
其中,Xrand为随机选取的鲸鱼位置,b是定义螺旋形状的常数,X*(t)为当前迭代次数下的最优个体,k2为常数,λ为服从高斯分布的随机变量,其生成公式为
其中,v为(0,1)的随机数,u为与迭代次数相关的(0,1)的随机变量;
⑹迭代次数t=t+1,判定迭代次数是否达到设定最大值Tmax:当迭代次数达到最大值时,结束算法,输出最优个体位置,得到极限学习机的最优输入权值和隐含层阈值;否则,返回步骤⑴。
2.根据权利要求1所述的一种IGBT模块老化程度评估方法,其特征在于:所述步骤1的具体实现方法为:采用壳温波动功率循环加速老化试验模拟IGBT模块的实际工作过程,使IGBT模块发生不同程度的全面老化直至失效;同时测定不同加速老化循环次数下IGBT模块的电热特性数据,并将其作为评估IGBT模块老化程度的标准参数。
3.根据权利要求2所述的一种IGBT模块老化程度评估方法,其特征在于:所述电热特性数据包括IGBT模块的集电极电流、结温、饱和压降以及功率循环老化试验的循环次数。
4.根据权利要求1所述的一种IGBT模块老化程度评估方法,其特征在于:所述步骤2的具体实现方法为:极限学习机的网络的输入数据为IGBT模块的集电极电流、结温、饱和压降,输出数据为老化循环次数;输入层节点数为3,输出层节点数为1,隐含层神经元个数为180。
5.根据权利要求1所述的一种IGBT模块老化程度评估方法,其特征在于:所述步骤⑵的具体实现方法为:
①随机产生行向量x0,该行向量x0在小周期点外,i=k=1,i∈[1,N];N为种群数量,k为种群初始化迭代次数;
②如果i≤N,根据式xk+1=f(xk)=(2xk)mod1.进行映射;否则转入步骤④;
④运行结束,保存序列x;
⑦将原始种群和准反向种群合并为一个大的种群,然后根据适应度函数,找出N个适应度最好的个体,组成最终的初始种群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810971661.7A CN109101738B (zh) | 2018-08-24 | 2018-08-24 | 一种igbt模块老化程度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810971661.7A CN109101738B (zh) | 2018-08-24 | 2018-08-24 | 一种igbt模块老化程度评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109101738A CN109101738A (zh) | 2018-12-28 |
CN109101738B true CN109101738B (zh) | 2022-11-15 |
Family
ID=64851272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810971661.7A Active CN109101738B (zh) | 2018-08-24 | 2018-08-24 | 一种igbt模块老化程度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109101738B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110161398B (zh) * | 2018-09-04 | 2021-06-25 | 河北工业大学 | 一种利用壳温评估igbt功率模块老化状态的方法 |
CN110322050B (zh) * | 2019-06-04 | 2023-04-07 | 西安邮电大学 | 一种风能资源数据补偿方法 |
CN110349673B (zh) * | 2019-06-27 | 2022-08-05 | 吉林大学 | 一种基于高斯混合分布的群体体质评估方法 |
EP3819735A1 (en) * | 2019-11-07 | 2021-05-12 | ABB Schweiz AG | Prediction of faulty behaviour of a converter based on temperature estimation with machine learning algorithm |
CN111239588B (zh) * | 2020-01-20 | 2023-02-07 | 哈尔滨工业大学 | 一种基于woa和gmkl-svm的模拟电路故障诊断方法 |
CN112526333A (zh) * | 2020-11-05 | 2021-03-19 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电流型老化试验系统和开关器件老化试验方法 |
CN112578312B (zh) * | 2020-12-04 | 2022-03-15 | 燕山大学 | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 |
CN112598036A (zh) * | 2020-12-14 | 2021-04-02 | 湖北工业大学 | 一种网络流量分类方法和系统 |
CN112800674A (zh) * | 2021-01-27 | 2021-05-14 | 重庆大学 | 一种基于极限学习机的电力系统元件可靠性参数计算方法 |
CN113162375B (zh) * | 2021-04-30 | 2022-04-12 | 河北工业大学 | 一种igbt动态过程中开关损耗预测的建模方法 |
CN113270869B (zh) * | 2021-05-31 | 2022-07-29 | 河北工业大学 | 一种含光伏配电网的无功优化方法 |
CN113255138B (zh) * | 2021-05-31 | 2023-05-23 | 河北工业大学 | 一种电力系统负荷分配优化方法 |
CN113449461A (zh) * | 2021-06-08 | 2021-09-28 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 开关器件老化等效方法 |
CN116933608B (zh) * | 2023-09-15 | 2023-12-22 | 深圳市正和兴电子有限公司 | 一种存储类芯片的管理方法、系统及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978459A (zh) * | 2015-07-08 | 2015-10-14 | 电子科技大学 | 一种igbt剩余寿命预测方法 |
CN105354646A (zh) * | 2015-12-04 | 2016-02-24 | 福州大学 | 一种混合粒子群优化与极限学习机的电力负荷预测方法 |
CN106443400A (zh) * | 2016-09-14 | 2017-02-22 | 河北工业大学 | 一种igbt模块的电‑热‑老化结温计算模型建立方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6625191B2 (en) * | 1999-12-10 | 2003-09-23 | Cymer, Inc. | Very narrow band, two chamber, high rep rate gas discharge laser system |
-
2018
- 2018-08-24 CN CN201810971661.7A patent/CN109101738B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978459A (zh) * | 2015-07-08 | 2015-10-14 | 电子科技大学 | 一种igbt剩余寿命预测方法 |
CN105354646A (zh) * | 2015-12-04 | 2016-02-24 | 福州大学 | 一种混合粒子群优化与极限学习机的电力负荷预测方法 |
CN106443400A (zh) * | 2016-09-14 | 2017-02-22 | 河北工业大学 | 一种igbt模块的电‑热‑老化结温计算模型建立方法 |
Non-Patent Citations (2)
Title |
---|
《A physics-based dynamic electro thermal model of silicon carbide power IGBT devices》;Arash Nejadpak Etal;《2013 Twenty-Eighth Annual IEEE Applied Power Electronics Conference and Exposition (APEC)》;20130527;全文 * |
极限学习机优化及其拟合性分析;王杰等;《郑州大学学报(工学版)》;20160310(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109101738A (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101738B (zh) | 一种igbt模块老化程度评估方法 | |
US11874341B2 (en) | Method for monitoring online state of bonding wire of IGBT module | |
CN110161398B (zh) | 一种利用壳温评估igbt功率模块老化状态的方法 | |
Lu et al. | Multidimensional data-driven life prediction method for white LEDs based on BP-NN and improved-adaboost algorithm | |
CN111597759B (zh) | 变流装置igbt剩余使用寿命预测模型的构建方法 | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
CN107153735A (zh) | 电机驱动系统pwm逆变器故障诊断方法 | |
CN108445371B (zh) | 绝缘栅双极型晶体管使用寿命预分拣方法 | |
CN112001127B (zh) | 一种igbt结温预测的方法 | |
CN109284543B (zh) | 基于最优尺度高斯过程模型的igbt剩余寿命预测方法 | |
CN110795894A (zh) | 基于bp神经网络计算igbt模块温度的方法 | |
CN115828699B (zh) | 功率半导体模块全生命周期结温预测方法、系统及终端 | |
Wu et al. | Junction temperature prediction of IGBT power module based on BP neural network | |
Huang et al. | Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine | |
CN111624522A (zh) | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 | |
Yang et al. | Failure Mode Classification of IGBT Modules Under Power Cycling Tests Based on Data-Driven Machine Learning Framework | |
CN114611411A (zh) | 基于isfo-svm模型的igbt结温预测方法 | |
Miao et al. | IGBT junction temperature estimation based on machine learning method | |
CN112287520A (zh) | 基于两步优化法的油纸绝缘扩展德拜模型参数辨识方法 | |
Zheng et al. | Fault diagnosis of photovoltaic inverters using hidden Markov model | |
Xu et al. | Estimation of supercapacitor energy based on particle swarm optimization algorithm for its equivalent circuit model | |
CN114707423A (zh) | 一种igbt剩余寿命预测的方法 | |
Liu et al. | High precision IGBT health evaluation method: Extreme learning machine optimized by improved krill herd algorithm | |
CN115600502A (zh) | 基于gru神经网络的igbt模块寿命预测模型的构建方法 | |
CN111950772A (zh) | 一种基于多信息感知的时间序列在线预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |