CN109284543A - 基于最优尺度高斯过程模型的igbt剩余寿命预测方法 - Google Patents
基于最优尺度高斯过程模型的igbt剩余寿命预测方法 Download PDFInfo
- Publication number
- CN109284543A CN109284543A CN201811024554.XA CN201811024554A CN109284543A CN 109284543 A CN109284543 A CN 109284543A CN 201811024554 A CN201811024554 A CN 201811024554A CN 109284543 A CN109284543 A CN 109284543A
- Authority
- CN
- China
- Prior art keywords
- scale
- function
- data
- igbt
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000008569 process Effects 0.000 title claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 52
- 241001206881 Myrmeleon inconspicuus Species 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 110
- 230000008859 change Effects 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 26
- 241000257303 Hymenoptera Species 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 230000032683 aging Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 5
- 241000282320 Panthera leo Species 0.000 claims description 4
- 238000005295 random walk Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000009182 swimming Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical group [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229910000679 solder Inorganic materials 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于最优尺度高斯过程模型的IGBT剩余寿命预测方法，包括以下步骤：获取不同型号IGBT的集电极‑发射极饱和压降变化百分比数据；选取一个型号的数据作为模型的启动数据，并将启动数据划分为训练样本和测试样本；建立最优尺度高斯过程模型，并将启动数据输入到建立的最优尺度高斯过程模型中，求得测试样本处的预测值；利用蚁狮优化算法寻优找到最优的尺度和尺度函数；利用最优尺度高斯过程模型来预测其他型号IGBT的剩余寿命。本发明利用OSGP模型对IGBT模块的剩余寿命进行预测，并引入了小波分析方法中的尺度和尺度函数，可以较好的刻画数据的非平稳特征，大大降低了局部陷入极值的可能性，提高了收敛精度，预测结果准确可靠。
Description
技术领域
本发明属于电力电子器件技术领域，尤其是一种基于最优尺度高斯过程模型的IGBT剩余寿命预测方法。
背景技术
绝缘栅双极型晶体管(IGBT，Insulated Gate Bipolar Transistor)是由MOSFET和双极型晶体管复合而成的一种半导体器件，其输入极为MOSFET，输出极为晶体管。IGBT既具有MOSFET器件驱动功率小和开关速度快的优点，又具有双极型器件饱和压降低而容量大的优点，在现代电力电子技术中得到越来越广泛的应用，是能源变换与传输的核心器件。因此，监测IGBT的健康状况对于提高设备整体的安全性和可靠性至关重要，如果可以实现对IGBT剩余使用寿命的准确预测，则可以根据预测结果制定计划，及时维护或更换即将到期的IGBT模块，确保设备的安全正常运行，避免设备出现故障及其导致的人员伤亡和财产损失。
目前，IGBT寿命预测大多需要获取结温作为预测模型的输入参数，在获取结温数据后处理数据并使用解析模型，应用线性累积损伤理论计算出IGBT的累积损伤度，进而求出IGBT的剩余使用寿命。然而如果直接测量结温需要红外成像仪等设备，这些设备价格昂贵，测量成本较高，而且由于封装IGBT模块外壳的隔绝，设备无法直接测量PN结的温度，测得的结温存在很大误差。通过其他参量间接计算结温是另一种获得结温的方法，如搭建电热耦合模型就是一种计算结温的方法，但是现有的结温计算方法较多，过程比较复杂，都存在不同程度的误差。这些问题导致基于结温的IGBT模块剩余寿命预测方法不能大范围推广。此外，在实际应用中由于各方面条件的限制，采集数据的样本数量较少，而解析模型需要大量数据样本进行拟合才能完成参数的确定，所以在现实中使用受到限制。由于存在准确获取结温数据比较困难和数据样本数量可能不足等问题，因此，上述方法的可行性较低。
发明内容
本发明的目的在于克服现有技术的不足，提出一种基于最优尺度高斯过程模型的IGBT剩余寿命预测方法，其利用IGBT模块的集电极-发射极饱和压降Vce变化百分比数据，来解决目前不能准确预测IGBT剩余寿命的问题。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于最优尺度高斯过程模型的IGBT剩余寿命预测方法，包括以下步骤：
步骤1、通过对IGBT进行加速老化实验，获取不同型号IGBT的集电极-发射极饱和压降变化百分比数据；
步骤2、从不同型号IGBT的集电极-发射极饱和压降变化百分比数据中任意选取一个型号的数据作为模型的启动数据，并将启动数据划分为训练样本和测试样本；
步骤3、建立最优尺度高斯过程模型，并将启动数据输入到建立的最优尺度高斯过程模型中，求得测试样本处的预测值；
步骤4、利用蚁狮优化算法寻优找到最优的尺度和尺度函数；
步骤5、利用最优尺度高斯过程模型来预测其他型号IGBT的剩余寿命。
进一步，所述步骤2的具体实现方法为：从得到的不同型号IGBT的集电极-发射极饱和压降Vce变化百分比数据中任意选取一个型号的数据作为模型的启动数据；首先假设选取的启动数据中有M组数据，将输入变量记为x1,x2,…xM，对应的输出变量记为y1,y2,…yM，然后将M组启动数据划分为训练样本和测试样本，其中前N组数据组成训练样本，剩余的数据组成测试样本；训练样本的输入记为xN，输出记为yN，测试样本的输入记为xN+1，输出记为yN+1，其中N<M。
进一步，所述步骤3的具体方法包括以下步骤：
步骤3.1、利用尺度函数及其平移构成的一组完备基对高斯过程进行表示，其中为尺度s对应的尺度函数；
步骤3.2、利用尺度函数生成变尺度的协方差函数，对变尺度的协方差函数进行数值计算；
步骤3.3、利用最优尺度高斯过程模型求得测试样本xN+1处的预测值
进一步，所述步骤3.1的具体实现方法为：
首先，在零均值的情况下，高斯模型中的待求回归函数f(x)用H个高斯径向基函数的加权和形式表示：
其中w＝(w1，w2，…，wH)T为H维高斯分布的随机向量，即 为方差，IH为H阶单位阵；
然后，利用小波分析方法中的尺度s和尺度函数对回归函数进行多尺度表示：
上式中不同的尺度s对应的尺度函数为尺度s是标量并且离散取值，k的取值范围有限；最优尺度高斯过程模型所需要的完备基由尺度函数及其平移构成，当输入变量x离散取值时记为xn，则小波分析方法中的尺度s和尺度函数对回归函数进行多尺度表示为
其中服从高斯分布，即 为方差，I(s)为H阶单位阵；
所述步骤3.2的具体实现方法为：
在fs(xn)上的采样fN (s)＝(fs(x1),fs(x1),…fs(xN))T满足式子
上式中R(s)是一个N×Hs阶矩阵，矩阵中的元素根据上式，在不同的尺度s上用不同的多维高斯分布来刻画yN：
上式中为协方差矩阵，并且
其中I为N阶单位阵，协方差矩阵的第n行、第n'列元素由下面的协方差函数给定
上式中当n＝n'时δnn'＝1，否则δnn'＝0；
在对协方差函数进行数值计算时，尺度函数选用Daubechies(db)小波所对应的尺度函数，从2至10阶Daubeehies小波对应的尺度函数中选取一个最优尺度函数作为最优尺度高斯过程模型的尺度函数，尺度函数的采样率为0.002；
所述步骤3.3的具体实现方法为：
设在尺度s情况下OSGP模型在xN+1处的预测值为得到：
将CN+1 (s)矩阵分解为得到：
其中，从上式得到OSGP模型在xN+1处的预测值
进一步，所述步骤4的具体实现方法包括以下步骤：
蚂蚁的随机游走可以表示为：
Q(t)＝[0,cumsum(2r(t1-1),cumsum(2r(t2-1),…,cumsum(2r(tn-1)]
上式中Q(t)为蚂蚁的随机游走步数集，cumsum表示计算累加和，n为蚂蚁的数量，t为当前的迭代次数，r(t)为一个随机函数：
上式中r为0～1之间的随机数；
蚁狮的位置用矩阵U1来表示：
上式中d为变量的维度，ALi,j为第i只蚁狮在第j维上的位置；
蚁狮位置的优劣用适应度函数来评价，对应的矩阵函数用U2表示如下：
当启动数据输入到OSGP模型进行测试以后，将测试结果的均方根误差RMSE作为蚁狮优化算法的适应度函数，RMSE的计算公式为：
上式中，M为启动数据的样本个数，ym为第m个样本的实际值，为第m个样本的预测值；
蚂蚁的位置采用如下公式进行更新公式：
上式中为第i只蚁狮在第t次迭代后的位置，ai为第i只蚂蚁随机游走的最小步长，bi为最大步长，和分别为蚂蚁的目标函数第t次迭代的最小值和最大值；
上式中为第t次迭代后蚁狮的位置；ct和dt分别是第t次迭代的最小值和最大值，其中
上式中p为常数，T为最大迭代次数；
采用蚁狮优化算法将每次迭代后的最优蚁狮个体保存下来，蚂蚁通过轮盘赌的方式对蚁狮进行选择并随机游走，公式如下:
上式中为蚂蚁当前位置，和分别是第t次迭代后的蚂蚁和在最优蚁狮周围随机游走后的蚂蚁，蚁狮吃掉蚂蚁以后的位置更新公式如下：
经过多次寻优以后，蚁狮优化算法中的适应度函数会达到最小值，此时的尺度和尺度函数为最优尺度和尺度函数。
进一步，所述步骤5的具体实现方法为：将其他型号IGBT的Vce变化百分比数据划分为训练样本和测试样本，然后输入到最优尺度高斯过程模型中进行预测，并采用相对误差这个指标来评估模型的预测精度，最后预测出相应IGBT的剩余寿命。
本发明的优点和积极效果是：
1、本发明利用IGBT的集电极-发射极饱和压降Vce变化百分比数据，建立了一种针对IGBT模块剩余寿命的预测方法。相对于传统的直接测量结温方法存在成本昂贵且间接计算结温时用到的数学模型需要大量数据的问题，本发明中用到的Vce变化百分比数据测量方便，获取成本较低。
2、本发明利用最优尺度高斯过程(OSGP)模型对IGBT模块的剩余寿命进行预测，该模型引入了小波分析方法中的尺度和尺度函数，可以较好的刻画数据的非平稳特征，对于不同规模的数据样本都具有良好的适应能力，测试结果表明该模型对IGBT剩余寿命的预测十分精确。
3、本发明的OSGP模型在进行预测时，其尺度的取值和尺度函数的选取会很大程度上影响模型的预测精度，因此，本发明利用蚁狮优化算法来寻找最优的尺度和尺度函数，由于蚁狮优化算法采用随机游走和轮盘赌选择等策略，大大降低了局部陷入极值的可能性，提高了收敛精度。
附图说明
图1是IGBT模块的剩余寿命预测原理示意图；
图2是本发明的预测方法流程示意图；
图3是IGBT-14A的Vce变化百分比数据；
图4是IGBT-16A的Vce变化百分比数据；
图5是训练样本为前600个时IGBT-16A的Vce变化百分比预测值与实际值曲线；
图6是训练样本为前600个时IGBT-16A的相对误差曲线；
图7是训练样本为前900个时IGBT-16A的Vce变化百分比预测值与实际值曲线；
图8是训练样本为前900个时IGBT-16A的相对误差曲线；
图9是训练样本为前1200个时IGBT-16A的Vce变化百分比预测值与实际值曲线；
图10是训练样本为前1200个时IGBT-16A的相对误差曲线；
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。
本发明的设计思想为：
在实际工况条件下，IGBT模块不断进行着功率循环，作为比较脆弱的部位，模块内部距离较近的硅芯粘接处、键合引线以及焊料层由于难以承受不间断的热应力冲击容易发生失效，所以键合引线脱落是IGBT模块的主要失效形式。随着IGBT键合引线脱落，集电极-发射极饱和压降Vce会增大，也就是说随着IGBT模块失效进程的发展，Vce逐渐增大，因此Vce的增大可以作为判定IGBT模块失效的重要指标，一般把Vce增大5％作为IGBT键合引线脱落的失效标准。此外，Vce比较容易被测量得到，并且可以准确的表征IGBT模块的退化状态，所以本发明将Vce的变化百分比数据作为表征IGBT模块失效的主要参数。
IGBT模块的剩余寿命预测示意图如图1所示，IGBT的Vce变化百分比随着循环次数的增加而不断上升，超过失效阈值时对应的循环次数即为IGBT的总寿命，本发明中失效阈值选用5％。当IGBT已经进行了多次的循环以后，使用机器学习回归预测模型对已经循环的Vce样本数据进行训练，训练好的模型可以用来预测IGBT的总寿命，然后总寿命减去已进行循环的次数即为IGBT的剩余寿命。此外，作为一种开关电器，IGBT的Vce变化百分比数据存在非平稳特性，对于这种非平稳时间序列，就需要有一种能够准确刻画其非平稳特性的预测方法，并且要求对于不同规模的数据样本，该预测方法均能做出准确的预测。
基于上述设计思想，本发明利用IGBT的集电极-发射极饱和压降Vce变化百分比数据，建立了一种基于最优尺度高斯过程(OSGP，Optimal Scale Gaussian Process)模型的IGBT剩余寿命预测方法，能够准确的对IGBT的剩余寿命进行预测。具体方法包括以下步骤：
步骤1、通过对IGBT进行加速老化实验，获取不同型号IGBT的集电极-发射极饱和压降Vce变化百分比数据。
选用穿通型IGBT进行加速老化实验，对分立封装的IGBT器件进行有源温度循环测试。在每个热循环中，首先进行主动加热，然后通过风扇进行强制对流冷却，在加速老化过程中，每经过5个热循环记录一次数据，最后得到不同型号IGBT的Vce集电极-发射极饱和压降变化百分比数据。
步骤2、从得到的不同型号IGBT的Vce变化百分比数据中任意选取一个型号的数据作为模型的启动数据，并将启动数据划分为训练样本和测试样本。
从得到的不同型号IGBT的Vce变化百分比数据中任意选取一个型号的数据作为模型的启动数据。假设选取的启动数据中有M组数据，把输入变量记为x1,x2,…xM，对应的输出变量记为y1,y2,…yM。然后把M组启动数据划分为训练样本和测试样本，其中前N(N<M即可)组数据组成训练样本，剩余的数据组成测试样本。训练样本的输入记为xN，输出记为yN；测试样本的输入记为xN+1，输出记为yN+1。
步骤3、建立最优尺度高斯过程(OSGP)模型，将步骤2得到的启动数据输入到建立的OSGP模型当中，然后求得测试样本xN+1处的预测值具体方法如下：
步骤3.1、利用尺度函数及其平移构成的一组完备基对高斯过程进行表示，其中为尺度s对应的尺度函数。具体步骤如下：
高斯过程是任意一点的联合密度函数属于高斯的随机过程，在零均值的情况下，高斯模型中的待求回归函数f(x)用H个高斯径向基函数的加权和形式表示：
其中w＝(w1，w2，…，wH)T为H维高斯分布的随机向量，即 为方差，IH为H阶单位阵。
然后利用小波分析方法中的尺度s和尺度函数对回归函数进行多尺度表示：
上式中不同的尺度s对应的尺度函数为尺度s是标量并且离散取值，k的取值范围有限。OSGP模型所需要的完备基由尺度函数及其平移构成。由于本发明所给的数据是离散的，当输入变量x离散取值时记为xn，则式(2)对应的离散形式为
其中服从高斯分布，即 为方差，I(s)为H阶单位阵。
步骤3.2、利用尺度函数生成变尺度的协方差函数，对变尺度的协方差函数进行数值计算。具体步骤如下：
因为高斯过程的任意有限维概率分布是高斯分布，所以在fs(xn)上的采样fN (s)＝(fs(x1),fs(x1),…fs(xN))T满足式子
上式中R(s)是一个N×Hs阶矩阵，矩阵中的元素根据上式可以在不同的尺度s上用不同的多维高斯分布来刻画yN，即
上式中为协方差矩阵，并且
其中I为N阶单位阵，协方差矩阵的第n行、第n'列元素由下面的协方差函数给定
上式中当n＝n'时δnn'＝1，否则δnn'＝0。
对式(7)中的协方差函数进行数值计算时，尺度函数选用Daubechies(db)小波所对应的尺度函数，因为当阶数不同时这种尺度函数形态差异明显，为生成不同形式的协方差函数提供了更多的选择，可以从2至10阶Daubeehies小波(db2—db10)对应的尺度函数中选取一个最优尺度函数作为OSGP模型的尺度函数。由于本发明所选的尺度函数没有显示表达式，所以需要对其进行离散采样后再作计算，在本发明中设定尺度函数的采样率为0.002；
步骤3.3、利用OSGP模型求得测试样本xN+1处的预测值具体步骤如下：
假设在尺度s情况下OSGP模型在xN+1处的预测值为然后由式(5)可得：
将CN+1 (s)矩阵分解为最终可以得到：
其中由式(9)可以得到OSGP模型在xN+1处的预测值从而实现对测试样本的测试。
步骤4、利用蚁狮优化算法寻优找到最优的尺度和尺度函数。
当利用OSGP模型进行预测时，尺度的取值和尺度函数的选取不同会大大影响预测精度。尺度可以用来控制模型的复杂程度，尺度过大，可能会导致模型的复杂程度过低，不足以表现出训练样本之间的固有规律；尺度过小，可能会使模型的复杂程度过高，导致使用一个过于复杂的模型去适应有限的样本，出现“过学习”的问题。不同的尺度函数具有不同的数学特性，会对OSGP模型表现出不同的学习性能。选择合适的尺度和尺度函数才能使OSGP模型同时具有良好的泛化性能和较小的预测误差，本发明利用蚁狮优化算法来寻找最优的尺度和尺度函数；
蚁狮优化算法是群体智能优化算法的一种，通过模拟蚁狮捕获蚂蚁的行为来进行优化。在大自然中，蚁狮沿着圆形路径在沙子上移动，并用下颚挖出一个诱骗蚂蚁的锥形陷阱，蚂蚁在随机移动时其行为会受到蚁狮陷阱的影响而陷入其中，此时蚁狮会吃掉蚂蚁并重新构造陷阱，等待下一只蚂蚁陷入坑内。蚂蚁的随机游走可以表示为：
Q(t)＝[0,cumsum(2r(t1-1),cumsum(2r(t2-1),…,cumsum(2r(tn-1)] (10)
上式中Q(t)为蚂蚁的随机游走步数集，cumsum表示计算累加和，n为蚂蚁的数量，t为当前的迭代次数，r(t)为一个随机函数：
上式中r为0～1之间的随机数。
蚁狮的位置用矩阵U1来表示：
上式中d为变量的维度，ALi,j为第i只蚁狮在第j维上的位置。
蚁狮位置的优劣可以用适应度函数来评价，对应的矩阵函数用U2表示如下：
当启动数据输入到OSGP模型进行测试以后，将测试结果的均方根误差(RMSE，RootMean Square Error)作为蚁狮优化算法的适应度函数，当适应度函数达到最小值时，此时对应的尺度和尺度函数是最优的，因为RMSE作为预测模型的一个评价指标，其数值越小代表预测结果越精确。RMSE的计算公式为：
上式中，M为启动数据的样本个数，ym为第m个样本的实际值，为第m个样本的预测值。
蚂蚁的位置更新公式如下：
上式中为第i只蚁狮在第t次迭代后的位置，ai为第i只蚂蚁随机游走的最小步长，bi为最大步长，和分别为蚂蚁的目标函数第t次迭代的最小值和最大值。
上式中为第t次迭代后蚁狮的位置；ct和dt分别是第t次迭代目标函数的最小值和最大值，其中
上式中p为常数，T为最大迭代次数。
蚁狮优化算法将每次迭代后的最优蚁狮个体保存下来，蚂蚁通过轮盘赌的方式对蚁狮进行选择并随机游走，公式如下:
上式中为蚂蚁当前位置，和分别是第t次迭代后的蚂蚁和在最优蚁狮周围随机游走后的蚂蚁，蚁狮吃掉蚂蚁以后的位置更新公式如下：
经过多次寻优以后，蚁狮优化算法中的适应度函数会达到最小值，此时的尺度和尺度函数为最优尺度和尺度函数。最后，将通过蚁狮优化算法寻优得到的最优尺度和尺度函数输入到OSGP模型中，这时的OSGP模型可以对其他型号IGBT的Vce变化百分比数据进行训练和测试。
步骤5、利用OSGP模型来预测其他型号IGBT的剩余寿命
本步骤与步骤2里的操作一样，把其他型号IGBT的Vce变化百分比数据划分为训练样本和测试样本，然后输入到OSGP模型当中进行预测，并采用相对误差这个指标来评估模型的预测精度，最后预测出IGBT的剩余寿命。为了更好的评估所建模型的预测效果如何，本发明在对数据进行划分时，选取了不同数量规模的训练样本和测试样本，最后的预测结果用MATLAB在计算机显示屏上显示出来。
本发明所使用的计算机、显示屏和MATLAB计算机软件均是通过商购获得的。
下面结合一个具体实例说明本发明的效果。
本实施例采用PC机作为平台进行预测，其中CPU为i7-47002.40GHz，内存为8GB，操作系统为Windows 7-64位，使用MATLAB R2014a版本。其完整的预测流程如图2所示，即：开始→获取不同型号IGBT的Vce变化百分比数据→选取一组启动数据，把启动数据划分为训练样本和测试样本→利用尺度函数及其平移构成的一组完备基对高斯过程进行表示→对生成的变尺度协方差函数进行数值计算→利用建立的OSGP模型对测试样本进行测试→根据测试结果计算均方根误差RMSE→将RMSE作为蚁狮优化算法的适应度函数→判断适应度函数是否达到最小，达到最小时说明找到了最优的尺度和尺度函数→将最优的尺度和尺度函数输入到OSGP模型中来预测其他型号IGBT的剩余寿命→输出预测结果→结束。具体预测过程为：
首先，获取IGBT的集电极-发射极饱和压降Vce变化百分比数据；
这里选用穿通型IGBT作为寿命预测的实验对象，因为穿通型IGBT的全局载流子寿命较低，导致Vce具有负温度系数，它的热点正反馈效应很容易使电流集中，诱发二次击穿，器件的高温稳定性较差，因此适合做加速老化的试验。在试验中，系统可以对分立封装的IGBT器件进行有源温度循环测试，在每个热循环中，首先进行主动加热，然后通过风扇进行强制对流冷却。这里选取了两种不同型号的IGBT，分别是IGBT-14A和IGBT-16A。其中IGBT-14A的结温循环范围为30～180摄氏度，IGBT-16A的结温循环范围为30～150摄氏度。在加速老化实验中，每经过5个热循环记录一次数据，记录得到的IGBT-14A的Vce变化百分比总共680个样本如图3所示，IGBT-16A的Vce变化百分比有1800个样本如图4所示。两种型号的Vce变化百分比都随着循环次数的增加而呈现出不断上升的趋势，其中IGBT-16A的Vce变化百分比在IGBT失效前后阶段存在明显的跳升，这对寿命预测具有一定的困难。
其次，划分启动数据。
从上面两种型号IGBT的Vce变化百分比数据中，选择IGBT-14A的Vce变化百分比数据作为启动数据，启动数据中共有680个样本，将前400个样本设置为训练样本，剩余的280个样本设置为测试样本。
再次，建立OSGP模型；
在MATLAB软件上编写OSGP模型的程序，然后将步骤(2)里的启动数据输入到OSGP模型当中，其中尺度s的取值范围为[-10,10]，尺度函数可以从2至10阶Daubeehies小波(db2—db10)当中任意选择一个，这里选取尺度s＝2，尺度函数为db2，最后对测试样本进行测试，得到测试结果。
然后，利用蚁狮优化算法寻优找到最优的尺度和尺度函数；
在MATLAB软件上编写蚁狮优化算法的程序，其中种群规模设置为20，迭代次数设置为200次，根据步骤(3)得到的测试结果计算出均方根误差RMSE，将RMSE作为蚁狮优化算法的适应度函数，经过多次寻优以后，适应度函数会达到最小值，此时得到的尺度和尺度函数是最优的。本发明得到的最优尺度s＝4.0641，最优尺度函数为db5，然后把它们输入到OSGP模型中来对其他型号IGBT的剩余寿命进行预测；
最后，利用OSGP模型来预测其他型号IGBT的剩余寿命；
利用步骤(4)中的OSGP模型对IGBT-16A的Vce变化百分比数据进行预测，跟步骤(2)中的操作一样，把数据划分为训练样本和测试样本，然后输入到OSGP模型中，最后预测出IGBT的剩余寿命，并且采用相对误差这个指标来评估模型的预测精度。为了更好的评估所建模型的预测效果如何，本发明在对数据进行划分时，选取了不同数量规模的训练样本和测试样本，最后的预测结果在电脑上显示出来；
分别将IGBT-16A的Vce变化百分比数据前600、900和1200个样本设置为训练样本，剩余的设置为测试样本，利用OSGP模型分别进行预测，并用相对误差来评估模型的预测精度，得到的预测结果如下：
当训练样本为前600个时，IGBT-16A的Vce变化百分比预测值与实际值如图5所示，其相对误差如图6所示；
当训练样本为前900个时，IGBT-16A的Vce变化百分比预测值与实际值如图7所示，其相对误差如图8所示；
当训练样本为前1200个时，IGBT-16A的Vce变化百分比预测值与实际值如图9所示，其相对误差如图10所示。
根据图5至图10可以看出，OSGP模型的预测值比较平稳，且OSGP模型预测结果的相对误差比较低，可以对Vce变化百分比数据进行有效的预测；
OSGP模型预测IGBT的剩余寿命结果对比如表1所示；
表1 OSGP模型预测IGBT的剩余寿命结果对比
从表1中可以看出，当IGBT-16A的训练样本数量分别为前600、900和1200时，基于OSGP模型得到的剩余寿命预测值分别为4140、2640和1140，与剩余寿命真实值的差距均为70，占IGBT-16A总寿命循环次数的0.99％，此外，预测结果的均方根误差RMSE都很小；
由于IGBT-16A的Vce变化百分比数据在IGBT失效前后阶段存在着明显的跳升，对其进行预测尤其是跳升后阶段的预测是不易实现的。本发明的预测结果表明，虽然对于IGBT-16A的Vce变化百分比数据，OSGP模型可以实现有效的预测，但是在跳升后的阶段，预测误差明显上升。具体地说，在Vce变化百分比跳升前的阶段，OSGP模型的预测结果相对误差稳定在10％以内，在Vce变化百分比跳升后的阶段，OSGP模型的预测结果相对误差有所上升，但也维持在20％以内。对于IGBT-16A，随着训练样本数量的增大，预测结果的RMSE也随着增大，这是由于随着训练样本数量的增大，测试样本数量减少，Vce变化百分比跳升后阶段的测试样本所占比例会增大，使得预测结果的RMSE增大，但是这并不影响OSGP模型对IGBT-16A的剩余寿命进行有效的预测。因为随着训练样本数量的增大和预测结果RMSE的增大，OSGP模型对IGBT-16A总寿命的预测值并没有发生波动；
从上述给出的具体实例的结果来看，本发明建立的OSGP模型可以有效刻画非平稳时间序列曲线的特征，能够用来预测IGBT的剩余寿命，对不同规模的训练样本有较好的适应性，且预测精度较高。
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 (6)
1.一种基于最优尺度高斯过程模型的IGBT剩余寿命预测方法，其特征在于包括以下步骤：
步骤1、通过对IGBT进行加速老化实验，获取不同型号IGBT的集电极-发射极饱和压降变化百分比数据；
步骤2、从不同型号IGBT的集电极-发射极饱和压降变化百分比数据中任意选取一个型号的数据作为模型的启动数据，并将启动数据划分为训练样本和测试样本；
步骤3、建立最优尺度高斯过程模型，并将启动数据输入到建立的最优尺度高斯过程模型中，求得测试样本处的预测值；
步骤4、利用蚁狮优化算法寻优找到最优的尺度和尺度函数；
步骤5、利用最优尺度高斯过程模型来预测其他型号IGBT的剩余寿命。
2.根据权利要求1所述的基于最优尺度高斯过程模型的IGBT剩余寿命预测方法，其特征在于：所述步骤2的具体实现方法为：从得到的不同型号IGBT的集电极-发射极饱和压降Vce变化百分比数据中任意选取一个型号的数据作为模型的启动数据；首先假设选取的启动数据中有M组数据，将输入变量记为x1,x2,…xM，对应的输出变量记为y1,y2,…yM，然后将M组启动数据划分为训练样本和测试样本，其中前N组数据组成训练样本，剩余的数据组成测试样本；训练样本的输入记为xN，输出记为yN，测试样本的输入记为xN+1，输出记为yN+1，其中N<M。
3.根据权利要求1所述的基于最优尺度高斯过程模型的IGBT剩余寿命预测方法，其特征在于：所述步骤3的具体方法包括以下步骤：
步骤3.1、利用尺度函数及其平移构成的一组完备基对高斯过程进行表示，其中为尺度s对应的尺度函数；
步骤3.2、利用尺度函数生成变尺度的协方差函数，对变尺度的协方差函数进行数值计算；
步骤3.3、利用最优尺度高斯过程模型求得测试样本xN+1的预测值
4.根据权利要求1所述的基于最优尺度高斯过程模型的IGBT剩余寿命预测方法，其特征在于：所述步骤3.1的具体实现方法为：
首先，在零均值的情况下，高斯模型中的待求回归函数f(x)用H个高斯径向基函数的加权和形式表示：
其中w＝(w1，w2，…，wH)T为H维高斯分布的随机向量，即 为方差，IH为H阶单位阵；
然后，利用小波分析方法中的尺度s和尺度函数对回归函数进行多尺度表示：
上式中不同的尺度s对应的尺度函数为尺度s是标量并且离散取值，k的取值范围有限；最优尺度高斯过程模型所需要的完备基由尺度函数及其平移构成，当输入变量x离散取值时记为xn，则小波分析方法中的尺度s和尺度函数对回归函数进行多尺度表示为
其中服从高斯分布，即 为方差，I(s)为H阶单位阵；
所述步骤3.2的具体实现方法为：
在fs(xn)上的采样fN (s)＝(fs(x1),fs(x1),…fs(xN))T满足式子
上式中R(s)是一个N×Hs阶矩阵，矩阵中的元素根据上式，在不同的尺度s上用不同的多维高斯分布来刻画yN：
上式中为协方差矩阵，并且
其中I为N阶单位阵，协方差矩阵的第n行、第n'列元素由下面的协方差函数给定
上式中当n＝n'时δnn'＝1，否则δnn'＝0；
在对协方差函数进行数值计算时，尺度函数选用Daubechies(db)小波所对应的尺度函数，从2至10阶Daubeehies小波对应的尺度函数中选取一个最优尺度函数作为最优尺度高斯过程模型的尺度函数，尺度函数的采样率为0.002；
所述步骤3.3的具体实现方法为：
设在尺度s情况下最优尺度高斯过程模型在xN+1处的预测值为得到：
将矩阵分解为得到：
其中，从上式得到最优尺度高斯过程模型在xN+1处的预测值
5.根据权利要求1所述的基于最优尺度高斯过程模型的IGBT剩余寿命预测方法，其特征在于：所述步骤4的具体实现方法包括以下步骤：
蚂蚁的随机游走可以表示为：
Q(t)＝[0,cumsum(2r(t1-1),cumsum(2r(t2-1),…,cumsum(2r(tn-1)]
上式中Q(t)为蚂蚁的随机游走步数集，cumsum表示计算累加和，n为蚂蚁的数量，t为
当前的迭代次数，r(t)为一个随机函数：
上式中r为0～1之间的随机数；
蚁狮的位置用矩阵U1来表示：
上式中d为变量的维度，ALi,j为第i只蚁狮在第j维上的位置；
蚁狮位置的优劣用适应度函数来评价，对应的矩阵函数用U2表示如下：
当启动数据输入到最优尺度高斯过程模型进行测试以后，将测试结果的均方根误差RMSE作为蚁狮优化算法的适应度函数，RMSE的计算公式为：
上式中，M为启动数据的样本个数，ym为第m个样本的实际值，为第m个样本的预测值；
蚂蚁的位置采用如下公式进行更新公式：
上式中为第i只蚁狮在第t次迭代后的位置，ai为第i只蚂蚁随机游走的最小步长，bi为最大步长，和分别为蚂蚁的目标函数第t次迭代的最小值和最大值；
上式中为第t次迭代后蚁狮的位置；ct和dt分别是第t次迭代的最小值和最大值，其中
上式中p为常数，T为最大迭代次数；
采用蚁狮优化算法将每次迭代后的最优蚁狮个体保存下来，蚂蚁通过轮盘赌的方式对蚁狮进行选择并随机游走，公式如下:
上式中为蚂蚁当前位置，和分别是第t次迭代后的蚂蚁和在最优蚁狮周围随机游走后的蚂蚁，蚁狮吃掉蚂蚁以后的位置更新公式如下：
经过多次寻优以后，蚁狮优化算法中的适应度函数会达到最小值，此时的尺度和尺度函数为最优尺度和尺度函数。
6.根据权利要求1所述的基于最优尺度高斯过程模型的IGBT剩余寿命预测方法，其特征在于：所述步骤5的具体实现方法为：将其他型号IGBT的Vce变化百分比数据划分为训练样本和测试样本，然后输入到最优尺度高斯过程模型中进行预测，并采用相对误差这个指标来评估模型的预测精度，最后预测出相应IGBT的剩余寿命。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811024554.XA CN109284543B (zh) | 2018-09-04 | 2018-09-04 | 基于最优尺度高斯过程模型的igbt剩余寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811024554.XA CN109284543B (zh) | 2018-09-04 | 2018-09-04 | 基于最优尺度高斯过程模型的igbt剩余寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109284543A true CN109284543A (zh) | 2019-01-29 |
| CN109284543B CN109284543B (zh) | 2023-05-23 |
Family
ID=65183978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811024554.XA Expired - Fee Related CN109284543B (zh) | 2018-09-04 | 2018-09-04 | 基于最优尺度高斯过程模型的igbt剩余寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109284543B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111722076A (zh) * | 2020-07-13 | 2020-09-29 | 中国南方电网有限责任公司超高压输电公司柳州局 | 一种基于数据驱动的igbt器件剩余使用寿命预测方法 |
| CN112487680A (zh) * | 2020-11-27 | 2021-03-12 | 西安空间无线电技术研究所 | 一种用于评价和调控离子阱非谐性势的方法 |
| CN112986784A (zh) * | 2021-04-21 | 2021-06-18 | 国网江西省电力有限公司电力科学研究院 | 一种大功率焊接型igbt模块的异常识别方法及装置 |
| CN113239654A (zh) * | 2021-05-21 | 2021-08-10 | 电子科技大学 | 基于fig和ipso算法的igbt剩余寿命预测方法 |
| CN113589172A (zh) * | 2021-08-12 | 2021-11-02 | 国网江苏省电力有限公司常州供电分公司 | 一种电网元器件的寿命预估方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103389471A (zh) * | 2013-07-25 | 2013-11-13 | 哈尔滨工业大学 | 一种基于gpr带有不确定区间的锂离子电池循环寿命间接预测方法 |
| CN104156791A (zh) * | 2014-08-29 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法 |
| CN105335602A (zh) * | 2014-08-12 | 2016-02-17 | 河北工业大学 | 一种功率igbt模块的寿命预测方法 |
| 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 |
| CN106446317A (zh) * | 2016-06-01 | 2017-02-22 | 河北工业大学 | 一种基于数学模型的密封式继电器贮存寿命预测方法 |
| CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
| CN107274038A (zh) * | 2017-07-31 | 2017-10-20 | 上海电力学院 | 一种基于蚁狮优化的lssvm年用电量预测方法 |
| CN107621782A (zh) * | 2017-05-08 | 2018-01-23 | 安徽理工大学 | 一种栅双极型晶体管(igbt)模块的故障诊断方法 |
-
2018
- 2018-09-04 CN CN201811024554.XA patent/CN109284543B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103389471A (zh) * | 2013-07-25 | 2013-11-13 | 哈尔滨工业大学 | 一种基于gpr带有不确定区间的锂离子电池循环寿命间接预测方法 |
| CN105335602A (zh) * | 2014-08-12 | 2016-02-17 | 河北工业大学 | 一种功率igbt模块的寿命预测方法 |
| CN104156791A (zh) * | 2014-08-29 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法 |
| CN106446317A (zh) * | 2016-06-01 | 2017-02-22 | 河北工业大学 | 一种基于数学模型的密封式继电器贮存寿命预测方法 |
| 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 |
| CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
| CN107621782A (zh) * | 2017-05-08 | 2018-01-23 | 安徽理工大学 | 一种栅双极型晶体管(igbt)模块的故障诊断方法 |
| CN107274038A (zh) * | 2017-07-31 | 2017-10-20 | 上海电力学院 | 一种基于蚁狮优化的lssvm年用电量预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| LINGLING LI等: "Remaining Useful Life Prediction for LithiumIon Batteries Based on Gaussian Processes Mixture", 《PLOS》 * |
| 李志刚等: "IGBT寿命评估中解析预测模型综述", 《微电子学》 * |
| 温鹏等: "锂离子电池寿命预测仿真建模技术", 《计算机仿真》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111722076A (zh) * | 2020-07-13 | 2020-09-29 | 中国南方电网有限责任公司超高压输电公司柳州局 | 一种基于数据驱动的igbt器件剩余使用寿命预测方法 |
| CN112487680A (zh) * | 2020-11-27 | 2021-03-12 | 西安空间无线电技术研究所 | 一种用于评价和调控离子阱非谐性势的方法 |
| CN112487680B (zh) * | 2020-11-27 | 2024-05-03 | 西安空间无线电技术研究所 | 一种用于评价和调控离子阱非谐性势的方法 |
| CN112986784A (zh) * | 2021-04-21 | 2021-06-18 | 国网江西省电力有限公司电力科学研究院 | 一种大功率焊接型igbt模块的异常识别方法及装置 |
| CN113239654A (zh) * | 2021-05-21 | 2021-08-10 | 电子科技大学 | 基于fig和ipso算法的igbt剩余寿命预测方法 |
| CN113239654B (zh) * | 2021-05-21 | 2022-03-25 | 电子科技大学 | 基于fig和ipso算法的igbt剩余寿命预测方法 |
| CN113589172A (zh) * | 2021-08-12 | 2021-11-02 | 国网江苏省电力有限公司常州供电分公司 | 一种电网元器件的寿命预估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109284543B (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109284543A (zh) | 基于最优尺度高斯过程模型的igbt剩余寿命预测方法 | |
| CN109101738B (zh) | 一种igbt模块老化程度评估方法 | |
| CN112084651B (zh) | 计及疲劳损伤的多尺度风电igbt可靠性评估方法及系统 | |
| CN109342914B (zh) | Igbt结温监控方法、装置及计算机设备 | |
| CN109885884B (zh) | Igbt模块疲劳分析处理方法及半导体器件处理方法 | |
| US8533136B1 (en) | Method and system for generating nonlinear simulation model | |
| 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 | |
| JPWO2007091359A1 (ja) | ばらつきシミュレーション・システム、ばらつき決定モデル方法と装置ならびにプログラム | |
| CN113484813B (zh) | 多环境应力下的智能电表故障率预估方法及系统 | |
| US8050895B2 (en) | Variation simulation system | |
| CN112098798A (zh) | 一种基于神经网络的碳化硅mos器件结温在线测量方法 | |
| CN115015723A (zh) | GaN功率器件的状态监测方法、装置、计算机设备和介质 | |
| CN117993340A (zh) | 一种存储芯片的质量评估方法 | |
| CN108226218B (zh) | 一种电子器件的热阻测量方法和系统 | |
| CN110095696B (zh) | 一种电缆载流量调整方法、装置、设备及可读存储介质 | |
| CN110489790B (zh) | 基于改进abc-svr的igbt结温预测方法 | |
| CN115508684A (zh) | 功率器件通态电阻测量电路及结温测量方法、系统 | |
| CN113594264B (zh) | 一种带凹槽结构的肖特基二极管 | |
| CN114141319A (zh) | 一种快速精确表征材料粘弹性参数的方法 | |
| CN108614004B (zh) | 一种冷却曲线的拟合方法和系统 | |
| CN109143014B (zh) | 一种内嵌SiC-GTO器件正向阻断特性监测与诊断方法 | |
| CN118364728B (zh) | 基于机器学习和跨尺度迭代耦合的器件电热应力提取方法 | |
| CN108304630A (zh) | 半导体器件闪烁噪声表征数据筛选方法 | |
| CN116953466B (zh) | 半导体器件环境可靠性测试方法和系统 | |
| Liu et al. | IGBT junction temperature prediction method based on improved artificial bee colony algorithm for optimizing SVR |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20230523 |