CN110377991B - 一种绝缘栅双极型晶体管igbt结温在线预测方法 - Google Patents

一种绝缘栅双极型晶体管igbt结温在线预测方法 Download PDF

Info

Publication number
CN110377991B
CN110377991B CN201910614172.0A CN201910614172A CN110377991B CN 110377991 B CN110377991 B CN 110377991B CN 201910614172 A CN201910614172 A CN 201910614172A CN 110377991 B CN110377991 B CN 110377991B
Authority
CN
China
Prior art keywords
firefly
junction temperature
igbt
support vector
parameter
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
Application number
CN201910614172.0A
Other languages
English (en)
Other versions
CN110377991A (zh
Inventor
何怡刚
马志强
何鎏璐
袁伟博
李志刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201910614172.0A priority Critical patent/CN110377991B/zh
Publication of CN110377991A publication Critical patent/CN110377991A/zh
Application granted granted Critical
Publication of CN110377991B publication Critical patent/CN110377991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (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)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Geometry (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

一种绝缘栅双极型晶体管IGBT结温在线预测方法，包括如下步骤：采集200组IGBT结温和相应结温条件下相关参数的数据，将IGBT结温和相应结温条件下相关参数作为训练样本和测试样本；用萤火虫算法寻找最小二乘支持向量回归机的最优参数组合；建立基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型；对建立的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型，利用测试样本进行测试；测得实际待测IGBT的相应结温条件下相关参数，输入IGBT结温预测模型，IGBT结温预测模型的输出即为需求得的预测结温。本发明信号提取实现简单，结温预测误差较小。

Description

一种绝缘栅双极型晶体管IGBT结温在线预测方法
技术领域
本发明涉及一种基于萤火虫算法优化最小二乘支持向量回归机的绝缘栅双极型晶体管IGBT结温在线预测方法。
背景技术
在各种功率半导体器件中，绝缘双极型晶体管是一种新型功率半导体器件，是第三代半导体器件的典型代表，广泛应用于现代工业领域。IGBT最常见的失效模式是结温过高，结温在线监测与控制是提高IGBT可靠性的重要方法。根据IGBT不同功率等级和使用工况，IGBT具有多种封装形式，本文所述IGBT均指焊接式封装的IGBT模块。
目前结温预测主要包括物理接触式测试法、光学非接触测试法、热阻抗模型预测法、热敏参数法。其中物理接触式测试法和光学非接触测试法不适用于实时监测。热阻抗模型预测法由于使用过程中因老化等原因形成未知的热阻网络，预测结果可信度往往较低。热敏参数法具有响应速度快，信号预测简便等优点，但受测量误差以及单一参数可信度低等负面影响。
支持向量机(SVM)是一种近年来发展迅速的机器学习技术，常用于回归分析和分类，其中应用于回归支持向量机的称为支持向量回归机(SVR)，应用于分类称为支持向量分类机(SVC)，目前SVR较少应用于IGBT结温预测领域。
发明内容
为了克服现有的热敏参数法预测结温受测量误差影响大，信噪比低的不足，本发明提供一种绝缘栅双极型晶体管IGBT结温在线预测方法，提出采集IGBT结温和相应结温条件下相关参数的数据，使用最小二乘支持向量机拟合多个相关参数，并由此输出IGBT结温预测值的方法，有效消除测量误差的影响，提高预测精度。
一种绝缘栅双极型晶体管IGBT结温在线预测方法，步骤如下：
1)、采集200组IGBT结温和相应结温条件下相关参数的数据，将IGBT结温和相应结温条件下相关参数作为训练样本和测试样本。
2)、以最小二乘支持向量回归机在优化过程中的惩罚参数和核函数宽度参数作为萤火虫算法的萤火虫位置信息，用萤火虫算法寻找最小二乘支持向量回归机的最优参数组合。
3)、根据最优参数组合，通过训练样本建立基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型；对建立的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型，利用测试样本进行测试，得到准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型。
4)、测得实际待测IGBT的相应结温条件下相关参数，输入准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型，准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型的输出即为需求得的预测结温。
进一步，所述步骤1)中，相应结温条件下相关参数包括大电流下通态电压VCE(ON)、门极开通延时间tdon、最大阳极电流变化率dmax和功率损耗PIGBT。将结温和相应结温条件下相关参数分为两部分，其中每部分均包含100组结温和相应结温条件下相关参数，将其中一部分作为训练样本，其形式为S＝{(xi,yi)},i＝1,2,…100，其中xi为输入数据，xi为列向量，列向量格式为(VCE(ON)、tdon、dmax、PIGBT)T，yi为训练样本的结温，i为训练样本的编号；另一部分作为测试样本，用于检验模型的预测性能。
所述步骤2)中，以最小二乘支持向量回归机在优化过程中的惩罚参数和核函数宽度参数作为萤火虫算法的萤火虫位置信息，用萤火虫算法寻找最小二乘支持向量回归机的最优参数组合，具体如下：
步骤2.1：给定萤火虫优化算法迭代次数上限。
步骤2.2：初始化，每一个萤火虫对应一个参数组合，参数组合内含惩罚参数γ和核函数的宽度参数σ，使用惩罚参数γ和核函数的宽度参数σ生成萤火虫初始种群坐标位置
Figure BDA0002123346370000031
其中pγ由γ确定，pσ由σ确定，m＝1，2，…，500。依据γ和σ取值范围分别给定pγ和pσ的上界
Figure BDA0002123346370000032
和下界
Figure BDA0002123346370000033
Figure BDA0002123346370000034
步骤2.3：计算萤火虫相对荧光亮度。萤火虫m1和m2的相对荧光亮度为：
Figure BDA0002123346370000035
式中：
Figure BDA0002123346370000036
为萤火虫m1的最大荧光亮度，取值为该萤火虫坐标对应参数组合所预测结温的均方误差的倒数。τ为光强度吸收系数，取为1。
Figure BDA0002123346370000037
为萤火虫m1到m2的空间距离，即
Figure BDA0002123346370000038
萤火虫m1和m2的吸引力为
Figure BDA0002123346370000039
式中，β0为在光源处的吸引力，是萤火虫的最大吸引力。
步骤2.4：为减少每只萤火虫与其他萤火虫比对次数，给定萤火虫初始搜索半径S0；
Figure BDA00021233463700000310
为避免出现搜索半径距离内没有萤火虫，出现部分萤火虫无法移动的情况，在出现该情况时扩大搜索半径，直至搜索到第一只萤火虫。
步骤2.5：根据相对荧光亮度，每只萤火虫向搜索范围内最亮的萤火虫移动，更新萤火虫空间位置，在第t+1次的位置更新中，萤火虫m1向搜索范围内最亮的萤火虫m2移动后的坐标为：
Figure BDA0002123346370000041
Figure BDA0002123346370000042
式中，pγ(t)和pσ(t)表示位置更新前的萤火虫的坐标值，pγ(t+1)和pσ(t+1)表示位置更新后的萤火虫的坐标值，式中，rand是[0,1]上的随机因子。a是步长因子，
Figure BDA0002123346370000043
St是第t次位置更新后的搜索半径。
步骤2.6、计算位置更新后的每个萤火虫的最大荧光亮度，选出最大荧光亮度高的前5％的个体，其数量设为n个，将被选出的n个萤火虫的坐标称为基础解。将被选出的n个萤火虫个体的位置信息按下式映射为0到1之间的混沌参量
Figure BDA0002123346370000044
Figure BDA0002123346370000045
其中，g＝1,2,…,n，是萤火虫标记；f表示参数组合(γ,σ)所对应坐标(pγ,pσ)的维度标记，即γ或σ；
Figure BDA0002123346370000046
表示第g只萤火虫在维度为f时的坐标值，
Figure BDA0002123346370000047
和
Figure BDA0002123346370000048
分别表示维度为f时的坐标最大值和坐标最小值。
步骤2.7：将萤火虫的混沌参量
Figure BDA0002123346370000049
经Tent映射
Figure BDA00021233463700000410
后，产生混沌序列
Figure BDA00021233463700000411
k为混沌搜索迭代次数。Cmax为混沌搜索最大迭代次数。每一个萤火虫的混沌参量经Tent映射后产生一个混沌序列。
步骤2.8：将映射后的混沌序列
Figure BDA00021233463700000412
载波至原解空间的邻域内，产生新解
Figure BDA0002123346370000051
每一个萤火虫的混沌序列载波后产生一个新解；
Figure BDA0002123346370000052
步骤2.9：比较萤火虫的新解与该萤火虫对应的基础解的适应度，若新解的适应度大于基础解的适应度，则使用新解替代基础解；若新解的适应度小于等于基础解的适应度，则基础解不改变。
若用新解替代了基础解，则代表生成了一只新的萤火虫；若基础解不改变，则代表未生成新的萤火虫。
步骤2.10：判断是否达到混沌搜索最大迭代次数；如果已经达到混沌搜索最大迭代次数，则转入步骤2.11，否则，使k增加1后，再返回步骤2.7，在再返回步骤2.7时，若步骤2.9生成了新的萤火虫，生成的新萤火虫也一起返回步骤2.7；
步骤2.11：判断是否达到萤火虫优化算法迭代次数上限，如果达到，则输出最大荧光亮度最高值的萤火虫代表的参数组合，参数组合内含惩罚参数γ和宽度参数σ，最大荧光亮度最高的萤火虫代表的参数组合为最小二乘支持向量回归机的最优参数组合，再转入步骤3；如果没有，则按下列公式收缩搜索区域，收缩后随机产生群体中98％的萤火虫，然后返回步骤2.2；
Figure BDA0002123346370000053
Figure BDA0002123346370000054
其中r＝0.6，
Figure BDA0002123346370000055
表示当t次迭代中最亮的萤火虫的某一维的坐标值。
所述步骤3)中，根据最优参数组合，通过训练样本建立基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型；对建立的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型，利用测试样本进行测试，得到准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型，具体如下：
步骤3.1：依据结构风险最小化理论，优化目标为求取下式最小值：
Figure BDA0002123346370000061
式中，ω为权值向量，ei为误差变量，e∈R100×1为误差向量，γ为惩罚参数，控制误差的惩罚程度。
同时约束函数为：
Figure BDA0002123346370000062
其中ωT表示矩阵ω的转置；b为偏差量；式中，i为训练样本的编号；xi为训练样本的输入数据，yi为训练样本的结温。
Figure BDA0002123346370000063
为xi的高维非线性映射。
步骤3.2：引入Lagrange乘子，将优化约束转化成无约束优化问题：
Figure BDA0002123346370000064
式中λi为Lagrange乘子，λi∈r100×1。依据KKT优化条件得到最优值为：
Figure BDA0002123346370000065
消去ω和e，将二次优化问题转换成求解线性方程组，求解得到：
Figure BDA0002123346370000066
式中，λ＝[λ1,λ2,…λ100]T，Q＝[1,1,…1]T，I为单位矩阵，y＝[y1,y2,…y100]T，Ω∈R100×100，且
Figure BDA0002123346370000067
K(·)为满足Mercer条件的核函数主要用原空间内的核函数高维特征空间中的点积运算，得到回归函数的表达式为：
Figure BDA0002123346370000071
此式中，λi为Lagrange乘子，xi为训练样本的输入数据，b为偏差量；x为回归函数的输入，y*为回归函数的输出。
其中选取的核函数为：
Figure BDA0002123346370000072
基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型的表达式即为求得的回归函数表达式。回归函数表达式的获得即代表基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型的建立。
利用测试样本判断建立的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型的准确度，若准确度达到99％以上，则继续步骤4，否则，又按以下公式收缩搜索区域，收缩后随机产生群体中98％的萤火虫，再次然后返回步骤2.2；
Figure BDA0002123346370000073
Figure BDA0002123346370000074
其中r＝0.6，
Figure BDA0002123346370000075
表示当t次迭代中最亮的萤火虫的某一维的坐标值。
进一步，所述步骤4中，测得实际待测IGBT的相应结温条件下相关参数，输入准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型，准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型的输出即为需求得的预测结温；具体是指：实际待测IGBT的相应结温条件下相关参数输入回归函数的表达式
Figure BDA0002123346370000076
中的x，
Figure BDA0002123346370000077
求得的y*即为需求得的预测结温。
有益效果：
1)适用范围广，利用最小二乘支持向量机在非线性拟合的优势，在样本数据覆盖大电流高电压的情况下，能保持大电流高电压IGBT结温预测不失真样本覆盖范围内机器学习就能反映该函数拟合情况，克服了传统热敏参数法误差较大、大电流高电压工况下失真的缺点。
2)本发明所使用输入参数包括大电流下通态电压VCE(ON)，、门极开通延时间tdon、最大阳极电流变化率(di/dt)max和功率损耗PIGBT具有测量简便的优势，信号提取实现简单，支持在线测量；结温预测误差小，有效避免了因单一参数受非结温因素影响，进而影响结温预测结果的弊端，广泛适用于对结温预测要求精度高的应用场合。
3)多参数采用机器学习技术即支持向量机拟合预测结温，有效降低了单一参数测量带来的误差影响。
附图说明
图1是本发明绝缘栅双极型晶体管IGBT结温在线预测方法的实施流程图。
具体实施方式
以下结合附图和实施例对本发明作进一步详细说明。
参照图1，一种绝缘栅双极型晶体管IGBT结温在线预测方法，步骤如下：
1)、采集200组IGBT结温和相应结温条件下相关参数的数据，将IGBT结温和相应结温条件下相关参数作为训练样本和测试样本。
2)、以最小二乘支持向量回归机在优化过程中的惩罚参数和核函数宽度参数作为萤火虫算法的萤火虫位置信息，用萤火虫算法寻找最小二乘支持向量回归机的最优参数组合。
3)、根据最优参数组合，通过训练样本建立基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型；对建立的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型，利用测试样本进行测试，得到准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型。
4)、测得实际待测IGBT的相应结温条件下相关参数，输入准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型，准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型的输出即为需求得的预测结温。
所述步骤1)中，相应结温条件下相关参数包括大电流下通态电压VCE(ON)、门极开通延时间tdon、最大阳极电流变化率dmax和功率损耗PIGBT。将结温和相应结温条件下相关参数分为两部分，其中每部分均包含100组结温和相应结温条件下相关参数，将其中一部分作为训练样本，其形式为S＝{(xi,yi)},i＝1,2,…100，其中xi为输入数据，xi为列向量，列向量格式为(VCE(ON)、tdon、dmax、PIGBT)T，yi为训练样本的结温，i为训练样本的编号；另一部分作为测试样本，用于检验模型的预测性能。
所述步骤2)中，以最小二乘支持向量回归机在优化过程中的惩罚参数和核函数宽度参数作为萤火虫算法的萤火虫位置信息，用萤火虫算法寻找最小二乘支持向量回归机的最优参数组合，具体如下：
步骤2.1：给定萤火虫优化算法迭代次数上限。
步骤2.2：初始化，每一个萤火虫对应一个参数组合，参数组合内含惩罚参数γ和核函数的宽度参数σ，使用惩罚参数γ和核函数的宽度参数σ生成萤火虫初始种群坐标位置
Figure BDA0002123346370000091
其中pγ由γ确定，pσ由σ确定，m＝1，2，…，500。依据γ和σ取值范围分别给定pγ和pσ的上界
Figure BDA0002123346370000101
和下界
Figure BDA0002123346370000102
Figure BDA0002123346370000103
步骤2.3：计算萤火虫相对荧光亮度。萤火虫m1和m2的相对荧光亮度为：
Figure BDA0002123346370000104
式中：
Figure BDA0002123346370000105
为萤火虫m1的最大荧光亮度，取值为该萤火虫坐标对应参数组合所预测结温的均方误差的倒数。τ为光强度吸收系数，取为1。
Figure BDA0002123346370000106
为萤火虫m1到m2的空间距离，即
Figure BDA0002123346370000107
萤火虫m1和m2的吸引力为
Figure BDA0002123346370000108
式中，β0为在光源处的吸引力，是萤火虫的最大吸引力。
步骤2.4：为减少每只萤火虫与其他萤火虫比对次数，给定萤火虫初始搜索半径S0；
Figure BDA0002123346370000109
为避免出现搜索半径距离内没有萤火虫，出现部分萤火虫无法移动的情况，在出现该情况时扩大搜索半径，直至搜索到第一只萤火虫。
步骤2.5：根据相对荧光亮度，每只萤火虫向搜索范围内最亮的萤火虫移动，更新萤火虫空间位置，在第t+1次的位置更新中，萤火虫m1向搜索范围内最亮的萤火虫m2移动后的坐标为：
Figure BDA00021233463700001010
Figure BDA00021233463700001011
式中，pγ(t)和pσ(t)表示位置更新前的萤火虫的坐标值，pγ(t+1)和pσ(t+1)表示位置更新后的萤火虫的坐标值，式中，rand是[0,1]上的随机因子。a是步长因子，
Figure BDA0002123346370000111
St是第t次位置更新后的搜索半径。
步骤2.6、计算位置更新后的每个萤火虫的最大荧光亮度，选出最大荧光亮度高的前5％的个体，其数量设为n个，将被选出的n个萤火虫的坐标称为基础解。将被选出的n个萤火虫个体的位置信息按下式映射为0到1之间的混沌参量
Figure BDA0002123346370000112
Figure BDA0002123346370000113
其中，g＝1,2,…,n，是萤火虫标记；f表示参数组合(γ,σ)所对应坐标(pγ,pσ)的维度标记，即γ或σ；
Figure BDA0002123346370000114
表示第g只萤火虫在维度为f时的坐标值，
Figure BDA0002123346370000115
和
Figure BDA0002123346370000116
分别表示维度为f时的坐标最大值和坐标最小值。
步骤2.7：将萤火虫的混沌参量
Figure BDA0002123346370000117
经Tent映射
Figure BDA0002123346370000118
后，产生混沌序列
Figure BDA0002123346370000119
k为混沌搜索迭代次数。Cmax为混沌搜索最大迭代次数。每一个萤火虫的混沌参量经Tent映射后产生一个混沌序列。
步骤2.8：将映射后的混沌序列
Figure BDA00021233463700001110
载波至原解空间的邻域内，产生新解
Figure BDA00021233463700001111
每一个萤火虫的混沌序列载波后产生一个新解；
Figure BDA00021233463700001112
步骤2.9：比较萤火虫的新解与该萤火虫对应的基础解的适应度，若新解的适应度大于基础解的适应度，则使用新解替代基础解；若新解的适应度小于等于基础解的适应度，则基础解不改变。
若用新解替代了基础解，则代表生成了一只新的萤火虫；若基础解不改变，则代表未生成新的萤火虫。
步骤2.10：判断是否达到混沌搜索最大迭代次数；如果已经达到混沌搜索最大迭代次数，则转入步骤2.11，否则，使k增加1后，再返回步骤2.7，在再返回步骤2.7时，若步骤2.9生成了新的萤火虫，生成的新萤火虫也一起返回步骤2.7；
步骤2.11：判断是否达到萤火虫优化算法迭代次数上限，如果达到，则输出最大荧光亮度最高值的萤火虫代表的参数组合，参数组合内含惩罚参数γ和宽度参数σ，最大荧光亮度最高的萤火虫代表的参数组合为最小二乘支持向量回归机的最优参数组合，再转入步骤3；如果没有，则按下列公式收缩搜索区域，收缩后随机产生群体中98％的萤火虫，然后返回步骤2.2；
Figure BDA0002123346370000121
Figure BDA0002123346370000122
其中r＝0.6，
Figure BDA0002123346370000123
表示当t次迭代中最亮的萤火虫的某一维的坐标值。
所述步骤3)中，根据最优参数组合，通过训练样本建立基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型；对建立的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型，利用测试样本进行测试，得到准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型，具体如下：
步骤3.1：依据结构风险最小化理论，优化目标为求取下式最小值：
Figure BDA0002123346370000124
式中，ω为权值向量，ei为误差变量，e∈R100×1为误差向量，γ为惩罚参数，控制误差的惩罚程度。
同时约束函数为：
Figure BDA0002123346370000125
其中ωT表示矩阵ω的转置；b为偏差量；式中，i为训练样本的编号；xi为训练样本的输入数据，yi为训练样本的结温。
Figure BDA0002123346370000131
为xi的高维非线性映射。
步骤3.2：引入Lagrange乘子，将优化约束转化成无约束优化问题：
Figure BDA0002123346370000132
式中λi为Lagrange乘子，λi∈r100×1。依据KKT优化条件得到最优值为：
Figure BDA0002123346370000133
消去ω和e，将二次优化问题转换成求解线性方程组，求解得到：
Figure BDA0002123346370000134
式中，λ＝[λ1,λ2,…λ100]T，Q＝[1,1,…1]T，I为单位矩阵，y＝[y1,y2,…y100]T，Ω∈R100×100，且
Figure BDA0002123346370000135
K(·)为满足Mercer条件的核函数主要用原空间内的核函数高维特征空间中的点积运算，得到回归函数的表达式为：
Figure BDA0002123346370000136
此式中，λi为Lagrange乘子，xi为训练样本的输入数据，b为偏差量；x为回归函数的输入，y*为回归函数的输出。
其中选取的核函数为：
Figure BDA0002123346370000137
基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型的表达式即为求得的回归函数表达式。回归函数表达式的获得即代表基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型的建立。
利用测试样本判断建立的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型的准确度，若准确度达到99％以上，则继续步骤4，否则，又按以下公式收缩搜索区域，收缩后随机产生群体中98％的萤火虫，再次然后返回步骤2.2；
Figure BDA0002123346370000141
Figure BDA0002123346370000142
其中r＝0.6，
Figure BDA0002123346370000143
表示当t次迭代中最亮的萤火虫的某一维的坐标值。
本实施例中，所述步骤4中，测得实际待测IGBT的相应结温条件下相关参数，输入准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型，准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型的输出即为需求得的预测结温；具体是指：实际待测IGBT的相应结温条件下相关参数输入回归函数的表达式
Figure BDA0002123346370000144
中的x，
Figure BDA0002123346370000145
求得的y*即为需求得的预测结温。

Claims (4)

1.一种绝缘栅双极型晶体管IGBT结温在线预测方法，其特征在于，包括如下步骤：
1)、采集200组IGBT结温和相应结温条件下相关参数的数据，将IGBT结温和相应结温条件下相关参数作为训练样本和测试样本；
2)、以最小二乘支持向量回归机在优化过程中的惩罚参数和核函数宽度参数作为萤火虫算法的萤火虫位置信息，用萤火虫算法寻找最小二乘支持向量回归机的最优参数组合；
3)、根据最优参数组合，通过训练样本建立基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型；对建立的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型，利用测试样本进行测试，得到准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型；
4)、测得实际待测IGBT的相应结温条件下相关参数，输入准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型，准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型的输出即为需求得的预测结温；
其中，所述步骤2)中，以最小二乘支持向量回归机在优化过程中的惩罚参数和核函数宽度参数作为萤火虫算法的萤火虫位置信息，用萤火虫算法寻找最小二乘支持向量回归机的最优参数组合，具体如下：
步骤2.1：给定萤火虫优化算法迭代次数上限；
步骤2.2：初始化，每一个萤火虫对应一个参数组合，参数组合内含惩罚参数γ和核函数的宽度参数σ，使用惩罚参数γ和核函数的宽度参数σ生成萤火虫初始种群坐标位置
Figure FDA0003806235190000021
其中pγ由γ确定，pσ由σ确定，m＝1，2，...，500；依据γ和σ取值范围分别给定pγ和pσ的上界
Figure FDA0003806235190000022
和下界
Figure FDA0003806235190000023
Figure FDA0003806235190000024
步骤2.3：计算萤火虫相对荧光亮度，萤火虫m1和m2的相对荧光亮度为：
Figure FDA0003806235190000025
式中：
Figure FDA0003806235190000026
为萤火虫m1的最大荧光亮度，取值为该萤火虫坐标对应参数组合所预测结温的均方误差的倒数；τ为光强度吸收系数，取为1；
Figure FDA0003806235190000027
为萤火虫m1到m2的空间距离，即
Figure FDA0003806235190000028
萤火虫m1和m2的吸引力为
Figure FDA0003806235190000029
式中，β0为在光源处的吸引力，是萤火虫的最大吸引力；
步骤2.4：为减少每只萤火虫与其他萤火虫比对次数，给定萤火虫初始搜索半径S0；
Figure FDA00038062351900000210
为避免出现搜索半径距离内没有萤火虫，出现部分萤火虫无法移动的情况，在出现该情况时扩大搜索半径，直至搜索到第一只萤火虫；
步骤2.5：根据相对荧光亮度，每只萤火虫向搜索范围内最亮的萤火虫移动，更新萤火虫空间位置，在第t+1次的位置更新中，萤火虫m1向搜索范围内最亮的萤火虫m2移动后的坐标为：
Figure FDA00038062351900000211
Figure FDA00038062351900000212
式中，pγ(t)和pσ(t)表示位置更新前的萤火虫的坐标值，pγ(t+1)和pσ(t+1)表示位置更新后的萤火虫的坐标值，式中，rand是[0,1]上的随机因子；a是步长因子，
Figure FDA0003806235190000031
St是第t次位置更新后的搜索半径；
步骤2.6、计算位置更新后的每个萤火虫的最大荧光亮度，选出最大荧光亮度高的前5％的个体，其数量设为n个，将被选出的n个萤火虫的坐标称为基础解；将被选出的n个萤火虫个体的位置信息按下式映射为0到1之间的混沌参量
Figure FDA0003806235190000032
Figure FDA0003806235190000033
其中，g＝1,2,…,n，是萤火虫标记；f表示参数组合(γ,σ)所对应坐标(pγ,pσ)的维度标记，即γ或σ；
Figure FDA0003806235190000034
表示第g只萤火虫在维度为f时的坐标值，
Figure FDA0003806235190000035
和
Figure FDA0003806235190000036
分别表示维度为f时的坐标最大值和坐标最小值；
步骤2.7：将萤火虫的混沌参量
Figure FDA0003806235190000037
经Tent映射
Figure FDA0003806235190000038
后，产生混沌序列
Figure FDA0003806235190000039
k为混沌搜索迭代次数；Cmax为混沌搜索最大迭代次数；每一个萤火虫的混沌参量经Tent映射后产生一个混沌序列；
步骤2.8：将映射后的混沌序列
Figure FDA00038062351900000310
载波至原解空间的邻域内，产生新解
Figure FDA00038062351900000311
每一个萤火虫的混沌序列载波后产生一个新解；
Figure FDA00038062351900000312
步骤2.9：比较萤火虫的新解与该萤火虫对应的基础解的适应度，若新解的适应度大于基础解的适应度，则使用新解替代基础解；若新解的适应度小于等于基础解的适应度，则基础解不改变；
若用新解替代了基础解，则代表生成了一只新的萤火虫；若基础解不改变，则代表未生成新的萤火虫；
步骤2.10：判断是否达到混沌搜索最大迭代次数；如果已经达到混沌搜索最大迭代次数，则转入步骤2.11，否则，使k增加1后，再返回步骤2.7，在再返回步骤2.7时，若步骤2.9生成了新的萤火虫，生成的新萤火虫也一起返回步骤2.7；
步骤2.11：判断是否达到萤火虫优化算法迭代次数上限，如果达到，则输出最大荧光亮度最高值的萤火虫代表的参数组合，参数组合内含惩罚参数γ和宽度参数σ，最大荧光亮度最高的萤火虫代表的参数组合为最小二乘支持向量回归机的最优参数组合，再转入步骤3；如果没有，则按下列公式收缩搜索区域，收缩后随机产生群体中98％的萤火虫，然后返回步骤2.2；
Figure FDA0003806235190000041
Figure FDA0003806235190000042
其中r＝0.6，
Figure FDA0003806235190000043
表示当t次迭代中最亮的萤火虫的某一维的坐标值。
2.根据权利要求1所述的绝缘栅双极型晶体管IGBT结温在线预测方法，其特征在于，所述步骤1)中，相应结温条件下相关参数包括大电流下通态电压VCE(ON)、门极开通延时间tdon、最大阳极电流变化率dmax和功率损耗PIGBT；将结温和相应结温条件下相关参数分为两部分，其中每部分均包含100组结温和相应结温条件下相关参数，将其中一部分作为训练样本，其形式为S＝{(xi,yi)},i＝1,2,…100，其中xi为输入数据，xi为列向量，列向量格式为(VCE(ON)、tdon、dmax、PIGBT)T，yi为训练样本的结温，i为训练样本的编号；另一部分作为测试样本，用于检验模型的预测性能。
3.根据权利要求1或2所述的绝缘栅双极型晶体管IGBT结温在线预测方法，其特征在于，所述步骤3)中，根据最优参数组合，通过训练样本建立基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型；对建立的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型，利用测试样本进行测试，得到准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型，具体如下：
步骤3.1：依据结构风险最小化理论，优化目标为求取下式最小值：
Figure FDA0003806235190000051
式中，ω为权值向量，ei为误差变量，e∈R100×1为误差向量，γ为惩罚参数，控制误差的惩罚程度；
同时约束函数为：
Figure FDA0003806235190000052
其中ωT表示矩阵ω的转置；b为偏差量；式中，i为训练样本的编号；xi为训练样本的输入数据，yi为训练样本的结温；
Figure FDA0003806235190000053
为xi的高维非线性映射；
步骤3.2：引入Lagrange乘子，将优化约束转化成无约束优化问题：
Figure FDA0003806235190000054
式中λi为Lagrange乘子，λi∈r100×1；依据KKT优化条件得到最优值为：
Figure FDA0003806235190000055
消去ω和e，将二次优化问题转换成求解线性方程组，求解得到：
Figure FDA0003806235190000061
式中，λ＝[λ1,λ2,…λ100]T，Q＝[1,1,…1]T，I为单位矩阵，y＝[y1,y2,…y100]T，Ω∈R100 ×100，且
Figure FDA0003806235190000062
K(·)为满足Mercer条件的核函数主要用原空间内的核函数高维特征空间中的点积运算，得到回归函数的表达式为：
Figure FDA0003806235190000063
此式中，λi为Lagrange乘子，xi为训练样本的输入数据，b为偏差量；x为回归函数的输入，y*为回归函数的输出；
其中选取的核函数为：
Figure FDA0003806235190000064
基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型的表达式即为求得的回归函数表达式；回归函数表达式的获得即代表基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型的建立；
利用测试样本判断建立的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型的准确度，若准确度达到99％以上，则继续步骤4，否则，又按以下公式收缩搜索区域，收缩后随机产生群体中98％的萤火虫，再次然后返回步骤2.2；
Figure FDA0003806235190000065
Figure FDA0003806235190000066
其中r＝0.6，
Figure FDA0003806235190000067
表示当t次迭代中最亮的萤火虫的某一维的坐标值。
4.根据权利要求3所述的绝缘栅双极型晶体管IGBT结温在线预测方法，其特征在于，所述步骤4中，测得实际待测IGBT的相应结温条件下相关参数，输入准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型，准确度达到99％以上的基于萤火虫算法优化的最小二乘支持向量回归机IGBT结温预测模型的输出即为需求得的预测结温；具体是指：实际待测IGBT的相应结温条件下相关参数输入回归函数的表达式
Figure FDA0003806235190000071
中的x，
Figure FDA0003806235190000072
求得的y*即为需求得的预测结温。
CN201910614172.0A 2019-07-09 2019-07-09 一种绝缘栅双极型晶体管igbt结温在线预测方法 Active CN110377991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910614172.0A CN110377991B (zh) 2019-07-09 2019-07-09 一种绝缘栅双极型晶体管igbt结温在线预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910614172.0A CN110377991B (zh) 2019-07-09 2019-07-09 一种绝缘栅双极型晶体管igbt结温在线预测方法

Publications (2)

Publication Number Publication Date
CN110377991A CN110377991A (zh) 2019-10-25
CN110377991B true CN110377991B (zh) 2022-09-27

Family

ID=68252505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910614172.0A Active CN110377991B (zh) 2019-07-09 2019-07-09 一种绝缘栅双极型晶体管igbt结温在线预测方法

Country Status (1)

Country Link
CN (1) CN110377991B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110807516A (zh) * 2019-10-31 2020-02-18 西安工程大学 一种驱动器用igbt模块的结温预测方法
CN113591395B (zh) * 2021-08-11 2024-01-30 重庆大学 热误差预测模型建模方法及基于霾-边缘-雾-云计算的智能热误差控制系统框架
CN113835008A (zh) * 2021-09-03 2021-12-24 杭州洲钜电子科技有限公司 一种功率器件管芯温度估算方法、装置
CN114002574A (zh) * 2021-10-29 2022-02-01 上海华力微电子有限公司 半导体结构的测试方法
CN115453340B (zh) * 2022-09-14 2023-04-28 浙江伊控动力系统有限公司 基于最小二乘迭代计算的开关损耗拟合方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5485341A (en) * 1992-09-21 1996-01-16 Kabushiki Kaisha Toshiba Power transistor overcurrent protection circuit
CN107085372A (zh) * 2017-05-10 2017-08-22 湖南工业大学 一种基于改进萤火虫算法和最小二乘支持向量机的污水节能处理优化控制方法
CN107578121A (zh) * 2017-08-18 2018-01-12 华北电力大学 基于改进萤火虫算法优化svm的变电工程造价预测方法
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
CN109871591A (zh) * 2019-01-24 2019-06-11 武汉大学 一种igbt功率模块在线估算结温的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9760983B2 (en) * 2015-10-19 2017-09-12 Shanghai United Imaging Healthcare Co., Ltd. System and method for image registration in medical imaging system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5485341A (en) * 1992-09-21 1996-01-16 Kabushiki Kaisha Toshiba Power transistor overcurrent protection circuit
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
CN107085372A (zh) * 2017-05-10 2017-08-22 湖南工业大学 一种基于改进萤火虫算法和最小二乘支持向量机的污水节能处理优化控制方法
CN107578121A (zh) * 2017-08-18 2018-01-12 华北电力大学 基于改进萤火虫算法优化svm的变电工程造价预测方法
CN109871591A (zh) * 2019-01-24 2019-06-11 武汉大学 一种igbt功率模块在线估算结温的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于混沌粒子群支持向量回归的高炉铁水硅含量预测;唐贤伦等;《四川大学学报(工程科学版)》;20090720(第04期);全文 *

Also Published As

Publication number Publication date
CN110377991A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN110377991B (zh) 一种绝缘栅双极型晶体管igbt结温在线预测方法
CN107247989B (zh) 一种实时的计算机视觉处理方法及装置
CN106815643B (zh) 基于随机森林迁移学习的红外光谱模型传递方法
CN110222770B (zh) 一种基于组合关系注意力网络的视觉问答方法
CN108960330B (zh) 基于快速区域卷积神经网络的遥感图像语义生成方法
Wood et al. A behavioral modeling approach to nonlinear model-order reduction for RF/microwave ICs and systems
CN111553114B (zh) 一种基于数据驱动的纺织印染智能配色方法
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
US11132600B2 (en) Method and device for neural architecture search optimized for binary neural network
CN105183720A (zh) 基于rnn模型的机器翻译方法和装置
CN111046979A (zh) 一种基于小样本学习的badcase发现方法及系统
CN106355195A (zh) 用于测量图像清晰度值的系统及其方法
CN111160396A (zh) 一种基于多图结构的图卷积网络的高光谱图像分类方法
Lauzon-Gauthier et al. The Sequential Multi-block PLS algorithm (SMB-PLS): Comparison of performance and interpretability
Schatz et al. Accuracy of climate-based forecasts of pathogen spread
CN116994117A (zh) 目标光谱分析模型的训练方法、装置、设备及存储介质
Wu et al. Learning to rank under multiple annotators
JPWO2006016611A1 (ja) ばらつきシミュレーション・システム
CN114964571A (zh) 基于改进灰狼算法的压力传感器温度补偿方法
Mamlouk et al. On the dimensions of the olfactory perception space
Philipps et al. Smart universal parameter fitting method for modeling static SiC power MOSFET behavior
CN107633259A (zh) 一种基于稀疏字典表示的跨模态学习方法
CN117036781A (zh) 一种基于树综合多样性深度森林的图像分类方法
CN108009150B (zh) 一种基于循环神经网络的输入方法及装置
CN113571126B (zh) 一种基于多损失训练的蛋白质残基接触预测方法

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