CN111190088A - 一种igbt性能退化特征参数的提取方法 - Google Patents

一种igbt性能退化特征参数的提取方法 Download PDF

Info

Publication number
CN111190088A
CN111190088A CN201911389455.6A CN201911389455A CN111190088A CN 111190088 A CN111190088 A CN 111190088A CN 201911389455 A CN201911389455 A CN 201911389455A CN 111190088 A CN111190088 A CN 111190088A
Authority
CN
China
Prior art keywords
igbt
matrix
performance degradation
principal component
kernel
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
Application number
CN201911389455.6A
Other languages
English (en)
Other versions
CN111190088B (zh
Inventor
游海龙
胡金宝
张金力
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201911389455.6A priority Critical patent/CN111190088B/zh
Publication of CN111190088A publication Critical patent/CN111190088A/zh
Application granted granted Critical
Publication of CN111190088B publication Critical patent/CN111190088B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/26—Testing of individual semiconductor devices
    • G01R31/2601—Apparatus or methods therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/26—Testing of individual semiconductor devices
    • G01R31/2642—Testing semiconductor operation lifetime or reliability, e.g. by accelerated life tests

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)

Abstract

本发明提出了一种IGBT性能退化特征参数的提取方法，旨在提高对IGBT退化在线监测的精度，实现步骤为：(1)采集IGBT性能退化的检测数据；(2)计算拖尾电流的拟合系数和栅极漏电流的拟合系数；(3)构建IGBT的特征矩阵；(4)对特征矩阵进行核主成分分析；(5)构建样本集和健康样本集；(6)获取IGBT的性能退化特征参数。通过对漏电流拟合系数、拖尾电流拟合系数和饱和开态电压三种退化特征进行核主成分分析，剔除了冗余信息，同时使用贡献率作为加权马氏距离的权重参考，通过加权马氏距离得到了IGBT性能退化特征参数，提高了IGBT性能退化特征参数的准确性，本发明可应用于对IGBT性能退化进行在线监测。

Description

一种IGBT性能退化特征参数的提取方法
技术领域
本发明属于电力电子器件与装置可靠性技术领域，涉及一种IGBT性能退化特征参数的提取方法，具体涉及一种基于核主成分分析和加权马氏距离的IGBT性能退化特征参数的提取方法，可应用于对IGBT性能退化进行在线监测。
背景技术
绝缘栅双极型晶体管IGBT(insulated gate bipolar transistor)是由双极型三极管和绝缘栅型场效应管组成的复合全控型电压驱动式功率半导体器件。IGBT具有输入阻抗高、快速开关、电流密度大、导通压降低等优点，被广泛应用于逆变器、电机传动控制、汽车、轨道交通等民用领域，而且在航空、航天等军事领域也拥有很好的发展前景。
但是IGBT在面对过高电压和高温等恶劣环境时容易发生失效，如果IGBT突然发生失效，轻则造成电子设备出现故障停机，重则造成严重事故。因此，需要提取表征IGBT性能退化的特征参数并根据性能退化特征参数对IGBT性能退化进行在线监测，实现提前更换维护、降低维护成本和提高系统稳定性。
性能退化特征参数是一种表征系统退化状态的参数，能够衡量系统的健康状态，也称为特征参数或退化因子或性能参数或退化指标或退化参数。目前国内外表征IGBT的性能退化状态多采用单一退化特征建立性能退化特征参数，如饱和开态电压、集电极电流、栅极电压、栅极阈值电压、开通/关断时间、结温、导通电阻、拖尾电流拟合系数。然而由于不同性能退化特征参数包含的IGBT性能退化信息不同，另外性能退化特征参数对IGBT性能退化机制的敏感度不同，因此单一退化特征不能全面的表征IGBT的性能退化过程。有效地建立融合多退化特征的性能退化特征参数能够提高性能退化特征参数对IGBT性能退化过程表征的准确性，进而提高了IGBT性能退化在线监测的精度，具有重要意义。
例如，申请公布号为CN106124957A，名称为“一种绝缘栅双极型晶体管退化的在线监测方法”的专利申请，公开了一种基于结温优化的IGBT退化参数提取方法。该方法首先检测IGBT在正常情况下表征结温水平的不变压降和表征性能退化程度的导通电阻，并计算相同结温下导通电阻变化量与结温变化量的比例系数；其次在线检测IGBT在性能退化情况下的不变压降和导通电阻，结合正常情况下得到的比例系数对导通电阻进行去结温影响的优化。该方法考虑了结温对导通电阻的影响，得到了更能代表IGBT性能退化状态的性能退化特征参数，实现了对IGBT性能退化的在线监测。其存在的不足之处是，首先该方法采用的IGBT性能退化特征参数只有一种，不能全面地包含IGBT性能退化信息，不利于实现高精度的IGBT性能退化的在线监测。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷，提供了一种IGBT性能退化特征参数的提取方法，旨在提高对IGBT性能退化在线监测的精度。
为了实现上述目的，本发明采用的技术方案包括如下步骤：
(1)采集IGBT性能退化的检测数据：
采集IGBT在每一个开通/关断周期的开通状态集电极-发射极的饱和开态电压Vce-oni、关断状态T时间段内集电极的拖尾电流
Figure BDA0002344542940000021
和栅极的漏电流
Figure BDA0002344542940000022
并将m个开通/关断周期内所采集的检测数据组成检测数据矩阵
Figure BDA0002344542940000023
其中i＝1,2…m，m≥2，ti表示第i个开通/关断周期采集数据的时间点；
(2)计算
Figure BDA0002344542940000024
的拟合系数和
Figure BDA0002344542940000025
的拟合系数：
(2a)构建指数模型f1 i(t)＝exp(P1(i)t3+P2(i)t2+P3(i)t+P4(i))和指数模型
Figure BDA0002344542940000026
其中P1(i)、P2(i)、P3(i)和P4(i)分别为f1 i(t)的系数，G1(i)、G2(i)、G3(i)和G4(i)为
Figure BDA0002344542940000027
的系数，exp(·)为以自然常数e为底的指数；
(2b)通过f1 i(t)对
Figure BDA0002344542940000028
进行拟合，得到P1(i)、P2(i)、P3(i)和P4(i)的值，并将P1(i)作为拖尾电流
Figure BDA00023445429400000212
的拟合系数，同时通过
Figure BDA0002344542940000029
对
Figure BDA00023445429400000210
进行拟合，得到G1(i)、G2(i)、G3(i)和G4(i)的值，并将G4(i)作为漏电流
Figure BDA00023445429400000211
的拟合系数，然后对P1(i)和G4(i)进行备份；
(3)构建IGBT的特征矩阵Xm×3：
对检测数据矩阵Sm×3内m个开通/关断周期的饱和开态电压，以及拖尾电流的拟合系数的备份数据和栅极的漏电流的拟合系数的备份数据进行合并，得到IGBT的特征矩阵Xm×3：
Figure BDA0002344542940000031
(4)对特征矩阵Xm×3进行核主成分分析：
采用核主成分分析算法对特征矩阵Xm×3进行核主成分分析，得到核主成分矩阵Zm×p及贡献率矩阵L1×p为：
Zm×p＝[Z1,…,Zj,…,Zp]
L1×p＝[l1,…,lj,…,lp]
其中，
Figure BDA0002344542940000032
为第j个核主成分，lj为第j个核主成分的贡献率，j＝1,2…p，p为核主成分个数；
(5)构建样本集和健康样本集；
构建样本集
Figure BDA0002344542940000033
同时构建健康样本集
Figure BDA0002344542940000034
其中
Figure BDA0002344542940000035
为核主成分矩阵Zm×p的第i行元素构成的样本，
Figure BDA0002344542940000041
为第j个核主成分的前n个元素构成的健康样本，n≥1；
(6)获取IGBT的性能退化特征参数HI：
计算每个核主成分Zj的马氏距离加权系数
Figure BDA0002344542940000042
得到加权矩阵W＝diag(w1,…,wj,…,wp)，并采用加权马氏距离公式，通过W计算
Figure BDA0002344542940000043
与Z*的偏离度DI(i)，并将m个开通/关断周期的偏离度HI＝[DI(1)，…,DI(i),…,DI(m)]作为IGBT的性能退化特征参数，其中diag(w1,…,wj,…,wp)为以w1,…,wj,…,wp为对角元素的对角阵。
本发明与现有技术相比，具有如下优点：
1.本发明采用核主成分分析对三种退化特征进行核主成分分析，剔除了三种退化特征间的冗余信息，再采用核主成分分析得到的贡献率作为加权马氏距离的权重参考，通过加权马氏距离得到了IGBT性能退化特征参数，合理地区分了核主成分之间的重要性区别，提高了IGBT性能退化特征参数准确性，有效提高了IGBT性能退化在线监测的精度。
2.本发明使用指数模型从栅极漏电流和拖尾电流中提取出包含IGBT性能退化信息的漏电流拟合系数和拖尾电流拟合系数，并在漏电流拟合系数、拖尾电流拟合系数和饱和开态电压三种退化特征分别代表IGBT栅极、集电极和集电极-发射极输出的退化信息，相比于单一退化特征，从三种退化特征中提取的性能退化特征参数更全面地包含IGBT性能退化信息，进一步提高了IGBT性能退化在线监测的精度。
附图说明
图1为本发明的实现流程图；
图2为本发明集电极拖尾电流拟合系数P1提取结果图；
图3为本发明栅极漏电流拟合系数G4提取结果图；
图4为本发明开态饱和电压Vce-on提取结果图；
图5为本发明性能退化特征参数HI提取结果图。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步详细描述：
参照图1，本发明包括如下步骤：
步骤1)采集IGBT器件性能退化的检测数据：
保持壳温在(268℃,270℃)的区间，在型号为IRG4BC30K的IGBT的栅极施加方波信号，实现对IGBT寿命的加速，直到IGBT出现闩锁效应时截止。
在对IGBT进行寿命加速期间，采集IGBT在每一个开通/关断周期的开通状态集电极-发射极的饱和开态电压Vce-oni、关断状态T时间段内集电极的拖尾电流
Figure BDA0002344542940000051
和栅极的漏电流
Figure BDA0002344542940000052
并将m个开通/关断周期内所采集的检测数据组成检测数据矩阵
Figure BDA0002344542940000053
其中i＝1,2…m，m≥2，ti表示第i个开通/关断周期采集数据的时间，本实施例m＝710；
步骤2)计算
Figure BDA0002344542940000054
的拟合系数和
Figure BDA0002344542940000055
的拟合系数：
(2a)构建指数模型f1 i(t)＝exp(P1(i)t3+P2(i)t2+P3(i)t+P4(i))和指数模型
Figure BDA0002344542940000056
其中P1(i)、P2(i)、P3(i)和P4(i)分别为f1 i(t)的系数，G1(i)、G2(i)、G3(i)和G4(i)为
Figure BDA00023445429400000513
的系数，exp(·)为以自然常数e为底的指数；
(2b)通过f1 i(t)对
Figure BDA0002344542940000057
进行拟合，得到P1(i)、P2(i)、P3(i)和P4(i)的值，并将P1(i)作为拖尾电流
Figure BDA00023445429400000514
的拟合系数，同时通过
Figure BDA0002344542940000058
对
Figure BDA0002344542940000059
进行拟合，得到G1(i)、G2(i)、G3(i)和G4(i)的值，并将G4(i)作为漏电流
Figure BDA00023445429400000510
的拟合系数，然后对P1(i)和G4(i)进行备份，得到如图2所示的拖尾电流
Figure BDA00023445429400000511
的拟合系数集合
Figure BDA00023445429400000512
从图2中可以看出P1在IGBT性能退化初期平缓退化，在IGBT性能退化后期快速退化，符合IGBT性能退化特点，如图3所示的漏电流
Figure BDA0002344542940000061
的拟合系数集合
Figure BDA0002344542940000062
从图3中可以看出G4在IGBT性能退化整个阶段都为快速退化。
步骤3)构建IGBT的特征矩阵X710×3：
对检测数据矩阵S710×3内710个开通/关断周期的饱和开态电压，以及拖尾电流的拟合系数的备份数据和栅极的漏电流的拟合系数的备份数据进行合并，得到IGBT器件的特征矩阵X710×3：
Figure BDA0002344542940000063
其中饱和开态电压集合
Figure BDA0002344542940000064
如图4所示，从图4中可以看出G4在IGBT性能退化初期没有明显退化趋势，在IGBT性能退化后期快速退化；
步骤4)对特征矩阵X710×3进行核主成分分析：
(4a)为了消除量纲的影响，对特征矩阵X710×3进行标准化，得到标准特征矩阵
Figure BDA0002344542940000065
P1、G4和Vce-on之间存在很多冗余信息，如果直接将性能退化特征参数进行融合会降低性能退化特征参数的准确性，而核主成分分析能够很好的剔除冗余信息并且能够适用于非线性数据，因此采用核主成分分析对特征矩阵X710×3提取核主成分。采用高斯径向基核函数将X* 710×3映射到710维特征空间，得到大小为710×710的核矩阵K，其中
Figure BDA0002344542940000071
为特征矩阵X710×3的第j列元素的平均值；
Figure BDA0002344542940000072
为第j列元素的标准差，i＝1,2,…710，j＝1,2,3；
(4b)计算核矩阵K的特征值λ1,…,λd,…,λ710及其对应的特征向量v1,…,vd,…,v710，并按照降序的方式分别对710个特征值和710个特征向量进行排序，得到特征值λ′1,…,λ′d,…,λ′710和特征向量v′1,…,v′d,…,v′710；
(4c)设提取效率为
Figure BDA0002344542940000073
并计算特征向量v′1,…,v′d,…,v′710的贡献率l1,…,ld,…,l710及累积贡献率B1,…,Bd,…,B710，如表1所示；
表1贡献率及累计贡献率结果
特征向量v′<sub>d</sub> 贡献率l<sub>d</sub>/％ 累计贡献率B<sub>d</sub>/％
1 72.611 72.611
2 13.618 86.229
3 10.738 96.967
4 1.760 98.727
5 0.674 99.401
6 0.230 99.631
7 0.168 99.799
(4d)按照从前到后的顺序逐个对B1,…,Bd,…,B710与
Figure BDA0002344542940000074
进行比较，得到当d＝2时Bd大于或等于
Figure BDA0002344542940000075
时，令p＝2，得到特征向量矩阵V＝[v′1,v′2]及贡献率矩阵L1×p＝[l1,l2]；
(4e)计算核矩阵K在特征向量矩阵V上的投影，得到核主成分矩阵Z710×2＝K·V。
步骤5)构建样本集和健康样本集；
构建样本集
Figure BDA0002344542940000081
同时构建健康样本集
Figure BDA0002344542940000082
其中
Figure BDA0002344542940000083
为核主成分矩阵Zm×p的第i行元素构成的样本，
Figure BDA0002344542940000084
为第j个核主成分的前100个元素构成的健康样本；
(6)获取IGBT的性能退化特征参数HI：
加权马氏距离相对于马氏距离考虑到了变量之间不同的重要性，以重要性为加权系数的参考，是一种有效的距离融合方法。使用贡献率来评价核主成分的重要性，计算每个核主成分Zj的马氏距离加权系数
Figure BDA0002344542940000085
得到加权矩阵
Figure BDA0002344542940000086
并采用加权马氏距离算法，通过W计算
Figure BDA0002344542940000087
与Z*的偏离度
Figure BDA0002344542940000088
并将710个开通/关断周期的偏离度HI＝[DI(1)，…,DI(i),…,DI(710)]作为IGBT的性能退化特征参数，性能退化特征参数的提取结果如图5所示，从图中可以看出HI在IGBT性能退化初期，为缓慢退化状态，在IGBT性能退化后期，为快速退化状态。
计算HI、Vce-on、G4、P1及开通/关断周期T的相关系数矩阵：
Figure BDA0002344542940000089
从相关矩阵中可以看出，HI、Vce-on、G4、P1都与T具有显著的相关性，证明HI、Vce-on、G4、P1都包含了IGBT的健康状态信息，另外HI与Vce-on、G4、P1都具有显著相关性，证明了HI有效保留了Vce-on、G4和P1的退化状态信息，能够有效地代表IGBT的退化状态。
另外，在IGBT器件性能退化初期时，G4处于快速退化状态，P1和Vce-on处于缓慢退化状态，此时HI退化趋势相对平缓，而在IGBT性能退化中后期，Vce-on、G4和P1都处于快速退化状态，HI也处于快速退化状态。由此也可以看出经过一系列的数据处理，本发明提取的性能退化特征参数相对于单一性能退化特征参数，更全面地保留了IGBT的性能退化信息，能够有效地表征IGBT的性能退化过程，提高了IGBT性能退化在线监测的精确度。
综上所述，本发明能有效地提取IGBT器件的性能退化特征参数，提高了对IGBT性能退化在线监测的精确度。

Claims (3)

1.一种基于核主成分分析和加权马氏距离的IGBT性能退化特征参数提取方法，其特征在于，包括如下步骤：
(1)采集IGBT性能退化的检测数据：
采集IGBT在每一个开通/关断周期的开通状态集电极-发射极的饱和开态电压Vce-oni、关断状态T时间段内集电极的拖尾电流
Figure FDA0002344542930000011
和栅极的漏电流
Figure FDA0002344542930000012
并将m个开通/关断周期内所采集的检测数据组成检测数据矩阵
Figure FDA0002344542930000013
其中i＝1,2…m，m≥2，ti表示第i个开通/关断周期采集数据的时间点；
(2)计算
Figure FDA0002344542930000014
的拟合系数和
Figure FDA0002344542930000015
的拟合系数：
(2a)构建指数模型f1 i(t)＝exp(P1(i)t3+P2(i)t2+P3(i)t+P4(i))和指数模型
Figure FDA0002344542930000016
其中P1(i)、P2(i)、P3(i)和P4(i)分别为f1 i(t)的系数，G1(i)、G2(i)、G3(i)和G4(i)为
Figure FDA0002344542930000017
的系数，exp(·)为以自然常数e为底的指数；
(2b)通过f1 i(t)对
Figure FDA0002344542930000018
进行拟合，得到P1(i)、P2(i)、P3(i)和P4(i)的值，并将P1(i)作为拖尾电流
Figure FDA0002344542930000019
的拟合系数，同时通过
Figure FDA00023445429300000110
对
Figure FDA00023445429300000111
进行拟合，得到G1(i)、G2(i)、G3(i)和G4(i)的值，并将G4(i)作为漏电流
Figure FDA00023445429300000112
的拟合系数，然后对P1(i)和G4(i)进行备份；
(3)构建IGBT的特征矩阵Xm×3：
对检测数据矩阵Sm×3内m个开通/关断周期的饱和开态电压，以及拖尾电流的拟合系数的备份数据和栅极的漏电流的拟合系数的备份数据进行合并，得到IGBT的特征矩阵Xm×3：
Figure FDA0002344542930000021
(4)对特征矩阵Xm×3进行核主成分分析：
采用核主成分分析算法对特征矩阵Xm×3进行核主成分分析，得到核主成分矩阵Zm×p及贡献率矩阵L1×p为：
Zm×p＝[Z1,…,Zj,…,Zp]
L1×p＝[l1,…,lj,…,lp]
其中，
Figure FDA0002344542930000022
为第j个核主成分，lj为第j个核主成分的贡献率，j＝1,2…p，p为核主成分个数；
(5)构建样本集和健康样本集；
构建样本集
Figure FDA0002344542930000023
同时构建健康样本集
Figure FDA0002344542930000024
其中
Figure FDA0002344542930000025
为核主成分矩阵Zm×p的第i行元素构成的样本，
Figure FDA0002344542930000026
为第j个核主成分的前n个元素构成的健康样本，n≥1；
(6)获取IGBT的性能退化特征参数HI：
计算每个核主成分Zj的马氏距离加权系数
Figure FDA0002344542930000031
得到加权矩阵W＝diag(w1,…,wj,…,wp)，并采用加权马氏距离公式，通过W计算
Figure FDA0002344542930000032
与Z*的偏离度DI(i)，并将m个开通/关断周期的偏离度HI＝[DI(1)，…,DI(i),…,DI(m)]作为IGBT的性能退化特征参数，其中diag(w1,…,wj,…,wp)为以w1,…,wj,…,wp为对角元素的对角阵。
2.根据权利要求1所述的基于核主成分分析和加权马氏距离的IGBT性能退化特征参数提取方法，其特征在于，步骤(4)中所述的采用核主成分分析算法对特征矩阵Xm×3进行核主成分分析，实现步骤为：
(4a)对特征矩阵Xm×3进行标准化，得到标准特征矩阵X* m×3＝(x* ij)m×3，并采用核函数将X* m×3映射到m维特征空间，得到大小为m×m的核矩阵K；
(4b)计算核矩阵K的特征值λ1,…,λd,…,λm及其对应的特征向量v1,…,vd,…,vm，并按照降序的方式分别对m个特征值和m个特征向量进行排序，得到特征值λ′1,…,λ′d,…,λ′m和特征向量v′1,…,v′d,…,v′m；
(4c)设提取效率为
Figure FDA0002344542930000033
并计算特征向量v′1,…,v′d,…,v′m的贡献率l1,…,ld,…,lm及累积贡献率B1,…,Bd,…,Bm；
(4d)按照从前到后的顺序逐个对B1,…,Bd,…,Bm与
Figure FDA0002344542930000034
进行比较，当Bd大于或等于
Figure FDA0002344542930000035
时，令p＝d，得到特征向量矩阵V＝[v′1,…,v′j,…,v′p]及贡献率矩阵L1×p＝[l1,…,lj,…,lp]；
(4e)计算核矩阵K在特征向量矩阵V上的投影，得到核主成分矩阵Zm×p＝K·V。
3.根据权利要求1所述的基于核主成分分析和加权马氏距离的IGBT性能退化特征参数提取方法，其特征在于，步骤(6)中所述的计算
Figure FDA0002344542930000041
与Z*的偏离度DI(i)，所采用的加权马氏距离公式为：
Figure FDA0002344542930000042
其中∑-1为健康样本集Z*的协方差矩阵∑的逆矩阵，
Figure FDA0002344542930000043
为健康样本集Z*的重心，
Figure FDA0002344542930000044
CN201911389455.6A 2019-12-30 2019-12-30 一种igbt性能退化特征参数的提取方法 Active CN111190088B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911389455.6A CN111190088B (zh) 2019-12-30 2019-12-30 一种igbt性能退化特征参数的提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911389455.6A CN111190088B (zh) 2019-12-30 2019-12-30 一种igbt性能退化特征参数的提取方法

Publications (2)

Publication Number Publication Date
CN111190088A true CN111190088A (zh) 2020-05-22
CN111190088B CN111190088B (zh) 2021-05-14

Family

ID=70705931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911389455.6A Active CN111190088B (zh) 2019-12-30 2019-12-30 一种igbt性能退化特征参数的提取方法

Country Status (1)

Country Link
CN (1) CN111190088B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327200A (zh) * 2020-10-22 2021-02-05 中国航空工业集团公司上海航空测控技术研究所 Dc-ac逆变器电路的健康表征及健康基线构建方法
CN112485632A (zh) * 2020-12-09 2021-03-12 电子科技大学 一种基于伏安关系变化的igbt健康评估系统及方法
CN112485629A (zh) * 2020-11-26 2021-03-12 电子科技大学 一种基于谐波分析的igbt变换器健康评估方法
CN112485630A (zh) * 2020-11-26 2021-03-12 电子科技大学 一种基于参量变换的igbt健康状态监测方法
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
CN113609449A (zh) * 2021-08-17 2021-11-05 北京计算机技术及应用研究所 惯性测量装置加速试验数据有效性评估方法
CN114740327A (zh) * 2022-06-10 2022-07-12 江苏东海半导体股份有限公司 Igbt模块状态监测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102967814A (zh) * 2012-10-19 2013-03-13 西安电子科技大学 晶体管晶格形变导致性能退化的测试装置及方法
CN105300692A (zh) * 2015-08-07 2016-02-03 浙江工业大学 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法
CN105486992A (zh) * 2015-11-05 2016-04-13 南车株洲电力机车研究所有限公司 一种绝缘栅双极型晶体管的在线健康管理装置和方法
KR101937598B1 (ko) * 2017-12-15 2019-01-10 현대오트론 주식회사 Igbt 동작 상태 판단 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102967814A (zh) * 2012-10-19 2013-03-13 西安电子科技大学 晶体管晶格形变导致性能退化的测试装置及方法
CN105300692A (zh) * 2015-08-07 2016-02-03 浙江工业大学 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法
CN105486992A (zh) * 2015-11-05 2016-04-13 南车株洲电力机车研究所有限公司 一种绝缘栅双极型晶体管的在线健康管理装置和方法
KR101937598B1 (ko) * 2017-12-15 2019-01-10 현대오트론 주식회사 Igbt 동작 상태 판단 장치 및 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZIHENG LI ET AL.: "Composite fault detection and diagnosis for IGBT and current sensor in CRH2 through modified EEMD and KPCA methods", 《PROCEEDINGS OF THE 38TH CHINESE CONTROL CONFERENCE》 *
黄玲等: "现代电子元器件质量管理中的评价技术：工序能力指数分析", 《电子质量》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327200A (zh) * 2020-10-22 2021-02-05 中国航空工业集团公司上海航空测控技术研究所 Dc-ac逆变器电路的健康表征及健康基线构建方法
CN112327200B (zh) * 2020-10-22 2022-08-30 中国航空工业集团公司上海航空测控技术研究所 Dc-ac逆变器电路的健康表征及健康基线构建方法
CN112485629A (zh) * 2020-11-26 2021-03-12 电子科技大学 一种基于谐波分析的igbt变换器健康评估方法
CN112485630A (zh) * 2020-11-26 2021-03-12 电子科技大学 一种基于参量变换的igbt健康状态监测方法
CN112485632A (zh) * 2020-12-09 2021-03-12 电子科技大学 一种基于伏安关系变化的igbt健康评估系统及方法
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
CN113609449A (zh) * 2021-08-17 2021-11-05 北京计算机技术及应用研究所 惯性测量装置加速试验数据有效性评估方法
CN113609449B (zh) * 2021-08-17 2024-05-31 北京计算机技术及应用研究所 惯性测量装置加速试验数据有效性评估方法
CN114740327A (zh) * 2022-06-10 2022-07-12 江苏东海半导体股份有限公司 Igbt模块状态监测方法及装置

Also Published As

Publication number Publication date
CN111190088B (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN111190088B (zh) 一种igbt性能退化特征参数的提取方法
US11409933B2 (en) Method for diagnosing analog circuit fault based on cross wavelet features
CN103558529B (zh) 一种三相共筒式超高压gis局部放电的模式识别方法
WO2017128455A1 (zh) 一种基于广义多核支持向量机的模拟电路故障诊断方法
CN111965547B (zh) 一种基于参数辨识法的电池系统传感器故障诊断方法
CN103149514B (zh) 一种gis内多绝缘缺陷模式识别方法
CN113962314A (zh) 一种基于联邦学习的非侵入式企业负荷分解方法
CN104793124A (zh) 基于小波变换和ica特征提取的开关电路故障诊断方法
CN112381351B (zh) 一种基于奇异谱分析的用电行为变化检测方法及系统
CN109524972B (zh) 基于gso和svm算法的低频振荡参数估计方法
CN112800976A (zh) 基于高压断路器振动信号的故障诊断方法
Du et al. Battery remaining useful life prediction under coupling stress based on support vector regression
CN115980560A (zh) 一种基于cnn-gru的高压断路器机械故障诊断系统、方法、设备
CN103913698A (zh) 基于小波分形及核主元特征的开关电流电路故障诊断方法
CN112054557B (zh) 一种基于随机矩阵理论的配电网络拓扑变化类型识别方法
CN109557434A (zh) 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法
CN109782158A (zh) 一种基于多级分类的模拟电路诊断方法
CN113514743A (zh) 一种基于多维特征的gis局部放电模式识别系统构建方法
Li et al. An improved battery on-line parameter identification and state-of-charge determining method
CN117491813A (zh) 新能源汽车动力电池系统绝缘异常检测方法
CN117031294A (zh) 一种电池多故障检测方法、装置及存储介质
CN116702060A (zh) 一种多电平逆变器功率器件故障诊断方法
CN113987900A (zh) 一种基于扩展卡尔曼粒子滤波的igbt寿命预测方法
CN111382790B (zh) 一种基于小波变换的高压直流故障分类方法
CN112285541B (zh) 一种电流频率转换电路的故障诊断方法

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