CN111597759A

CN111597759A - 变流装置igbt剩余使用寿命预测模型的构建方法

Info

Publication number: CN111597759A
Application number: CN202010416926.4A
Authority: CN
Inventors: 王昭; 李骁猛; 刘谆; 侯涛; 吴晓威
Original assignee: CRRC Yongji Electric Co Ltd
Current assignee: CRRC Yongji Electric Co Ltd
Priority date: 2020-05-18
Filing date: 2020-05-18
Publication date: 2020-08-28
Anticipated expiration: 2040-05-18
Also published as: CN111597759B

Abstract

本发明涉及变流装置IGBT剩余使用寿命预测模型的构建方法，具体为基于长短时记忆网络的轨道交通变流装置IGBT剩余使用寿命预测模型的构建方法。解决使用LSTM构建变流装置IGBT的剩余使用寿命预测模型的难点问题。该方法是由如下步骤实现的：步骤1、采集IGBT加速老化数据；步骤2、数据归一化处理；步骤3、构建并训练长短期记忆网络；步骤4、预测模型的验证。本发明通过确定特征参数、LSTM深度网络架构的构建、以及网络训练参数的指定，得到了一种达到所需预测误差指标的变流装置IGBT剩余使用寿命预测模型。该方法构建的预测模型基于长短时记忆网络，应用于变流装置特别是轨道交通的牵引变流器的IGBT的剩余使用寿命预测。

Description

变流装置IGBT剩余使用寿命预测模型的构建方法

技术领域

本发明涉及变流装置IGBT剩余使用寿命预测模型的构建方法，具体为基于长短时记忆网络的轨道交通变流装置IGBT剩余使用寿命预测模型的构建方法。

背景技术

轨道交通变流装置由许多电气零部件组成，但构成整流器和逆变器的核心是电力电子器件，主要是绝缘栅型双极晶体管（IGBT）。IGBT从1985 年问世以来，已成为半导体变流装置的主流开关器件。牵引变流器的可靠性直接影响到机车车辆的可靠运行，而IGBT失效是影响主变流器可靠性的重要因素。据国外统计，工业变流器的故障中，IGBT故障率占30％以上，栅极驱动故障率占近20％，那么，这两项的故障已占变流器故障的一半，对于目前轨道交通牵引变流器，这两项的故障率也不低。牵引变流器是列车核心动力设备，IGBT又是变流器失效率较高且最易损器件。因此对核心器件IGBT的剩余使用寿命评估成为整个变流装置全寿命周期技术研究中最重要的一环。若是能够洞悉变流装置中IGBT的剩余使用寿命，就能保证机组安全可靠的运行、降低严重事故导致的停机，从而提高车辆运行的经济性。

目前剩余使用寿命预测方法主要是基于状态监测的预测方法,在产品的运行过程中，根据某一时刻t监测到的产品运行状态和同类产品的历史数据，实时预测产品当前的剩余寿命。主要有两种基于状态监测的剩余寿命预测方法，其中一种是基于物理特征模型的剩余寿命预测方法，而另外一种则是基于历史经验的剩余寿命预测方法。现有预测方法模型建立中的人为因素较多，相应模型的泛化能力存在疑问，只针对特定型号IGBT在特定使用条件才能拟合成功，可推广性不强。

随着当前人工智能迎来第三次发展浪潮，人工智能以及相关技术的发展和产业应用对于全球人类的生活、经济和政治正在产生重大而深远的影响。基于机器学习和深度学习与工业场景的融合正在向更多领域渗透。目前就应用于设备健康监测领域的深度学习架构主要包括了自动编码器（AE）、深度信念网络（DBN）、卷积神经网络（CNN）、递归神经网络（RNN），以及以上四种深层体系结构的变体。长短时记忆网络（LSTM）是一种特殊的 RNN类型，可以学习长期依赖信息。LSTM擅长于时间序列数据处理与分析，可以使用其建立深度学习回归模型应用于对变流装置IGBT的剩余使用寿命预测。使用LSTM构建变流装置IGBT的剩余使用寿命预测模型的难点在于采用哪些特征参数对IGBT的健康状态进行评估、LSTM深度网络架构的构建、以及网络训练参数的指定，以此达到所需的特定预测误差指标。

发明内容

本发明通过解决使用LSTM构建变流装置IGBT的剩余使用寿命预测模型的难点问题，提供一种变流装置IGBT剩余使用寿命预测模型的构建方法，该方法构建的变流装置IGBT剩余使用寿命预测模型基于长短时记忆网络（LSTM），应用于变流装置特别是轨道交通的牵引变流器的IGBT的剩余使用寿命预测。

本发明是采用如下技术方案实现的：变流装置IGBT剩余使用寿命预测模型的构建方法，是由如下步骤实现的：

步骤1、采集IGBT加速老化数据

在高低温标准试验台上，将IGBT在试验温度范围内变化，从最小温度变化到最大温度为一个循环，每次循环的周期相同；每一次循环后采集一组特征参数数据集：发射极-集电极饱和压降V_ce(sat), 栅极-发射极阈值电压V_GE（th），集电极电流I_CE（on），二极管导通压降V_f，栅极饱和电流I_G（sat）和热阻抗Z_th；多次循环直至特征参数数据集内的所有特征参数都达到退化判定阈值时，记录对应的剩余使用寿命为0，并对之前的每组特征参数数据集通过采集时间差进行剩余寿命标定，每组特征参数数据集的结尾为该组特征参数数据集的特征参数采集时刻的剩余使用寿命值，全部特征参数数据集形成老化实验时序数据。最终的循环次数（即老化实验时序数据所包括的特征参数数据集个数）各不相同，对应于IGBT器件运行至失效的时间。

步骤2、数据归一化处理

为了加快神经网络的收敛，将每组特征参数数据集中的各特征参数利用下式进行归一化：

N_i = (D_i – μ)/σ

其中，N_i表示归一化后的特征参数，D_i表示归一化前的特征参数，μ表示特征参数数据的均值，σ表示特征参数数据的标准差；

将多个IGBT的归一化后的老化实验时序数据分为训练数据和验证数据两部分。保证样本分配时的均匀性和随机性。

步骤3、构建并训练长短期记忆网络

创建一个长短期记忆网络，该网络包含一个序列输入层，用于将老化实验时序数据导入到网络中；一个具有可配置隐含单元个数的 LSTM 层和一个丢弃概率的丢弃层，LSTM层可通过输入权值、递归权值和偏置权值来学习IGBT老化实验时序数据的高级特征；然后是一个全连接层和回归输出层，用于输出LSTM网络预测的IGBT剩余使用寿命。

指定长短期记忆网络的训练选项。指定训练使用的求解器，一般包括随机梯度下降法（SGDM）和自适应矩估计法（adam）；指定最大迭代次数，迭代是指训练算法完全通过整个训练数据集；指定最小批训练，是指同时在处理器上处理的训练数据集的子集；指定学习速率，是指控制训练速度快慢的参数。学习速率越低，训练结果准确率越高，但网络训练时间会更长。指定梯度阈值，是为了防止梯度爆炸。指定训练处理器硬件，一般包括中央处理器（CPU）和图形处理器（GPU）。

具体地，网络由五个层组成，一个序列输入层，一个具有100个隐含单元的LSTM层，然后是一个概率0.2的丢弃层，一个全连接层和一个回归输出层；训练过程使用‘适应性矩估计 (adam) ’求解器，学习速率为0.01，指定最小批训练为20，梯度阈值为1，指定训练处理器硬件为图形处理器（GPU），最大训练迭代周期为100。

指定好网络的训练参数后，导入训练部分的老化实验时序数据，可以运行并监控网络的训练过程。长短期记忆网络自动提取与IGBT剩余寿命有关的特征参数，不断尝试减小预测值与真实值之间的误差损失（Loss），使预测的结果更加准确，从而得到变流装置IGBT剩余使用寿命预测模型。

步骤4、预测模型的验证

使用步骤2中生成的验证数据部分的老化实验时序数据对步骤3得到的变流装置IGBT剩余使用寿命预测模型进行验证，通过均方根误差（RMSE）评价预测模型性能：均方根误差小于或等于20。在每个时间步，网络使用该时间步的参数值进行预测，网络状态仅根据先前的状态进行计算，网络在各次预测之间更新其状态。

本发明通过确定特征参数、LSTM深度网络架构的构建、以及网络训练参数的指定，得到了一种达到所需预测误差指标的变流装置IGBT剩余使用寿命预测模型，其具有如下有益效果：

（1）相比于现有的IGBT剩余使用寿命的预测，本发明技术方案可以大大提高预测的准确率，提前评估IGBT的寿命状况，进而及时指导车辆变流装置运行控制，进行维护和维修，防止IGBT故障对其他部件造成进一步的破坏。可以实现变流装置的平稳运行和避免重大运行事故的发生，还可以进一步降低变流装置在线故障停机次数，节约运营成本。

（2）本发明技术方案对不同厂商的IGBT器件健康评估的泛化性较强，在对健康因子数据用于长短期记忆网络训练时，训练后的网络则可以实现同电压电流等级IGBT剩余使用寿命预测。

（3）通过离线实施进行深度网络寿命模型的训练，并在线应用于轨道交通变流装置上，可通过远程实时采集传感器或TCU数据，及时并准确地实现无人值守的远程变流装置IGBT剩余使用寿命预测，降低了列车按照运行时间或运行里程进行等级修的维修成本。

附图说明

图1为本发明的LSTM深度网络架构的结构示意图；

图2为长短时记忆网络的训练过程图；

图3为随机选取的一个验证样本真实值与预测值之间的对比图；

图4为随机选取的另一个验证样本真实值与预测值之间的对比图；

图5为本发明的使用示意图。

具体实施方式

变流装置IGBT剩余使用寿命预测模型的构建方法，是由如下步骤实现的：

步骤1、采集IGBT加速老化数据

在高低温标准试验台上，将IGBT在试验温度范围内变化，从最小温度变化到最大温度为一个循环（按照试验标准：最小温度T_min=-40℃；最大温度T_max=125℃），每次循环的周期相同（每次循环的周期为4小时）；每一次循环后采集一组特征参数数据集：发射极-集电极饱和压降V_ce(sat), 栅极-发射极阈值电压V_GE（th），集电极电流I_CE（on），二极管导通压降V_f，栅极饱和电流I_G（sat）和热阻抗Z_th；多次循环直至特征参数数据集内的所有特征参数都达到退化判定阈值时（按照试验标准：发射极-集电极饱和压降V_ce(sat)的退化判定阈值为原始V_ce(sat)值即新IGBT时的V_ce(sat)值乘以（1+5%）；栅极-发射极阈值电压V_GE（th）的退化判定阈值为原始V_GE（th）值即新IGBT时的V_GE（th）值乘以（1+5%）；集电极电流I_CE（on）的退化判定阈值为原始I_CE（on）值即新IGBT时的I_CE（on）值乘以（1+5%）；二极管导通压降V_f的退化判定阈值为原始V_f值即新IGBT时的V_f值乘以（1+5%）；栅极饱和电流I_G（sat）的退化判定阈值为原始I_G（sat）值即新IGBT时的I_G（sat）值乘以（1+5%）；热阻抗Z_th的退化判定阈值为原始Z_th值即新IGBT时的Z_th值乘以（1+20%）），记录对应的剩余使用寿命为0，并对之前的每组特征参数数据集通过采集时间差进行剩余寿命标定，每组特征参数数据集的结尾为该组特征参数数据集的特征参数采集时刻的剩余使用寿命值，全部特征参数数据集形成老化实验时序数据。

步骤2、数据归一化处理

将每组特征参数数据集中的各特征参数利用下式进行归一化：

N_i = (D_i – μ)/σ

将多个IGBT（具体实施时，是100个不同厂商同电压电流等级IGBT器件）的归一化后的老化实验时序数据分为训练数据和验证数据两部分。具体实施时，训练数据部分的老化实验时序数据占比为70%，验证数据部分的老化实验时序数据占比为30%。

步骤3、构建并训练长短期记忆网络

长短期记忆网络由五个层组成，一个序列输入层，一个具有100个隐含单元的LSTM层，然后是一个概率0.2的丢弃层，一个全连接层和一个回归输出层；训练过程使用‘适应性矩估计 (adam) ’求解器，学习速率为0.01，指定最小批训练为20，梯度阈值为1，指定训练处理器硬件为图形处理器（GPU），最大训练迭代周期为100。

指定好网络的训练参数后，导入训练部分的（即70个）老化实验时序数据，通过训练过程，从而得到变流装置IGBT剩余使用寿命预测模型。

计算预测值的均方根误差 (RMSE)，误差越小表明剩余寿命模型的预测越准确。长短时记忆网络的训练过程如图2所示，随着训练的不断进行，均方根误差（RMSE）和误差损失（Loss）都不断减小。

步骤4、预测模型的验证

使用步骤2中生成的验证数据部分的（即30个）老化实验时序数据对步骤3得到的变流装置IGBT剩余使用寿命预测模型进行验证，通过均方根误差（RMSE）评价预测模型性能：均方根误差小于或等于20。利用验证数据部分的（即30个）老化实验时序数据验证训练后网络的均方根误差值为18.65，达到要求，图3、4显示了随机选取的验证集中两个样本真实值与预测值之间的对比，可以看到，长短期记忆网络预测的剩余使用寿命可反映IGBT运行的健康状态。

本发明在具体使用时分为离线实施和在线实施两部分（如图5所示），其中离线实施部分是本发明的技术方案；在线实施部分进行在线数据（特征参数）采集，根据在线数据进行瞬时故障诊断（本发明不涉及），数据归一化处理后，输入预测模型，两者比较后得到剩余寿命预测。

Claims

1.一种变流装置IGBT剩余使用寿命预测模型的构建方法，其特征在于，是由如下步骤实现的：

步骤1、采集IGBT加速老化数据

在高低温标准试验台上，将IGBT在试验温度范围内变化，从最小温度变化到最大温度为一个循环，每次循环的周期相同；每一次循环后采集一组特征参数数据集：发射极-集电极饱和压降V_ce(sat), 栅极-发射极阈值电压V_GE（th），集电极电流I_CE（on），二极管导通压降V_f，栅极饱和电流I_G（sat）和热阻抗Z_th；多次循环直至特征参数数据集内的所有特征参数都达到退化判定阈值时，记录对应的剩余使用寿命为0，并对之前的每组特征参数数据集通过采集时间差进行剩余寿命标定，每组特征参数数据集的结尾为该组特征参数数据集的特征参数采集时刻的剩余使用寿命值，全部特征参数数据集形成老化实验时序数据；

步骤2、数据归一化处理

N_i = (D_i – μ)/σ

将多个IGBT的归一化后的老化实验时序数据分为训练数据和验证数据两部分；

步骤3、构建并训练长短期记忆网络

长短期记忆网络由五个层组成，一个序列输入层，一个具有100个隐含单元的LSTM层，然后是一个概率0.2的丢弃层，一个全连接层和一个回归输出层；训练过程使用‘适应性矩估计’求解器，学习速率为0.01，指定最小批训练为20，梯度阈值为1，指定训练处理器硬件为图形处理器，最大训练迭代周期为100；

指定好网络的训练参数后，导入训练部分的老化实验时序数据，通过训练过程，从而得到变流装置IGBT剩余使用寿命预测模型；

步骤4、预测模型的验证

使用步骤2中生成的验证数据部分的老化实验时序数据对步骤3得到的变流装置IGBT剩余使用寿命预测模型进行验证，通过均方根误差评价预测模型性能：均方根误差小于或等于20。

2.根据权利要求1所述的变流装置IGBT剩余使用寿命预测模型的构建方法，其特征在于，步骤1中每次循环的周期为4小时。

3.根据权利要求2所述的变流装置IGBT剩余使用寿命预测模型的构建方法，其特征在于，步骤1中最小温度T_min=-40℃；最大温度T_max=125℃。

4.根据权利要求3所述的变流装置IGBT剩余使用寿命预测模型的构建方法，其特征在于，步骤1中，发射极-集电极饱和压降V_ce(sat)的退化判定阈值为原始V_ce(sat)值即新IGBT时的V_ce(sat)值乘以（1+5%）；栅极-发射极阈值电压V_GE（th）的退化判定阈值为原始V_GE（th）值即新IGBT时的V_GE（th）值乘以（1+5%）；集电极电流I_CE（on）的退化判定阈值为原始I_CE（on）值即新IGBT时的I_CE（on）值乘以（1+5%）；二极管导通压降V_f的退化判定阈值为原始V_f值即新IGBT时的V_f值乘以（1+5%）；栅极饱和电流I_G（sat）的退化判定阈值为原始I_G（sat）值即新IGBT时的I_G（sat）值乘以（1+5%）；热阻抗Z_th的退化判定阈值为原始Z_th值即新IGBT时的Z_th值乘以（1+20%）。

5.根据权利要求4所述的变流装置IGBT剩余使用寿命预测模型的构建方法，其特征在于，步骤2中，多个IGBT是100个不同厂商同电压电流等级IGBT器件。

6.根据权利要求5所述的变流装置IGBT剩余使用寿命预测模型的构建方法，其特征在于，步骤2中，训练数据部分的老化实验时序数据占比为70%，验证数据部分的老化实验时序数据占比为30%。