CN113759225B - Igbt剩余寿命预测和状态评估实现方法 - Google Patents

Abstract

一种IGBT剩余寿命预测和状态评估实现方法，通过老化试验平台采集IGBT模块的集电极‑发射极电压Vce的关断瞬态曲线，从中提取特征并滤波后通过深度自回归递归神经网络(Deep Autoregressive Recurrent Networks)进行曲线趋势预测，预测到的曲线超过阈值时判定IGBT失效，对应得到IGBT模块的老化程度和健康状态。本发明以IGBT开光瞬间的瞬态波形特征作为IGBT老化的指标。

Description

IGBT剩余寿命预测和状态评估实现方法

技术领域

本发明涉及的是一种半导体领域的技术，具体是一种IGBT剩余寿命预测和状态评估实现方法。

背景技术

由于IGBT(Insulated Gate Bipolar Transistor)既具有MOSFET输入阻抗高、控制功率小、驱动电路简单、开关速度高、开关损耗小的优点，又具有双极功率晶体管的电流密度大、饱和压降低、电流处理能力强的优点，但高负荷运行时IGBT容易过热、过压，抗干扰、抗冲击能力较差，因此使用智能诊断技术预测IGBT的寿命和评估IGBT健康状态成为研究热点。

现有IGBT老化研究的方法包括：基于有限元仿真的方法，基于Coffin-Manson理论的统计方法和基于老化参量的方法。每次温度循环，都会产生应力应变，这相当于有一部分能量作用于材料内部使材料，随着一次一次的温度循环，能量会逐渐累积最后产生疲劳失效。有限元仿真的方法就是基于这个原理通过分析老化过程中的能量从而预测剩余寿命。基于Coffin-Manson理论，材料老化所需的循环次数与温度差成指数关系。目前已有方法多根据Vce(on)的变化来预测IGBT的老化程度。当发生键合线脱落或焊接层疲劳时，IGBT内部电阻增大从而导致Vce增大。但是Vce也受内部温度和导通电流的影响，在实际的复杂工况下电流通常是变化的。使用Vce作为老化参量在实验室恒定电流的前提下是可行的，但在实际工况中可能难以取得好的结果。

发明内容

本发明针对现有技术存在的上述不足，提出一种IGBT剩余寿命预测和状态评估实现方法，以IGBT开光瞬间的瞬态波形特征作为IGBT老化的指标，

本发明是通过以下技术方案实现的：

本发明涉及一种IGBT剩余寿命预测和状态评估实现方法，通过老化试验平台采集IGBT模块的集电极-发射极电压Vce的关断瞬态曲线，从中提取特征并滤波后通过深度自回归递归神经网络(Deep Autoregressive Recurrent Networks)进行曲线趋势预测，预测到的曲线超过阈值时判定IGBT失效，对应得到IGBT模块的老化程度和健康状态。

技术效果

与现有技术相比，本发明利用关断瞬态特征预测剩余寿命并使用卡尔曼滤波对瞬态特征进行降噪处理的同时，使用深度神经网络模型DeepAR做序列预测，实现了IGBT的剩余寿命预测及状态评估。

附图说明

图1为本发明流程示意图；

图2为实施例预测示意图；

图3为老化试验平台示意图；

图4为实施例过程示意图；

图中：1示波器、2函数发生器、3驱动电路、4待测IGBT、5直流电压源、L电感、R电阻。

具体实施方式

如图1所示，为本实施例涉及一种IGBT剩余寿命预测和状态评估实现方法，包括以下步骤：

步骤1、通过IGBT老化试验平台获取不同老化程度下IGBT模块的集电极-发射极电压Vce的关断瞬态曲线，即将IGBT试样从全新开始工作到老化失效。

如图3所示，所述的IGBT老化试验平台使用高速的信号采集系统采集整个老化过程电压电流信号，包括：依次设置于待测IGBT4的集电极和发射极之间的电感L、电阻R和直流电压源5并构成测试电路、设置于待测IGBT4的基极和发射极之间的驱动电路3，其中：函数发生器2与驱动电路3相连，待测IGBT4上进一步设有与示波器相连的温度传感器和电压传感器以采集Vce和Vge。

步骤2、对关断瞬态曲线进行预处理得到原始数据并删除异常数据后，提取出特征信号。

所述的预处理是指：转换数据的格式、合并多个传感器的数据和信号单位转换，然后删除每次采样中的前100个数据点，即历史数据。

所述的删除异常数据是指：采集的数据中有一些由于操作失误或者仪器设备出故障等原因造成跟正常数据明显不同的数据，这些数据需要人工从剔除。另外，每一组数据中又有因为传感器噪声而产生的异常数据点，这些数据可以用分位数去极值的方法，把数据替换成正常数据。

所述的特征信号，通过以下方式采集得到：

2.1)从采集系统采集到的整个周期的数据截取出感兴趣的部分，即IGBT关断瞬间的数据。而其他大部分数据IGBT处于关断状态或IGBT处于开通状态的数据都是没有用的，因为这些数据基本是一个恒定的值，相比于关断瞬间的动态波形信号，包含的信息太少。

2.2)通过分析比较不同电压随IGBT老化的变化情况。驱动电压信号随着老化程度加深基本没有变化，IGBT栅极-发射极电压Vge电压信号会因老化程度不同而出现细微的变化，而集射极电压Vce在IGBT关断时的波形会随着老化时间而变化，所以截取IGBT关断瞬间的Vce电压信号做后续分析。

2.3)挑选出可以反映IGBT老化程度的特征：通过分析和比较发现log-log ratio(LLR)是一个很好的统计特征去反映IGBT的老化程度，具体为：

其中：N为数据总个数，x_i为第i个传感器数据，

为所有传感器数据的平均值。

步骤3、对特征信号进行卡尔曼滤波，获得更加平稳的时间序列，具体步骤包括：

3.1)构建一个如图4所示的线性观测系统，并生成模拟信号；

3.2)通过实际的采集到的传感器特征数据优化线性观测系统，使其根据之前的信号预测下一个时间点的值，具体为：使用传感器的历史数据通过线性观测系统产生观察值

以

和实际数据Y的差值平方为优化目标，将观测器中的A和B优化到最优值。

3.3)基于预测值和测量值均符合高斯分布，即高斯分布(μ₁,Σ₁)和(μ₂,Σ₂)，则得到最优分布(μ₀+K(μ₁-μ₀),Σ₀+K(Σ₁-Σ₀))，其中：K＝Σ₀(Σ₁+Σ₀)^-1以及最优值μ₀+K(μ₁-μ₀))。因此本发明可以得到这两个分布的最优值即滤除噪声之后的信号。

步骤4、如图2所示，使用深度自回归递归神经网络(Deep AutoregressiveRecurrent Networks)对特征序列进行预测，即：将步骤3得到的时间序列按5:1的比例分成训练集和测试集；先使用训练集来训练模型得到最优化的模型，然后使用最优化的模型预测之后的曲线走势。

如图2所示，所述的预测，具体为根据步骤3得到的数据中的时间序列{s_t+1,s_t+2,s_t+3,...,s_t+m}在t时刻以前的n个数据s_t-n:t，将其作为深度自回归递归神经网络输入预测得到t时刻之后的m个数据s_t:t+m，或根据s_t-n:t预测得到s_t+1，进一步使用s_t+1再一次作为输入预测下一个时间点的值，进行迭代预测，得到之后的m个值。

由于深度自回归递归神经网络的输出满足高斯分布，因此本实施例可以确定预测值的95％置信区间，同时，分布的期望值就是最佳预测值。

步骤5、根据序列预测的结果建立IGBT模块剩余寿命的计算模型，具体为：

①计算IGBT器件的失效时间，以序列s_0:T表示器件的老化程度，当通过步骤4预测得到t时间点后的序列s中的s_i大于阈值时就判定为器件失效，相应得到其对应的失效时间

剩余寿命RUL＝T_fail-T_t，其中：T_t为当前时间；

②通过预测值得分布计算预测剩余寿命的置信区间：使用深度自回归递归神经网络预测序列得到是一个对预测值的高斯分布，根据统计学原理，在均值附近两倍标准差之内的区间为95％置信区间(T_{fail min}，T_{fail max})，因此算出在95％置信度下的最短剩余寿命RUL_max和最长剩余寿命RUL_min，其数学表征具体为：RUL_max＝T_{fail max}-T_t和RUL_min＝T_{fail min}-T_t。

步骤6、根据预测得到的剩余寿命的结果计算IGBT模块的健康状态I_t＝RUL/(RUL+T_t)。

现有方法大都根据温度和集射极导通压降作为IGBT器件老化参量。但是基于温度的IGBT寿命预测收扇热器性能和环境影响很大。而集射极导通压降则是受IGBT结温影响，在结温波动的情况下，通过集射极导通压降预测剩余寿命的误差很大。本方法使用瞬态信号直接反应IGBT器件的老化程度，受环境影响较小。另一方面，在序列预测方法上，传统的移动平均MA和自回归AR方法要求序列具有显著的平稳性，但是实际老化数据是显著非平稳系列，因此MA和AR只能预测短时间的数据趋势，很难预测长时间的趋势。而本文提出的深度神经网络模型则通过机器学习的方法很好的解决这个问题，是模型对长时间的预测也能有很好的效果。

在实际的实验中，通过采集设备采集到IGBT集电极-发射极电压后，通过本方法，先传感器数据中关断瞬间的信号截取出来，提取出LLR特征，然后通过卡尔曼滤波后用DeepAR预测出IGBT的剩余寿命。根据剩余寿命，IGBT的健康状态可以评估出来，从而为器件的定期维护维修提供指导。

综上，本发明利用关断瞬态特征预测剩余寿命，即：使用卡尔曼滤波对瞬态特征进行降噪处理，使特征曲线的趋势更加明显；对寿命的预测不仅得到一个预测值也得到一个置信区间；使用深度神经网络模型DeepAR做序列预测，获得比传统方法更准确的预测值。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (4)

1.一种IGBT剩余寿命预测和状态评估实现方法，其特征在于，通过老化试验平台采集IGBT模块的集电极-发射极电压Vce的关断瞬态曲线，从中提取特征并滤波后通过深度自回归递归神经网络进行曲线趋势预测，预测到的曲线超过阈值时判定IGBT失效，对应得到IGBT模块的老化程度和健康状态，具体包括：

1)通过IGBT老化试验平台获取不同老化程度下IGBT模块的集电极-发射极电压Vce的关断瞬态曲线，即将IGBT试样从全新开始工作到老化失效；

2)对关断瞬态曲线进行预处理得到原始数据并删除异常数据后，提取出特征信号；

3)对特征信号进行卡尔曼滤波，获得更加平稳的时间序列；

4)使用深度自回归递归神经网络对特征序列进行预测；

5)根据序列预测的结果建立IGBT模块剩余寿命的计算模型；

6)根据预测得到的剩余寿命的结果计算IGBT模块的健康状态；

所述的IGBT老化试验平台使用高速的信号采集系统采集整个老化过程电压电流信号，包括：依次设置于待测IGBT的集电极和发射极之间的电感、电阻和直流电压源、设置于待测IGBT的基极和发射极之间的驱动电路，其中：函数发生器与驱动电路相连，待测IGBT上设有与示波器相连的温度传感器和电压传感器以采集Vce和Vge；

所述的特征信号，通过以下方式采集得到：

2.1)从采集系统采集到的整个周期的数据截取出感兴趣的部分，即IGBT关断瞬间的数据；

2.2)通过分析比较不同电压随IGBT老化的变化情况，截取IGBT关断瞬间的Vce电压信号做后续分析；

2.3)挑选出可以反映IGBT老化程度的特征：通过分析和比较发现log-log ratio(LLR)是一个很好的统计特征去反映IGBT的老化程度，具体数学表征为：

其中：N为数据总个数，x_i为第i个传感器数据，

为所有传感器数据的平均值。

2.根据权利要求1所述的IGBT剩余寿命预测和状态评估实现方法，其特征是，所述的步骤3） ，具体包括：

3.1)构建一个线性观测系统，并生成模拟信号；

3.2)通过实际的采集到的传感器数据优化线性观测系统，使其根据之前的信号预测下一个时间点的值，具体为：使用传感器的历史数据通过线性观测系统产生观察值

以

和实际数据Y的差值平方为优化目标，将观测器中的A和B优化到最优值；

3.3)基于预测值和测量值均符合高斯分布，即高斯分布(μ₁,Σ₁)和(μ₂,Σ₂)，则得到最优分布(μ₀+K(μ₁-μ₀),Σ₀+K(Σ₁-Σ₀))，其中：K＝Σ₀(Σ₁+Σ₀)^-1，最优值μ₀+K(μ₁-μ₀))。

3.根据权利要求1所述的IGBT剩余寿命预测和状态评估实现方法，其特征是，所述的步骤4)是指：将步骤3)得到的时间序列按5:1的比例分成训练集和测试集；先使用训练集来训练模型得到最优化的模型，然后使用最优化的模型预测之后的曲线走势；

所述的预测，具体为根据步骤3)得到的数据中的时间序列{s_t+1,s_t+2,s_t+3,...,s_t+m}在t时刻以前的n个数据s_t-n:t，将其作为深度自回归递归神经网络输入预测得到t时刻之后的m个数据s_t:t+m，或根据s_t-n:t预测得到s_t+1，进一步使用s_t+1再一次作为输入预测下一个时间点的值，进行迭代预测，得到之后的m个值。

4.根据权利要求1所述的IGBT剩余寿命预测和状态评估实现方法，其特征是，所述的步骤5)具体包括：

①计算IGBT器件的失效时间，以序列s_0:T表示器件的老化程度，当通过步骤4)预测得到t时间点后的序列s中的s_i大于阈值时就判定为器件失效，相应得到其对应的失效时间

剩余寿命RUL＝T_fail-T_t，其中：T_t为当前时间；

②通过预测值得分布计算预测剩余寿命的置信区间：使用深度自回归递归神经网络预测序列得到是一个对预测值的高斯分布，根据统计学原理，在均值附近两倍标准差之内的区间为95％置信区间(T_{fail min}，T_{fail max})，因此算出在95％置信度下的最短剩余寿命RUL_max和最长剩余寿命RUL_min，具体为：RUL_max＝T_{fail max}-T_t和RUL_min＝T_{fail min}-T_t；

所述的健康状态I_t＝RUL/(RUL+T_t)。

Images