CN113987804B - 一种mos场效应管的健康水平和剩余使用价值评价方法 - Google Patents
一种mos场效应管的健康水平和剩余使用价值评价方法 Download PDFInfo
- Publication number
- CN113987804B CN113987804B CN202111270038.7A CN202111270038A CN113987804B CN 113987804 B CN113987804 B CN 113987804B CN 202111270038 A CN202111270038 A CN 202111270038A CN 113987804 B CN113987804 B CN 113987804B
- Authority
- CN
- China
- Prior art keywords
- data set
- group
- value
- field effect
- characteristic data
- 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
Links
- 230000005669 field effect Effects 0.000 title claims abstract description 50
- 230000036541 health Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000001133 acceleration Effects 0.000 claims abstract description 31
- 238000002474 experimental method Methods 0.000 claims abstract description 31
- 230000032683 aging Effects 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 50
- 238000012360 testing method Methods 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 abstract description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 229910044991 metal oxide Inorganic materials 0.000 description 3
- 150000004706 metal oxides Chemical class 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003672 processing method Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
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)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明公开了一种MOS场效应管的健康水平和剩余使用价值评价方法,包括:S1.对设计组不同结温变化的间歇式寿命加速实验,并采集导通电阻、阈值电压、体二极管压降、开通时间、关断时间五项特征参数;S2.对采集的特征数据进行预处理,剔除其中误差较大的数据;S3建立基于神经网络的健康水平和剩余使用价值评价模型,包括:特征变换模块和健康水平和剩余使用价值判别模块。本发明能估计MOS场效应管的运行状态,防止由器件老化引起的不可预见的失效与灾难的发生,同时,能够估计MOS场效应管是否有再使用价值,对有剩余价值的MOS场效应管再使用,从而达到节约资源,低碳环保的目的。
Description
技术领域
本发明涉及一种金属氧化物半导体绝缘栅场效应管的健康水平和剩余使用价值评估的方法和使用方法,属于高功率半导体健康水平检测领域。
背景技术
功率变流器在可再生能源、汽车产业、航空航天等领域得到了越来越广泛的应用,这些领域对变流器的可靠性也越来越重视。绝缘栅场效应管是功率变流器的核心器件,也是最易老化损坏的器件之一,由器件老化引起的不可预见的失效故障,会带来高额的维修成本,甚至可能引起灾难性的事故发生。所以在使用时需要监控其健康水平防止这些器件在使用时发生灾难。对于一些废旧的功率变流器,其上面的金属氧化物半导体绝缘栅场效应管有可能尚属于健康水平,能够再次利用,需要一种评估方法去评判其剩余使用价值。
目前现有的金属氧化物半导体绝缘栅场效应管的健康检测都是通过单因素进行检测,单因素存在着检测不准,不能够对多种失效形式进行评判,并且现有的技术缺乏对金属氧化物半导体绝缘栅场效应管剩余价值的评估方法。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种MOS场效应管的健康水平和剩余使用价值评价方法,以期能估计MOS场效应管的运行状态,防止由器件老化引起的不可预见的失效与灾难的发生,同时,能够估计MOS场效应管是否有再使用价值,对有剩余价值的MOS场效应管再使用,从而达到节约资源,低碳环保的目的。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种MOS场效应管的健康水平和剩余使用价值评价方法的特点在于,包括:
S1.对同一种型号的MOS场效应管设计A组不同结温变化的间歇式寿命加速实验,并采集导通电阻、阈值电压、体二极管压降、开通时间、关断时间五项特征参数;
步骤S1.1.设置第a组间歇式寿命加速实验的循环周期总数为Na、当前循环周期数为na;定义第a组间歇式寿命加速实验的当前采集次数为fa,定义第a组间歇式寿命加速实验每循环Ma次实验采集一次数据,定义第a组间歇式寿命加速实验的结温的变化幅度为Tempa;初始化na=1、fa=1;
步骤S1.2.在第na个循环周期下,对老化试验台上的MOS场效应管通入直流电,并在T1时间内使结温从室温temp升高变化幅度Tempa并达到预定温度temp+Tempa;
步骤S1.3.当结温达到预定温度temp+Tempa时,断开直流电,并在T2时间内,通过水冷系统使结温从预定温度temp+Tempa降低到室温temp;
步骤S1.4.na+1赋值给na,并返回步骤S1.2,直到na=fa×Ma为止;
步骤S1.5.从老化试验台上取下MOS场效应管,并使用静态检测仪第fa次离线测量老化试验后的MOS场效应管的导通电阻、阈值电压、体二极管压降的三项静态参数,再使用动态检测仪第fa次离线测量其开通时间、关断时间的两项动态参数,共得到第a组间歇式寿命加速实验的第fa组特征数据,其中,任意第fa组特征数据x(fa)包括五个参数;a∈[1,A],na∈[1,Na],fa∈[1,F],Ma<na;
步骤S1.6.将fa+1赋值给fa后,按照步骤S1.1-S1.5的方式,从而得到第a组间歇式寿命加速实验的组特征数据,进而得到A组间歇式寿命加速实验的X组特征数据;/>
S2.对采集的特征数据进行预处理,剔除其中误差较大的数据;
S2.1.计算第a组间歇式寿命加速实验的组特征数据中每个参数的平均值,从而得到均值向量avga;
S2.2.计算第a组间歇式寿命加速实验的组特征数据中每个参数的平均值与其标准差的估计值,从而得到估计向量sa;
S2.3.初始化fa=1;
S2.4.计算第fa组特征数据x(fa)的统计量gh=|x(fa)-avga|/sa;
S2.5.当统计量gh大于Grubbs检验法的临界值表中规定的标准值,则将第fa组特征数据x(fa)设置为空向量;
S2.6.将fa+1赋值给fa,并返回步骤S2.4顺序执行,直到为止,从而得到预处理后的/>组特征数据;
S3建立基于神经网络的健康水平和剩余使用价值评价模型,包括:特征变换模块和健康水平和剩余使用价值判别模块;
S3.1所述特征变换模块包括:线性处理层、归一化处理层、加权处理层;所述线性处理层中设置有五组并行的线性处理函数;所述归一化处理层包含有四个归一化神经元;
S3.1.1将所述X组特征数据输入到特征变换模块中的线性处理层,并分别经过五组并行的线性处理函数的处理后,相应输出第一特征数据组X1、第二特征数据组X2、第三特征数据组X3、第四特征数据组X4、第五特征数据组X5;
S3.1.2五个特征数据组X1,X2,X3,X4,X5经过所述归一化处理层的处理后输出特征数据组{X1,c,X2,c,X3,c,X4,c,X5,c,|c=1,2,3,4},其中,X1,c表示第一特征数据组X1经过第c个归一化神经元处理后的数据集,X2,c表示第二特征数据组X2经过第c个归一化神经元处理后的数据集,X3,c表示第三特征数据组X3经过第c个归一化神经元处理后的数据集,X4,c表示第四特征数据组X4经过第c个归一化神经元处理后的数据集,X5,c表示第五特征数据组X5经过第c归一化神经元处理后的数据集;
S3.1.3将经过归一化处理层输出的数据集{X1,c,X2,c,X3,c,X4,c,X5,c,|c=1,2,3,4}输入到加权处理层中,并分别与权重系数{α1,c,α2,c,α3,c,α4,c,α5,c|c=1,2,3,4}对应相乘,得到加权处理后的第一数据组第二数据组/>第三数据组/>第四数据组/>第五数据组/>其中,α1,c表示数据集X1,c的权重,α2,c表示数据集X2,c的权重,α3,c表示数据集X3,c的权重,α4,c表示数据集X4,c的权重,α5,c表示数据集X5,c的权重;
S3.2所述健康水平和剩余使用价值判别模块包括:特征值处理层、判别公式构建层;
S3.2.1将五个数据组输入所述健康水平和剩余使用价值判别模块中的特征值处理层中,用于提取数据组的高斯分布均值和标准样本差,其中,五个数据组的高斯分布均值和标准样本差,分别记为μ1和δ1,μ2和δ2,μ3和δ3,μ4和δ4,μ5和δ5;
S3.2.2将特征值处理层输出的每个数据组的高斯分布均值和标准样本差分别输入到所述判别公式构建层中进行处理,得到不同梯度的五个判别公式h1,h2,h3,h4,h5,再利用五个判别公式分别对MOS场效应管的健康水平和剩余使用价值进行判别,得到五个判别结果;
S4采用交叉熵作为损失函数,并选择Adam作为优化器对所述损失函数进行迭代优化,并更新模型中的权重值,使得损失函数趋于稳定时停止迭代,从而得到基于神经网络的最优健康水平和剩余使用价值评价模型;
S5将检测得到的MOS场效应管的参数输入到基于神经网络的最优健康水平和剩余使用价值评价模型中,用于对MOS场效应管的参数信号进行评判,并输出对应的判别结果。
与现有技术相比,本发明的有益效果在于:
1、本发明考虑到MOS场效应管老化过程中参数变化的特点,基于神经网络的方法,构建多参数的评价方法,与已有的评价方法相比,大幅的提升评价的精度;
2、本发明构建的MOS场效应管的健康水平和剩余使用价值评价方法,通过不同的梯度的处理方法,得到更有区分度的数据;
3、本文构建的剩余使用价值评价方法,能够评价废旧的MOS场效应管剩余价值,有剩余价值的MOS场效应管再使用,节约了资源,低碳环保,填补了这方面的空白。
附图说明
图1为本发明方法的流程图;
图2为本发明老化实验控制策略方法图。
具体实施方式
本实施例中,一种MOS场效应管的健康水平和剩余使用价值评价方法,如图1所示,包括如下步骤:
S1.对同一种型号的MOS场效应管设计A组不同结温变化的间歇式寿命加速实验,并采集导通电阻、阈值电压、体二极管压降、开通时间、关断时间五项特征参数;
具体实施中,本申请的寿命实验采用恒定结温波动的老化控制策略,具体的控制方法如图2所示,在一个功率循环周期,通过控制开关S1和S2的通断,使待老化器件在不同阶段通入加热电流和测试电流,达到模块结温在预定范围内波动的目的,使MOS场效应管周期循环受到电热冲击,在此过程中,测试电流用于测量加热阶段的最高结温和散热阶段的最低结温值。
步骤S1.1.设置第a组间歇式寿命加速实验的循环周期总数为Na、当前循环周期数为na;定义第a组间歇式寿命加速实验的当前采集次数为fa,定义第a组间歇式寿命加速实验每循环Ma次实验采集一次数据,定义第a组间歇式寿命加速实验的结温的变化幅度为Tempa;初始化na=1、fa=1;
步骤S1.2.在第na个循环周期下,对老化试验台上的MOS场效应管通入直流电,并在T1时间内使结温从室温temp升高变化幅度Tempa并达到预定温度temp+Tempa;
步骤S1.3.当结温达到预定温度temp+Tempa时,断开直流电,并在T2时间内,通过水冷系统使结温从预定温度temp+Tempa降低到室温temp;
步骤S1.4.na+1赋值给na,并返回步骤S1.2,直到na=fa×Ma为止;
步骤S1.5.从老化试验台上取下MOS场效应管,并使用静态检测仪第fa次离线测量老化试验后的MOS场效应管的导通电阻、阈值电压、体二极管压降的三项静态参数,再使用动态检测仪第fa次离线测量其开通时间、关断时间的两项动态参数,共得到第a组间歇式寿命加速实验的第fa组特征数据,其中,任意第fa组特征数据x(fa)包括五个参数;a∈[1,A],na∈[1,Na],fa∈[1,F],Ma<na;
步骤S1.6.将fa+1赋值给fa后,按照步骤S1.1-S1.5的方式,从而得到第a组间歇式寿命加速实验的组特征数据,进而得到A组间歇式寿命加速实验的X组特征数据;/>
S2.对采集的特征数据进行预处理,剔除其中误差较大的数据;
S2.1.计算第a组间歇式寿命加速实验的组特征数据中每个参数的平均值,从而得到均值向量avga;
S2.2.计算第a组间歇式寿命加速实验的组特征数据中每个参数的平均值与其标准差的估计值,从而得到估计向量sa;
S2.3.初始化fa=1;
S2.4.计算第fa组特征数据x(fa)的统计量gh=|x(fa)-avga|/sa;
S2.5.当统计量gh大于Grubbs检验法的临界值表中规定的标准值,则将第fa组特征数据x(fa)设置为空向量;
S2.6.将fa+1赋值给fa,并返回步骤S2.4顺序执行,直到为止,从而得到预处理后的/>组特征数据;
具体的实施中,为了保证数据的准确性,Grubbs检测的的剔除水平定义为0.01;
S3建立基于神经网络的健康水平和剩余使用价值评价模型,包括:特征变换模块和健康水平和剩余使用价值判别模块;
S3.1特征变换模块包括:线性处理层、归一化处理层、加权处理层;线性处理层中设置有五组并行的线性处理函数;归一化处理层包含有四个归一化神经元;
S3.1.1将X组特征数据输入到特征变换模块中的线性处理层,并分别经过五组并行的线性处理函数的处理后,相应输出第一特征数据组X1、第二特征数据组X2、第三特征数据组X3、第四特征数据组X4、第五特征数据组X5;
S3.1.2五个特征数据组X1,X2,X3,X4,X5经过归一化处理层的处理后输出特征数据组{X1,c,X2,c,X3,c,X4,c,X5,c,|c=1,2,3,4},其中,X1,c表示第一特征数据组X1经过第c个归一化神经元处理后的数据集,X2,c表示第二特征数据组X2经过第c个归一化神经元处理后的数据集,X3,c表示第三特征数据组X3经过第c个归一化神经元处理后的数据集,X4,c表示第四特征数据组X4经过第c个归一化神经元处理后的数据集,X5,c表示第五特征数据组X5经过第c归一化神经元处理后的数据集;
S3.1.3将经过归一化处理层输出的数据集{X1,c,X2,c,X3,c,X4,c,X5,c,|c=1,2,3,4}输入到加权处理层中,并分别与权重系数{α1,c,α2,c,α3,c,α4,c,α5,c|c=1,2,3,4}对应相乘,得到加权处理后的第一数据组第二数据组/>第三数据组/>第四数据组/>第五数据组/>其中,α1,c表示数据集X1,c的权重,α2,c表示数据集X2,c的权重,α3,c表示数据集X3,c的权重,α4,c表示数据集X4,c的权重,α5,c表示数据集X5,c的权重;
具体实施中,线性处理层与归一化处理层之间的激活函数为sigmoid函数,归一化处理层与加权处理层之间的激活函数为softmox函数。
S3.2健康水平和剩余使用价值判别模块包括:特征值处理层、判别公式构建层;
S3.2.1将五个数据组输入健康水平和剩余使用价值判别模块中的特征值处理层中,用于提取数据组的高斯分布均值和标准样本差,其中,五个数据组的高斯分布均值和标准样本差,分别记为μ1和δ1,μ2和δ2,μ3和δ3,μ4和δ4,μ5和δ5;
S3.2.2将特征值处理层输出的每个数据组的高斯分布均值和标准样本差分别输入到判别公式构建层中进行处理,得到不同梯度的五个判别公式h1,h2,h3,h4,h5,再利用五个判别公式分别对MOS场效应管的健康水平和剩余使用价值进行判别,得到五个判别结果;
具体实施中,特征变换模块与健康水平和剩余使用价值判别模块之间的通过tanh函数连接,特征值处理层与判别公式构建层之间的激活函数为softmox函数。
S4采用交叉熵作为损失函数,其中,n为样本个数,yi为样本的真实标签,y′i为分类模型对样本的预测值;选择Adam作为优化器对损失函数进行迭代优化,并更新模型中的权重值,使得损失函数趋于稳定时停止迭代,从而得到基于神经网络的最优健康水平和剩余使用价值评价模型;
S5将检测得到的MOS场效应管的参数输入到基于神经网络的最优健康水平和剩余使用价值评价模型中,用于对MOS场效应管的参数信号进行评判,并输出对应的判别结果。
综上所述,本申请能准确评价MOS场效应管的健康水平和剩余使用价值,对于使用中的MOS场效应管,提出的MOS场效应管的健康水平和剩余使用价值评价方法能估计MOS场效应管的运行状态,从而防止由器件老化引起的不可预见的失效与灾难的发生。对于废弃的MOS场效应管,提出的MOS场效应管的健康水平和剩余使用价值评价方法能够估计其是否有再使用价值,对有剩余价值的MOS场效应管再使用,从而达到节约资源,低碳环保的目的。
Claims (1)
1.一种MOS场效应管的健康水平和剩余使用价值评价方法,其特征在于,包括:
S1.对同一种型号的MOS场效应管设计A组不同结温变化的间歇式寿命加速实验,并采集导通电阻、阈值电压、体二极管压降、开通时间、关断时间五项特征参数;
步骤S1.1.设置第a组间歇式寿命加速实验的循环周期总数为Na、当前循环周期数为na;定义第a组间歇式寿命加速实验的当前采集次数为fa,定义第a组间歇式寿命加速实验每循环Ma次实验采集一次数据,定义第a组间歇式寿命加速实验的结温的变化幅度为Tempa;初始化na=1、fa=1;
步骤S1.2.在第na个循环周期下,对老化试验台上的MOS场效应管通入直流电,并在T1时间内使结温从室温temp升高变化幅度Tempa并达到预定温度temp+Tempa;
步骤S1.3.当结温达到预定温度temp+Tempa时,断开直流电,并在T2时间内,通过水冷系统使结温从预定温度temp+Tempa降低到室温temp;
步骤S1.4.na+1赋值给na,并返回步骤S1.2,直到na=fa×Ma为止;
步骤S1.5.从老化试验台上取下MOS场效应管,并使用静态检测仪第fa次离线测量老化试验后的MOS场效应管的导通电阻、阈值电压、体二极管压降的三项静态参数,再使用动态检测仪第fa次离线测量其开通时间、关断时间的两项动态参数,共得到第a组间歇式寿命加速实验的第fa组特征数据,其中,任意第fa组特征数据x(fa)包括五个参数;a∈[1,A],na∈[1,Na],fa∈[1,F],Ma<na;
步骤S1.6.将fa+1赋值给fa后,按照步骤S1.1-S1.5的方式,从而得到第a组间歇式寿命加速实验的组特征数据,进而得到A组间歇式寿命加速实验的X组特征数据;/>
S2.对采集的特征数据进行预处理,剔除其中误差较大的数据;
S2.1.计算第a组间歇式寿命加速实验的组特征数据中每个参数的平均值,从而得到均值向量avga;
S2.2.计算第a组间歇式寿命加速实验的组特征数据中每个参数的平均值与其标准差的估计值,从而得到估计向量sa;
S2.3.初始化fa=1;
S2.4.计算第fa组特征数据x(fa)的统计量gh=|x(fa)-avga|/sa;
S2.5.当统计量gh大于Grubbs检验法的临界值表中规定的标准值,则将第fa组特征数据x(fa)设置为空向量;
S2.6.将fa+1赋值给fa,并返回步骤S2.4顺序执行,直到为止,从而得到预处理后的/>组特征数据;
S3建立基于神经网络的健康水平和剩余使用价值评价模型,包括:特征变换模块和健康水平和剩余使用价值判别模块;
S3.1所述特征变换模块包括:线性处理层、归一化处理层、加权处理层;所述线性处理层中设置有五组并行的线性处理函数;所述归一化处理层包含有四个归一化神经元;
S3.1.1将所述X组特征数据输入到特征变换模块中的线性处理层,并分别经过五组并行的线性处理函数的处理后,相应输出第一特征数据组X1、第二特征数据组X2、第三特征数据组X3、第四特征数据组X4、第五特征数据组X5;
S3.1.2五个特征数据组X1,X2,X3,X4,X5经过所述归一化处理层的处理后输出特征数据组{X1,c,X2,c,X3,c,X4,c,X5,c,|c=1,2,3,4},其中,X1,c表示第一特征数据组X1经过第c个归一化神经元处理后的数据集,X2,c表示第二特征数据组X2经过第c个归一化神经元处理后的数据集,X3,c表示第三特征数据组X3经过第c个归一化神经元处理后的数据集,X4,c表示第四特征数据组X4经过第c个归一化神经元处理后的数据集,X5,c表示第五特征数据组X5经过第c归一化神经元处理后的数据集;
S3.1.3将经过归一化处理层输出的数据集{X1,c,X2,c,X3,c,X4,c,X5,c,|c=1,2,3,4}输入到加权处理层中,并分别与权重系数{α1,c,α2,c,α3,c,α4,c,α5,c|c=1,2,3,4}对应相乘,得到加权处理后的第一数据组第二数据组/>第三数据组/>第四数据组/>第五数据组其中,α1,c表示数据集X1,c的权重,α2,c表示数据集X2,c的权重,α3,c表示数据集X3,c的权重,α4,c表示数据集X4,c的权重,α5,c表示数据集X5,c的权重;
S3.2所述健康水平和剩余使用价值判别模块包括:特征值处理层、判别公式构建层;
S3.2.1将五个数据组输入所述健康水平和剩余使用价值判别模块中的特征值处理层中,用于提取数据组的高斯分布均值和标准样本差,其中,五个数据组的高斯分布均值和标准样本差,分别记为μ1和δ1,μ2和δ2,μ3和δ3,μ4和δ4,μ5和δ5;
S3.2.2将特征值处理层输出的每个数据组的高斯分布均值和标准样本差分别输入到所述判别公式构建层中进行处理,得到不同梯度的五个判别公式h1,h2,h3,h4,h5,再利用五个判别公式分别对MOS场效应管的健康水平和剩余使用价值进行判别,得到五个判别结果;
S4采用交叉熵作为损失函数,并选择Adam作为优化器对所述损失函数进行迭代优化,并更新模型中的权重值,使得损失函数趋于稳定时停止迭代,从而得到基于神经网络的最优健康水平和剩余使用价值评价模型;
S5将检测得到的MOS场效应管的参数输入到基于神经网络的最优健康水平和剩余使用价值评价模型中,用于对MOS场效应管的参数信号进行评判,并输出对应的判别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111270038.7A CN113987804B (zh) | 2021-10-29 | 2021-10-29 | 一种mos场效应管的健康水平和剩余使用价值评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111270038.7A CN113987804B (zh) | 2021-10-29 | 2021-10-29 | 一种mos场效应管的健康水平和剩余使用价值评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113987804A CN113987804A (zh) | 2022-01-28 |
CN113987804B true CN113987804B (zh) | 2024-02-13 |
Family
ID=79744149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111270038.7A Active CN113987804B (zh) | 2021-10-29 | 2021-10-29 | 一种mos场效应管的健康水平和剩余使用价值评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113987804B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105137242A (zh) * | 2015-09-09 | 2015-12-09 | 南京航空航天大学 | 单相光伏逆变器在线状态监测与剩余寿命预测方法 |
CN111443294A (zh) * | 2020-04-10 | 2020-07-24 | 华东理工大学 | 一种锂离子电池剩余寿命间接预测方法及装置 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020118101A1 (en) * | 2018-12-05 | 2020-06-11 | doc.ai incorporated | System and method for providing personalized health data |
-
2021
- 2021-10-29 CN CN202111270038.7A patent/CN113987804B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105137242A (zh) * | 2015-09-09 | 2015-12-09 | 南京航空航天大学 | 单相光伏逆变器在线状态监测与剩余寿命预测方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN111443294A (zh) * | 2020-04-10 | 2020-07-24 | 华东理工大学 | 一种锂离子电池剩余寿命间接预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于动态权重的设备健康状态评估方法;赵丽琴;刘昶;易发胜;;计算机系统应用;20200915(第09期);全文 * |
基于小波神经网络的IGBT寿命研究;王新春;赵金金;;电工技术;20200525(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113987804A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271741B (zh) | 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 | |
CN107315138B (zh) | 功率mosfet的故障预测和健康处理方法及测试系统 | |
CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN111046564B (zh) | 两阶段退化产品的剩余寿命预测方法 | |
CN106528975B (zh) | 一种应用于电路与系统的故障预测与健康管理方法 | |
CN111190088B (zh) | 一种igbt性能退化特征参数的提取方法 | |
CN112129534B (zh) | 一种机床主轴轴承寿命预测方法及系统 | |
CN113759225B (zh) | Igbt剩余寿命预测和状态评估实现方法 | |
Ahsan et al. | Data driven prognostics for predicting remaining useful life of IGBT | |
CN104750915A (zh) | 一种Buck电路多参数在线辨识方法 | |
Bi et al. | Identification of partial shading conditions for photovoltaic strings | |
CN113987804B (zh) | 一种mos场效应管的健康水平和剩余使用价值评价方法 | |
CN113987932A (zh) | 一种基于时间序列模型的mosfet寿命预测方法 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
Huang et al. | Overview of recent progress in condition monitoring for insulated gate bipolar transistor modules: Detection, estimation, and prediction | |
CN107544008B (zh) | 车载igbt状态监测方法及装置 | |
CN112329868B (zh) | 基于clara聚类的制造加工设备群能效状态评价方法 | |
CN111079270A (zh) | 一种基于二元混合随机过程的轴承剩余寿命预测方法 | |
CN116338405A (zh) | 基于gru网络的igbt剩余使用寿命预测方法 | |
CN114186492A (zh) | 一种基于门控循环单元神经网络的SiC MOSFET器件寿命预测方法 | |
CN113689044A (zh) | 一种开关电源剩余使用寿命预测方法及系统 | |
Roy et al. | An alert-ambient enrolled deep learning model for current reliability prediction of weather impacted photovoltaic inverter | |
Sadat et al. | Measure theory-based approach for remaining useful lifetime prediction in power converters | |
Wang et al. | Classification and prediction of wafer probe yield in DRAM manufacturing using Mahalanobis-Taguchi system and neural network | |
Vaccaro et al. | Remaining Useful Lifetime Prediction of Discrete Power Devices by Means of Artificial Neural Networks |
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 |