CN114004145A - 一种基于径向基神经网络的igbt寿命估算方法 - Google Patents
一种基于径向基神经网络的igbt寿命估算方法 Download PDFInfo
- Publication number
- CN114004145A CN114004145A CN202111252018.7A CN202111252018A CN114004145A CN 114004145 A CN114004145 A CN 114004145A CN 202111252018 A CN202111252018 A CN 202111252018A CN 114004145 A CN114004145 A CN 114004145A
- Authority
- CN
- China
- Prior art keywords
- neural network
- igbt
- radial basis
- basis function
- layer
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000013499 data model Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 42
- 230000032683 aging Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract 1
- 239000004065 semiconductor Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明公开了一种基于径向基神经网络的IGBT寿命估算方法,其包括以下步骤:S1、建立IGBT器件的历史数据集;S2、利用随机采样一致性算法进行数据处理;S3、利用径向基神经网络训练数据模型;S4、估算IGBT的使用寿命。本发明采用径向基神经网络来进行模型训练,该神经网络对非线性模型具有很好的拟合效果,且网络结构简单,该方法的估算准确性高,对于提高电力电子器件的可靠性具有重要意义。
Description
技术领域
本发明涉及半导体领域,具体涉及一种基于径向基神经网络的IGBT寿命估算方法。
背景技术
随着半导体行业的迅速发展,行业竞争也逐渐变得激烈,功率半导体器件的发展受到国家和企业的重视,其中绝缘栅双极型晶体管(简称IGBT)是电力电子设备与系统中最为重要的元件之一,但由于其工作环境的复杂性,且其一般工作在大功率条件下,所以会经常发生一些故障。因此,对IGBT器件的运行情况进行可靠性分析具有重要意义,特别是如果能提前预测发生故障的时刻,且提前准备有效的预警方案,就可以避免灾难性事故的发生。所以对IGBT器件进行寿命预测方向的研究具有非常重要的实际意义。
发明内容
本发明提出了一种基于径向基神经网络的IGBT寿命估算方法。这种方法利用随机采样一致性算法去除离群点,然后利用径向基神经网络来对数据集进行训练建模,最后再对IGBT进行寿命估算,本发明的算法结构简单,实用性强,且具有较高的准确性。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种基于径向基神经网络的IGBT寿命估算方法,其包括以下步骤:
S1、建立IGBT器件的历史数据集;
S2、利用随机采样一致性算法进行数据处理;
S3、利用径向基神经网络训练数据模型;
S4、估算IGBT的使用寿命。
进一步地,步骤S1的具体方法为:
对IGBT器件进行功率循环加速老化实验,每次功率循环都设置在某一固定温度下采集IGBT器件在老化过程中的集电极与发射极之间的导通压降,同时需要通过多个传感器采集并记录该导通压降所对应的集电极电流、器件管壳温度和循环的次数,并建立一个历史数据集。
进一步地,步骤S2的具体方法包括以下步骤:
S2-1、对于历史数据集中的所有集电极与发射极之间的导通压降,从中随机选择k个点作为一个子样本集;
S2-2、计算出该子样本集的拟合模型H;
S2-3、设置一个阈值范围δ,用子样本集的拟合模型H对导通压降数据Vi进行阈值检验,检验规则如下:
如果|Vi-H|≤δ,则Vi被标记为内群点;
如果|Vi-H|>δ,则Vi被标记为离群点;
同时记录下该拟合模型对应的内群点的数量n;
S2-4、对步骤S2-1至步骤S2-3进行多次重复操作,迭代次数设置为m;
S2-5、迭代计算完成后,选择n最大的那一次迭代,取出其中的所有内群点,并从历史数据集中找到这些内群点所对应的集电极电流、器件管壳温度和循环的次数等数据,建立一个步骤S3所需要的神经网络数据集,其中前70%的数据用于训练,后30%的数据用于测试。
进一步地,步骤S3的具体方法包括以下步骤:
S3-1、建立一个基本的三层神经网络结构,网络的输出为集电极与发射极之间的导通压降,网络的输入为输出的导通压降所对应的集电极电流、器件管壳温度和循环的次数;
S3-2、对于第一层神经网络(即输入层),第一层的输出表达式为:
y=ReLU[x1,x2,…,xi]
其中,xi为第i个输入数据;ReLU为线性整流函数;
S3-3、对于第二层神经网络(即隐藏层),将第一层的输出作为第二层的输入,隐藏层的节点采用高斯径向基函数构成,其核函数的表达式为:
其中,c为径向基函数的中心点;δ为神经元的感知范围,用于确定该基函数的中心宽度;
S3-4、对于第三层神经网络(即输出层),其输出表达式如下:
其中,m为隐藏层的神经元个数;w为高斯径向基函数向输出层传递数据所附加的权重值;w0为输出层的偏差项;
S3-5、网络结构设置完成后,定义一个误差损失函数L,初始化权重值矩阵,将训练数据代入,采用误差反向传递的方法对网络内部的参数进行训练更新,直到误差到达要求范围以内;
S3-6、用测试数据集进行网络验证,如未到达要求,则返回步骤S3-5重新进行参数训练,如到达要求,则进入步骤S4。
进一步地,步骤S4的具体方法为:
当IGBT的导通压降的增量变为初始值的20%时,器件发生失效,以此来作为器件的故障阈值,在同等的工作条件下,通过径向基神经网络预测IGBT的导通压降在何时达到故障阈值,其所对应的循环次数即代表该器件的使用寿命。
本发明的有益效果为:本发明需要获取IGBT器件在老化过程中的多种历史数据,然后利用随机采样一致性算法进行数据处理,这样能够剔除掉测量数据中的误差量,避免后续的寿命估计受误差量的影响而造成较大偏差,随后再利用径向基神经网络训练模型,径向基神经网络具有较快的学习速度和良好的非线性转换能力,本发明综合多种技术来进行寿命预测,算法的结构简单,使用便捷,估算精度高,能够提高功率IGBT器件的运行可靠性。
附图说明
图1为本方法的流程示意图;
图2为径向基神经网络的结构模型。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,该基于径向基神经网络的IGBT寿命估算方法包括以下步骤:
S1、建立IGBT器件的历史数据集;
S2、利用随机采样一致性算法进行数据处理;
S3、利用径向基神经网络训练数据模型;
S4、估算IGBT的使用寿命。
步骤S1的具体方法为:
对IGBT器件进行功率循环加速老化实验,每次功率循环都设置在某一固定温度下采集IGBT器件在老化过程中的集电极与发射极之间的导通压降,同时需要通过多个传感器采集并记录该导通压降所对应的集电极电流、器件管壳温度和循环的次数,并建立一个历史数据集。
步骤S2的具体方法包括以下步骤:
S2-1、对于历史数据集中的所有集电极与发射极之间的导通压降,从中随机选择k个点作为一个子样本集;
S2-2、计算出该子样本集的拟合模型H;
S2-3、设置一个阈值范围δ,用子样本集的拟合模型H对导通压降数据Vi进行阈值检验,检验规则如下:
如果|Vi-H|≤δ,则Vi被标记为内群点;
如果Vi-H>δ,则Vi被标记为离群点;
同时记录下该拟合模型对应的内群点的数量n;
S2-4、对步骤S2-1至步骤S2-3进行多次重复操作,迭代次数设置为m;
S2-5、迭代计算完成后,选择n最大的那一次迭代,取出其中的所有内群点,并从历史数据集中找到这些内群点所对应的集电极电流、器件管壳温度和循环的次数等数据,建立一个步骤S3所需要的神经网络数据集,其中前70%的数据用于训练,后30%的数据用于测试。
如图2所示,步骤S3的具体方法包括以下步骤:
S3-1、建立一个基本的三层神经网络结构,网络的输出为集电极与发射极之间的导通压降,网络的输入为输出的导通压降所对应的集电极电流、器件管壳温度和循环的次数;
S3-2、对于第一层神经网络(即输入层),第一层的输出表达式为:
y=ReLU[x1,x2,…,xi]
其中,xi为第i个输入数据;ReLU为线性整流函数;
S3-3、对于第二层神经网络(即隐藏层),将第一层的输出作为第二层的输入,隐藏层的节点采用高斯径向基函数构成,其核函数的表达式为:
其中,c为径向基函数的中心点;δ为神经元的感知范围,用于确定该基函数的中心宽度;
S3-4、对于第三层神经网络(即输出层),其输出表达式如下:
其中,m为隐藏层的神经元个数;w为高斯径向基函数向输出层传递数据所附加的权重值;w0为输出层的偏差项;
S3-5、网络结构设置完成后,定义一个误差损失函数L,初始化权重值矩阵,将训练数据代入,采用误差反向传递的方法对网络内部的参数进行训练更新,直到误差到达要求范围以内;
S3-6、用测试数据集进行网络验证,如未到达要求,则返回步骤S3-5重新进行参数训练,如到达要求,则进入步骤S4。
步骤S4的具体方法为:
当IGBT的导通压降的增量变为初始值的20%时,器件发生失效,以此来作为器件的故障阈值,在同等的工作条件下,通过径向基神经网络预测IGBT的导通压降在何时达到故障阈值,其所对应的循环次数即代表该器件的使用寿命。
综上所述,本发明提出了一种基于径向基神经网络的IGBT寿命估算方法。所提出的方法结合了两种算法,随机采样一致性算法能够处理数据集中的误差量,径向基神经网络能够快速逼近连续的非线性函数,两种方法的结合能够提高器件寿命估算的准确性,本发明的算法结构简单,操作简便,能够提高IGBT器件在使用中的可靠性,具有较高的实际运用价值。
Claims (5)
1.一种基于径向基神经网络的IGBT寿命估算方法,其特征在于,包括以下步骤:
S1、建立IGBT器件的历史数据集;
S2、利用随机采样一致性算法进行数据处理;
S3、利用径向基神经网络训练数据模型;
S4、估算IGBT的使用寿命。
2.根据权利要求1所述的基于径向基神经网络的IGBT寿命估算方法,其特征在于,所述步骤S1的具体方法为:
对IGBT器件进行功率循环加速老化实验,每次功率循环都设置在某一固定温度下采集IGBT器件在老化过程中的集电极与发射极之间的导通压降,同时需要通过多个传感器采集并记录该导通压降所对应的集电极电流、器件管壳温度和循环的次数,并建立一个历史数据集。
3.根据权利要求1所述的基于径向基神经网络的IGBT寿命估算方法,其特征在于,所述步骤S2的具体步骤为:
S2-1、对于历史数据集中的所有集电极与发射极之间的导通压降,从中随机选择k个点作为一个子样本集;
S2-2、计算出该子样本集的拟合模型H;
S2-3、设置一个阈值范围δ,用子样本集的拟合模型H对导通压降数据Vi进行阈值检验,检验规则如下:
如果|Vi-H|≤δ,则Vi被标记为内群点;
如果|Vi-H|>δ,则Vi被标记为离群点;
同时记录下该拟合模型对应的内群点的数量n;
S2-4、对步骤S2-1至步骤S2-3进行多次重复操作,迭代次数设置为m;
S2-5、迭代计算完成后,选择n最大的那一次迭代,取出其中的所有内群点,并从历史数据集中找到这些内群点所对应的集电极电流、器件管壳温度和循环的次数等数据,建立一个步骤S3所需要的神经网络数据集,其中前70%的数据用于训练,后30%的数据用于测试。
4.根据权利要求1所述的基于径向基神经网络的IGBT寿命估算方法,其特征在于,所述步骤S3的具体步骤为:
S3-1、建立一个基本的三层神经网络结构,网络的输出为集电极与发射极之间的导通压降,网络的输入为输出的导通压降所对应的集电极电流、器件管壳温度和循环的次数;
S3-2、对于第一层神经网络(即输入层),第一层的输出表达式为:
y=ReLU[x1,x2,…,xi]
其中,xi为第i个输入数据;ReLU为线性整流函数;
S3-3、对于第二层神经网络(即隐藏层),将第一层的输出作为第二层的输入,隐藏层的节点采用高斯径向基函数构成,其核函数的表达式为:
其中,c为径向基函数的中心点;δ为神经元的感知范围,用于确定该基函数的中心宽度;
S3-4、对于第三层神经网络(即输出层),其输出表达式如下:
其中,m为隐藏层的神经元个数;w为高斯径向基函数向输出层传递数据所附加的权重值;w0为输出层的偏差项;
S3-5、网络结构设置完成后,定义一个误差损失函数L,初始化权重值矩阵,将训练数据代入,采用误差反向传递的方法对网络内部的参数进行训练更新,直到误差到达要求范围以内;
S3-6、用测试数据集进行网络验证,如未到达要求,则返回步骤S3-5重新进行参数训练,如到达要求,则进入步骤S4。
5.根据权利要求1所述的基于径向基神经网络的IGBT寿命估算方法,其特征在于,所述步骤S4的具体方法为:
当IGBT的导通压降的增量变为初始值的20%时,器件发生失效,以此来作为器件的故障阈值,在同等的工作条件下,通过径向基神经网络预测IGBT的导通压降在何时达到故障阈值,其所对应的循环次数即代表该器件的使用寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111252018.7A CN114004145A (zh) | 2021-10-26 | 2021-10-26 | 一种基于径向基神经网络的igbt寿命估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111252018.7A CN114004145A (zh) | 2021-10-26 | 2021-10-26 | 一种基于径向基神经网络的igbt寿命估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004145A true CN114004145A (zh) | 2022-02-01 |
Family
ID=79924297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111252018.7A Pending CN114004145A (zh) | 2021-10-26 | 2021-10-26 | 一种基于径向基神经网络的igbt寿命估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004145A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008036921A2 (en) * | 2006-09-21 | 2008-03-27 | Impact Technologies, Llc | Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life |
CN107271808A (zh) * | 2017-05-17 | 2017-10-20 | 浙江万里学院 | 基于红外热成像技术的多电平逆变器故障诊断方法 |
CN110852509A (zh) * | 2019-11-11 | 2020-02-28 | 北京昊鹏智能技术有限公司 | Igbt模块的故障预测方法、装置及存储介质 |
CN111415010A (zh) * | 2020-03-20 | 2020-07-14 | 广东电网有限责任公司阳江供电局 | 一种基于贝叶斯神经网络的风电机组参数辨识方法 |
CN111597759A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 变流装置igbt剩余使用寿命预测模型的构建方法 |
-
2021
- 2021-10-26 CN CN202111252018.7A patent/CN114004145A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008036921A2 (en) * | 2006-09-21 | 2008-03-27 | Impact Technologies, Llc | Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life |
CN107271808A (zh) * | 2017-05-17 | 2017-10-20 | 浙江万里学院 | 基于红外热成像技术的多电平逆变器故障诊断方法 |
CN110852509A (zh) * | 2019-11-11 | 2020-02-28 | 北京昊鹏智能技术有限公司 | Igbt模块的故障预测方法、装置及存储介质 |
CN111415010A (zh) * | 2020-03-20 | 2020-07-14 | 广东电网有限责任公司阳江供电局 | 一种基于贝叶斯神经网络的风电机组参数辨识方法 |
CN111597759A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 变流装置igbt剩余使用寿命预测模型的构建方法 |
Non-Patent Citations (2)
Title |
---|
WEI WU等: "remaining useful lifetime prediction based on extended kalman particle filter for power sic mosfets", MICROMACHINES, vol. 14, no. 4, 12 April 2023 (2023-04-12), pages 1 - 16 * |
古湧乾: "大功率SiC MOSFET器件寿命预测方法研究", 万方数据, 15 January 2023 (2023-01-15), pages 1 - 20 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046564B (zh) | 两阶段退化产品的剩余寿命预测方法 | |
CN111190088B (zh) | 一种igbt性能退化特征参数的提取方法 | |
CN107238765A (zh) | 基于加速性能退化参数的led集成驱动电源可靠性分析方法 | |
CN113391211B (zh) | 一种小样本条件下的锂电池剩余寿命预测方法 | |
CN104463331B (zh) | 基于模糊理论的加速退化试验建模方法 | |
CN116381514B (zh) | 一种电芯压差预警方法、装置、存储介质及设备 | |
CN113359048A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
Li et al. | Remaining useful life prediction of lithium battery using convolutional neural network with optimized parameters | |
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 | |
CN115659768A (zh) | 一种igbt剩余使用寿命预测方法及装置 | |
CN113962253B (zh) | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 | |
CN112685958B (zh) | 一种基于神经网络的SiC MOSFET阻断电压确定方法 | |
Zhang et al. | State of charge prediction of lithium-ion batteries for electric aircraft with swin transformer | |
CN110532629A (zh) | 一种多模态退化过程的剩余寿命预测方法 | |
CN114004145A (zh) | 一种基于径向基神经网络的igbt寿命估算方法 | |
Shao et al. | Degradation modeling with long-term memory considering measurement errors | |
CN116702060A (zh) | 一种多电平逆变器功率器件故障诊断方法 | |
CN116819382A (zh) | 一种基于数字孪生的dc-dc变换器状态监测方法 | |
CN114924192B (zh) | 基于神经网络的并联电池组安全预警方法 | |
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 | |
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 | |
CN116521495A (zh) | 一种基于强化学习的系统性能瓶颈检测方法 | |
CN113987900A (zh) | 一种基于扩展卡尔曼粒子滤波的igbt寿命预测方法 | |
CN114676887A (zh) | 一种基于图卷积stg-lstm的河流水质预测方法 |
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 |