CN115600502A - 基于gru神经网络的igbt模块寿命预测模型的构建方法 - Google Patents

基于gru神经网络的igbt模块寿命预测模型的构建方法 Download PDF

Info

Publication number
CN115600502A
CN115600502A CN202211380833.6A CN202211380833A CN115600502A CN 115600502 A CN115600502 A CN 115600502A CN 202211380833 A CN202211380833 A CN 202211380833A CN 115600502 A CN115600502 A CN 115600502A
Authority
CN
China
Prior art keywords
igbt module
neural network
life prediction
prediction model
gru neural
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
Application number
CN202211380833.6A
Other languages
English (en)
Inventor
李新宇
孟子民
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202211380833.6A priority Critical patent/CN115600502A/zh
Publication of CN115600502A publication Critical patent/CN115600502A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及功率半导体器件中IGBT模块的可靠性分析技术领域，公开了涉及基于GRU神经网络的IGBT模块寿命预测模型的构建方法、使用该构建方法构建出的最优参数的IGBT模块寿命预测模型、以及使用该预测模型对IGBT模块寿命进行预测的方法。本发明从IGBT模块的老化特征量出发，提出一种基于GRU神经网络的寿命预测模型的构建方法。本发明设计合理，在进行模型构建时，对GRU神经网络寿命预测模型采用网格搜索法进行参数调优，改善了对循环神经网络超参数选取过于随机，或仅对已有参考神经网络参数进行微调的问题，所提出的最优参数的GRU神经网络寿命预测模型预测精度更高，在IGBT模块的寿命预测问题上有更好的适配性。

Description

基于GRU神经网络的IGBT模块寿命预测模型的构建方法
技术领域
本发明涉及功率半导体器件中IGBT模块的可靠性分析技术领域，更具体的，涉及基于GRU神经网络的IGBT模块寿命预测模型的构建方法、使用该构建方法构建出的最优参数的IGBT模块寿命预测模型、以及使用该预测模型对IGBT模块寿命进行预测的方法。
背景技术
随着电力电子技术和半导体制造技术的不断发展，功率半导体器件在如风力、太阳能等可再生能源并网发电、电动汽车、电力系统以及航空航天动力系统等领域的应用进行着不断地拓展。受益于新能源汽车、轨道交通、智能电网的蓬勃发展带来的海量需求，同时，受到新冠疫情对于全球半导体产业链的冲击，功率半导体器件产能严重不足，旧功率半导体器件的回收再利用迎来新的发展机遇。
绝缘栅双极型晶体管(IGBT)是一种综合了功率金属氧化物半导体场效应晶体管(MOSFET)和双极结型晶体管(BJT)结构的复合型功率半导体器件，具有开关速度快、驱动功率小、控制电路简单，通断速度快等优点，广泛应用在电动汽车、电动汽车AC/DC充电模块等电子元器件需长时间处于使用状态或经常存在电力循环的使用场景下。例如在电动汽车及其充电设备中，IGBT器件通过电流量很大，同时伴随着较大的温度波动，承受周期变化的热应力冲击，很容易形成长期的失效累积，从而降低了器件乃至整个系统的可靠性。由于IGBT器件的高失效率，其被认为是机电系统中最薄弱的环节。因此，预测IGBT的剩余使用寿命对电力系统的稳定运行具有重要意义。
目前，IGBT寿命预测主要是通过基于数学模型与物理模型的寿命预测方法，但其建模过程过于复杂、预测模型泛化能力不足、模型参数多且精确获取难度较大。因此需要用其他方法提高模块寿命预测精度与速度。
发明内容
基于此，有必要针对现有IGBT寿命预测模型预测精度不高的问题，提供基于最优参数的循环神经网络的IGBT模块寿命预测模型的构建方法、使用该构建方法构建出的IGBT模块寿命预测模型、以及使用该预测模型对IGBT模块寿命进行预测的方法。
本发明采用以下技术方案实现：
第一方面，本发明公开了基于GRU神经网络的IGBT模块寿命预测模型的构建方法，其用于对IGBT模块构建最优参数的GRU神经网络IGBT模块寿命预测模型。
基于GRU神经网络的IGBT模块寿命预测模型的构建方法包括以下步骤：
步骤一，对IGBT模块进行的功率循环老化试验，获取IGBT模块老化特征量数据，得到实验组数据集与验证组数据集；
步骤二，对IGBT模块老化特征量数据进行预处理，得到处理后的实验组数据集和处理后的测试组数据集；其中，以特定比例将处理后的实验组数据集分割为训练集与验证集；
步骤三，确定GRU神经网络框架，初步搭建GRU神经网络模型；
步骤四，使用训练集和验证集对GRU神经网络模型进行训练，以神经网络的训练损失函数及验证损失函数为验证指标，先确定GRU网络的最优隐藏层层数，再确定最优隐藏层节点数、最优训练循环次数，形成基于最优参数的GRU神经网络IGBT模块寿命预测模型；
其中，最优隐藏层层数的确定方法为：
用均方根误差函数作为IGBT寿命预测问题的预测指标，以不同的隐藏层层数与不同的隐藏层节点数，分别迭代相同的次数，对比不同层数均方根误差均值，确定最优隐藏层层数；
最优隐藏层节点数、最优训练循环次数的确定方法为：
先用经验公式确定模型中所有备选隐藏层节点数的情况，再用网格搜索法进行参数调优；网格搜索法为在所有候选的参数选择中，通过循环遍历，计算出每一种情况的预测结果；
选取均方误差作为损失函数，根据简单交叉验证法，以训练损失与验证损失的图线变化趋势确定最优隐藏层节点数、最优循环训练次数；
步骤五，将处理后的测试组数据集代入基于最优参数的GRU神经网络IGBT模块寿命预测模型，验证其网络模型精度及其有效性。
该基于GRU神经网络的IGBT模块寿命预测模型的构建方法实现根据本公开的实施例的方法或过程。
第二方面，本发明提供了最优参数的GRU神经网络IGBT模块寿命预测模型，其是使用了第一方面的基于GRU神经网络的IGBT模块寿命预测模型的构建方法构建的。
本发明也提供了一种基于GRU神经网络的IGBT模块寿命预测方法，其使用了上述的最优参数的GRU神经网络IGBT模块寿命预测模型；
所述基于GRU神经网络的IGBT模块寿命预测方法包括：
获取IGBT模块的通态压降，导入上述的最优参数的GRU神经网络IGBT模块寿命预测模型，获得该IGBT模块的老化程度。
第三方面，本发明公开了一种可读存储介质，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述的基于GRU神经网络的IGBT模块寿命预测模型的构建方法。
与现有技术相比，本发明具备如下有益效果：
1、本发明从IGBT模块的老化特征量出发，提出一种基于GRU(门控循环神经元)神经网络的寿命预测模型的构建方法。本发明设计合理，在进行模型构建时，对GRU神经网络寿命预测模型采用网格搜索法进行参数调优，改善了对循环神经网络超参数选取过于随机，或仅对已有参考神经网络参数进行微调的问题，所提出的最优参数的GRU神经网络寿命预测模型预测精度更高，在IGBT模块的寿命预测问题上有更好的适配性。
2、本发明提出的构建方法基于数据驱动的神经网络，更加的数据化、智能化，改善了传统数学物理模型预测方法的建模过程过于复杂、预测模型泛化能力不足、模型参数多且精确获取难度较大的问题。
附图说明
图1是本发明实施例1提供的IGBT模块寿命预测模型的建模与测试流程图；
图2是图1中IGBT寿命预测模型的寿命预测对象IGBT模块的模块结构示意图；
图3是图2中IGBT模块的功率循环测试曲线图；
图4是图2中IGBT模块饱和通态压降原始数据集及评判标准图；
图5是图2中IGBT模块饱和通态压降数据集局部滤波前后对比图；
图6是图1中IGBT模块寿命预测模型的GRU循环神经网络结构图；
图7是图6中GRU神经网络的不同隐藏层数的均方根误差图；
图8是图6中GRU神经网络的单层GRU神经网络不同节点数损失趋势图；
图9是图8中a区域的放大示意图；
图10是图8中b区域的放大示意图；
图11是图8中c区域的放大示意图；
图12是图8中d区域的放大示意图；
图13是图8中e区域的放大示意图；
图14是图8中f区域的放大示意图；
图15是图8中g区域的放大示意图；
图16是图8中h区域的放大示意图；
图17是图8中i区域的放大示意图；
图18是图1中IGBT模块寿命预测模型采用最优参数的GRU神经网络后的预测结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，当组件被称为“安装于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。当一个组件被认为是“固定于”另一个组件，它可以是直接固定在另一个组件上或者可能同时存在居中组件。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“或/及”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例1
参看图1，图1为本发明的IGBT模块寿命预测模型的建模与测试流程图。IGBT模块即为IGBT模块寿命预测模型的寿命预测对象。
请结合图2，图2为IGBT模块的结构示意图。IGBT模块是一种多层的复杂结构，其中包含键合线、IGBT单管芯片、续流二极管FWD芯片、上下焊料层、DBC层的上下铜层、DBC层中间的陶瓷层、与DBC层连接的铜基板以及最外层的散热器。IGBT模块工作时，热量传递的方式较为简单。大量热量主要由IGBT单管芯片和续流二极管FWD两个发热源产生，热量首先向下传递至与两个芯片直接接触的焊料层中，再传递至DBC层中的各层，接着继续向下传递至铜基板，最后部分由外壳传递至空气中或者大部分传递到下方散热器上，散热器与空气之间再由热对流的方式进行散热。分析可知，热量自上而下通过热传导发生传递。其中，IGBT单管芯片和续流二极管FWD芯片之间还存在着热辐射现象。
IGBT模块中主要发生的失效形式是焊料层老化。其中，IGBT模块中有两处焊料层，第一部分是在DBC上铜层与IGBT芯片和续流二极管FWD芯片底部之间，另一部分是在DBC下铜层与底部铜基板之间。由于模块中的每一层结构的材料，且每一种材料的热膨胀系数(CTE)也不同，此时IGBT模块工作运行时产生的热循环应力会带来每一层材料之间物理上的偏移，继而造成了物理上的损伤。
基于上述IGBT模块失效形式分析，本发明提出了一种IGBT模块寿命预测模型及模型构建方法。具体地说，是基于GRU神经网络的IGBT模块寿命预测模型的构建方法、以及使用该构建方法构建出的寿命预设模型。
参看图1，具体的，基于GRU神经网络的IGBT模块寿命预测模型的构建方法包括以下步骤：
步骤一，对IGBT模块进行的功率循环老化试验，获取IGBT模块老化特征量数据，得到实验组数据集与验证组数据集。
步骤一是为了IGBT模块老化特征量采集。主要的方式是通过功率半导体K系数测试仪测得IGBT模块的K系数，再选定功率循环老化试验的控制方式，确定参数进行功率老化试验(即选择恒定的导通及关断时间的功率加载方式进行功率循环老化试验)，取得老化特征量变化数据与功率循环次数(即总体循环老化试验次数)。其中，每完成一次循环后采集一组IGBT模块老化特征量数据。而老化特征量数据包括模块通态压降数据、结温数据、壳温数据、热阻数据等。
本实施例中是采用两个相同型号的IGBT模块进行的功率循环老化试验，这样获取到两组IGBT模块老化特征量数据，该两组数据分别设置为实验组数据集与测试组数据集。当然，也可以选取N个相同型号(N>2)的IGBT模块进行试验，获取更多组数据，取其中N-1组数据作为实验组数据集用于训练神经网络模型，另一组数据作为测试组数据集用于测试模型精度。
对IGBT模块进行功率循环老化试验，采用了功率半导体K系数测试仪、功率半导体老化试验平台，包括试验平台、功率半导体装夹平台、接线控制台、PC主机、驱动电源及循环液冷系统等。本发明选择的试验研究对象是：从电动汽车中拆解出的IGBT模块，由英飞凌公司设计生产的IKW30N65H5型号模块，模块的部分性能参数见表1。
表1 IKW30N65H5模块部分性能参数
Figure BDA0003927623550000071
试验设计以室温25℃作为本试验结温起始温度，取额定最大结温的80％作为试验最高结温，取额定最大电流(Tc＝100℃)的90％作为试验电流，留出试验余量防止模块击穿，按照试验设备的工作与冷却时间确定开通与关断的具体时间。功率循环测试加载功率曲线图参看图3，功率循环测试设计见表2。
表2功率循环测试设计
Figure BDA0003927623550000072
首先，将IGBT模块接入功率半导体K系数测试仪测试插板，通入测试电流(为脉冲电流)，通过测试结果绘制出IGBT模块导通v-t图像，通过计算分别得到两组IGBT模块的具体K系数。接着，确定其具体K系数后将两组IGBT模块置于功率老化试验平台装夹，最后再进行功率循环老化试验。
功率循环老化试验时，选择恒定的导通及关断时间作为老化试验的控制方式，每完成一次导通到关断的过程视为一次循环，每完成一次循环后采集一组IGBT模块老化特征量数据，包含器件处于最高结温时的通态压降Vce_hot；器件处于最低结温时的通态压降Vce_cold；最高结温Tj，max；最低结温Tj，min；结温摆幅ΔTj；最高壳温Tc，max；最低壳温Tc，min；壳温摆幅ΔTc；结壳间的热阻，即内部硅片与封装外壳间的热阻Rjc。试验结果见表3。
表3部分功率循环测试结果
Figure BDA0003927623550000081
需要说明的是，本实施例选用模块处于最高结温时的饱和通态压降Vce_hot作为器件失效特征量。记录下未经过循环的新IGBT模块的饱和通态压降的值，并将其剩余使用寿命标定为100％。经过多次上述循环直至饱和通态压降到达老化失效阈值，将IGBT模块判定为失效，记录全部功率循环次数及最后一次循环后IGBT模块的饱和通态压降的值，并将其对应的剩余使用寿命标定为0％，将此组数据中的循环次数、饱和通态压降的值、剩余使用寿命进行一一对应标定。
步骤二，对IGBT模块老化特征量数据进行预处理，得到处理后的实验组数据集和处理后的测试组数据集；其中，以特定比例将处理后的实验组数据集分割为训练集与验证集。
步骤二主要是对数据预处理，包括将实验组与测试组数据集进行滤波处理、归一化处理，再确定网络输入输出序列，以特定比例将实验组数据集分割训练集与验证集。
具体的，步骤二中预处理的方法包括：
步骤2.1、用S-G滤波法对IGBT模块老化特征量数据进行滤波处理，降低数据波动性，增强数据周期性，提高神经网络预测模型训练效率。
选用IGBT功率循环老化试验中处于最高结温时的饱和通态压降Vce_hot作为器件老化特征量。通常采用的评估标准为：饱和通态压降上升3％评定为老化开始；饱和通态压降上升5％评定为老化早期；饱和通态压降上升10％评定为老化晚期；饱和通态压降上升20％评定为临界失效。依据此，将步骤一中获得的老化数据绘图并标记出失效位置如图4，其中纵坐标是饱和通态压降电压值，横坐标是循环次数。
为了削弱噪音对于神经网络训练的不良影响，提高寿命预测精度，本发明选用S-G滤波法来降低数据波动性，增强数据周期性。S-G滤波法的算法是对指定宽度(2m+1)的滑动窗口内的数据进行加权平滑化，且所加权重是根据给定的高阶多项式运用最小二乘法拟合得来。
首先对当前时刻的观测值xt进行k-1阶多项式的拟合：
xt＝a0+a1·t+a2·t2+...+ak-1·tk-1 (1)
式中：t＝(-m，-m+1，…，0，1，…，m-1，m)，表示不同时刻；k为线性方程组的阶数；a为拟合参数。
类似的，对于前后观测点都进行多项式拟合，然后将其联立成一个矩阵：
Figure BDA0003927623550000091
式中：x表示观测值；t表示时刻；n为滑动窗口的宽度，即2m+1；ε为常数。
将矩阵简化为超定方程组：
X(2n+1)×1＝T(2n+1)×k·AK+1+E(2n+1)×1 (2)
式中：X、T、A、E均代表矩阵。
则可得到滤波结果公式：
P＝T·(Tt·T)-1·Tt·X＝B·X (3)
式中：P为滤波结果矩阵；B为滤波系数矩阵，由且仅由T矩阵决定，且B矩阵为(2m+1)×(2m+1)阶矩阵。
将滑动窗口的长度大小设定为15，且由于原始数据量较大，多项式拟合的阶数设置为1，截取循环20000次之后的局部500组数据如图5，图5是IGBT模块饱和通态压降数据集局部滤波前后对比图。
步骤2.2，为了进一步提高神经网络预测模型训练效率，加快网络收敛速度，需要对滤波后的IGBT模块老化特征量数据进行归一化。
将上述老化特征量数据利用下式进行归一化：
Figure BDA0003927623550000101
其中，Ni表示归一化后的老化特征量，Di表示归一化前的老化特征量，μ表示老化特征量数据的均值，σ表示老化特征量数据的标准差。
步骤2.3、用滑动窗口法按照一定的窗口大小在预处理后的IGBT模块老化特征量数据上从左向右依次取值，以窗口内部的取值为输入序列X，以取值窗口右侧的第一个数值为输出序列Y，建立老化特征量数据从输入到输出之间的映射关系。
本实施例选用窗口大小为60的滑动窗口，以前60个老化特征量数据为输入序列X，以第61个老化特征量数据为输出序列Y，建立输入输出序列。
即将上述老化特征量数据利用下式进行输入输出序列建立：
Figure BDA0003927623550000102
采用步骤2.1、2.2、2.3对实验组数据集和验证组数据集进行相同的处理，得到处理后的实验组数据集和处理后的验证组数据集。
步骤2.4，将实验组数据集处理后的输入与输出序列按照相应的比例分割成训练集与验证集。
具体的，本实施例将步骤2.3中实验组原始老化特征量数据集获得的输入与输出序列前70％设置为训练集，后30％设置为验证集。
步骤三，确定GRU神经网络框架，初步搭建GRU神经网络模型。
完整的GRU循环神经网络结构如图6，图6是图1中IGBT模块寿命预测模型的GRU循环神经网络结构图，包含一个序列输入层、一个隐藏层、一个全连接层和回归输出层。
序列输入层将IGBT模块老化特征量数据输入序列导入到网络中。隐藏层通过输入权值、递归权值和偏置权值来学习IGBT模块循环老化试验时序数据的高级特征。隐藏层包括若干组子隐层，任一组子隐层包括若干个具有可配置隐藏层节点个数的GRU层和一个设定了初始值的丢弃概率的Dropout层。然后是一个全连接层和回归输出层，输出GRU网络预测的IGBT模块老化特征量的预测值。本实施例用TensorFlow.Keras为框架、以Python为编程语言进行算法编写，创建一个上述结构的初始GRU神经网络。其中，子隐层具体个数，每个GRU层的节点具体个数即为后续模型构建所要得到的。
步骤四，使用训练集和验证集对GRU神经网络模型进行训练。其中，训练集用于模型的初步拟合，并对训练误差进行梯度下降，获得权重参数；验证集用于调整模型的超参数，并确定其泛化能力。
以神经网络的训练损失函数及验证损失函数为验证指标，先确定GRU网络的最优隐藏层层数，再确定最优隐藏层节点数、最优训练循环次数，形成基于最优参数的GRU神经网络IGBT模块寿命预测模型。
本步骤为本发明的核心，其目的就是获取到GRU神经网络的最优参数。
其中，最优隐藏层层数的确定方法为：用均方根误差函数(RMSE)作为IGBT寿命预测问题的预测指标，以不同的隐藏层层数与不同的隐藏层节点数，分别迭代相同的次数，对比不同层数均方根误差均值，确定最优隐藏层层数。
选择不同层数的隐藏层，在很大程度上都会影响神经网络的性能，且层数的选择一般由试验确定。本实施例试验设置为：以隐藏层数为1、2、3层共计3个参数，每个隐藏层的节点数为50、55、60、65、70、75、80、85、90、95、100个共计11个参数，单次训练迭代次数epoch取5次，用Python编写循环程序，分别用以上不同的参数测试GRU网络模型，以均方根误差为指标，通过对比确定隐藏层层数的选择，具体的，以均方根误差均值最小时为最优隐藏层层数。
试验结果见图7，图7是图6中GRU神经网络的不同隐藏层数的均方根误差图。依据图7的GRU结果图，横坐标表示上述11个不同节点数的选取，1、2、3表示所设隐藏层层数。单层隐藏层时，RMSE均值为7.09E-3，两层隐藏层时，RMSE均值为9.11E-3，三层隐藏层时，RMSE均值为1.26E-2，其随着层数的增加在逐步增大，且随着隐藏层层数的增加，均方根误差的波动也随之增加，所以本实施例中GRU神经网络选用单层隐藏层。
其中，最优隐藏层节点数、最优训练循环次数的确定方法为：先用经验公式确定模型中所有备选隐藏层节点数的情况，再用网格搜索法进行参数调优；需要说明的是，网格搜索法为在所有候选的参数选择中，通过循环遍历，计算出每一种情况的预测结果；
选取均方误差(MSE)作为损失函数，根据简单交叉验证法，以训练损失与验证损失的图线变化趋势确定最优隐藏层节点数、最优循环训练次数。
对GRU神经网络IGBT模块寿命预测模型精度起决定性影响的参数除了隐藏层的层数，还有每层的节点数以及单次训练迭代次数。
在应用中，对于隐藏层神经节点数量的确定并没有特定的理论依据，一般按照具体预测目标结合经验公式进行大量试验，从而确定适合本文模型的参数，经验公式如下：
Figure BDA0003927623550000131
其中，Nh是隐藏层神经节点数；Ns是训练集的样本数；Ni是输入层神经元个数；N0是输出层神经元个数；a是系数，可以根据模型取值，通常范围可取2～10。
为了准确获取参数及不同参数下的模型变化形式，本发明采用网格搜索法进行参数调优，在所有候选的参数选择中，通过循环遍历，尝试每一种可能性，表现最好的参数就是最终的结果。优化参数试验测试设置见表4。
表4优化参数试验设置
Figure BDA0003927623550000132
将循环训练次数epoch设定为30，上述隐藏层神经节点数代入，选取均方误差(MSE)作为损失函数，选用简单交叉验证法，观察训练损失与验证损失的变化趋势，若训练损失不断下降，验证损失也不断下降，说明网络欠拟合；训练损失不断下降，验证损失趋于稳定，说明网络过拟合；训练损失与验证损失趋于重合且变化稳定，则说明此参数适合，且重合点为最优循环训练次数。为了更好的观察图线变化趋势，试验从epoch＝3时开始记录，结果见图8，图8是图6中GRU神经网络的单层GRU神经网络不同节点数损失趋势图。为了更好的看清图8中的各个区域的细节，在本实施例中对图8中的9个区域进行局部放大，如图9至图17所示：图9是图8中a区域的放大示意图；图10是图8中b区域的放大示意图；图11是图8中c区域的放大示意图；图12是图8中d区域的放大示意图；图13是图8中e区域的放大示意图；图14是图8中f区域的放大示意图；图15是图8中g区域的放大示意图；图16是图8中h区域的放大示意图；图17是图8中i区域的放大示意图。
依据图8可知，265、180、130、105节点数时，模型处于过拟合状态。后面的其他节点数的模型均收敛可用，但随着隐藏层神经节点数量的增加，最优循环训练次数也在增加，时间成本也随之增加，所用时间记录如下表5。
表5单层GRU网络运行时间与次数记录
Figure BDA0003927623550000141
取收敛可用的模型，以时间成本最低作为指标，得到最优模型参数。具体的，依据表5可知，单层GRU神经网络在隐藏层节点数为60个，循环次数为23次时完成的总时间(138s)最短，即为本实施例所获得的最优模型参数。
步骤五，将处理后的测试组数据集代入基于最优参数的GRU神经网络IGBT模块寿命预测模型，测试其网络模型精度及其有效性。
步骤五的目的在于测试得到的基于最优参数的GRU神经网络IGBT模块寿命预测模型的进度和有效性。
测试组数据集也进行步骤二的预处理，得到处理后的测试组数据集。将其导入最优参数的GRU神经网络IGBT模块寿命预测模型，测试模型预测精度与适配性。本实施例中，为了最优参数的GRU神经网络IGBT模块寿命预测模型对于IGBT模块剩余寿命的预测能力，从测试组数据集中随机抽取120个连续的饱和通态压降数据，再经过步骤二预处理之后，代入最优参数的GRU神经网络IGBT模块寿命预测模型中，得到预测的60个数据。结果如图18所示，图18是图1中IGBT模块寿命预测模型采用最优参数的GRU神经网络后的预测结果图，后60个数据体现出预测的趋势。
此外，为了量化分析基于最优参数的GRU神经网络IGBT模块寿命预测模型的预测能力，计算其均方根误差、平均绝对误差、决定系数等参数。
对于模型的具体性能可以通过采用均方根误差(RMSE)、平均绝对误差(MAE)和决定系数R2等参数量化分析模型预测能力，公式如下：
Figure BDA0003927623550000151
Figure BDA0003927623550000152
Figure BDA0003927623550000153
其中，N为样本数，yi为真实值，
Figure BDA0003927623550000154
为预测值，
Figure BDA0003927623550000155
为真实值的平均值。RMSE和MAE表示预测值与真实值的偏差程度，结果越接近0说明模型拟合度越好；R2评价回归模型系数拟合优度，结果越接近1表示可以被解释的程度越高，回归模型的效果越好。
为了消除实验结果的偶然性，进行多次实验求其平均值，量化参数结果见表6。
表6 GRU网络模型性能指标
Figure BDA0003927623550000156
依据表6可知，在GRU神经网络IGBT模块寿命预测模型为最优参数时精度较高，RMSE和MAE均值低于0.5％，决定系数R2超过99.9％，因此本实施例中的该模型具有极高的拟合优度，优于传统的数学拟合模型与物理仿真模型。
本实施例也提供了基于GRU神经网络的IGBT模块寿命预测模型，其是使用上述的基于GRU神经网络的IGBT模块寿命预测模型的构建方法构建的。本实施例也提供了一种基于GRU神经网络的IGBT模块寿命预测方法，其使用了如上述的基于GRU神经网络的IGBT模块寿命预测模型。具体的，基于GRU神经网络的IGBT模块寿命预测方法包括：获取IGBT模块的通态压降，导入该基于GRU神经网络的IGBT模块寿命预测模型，获得该IGBT模块的老化程度，其也表征该IGBT模块的剩余寿命。基于上面的验证可知，使用本寿命预测模型可准确得到该IGBT模块的老化程度。
当然，需要说明的是，本实施例IGBT模块采用的是IKW30N65H5模块，因此建立的寿命预测模型也是针对IKW30N65H5模块的。若要对其他信号进行预测，就需要依靠上述模型建立方法建立起相应的寿命预测模型。
实施例2
本实施例公开了一种可读存储介质，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述的基于GRU神经网络的IGBT模块寿命预测模型的构建方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.基于GRU神经网络的IGBT模块寿命预测模型的构建方法，其用于对IGBT模块构建最优参数的GRU神经网络IGBT模块寿命预测模型，其特征在于，所述构建方法包括以下步骤：
步骤一，对IGBT模块进行的功率循环老化试验，获取IGBT模块老化特征量数据，得到实验组数据集与测试组数据集；
步骤二，对IGBT模块老化特征量数据进行预处理，得到处理后的实验组数据集和处理后的测试组数据集；其中，以特定比例将处理后的实验组数据集分割为训练集与验证集；
步骤三，确定GRU神经网络框架，初步搭建GRU神经网络模型；
步骤四，使用训练集和验证集对GRU神经网络模型进行训练；以神经网络的训练损失函数及验证损失函数为验证指标，先确定GRU网络的最优隐藏层层数，再确定最优隐藏层节点数、最优训练循环次数，形成基于最优参数的GRU神经网络IGBT模块寿命预测模型；
其中，所述最优隐藏层层数的确定方法为：
用均方根误差函数作为IGBT寿命预测问题的预测指标，以不同的隐藏层层数与不同的隐藏层节点数，分别迭代相同的次数，对比不同层数均方根误差均值，确定最优隐藏层层数；
所述最优隐藏层节点数、所述最优训练循环次数的确定方法为：
先用经验公式确定模型中所有备选隐藏层节点数的情况，再用网格搜索法进行参数调优；所述网格搜索法为在所有候选的参数选择中，通过循环遍历，计算出每一种情况的预测结果；
选取均方误差作为损失函数，根据简单交叉验证法，以训练损失与验证损失的图线变化趋势确定最优隐藏层节点数、最优循环训练次数；
步骤五，将处理后的测试组数据集代入基于最优参数的GRU神经网络IGBT模块寿命预测模型，验证其网络模型精度及其有效性。
2.根据权利要求1所述的基于GRU神经网络的IGBT模块寿命预测模型的构建方法，其特征在于，步骤一包括：
通过功率半导体K系数测试仪测量出IGBT模块的特性图得到K系数值；
选定功率循环老化试验的控制方式，确定参数进行功率老化试验；
每完成一次循环后采集一组IGBT模块老化特征量数据，获得老化特征量数据、功率循环次数；
其中，所述老化特征量数据包括模块通态压降数据、结温数据、壳温数据、热阻数据。
3.根据权利要求2所述的基于GRU神经网络的IGBT模块寿命预测模型的构建方法，其特征在于，步骤二中，所述预处理的方法包括：
步骤2.1、用S-G滤波法对IGBT模块老化特征量数据进行滤波处理；
步骤2.2、对滤波后的IGBT模块老化特征量数据进行归一化；
步骤2.3、用滑动窗口法按照一定的窗口大小在预处理后的IGBT模块老化特征量数据上从左向右依次取值，以窗口内部的取值为输入序列X，以取值窗口右侧的第一个数值为输出序列Y，建立老化特征量数据从输入到输出之间的映射关系。
4.根据权利要求3所述的基于GRU神经网络的IGBT模块寿命预测模型的构建方法，其特征在于，步骤二还包括：
步骤2.4，将实验组数据集处理后的输入与输出序列按照相应的比例分割成训练集与验证集。
5.根据权利要求4所述的基于GRU神经网络的IGBT模块寿命预测模型的构建方法，其特征在于，步骤三包括：
利用TensorFlow.Keras为框架、以Python为编程语言进行算法编写，创建一个GRU神经网络；
所述GRU神经网络网络包括：
一个序列输入层，用于将IGBT模块老化特征量数据输入序列导入到网络中；
一个隐藏层，用于通过输入权值、递归权值和偏置权值来学习IGBT模块循环老化试验时序数据的高级特征；所述隐藏层包括若干组子隐层，任一组子隐层包括若干个具有可配置隐藏层节点个数的GRU层和一个设定了初始值的丢弃概率的Dropout层；以及
一个全连接层和回归输出层，用于输出GRU网络预测的IGBT模块老化特征量的预测值。
6.根据权利要求5所述的基于GRU神经网络的IGBT模块寿命预测模型的构建方法，其特征在于，步骤五包括：
将处理后的验证组数据集导入最优参数的GRU神经网络IGBT模块寿命预测模型，测试模型预测精度与适配性。
7.根据权利要求6所述的基于GRU神经网络的IGBT模块寿命预测模型的构建方法，其特征在于，步骤五还包括：
以均方根误差、平均绝对误差、决定系数量化分析基于最优参数的GRU神经网络IGBT模块寿命预测模型的预测能力。
8.最优参数的GRU神经网络IGBT模块寿命预测模型，其特征在于，其是使用如权利要求1-7任一所述的基于GRU神经网络的IGBT模块寿命预测模型的构建方法构建的。
9.基于GRU神经网络的IGBT模块寿命预测方法，其特征在于，其使用了如权利要求8所述的最优参数的GRU神经网络IGBT模块寿命预测模型；
所述基于GRU神经网络的IGBT模块寿命预测方法包括：
获取IGBT模块的通态压降，导入所述最优参数的GRU神经网络IGBT模块寿命预测模型，获得该IGBT模块的老化程度。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行如权利要求1-7中任一项所述的基于GRU神经网络的IGBT模块寿命预测模型的构建方法。
CN202211380833.6A 2022-11-04 2022-11-04 基于gru神经网络的igbt模块寿命预测模型的构建方法 Pending CN115600502A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211380833.6A CN115600502A (zh) 2022-11-04 2022-11-04 基于gru神经网络的igbt模块寿命预测模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211380833.6A CN115600502A (zh) 2022-11-04 2022-11-04 基于gru神经网络的igbt模块寿命预测模型的构建方法

Publications (1)

Publication Number Publication Date
CN115600502A true CN115600502A (zh) 2023-01-13

Family

ID=84852397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211380833.6A Pending CN115600502A (zh) 2022-11-04 2022-11-04 基于gru神经网络的igbt模块寿命预测模型的构建方法

Country Status (1)

Country Link
CN (1) CN115600502A (zh)

Similar Documents

Publication Publication Date Title
CN109738773B (zh) 一种非平稳工况下igbt模块寿命预测方法
Ji et al. Multiobjective design optimization of IGBT power modules considering power cycling and thermal cycling
CN107621782A (zh) 一种栅双极型晶体管(igbt)模块的故障诊断方法
CN108445371B (zh) 绝缘栅双极型晶体管使用寿命预分拣方法
CN109284543B (zh) 基于最优尺度高斯过程模型的igbt剩余寿命预测方法
Cui et al. A novel fault measure and early warning system for air compressor
CN113760660A (zh) 一种基于长短时记忆神经网络的三维多核芯片温度预测方法及系统
Samavatian et al. Reliability assessment of multistate degraded systems: An application to power electronic systems
US11976984B1 (en) Method and system for predicting junction temperature of power semiconductor module in full life cycle, and terminal
Rao et al. IGBT remaining useful life prediction based on particle filter with fusing precursor
Yang et al. Failure mode classification of IGBT modules under power cycling tests based on data-driven machine learning framework
CN115994486A (zh) 一种基于深度时序迁移特征的igbt功率模块的剩余寿命预测方法
CN112685958B (zh) 一种基于神经网络的SiC MOSFET阻断电压确定方法
CN115015723A (zh) GaN功率器件的状态监测方法、装置、计算机设备和介质
CN115600502A (zh) 基于gru神经网络的igbt模块寿命预测模型的构建方法
CN116738804B (zh) 一种基于失效物理的功率模块寿命预测方法
CN117195713A (zh) 一种基于深度算子学习的锂电池模组温度场重建方法
Alghassi Prognostics and health management of power electronics
Meng et al. Segmental degradation RUL prediction of IGBT based on combinatorial prediction algorithms
CN113221343A (zh) 基于方差的混联多级温差发电器参数全局灵敏度分析方法
Wu et al. Research on lifetime distribution and reliability of IGBT module based on accelerated life test and KS test
Chao et al. Research on Life Prediction of IGBT Devices Based on Elman Neural Network Model
CN117529070B (zh) 一种用于光伏逆变器稳定运行的散热控制方法及系统
Liu et al. Discharge voltage time series classification of lithium-ion cells based on deep neural networks
Floreale et al. Prediction of the Remaining Useful Life of MOSFETs Used in Automotive Inverters by an Ensemble of 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