CN115659768A - 一种igbt剩余使用寿命预测方法及装置 - Google Patents
一种igbt剩余使用寿命预测方法及装置 Download PDFInfo
- Publication number
- CN115659768A CN115659768A CN202211107281.1A CN202211107281A CN115659768A CN 115659768 A CN115659768 A CN 115659768A CN 202211107281 A CN202211107281 A CN 202211107281A CN 115659768 A CN115659768 A CN 115659768A
- Authority
- CN
- China
- Prior art keywords
- state
- service life
- igbt
- moment
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 239000002245 particle Substances 0.000 claims abstract description 85
- 239000002243 precursor Substances 0.000 claims abstract description 68
- 230000032683 aging Effects 0.000 claims abstract description 25
- 230000015654 memory Effects 0.000 claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012952 Resampling Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 11
- 230000036541 health Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013486 operation strategy Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开一种IGBT剩余使用寿命预测方法及装置，该方法包括：初始化状态识别模块、状态跟踪模块和寿命预测模块参数；状态识别模块采用马氏距离通过失效前兆参数对器件状态进行识别；状态跟踪模块和寿命预测模块基于正则化粒子滤波算法对器件的失效前兆参数进行跟踪或预测，当器件处于健康状态时，启动状态跟踪模块；当器件处于老化状态时，启动寿命预测模块。该装置包括：传感单元、通信单元、供电单元、存储器和处理器以及控制中心。通过实施本发明，在器件进入老化状态后进行预测，提升了预测的准确性。采用正则化粒子滤波算法相比粒子滤波算法减少了粒子多样性损失。此外，该方法结构完整，且预测部分比其他算法运行时间短，可实时使用。
Description
技术领域
本发明涉及电力电子可靠性技术领域，具体涉及一种IGBT剩余使用寿命预测方法及装置。
背景技术
由于具有驱动损耗小、开关速度快等优点，IGBT(绝缘栅双极型晶体管，InsulatedGate Bipolar Transistor)成为电力系统、高速铁路、汽车、航空等领域中最常用的功率半导体器件。复杂的实际工作环境使得IGBT长期在高温、高压和大电流的状态频繁切换。由于IGBT模块封装的各物理层材料热膨胀系数的差异，起固定、连接作用的焊料层和键合线长期承受由于功率波动、温度波动而引起的热机械应力，逐渐产生裂纹，最终导致疲劳失效。对于电动汽车、海上风机、换流站等高可靠性要求的场景，IGBT失效引起的系统故障会带来难以估量的损失。如果能够提供有效的状态评估和预警方案，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有着非常重要的实际意义。
发明内容
有鉴于此，本发明实施例提供了涉及一种IGBT剩余使用寿命预测方法及装置，以解决现有技术中缺少实时进行IGBT剩余使用寿命预测方法的技术问题。
本发明提出的技术方案如下：
本发明实施例第一方面提供一种IGBT剩余使用寿命预测方法，包括：基于功率循环试验数据对状态识别模块、状态跟踪模块及寿命预测模块相关参数进行初始化；启动状态识别模块，采用马氏距离通过实际工程运行器件的实时失效前兆参数进行状态识别，确定待测IGBT器件的运行状态；当待测IGBT器件的运行状态为健康状态时，启动状态跟踪模块，基于正则化粒子滤波算法对待测IGBT器件进行状态跟踪，不断更新粒子状态；当待测IGBT器件的运行状态为老化状态时，启动寿命预测模块，基于正则化粒子滤波算法进行待测IGBT器件状态跟踪以及实时剩余使用寿命的预测。
可选地，启动状态识别模块，采用马氏距离通过实际工程运行器件的实时失效前兆参数进行状态识别，确定待测IGBT器件的运行状态，包括：计算当前时刻失效前兆参数的马氏距离；根据所述马氏距离进行标准化计算，确定当前时刻的偏移系数；将所述偏移系数和预警偏移系数进行比较，确定待测IGBT器件的运行状态为健康状态或老化状态。
可选地，所述偏移系数采用如下公式计算：
式中，di表示第i时刻失效前兆参数的马氏距离，μd表示健康状态马氏距离集合的均值，σd表示健康状态马氏距离集合的标准差。
可选地，启动状态跟踪模块，基于正则化粒子滤波算法对待测IGBT器件进行状态跟踪，不断更新粒子状态，包括：步骤11：建立正则化粒子滤波算法的状态方程和观测方程；步骤12：设置粒子数为N，从先验分布中抽取初始状态；步骤13：当已知k时刻的实际测量数据，但k+1时刻数据尚未传入时，基于k时刻测量的失效前兆参数以及状态方程预测k+1时刻粒子的状态；步骤14：当k+1时刻测量数据传入后，计算k时刻每个粒子的权重，并进行权重归一化；步骤15：基于归一化的权重，从后验分布的连续近似中进行重采样，得到新的粒子集合；步骤16：置k＝k+1，转步骤13。
可选地，启动寿命预测模块，基于正则化粒子滤波算法进行待测IGBT器件状态跟踪以及实时剩余使用寿命的预测，包括：步骤21：建立正则化粒子滤波算法的状态方程和观测方程；步骤22：设置粒子数为N，从先验分布中抽取初始状态；步骤23：当已知k时刻的实际测量数据，但k+1时刻数据尚未传入时，基于k时刻测量的失效前兆参数和状态方程预测k+1时刻粒子状态；步骤24：置
基于
时刻预测的新的粒子状态，继续预测
时刻的粒子状态，其中以任一时刻的粒子均值作为该时刻的失效前兆参数预测值；步骤25：判断所述失效前兆参数预测值是否达到阈值；若没达到阈值，置
转步骤24；若达到阈值转步骤26；步骤26：基于失效前兆参数预测值达到阈值时的时刻
和时刻k的差值确定待测IGBT器件的实时剩余使用寿命；步骤27：当k+1时刻测量数据传入后，计算k时刻每个粒子的权重，并进行权重归一化；步骤28：基于归一化的权重，从后验分布的连续近似中进行重采样，得到新的粒子集合；置k＝k+1，转步骤23。
可选地，基于功率循环试验数据对状态识别模块、状态跟踪模块及寿命预测模块相关参数进行初始化，包括：对待测IGBT器件进行功率循环试验，全程记录失效前兆参数数据；基于三西格玛原则对所述失效前兆参数进行预处理；基于预处理后的失效前兆参数构建初始寿命模型，初始化状态识别模块、状态跟踪模块及寿命预测模块中的参数。
本发明实施例第二方面提供一种IGBT剩余使用寿命预测装置，包括：传感单元、通信单元、供电单元、存储器和处理器以及控制中心。所述传感单元用于采集功率循环试验中的器件失效前兆参数数据；所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本发明实施例第一方面任一项所述的IGBT剩余使用寿命预测方法；所述通信单元用于将所述存储器及处理器中的器件状态上报给控制中心，所述控制中心负责监控所有器件的运行状态，确定器件的运行策略；所述供电单元为所述传感单元、通信单元、存储器和处理器以及控制中心供电。
本发明提供的技术方案，具有如下效果：
本发明实施例提供的IGBT剩余使用寿命预测方法及装置，能够根据器件失效前兆参数当前的特点，基于马氏距离判定器件所处的状态，在器件进入老化状态时刻启动预测，提升了预测的准确性，更符合实际工程应用。
本发明通过正则化粒子滤波算法，解决了粒子滤波算法样本多样性损失的问题，进一步提升了预测的准确性。
此外，该方法结构完整，且预测部分相比于其他算法所需的运行时间短，适合实时使用。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的IGBT剩余使用寿命预测方法的流程图；
图2是根据本发明实施例的器件老化过程中的失效前兆参数轨迹图；
图3是根据本发明实施例的采用的正则化粒子滤波算法与基本粒子滤波的对比图；
图4是根据本发明实施例提供的装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
正如在背景技术中所述，绝缘栅双极型晶体管功率器件在电力系统中各个环节的应用越来越广泛，因此，对该器件进行分析、评估以及寿命预测具有重要意义。若能够对运行中的器件剩余寿命进行准确预测，及时对器件老化做出预警，就能避免因此发生的灾难性事故。现有IGBT寿命预测方法主要有机器学习、神经网络、模糊预测、基于Manson-Coffin公式等，有着预测精度低、算法运行时间长等缺点。且大多关于寿命预测的方法都是离线使用，很少有一套完整的实时预测的方法。
有鉴于此，本发明实施例提供一种IGBT剩余使用寿命预测方法，基于马氏距离和正则化粒子滤波算法实现了IGBT剩余使用寿命的预测，其中，IGBT器件状态可以分为健康状态和老化状态，通过马氏距离进行状态识别能够根据器件数据当前的特点，判定器件所处的状态。在器件进入老化状态时刻进行及时必要的预测，提升了预测的准确性。粒子滤波算法是基于条件独立性和马尔科夫性质使用系统模型和测量方程来估计动态状态的非参数方法，能够提升预测的准确性。而该正则化粒子滤波算法相比粒子滤波算法进一步减少了粒子样本多样性的损失。
根据本发明实施例，提供了一种IGBT剩余使用寿命预测方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种IGBT剩余使用寿命预测方法，可用于电子设备，如电脑、手机、平板电脑等，图1是根据本发明实施例IGBT剩余使用寿命预测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S101：基于功率循环试验数据对状态识别模块、状态跟踪模块及寿命预测模块相关参数进行初始化。随着IGBT器件可靠性的不断提升，若想要取得器件由失效引发的性能衰退数据，使用传统概率可靠性试验需要极为漫长的实验时间与庞大的样本数目，工程实用性较低。由此，采用功率循环加速老化试验，能够缩短实验研究周期，加快器件寿命进程。
在功率循环试验中，使得待测IGBT器件不断重复开通和关断过程承受应力，获取开断过程中的失效前兆参数，基于获取的失效前兆参数建立初始寿命模型。其中，对于功率循环试验可以采用已有的功率循环试验系统进行，本发明实施例对于具体的功率循环试验设备或系统不作限定。在该实施例中，采用待测IGBT器件的集电极－发射极之间的通态压降作为失效前兆参数，在其他实施例中，也可以采用其他与IGBT老化相关的参数作为失效前兆参数，如结壳稳态热阻、开关时间、模块壳温以及门极信号等，本发明对失效前兆参数的具体选择不作限定。
步骤S102：启动状态识别模块，采用马氏距离通过实际工程运行器件的实时失效前兆参数进行状态识别，确定待测IGBT器件的运行状态。马氏距离表示点与一个分布之间的距离，是一种有效的计算两个未知样本集的相似度的方法。因此，通过马氏距离对实际工程运行器件的实时失效前兆参数进行计算，能够基于失效前兆参数在健康状态和老化状态的变化，确定待测IGBT器件在当前时刻的状态为健康状态还是老化状态。
步骤S103：当待测IGBT器件的运行状态为健康状态时，启动状态跟踪模块，基于正则化粒子滤波算法对待测IGBT器件进行状态跟踪，不断更新粒子状态。具体地，由于器件在前期或者说健康状态时不会发生失效或者故障等，当器件进行老化状态之后失效或故障的概率加大，因此当器件在健康状态时只进行状态跟踪，不进行寿命预测。
步骤S104：当待测IGBT器件的运行状态为老化状态时，启动寿命预测模块，基于正则化粒子滤波算法进行待测IGBT器件状态跟踪以及实时剩余使用寿命的预测。其中，正则化粒子滤波与其他粒子滤波算法的区别是在重采样过程中从后验分布的连续近似中进行采用。另外，当待测IGBT器件的运行状态为老化状态时，进行寿命的预测，能够减少需要处理的数据量，减小耗时。同时，在老化状态时进行寿命预测，能提升预测准确性，更符合实际工程对IGBT器件剩余使用寿命预测的需要，减少非必要的计算量。
本发明实施例提供的IGBT剩余使用寿命预测方法，通过马氏距离进行状态识别能够根据器件数据当前的特点，判定器件所处的状态。在器件进入老化状态时刻进行预测，实际工程对IGBT器件剩余使用寿命预测的需要，提升了预测的准确性。粒子滤波算法是基于条件独立性和马尔科夫性质使用系统模型和测量方程来估计动态状态的非参数方法，能够提升预测的准确性。而该正则化粒子滤波算法相比粒子滤波算法进一步减少了粒子样本多样性的损失。此外，该方法结构完整，且预测部分相比于其他算法所需的运行时间短，适合实时使用。
在一实施方式中，基于功率循环试验数据对状态识别模块、状态跟踪模块及寿命预测模块相关参数进行初始化，包括：对待测IGBT器件进行功率循环试验，全程记录失效前兆参数数据；基于三西格玛准则对所述失效前兆参数进行预处理；基于预处理后的失效前兆参数构建初始寿命模型，初始化状态识别模块、状态跟踪模块及寿命预测模块中的参数。具体地，通过3σ原则能够去除数据中由于各种原因产生的误差点，提高后续判断的准确性。其中，在构建初始寿命模型时，可以以与处理后的失效前兆参数为纵轴，对应的循环次数为横轴，绘制对应的失效前兆参数变化曲线；然后对该变化曲线进行拟合，将拟合得到的方程式作为初始寿命模型。
在一实施方式中，采用马氏距离对实际工程运行器件的实时失效前兆参数计算，确定待测IGBT器件的运行状态，包括如下步骤：
步骤S201：计算当前时刻失效前兆参数的马氏距离。
具体地，马氏距离的计算流程如下：
首先，构建原始多维度的样本数据X，X通过如下矩阵表示：
其中，xnm表示第n时刻第m个失效前兆参数。
基于该数据计算协方差矩阵，则协方差矩阵的计算公式为
其中，
μX i为X中第i列数据的平均值，n表示时刻值，在计算时设置n值，使n时刻和之前时刻为健康状态。
则马氏距离的计算公式为：
其中Xi＝[xi1 xi2 … xim]，xij为第i时刻第j个失效前兆参数，μX＝[μX1 μX2 …μXm]。
在计算当前时刻的马氏距离时，则以当前时刻以及当前时刻之前的所有失效前兆参数带入上述公式中进行计算。
步骤S202：根据所述马氏距离进行标准化计算，确定当前时刻的偏移系数；所述偏移系数采用如下公式计算：
式中，di表示第i时刻失效前兆参数的马氏距离，μd表示健康状态马氏距离集合的均值，σd表示健康状态马氏距离集合的标准差。
基于上述公式，在计算当前时刻的偏移系数时，将步骤S201中计算的当前时刻的马氏距离代入到该公式中，得到当前时刻的偏移系数。而健康状态马氏距离集合为所有健康状态时刻的失效前兆参数计算的马氏距离的集合。
步骤S203：将所述偏移系数和预警偏移系数进行比较，确定待测IGBT器件的运行状态为健康状态或老化状态。其中，预警偏移系数为将器件达到预警值时的失效前兆参数的马氏距离代入到上述偏移系数计算公式中计算得到。具体地，如图2所示，该预警值为阈值之前的值，用于提示器件进行老化状态，即当失效前兆参数小于预警值时，器件处于健康状态，当失效前兆参数大于预警值小于阈值时处于老化状态，当失效前兆参数大于阈值时处于失效状态。
由此，当当前时刻的偏移系数小于等于预警偏移系数时，判断待测IGBT器件处于健康状态，当当前时刻的偏移系数大于预警偏移系数时，判断待测IGBT器件处于老化状态。
其中，粒子滤波通过样本均值替换积分计算来近似获取状态空间的随机样本对应的后验概率密度函数，并取得最小方差估计，是一种基于蒙特卡洛思想的贝叶斯滤波算法，适用于任何非线性系统，这里的“粒子”是指一组随机的样本，每个粒子都代表着系统一种可能的状态，能够通过具有一定权重的随机样本去逼近状态的后验概率分布。所谓的“滤波”是指结合当下所得的观测信息与历史状态来进行当前时刻的状态推理。
在一具体实施方式中，启动状态跟踪模块，基于正则化粒子滤波算法对待测IGBT器件进行状态跟踪，不断更新粒子状态，包括如下步骤：
步骤11：根据初始寿命模型建立正则化粒子滤波算法的状态方程和观测方程。具体地，当确定初始寿命模型之后，可以通过对初始寿命模型进行差分处理，加上相应的噪声得到相应的状态方程X(k)＝f[X(k－1)]+wk和观测方程Z(k)＝g[X(k)]+vk。其中，wk和vk分别表示过程噪声和观测噪声。其中，对于具体状态方程和观测方程的确定方式可以采用已有的方式确定，本发明实施例对此不作具体限定。
步骤12：设置粒子数为N，从先验分布p(X0)中抽取初始状态。
步骤13：已知k时刻的实际测量数据，但k+1时刻数据尚未传入时，基于k时刻测量的失效前兆参数以及状态方程预测k+1时刻粒子的状态；其中，k时刻根据马氏距离的对实际测量数据的计算判断为健康状态。
步骤S14：当k+1时刻的测量数据传入之后，计算k时刻每个粒子的权重，并进行权重归一化。其中，权重表示为
权重归一化表示为：
式中，p为先验分布，q为后验分布。
步骤15：基于归一化的权重，从后验分布的连续近似中进行重采样，得到新的粒子集合
其中该重采样过程采用如下步骤实现：计算
的经验协方差矩阵Sk，根据
来计算DK，从Epanechnikov核进行重采样：ci～k，
其中：
nx为状态量的维度，
是
的单位球体积。
步骤16：置k＝k+1，转步骤13。
在一实施方式中，启动寿命预测模块，基于正则化粒子滤波算法进行待测IGBT器件状态跟踪以及实时剩余使用寿命的预测，包括如下步骤：
步骤21：根据初始寿命模型建立正则化粒子滤波算法的状态方程和观测方程；具体地，当确定初始寿命模型之后，可以通过对初始寿命模型进行差分处理，加上相应的噪声得到相应的状态方程X(k)＝f[X(k－1)]+wk和观测方程Z(k)＝g[X(k)]+vk。其中，wk和vk分别为过程噪声和观测噪声。其中，对于具体状态方程和观测方程的确定方式可以采用已有的方式确定，本发明实施例对此不作具体限定。
步骤22：设置粒子数为N，从先验分布中抽取初始状态。
步骤23：当已知k时刻的实际测量数据，但k+1时刻数据尚未传入时，基于k时刻测量的失效前兆参数和状态方程预测k+1时刻粒子状态。其中，k时刻根据马氏距离对实际测量数据的计算判断为老化状态。
步骤24：置
基于
时刻预测的新的粒子状态，继续预测
时刻的粒子状态，其中以任一时刻的粒子均值作为该时刻的失效前兆参数预测值。
步骤25：判断所述失效前兆参数预测值是否达到阈值；若没达到阈值，置
转步骤24；若达到阈值转步骤26。
步骤26：基于失效前兆参数预测值达到阈值时的时刻
和时刻k的差值确定待测IGBT器件的实时剩余使用寿命。
步骤27：当k+1时刻测量数据传入后，计算k时刻每个粒子的权重，并进行权重归一化；其中，权重表示为
权重归一化表示为：
式中，p为先验分布，q为后验分布。
步骤28：基于归一化的权重，从后验分布的连续近似中进行重采样，得到新的粒子集合；置k＝k+1，转步骤23。
其中该重采样过程采用如下步骤实现：计算
的经验协方差矩阵Sk，根据
来计算DK，从Epanechnikov核进行重采样：ci～k，
其中：
nx为状态量的维度，
是
的单位球体积。
如图3所示，为采用本发明实施例的本发明实施例的采用的正则化粒子滤波算法与基本粒子滤波的对比图，从中可以看出，该预测结果更加接近于实验数据的真实值，相比于其他粒子滤波算法，该方法预测的准确性更高，提高了对寿命预测的准确性。该方法预测部分结构简单，在提升准确性的同时，相较于其他算法运行所需时间更少。适用于IGBT器件的寿命实时预测，能够在IGBT器件的失效前兆参数超出预警值之后实时输出器件的剩余使用寿命，为器件使用者做出合理的原则提供参考。
本发明实施例提供的IGBT剩余使用寿命预测方法，在IGBT器件的失效前兆参数超过了预警值之前，对IGBT失效前兆参数进行追踪，保持样本的更新；在IGBT器件的失效前兆参数超过了预警值之后，在进行失效前兆参数追踪的同时，并对之后时刻的失效前兆参数的变化进行预测，进而根据失效前兆参数到达失效阈值的时间来计算剩余使用寿命并实时输出。该方法采用的正则化粒子滤波算法与现有的粒子滤波算法相比。虽然两种方式都能够减少粒子退化的问题，但是该方法还能够减少粒子多样性消失的问题，保持粒子的多样性，提高预测的准确性。
本发明实施例还提供了一种IGBT剩余使用寿命预测装置，包括：传感单元1、通信单元3、供电单元5、存储器和处理器构成的处理单元2以及控制中心4，如图4所示。
所述传感单元1用于采集功率循环试验中的器件失效前兆参数数据，将采集的数据实时传输到所述处理单元2；所述存储器22和所述处理器21之间通过总线实现通信连接，所述存储器22存储有计算机指令和器件失效前兆参数数据，所述处理器21执行所述计算机指令；所述通信单元3用于将所述存储器22及处理器21中的器件状态上报给控制中心4，所述控制中心4负责监控所有器件的运行状态，并确定本实施例中一种IGBT剩余使用寿命预测方法中各模块的运行策略，从而执行如上述实施例所述的IGBT剩余使用寿命预测方法；所述供电单元5为所述传感单元1、通信单元3、存储器和处理器2以及控制中心4供电。
关于储存器22和处理器21可以通过总线或者其他方式连接，图4中以通过总线连接为例。
处理器21可以为中央处理器(Central Processing Unit，CPU)。处理器21还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器22作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器21通过运行存储在存储器22中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的IGBT剩余使用寿命预测方法。
存储器22可以包括存储程序区和存储数据区，其中，存储程序区可存储至少一个模块功能所需要的应用程序；存储数据区可存储器件失效前兆参数数据和处理器21所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器22可选包括相对于处理器21远程设置的存储器，这些远程存储器可以通过网络连接至处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (7)
1.一种IGBT剩余使用寿命预测方法，其特征在于，包括：
基于功率循环试验数据对状态识别模块、状态跟踪模块及寿命预测模块相关参数进行初始化；
启动状态识别模块，采用马氏距离通过实际工程运行器件的实时失效前兆参数进行状态识别，确定待测IGBT器件的运行状态；
当待测IGBT器件的运行状态为健康状态时，启动状态跟踪模块，基于正则化粒子滤波算法对待测IGBT器件进行状态跟踪，不断更新粒子状态；
当待测IGBT器件的运行状态为老化状态时，启动寿命预测模块，基于正则化粒子滤波算法进行待测IGBT器件状态跟踪以及实时剩余使用寿命的预测。
2.根据权利要求1所述的IGBT剩余使用寿命预测方法，其特征在于，启动状态识别模块，采用马氏距离通过实际工程运行器件的实时失效前兆参数进行状态识别，确定待测IGBT器件的运行状态，包括：
计算当前时刻失效前兆参数的马氏距离；
根据所述马氏距离进行标准化计算，确定当前时刻的偏移系数；
将所述偏移系数和预警偏移系数进行比较，确定待测IGBT器件的运行状态为健康状态或老化状态。
3.根据权利要求2所述的IGBT剩余使用寿命预测方法，其特征在于，所述偏移系数采用如下公式计算：
式中，di表示第i时刻失效前兆参数的马氏距离，μd表示健康状态马氏距离集合的均值，σd表示健康状态马氏距离集合的标准差。
4.根据权利要求1所述的IGBT剩余使用寿命预测方法，其特征在于，启动状态跟踪模块，基于正则化粒子滤波算法对待测IGBT器件进行状态跟踪，不断更新粒子状态，包括：
步骤11：建立正则化粒子滤波算法的状态方程和观测方程；
步骤12：设置粒子数为N，从先验分布中抽取初始状态；
步骤13：当已知k时刻的实际测量数据，但k+1时刻数据尚未传入时，基于k时刻测量的失效前兆参数以及状态方程预测k+1时刻粒子的状态；
步骤14：当k+1时刻测量数据传入后，计算k时刻每个粒子的权重，并进行权重归一化；
步骤15：基于归一化的权重，从后验分布的连续近似中进行重采样，得到新的粒子集合；
步骤16：置k＝k+1，转步骤13。
5.根据权利要求1所述的IGBT剩余使用寿命预测方法，其特征在于，启动寿命预测模块，基于正则化粒子滤波算法进行待测IGBT器件状态跟踪以及实时剩余使用寿命的预测，包括：
步骤21：建立正则化粒子滤波算法的状态方程和观测方程；
步骤22：设置粒子数为N，从先验分布中抽取初始状态；
步骤23：当已知k时刻的实际测量数据，但k+1时刻数据尚未传入时，基于k时刻测量的失效前兆参数和状态方程预测k+1时刻粒子状态；
步骤24：置
基于
时刻预测的新的粒子状态，继续预测
时刻的粒子状态，其中以任一时刻的粒子均值作为该时刻的失效前兆参数预测值；
步骤25：判断所述失效前兆参数预测值是否达到阈值；若没达到阈值，置
转步骤24；若达到阈值转步骤26；
步骤26：基于失效前兆参数预测值达到阈值时的时刻
和时刻k的差值确定待测IGBT器件的实时剩余使用寿命；
步骤27：当k+1时刻测量数据传入后，计算k时刻每个粒子的权重，并进行权重归一化；
步骤28：基于归一化的权重，从后验分布的连续近似中进行重采样，得到新的粒子集合；置k＝k+1，转步骤23。
6.根据权利要求1所述的IGBT剩余使用寿命预测方法，其特征在于，基于功率循环试验数据对状态识别模块、状态跟踪模块及寿命预测模块相关参数进行初始化，包括：
对待测IGBT器件进行功率循环试验，全程记录失效前兆参数数据；
基于三西格玛准则对所述失效前兆参数进行预处理；
基于预处理后的失效前兆参数构建初始寿命模型，初始化状态识别模块、状态跟踪模块及寿命预测模块中的参数。
7.一种IGBT剩余使用寿命预测装置，其特征在于，包括：传感单元、通信单元、供电单元、存储器和处理器以及控制中心；所述传感单元用于采集功率循环试验中的器件失效前兆参数数据；所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1－6任一项所述的IGBT剩余使用寿命预测方法；所述通信单元用于将所述存储器及处理器中的器件状态上报给控制中心，所述控制中心负责监控所有器件的运行状态，确定器件的运行策略；所述供电单元为所述传感单元、通信单元、存储器和处理器以及控制中心供电。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211107281.1A CN115659768A (zh) | 2022-09-09 | 2022-09-09 | 一种igbt剩余使用寿命预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211107281.1A CN115659768A (zh) | 2022-09-09 | 2022-09-09 | 一种igbt剩余使用寿命预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115659768A true CN115659768A (zh) | 2023-01-31 |
Family
ID=84984212
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211107281.1A Pending CN115659768A (zh) | 2022-09-09 | 2022-09-09 | 一种igbt剩余使用寿命预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115659768A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116628633A (zh) * | 2023-07-26 | 2023-08-22 | 青岛中微创芯电子有限公司 | 一种igbt实时监测与使用寿命预测评估方法 |
-
2022
- 2022-09-09 CN CN202211107281.1A patent/CN115659768A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116628633A (zh) * | 2023-07-26 | 2023-08-22 | 青岛中微创芯电子有限公司 | 一种igbt实时监测与使用寿命预测评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | State of health monitoring and remaining useful life prediction of lithium-ion batteries based on temporal convolutional network | |
| Yu | State of health prediction of lithium-ion batteries: Multiscale logic regression and Gaussian process regression ensemble | |
| CN106528975B (zh) | 一种应用于电路与系统的故障预测与健康管理方法 | |
| Coble et al. | Identifying optimal prognostic parameters from data: a genetic algorithms approach | |
| CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
| Chang et al. | Remaining useful life prediction for rolling bearings using multi-layer grid search and LSTM | |
| CN110838075A (zh) | 电网系统暂态稳定的预测模型的训练及预测方法、装置 | |
| CN113884961A (zh) | Soc校准方法、建模方法、建模装置、计算机设备及介质 | |
| CN113934982B (zh) | 基于振-电信号融合的断路器操作机构机械寿命预测方法 | |
| CN115659768A (zh) | 一种igbt剩余使用寿命预测方法及装置 | |
| Wang et al. | An improved fusion prognostics method for remaining useful life prediction of bearings | |
| US20220222527A1 (en) | Method for predicting hardware fault using machine learning | |
| CN113295399B (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
| Hatherall et al. | Remaining discharge energy estimation for lithium-ion batteries using pattern recognition and power prediction | |
| CN117272753A (zh) | 一种基于过程参数的输电线路覆冰舞动预警方法 | |
| CN111314110B (zh) | 一种用于分布式系统的故障预警方法 | |
| Zhang et al. | Sensing data-based degradation estimation of electromechanical actuator under dynamic operating conditions | |
| CN117269751A (zh) | 一种gis隔离开关分合位置确认方法 | |
| CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
| CN114720901A (zh) | 一种锂离子电池健康状态估计的方法 | |
| Dong et al. | State of health estimation and remaining useful life estimation for Li-ion batteries based on a hybrid kernel function relevance vector machine | |
| Hong et al. | Multi-forword-step state of charge prediction for real-world electric vehicles battery systems using a novel LSTM-GRU hybrid neural network | |
| Fei et al. | Short-term prediction of GIS partial discharge based on ARMA model | |
| Xuntao et al. | A Method for Remaining Useful Life Prediction of Transformer Based on the CNN-LSTM Networks | |
| CN111598220B (zh) | 一种基于相关性分析的燃气轮机故障预测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231008 Address after: 102209 18 Riverside Avenue, Changping District science and Technology City, Beijing Applicant after: State Grid Smart Grid Research Institute Co.,Ltd. Applicant after: Super high voltage substation branch of State Grid Shanxi Electric Power Co. Address before: 102209 18 Riverside Avenue, Changping District science and Technology City, Beijing Applicant before: State Grid Smart Grid Research Institute Co.,Ltd. Applicant before: NORTH CHINA ELECTRIC POWER University Applicant before: Super high voltage substation branch of State Grid Shanxi Electric Power Co. |