CN116736063A - 一种基于加权lstm的igbt状态评估方法 - Google Patents
一种基于加权lstm的igbt状态评估方法 Download PDFInfo
- Publication number
- CN116736063A CN116736063A CN202310710656.1A CN202310710656A CN116736063A CN 116736063 A CN116736063 A CN 116736063A CN 202310710656 A CN202310710656 A CN 202310710656A CN 116736063 A CN116736063 A CN 116736063A
- Authority
- CN
- China
- Prior art keywords
- igbt
- state
- input
- bonding wire
- short
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 230000032683 aging Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 7
- 230000003071 parasitic effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 description 5
- 229910000679 solder Inorganic materials 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 239000010949 copper Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000035882 stress Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2601—Apparatus or methods therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2607—Circuits therefor
- G01R31/2608—Circuits therefor for testing bipolar transistors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2642—Testing semiconductor operation lifetime or reliability, e.g. by accelerated life tests
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明提供一种基于加权LSTM的IGBT状态评估方法,首先设置相应的键合线断裂模式,对短路测试实验所得到短路电流以及结温的数据划分相应的老化标准,进行预处理;处理后的数据作为两层LSTM网络的输入,充分获得数据的时序性;然后由注意力层来获取数据自身状态的关键信息,经过输出层将结果输出;最终实现对IGBT键合线的状态评估。本发明在评估数据的获取上,使用短路电流作为特征量降低了实验的难度,并且提高了IGBT键合线状态评估的准确性。
Description
技术领域
本发明涉及IGBT状态评估领域,具体涉及一种基于加权LSTM的IGBT状态评估方法。
背景技术
在IGBT老化进程中对其进行状态监测,当模块运行至失效的临界点时将其更换,不仅能够保证设备的安全正常运行,还能将功率模块的利用率最大化。在模块老化过程中,影响到内部结构的参数从而改变外部参量,因此可以对受影响的外部参量作为观测量,判断模块的健康状态和老化过程。目前对主要研究的特征量有时间相关、热学相关以及电学相关。
1.时间相关:由于模块失效带来结温的升高,会引起关断时间的增加,可以通过监测IGBT的关断时间对模块的状态进行判断,但IGBT器件的开关时间非常短暂,对测量设备的分辨率要求极高,实现起来比较困难;栅极信号也可以用来监测,IGBT的老化会让栅极氧化层疲劳使得内部分布的参数改变,引起包括栅极阀值电压VGEth以及跨导的变化,器件变得难以开通,对栅极信号的测量不受外部电路的影响,在电气故障时也可以测量出,但是由于栅极开通时间非常短暂,对实时测量的要求非常高,同时容易受到驱动回路杂散参数的影响。
2.热学相关:模块的老化会导致模块温度的升高,引起热阻、结温等参量的变化。热阻与焊料层疲劳密切相关,可以表征模块的散热能力,一般以热阻增大20%为模块失效的判定点,但是热阻的获取需要精确的模块内部温度数值以建立准确的热网络模型;结温也可以用来表征焊料层的老化情况,结温的波动会产生应力作用在焊料层和键合线上,造成焊料层的老化以及与芯片连接出的键合线的松动,影响模块的运行。但是结温的获取容易受到外界环境的影响,需要较为严格的测量环境。
3.电学相关:在IGBT老化过程中变化较大的是饱和压降,模块上一般分布着不止一根键合线,而每根键合线有对应的电阻值,当其中某一根断裂时,总的导通电阻会增大,引起温度升高。但是一般模块为整体包装,不容易直接监测通态电阻的数值。
4.其他外部特征量:除此之外还有基于传感器测量的方法,但是这种方法改变了IGBT的内部结构,无法排除传感器所带来的影响,可能会给模块带来额外的杂散电感,增大模块的功耗,因此其准确度存在一定的问题;也可以通过检测外部输出波形的谐波畸变率以判断模块的运行状态,这种方法是从装置整体对模块进行可靠性的判别,省去了安装外部装置,但是谐波含量的变化很小,外部电路也会对其造成干扰,加上模拟器件故障的方式不够全面,因此需要进一步的实验研究。
在对特征量的状态评估中,近些年出现通过算法识别模块故障信息的技术,例如对IGBT模块不同键合线断裂程度、导通电流、环境温度下的饱和压降进行测量,并用遗传算法对最小二乘支持向量机优化的模型,利用饱和压降的数据对模块的健康状态进行评估,得到了评估准确率较高的模型;或是使用差分灰狼算法继续优化支持向量机,得到了IGBT模块键合线状态评估模型;此外,还有选取短路电流与饱和压降作为键合线健康监测的特征量,基于聚类算法与支持向量机划分模块的健康状态为三类,并计算区间分界面方程,以此建立模块的健康评估模型。但是由于数据量不够全面或是网络内部的局限,以上方法对IGBT的状态评估均不能达到较高的准确率。
发明内容
针对目前IGBT键合线状态评估实验较为复杂以及评估准确率较低的问题,本发明提出一种基于加权LSTM的IGBT状态评估方法,选取短路电流和结温作为模型的特征量输入,对IGBT进行短路测试实验,能够快速准确地识别出IGBT键合线所处老化阶段。
为达到上述目的,本发明采用如下技术方案:
一种基于加权LSTM的IGBT状态评估方法,包括如下步骤:
步骤1、设置键合线断裂模式,对所得到短路电流和结温的数据划分老化标准,进行预处理;
步骤2、预处理后的数据作为两层LSTM网络的输入,充分获得数据的时序性;由注意力层来获取数据自身状态的关键信息,经过输出层将结果输出,实现对IGBT键合线的状态评估。
进一步地,所述步骤1中,采用短路电流以及温度反映IGBT模块键合线的老化程度,选取短路电流和IGBT模块的结温作为评估键合线的状态特征量;
当IGBT模块发生短路时,短时间后驱动电压VG稳定,IGBT模块的短路电流大小为:
式中,VG为驱动电压,RG是栅极引线上的寄生电阻,μni为电子迁移率;COX为氧化物电容;z与LCH分别是IGBT内形成的MOSFET沟道的宽度与长度,由芯片的结构决定,不受外部工作环境的影响;αPNP为模块内部PNP型晶体管的共基极电流增益,VTH是栅极阀值电压;其中μni、αPNP、VTH受温度的影响;
根据键合线断裂顺序由内部向两侧失效的特点,设置键合线失效模式,测量相应的短路电流以及结温大小;由短路电流一般失效标准以及结温变化的规律划分相应的老化标准,所述老化标准包括健康状态、受损状态以及完全故障失效状态。
进一步地,所述步骤2中,将输入到网络中的IGBT短路电流和温度信号提前重组为二维信号,输入I表示为:
I=w×l
式中,w为输入电流信号的宽度,l为输入的电流信号的长度;输入I作为LSTM模型的输入;
所述LSTM网络包含遗忘门、输入门和输出门三个门控单元;
遗忘门的计算公式为:
ft=σ(Wf·[ht-1,xt]+bf)
式中ft是遗忘门的状态,Wf代表系数,ht-1代表隐藏状态,bf代表偏移量;σ是sigmoid函数,表示为
输入门计算公式为:
it=σ(Wi·[ht-1,xt]+bi)
gt=tanh(Wg·[ht-1,xt]+bg)
Ct=ft*Ct-1+it*gt
式中it是输入门的状态,gt是输入节点的状态,Ct是细胞状态代表长期记忆,Wi,Wg分别代表线性关系系数,bi、bg为各自偏移量;
输出门的计算公式为:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
式中ot是输出门的状态,ht是隐藏状态,代表短期记忆;
将LSTM网络输出的隐藏状态ht作为注意力层的输入,计算出权重矩阵,对输入的数据以概率的形式重新分配;注意力层的权重计算为:
et=u tanh(wht+b)
其中,b为偏置系数,u、w为权重系数,et为注意力层的概率分布,at对应et的注意力系数,st为注意力层在t时刻下的输出;
数据的判别结果输出表示为:
其中,为t时刻的输出,sigmiod为激活函数,wo为权重,bo为偏置量。
有益效果:
在评估结构上,本发明使用的加权LSTM网络模型结合了LSTM,可以充分利用数据的时序性特征以及注意力机制将更大的权重分配给重要数据的特点,不仅可以提高判别准确度,还能够降低模型的计算量提高整体的计算效率。
本发明在评估数据的获取上,使用短路电流和结温作为特征量降低了实验的难度,并且提高了IGBT键合线状态评估的准确性。
附图说明
图1是本发明实施例中键合线状态评估流程图;
图2是本发明实施例中IGBT的等效电路图;
图3是本发明实施例中ATTENTION-LSTM模型结构图;
图4是本发明实施例中LSTM的网络模型图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施流程见图1所示。IGBT模块由IGBT芯片与反并联续流二极管芯片组成,通过上焊料层与覆铜陶瓷基板DBC的上铜层相连接。键合线连接IGBT模块的IGBT芯片与DBC的上铜层,实现电流的流通确保整个模块的正常运行。在IGBT模块中,键合线与IGBT芯片之间的热膨胀系数不匹配,产生应力使得键合线底部受到塑性应变且无法恢复,在键合线与IGBT芯片的连接处会产生裂纹进而脱落。在IGBT模块中,一般不止一根键合线连接IGBT芯片与上铜层,保证电流的均匀流通。但是当键合线其中一根断裂后,由于IGBT集电极电流不变,剩余键合线上的流通电流会瞬间增加,电流冲击带来的温升与应力都会加剧剩余键合线的脱落失效,导致IGBT模块的故障。
设定IGBT芯片与键合线上的温差为ΔT,键合线底部受到的应变可以表示为:
εtot=L·(αAl-αSi)·ΔT
其中,αAl与αSi代表键合线与芯片材料的热膨胀系数,L是键合线底部与芯片连接处的长度。由于铝键合线与材料为硅的芯片之间的热膨胀系数相差较大,键合线底部受到塑性应变且无法恢复,在键合线与芯片的连接处会产生裂纹。由于键合线的断裂会引起外部特征量的变化,因此可以通过监测相应特征量的变化判断模块的状态。
图2为IGBT模块包含杂散参数的等效电路,IGBT是三端器件,具有栅极G、集电极C和发射极E,其中VG为驱动电压,VGE为模块栅极电压,IG为模块的栅极电流,ISC为模块的短路电流,RE与LE是IGBT发射极引线上的寄生电阻与电感,Re与Le是辅助发射极引线上的寄生电阻与电感,Rj与Lj是IGBT芯片上的所有并联键合线等效后的电阻与电感,RG与LG是栅极引线上的寄生电阻与电感。IGBT由集电极C和发射极E连接在外电路中,其内部栅极通过栅极引线连接至IGBT芯片,集电极与发射极则通过键合线连接,并且发射极与栅极之间通过辅助发射极引线连接从而形成闭合回路。IGBT导通关断由栅极电压VGE决定,当短路测试中VGE高于开启电压VGE(th)时,MOSFET内形成沟道,为晶体管提供短路基极电流流过键合线以及发射级引线,使得IGBT导通,反之当施加反向门极电压就会消除MOSFET内形成的沟道,IGBT关断。
当模块发生短路时,由于整个回路的杂散参数较小,器件工作在放大区。短时间后驱动电压稳定,模块的短路电流大小为:
式中,μni为电子迁移率;COX为氧化物电容;z与LCH分别是IGBT内形成的MOSFET沟道的宽度与长度,由芯片的结构决定,不受外部工作环境的影响;αPNP为模块内部PNP型晶体管的共基极电流增益,VTH是栅极阀值电压。其中μni、VTH受温度的影响,αPNP受到集射极电压VCE以及温度的影响。
从上式可知IGBT的短路电流受到VCE、Rj以及模块结温的影响。由于短路测试中集射极电压高于影响αPNP的固定值VRT,因此集射极电压对短路电流的影响可忽略不计。IGBT键合线的脱落或断裂,会造成键合线的等效电阻Rj增加,从而引起短路电流的减小,同时键合线的断裂还会造成流经剩余键合线的电流增加,带来温度的升高,进一步加大短路电流的变化。因此短路电流可以反映IGBT模块键合线老化程度,选取短路电流作为评估键合线的状态特征量。由于短路电流还受到温度的影响,因此同时需要测量模块的结温,作为另一特征量,判断模块内部的状态。
根据IGBT短路电流具有时间变化特性,选用LSTM提取数据特征,所使用特征量包括温度,存在一定的权重差异,因此将两个特征量与注意力加权系数相乘,提高模型的最终性能。采用基于ATTENTION-LSTM的键合线状态评估,其模型结构见图3所示,本发明所设计的网络模型由两层LSTM网络以及一层ATTENTION构成,Xt为输入,Yt为输出,t为样本数。
模型的每层叙述如下:
(1)输入层
对输入到网络中的IGBT短路电流和结温信号将会被提前重组为二维信号,输入I表示为:
I=w×l
式中,w为输入电流信号的宽度,l为输入的电流信号的长度。该信号将会作为LSTM模型的输入。
(2)LSTM层
LSTM网络的基本单元如图4所示,其结构包含遗忘门、输入门和输出门三个门控单元。
遗忘门的计算公式为:
ft=σ(Wf·[ht-1,xt]+bf)
式中ft是遗忘门的状态,Wf代表系数,ht-1代表隐藏状态,bf代表偏移量;σ是sigmoid函数,表示为
输入门计算公式为:
it=σ(Wi·[ht-1,xt]+bi)
gt=tanh(Wg·[ht-1,xt]+bg)
Ct=ft*Ct-1+it*gt
式中it是输入门的状态,gt是输入节点的状态,Ct是细胞状态代表长期记忆,Wi,Wg分别代表线性关系系数,bi、bg为各自偏移量。
输出门的计算公式为:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
式中,ot是输出门的状态,ht是隐藏状态,代表短期记忆,σ是sigmoid函数,表示为:
(3)注意力层
将LSTM网络输出的隐藏状态ht作为注意力层的输入,计算出权重矩阵,对输入的数据以概率的形式重新分配。注意力层的权重计算为:
et=u tanh(wht+b)
其中,b为偏置系数,u、w为权重系数,et为注意力层的概率分布,at对应et的注意力系数,st为注意力层在t时刻下的输出。
(4)输出层
数据的判别结果输出表示为:
其中,为t时刻的输出,sigmiod为激活函数,wo为权重,bo为偏置量。
本发明的IGBT的短路测试首先设置相应的键合线断裂模式,对所得到短路电流的数据划分相应的老化标准,进行预处理;处理后的数据作为两层LSTM网络的输入,充分获得数据的时序性;然后由注意力层来获取数据自身状态的关键信息,经过输出层将结果输出;最终实现对IGBT键合线的状态评估。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于加权LSTM的IGBT状态评估方法,其特征在于,包括如下步骤:
步骤1、设置键合线断裂模式,对所得到短路电流和结温的数据划分老化标准,进行预处理;
步骤2、预处理后的数据作为两层LSTM网络的输入,充分获得数据的时序性;由注意力层来获取数据自身状态的关键信息,经过输出层将结果输出,实现对IGBT键合线的状态评估。
2.根据权利要求1所述的一种基于加权LSTM的IGBT键合线状态评估方法,其特征在于,所述步骤1中,采用短路电流以及温度反映IGBT模块键合线的老化程度,选取短路电流和IGBT模块的结温作为评估键合线的状态特征量;
当IGBT模块发生短路时,短时间后驱动电压VG稳定,IGBT模块的短路电流大小为:
式中,VG为驱动电压,RG是栅极引线上的寄生电阻,μni为电子迁移率;COX为氧化物电容;z与LCH分别是IGBT内形成的MOSFET沟道的宽度与长度,由芯片的结构决定,不受外部工作环境的影响;αPNP为模块内部PNP型晶体管的共基极电流增益,VTH是栅极阀值电压;其中μni、αPNP、VTH受温度的影响;
根据键合线断裂顺序由内部向两侧失效的特点,设置键合线失效模式,测量相应的短路电流以及结温大小;由短路电流一般失效标准以及结温变化的规律划分相应的老化标准,所述老化标准包括健康状态、受损状态以及完全故障失效状态。
3.根据权利要求2所述的一种基于加权LSTM的IGBT键合线状态评估方法,其特征在于,所述步骤2中,将输入到网络中的IGBT短路电流和温度信号提前重组为二维信号,输入I表示为:
I=w×l
式中,w为输入电流信号的宽度,l为输入的电流信号的长度;输入I作为LSTM模型的输入;
所述LSTM网络包含遗忘门、输入门和输出门三个门控单元;
遗忘门的计算公式为:
ft=σ(Wf·[ht-1,xt]+bf)
式中ft是遗忘门的状态,Wf代表系数,ht-1代表隐藏状态,bf代表偏移量;σ是sigmoid函数,表示为
输入门计算公式为:
it=σ(Wi·[ht-1,xt]+bi)
gt=tanh(Wg·[ht-1,xt]+bg)
Ct=ft*Ct-1+it*gt
式中it是输入门的状态,gt是输入节点的状态,Ct是细胞状态代表长期记忆,Wi,Wg分别代表线性关系系数,bi、bg为各自偏移量;
输出门的计算公式为:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
式中ot是输出门的状态,ht是隐藏状态,代表短期记忆;
将LSTM网络输出的隐藏状态ht作为注意力层的输入,计算出权重矩阵,对输入的数据以概率的形式重新分配;注意力层的权重计算为:
et=utanh(wht+b)
其中,b为偏置系数,u、w为权重系数,et为注意力层的概率分布,at对应et的注意力系数,st为注意力层在t时刻下的输出;
数据的判别结果输出表示为:
其中,为t时刻的输出,sigmiod为激活函数,wo为权重,bo为偏置量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310710656.1A CN116736063A (zh) | 2023-06-15 | 2023-06-15 | 一种基于加权lstm的igbt状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310710656.1A CN116736063A (zh) | 2023-06-15 | 2023-06-15 | 一种基于加权lstm的igbt状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116736063A true CN116736063A (zh) | 2023-09-12 |
Family
ID=87912986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310710656.1A Pending CN116736063A (zh) | 2023-06-15 | 2023-06-15 | 一种基于加权lstm的igbt状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116736063A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933608A (zh) * | 2023-09-15 | 2023-10-24 | 深圳市正和兴电子有限公司 | 一种存储类芯片的管理方法、系统及存储介质 |
CN117435939A (zh) * | 2023-12-14 | 2024-01-23 | 广东力宏微电子有限公司 | 基于大数据的igbt健康状态评估方法 |
-
2023
- 2023-06-15 CN CN202310710656.1A patent/CN116736063A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933608A (zh) * | 2023-09-15 | 2023-10-24 | 深圳市正和兴电子有限公司 | 一种存储类芯片的管理方法、系统及存储介质 |
CN116933608B (zh) * | 2023-09-15 | 2023-12-22 | 深圳市正和兴电子有限公司 | 一种存储类芯片的管理方法、系统及存储介质 |
CN117435939A (zh) * | 2023-12-14 | 2024-01-23 | 广东力宏微电子有限公司 | 基于大数据的igbt健康状态评估方法 |
CN117435939B (zh) * | 2023-12-14 | 2024-03-08 | 广东力宏微电子有限公司 | 基于大数据的igbt健康状态评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116736063A (zh) | 一种基于加权lstm的igbt状态评估方法 | |
Peng et al. | A digital twin based estimation method for health indicators of DC–DC converters | |
Jiang et al. | Online junction temperature measurement for SiC MOSFET based on dynamic threshold voltage extraction | |
Zeng et al. | A novel virtual sensing with artificial neural network and K-means clustering for IGBT current measuring | |
Wang et al. | A junction temperature monitoring method for IGBT modules based on turn-off voltage with convolutional neural networks | |
CN108445371B (zh) | 绝缘栅双极型晶体管使用寿命预分拣方法 | |
CN110412447A (zh) | 一种无损测量igbt模块并联芯片中最高芯片温度和最低芯片温度的方法 | |
Zhang et al. | An online junction temperature monitoring method for SiC MOSFETs based on a novel gate conduction model | |
Rannestad et al. | Converter monitoring unit for retrofit of wind power converters | |
CN113219315A (zh) | 基于结温归一化的逆变器igbt老化在线监测方法及系统 | |
CN112818622B (zh) | 一种多芯片并联igbt模块可靠性综合评价方法及系统 | |
Zheng et al. | Online Aging Parameter Extraction with Induced Voltage $ v_ {\text {eE}} $ between Kelvin and Power Emitter in Turn-off Progress for IGBT Modules | |
Yang et al. | Online junction temperature estimation method for SiC MOSFETs based on the DC bus voltage undershoot | |
Huang et al. | Overview of recent progress in condition monitoring for insulated gate bipolar transistor modules: Detection, estimation, and prediction | |
Yang et al. | A novel on-line IGBT junction temperature measurement method based on on-state voltage drop | |
Zhang et al. | A high-sensitivity online junction temperature monitoring method for SiC mosfets based on the turn-on drain–source current overshoot | |
Yang et al. | Failure mode classification of IGBT modules under power cycling tests based on data-driven machine learning framework | |
CN113376497A (zh) | 一种适用于功率半导体器件结温和老化信息的在线监测方法 | |
Zhang et al. | A novel model of the aging effect on the on-state resistance of sic power mosfets for high-accuracy package-related aging evaluation | |
Ren et al. | Real-time aging monitoring for power MOSFETs using threshold voltage | |
Baker et al. | Proof-of-concept for a kelvin-emitter on-chip temperature sensor for power semiconductors | |
Chen et al. | Degradation assessment of 1.2-kV SiC MOSFETs and comparative study with 1.2-kV Si IGBTs under power cycling | |
Shi et al. | A current sensorless IGBT junction temperature extraction method via parasitic parameters between power collector and auxiliary collector | |
CN113884851A (zh) | 一种基于开尔文发射极电压变化的igbt健康监测方法 | |
Yang et al. | Diagnosis of IGBT Module Bond Wire Independent of Temperature Based on BP Neural Network |
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 |