CN117056692B - 一种SiC基电机驱动器件的老化预测方法 - Google Patents
一种SiC基电机驱动器件的老化预测方法 Download PDFInfo
- Publication number
- CN117056692B CN117056692B CN202311295556.3A CN202311295556A CN117056692B CN 117056692 B CN117056692 B CN 117056692B CN 202311295556 A CN202311295556 A CN 202311295556A CN 117056692 B CN117056692 B CN 117056692B
- Authority
- CN
- China
- Prior art keywords
- time
- sic
- performance state
- based motor
- performance
- 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
- 230000032683 aging Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 8
- 239000004065 semiconductor Substances 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G01R31/003—Environmental or reliability tests
-
- 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
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种SiC基电机驱动器件的老化预测方法，涉及电子信息技术领域，包括：对各个SiC基电机驱动器件，进行驱动不同额定功率电机的老化实验，得到多个性能状态值时间序列；进行有限长单位抽样的均值和方差计算，得到各个性能状态均值时间序列和性能状态方差时间序列；率定SiC基电机驱动器件性能短时预测模型的参数；得到SiC基电机驱动器件下一时刻的性能状态估计值，作为老化预测结果。通过本发明提供的方法，实时地监控了SiC基器件的运行情况，并根据真实运行情况进行动态评估，正确精准地反映出器件的老化和失效程度。
Description
技术领域
本发明涉及电子信息技术领域，具体涉及一种SiC基电机驱动器件的老化预测方法。
背景技术
随着高铁、电动汽车时代的到来，功率半导体的数量和质量需求日益增加。用于驱动电机的Si功率半导体的性能已达极限，高能效、低能耗的第三代半导体成为时代发展的优选。第三代半导体SiC在绝缘击穿电场、饱和漂移速度、导热率等性能方面远胜Si，同时拥有着开关速度快、尺寸小、散热迅速等特性。
SiC器件与Si器件相比，在材料、结构等方面有所不同，在器件特性上也存在一些差异。SiC单晶基板因位错密度较高，且栅极氧化膜加载着大电场，应力持续存在，SiC功率MOSFET和IGBT容易发生老化，导致性能退化。
现有的老化测试方式主要通过测量SiC基器件在仪器设备营建的综合环境下的老化数据，进行曲线拟合，再代入现实工况数据进行评估。其未实时监控SiC基器件的运行情况，并未根据真实运行情况进行动态评估，不能正确反映出器件的老化和失效程度。
发明内容
针对现有技术中的上述不足，本发明提供的一种SiC基电机驱动器件的老化预测方法解决了现有老化测试方法未实时监控SiC基器件的运行情况，并未根据真实运行情况进行动态评估，不能正确反映出器件的老化和失效程度的问题。
为了达到上述发明目的，本发明采用的技术方案为：
一种SiC基电机驱动器件的老化预测方法，包括以下步骤：
S1、对各个SiC基电机驱动器件，进行驱动不同额定功率电机的老化实验，得到多个性能状态值时间序列；
S2、对各个性能状态时间序列进行有限长单位抽样的均值和方差计算，得到各个性能状态均值时间序列和性能状态方差时间序列；
S3、根据各个性能状态均值时间序列和性能状态方差时间序列，率定SiC基电机驱动器件性能短时预测模型的参数；
S4、通过SiC基电机驱动器件性能短时预测模型得到SiC基电机驱动器件下一时刻的性能状态估计值，作为老化预测结果。
本发明的有益效果为：通过本发明提供的方法，可利用有限长单位抽样的均值和方差计算，获取SiC基电机驱动器件的动态的性能状态统计学信息，并据此自适应调整SiC基电机驱动器件性能短时预测模型，对下一时刻的SiC基电机驱动器件性能进行短时预估，完成老化预测，实时地监控了SiC基器件的运行情况，并根据真实运行情况进行动态评估，正确精准地反映出器件的老化和失效程度。
进一步地，所述S1中的性能状态值时间序列包含元素的表达式为：
，其中，/>为SiC基电机驱动器件索引，/>为电机额定功率值，/>为当前时刻，/>为性能状态值时间序列长度，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的性能状态值时间序列，/>至/>分别为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻至/>时刻性能状态值。
上述进一步方案的有益效果为：性能状态值时间序列的设置，充分考虑了不同SiC基电机驱动器件的个体差异以及负载功率所带来的影响，且采用时间倒序的序列排布方式，利于动态时序处理。
进一步地，所述性能状态值计算的表达式为：
，其中，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻阈值电压，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻导通电阻，/>为阈值电压加权系数，/>为导通电阻加权系数。
上述进一步方案的有益效果为：阈值电压和导通电阻是作为功率器件的SiC基MOSFET或IGBT的重要性能参数，也是关键性能参数。
进一步地，所述S2中有限长单位抽样均值计算的表达式为：
，，其中，/>为有限长单位抽样的长度，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的性能状态均值时间序列，/>至分别为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻至/>时刻性能状态均值，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻至/>时刻性能状态值，/>为累加运算时间变量索引。
进一步地，所述S2中有限长单位抽样方差计算的表达式为：
，，其中，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的性能状态方差时间序列，/>至分别为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻至/>时刻性能状态方差， />为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态均值。
上述进一步方案的有益效果为：通过有限长单位抽样的计算方式，可以动态抽头地捕捉SiC基电机驱动器件性能状态的均值和方差变化，而非稀疏间隔的单值。
进一步地，所述S3和S4中的老化失效短时预测模型的表达式为：
，其中，/>为第个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态估计值，为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态均值，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态方差，/>为第/>阶均值加权系数，/>为第/>阶方差加权系数，/>为阶序号，/>为阶数，/>为值在闭区间/>内的伪随机数。
上述进一步方案的有益效果为：基于性能状态的均值的时间倒序多阶加权运算短时预测下一时刻的均值，并通过相同原理的方差预测和基于方差的概率性微调，实现对下一时刻性能状态的统计学估计。
进一步地，所述S3包括：
根据各个性能状态均值时间序列，率定SiC基电机驱动器件性能短时预测模型的各阶均值加权系数；
根据各个性能状态方差时间序列，率定SiC基电机驱动器件性能短时预测模型的各阶方差加权系数。
进一步地，所述S3中根据各个性能状态均值时间序列率定SiC基电机驱动器件性能短时预测模型的各阶均值加权系数的方法包括以下步骤：
A1、通过下式对所有的性能状态均值时间序列进行预处理，得到标准样本性能状态均值时间序列：
，/>，其中，/>为标准样本性能状态均值时间序列，/>至/>分别为标准样本性能状态均值时间序列/>时刻至/>时刻值，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态均值对电机额定功率/>的偏导数，/>为SiC基电机驱动器件数量；
A2、通过下式，根据标准样本性能状态均值时间序列，率定SiC基电机驱动器件性能短时预测模型的各阶均值加权系数：
，其中，为第/>次迭代时的第/>阶均值加权系数，/>为第/>次迭代时的第/>阶均值加权系数，/>为均值加权系数学习率，/>为迭代次数，/>为标准样本性能状态均值时间序列/>时刻值，/>为标准样本性能状态均值时间序列时刻值。
进一步地，所述S3中根据各个性能状态方差时间序列率定SiC基电机驱动器件性能短时预测模型的各阶方差加权系数的方法包括以下步骤：
B1、通过下式对所有的性能状态方差时间序列进行预处理，得到标准样本性能状态方差时间序列：
，/>，其中，为标准样本性能状态均值时间序列，/>至/>分别为标准样本性能状态方差时间序列/>时刻至/>时刻值，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态方差对电机额定功率/>的偏导数；
B2、通过下式，根据标准样本性能状态均值时间序列，率定SiC基电机驱动器件性能短时预测模型的各阶方差加权系数：
，其中，为第/>次迭代时的第/>阶方差加权系数，/>为第/>次迭代时的第/>阶方差加权系数，/>为方差加权系数学习率，/>为标准样本性能状态方差时间序列时刻值，/>为标准样本性能状态方差时间序列/>时刻值。
上述进一步方案的有益效果为：以不同SiC基电机驱动器件的多个数据作为基础，构建标准样本性能状态均值、方差时间序列以率定SiC基电机驱动器件性能短时预测模型的各阶均值加权系数和方差加权系数，当均值和方差预测误差趋近于0时，迭代过程收敛；通过均值和方差加权系数学习率的配置可控制率定迭代过程的收敛速度。
附图说明
图1为本发明实施例提供的一种SiC基电机驱动器件的老化预测方法的流程图。
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，在本发明的一个实施例中，一种SiC基电机驱动器件的老化预测方法，包括以下步骤：
S1、对各个SiC基电机驱动器件，进行驱动不同额定功率电机的老化实验，得到多个性能状态值时间序列。
性能状态值时间序列包含元素的表达式为：
，其中，/>为SiC基电机驱动器件索引，/>为电机额定功率值，/>为当前时刻，/>为性能状态值时间序列长度，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的性能状态值时间序列，/>至/>分别为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻至/>时刻性能状态值。
性能状态值时间序列的设置，充分考虑了不同SiC基电机驱动器件的个体差异以及负载功率所带来的影响，且采用时间倒序的序列排布方式，利于动态时序处理。
阈值电压和导通电阻是作为功率器件的SiC基MOSFET或IGBT的重要性能参数，也是关键性能参数。在本实施例中，性能状态值计算的表达式为：
，其中，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻阈值电压，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻导通电阻，/>为阈值电压加权系数，/>为导通电阻加权系数。
S2、对各个性能状态时间序列进行有限长单位抽样的均值和方差计算，得到各个性能状态均值时间序列和性能状态方差时间序列。
有限长单位抽样均值计算的表达式为：
，，其中，/>为有限长单位抽样的长度，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的性能状态均值时间序列，/>至分别为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻至/>时刻性能状态均值，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻至/>时刻性能状态值，/>为累加运算时间变量索引。
有限长单位抽样方差计算的表达式为：
，，其中，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的性能状态方差时间序列，/>至分别为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻至/>时刻性能状态方差， />为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态均值。
通过有限长单位抽样的计算方式，可以动态抽头地捕捉SiC基电机驱动器件性能状态的均值和方差变化，而非稀疏间隔的单值。
S3、根据各个性能状态均值时间序列和性能状态方差时间序列，率定SiC基电机驱动器件性能短时预测模型的参数。
老化失效短时预测模型的表达式为：
，其中，/>为第个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态估计值，为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态均值，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态方差，/>为第/>阶均值加权系数，/>为第/>阶方差加权系数，/>为阶序号，/>为阶数，/>为值在闭区间/>内的伪随机数。
基于性能状态的均值的时间倒序多阶加权运算短时预测下一时刻的均值，并通过相同原理的方差预测和基于方差的概率性微调，实现对下一时刻性能状态的统计学估计。
本实施例中，S3包括：
1）根据各个性能状态均值时间序列，率定SiC基电机驱动器件性能短时预测模型的各阶均值加权系数，方法为：
A1、通过下式对所有的性能状态均值时间序列进行预处理，得到标准样本性能状态均值时间序列：
，/>，其中，/>为标准样本性能状态均值时间序列，/>至/>分别为标准样本性能状态均值时间序列/>时刻至/>时刻值，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态均值对电机额定功率/>的偏导数，/>为SiC基电机驱动器件数量；
A2、通过下式，根据标准样本性能状态均值时间序列，率定SiC基电机驱动器件性能短时预测模型的各阶均值加权系数：
，其中，为第/>次迭代时的第/>阶均值加权系数，/>为第/>次迭代时的第/>阶均值加权系数，/>为均值加权系数学习率，/>为迭代次数，/>为标准样本性能状态均值时间序列/>时刻值，/>为标准样本性能状态均值时间序列时刻值。
2）根据各个性能状态方差时间序列，率定SiC基电机驱动器件性能短时预测模型的各阶方差加权系数，方法为：
B1、通过下式对所有的性能状态方差时间序列进行预处理，得到标准样本性能状态方差时间序列：
，/>，其中，为标准样本性能状态均值时间序列，/>至/>分别为标准样本性能状态方差时间序列/>时刻至/>时刻值，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态方差对电机额定功率/>的偏导数；
B2、通过下式，根据标准样本性能状态均值时间序列，率定SiC基电机驱动器件性能短时预测模型的各阶方差加权系数：
，其中，为第/>次迭代时的第/>阶方差加权系数，/>为第/>次迭代时的第/>阶方差加权系数，/>为方差加权系数学习率，/>为标准样本性能状态方差时间序列时刻值，/>为标准样本性能状态方差时间序列/>时刻值。
以不同SiC基电机驱动器件的多个数据作为基础，构建标准样本性能状态均值、方差时间序列以率定SiC基电机驱动器件性能短时预测模型的各阶均值加权系数和方差加权系数，当均值和方差预测误差趋近于0时，迭代过程收敛；通过均值和方差加权系数学习率的配置可控制率定迭代过程的收敛速度。
S4、通过SiC基电机驱动器件性能短时预测模型得到SiC基电机驱动器件下一时刻的性能状态估计值，作为老化预测结果。
综上，通过本发明提供的方法，可利用有限长单位抽样的均值和方差计算，获取SiC基电机驱动器件的动态的性能状态统计学信息，并据此自适应调整SiC基电机驱动器件性能短时预测模型，对下一时刻的SiC基电机驱动器件性能进行短时预估，完成老化预测，实时地监控了SiC基器件的运行情况，并根据真实运行情况进行动态评估，正确精准地反映出器件的老化和失效程度。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.一种SiC基电机驱动器件的老化预测方法，其特征在于，包括以下步骤：
S1、对各个SiC基电机驱动器件，进行驱动不同额定功率电机的老化实验，得到多个性能状态值时间序列；
S2、对各个性能状态时间序列进行有限长单位抽样的均值和方差计算，得到各个性能状态均值时间序列和性能状态方差时间序列；
S3、根据各个性能状态均值时间序列和性能状态方差时间序列，率定SiC基电机驱动器件性能短时预测模型的参数；
S4、通过SiC基电机驱动器件性能短时预测模型得到SiC基电机驱动器件下一时刻的性能状态估计值，作为老化预测结果；
所述S1中的性能状态值时间序列包含元素的表达式为：
，其中，/>为SiC基电机驱动器件索引，/>为电机额定功率值，/>为当前时刻，/>为性能状态值时间序列长度，为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的性能状态值时间序列，至/>分别为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻至/>时刻性能状态值；
所述性能状态值计算的表达式为：
，其中，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻阈值电压，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻导通电阻，/>为阈值电压加权系数，/>为导通电阻加权系数；
所述S2中有限长单位抽样均值计算的表达式为：
，，其中，/>为有限长单位抽样的长度，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的性能状态均值时间序列，/>至分别为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻至/>时刻性能状态均值，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻至/>时刻性能状态值，/>为累加运算时间变量索引；
所述S2中有限长单位抽样方差计算的表达式为：
，，其中，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的性能状态方差时间序列，/>至分别为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻至/>时刻性能状态方差， />为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态均值；
所述S3和S4中的老化失效短时预测模型的表达式为：
，其中，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态估计值，为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态均值，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态方差，/>为第/>阶均值加权系数，/>为第/>阶方差加权系数，/>为阶序号，/>为阶数，/>为值在闭区间/>内的伪随机数；
所述S3包括：
根据各个性能状态均值时间序列，率定SiC基电机驱动器件性能短时预测模型的各阶均值加权系数；
根据各个性能状态方差时间序列，率定SiC基电机驱动器件性能短时预测模型的各阶方差加权系数；
所述S3中根据各个性能状态均值时间序列率定SiC基电机驱动器件性能短时预测模型的各阶均值加权系数的方法包括以下步骤：
A1、通过下式对所有的性能状态均值时间序列进行预处理，得到标准样本性能状态均值时间序列：
，/>，其中，/>为标准样本性能状态均值时间序列，/>至/>分别为标准样本性能状态均值时间序列/>时刻至/>时刻值，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态均值对电机额定功率/>的偏导数，/>为SiC基电机驱动器件数量；
A2、通过下式，根据标准样本性能状态均值时间序列，率定SiC基电机驱动器件性能短时预测模型的各阶均值加权系数：
，其中，为第/>次迭代时的第/>阶均值加权系数，/>为第/>次迭代时的第/>阶均值加权系数，/>为均值加权系数学习率，/>为迭代次数，/>为标准样本性能状态均值时间序列/>时刻值，/>为标准样本性能状态均值时间序列时刻值；
所述S3中根据各个性能状态方差时间序列率定SiC基电机驱动器件性能短时预测模型的各阶方差加权系数的方法包括以下步骤：
B1、通过下式对所有的性能状态方差时间序列进行预处理，得到标准样本性能状态方差时间序列：
，/>，其中，/>为标准样本性能状态均值时间序列，/>至/>分别为标准样本性能状态方差时间序列/>时刻至/>时刻值，/>为第/>个SiC基电机驱动器件驱动额定功率为/>的电机时的/>时刻性能状态方差对电机额定功率/>的偏导数；
B2、通过下式，根据标准样本性能状态均值时间序列，率定SiC基电机驱动器件性能短时预测模型的各阶方差加权系数：
，其中，为第/>次迭代时的第/>阶方差加权系数，/>为第/>次迭代时的第/>阶方差加权系数，/>为方差加权系数学习率，/>为标准样本性能状态方差时间序列时刻值，/>为标准样本性能状态方差时间序列/>时刻值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311295556.3A CN117056692B (zh) | 2023-10-09 | 2023-10-09 | 一种SiC基电机驱动器件的老化预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311295556.3A CN117056692B (zh) | 2023-10-09 | 2023-10-09 | 一种SiC基电机驱动器件的老化预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117056692A CN117056692A (zh) | 2023-11-14 |
| CN117056692B true CN117056692B (zh) | 2024-01-23 |
Family
ID=88664742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311295556.3A Active CN117056692B (zh) | 2023-10-09 | 2023-10-09 | 一种SiC基电机驱动器件的老化预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117056692B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103198223A (zh) * | 2013-04-12 | 2013-07-10 | 电子科技大学 | 一种电子产品实时可靠性的预测方法 |
| CN105701559A (zh) * | 2015-12-31 | 2016-06-22 | 国网上海市电力公司 | 一种基于时间序列的短期负荷预测方法 |
| CN109212966A (zh) * | 2018-08-14 | 2019-01-15 | 西安交通大学 | 一种多工况动态基准化的机械设备剩余寿命预测方法 |
| CN110765619A (zh) * | 2019-10-28 | 2020-02-07 | 中国人民解放军63921部队 | 基于多状态参数的无失效屏蔽泵故障短期多步预测方法 |
| CN113919116A (zh) * | 2020-07-09 | 2022-01-11 | 武汉大学 | 基于garch模型的igbt剩余使用寿命预测方法 |
| KR20220028727A (ko) * | 2020-08-31 | 2022-03-08 | (주)브릭 | 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 |
| WO2023004838A1 (zh) * | 2021-07-26 | 2023-02-02 | 大连理工大学 | 一种风电出力区间预测方法 |
| CN116027198A (zh) * | 2022-12-05 | 2023-04-28 | 重庆邮电大学 | 基于联合加权域对抗网络的锂电池健康状态估计方法 |
| JP2023075072A (ja) * | 2021-11-18 | 2023-05-30 | 北京華能新鋭控制技術有限公司 | ローリング時系列及びサポートベクトルマシンに基づく短期風速の予測方法及びシステム |
| CN116205127A (zh) * | 2022-12-01 | 2023-06-02 | 北京航空航天大学 | 一种基于时间序列分解与相似性度量的装备剩余寿命方法 |
| CN116205140A (zh) * | 2023-03-02 | 2023-06-02 | 重庆邮电大学 | 一种基于lstm-arima的igbt剩余使用寿命预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11215535B2 (en) * | 2019-11-14 | 2022-01-04 | Hitachi, Ltd. | Predictive maintenance for robotic arms using vibration measurements |
-
2023
- 2023-10-09 CN CN202311295556.3A patent/CN117056692B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103198223A (zh) * | 2013-04-12 | 2013-07-10 | 电子科技大学 | 一种电子产品实时可靠性的预测方法 |
| CN105701559A (zh) * | 2015-12-31 | 2016-06-22 | 国网上海市电力公司 | 一种基于时间序列的短期负荷预测方法 |
| CN109212966A (zh) * | 2018-08-14 | 2019-01-15 | 西安交通大学 | 一种多工况动态基准化的机械设备剩余寿命预测方法 |
| CN110765619A (zh) * | 2019-10-28 | 2020-02-07 | 中国人民解放军63921部队 | 基于多状态参数的无失效屏蔽泵故障短期多步预测方法 |
| CN113919116A (zh) * | 2020-07-09 | 2022-01-11 | 武汉大学 | 基于garch模型的igbt剩余使用寿命预测方法 |
| KR20220028727A (ko) * | 2020-08-31 | 2022-03-08 | (주)브릭 | 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 |
| WO2023004838A1 (zh) * | 2021-07-26 | 2023-02-02 | 大连理工大学 | 一种风电出力区间预测方法 |
| JP2023075072A (ja) * | 2021-11-18 | 2023-05-30 | 北京華能新鋭控制技術有限公司 | ローリング時系列及びサポートベクトルマシンに基づく短期風速の予測方法及びシステム |
| CN116205127A (zh) * | 2022-12-01 | 2023-06-02 | 北京航空航天大学 | 一种基于时间序列分解与相似性度量的装备剩余寿命方法 |
| CN116027198A (zh) * | 2022-12-05 | 2023-04-28 | 重庆邮电大学 | 基于联合加权域对抗网络的锂电池健康状态估计方法 |
| CN116205140A (zh) * | 2023-03-02 | 2023-06-02 | 重庆邮电大学 | 一种基于lstm-arima的igbt剩余使用寿命预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 产品性能可靠性评估的时序分析方法;尤琦;赵宇;马小兵;;北京航空航天大学学报(第05期);正文 * |
| 基于差分自回归移动平均模型的电气设备温度预测;何兴平;耿远松;郭志伟;王婷;段守胜;;自动化与仪器仪表(第12期);正文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117056692A (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102073004B (zh) | 测试半导体器件可靠性的方法 | |
| CN108572306B (zh) | 逆导型igbt的热阻测试电路和方法 | |
| Kaplar et al. | PV inverter performance and reliability: What is the role of the IGBT? | |
| CN117056692B (zh) | 一种SiC基电机驱动器件的老化预测方法 | |
| CN109494972A (zh) | 基于增强型氮化镓器件的死区时间设置方法 | |
| CN113447788A (zh) | 一种碳化硅mosfet瞬态热测试方法及装置 | |
| 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 | |
| CN111596191B (zh) | 晶闸管关断时间的测定方法及测定装置 | |
| Yu et al. | Degradation analysis of planar, symmetrical and asymmetrical trench SiC MOSFETs under repetitive short circuit impulses | |
| Zhang et al. | Analysis of fault precursor parameters under accelerated aging tests for IGBT modules | |
| CN114414975A (zh) | 碳化硅mosfet结温在线测量方法及系统 | |
| Haque et al. | Prognosis of enhance mode gallium nitride high electron mobility transistors using on-state resistance as fault precursor | |
| CN109935530B (zh) | 一种用于铁电器件中铁电薄膜可靠性评估的实验方法 | |
| Ding et al. | DC Power Cycling Test and Lifetime Prediction for SiC MOSFETs | |
| Wang et al. | A reliability assessment system for power MOSFET using multi-parameters | |
| US11953542B2 (en) | Test method for tolerance against the hot carrier effect | |
| CN112213562A (zh) | 测算功率半导体器件栅极内阻的方法 | |
| CN114217261B (zh) | 一种用于功率循环测试的功率器件老化参数校正方法 | |
| CN117554771A (zh) | 一种碳化硅功率半导体器件的栅极可靠性评估方法 | |
| CN112556868B (zh) | 一种基于组合热敏电参数灵敏度增强的SiC MOSFET结温检测方法 | |
| Patel et al. | A Machine Learning based Approach for Detection and Quantification of Insulation Degradations in Machines' Stator Winding | |
| CN117155359B (zh) | GaN HEMT器件预处理方法 | |
| Wang et al. | Standby Bias Improves the Endurance in Ferroelectric Field Effect Transistors due to Fast Neutralization of Interface Traps | |
| Karki | Effect of gate-oxide degradation on electrical parameters of silicon and silicon carbide power MOSFETs | |
| CN115668681B (zh) | 用于高温反向偏置测试的保护电路 |
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 |