基于LSTM网络的IGBT寿命预测方法研究.pdf
《基于LSTM网络的IGBT寿命预测方法研究.pdf》由会员分享,可在线阅读,更多相关《基于LSTM网络的IGBT寿命预测方法研究.pdf(6页珍藏版)》请在咨信网上搜索。
1、引用格式:引用格式:史业照,郭斌,郑永军.基于 LSTM 网络的 IGBT 寿命预测方法研究J.中国测试,2024,50(2):54-58.SHIYezhao,GUOBin,ZHENGYongjun.ResearchonIGBTlifepredictionbasedonLSTMnetworkJ.ChinaMeasurement&Test,2024,50(2):54-58.DOI:10.11857/j.issn.1674-5124.2020040009基于 LSTM 网络的 IGBT 寿命预测方法研究史业照,郭斌,郑永军(中国计量大学计量测试工程学院,浙江杭州310018)摘要:针对 IGBT
2、工作时承受热应力与电应力循环冲击导致疲劳失效的问题,提出一种基于长短期记忆(LSTM)网络的寿命预测方法。利用 NASA 预测中心提供的加速老化数据集,分析并选取集电极发射极的瞬态尖峰电压作为失效特征参数,通过 Matlab 构建 LSTM 网络,采用 Adam 优化算法来训练网络,实现对失效特征参数数据的预测,并选取三项性能评估指标与 ARIMA 模型及 ELMAN 神经网络模型的预测进行对比分析。结果显示,LSTM 网络模型预测的均方根误差为 0.0476,平均绝对误差为 0.0322,平均绝对百分误差为 0.4917%,LSTM 网络模型的预测精度更高,能够更好地实现 IGBT 的寿命预
3、测,也对其他电力电子器件的寿命预测有一定的参考价值。关键词:绝缘栅双极型晶体管;长短期记忆网络;寿命预测;深度学习中图分类号:TN322.8;TB9文献标志码:A文章编号:16745124(2024)02005405Research on IGBT life prediction based on LSTM networkSHIYezhao,GUOBin,ZHENGYongjun(CollegeofMetrology&MeasurementEngineeing,ChinaJiliangUniversity,Hangzhou310018,China)Abstract:Tosolvetheprob
4、lemoffatiguefailurecausedbycyclicimpactofthermalstressandelectricalstressduringIGBToperation,alifepredictionmethodbasedonlongandshorttermmemory(LSTM)networkisproposed.UsingNASAsforecastcenterprovidestheacceleratedagingofdatasets,analysisandselectionofcollector to emitter transient peak voltage as fa
5、ilure characteristic parameters of LSTM network built byMatlab,Adamoptimizationalgorithmisusedtotrainnetwork,ordertopredictfailurecharacteristicparameterdata,andselectedthreeperformanceevaluationindicatorsandARIMAmodelandELMANneuralnetworkmodelofpredictionwereanalyzed.TheresultsshowthattheRMSerrorof
6、LSTMnetworkmodelis0.0476,theaverage absolute error is 0.0322,and the average absolute percentage error is 0.4917%.The predictionaccuracyofLSTMnetworkmodelishigher,whichcanbetterrealizethelifepredictionofIGBT,andhascertainreferencevalueforthelifepredictionofotherpowerelectronicdevices.Keywords:insula
7、tedgatebipolartransistor;longshort-termmemorynetwork;lifeprediction;deeplearning收稿日期:2020-04-03;收到修改稿日期:2020-06-24基金项目:国家自然科学基金面上项目(51775530);工信部 2018 年智能制造新模式应用项目(Z135060009002);浙江省重点研发项目(2017C01G2080224)作者简介:史业照(1995-),男,安徽池州市人,硕士研究生,专业方向为电机控制、电子元器件的可靠性预测。第50卷第2期中国测试Vol.50No.22024年2月CHINAMEASUREME
8、NT&TESTFebruary,20240 引言绝缘栅双极型晶体管(IGBT)是一种综合了功率场效应管(MOSFET)和双极型功率晶体管(BJT)结构的复合器件,具有驱动功率小、开关速度快、能够承受较高电压等优点。目前,IGBT 作为基本电子器件已经广泛用于电力电子中,尤其是开关电源、变频器等领域1。IGBT 在使用过程中可能会发生意外或者突发性故障,致使设备停机时间过长,造成维护成本高、收益损失大等后果。IGBT 性能的逐渐退化降低了电子设备的工作效率,器件的失效也会引致整个电子系统的失效2。因此,IGBT 剩余使用寿命的预测对于设备的安全可靠运行具有重要意义。IGBT 的寿命预测方法可分为
9、两类:1)基于物理模型的方法。张经纬3利用 COMOL 对 IGBT 进行多物理场耦合建模并进行功率循环仿真,将功率循环过程中应力和应变的变化规律代入合适的预测模型中,对 IGBT 进行寿命预测。当模拟的实际故障机制的故障模型准确时,基于物理模型的方法能够提供有效的预测。然而在实际工况中,很难去建立器件准确的物理模型,因而此方法受到了极大的限制。2)基于数据驱动的方法。健康状况的特征信息是从产品性能的历史数据中提取出来的,这些历史数据通常能够刻画器件的老化发展过程,通过建立合理的数学模型对其特征参数的历史数据进行深度解析,可以对器件的健康发展状况进行有效的预测4-5。周利华6利用 NASA 的
10、 IGBT 加速老化数据,分析并选取了集电极发射极的瞬态尖峰电压作为失效特征参数,采用 BP 神经网络构建IGBT 的寿命预测模型,但其存在极值小的情况且训练时间长,预测效果一般。陈冰等7提出基于DBN 的预测模型,通过选取 IGBT 的失效特征参数,对其进行分析与预测。虽然克服了训练过程中局部最优和训练时间长的缺点,但其预测精度不高。所以,本文提出长短期记忆(LSTM)网络模型应用于IGBT 的寿命预测。LSTM 能有效地捕捉长期的时变信息,在笔迹识别、自然语言简明翻译和时间序列数据预测等方面取得了优异的效果。本文构建了 LSTM 网络预测模型,并构建 ARIMA 预测模型和 ELMAN 神
11、经网络预测模型作为对比分析,旨在验证用 LSTM 网络预测 IGBT 寿命的优异性。1 IGBT 失效模式和机理IGBT 的可靠性定义为:在一定条件下,完成其设计功能,即不发生失效的能力。衡量可靠性的标准是发生失效概率的大小,可靠性与失效概率是直接相关的。根据其失效的原因,IGBT 失效分为热击穿和电击穿,这是由多方面因素导致的,并且在IGBT 整个寿命周期的不同阶段,导致故障失效的主要因素和发生概率也有所不同。研究表明,IGBT 的失效模式分为三种:1)缺陷失效。缺陷失效是由 IGBT 自身的缺陷或损伤所致,在制造过程中各种工艺的缺陷,包括器件本身的结构设计、设备工艺、质量监控的准确度、原材
12、料质量等,这些缺陷的产生往往是无法避免的,出厂前对其质量检测不能保证能够全部排查剔除。2)随机失效。随机失效的发生不是 IGBT 本身的原因,而是由外部的一些随机因素(脉冲错误、驱动故障、过电流、过电压等)所致。失效的发生具有一定随机性和偶然性,若超出 IGBT 的安全工作区,可能会导致失效。3)疲劳失效。IGBT 在工作时会承受着电应力和热应力的循环冲击,经过长期的积累将会导致芯片与封装疲劳,从而致使失效,IGBT 的寿命周期与疲劳失效直接相关。针对以上三种失效模式,有初期、中期、后期这三个阶段与之对应。三种失效的概率分布图如图 1 所示8。缺陷失效随机失效疲劳失效失效概率(fit)初期中期
13、晚期 时间图 1 IGBT 寿命周期与各阶段失效概率示意图初期的缺陷失效,可以通过成品出厂之前的缺陷检测,有效的避免在其出厂后投入使用的初期发生缺陷失效。中期的随机失效,可以通过提高设计水平和操作使用水平,有效的避免在其使用之后的中期发生随机失效。后期的疲劳失效,随着 IGBT使用时间的加长,疲劳损伤逐渐积累,这个过程是无法避免且不可逆的。因此,疲劳失效是影响IGBT 使用寿命周期的关键,在疲劳失效的过程中,其内部某些特征参数会发生变化且有一定的变化趋势,这对 IGBT 的寿命预测研究有着至关重要的作用。第50卷第2期史业照,等:基于 LSTM 网络的 IGBT 寿命预测方法研究552 IGB
14、T 热应力加速老化试验分析2.1 加速老化实验装置及老化数据为了探索 IGBT 的老化失效过程,并为其寿命预测和健康诊断提供依据,美国宇航局开发了加速老化实验系统。IGBT 的加速老化试验是属于美国宇航局研究电子元件退化特性的一个项目,因为电子元件在电力设备中的消耗量越来越大,电子故障的数量也越来越多,有必要进行系统研究,加速老化实验硬件如图 2 所示。故障诊断、剩余使用寿命的预测和健康管理对避免发生灾难性故障和降低维修成本具有重要作用。正常而言,IGBT 的使用寿命同大多数功率器件一样,周期相对较长,而研究人员无法采集完整的老化过程的各项特征参数数据。因此,可以通过热应力加速老化实验装置采集
15、IGBT 的加速老化数据9。本文通过 NASA 预测中心提供的加速老化数据集,分析并选取老化特征参数,应用 LSTM 网络预测算法对其进行数据预测。图 2 加速老化实验硬件实验采用热循环和电过应力加速 IGBT 的退化直至失效,通过 NASA 的 AMES 实验室提供的加速老化实验系统进行数据采集。实验的测量数据作为一个开放数据库在 NASA 的官网上共享,该数据集记录了多个 IGBT 的特征参数变量,如集电极发射极电压、集电极发射极的瞬态尖峰电压、集电极发射极电流、封装温度等。在加速老化实验中,这些数据和参数一直被监测和记录,直到 IGBT失效。通过老化过程分析,本文将选取其中一种参数变量作
16、为预测 IGBT 寿命的失效特征参数并进行实验仿真分析。2.2 失效特征参数的选取在早期的使用过程中,IGBT 外部的老化特征参数基本没什么变化,但随着使用周期的加长,IGBT 的老化特征参数会按照一定的趋势变化。通过观测这些参数的变化就可以预测器件的使用寿命。IGBT 所应用的场景常被作为开关器件使用,IGBT频繁的开通、断开会产生开关损耗,因而可以认为其造成了 IGBT 的老化失效10。通过老化数据观测分析,集电极发射极的瞬态尖峰电压值有明显的下降趋势,故可以选其作为失效特征参数并进行寿命预测。NASA 预测中心公布的加速老化数据集中的集电极发射极的瞬态尖峰电压值随采样周期的变化过程如图
17、3 所示,通过观察可以看出,瞬态尖峰电压值随着 IGBT 的退化而逐步减小。050100 150 200 250 300 350 400 45068101214161820222426峰值电压/V采样周期数图 3 IGBT 关断尖峰电压退化过程3 基于 LSTM 网络的 IGBT 寿命预测3.1 LSTM 网络LSTM 是递归神经网络(RNN)的变体,是由Sepp Hochreater 和 Jrgen Schmidhuber 于 1997 年提出的。RNN 处理距离较远序列时可能会出现梯度消失和梯度爆炸,这让其失去了对较远时刻的感知能力,而 LSTM 独特的结构可以有效地解决RNN 训练过程中
18、出现的上述问题。如图 4 所示,LSTM 细胞单元由门控单元和记忆单元组成,而门控单元又包括输入门、输出门和遗忘门11-12。LSTMCelltanhtanhoLSTMcellht1ct+1ht+1ht+1xt1xt+1htcththt1ct1ht1,xtxttitCtt图 4 LSTM 细胞单元结构遗忘门结构的表达式如下所示:ft=sigmoid(Wfht1,xt+bf)(1)56中国测试2024年2月式中:ft遗忘门的输出;xt输入序列;Wf权值矩阵;ht1上一时刻细胞单元最终的输出;ht-1,xt两个向量连接成一个长向量;bf偏移项,通过 sigmoid 函数后输出 0 到1 的概率。同
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 LSTM 网络 IGBT 寿命 预测 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。