一种IGBT剩余寿命预测方法

摘要

本发明公开了一种IGBT剩余寿命预测方法，通过相空间分帧重构技术，在微分熵率重构相空间的基础上，对重构好的相空间以Volterra级数的输入信号矢量排列；考虑到输入数据与目标输出的相关性，进行各帧输入数据的最佳选择，本发明采用目前比较成熟的前向‑后向算法和最小角回归算法来选择输入向量中较优的输入数据来作为模型的输入；在原有的ELM模型的基础上，加入多响应稀疏回归算法和逐一抽取法裁剪掉无用或者作用很少的隐含层节点，且使用混合的三种神经元激活函数，从而使所建立的网络更具有鲁棒性和泛化性；本发明充分的考虑不同输入对预测模型的差异性，设计了一种自适应算法动态的更新每一组输入数据的预测模型，极大的提高了预测的精度。

权利要求

1.一种IGBT剩余寿命预测方法，其特征在于，包括以下步骤：(1)、通过加速寿命试验，获得IGBT集射极饱和压降老化数据时间序列，得到数据集DS＝{x(1),x(2),…,x(D)}，其中D为得到的数据个数；

(2)、首先，针对数据集DS，根据微分熵率的方法确定最佳的嵌入维数d和延迟时间τ；然后，对数据集DS进行分帧重构，并将各帧数据分别映射到d维特征空间，从而得到n个数据帧{(Xt,Yt)}，其中，n＝D-dτ，t＝1,2,…,n，以作为训练模型的输入数据和目标输出，其中：Xt＝{1,x(t),x(t+τ),…,x(t+(d-1)τ),2

x(t),x(t)x(t+τ),…x(t)x(t+(d-1)τ),x2(t+τ),x(t+τ)x(t+2τ),…,x(t+τ)x(t+(d-1)τ),x2(t+2τ),x(t+2τ)x(t+3τ),…,x(t+2τ)x(t+(d-1)τ)，…，

2

x(t+(d-2)τ),x(t+(d-2)x(t+(d-1)τ)x2(t+(d-1)τ)}；

Yt＝x(t+dτ)

(3)、利用前向-后向算法或最小角回归算法对步骤(2)得到的每帧输入数据Xt作最佳选择，选出与对应目标输出Yt相关性较高的m个输入数据，记选择后的每帧输入数据为：X′t＝{1,x(t+c1τ),x(t+c2τ),…,x(t+cbτ),…,x(t+ceτ)x(t+cfτ)}；cb,ce,cf∈{0,

1,...,d-1},且ce≤cf；

则每帧输入数据X′t的维数大小即元素个数为m，可重新表示为：X′t＝[xt,1,xt,2,…,xt,m]T，其中，t＝1,2,…,n；

(4)、初始化一个含有N个隐含层节点的极限学习机模型，其中，N＜D；输入层的数据为步骤(3)得到的输入数据X′t，其中，t＝1,2,…,n；

在区间[-1,1]内随机初始化极限学习机的输入权值系数矩阵 和阈值系数矩阵 其中s＝1,2,…,N；i＝1,2,…,m；

根据初始化的输入权值系数矩阵 和阈值系数矩阵 计算隐含层输出矩阵其中网络隐含层输出向量 为：

g表示激励函数；

(5)、根据步骤(4)得到的向量 以及步骤(2)中得到的对应目标输出Yt，利用多响应稀疏回归算法对向量 的元素即隐含层节点进行重新排列，记排序后的隐含层节点为：其中，下标1≤jk≤N为排序前的隐含层节点序号,上标1≤k≤N为排序后的隐含层节点位次序号；根据排好的顺序，抽取前l 个隐含层节点，其中l ＜N；

(6)、根据步骤(5)抽取隐含层节点对应的输入权值系数和阈值系数，输入权值系数和阈值系数矩阵分别更新为w＝(ws,i)l×m和θ＝θs s＝1,2,…,l ；i＝1,2,…,m，以及对抽取即剪枝后，重新计算隐含层输出矩阵H＝[h1 ,h2 ,…,hj,…,hn]，其中向量(7)、求解剪枝后的网络输出权值以及预测结果，其过程如下：

7.1)、预测第D+1个数据，即预测数据x(D+1)时，根据步骤(2)和(3)可知预测模型的初始输入数据帧为Xt，此时，t＝D+1-dτ；当输入选择后，记选择后输入数据帧为X′t,t＝D+1-dτ，则可计算 得到 该时刻 即t＝ D+1 -dτ时刻的 网络隐 含层 输出向 量

7.2)、计算网络隐含层输出向量ht与步骤(6)得到的隐含层输出矩阵H＝[h1,h2,…,hj,…,hn]中的每个向量hj，j＝1,2,…,n的欧式距离S；

7.3)、对欧式距离S中网络隐含层输出向量ht与隐含层输出矩阵H的各个向量hj,j＝1,

2,…,n的距离值进行排序，从隐含层输出矩阵H中找出最接近网络隐含层输出向量ht的z，z≥l个向量组成新的矩阵 以及对应的目标输出 从而计算相应的输出权值

由该输出权值得到t＝D+1-dτ时刻，预测模型的预测值：(8)、判断步骤(7)得到的预测值 是否达到IGBT的性能失效阈值，如果达到，则该预测值位置为D+1作为临界点记录，停止预测，如果没有达到，则将预测值 加入到IGBT集射极饱和压降老化数据时间序列，得到数据集DS＝{x(2),x(3),…,x(D+1)}，然后按照步骤(1)～(7)的方法得到预测值 并判断是否达到IGBT的性能失效阈值，如果没有，则继续加入到IGBT集射极饱和压降老化数据时间序列，得到数据集DS＝{x(3),x(4),…,x(D+2)}，这样重复，直到达到为止，并将该预测值位置D+W作为临界点记录，其中，W为预测值 达到IGBT的性能失效阈值的预测次数。

说明书

一种IGBT剩余寿命预测方法

技术领域

[0001] 本发明属于新型电力半导体器件可靠性分析技术领域，更为具体地讲，一种IGBT剩余寿命预测方法。

背景技术

[0002] 绝缘栅双极型晶体管(IGBT,Insulated Gate Bipolar Transistor)作为功率开关器件，其具有载流密度大、饱和压降低等许多优点，目前已广泛应用于新能源发电、高压输电等诸多关键领域中。

[0003] 作为系统的核心部分，IGBT的可靠性影响着整个系统设备的运行稳定性，这使得对IGBT的剩余寿命(RUL,Remaining Useful Life)预测方法的研究变得十分必要，其具有以下几点重要意义：(1)是获得IGBT可靠性信息的重要途径，可进一步为实现系统在线监测与健康管理提供依据；(2)有助于促使生产商对IGBT进行工艺改进(引入新的材料与改进封装技术)；(3)有利于更好地设计加速老化试验以获得更为准确的老化数据；(4)可实现视情维修，使终端使用者获得IGBT更多的寿命信息以减少对系统维护的投入。

[0004] 现有对IGBT的剩余寿命预测方法的研究主要分为两大类:基于物理模型驱动的预测技术和基于数据驱动的预测技术。虽然基于物理模型驱动的预测技术可从材料的角度上表述IGBT的剩余寿命信息，但需要对器件制造材料的本质特性与工艺制造过程有足够深的理解，然而获取的物理模型往往缺乏足够的精度，建模的过程易丢失对象参数间的非线性关系，导致误差增大。另一方面，所构建的物理模型往往与器件具体型号密切相关，这与市场上IGBT飞速增长的产品种类产生矛盾，因而此类方法必然带来预测方法上的滞后性。而基于数据驱动的预测技术是从IGBT的历史老化数据中学习输入和输出之间的映射关系，再在内部建立非线性、非透明及非针对特定对象的模型，用以计算器件的剩余寿命值。如果能够建立准确的IGBT预测模型，将极大地提高预测精度，从而进一步减小预测误差。但目前基于数据驱动的IGBT剩余寿命预测方法还比较少，且预测的准确度还有待提高。

发明内容

[0005] 本发明的目的在于克服现有技术的不足，提供一种IGBT剩余寿命预测方法，以提高剩余寿命的预测精度。

[0006] 为实现上述发明目的，本发明IGBT剩余寿命预测方法，其特征在于，包括以下步骤：

[0007] (1)、通过加速寿命试验，获得IGBT集射极饱和压降老化数据时间序列，得到数据集DS＝{x(1),x(2),…,x(D)}，其中D为得到的数据个数；

[0008] (2)、首先，针对数据集DS，根据微分熵率的方法确定最佳的嵌入维数d和延迟时间τ；然后，利用Matlab中的函数windowize对数据集DS数据集进行分帧重构，并将各帧数据分别映射到d维特征空间，从而得到n(n＝D-dτ)个数据帧{(Xt,Yt)}，其中t＝1,2,…,n，以作为训练模型的输入数据和目标输出，其中：

[0009] Xt＝{1，x(t)，x(t+τ)，…，x(t+(d-1)τ)，

[0010] x2(t)，x(t)x(t+τ)，…x(t)x(t+(d-1)τ)，

[0011] x2(t+τ)，x(t+τ)x(t+2τ)，…，x(t+τ)x(t+(d-1)τ)，

[0012] x2(t+2τ)，x(t+2τ)x(t+3τ)，…，x(t+2τ)x(t+(d-1)τ)

[0013] ，…，

[0014] x2(t+(d-2)τ)，x(t+(d-2)x(t+(d-1)τ)

[0015] x2(t+(d-1)τ)}；

[0016] Yt＝x(t+dτ)

[0017] (3)、利用前向-后向算法(FB,Forward-Backward algorithm)或最小角回归算法(LARS,Least Angle Regression algorithm)对步骤(2)得到的每帧输入数据Xt作最佳选择，选出与对应目标输出Yt相关性较高的m个输入数据，记选择后的每帧输入数据为：

[0018] Xt′＝{1,x(t+c1τ),x(t+c2τ),…,x(t+cbτ),…,x(t+ceτ)x(t+cfτ)}；cb,ce,cf∈{0,1,…,d-1},且ce≤cf；

[0019] 则每帧输入数据Xt′的维数大小(元素个数)为m，可重新表示为：

[0020] Xt′＝[xt,1,xt,2,…,xt,m]T(t＝1,2,…,n)；

[0021] (4)、初始化一个含有N(N＜D)个隐含层节点的极限学习机(ELM)模型；输入层的数据为步骤(3)得到的输入数据Xt′(t＝1,2,…,n)；

[0022] 在区间[-1,1]内随机初始化ELM的输入权值系数矩阵 和阈值系数矩阵其中s＝1,2,…,N；i＝1,2,…,m；

[0023] 根据初始化的输入权值系数矩阵 和阈值系数矩阵 计算隐含层输出矩阵其中网络隐含层输出向量 为：

[0024] g表示激励函数；

[0025] (5)、根据步骤(4)得到的向量 以及步骤(2)中得到的对应目标输出Yt，利用多响应稀疏回归算法(MRSR,Multiresponse Sparse Regression)对向量 的元素即隐含层节点进行重新排列，记排序后的隐含层节点为：

[0026] 其中，下标1≤ji≤N为排序前的隐含层节点序号,上标1≤i≤N为排序后的隐含层节点位次序号；根据排好的顺序，抽取前l个隐含层节点，其中l＜N；

[0027] (6)、根据步骤(5)抽取隐含层节点对应的输入权值系数和阈值系数，输入权值系数和阈值系数矩阵分别更新为w＝(ws,i)l×m和θ＝θs s＝1,2,…,l；i＝1,2,…,m，以及对抽取(剪枝)后，重新计算隐含层输出矩阵H＝[h1,h2,…,hj,…,hn]，其中向量

[0028] (7)、求解剪枝后的网络输出权值以及预测结果，其过程如下：

[0029] 7.1)、预测第D+1个数据，即预测数据x(D+1)时，根据步骤(2)和(3)可知预测模型的初始输入数据帧为Xt，此时，t＝D+1-dτ；当输入选择后，记选择后输入数据帧为Xt′,t＝D+1-dτ，则可计算得到该时刻即t＝D+1-dτ时刻的网络隐含层输出向量

[0030] 7.2)、计算网络隐含层输出向量ht与步骤(6)得到的隐含层输出矩阵H＝[h1,h2,…,hj,…,hn]中的每个向量hj，j＝1,2,…,n的欧式距离S；

[0031] 7.3)、对欧式距离S中网络隐含层输出向量ht与隐含层输出矩阵H的各个向量hj,j＝1,2,…,n的距离值进行排序，从隐含层输出矩阵H中找出最接近网络隐含层输出向量ht的z，z≥l个向量组成新的矩阵 以及对应的目标输出 从而计算相应的输出权值

[0032] 由该输出权值得到t＝D+1-dτ时刻，预测模型的预测值：

[0033]

[0034] (8)、判断步骤(7)得到的预测值 是否达到IGBT的性能失效阈值(APT,Acceptable Performance Threshold)，如果达到，则该预测值位置为D+1作为临界点记录，停止预测，如果没有达到，则将预测值 加入到IGBT集射极饱和压降老化数据时间序列，得到数据集DS＝{x(2),x(3),…,x(D+1)}，然后按照步骤(1)～(7)的方法得到预测值 并判断是否达到IGBT的性能失效阈值，如果没有，则继续加入到IGBT集射极饱和压降老化数据时间序列，得到数据集DS＝{x(3),x(4),…,x(D+2)}，这样重复，直到达到为止，并将该预测值位置D+W作为临界点记录，其中，W为预测值 达到IGBT的性能失效阈值的预测次数。

[0035] 本发明的目的是这样实现的。

[0036] 本发明IGBT剩余寿命预测方法，通过相空间分帧重构技术，在微分熵率重构相空间的基础上，为了追求更高的预测精度，改变对IGBT集射极饱和压降数据的预测为相邻数据差值的预测，对重构好的相空间以Volterra级数的输入信号矢量排列；考虑到输入数据与目标输出的相关性，即某些输入对预测不起作用或起很小的作用，进行各帧输入数据的最佳选择，本发明采用目前比较成熟的前向-后向算法和最小角回归算法来选择输入向量中较优的输入数据来作为模型的输入；在原有的ELM模型的基础上，加入多响应稀疏回归算法和逐一抽取法裁剪掉无用或者作用很少的隐含层节点，且使用混合的三种神经元激活函数，从而使所建立的网络更具有鲁棒性和泛化性；本发明充分的考虑不同输入对预测模型的差异性，设计了一种利用KALE自适应算法动态的更新每一组输入数据的预测模型，极大的提高了预测的精度。

[0037] 因此，本发明汲取Volterra级数的精确建模和改进的最优剪枝极限学习机(OPELM,Optimally-Pruned Extreme Learning Machine)训练学习速度较快和泛化、鲁棒性能良好的优点，提出了一种基于VKOPP算法的IGBT剩余寿命预测方法。通过加速寿命实验获取集射极饱和压降作为IGBT模块失效过程的表征参数，对其用本发明提出的数据驱动预测方法进行预测，结果表明，本方法具有良好的预测性能。

附图说明

[0038] 图1是本发明IGBT剩余寿命预测方法的一种具体实施方式流程图；

[0039] 图2是加速寿命实验所获取的6组IGBT集射极饱和压降的实验原始数据；

[0040] 图3是本发明IGBT剩余寿命预测方法一种具体实施方式预测结果图，其中实际数据(虚线部分)，预测数据(实线部分),APT表示可接受的性能门限，即失效阈值(其中，在每组IGBT实验数据集中，前三分之二的数据用作训练集，后三分之一的数据用作测试集)。

具体实施方式

[0041] 下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

[0042] 本发明不用对具体的电路元件进行模型构建，而是基于电路电网络理论，利用电网络的参数可测量性，采用理论计算和实际测量相结合进行设计。

[0043] 图1是本发明IGBT剩余寿命预测方法的一种具体实施方式流程图。

[0044] 在本实施例中，如图1所示，本发明IGBT剩余寿命预测方法可以划分为四个阶段：输入数据的获取及处理阶段、预测模型的初始化阶段、饱和压降数据预测阶段和IGBT剩余寿命预测阶段。下面分别对各个阶段进行详细说明：

[0045] (一)、输入数据的获取及处理阶段

[0046] S101：通过加速寿命试验，获得IGBT集射极饱和压降老化数据时间序列，得到数据集DS＝{x(1),x(2),…,x(D)}，其中D为得到的数据个数；

[0047] S102：对于步骤S101获得的数据集DS，首先，根据微分熵率的方法确定其最佳的嵌入维数d和延迟时间τ；其次，利用Matlab中的函数windowize对数据集DS进行分帧重构，并将各帧数据分别映射到d维特征空间，以Volterra级数的方式p(p≥1)阶截断，为算法的简洁性，本发明采用p＝2，从而得到n(n＝D-dτ)个数据帧{(Xt,Yt)}(t＝1,2,…,n)以作为训练模型的输入数据和目标输出，其中：

[0048] Xt＝{1，x(t)，x(t+τ)，…，x(t+(d-1)τ)，

[0049] x2(t)，x(t)x(t+τ)，…x(t)x(t+(d-1)τ)，

[0050] x2(t+τ)，x(t+τ)x(t+2τ)，…，x(t+τ)x(t+(d-1)τ)，

[0051] x2(t+2τ)，x(t+2τ)x(t+3τ)，…，x(t+2τ)x(t+(d-1)τ)

[0052] ，…，

[0053] x2(t+(d-2)τ)，x(t+(d-2)x(t+(d-1)τ)

[0054] x2(t+(d-1)τ)}；

[0055] Yt＝x(t+dτ)

[0056] 其元素个数为(d+1)(d+2)/2，目标输出数据Yt＝x(t+dτ)(t＝1,2,…,n)；

[0057] S103：利用FB算法或LARS算法对步骤S102得到的每帧输入数据Xt作最佳选择，选出与目标输出Yt相关性较高的变量，记选择后的输入数据为：

[0058] Xt′＝{1,x(t+c1τ),x(t+c2τ),…,x(t+cbτ),…,x(t+ceτ)x(t+cfτ),…}，[0059] 其中：cb,ce,cf∈{0,1,…,d-1},且ce≤cf。Xt′的维数大小(元素个数)为m，则不妨T记Xt′＝[xt,1,xt,2,…,xt,m](t＝1,2,…,n)。

[0060] 二、预测模型的初始化阶段

[0061] S104：初始化一个含有N(N＜D)个隐含层节点的极限学习机(ELM)模型。输入层的数据为步骤S103得到的Xt′(t＝1,2,…,n)。

[0062] 在区间[-1,1]内随机初始化ELM的输入权值系数矩阵 和阈值系数矩阵根据初始化的 和 计算隐含层输出矩阵其中

[0063] S105：由步骤S104中得到的隐含层输出矩阵 以及步骤S102中其对应的目标输出Yt(t＝1,2,…,n)，利用MRSR算法来向量 的元素即隐含层节点进行重新排列，记排序后的隐含层节点为： 其中，下标1≤ji≤N为排序前的隐节点序号,上标1≤i≤N为排序后的隐节点位次序号；根据排好的顺序，抽取前l个隐含层节点，其中l＜N。

[0064] (三)饱和压降数据预测阶段

[0065] S106：对步骤S105保留的隐含层节点输入权值和阈值参数矩阵分别更新为w＝(ws,i)l×m和θ＝θs(s＝1,2,…,l；i＝1,2,…,m)，以及对剪枝后的网络计算新的隐含层输出矩阵 其中

[0066] S107：采用求解剪枝后的网络输出权值以及预测结果，其过程如下：

[0067] 1).预测第D+1个数据，即预测x(D+1)时，根据步骤S102和S103可知预测模型的初始输入为Xt，此时，t＝D+1-dτ；当输入选择后，记输入为Xt′(t＝D+1-dτ)，则可计算得到该时刻的网络隐含层输出向量

[0068] 2).计算ht与步骤S106得到的矩阵H＝[h1,h2,…,hj,…,hn]中的每个向量hj(j＝1,2,…,n)的欧式距离S；

[0069] 3).对S中ht与H的各个hj(j＝1,2,…,n)距离值进行排序，从H中找出最接近ht的z(z≥l)个向量组成新的矩阵 以及对应的目标输出 从而算出相应的输出权值

[0070] 由该输出权值得到t＝D+1-dτ时刻，预测模型的一步预测值：

[0071]

[0072] 四、IGBT剩余寿命预测阶段

[0073] S108：判断步骤S107得到的预测值是否达到IGBT模块的性能失效阈值APT，如果没有达到，首先，使用新陈代谢递补的方法更新IGBT预测模型的输入数据帧，即将新的预测值添加到原始数据帧的尾部，同时移除原始数据帧的头部数据值，这样保证新的数据帧长度与原始数据帧一致。然后重复步骤S107中的1),2),3),不断更新相应时刻的网络隐含层输出向量ht与其输出权值γ。

[0074] 如果第D+W(W≥1)个数据的预测值 等于或者超过其失效阈值APT，则记录该临界点D+W。于是预测得到还有W个循环计数周期IGBT管将处于失效状态。

[0075] 为了说明本发明的技术效果，总共完成了6组IGBT加速寿命实验来验证。图2是实验所获取的6组IGBT集射极饱和压降老化数据时间序列作为实验原始数据EX_1～6。

[0076] 观察图2所示的原始数据，可以发现其数据不仅存在坏点，还具有冗余性与高维性的特点，若将其直接应用于寿命预测，则会极大地降低预测效率。因此，根据实际的需要和问题的特性，在本实施例中，则对所提取的原始数据进行压缩变换，在低维空间内获取最优特征，以利于更准确地实现IGBT的寿命预测。图3(虚线部分)则画出了处理后的数据曲线。

[0077] 在预测模型的参数设置中，采用微分熵率的方法选取最优的嵌入维数和延迟时间；设置模型的最近邻居个数为100，Volterra级数的阶数为2，OPELM使用混合的三种神经元激励函数，以及隐含层神经元的个数设置为100。

[0078] 在上述参数条件下，为更好地验证本发明所提出的方法的预测性能，下面则利用不同数据个数对IGBT的剩余寿命进行了预测分析，在每组IGBT实验数据集中，前三分之二的数据用作训练集，后三分之一的数据用作测试集。(注：这里以及下文的训练数据点数/训练集是指步骤S102中构造模型的输入和目标输出的原始数据，测试集则指步骤S107及之后步骤中待预测的数据。)

[0079] 表1 是本发明在实验(1)下的预测结果。

[0080]

[0081] 表1

[0082] 从表1可以看出用本发明提出的IGBT剩余寿命预测方法预测IGBT的剩余寿命时，其相对误差都不超过1％。且当预测模型中使用少量的数据时也能获得较好的预测结果。

[0083] 从图3可以看出，本发明IGBT剩余寿命预测方法不仅可以很好的预测IGBT实验数据的整体趋势，还可以较为准确地预测出其剩余寿命值。

[0084] 尽管上面对本发明说明性的具体实施方式进行了描述，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。