本发明涉及sic-gto功率器件健康状态监测技术，特别是一种基于dtw(dynamictimewarping，动态时间规整)和svm(supportvectormachin，支持向量机)的sic-gto器件状态监测方法。
背景技术：
sic-gto功率器件(gateturn-offthyristor)是基于第三代新型宽禁带半导体sic研制的功率电子器件，sic材料禁带宽度大，临界击穿电场高、热导率高、漂移速度快，在大功率、高温、高压、强辐射等环境的电力电子系统中有广泛的应用前景。目前国外已有成熟的商业化sic功率器件，国内也将研制成功并投入应用。功率器件是影响电力电子系统可靠性的最主要部件之一，其性能的优劣直接影响电力电子系统的整体可靠性，因此对sic-gto器件可靠性的研究极其必要。sic-gto器件的阻断电压可达几千伏以上，其阻断特性和开关特性是衡量器件健康状态的重要参数指标。研究sic-gto器件的阻断特性和动态开关特性的状态监测方法，并通过嵌入式的方法实现在低压的情况下完成对器件的健康状态监测在实际应用中具有重要意义。
sic-gto器件状态监测主要是采集器件两端的电流电压信号，从中获得器件失效或缺陷的特征参数。常用的功率器件监测方法主要有小波分析，frechet距离诊断、近似熵理论以及动态时间规整等方法，每种方法都有其特点及适用范围，其中动态时间规整算法具有较高的辨识精度，对时间序列差异的区别比较明显，能够明确区分器件是否发生缺陷及其类型，是针对sic-gto器件状态监测的理想选择。
动态时间规整(dtw)算法是结合动态时间规整技术和距离测度计算技术的一种非线性规整算法，是功率器件状态监测的有效方法之一。动态时间规整算法能够对数据长度不同的时间序列进行匹配，通过特定的约束条件找出两个时间序列曲线间的最优路径，使得两时间序列间的距离最短。该算法可解决序列数据长度不一致的问题，具有很好的鲁棒性，且对测量噪声不敏感，在对sic-gto器件的特性研究中具有显著的优势。
动态时间规整算法虽然在不同时间序列辨识中具有较高的精度，但在搜素路径期间一个时序上的点与另一时序上相隔时间较长的区间相互映射时，易造成病态规整且计算复杂度较高。而目前所改进的动态时间规整算法中，itakura平行四边形窗对路径起点和终点的搜索路径过窄，容易造成起点和终点路径规整不准确而sakoe-chiba窗虽可在全局实现等宽度搜素，但其搜素宽度需根据实际矩阵大小认为设置。因此，目前的结合动态时间规整算法的健康状态监测的效果都不能满足现状要求。
技术实现要素：
本发明为克服上述技术缺陷，提供了一种基于dtw和svm的sic-gto器件状态监测方法，该方法对该约束条件进行优化，可有效的避免路径规整不准确和搜索宽度需人为设置的问题，同时降低计算复杂度减少计算量。
本发明的技术方案如下：
基于dtw和svm的sic-gto器件状态监测方法，具体方法步骤如下：
一、在sic-gto器件健康监测的器件结构中将第3个p区作为功能管脚引出，定义为base极(b)；
二、在高温、高湿、高功率等情况下采用嵌入式电路设计测量器件正常或退化后任意两端的伏安特性曲线，如ak端、gb端等；
三、基于动态时间规整算法建立两时间序列的匹配距离矩阵dn×m及动态时间规整路径的全局约束条件；
四、寻找元素间积累距离最小的路径，并求得最小失真度总和γ(i,j)；
五、将最小失真度总和作为sic-gto器件样本特征对svm分类器进行训练求取最优分类超平面；
六、对sic-gto器件样本进行分类，实现sic-gto器件状态的监测。
如图1所示，本发明的具体方法步骤如下：
步骤一、在sic-gto器件健康监测的器件结构中将第3个p区作为功能管脚引出，定义为base极(b)；
步骤二、在高温、高湿、高功率等情况下采用嵌入式电路设计在低压情况下测量器件正常或退化后任意两端的伏安特性曲线，如ak端、gb端等；
步骤三、基于动态时间规整算法建立两时间序列的匹配距离矩阵dn×m及动态时间规整路径的全局约束条件；
步骤四、寻找元素间积累距离最小的路径，并求得最小失真度总和γ(i,j)；
步骤五、将最小失真度总和作为sic-gto器件样本特征对支持向量机(svm)分类器进行训练求取最优分类超平面；
步骤六、对sic-gto器件样本进行分类，实现sic-gto器件状态的监测。
本发明在动态时间规整算法基础上进行扩展，针对sic-gto功率器件，优化其器件监测结构和参数获取方法，并基于动态规整算法在新型sic-gto功率器件健康状态监测方面具有明显优势。
进一步，步骤一中在研究sic-gto器件的正向阻断特性过程中表明，器件阻断特性主要取决于第二个n+/p节点。故在对sic-gto器件健康监测过程中可将其器件结构中将第3个p区作为功能管脚引出，定义为base极(b)，如图2所示。
进一步，在步骤二中具体包括以下步骤：搭建嵌入式电路在低压(<10v)的情况下，从0v开始以小于0.1v的间隔逐渐增大施加在器件任意两端(如ak端、gb端等)的电压值，并对器件两端的电压、电流值同步采集，获得其伏安特性曲线；在正常、高温、高压、高功率等测试环境下分别对器件进行测试，获取其不同状态下的伏安特性曲线，如图3所示。
进一步，在步骤三中具体包括以下步骤：分别定义两时间序列为r、t，并计算两序列的匹配距离矩阵dn×m；将序列r和t投影至二维直角平面中，其中r为横轴，t为纵轴，格点(i，j)表示元素ri和tj的交点；求取平面中一系列格点所组成的时间弯曲路径p；建立动态时间规整路径p的搜索约束范围，如图4所示。
进一步，在步骤四中具体包括以下步骤：定义两时间序列的失真度总和为γ(i,j)，令γ(1,1)＝0，从点(1,1)出发，按照搜索路径p，反复递推直至γ(n,m)，即为两时间序列的最小失真度总和。
进一步，在步骤五中具体包括以下步骤：按上述步骤求取正常、高温、高湿、高功率等情况下sic-gto器件的最小失真度总和，将其作为样本特征并分为训练样本和测试样本；针对训练样本基于支持向量机将输入向量映射到一个高维特征向量空间中，并在该特征空间中构造最优分类超平面f(x)用以分割两类不同的样本，使得两类间隔最大。
进一步，在步骤六中具体包括以下步骤：基于最优分类超平面对测试样本进行分类，实现sic-gto器件状态的监测。
本发明的有益效果在于：
本发明通过将sic-gto器件结构中的第3个p区作为功能管脚引出并定义为b极，提出在高温、高压、高湿、高功率等环境下采用嵌入式电路对器件任意两端的正常或退化后伏安特性曲线进行获取，基于动态时间规整算法对其中规整路径的全局约束条件进行改进，将算法所求得的最小失真度总和作为样本特征，将其中部分样本作为训练样本对svm分类器进行训练得到最优分类超平面，并基于训练后的支持向量机对测试样本进行分类，实现sic-gto器件状态监测，该方法在新型sic-gto器件健康状态监测中具有明显优势。
本发明在动态时间规整算法基础上进行扩展，针对sic-gto功率器件，优化其器件监测结构和参数获取方法，并基于动态规整算法在新型sic-gto功率器件健康状态监测方面具有明显优势。
附图说明
图1为本发明的流程示意图；
图2为本发明sic-gto器件健康状态监测的器件结构示意图；
图3为本发明不同条件下进行监测的sic-gto器件gb端伏安特性曲线示意图；
图4为本发明动态时间规整路径搜索约束范围示意图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
图1为本发明所述方法的流程图，本方法包括以下步骤：
步骤一中在研究sic-gto器件的正向阻断特性过程中表明，器件阻断特性主要取决于第二个n+/p节点。故在对sic-gto器件健康监测过程中可将其器件结构中将第3个p区作为功能管脚引出，定义为base极(b)，如图2所示。
在步骤二中具体包括以下步骤：搭建嵌入式电路在低压(<10v)的情况下，从0v开始以小于0.1v的间隔逐渐增大施加在器件任意两端(如ak端、gb端等)的电压值，并对器件两端的电压、电流值同步采集，获得其伏安特性曲线；在正常、高温、高压、高功率等测试环境下分别对器件进行测试，获取其不同状态下的伏安特性曲线，如图3所示。
在步骤三中，以gb端为例，选定正常情况下sic-gto器件的gb端伏安特性曲线将其定义为r，选取其他情况下伏安特性曲线定义为t：
r＝[r1,r2,λri,rn]
t＝[t1,t2,λti,tn]
式中，n和m分别为序列r和t的维数，定义两序列元素间距离δ(i,j)为：
δ(i,j)＝(ri-tj)2
则可建立两序列的匹配距离矩阵dn×m：
从匹配距离矩阵中寻找一个路径p，使得元素间累计距离最小，即
为避免动态时间规整算法的病态规整问题，并有效降低计算复杂度，建立动态时间规整路径p的搜索约束范围，如图4所示。分别用斜率为1/2和2的2条直线以及起始点和终点寻找两直线交点a，b。并基于点a、b做平行于矩阵对角线的直线y上和y下，这两条直线与矩阵所围成范围即为动态规整算法搜寻区域，其中
y上＝(3mx+5mn-2n2-2m2)/(3n)
y下＝(3mx+5mn+2n2+2m2)/(3n)
整个搜索区间被限制在如下区域：
在步骤四中，定义两时间序列的失真度总和为γ(i,j)，令γ(1,1)＝0，从点(1,1)出发，按照搜索路径p，反复递推直至γ(n,m)，即为两时间序列的最小失真度总和。
γ(i,j)＝δ(i,j)+min[γ(i-1,j),γ(i,j-1),γ(i-1,j-1)]
在步骤五中，svm的机理是寻找一个满足分类要求的最优分类超平面，使得该超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化，给定训练样本集(xi,yi),i＝1,2,...,l,y∈{±1}该分类超平面记作(w·x+b)＝0，需满足如下约束：
引入lagrange函数求解，得到支持向量机判决函数为：
式中，a为拉格朗日乘子，b为分类阈值，k(x,xi)为分类核函数。
在步骤六中具体包括以下步骤：基于最优分类超平面对测试样本进行分类，实现sic-gto器件状态的监测。
通过以上步骤，能够实现对sic-gto器件状态的监测。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。