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,InsulatedGateBipolarTransistor)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] 作为系统的核屯、部分，IGBT的可靠性影响着整个系统设备的运行稳定性，该使得 对IGBT的剩余寿命（R1X,RemainingUse化1Life)预测方法的研究变得十分必要，其具有 W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W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W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， 该与市场上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W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 局。
【发明内容】
[000引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，W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W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做}，其中D为得到的数据个数；
[0008](2)、首先，针对数据集DS，根据微分滴率的方法确定最佳的嵌入维数d和延迟时 间T;然后，利用Matl油中的函数windowize对数据集DS数据集进行分帖重构，并将各 帖数据分别映射到d维特征空间，从而得到n(n=D-dT)个数据帖K\Yt)}，其中t= 1，2,…，n，W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+T)，…，x(t+(d-l)T)，
[0010]x" (t) ,X(t)X(t+T), -X(t)X(t+ (d-1)T),
[001^ (t+T)，X(t+T)X(t+2T)，…，X(t+T)X(t+ (d-1)T)，
[0012]x] (t+2T),X(t+2T)X(t+3T),…，X(t+2T)X(t+ (d_l)T)
[001引，…，
[0014] x^(t+(d-2)T),X(t+(d-2)X(t+(d-1)t)
[00巧]x2(t+(d-l)T)};
[0016] Yt=X(t+dT)
[0017](3)、利用前向-后向算法（FB,Forward-Backwardalgorithm)或最小角回归算法 (LARS,LeastAngleRegressionalgorithm)对步骤（2)得到的每帖输入数据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，记选择后的每帖输入数据为：
[001引 \= {1,X(t+C1T),X(t+C2T…，X(t+CbT …，X(t+CeT)X(t+CfT)}; Cb,Ce,CfG{0, 1，…，d-1}，且CC^
[0019] 则每帖输入数据Xt'的维数大小（元素个数）为m，可重新表示为：
[0020] X/ = [Xt i，Xt，2,…，Xt jT(t = 1,2,…，n);
[002。 （4)、初始化一个含有N(N<D)个隐含层节点的极限学习机巧LM)模型；输入层的 数据为步骤（3)得到的输入数据Xt' (t= 1，2,…，n);
[002引在区间[-1，U内随机初始化￡111的输入权值系数矩阵^=(^^^^.)^><"^日阔值系数矩 阵0 = <9,.,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W和阔值系数矩阵各，计算隐含层输出矩阵 巧=巧，/72，...点...，/7,,]，其中网络隐含层输出向量兩为：
[0024]
g表示激励函数；
[002引 巧）、根据步骤（4)得到的向量^化及步骤似中得到的对应目标输出Yt，利用多 响应稀疏回归算法（MRSR,MultiresponseSparseRegression)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《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1个隐含层 节点，其中1 <N;
[0027] 化）、根据步骤（5)抽取隐含层节点对应的输入权值系数和阔值系数，输入权值系 数和阔值系数矩阵分别更新为W= 和0 = 0SS= 1，2,…，1;i= 1，2,…，m， W及对抽取（剪枝）后，重新计算隐含层输出矩阵H=比i，h2,…，hj.，…，h。]，其中向量
[0028] (7)、求解剪枝后的网络输出权值W及预测结果，其过程如下：
[002引 7.1)、预测第D+1个数据，即预测数据X值+1)时，根据步骤似和做可知预 测模型的初始输入数据帖为Xt，此时，t=D+l-dT;当输入选择后，记选择后输入数据帖 为X/，t=D+l-dT，则可计算得到该时刻即t=D+l-dT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、与步骤做得到的隐含层输出矩阵H= 比1，h2,…，hj,…，h。]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、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> 1个向量组成新的矩阵任二内，与,...，在7W及对应的目标输出 二怯，t...，tr，从而计算相应的输出权值的，；V..，钟=么/ti= (妊巧)-咕呼；
[0032] 由该输出权值得到t=D+1-dT时刻，预测模型的预测值；
[0033]
[0034] 巧）、判断步骤（7)得到的预测值J是否达到IGBT的性能失效阔值 (APT,Accept油lePerformanceT虹eshold)，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，则将预测值哀加入到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〇)+l)}，然后按照步骤（1)~（7)的方法得到预 测值夾，并判断是否达到IGBT的性能失效阔值，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值+2) }，该样重复，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为预测值哀达到IGBT的性能失效阔值 的预测次数。
[00巧]本发明的目的是该样实现的。<