低数据样本的IGBT寿命预测方法

本发明属于igbt功率半导体器件，涉及一种低数据样本的igbt寿命预测方法。

背景技术：

1、igbt作为第三代电力半导体已是电力电子设备的核心器件。其被广泛应用于新能源汽车、智能电网、轨道交通和航天航空等领域。igbt模块占电动汽车成本的10％，充电桩的20％；在电网输送中，igbt模块广泛用于电网的发电端、输电端、变电端及用电端，从发电端看，整理器和逆变器都大量需要igbt模块；在轨道交通中车辆牵引变流器和各种辅助变流器的主流电力电子器件也是igbt模块。以高铁为例，截至2020年底，我国高铁的总里程已达3.79万公里，每天5000多列列车运行，每4分钟追踪间隔，这对电力牵引系统运行安全性和可靠性提出了更加严格的要求。根据京沪线牵引变流器系统故障类型统计(2011-2018)，其中68％的故障类型就是功率模块故障，由功率模块组成的牵引变流器尤其脆弱，是牵引系统故障多发的核心设备。igbt对于高压或者高温的情况下，内阻非常大，容易产生高导通损耗，同时对于高冲击力的承受能力也不是很强，所以igbt模块在长时间使用之后会逐渐老化，甚至失效，导致设备运行停止。对于igbt模块，它的失效涉及电、热、机械等多方因素，并且失效过程与igbt本身的动态特性是密切相关的。应用于电力电子系统的igbt模块，由于自身的开通关断、处理功率的波动性以及外部运行环境的变化，长期承受不均衡的电热应力，在运行过程中易产生热疲劳，降低其可靠性。由于igbt模块在长时间使用之后会逐渐老化失效。因此对igbt模块进行寿命预估，对于igbt模块维修维护提供理论依据和数据支撑，能进一步节约成本、降低系统风险、提高系统可靠性。

2、现有研究中，igbt寿命预测多是利用解析寿命模型、解析物理模型和神经网络等方法，解析模型法预测机理明确但是建模复杂，模型参数复杂且难获取，且参数与使用材料属性、产品几何形状、生命周期负荷和故障模型等有关，但igbt模块工作环境复杂，内部失效结构不易观察。神经网络预测精度高，但是针对于每款产品每种工况需要庞大的数据支撑。这些问题都限制着在实际工况中，解决在线的寿命预测问题。

技术实现思路

1、本发明的目的是提供一种低历史数据的igbt寿命预测方法，避免了实际系统中，多个不同igbt模块需要庞大的退化历史数据而造成实际寿命预测的不便问题，为整体系统的维护和降本增效提供一种解决方法。

2、本发明采用的技术方案是，一种低数据样本的igbt寿命预测方法，通过对选定输入数据进行退化模型拟合，拟合出退化函数，构建状态方程和观测方程。采用实测数据时刻替换预测时数据来完成观测方程的系数调整，利用提出的目标误差函数优化粒子滤波器，通过最优寻参调整粒子滤波器的权重，实现igbt寿命预测。

3、本发明的特点还在于：

4、具体按照以下步骤实施：

5、步骤一：在实际工况下，将饱和通态集-射极电压测量模块接至igbt的c、e两极，测量同一ic下到达壳温最小设置值tcmin时igbt次开通瞬间的饱和通态集-射极电压；

6、步骤二：对igbt模块进行老化先验数据测量，记录饱和通态集-射极电压和开通次数，完成完整的退化数据；

7、步骤三：根据测量igbt模块的饱和通态集-射极电压数据拟合退化先验函数；

8、步骤四：根据igbt退化先验函数建立粒子滤波的状态方程和观测方程；

9、步骤五：初始化

10、根据先验信息p(x0)初始化粒子状态分布

11、步骤六：定义粒子滤波器的状态向量为xk＝[ak,bk,ck,dk]，在k＝0时刻x0可通过由步骤三所得数据拟合得；

12、步骤七：粒子采样

13、从重要性密度函数采样n个粒子，并用表示这些粒子；

14、步骤八：设置优化权重的粒子种群数量、迭代次数；

15、步骤九：优化粒子，为了驱动粒子更加靠近真实状态，利用更新方程更新

16、步骤十：初状态估计

17、步骤十一：计算误差函数

18、步骤十二：计算权重并归一化；

19、步骤十三：重采样：

20、步骤十四：状态估计：

21、步骤十五：重复计算下时刻粒子估计出得vce(on)值，直到达到阈值，对应得时刻k即为失效时间；

22、步骤十六：根据实际测量数据替换上一次开通预测数据，重复步骤五至步骤十六，实时更新预测之后的时刻数据，完成对igbt模块的实时寿命预测。

23、步骤一中：设置vce(on)阈值为初始值的1.2倍；tcmin取值根据igbt的产品手册中的范围进行取值。

24、步骤四具体为：igbt退化模型为其中a,b,c,d为模型参数，k为时刻也即老化循环次数，状态方程和观测方程如下：

25、

26、v(k)＝a(k)exp(b(k)*k)+c(k)exp(d(k)*k)+v(k)(2)

27、式(1)中a,b,c,d代表从退化模型中得到的模型参数，式(2)中ω(k)表示过程噪声，v(k)表示观测噪声，根据cov(x0,wk)＝0,cov(x0,vk)＝0可知，过程噪声和观测噪声都是均值为0、方差为σv的高斯白噪声。

28、步骤六中：状态向量为xk＝[ak,bk,ck,dk]中a,b,c,d同步骤四中的系数是同一个，代表退化模型的模型参数；

29、步骤七中：重要性密度函数为粒子滤波理论的重要性密度函数，函数如下：

30、

31、步骤九中：更新方程如下：

32、

33、式(4)中，z由计算，p由idx＝(p＝＝0)，p＝r1<c计算，其中r1和r3是[0,1]内的随机向量，p是r1<c的索引值，r2是[0,1]内的随机数，idx是满足条件的向量r1的索引值；

34、c是平衡参数，其值在迭代过程中从1减小至0.02，由下式计算：

35、

36、m代表最大i二代次数，g代表当前迭代次数，式(4)中γ是所有当前粒子平均值，由下式计算：

37、

38、步骤十中：计算如下式：

39、

40、为当前粒子权重。

41、步骤十一中：误差函数如下式：

42、

43、如果则如果则即为个体最优；找到中最大值的个体序号i(m)；如果此时，则如果则xg(m)＝xg(m-1)，xg(m)即为全局最优值。

44、步骤十二中，权值计算如下：

45、

46、式(9)中，c同式(4)、式(5)、式(8)中c值，zk为更新的测量值，表示预测值，权重归一化如下式：

47、

48、步骤十三中：计算粒子有效样本数，如果neff≥nthres，nthres阈值设置为2/3，则否则根据重要性权重重采样，neff计算如下式：

49、

50、步骤十四具体为：将和代入下式计算

51、

52、式(12)中a,b,c,d同式(1)、式(2)中的模型参数，由当前时刻前已有实测数据拟合。

53、本发明的有益效果是：

54、本发明一种低数据样本的igbt寿命预测方法，采用表征退化明显便于采集的电热参数；对选定输入数据的电热参数进行退化模型拟合，拟合出退化函数，构建状态方程和观测方程；采用实测数据时刻替换预测时数据来完成观测方程的系数调整，利用提出的目标误差函数优化粒子滤波器，通过最优寻参调整粒子滤波器的权重，来提高预测精度，且收敛速度快，不仅解决了igbt寿命预测需要庞大的数据作为样本支撑，也解决了由粒子退化引起的粒子滤波精度降低的问题。本发明的igbt寿命预测方法能适用产品中多种不同模块的预测；区别于现有利用解析寿命模型、解析物理模型和神经网络等方法，避免了解析模型法建模复杂，模型参数复杂且难获取，且参数与使用材料属性、产品几何形状、生命周期负荷和故障模型等有关等问题；避免了神经网络预测针对于每款产品每种工况需要巨量数据支撑问题；能针对于一类产品，用较少的数据样本，完成在线寿命预测的问题；且相对于传统的粒子滤波法有更高的精度，以定义误差函数来优化权重在迭代中失衡，来解决粒子退化问题，在常规工况下，预测精度大于95％。