关键词:
IGBT
剩余使用寿命预测
双向长短时记忆神经网络
蛇优化算法
摘要:
绝缘栅双极晶体管(Insulated Gate Bipolar Transistor,IGBT)作为电力电子系统的核心组成部件,以其卓越性能广泛应用于多个领域。随着IGBT不断强化自身性能以适应时代需求,其应用环境也变得越来越复杂,由此带来的可靠性要求不断提升。剩余使用寿命(Remaining Useful Life,RUL)作为评估器件可靠性的重要指标,准确而快速地预测器件的剩余寿命对于提高系统稳定性、实现设备定期维护以及避免引发安全事故至关重要。本文针对IGBT剩余使用寿命预测的研究分为以下几个阶段,首先通过对器件的失效机理进行深入分析,确定与器件失效相关的关键性电气参数,并对其进行特征选取合成能够用于本文预测实验的数据集。接着,将数据集进行预处理和分析,为了精准预测IGBT的剩余使用寿命,本文采用了一种基于深度神经网络的方法。该方法通过深入分析IGBT的失效机制,并联合加速老化仿真实验的数据,对IGBT失效特征参数进行了有效预测。随后,利用模型预测的结果,进行了IGBT的可靠性评估,并精确预测了IGBT的剩余使用寿命。本研究的主要工作内容如下:
(1)为核实失效特征参数与IGBT剩余寿命之间的关联性,本文选取了6支IGBT作为实验对象,通过构建IGBT加速老化仿真实验,将其放置在各自对应的实验条件下进行试验,并且系统地收集了与IGBT剩余使用寿命相关的关键电气参数。这些数据的获取为后续的精确分析与预测奠定了坚实基础。最后选定集电极-发射极饱和压降(VCE-on)作为IGBT老化失效的特征参数,并设定其值增长15%作为器件老化的失效阈值。
(2)为准确评估IGBT的性能,本文使用了双向长短时记忆(Bidirectional Long Short-Term Memory,Bi-LSTM)神经网络模型进行建模。在此基础上,对该模型进行两层堆叠,并且引入了注意力机制(Attention),同时优化选择神经网络的激活函数来提升模型的预测性能。通过利用NASA PCo E实验室公开的IGBT加速老化数据集进行实验,验证本文所提出的Bi-ALSTM模型在IGBT可靠性评估的应用中,相较于其他对比模型,具备更高的预测准确性。
(3)为解决IGBT剩余使用寿命预测所面临的深度神经网络模型人为调参复杂、模型训练效率较低以及现有方法预测精度不足的问题,本文提出了一种基于蛇优化算法(Snake Optimization,SO)的双向长短时记忆神经网络(Bi-LSTM)模型。在模型构建中,以Bi-LSTM网络为基础网络,并引进SO算法,同时对算法做出了相应的改进,改进的蛇优化算法(Improved Snake Optimization,ISO)其中包括:利用Logistic混沌映射初始化种群,Levy飞行机制更新位置,调整食物量阈值和环境温度阈值以及动态调整开发概率,以解决深层神经网络人为调参复杂的难题。最后利用平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)和均方根误差(Root Mean Square Error,RMSE)为预测模型设置可靠性评估指标。实验结果显示,本文所构建的ISO-Bi-ALSTM模型在预测6支不同工作环境下的IGBT剩余寿命时,其预测效果相较于其他对比模型更为准确,证实本文方法的有效性和实际应用价值。