一种基于深度时序迁移特征的IGBT功率模块的剩余寿命预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115994486A(43)申请公布日2023.04.21(21)申请号202211714516.3(22)申请日2022.12.30(71)申请人天津商业大学地址300134天津市北辰区光荣道409号(72)发明人刘向向刘爽爽(51)Int.Cl.G06F30/27(2020.01)G06N3/049(2023.01)G06N3/0442(2023.01)G06N3/045(2023.01)G06N3/096(2023.01)G06F119/04(2020.01)G06F119/02(2020.01)G06F119/12(2020.01)权利要求书2页说明书10页附图6页(54)发明名称一种基于深度时序迁移特征的IGBT功率模块的剩余寿命预测方法(57)摘要本发明公开了一种基于深度时序迁移特征的IGBT功率模块的剩余寿命预测方法，包括：1、采用皮尔逊相关系数衡量各参数的关联程度，确定最优特征参数；2、搭建基于深度时序迁移特征的SAE‑LSTM网络模型，采用改进的TSA算法(即TSAD)得到最优时间窗和最优稀疏度，更新SAE网络；3、将多维时序退化特征带入网络模型进行模块剩余寿命预测。该预测方法，其特征在于，SAE网络包含多个隐藏层，对不同时间窗提取的时序数据进行分解和重构，挖掘其深层隐性关系；SAE网络模型构建过程中，时间窗和稀疏度作为超参，通过TSAD算法进行超参调节。基于深度时序迁移特征SAE‑LSTM网络增加了时序预测模型的准确性。CN115994486ACN115994486A权利要求书1/2页1.一种基于深度时序迁移特征的IGBT功率模块的剩余寿命预测方法，其特征在于，该预测方法包括以下步骤：步骤1、获取完整的IGBT模块的多维时序退化特征信息以集电极电压的数值作为有效的特征参数，采用皮尔逊相关系数综合衡量各特征参数(IGBT的输入功率、壳温、门极电压、集电极电流)与集电极电压之间的关联程度，选择皮尔逊相关系数最大的特征参数作为退化特征信息，以此确定IGBT模块剩余寿命预测的最优特征参数，采用集电极电压和输入功率的时序数据作为有效的特征参数，获得多维时序退化特征信息；步骤2、搭建基于深度时序迁移特征SAE‑LSTM网络的IGBT预测模型所述IGBT预测模型包括SAE网络和LSTM网络，SAE网络的输入为步骤1获得的多维时序退化特征参数，SAE网络的输出为LSTM网络的输入，LSTM网络的输出为预测的集电极电压，将预测结果与实际集电极电压比较，以二者的均方根误差作为适应度函数，通过TSAD算法得到输出最优时间窗和最优稀疏度，利用最优时间窗更新输入到SAE网络中的数据结构，利用最优稀疏度更新SAE网络，至此获得最终的IGBT预测模型；步骤3、将该IGBT模块的多维时序退化特征信息带入IGBT预测模型进行剩余寿命预测，实现IGBT模块利用自身多维时序退化特征信息的历史数据来预测该IGBT模块未来的集电极电压；所述TSAD算法以TSA算法为基础进行改进，利用混沌映射策略的随机性与遍历性获取初代种群位置，所得初始种群位置能有效覆盖整个解空间，其数学模型为：rM＝α×rM×(1‑rM)其中，rM为混沌映射尺度，取值为[0，1]区间内的随机数；α为[0，4]；在个体位置更新的过程中，引入了自适应引导系数，取代随机线性步长更新，自适应引导系数al的数学模型为其中，t表示当前迭代次数；Max_t表示最大迭代次数；引入自适应引导系数后，被囊群中个体位置更新式如下：其中，Pbest为第t次迭代时种群食物来源位置，PA为个体避免冲突计算的位置向量，Dp为当前第i个个体与食物来源之间的距离。2.根据权利要求1所述的预测方法，其特征在于，所述SAE网络将集电极电压和输入功率的多维时序退化特征信息进行分解和重构，挖掘IGBT模块退化过程中的深度时序特征；SAE网络中包含多个隐藏层，对不同时间窗口提取的时序数据进行分解和重构，并得到IGBT模块退化过程中时序数据的深层隐性关系，SAE网络模型构建过程中，不同大小的时间窗口和稀疏度作为两项超参，通过AWPSO优化SAE网络模型参数，进行最优超参调节。3.根据权利要求1所述的预测方法，其特征在于，将IGBT模块的多维时序退化特征信息带入IGBT预测模型进行剩余寿命预测；将不同壳温下的集电极电压进行归一化，转化为相同壳温下的集电极电压，由于IGBT工作过程中的壳温均值大多相近，因此将不同的集电极2CN115994486A权利要求书2/2页电压均等效为某一温度的集电极电压；另外由于IGBT的制造差异和应用环境差异，劣化造成的集电极电压退化轨迹可能会完全不同，在预测中根据三西格玛准则，选用IGBT集电极电压的平均值加上3倍的标准差作为阈值电压，