一种基于GA-Elman-LSTM组合模型的IGBT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CN115964937A(43)申请公布日2023.04.14(21)申请号202211588473.9G06N3/045(2023.01)(22)申请日2022.12.12G06N3/086(2023.01)G06F119/02(2020.01)(71)申请人西南交通大学G06F119/04(2020.01)地址610031四川省成都市金牛区二环路北一段111号(72)发明人吴松荣杨平周懿张浩然邓鸿枥张瀚文刘齐付聪柳博(74)专利代理机构成都信博专利代理有限责任公司51200专利代理师秦立飞(51)Int.Cl.G06F30/27(2020.01)G06N3/048(2023.01)G06N3/0442(2023.01)权利要求书2页说明书5页附图3页(54)发明名称一种基于GA-Elman-LSTM组合模型的IGBT寿命预测方法(57)摘要本发明公开了一种基于GA‑Elman‑LSTM组合模型的IGBT寿命预测方法，具体为：获取IGBT老化数据；对数据预处理；利用GA优化的Elman神经网络，将训练数据集导入GA‑Elman模型中进行训练；用训练好的GA‑Elman初步预测模型构建误差修正训练集与验证集；LSTM误差修正预测模型训练；根据步GA‑Elman初步预测模型与LSTM误差修正预测模型搭建GA‑Elman‑LSTM误差修正组合模型，进行最终组合预测。本发明方便高效地使模型能够收敛到全局最优值，有效提高了模型预测精度；同时还提高了模型预测稳定性，降低了预测风险。CN115964937ACN115964937A权利要求书1/2页1.一种基于GA‑Elman‑LSTM组合模型的IGBT寿命预测方法，其特征在于，包括以下步骤：步骤1：IGBT老化数据获取；利用安装于轨道车辆牵引变流器的状态监测电路采集IGBT老化失效数据并将数据传输给上位机加以存储；步骤2：数据预处理；对IGBT老化数据进行平滑降噪处理，然后使用滑动时间窗法构建自相关性时间序列数据样本集，时间窗口设置为10，步长设置为1，最后按照70％训练集，15％验证集，15％预测集对数据样本集进行划分；步骤3：GA‑Elman初步预测模型训练，将步骤2的训练数据集导入GA‑Elman模型中进行训练，具体训练步骤为：S31、Elman模型初始化：确定Elman模型拓扑结构及基本网络参数，根据训练数据集可知，GA‑Elman模型输入层神经元个数应设置为10，输出层神经元个数设置为1，隐含层神经元个数设置为15，迭代周期设为10000次，训练精度设为0.01，最后随机获取一组初始权值与阈值，在k时刻的Elman神经网络数学模型为：y(k)＝g(ω3x(k)+b2)(1)x(k)＝f(ω1(u(k‑1))+ω2z(k)+b1)(2)z(k)＝x(k‑1)(3)式中：u为r维输入向量；y为p维输出向量；x为q维隐含层结点向量；z为q维反馈状态向量；g(·)和f(·)分别为输出层和隐含层的传递函数；ω1、ω2和ω3分别为输入层到隐含层、承接层到隐含层及隐含层到输出层的连接权值；b1和b2分别表示隐含层和输出层的阈值；S32、GA优化Elman权值与阈值：首先，GA获取网络初始权值阈值并对其进行编码，然后构建适应度函数并进行遗传操作，最后计算适应度值并判断是否满足结束条件，若满足则将最优权值阈值赋予Elman模型，否则继续进行遗传操作；S33、GA‑Elman模型训练预测：Elman利用GA搜索得到的最优初始权值与阈值进行训练，训练完成后将15％的验证集导入模型中进行验证，验证集预测精度满足设定的阈值后输出GA‑Elman初步预测模型；步骤4：误差修正训练集与验证集构建；用训练好的GA‑Elman初步预测模型分别拟合训练数据集与验证数据集并计算其预测误差，以原IGBT老化失效数据为LSTM模型输入，以对应的误差数据作为输出构建误差修正训练数据集与验证集；步骤5：LSTM误差修正预测模型训练；确定LSTM模型拓扑结构及基本网络参数，同样将LSTM输入神经元及输出神经元个数分别设为10和1，隐含神经元个数设为200，迭代次数设为400，训练精度设为0.01，将第四步构建的误差修正训练集输入LSTM模型进行训练，训练完成后将误差修正验证集导入模型中进行验证，验证集预测精度满足设定的阈值后输出LSTM误差修正预测模型；LSTM模型对应计算过程如下所示：ft＝sigmoid(Wf·[ht‑1,xt]+bf)(4)2CN115964937A权利要求书2/2页it＝sigmoid(Wi·[ht‑1,xt]+bi)(5)ot＝sigmoid(Wo·[ht‑1,xt]+bo)(8)式中：ft、it、ot、分别为遗忘门、输入门、输出门、中间单