基于优化长短期记忆神经网络的IGBT寿命预测模型

为了防止绝缘栅双极型晶体管(IGBT)突发性失效而影响电力电子设备安全可靠运行,急需对IGBT剩余寿命做出精确预测,这对现有预测模型在高准确性和低不确定性方面提出了挑战。该文提出一种优化模型,该模型通过利用逐次变分模态分解(SVMD)技术来提取退化特征,并采用贝叶斯方法优化长短期记忆(LSTM)神经网络的超参数以提高预测性能。首先,该模型通过SVMD技术将退化特征数据分解为多个模态后将有用模态重构从而提取和增强退化特征;其次;利用贝叶斯优化方法通过高斯过程(GP)代理模型和期望改进(EI)采集函数对LSTM预测模型超参数实现全局寻优;最后,基于SVMD特征提取技术和贝叶斯优化LSTM网络的预测模型通过实际IGBT退化特征数据证明了模型的有效性和优越性。结果表明,所提模型与传统优化模型相比,提高了13%的寿命预测准确性,并减少了34%的预测不确定性。

基于热时间常数的IGBT模块热疲劳老化监测方法

提出利用热时间常数作为新的特征量,实现了对IGBT模块和导热硅脂的热疲劳老化进程的同步监测。通过研究热时间常数与Cauer型热网络参数的关系,建立了热时间常数与IGBT模块物理结构间的联系,总结出热时间常数在IGBT模块热疲劳老化过程中的变化规律。最后,通过3-D有限元仿真模型和实验验证了该方法对监测IGBT模块和导热硅脂热疲劳老化的有效性。该方法的显著优势在于可以仅通过1条结温降温曲线提取热时间常数,且不需要任何损耗信息或加热模块至热平衡状态。