基于LSTM网络的IGBT寿命预测方法研究.pdf

引用格式：引用格式：史业照,郭斌,郑永军.基于 LSTM 网络的 IGBT 寿命预测方法研究J.中国测试，2024,50(2):54-58.SHIYezhao,GUOBin,ZHENGYongjun.ResearchonIGBTlifepredictionbasedonLSTMnetworkJ.ChinaMeasurement&Test,2024,50(2):54-58.DOI:10.11857/j.issn.1674-5124.2020040009基于 LSTM 网络的 IGBT 寿命预测方法研究史业照，郭斌，郑永军(中国计量大学计量测试工程学院，浙江杭州310018)摘要:针对 IGBT 工作时承受热应力与电应力循环冲击导致疲劳失效的问题，提出一种基于长短期记忆（LSTM）网络的寿命预测方法。利用 NASA 预测中心提供的加速老化数据集，分析并选取集电极发射极的瞬态尖峰电压作为失效特征参数，通过 Matlab 构建 LSTM 网络，采用 Adam 优化算法来训练网络，实现对失效特征参数数据的预测，并选取三项性能评估指标与 ARIMA 模型及 ELMAN 神经网络模型的预测进行对比分析。结果显示，LSTM 网络模型预测的均方根误差为 0.0476，平均绝对误差为 0.0322，平均绝对百分误差为 0.4917%，LSTM 网络模型的预测精度更高，能够更好地实现 IGBT 的寿命预测，也对其他电力电子器件的寿命预测有一定的参考价值。关键词:绝缘栅双极型晶体管;长短期记忆网络;寿命预测;深度学习中图分类号:TN322.8;TB9文献标志码:A文章编号:16745124(2024)02005405Research on IGBT life prediction based on LSTM networkSHIYezhao,GUOBin,ZHENGYongjun(CollegeofMetrology&MeasurementEngineeing,ChinaJiliangUniversity,Hangzhou310018,China)Abstract:TosolvetheproblemoffatiguefailurecausedbycyclicimpactofthermalstressandelectricalstressduringIGBToperation,alifepredictionmethodbasedonlongandshorttermmemory(LSTM)networkisproposed.UsingNASAsforecastcenterprovidestheacceleratedagingofdatasets,analysisandselectionofcollector to emitter transient peak voltage as failure characteristic parameters of LSTM network built byMatlab,Adamoptimizationalgorithmisusedtotrainnetwork,ordertopredictfailurecharacteristicparameterdata,andselectedthreeperformanceevaluationindicatorsandARIMAmodelandELMANneuralnetworkmodelofpredictionwereanalyzed.TheresultsshowthattheRMSerrorofLSTMnetworkmodelis0.0476,theaverage absolute error is 0.0322,and the average absolute percentage error is 0.4917%.The predictionaccuracyofLSTMnetworkmodelishigher,whichcanbetterrealizethelifepredictionofIGBT,andhascertainreferencevalueforthelifepredictionofotherpowerelectronicdevices.Keywords:insulatedgatebipolartransistor;longshort-termmemorynetwork;lifeprediction;deeplearning收稿日期:2020-04-03；收到修改稿日期:2020-06-24基金项目:国家自然科学基金面上项目（51775530）；工信部 2018 年智能制造新模式应用项目（Z135060009002）；浙江省重点研发项目（2017C01G2080224）作者简介:史业照（1995-），男，安徽池州市人，硕士研究生，专业方向为电机控制、电子元器件的可靠性预测。第50卷第2期中国测试Vol.50No.22024年2月CHINAMEASUREMENT&TESTFebruary,20240 引言绝缘栅双极型晶体管（IGBT）是一种综合了功率场效应管（MOSFET）和双极型功率晶体管（BJT）结构的复合器件，具有驱动功率小、开关速度快、能够承受较高电压等优点。目前，IGBT 作为基本电子器件已经广泛用于电力电子中，尤其是开关电源、变频器等领域1。IGBT 在使用过程中可能会发生意外或者突发性故障，致使设备停机时间过长，造成维护成本高、收益损失大等后果。IGBT 性能的逐渐退化降低了电子设备的工作效率，器件的失效也会引致整个电子系统的失效2。因此，IGBT 剩余使用寿命的预测对于设备的安全可靠运行具有重要意义。IGBT 的寿命预测方法可分为两类：1）基于物理模型的方法。张经纬3利用 COMOL 对 IGBT 进行多物理场耦合建模并进行功率循环仿真，将功率循环过程中应力和应变的变化规律代入合适的预测模型中，对 IGBT 进行寿命预测。当模拟的实际故障机制的故障模型准确时，基于物理模型的方法能够提供有效的预测。然而在实际工况中，很难去建立器件准确的物理模型，因而此方法受到了极大的限制。2）基于数据驱动的方法。健康状况的特征信息是从产品性能的历史数据中提取出来的，这些历史数据通常能够刻画器件的老化发展过程，通过建立合理的数学模型对其特征参数的历史数据进行深度解析，可以对器件的健康发展状况进行有效的预测4-5。周利华6利用 NASA 的 IGBT 加速老化数据，分析并选取了集电极发射极的瞬态尖峰电压作为失效特征参数，采用 BP 神经网络构建IGBT 的寿命预测模型，但其存在极值小的情况且训练时间长，预测效果一般。陈冰等7提出基于DBN 的预测模型，通过选取 IGBT 的失效特征参数，对其进行分析与预测。虽然克服了训练过程中局部最优和训练时间长的缺点，但其预测精度不高。所以，本文提出长短期记忆（LSTM）网络模型应用于IGBT 的寿命预测。LSTM 能有效地捕捉长期的时变信息，在笔迹识别、自然语言简明翻译和时间序列数据预测等方面取得了优异的效果。本文构建了 LSTM 网络预测模型，并构建 ARIMA 预测模型和 ELMAN 神经网络预测模型作为对比分析，旨在验证用 LSTM 网络预测 IGBT 寿命的优异性。1 IGBT 失效模式和机理IGBT 的可靠性定义为：在一定条件下，完成其设计功能，即不发生失效的能力。衡量可靠性的标准是发生失效概率的大小，可靠性与失效概率是直接相关的。根据其失效的原因，IGBT 失效分为热击穿和电击穿，这是由多方面因素导致的，并且在IGBT 整个寿命周期的不同阶段，导致故障失效的主要因素和发生概率也有所不同。研究表明，IGBT 的失效模式分为三种：1）缺陷失效。缺陷失效是由 IGBT 自身的缺陷或损伤所致，在制造过程中各种工艺的缺陷，包括器件本身的结构设计、设备工艺、质量监控的准确度、原材料质量等，这些缺陷的产生往往是无法避免的，出厂前对其质量检测不能保证能够全部排查剔除。2）随机失效。随机失效的发生不是 IGBT 本身的原因，而是由外部的一些随机因素（脉冲错误、驱动故障、过电流、过电压等）所致。失效的发生具有一定随机性和偶然性，若超出 IGBT 的安全工作区，可能会导致失效。3）疲劳失效。IGBT 在工作时会承受着电应力和热应力的循环冲击，经过长期的积累将会导致芯片与封装疲劳，从而致使失效，IGBT 的寿命周期与疲劳失效直接相关。针对以上三种失效模式，有初期、中期、后期这三个阶段与之对应。三种失效的概率分布图如图 1 所示8。缺陷失效随机失效疲劳失效失效概率(fit)初期中期晚期 时间图 1 IGBT 寿命周期与各阶段失效概率示意图初期的缺陷失效，可以通过成品出厂之前的缺陷检测，有效的避免在其出厂后投入使用的初期发生缺陷失效。中期的随机失效，可以通过提高设计水平和操作使用水平，有效的避免在其使用之后的中期发生随机失效。后期的疲劳失效，随着 IGBT使用时间的加长，疲劳损伤逐渐积累，这个过程是无法避免且不可逆的。因此，疲劳失效是影响IGBT 使用寿命周期的关键，在疲劳失效的过程中，其内部某些特征参数会发生变化且有一定的变化趋势，这对 IGBT 的寿命预测研究有着至关重要的作用。第50卷第2期史业照，等：基于 LSTM 网络的 IGBT 寿命预测方法研究552 IGBT 热应力加速老化试验分析2.1 加速老化实验装置及老化数据为了探索 IGBT 的老化失效过程，并为其寿命预测和健康诊断提供依据，美国宇航局开发了加速老化实验系统。IGBT 的加速老化试验是属于美国宇航局研究电子元件退化特性的一个项目，因为电子元件在电力设备中的消耗量越来越大，电子故障的数量也越来越多，有必要进行系统研究，加速老化实验硬件如图 2 所示。故障诊断、剩余使用寿命的预测和健康管理对避免发生灾难性故障和降低维修成本具有重要作用。正常而言，IGBT 的使用寿命同大多数功率器件一样，周期相对较长，而研究人员无法采集完整的老化过程的各项特征参数数据。因此，可以通过热应力加速老化实验装置采集IGBT 的加速老化数据9。本文通过 NASA 预测中心提供的加速老化数据集，分析并选取老化特征参数，应用 LSTM 网络预测算法对其进行数据预测。图 2 加速老化实验硬件实验采用热循环和电过应力加速 IGBT 的退化直至失效，通过 NASA 的 AMES 实验室提供的加速老化实验系统进行数据采集。实验的测量数据作为一个开放数据库在 NASA 的官网上共享，该数据集记录了多个 IGBT 的特征参数变量，如集电极发射极电压、集电极发射极的瞬态尖峰电压、集电极发射极电流、封装温度等。在加速老化实验中，这些数据和参数一直被监测和记录，直到 IGBT失效。通过老化过程分析，本文将选取其中一种参数变量作为预测 IGBT 寿命的失效特征参数并进行实验仿真分析。2.2 失效特征参数的选取在早期的使用过程中，IGBT 外部的老化特征参数基本没什么变化，但随着使用周期的加长，IGBT 的老化特征参数会按照一定的趋势变化。通过观测这些参数的变化就可以预测器件的使用寿命。IGBT 所应用的场景常被作为开关器件使用，IGBT频繁的开通、断开会产生开关损耗，因而可以认为其造成了 IGBT 的老化失效10。通过老化数据观测分析，集电极发射极的瞬态尖峰电压值有明显的下降趋势，故可以选其作为失效特征参数并进行寿命预测。NASA 预测中心公布的加速老化数据集中的集电极发射极的瞬态尖峰电压值随采样周期的变化过程如图 3 所示，通过观察可以看出，瞬态尖峰电压值随着 IGBT 的退化而逐步减小。050100 150 200 250 300 350 400 45068101214161820222426峰值电压/V采样周期数图 3 IGBT 关断尖峰电压退化过程3 基于 LSTM 网络的 IGBT 寿命预测3.1 LSTM 网络LSTM 是递归神经网络（RNN）的变体，是由Sepp Hochreater 和 Jrgen Schmidhuber 于 1997 年提出的。RNN 处理距离较远序列时可能会出现梯度消失和梯度爆炸，这让其失去了对较远时刻的感知能力，而 LSTM 独特的结构可以有效地解决RNN 训练过程中出现的上述问题。如图 4 所示，LSTM 细胞单元由门控单元和记忆单元组成，而门控单元又包括输入门、输出门和遗忘门11-12。LSTMCelltanhtanhoLSTMcellht1ct+1ht+1ht+1xt1xt+1htcththt1ct1ht1,xtxttitCtt图 4 LSTM 细胞单元结构遗忘门结构的表达式如下所示：ft=sigmoid(Wfht1,xt+bf)(1)56中国测试2024年2月式中：ft遗忘门的输出；xt输入序列；Wf权值矩阵；ht1上一时刻细胞单元最终的输出；ht-1,xt两个向量连接成一个长向量；bf偏移项，通过 sigmoid 函数后输出 0 到1 的概率。同样的，输入门和输出门可用如下公式表示：it=sigmoid(Wiht1,xt+bi)(2)Ct=tanh(Wcht1,xt+bc)(3)Ct=iteCt+ftCt1(4)ot=sigmoid(Woht1,xt+bo)(5)ht=ottanh(Ct)(6)式中：it输入门的输出；eCt当前层的候选值可能会添加到单元状态中去；Ct当前的记忆单元状态，整个过程是对上一时刻的记忆单元状态进行更新，即丢掉无用信息，添加新信息的过程；ot输出门的输出；htLSTM 当前时刻的最终输出。3.2 数据处理与模型构建为了验证 LSTM 网络的预测效果，以 IGBT 为研究对象，利用 NASA 预测中心提供的加速老化数据包中的集电极发射极瞬态尖峰电压值进行预测。由图 3 可知，其数据波动较大，故采用高斯滤波对其进行平滑处理，将处理后的数据作为实验数据。此时间序列数据为 418 组瞬态尖峰电压，每组瞬态的时间跨度为 0.1ms，每组数据包含十万个集电极-发射极电压值。本 文 使 用 Matlab 2019b 中 的 Deep LearningToolbox 构建 LSTM 网络，结构框架如图 5 所示，包括输入层、隐藏层、全连接层、输出层，隐藏层包含200 个神经单元结构。本文采用了 Adam 优化算法来训练网络，考虑了梯度的一阶矩估计和二阶矩估计，并计算了更新步长13。传统的随机梯度算法的随机梯度下降保持单一的学习效率以更新所有的权值，并且在训练过程中学习效率没有什么变化。Adam 优化算法则不同，其可以根据训练数据迭代更新神经网络的权值，并且可以通过计算梯度的一阶和二阶矩估计为不同参数设计一个独立的自适应学习率。该算法实现简单，计算效率高，可以更好地完成预测。4 评估标准与结果分析4.1 模型评估通常采用均方根误差（RMSE）、平均绝对百分误差（MAPE）及平均绝对误差（MAE）来衡量 IGBT预测算法的性能。RMSE 表示误差的平均值，其反应了模型的稳定性；MAPE 不仅考虑了预测值与真实值之间的误差，而且还考虑了两者之间的比例关系；MAE 可以避免误差互相抵消的问题，从而能够准确地反应实际的预测误差。上述评估指标值越小，则预测效果越好。其表达式如下：RMSE=vutNi=1?xtrixpri?2/N(7)MAPE=Ni=1?(xtrixpri)/xtri?/N(8)MAE=Ni=1?xtrixpri?/N(9)式中：xtri真实值；xpri预测值值；N预测个数。4.2 结果分析集电极发射极瞬态尖峰电压值为时间序列数据，对序列分区，分为训练集和测试集，序列的前90%用于训练后 10%用于测试。求解器设置为adam，初始学习速率为 0.005，并进行 250 轮训练，学习率的下降因子设置为 0.2，下降周期为 125，为防止梯度爆炸，梯度阈值设置为 1。LSTM 网络模型的预测结果如图 6 所示。图 7 给出了 LSTM 网络、ARIMA 和 ELMAN神经网络预测与真实数据的比较，分别用不同颜色原始故障序列数据网络输出预测值特征映射到样本空间输入层全连接层输出层LSTM 神经网络(200 个隐藏单元)f(t1)f(t)f(t+1)C(t1)C(t+1)C(t)h(t1)h(t)h(t+1)i(t1)i(t)i(t+1)图 5 LSTM 网络结构第50卷第2期史业照，等：基于 LSTM 网络的 IGBT 寿命预测方法研究57表示。评估指标结果见表 1，LSTM 网络模型预测结果的 RMSE 为 0.0476，MAE 为 0.0322，MAPE为 0.4917%。通过对图中预测值曲线与真实值曲线以及表中评估指标的对比分析，可以看出 LSTM 网络预测对 IGBT 的寿命预测是可行的，可以很好的对其进行预测，对其他电力电子器件的寿命预测也有一定的参考价值。0510152025303540457.507.557.607.657.707.757.807.857.90峰值电压/VActual test targetLSTM modelARIMA modelELMAN model采样周期数图 7 3 种模型预测结果对比表 1 预测模型评估指标对比模型RMSEMAEMAPE/%LSTM0.04760.03220.4917ARIMA0.09780.07150.9308ELMAN0.06310.04920.63845 结束语针对 IGBT 的寿命预测问题，本文提出了一种基于 LSTM 网络的寿命预测方法。利用 NASA 预测中心提供的 IGBT 加速老化数据集并选取其失效特征参数，通过构建的 LSTM 网络预测模型对失效特征参数进行数据预测，并与 ARIMA 模型及ELMAN 神经网络模型的预测进行对比分析。结果表明，本文所用的方法具有更高的准确性和适用性，有利于对 IGBT 进行运行状况评估及设备维护。因此，本文提出的寿命预测方法对其他电力电子器件寿命预测有一定的参考价值，在将来的研究工作中，可以进一步改进 LSTM 的优化算法，提高时间序列预测的学习能力。参考文献 姬新阳,黄旭东.应用 IGBT 串联的固态脉冲调制器分析 J.中国测试,2013(S2):105-107.JIXY,HUANGXD.Analysisofsolid-statepulsemodulatorsusingIGBTseriesconnectionJ.ChinaMeasurementTest,2013(S2):105-107.1AHSAN M,STOYANOV S,BAILEY C.Data drivenprognosticsforpredictingremainingusefullifeofIGBTC/201639thInternationalSpringSeminaronElectronicsTechnology(ISSE).IEEE,2016:273-278.2张经纬.基于有限元法的压接型 IGBT 器件单芯片子模组疲劳寿命预测 D.北京:华北电力大学,2019.ZHANGJW.FatiguelifepredictionofsinglechipsubmodulesforpressureconnectedIGBTdevicesbasedonfiniteelementmethodD.Beijing:NorthChinaElectricPowerUniversity,2019.3FANGX,LINS,HUANGX,etal.Areviewofdata-drivenprognosticforIGBTremainingusefullifeJ.ChineseJournalofElectricalEngineering,2018,4(3):73-79.4彭宇,刘大同.数据驱动故障预测和健康管理综述 J.仪器仪表学报,2014,35(3):481-495.PENGY,LIUDT.Overviewofdata-drivenfaultpredictionandhealthmanagementJ.JournalofInstrumentation,2014,35(3):481-495.5周利华.IGBT 的寿命评估方法研究 D.淮南:安徽理工大学,2017.ZHOULH.ResearchonthelifeassessmentmethodofIGBTD.Huainan:AnhuiUniversityofScienceandTechnology,2017.6陈冰,鲁刚,房红征,等.基于退化数据和 DBN 算法的 IGBT健康参数预测方法 J.计算机测量与控制,2017,25(5):71-75.CHEN B,LU G,FANG H Z,et al.IGBT health parameterprediction method based on degraded data and DBNalgorithmJ.Computer Measurement and Control,2017,25(5):71-75.7肖飞,刘宾礼,罗毅飞,等.IGBT 疲劳失效机理及其健康状态检测 M.北京:机械工业出版社,2019.XIAOF,LIUBL,LUOYF,etal.FatiguefailuremechanismandhealthstatusdetectionofIGBTM.Beijing:MechanicalIndustryPress,2019.8（下转第 65 页）0510152025303540457.507.557.607.657.707.757.807.85峰值电压/VActual test targetLSTM model采样周期数图 6 LSTM 预测结果58中国测试2024年2月李俊阳,王家序,范凯杰,等.谐波减速器黏着磨损失效加速寿命模型研究 J.摩擦学学报,2016,36(3):297-303.LIJY,WANGJX,FANKJ,etal.StudyonadhesivewearfailureacceleratedlifemodelofharmonicreducerJ.JournalofFriction,2016,36(3):297-303.8李耀东,黄成祥,侯力.模态声发射技术在构件疲劳裂纹检测中的应用 J.振动与冲击,2005(2):122-125.LIYD,HUANGCX,HOUL.ApplicationofmodalacousticemissiontechnologyinfatiguecrackdetectionofcomponentsJ.JournalofVibrationandShock,2005(2):122-125.9ROBERTS T M,TALEBZADEH M.Acoustic emissionmonitoring of fatigue crack propagationJ.Journal ofConstructionalSteelResearch,2003,59(6):695-712.10ZINOVIYN,VALENTYNS,OLEHS.AcousticEmission:11MethodologyandApplicationM.Springer,2019:10-12.PARIS P.A critical analysis of crack propagation lawsJ.Trans.ASME,1963,85:528-534.12PAULSEN F,WELO T.Cross-sectional deformations ofrectangularhollowsectionsinbending:partI experimentsJ.International Journal of MechanicalSciences,2001,43(1):109-129.13张庆,徐光华,华成,等.一类支持向量机的设备状态自适应报警方法 J.西安交通大学学报,2009,43(11):61-65.ZHANG Q,XU G H,HUA C,et al.Self-adaptive alarmmethodforaclassofsupportvectormachinesinequipmentstateJ.JournalofXianJiaotongUniversity,2009,43(11):61-65.14(编辑:商丹丹)（上接第 58 页）SREENUCHT,ALGHASSIA,PERINPANAYAGAMS,etal.Probabilistic Monte-Carlo method for modelling andprediction of Electronics component LifeJ.InternationalJournal of Advanced Computer Science and Applications,2014,5(1):96-10.9刘子英,朱琛磊.基于 Elman 神经网络模型的 IGBT 寿命预测 J.半导体技术,2019,44(5):395-399.LIUZY,ZHUCL.IGBTlifespanpredictionbasedonElmanneuralnetworkmodelJ.SemiconductorTechnology,2019,44(5):395-399.10ORDONEZFJ,ROGGEND.DeepconvolutionalandLSTM11recurrent neural networks for multimodal wearable activityrecognitionJ.Sensors,2016,16(1):115-140.叶興,薛家祥.改进型 LSTM 网络光伏发电功率预测研究J.中国测试,2019,45(11):14-20.YE X,XUE J X.Research on improved LSTM networkphotovoltaic power predictionJ.China Measurement Test,2019,45(11):14-20.12KINGMA D P,BA J.Adam:A method for stochasticoptimizationCInternationalConferenceonLearningRepresentations2015,2015:1-15.13(编辑:刘杨)第50卷第2期赵永强，等：损伤源-异常点累计谐波减速器性能退化评估65