[发明专利]基于FIG和IPSO算法的IGBT剩余寿命预测方法

说明书

本发明公开了一种基于FIG和IPSO算法的IGBT剩余寿命预测方法，先通过加速IGBT寿命实验，获取多组IGBT的集射极饱和压降时间序列样本并进行归一化处理；再利用模糊信息粒化处理算法FIG对归一化后的样本进行处理，从而将IGBT的集射极饱和压降从点预测转化为区间预测；然后通过高阶多项式拟合构建权重组合预测模型，并通过IPSO算法优化权重组合预测模型；最后进行IGBT的剩余寿命的实时预测。

技术领域

本发明属于功率半导体器件可靠性分析技术领域，更为具体地讲，涉及一种基于FIG和IPSO算法的IGBT剩余寿命预测方法。

背景技术

绝缘栅双极晶体管(InsulatedGateBipolarTransistor,IGBT)，为功率级半导体元件，可实现高低压转换，其特点为高效率及切换速度快，被广泛应用于国防军工、新能源发电等关键领域。IGBT模块作为系统的核心部分，发挥关键作用，直接影响整体系统的性能可靠性，而该模块易受工作条件的影响，因此准确预测IGBT的剩余使用寿命(RemainingUseful Life,RUL)是优化使用寿命的关键。针对IGBT模块的剩余使用寿命的预测技术有助于工程师安排维护时间，优化运行效率并避免计划外出现模块损坏的情况。

针对上述问题，当前有两种主流的解决方案：基于退化机理分析的预测技术和基于数据驱动的预测技术。基于退化机理分析的预测技术可从材料的角度获取IGBT器件的RUL信息，但是需要对器件制造材料的本质特性与工艺制造过程具有相当深入的理解与分析。由于电子系统的复杂性及其外部环境的不确定性等约束，通过分析器件的退化原理所获取到的物理模型易丢失对象参数间的非线性关系，缺乏足够的精度。另一方面，所构建的模型往往与器件具体型号密切相关，这与市场上IGBT飞速增长的产品种类产生矛盾，因此此类方法必然带来预测结果的滞后性。因此建立准确的退化机理模型较为复杂，很少在工程上应用。而基于数据驱动的预测技术是从IGBT器件的历史老化数据中学习输入与输出之间的映射关系，再在内部建立非线性、非透明及其非针对特定对象的模型，用以计算相关器件的RUL值。基于数据驱动的方法适应性强，实时性高。如果能够建立准确的IGBT的剩余寿命预测模型，将极大地提高预测精度。

在大数据信息时代，数据的处理、分析和预测可以帮助我们解决很多问题。机器学习(Machine Learning，ML)是大数据预测必不可少的方法。群体智能(SyntheticIntelligence,SI)主要是模拟昆虫，动物，鸟类和鱼类的群体行为。采用SI算法将需要优化的参数作为优化目标，并将ML的结果作为优化的适应度值。改进的粒子群优化(ImprovedParticle Swarm Optimization,IPSO)是在常见的SI算法之一粒子群算法的基础上进行改进。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于FIG和IPSO算法的IGBT剩余寿命预测方法，先基于模糊信息粒化(Fuzzy Information Granulation,FIG)将IGBT的集射极饱和压降从点预测转化为区间预测，再通过IPSO算法优化权重组合预测模型并实时预测IGBT的剩余寿命。

为实现上述发明目的，本发明一种基于FIG和IPSO算法的IGBT剩余寿命预测方法，其特征在于，包括以下步骤：

(1)、采集N组IGBT的集射极饱和压降时间序列样本；

(1.1)、通过加速IGBT寿命实验，获取N组IGBT的集射极饱和压降时间序列样本n＝1,2,…,N，并作为IGBT失效过程的表征参数，其中，表示第n组样本中第m个集射极饱和压降数据，M表示第n组样本中采集数据的最大个数；

(1.2)、对集射极饱和压降时间序列进行归一化处理；

将每个按照单一映射函数：进行归一化，其中，其中