[发明专利]基于GRU神经网络的IGBT模块寿命预测模型的构建方法

权利要求书

1.基于GRU神经网络的IGBT模块寿命预测模型的构建方法，其用于对IGBT模块构建最优参数的GRU神经网络IGBT模块寿命预测模型，其特征在于，所述构建方法包括以下步骤：

步骤一，对IGBT模块进行的功率循环老化试验，获取IGBT模块老化特征量数据，得到实验组数据集与测试组数据集；

步骤二，对IGBT模块老化特征量数据进行预处理，得到处理后的实验组数据集和处理后的测试组数据集；其中，以特定比例将处理后的实验组数据集分割为训练集与验证集；

步骤三，确定GRU神经网络框架，初步搭建GRU神经网络模型；

步骤四，使用训练集和验证集对GRU神经网络模型进行训练；以神经网络的训练损失函数及验证损失函数为验证指标，先确定GRU网络的最优隐藏层层数，再确定最优隐藏层节点数、最优训练循环次数，形成基于最优参数的GRU神经网络IGBT模块寿命预测模型；

其中，所述最优隐藏层层数的确定方法为：

用均方根误差函数作为IGBT寿命预测问题的预测指标，以不同的隐藏层层数与不同的隐藏层节点数，分别迭代相同的次数，对比不同层数均方根误差均值，确定最优隐藏层层数；

所述最优隐藏层节点数、所述最优训练循环次数的确定方法为：

先用经验公式确定模型中所有备选隐藏层节点数的情况，再用网格搜索法进行参数调优；所述网格搜索法为在所有候选的参数选择中，通过循环遍历，计算出每一种情况的预测结果；

选取均方误差作为损失函数，根据简单交叉验证法，以训练损失与验证损失的图线变化趋势确定最优隐藏层节点数、最优循环训练次数；

步骤五，将处理后的测试组数据集代入基于最优参数的GRU神经网络IGBT模块寿命预测模型，验证其网络模型精度及其有效性。

2.根据权利要求1所述的基于GRU神经网络的IGBT模块寿命预测模型的构建方法，其特征在于，步骤一包括：

通过功率半导体K系数测试仪测量出IGBT模块的特性图得到K系数值；

选定功率循环老化试验的控制方式，确定参数进行功率老化试验；

每完成一次循环后采集一组IGBT模块老化特征量数据，获得老化特征量数据、功率循环次数；

其中，所述老化特征量数据包括模块通态压降数据、结温数据、壳温数据、热阻数据。

3.根据权利要求2所述的基于GRU神经网络的IGBT模块寿命预测模型的构建方法，其特征在于，步骤二中，所述预处理的方法包括：

步骤2.1、用S-G滤波法对IGBT模块老化特征量数据进行滤波处理；

步骤2.2、对滤波后的IGBT模块老化特征量数据进行归一化；

步骤2.3、用滑动窗口法按照一定的窗口大小在预处理后的IGBT模块老化特征量数据上从左向右依次取值，以窗口内部的取值为输入序列X，以取值窗口右侧的第一个数值为输出序列Y，建立老化特征量数据从输入到输出之间的映射关系。

4.根据权利要求3所述的基于GRU神经网络的IGBT模块寿命预测模型的构建方法，其特征在于，步骤二还包括：

步骤2.4，将实验组数据集处理后的输入与输出序列按照相应的比例分割成训练集与验证集。

5.根据权利要求4所述的基于GRU神经网络的IGBT模块寿命预测模型的构建方法，其特征在于，步骤三包括：

利用TensorFlow.Keras为框架、以Python为编程语言进行算法编写，创建一个GRU神经网络；

所述GRU神经网络网络包括：

一个序列输入层，用于将IGBT模块老化特征量数据输入序列导入到网络中；

一个隐藏层，用于通过输入权值、递归权值和偏置权值来学习IGBT模块循环老化试验时序数据的高级特征；所述隐藏层包括若干组子隐层，任一组子隐层包括若干个具有可配置隐藏层节点个数的GRU层和一个设定了初始值的丢弃概率的Dropout层；以及

一个全连接层和回归输出层，用于输出GRU网络预测的IGBT模块老化特征量的预测值。