[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

说明书

本发明涉及功率半导体器件中IGBT模块的可靠性分析技术领域，公开了涉及基于GRU神经网络的IGBT模块寿命预测模型的构建方法、使用该构建方法构建出的最优参数的IGBT模块寿命预测模型、以及使用该预测模型对IGBT模块寿命进行预测的方法。本发明从IGBT模块的老化特征量出发，提出一种基于GRU神经网络的寿命预测模型的构建方法。本发明设计合理，在进行模型构建时，对GRU神经网络寿命预测模型采用网格搜索法进行参数调优，改善了对循环神经网络超参数选取过于随机，或仅对已有参考神经网络参数进行微调的问题，所提出的最优参数的GRU神经网络寿命预测模型预测精度更高，在IGBT模块的寿命预测问题上有更好的适配性。

技术领域

本发明涉及功率半导体器件中IGBT模块的可靠性分析技术领域，更具体的，涉及基于GRU神经网络的IGBT模块寿命预测模型的构建方法、使用该构建方法构建出的最优参数的IGBT模块寿命预测模型、以及使用该预测模型对IGBT模块寿命进行预测的方法。

背景技术

随着电力电子技术和半导体制造技术的不断发展，功率半导体器件在如风力、太阳能等可再生能源并网发电、电动汽车、电力系统以及航空航天动力系统等领域的应用进行着不断地拓展。受益于新能源汽车、轨道交通、智能电网的蓬勃发展带来的海量需求，同时，受到新冠疫情对于全球半导体产业链的冲击，功率半导体器件产能严重不足，旧功率半导体器件的回收再利用迎来新的发展机遇。

绝缘栅双极型晶体管(IGBT)是一种综合了功率金属氧化物半导体场效应晶体管(MOSFET)和双极结型晶体管(BJT)结构的复合型功率半导体器件，具有开关速度快、驱动功率小、控制电路简单，通断速度快等优点，广泛应用在电动汽车、电动汽车AC/DC充电模块等电子元器件需长时间处于使用状态或经常存在电力循环的使用场景下。例如在电动汽车及其充电设备中，IGBT器件通过电流量很大，同时伴随着较大的温度波动，承受周期变化的热应力冲击，很容易形成长期的失效累积，从而降低了器件乃至整个系统的可靠性。由于IGBT器件的高失效率，其被认为是机电系统中最薄弱的环节。因此，预测IGBT的剩余使用寿命对电力系统的稳定运行具有重要意义。

目前，IGBT寿命预测主要是通过基于数学模型与物理模型的寿命预测方法，但其建模过程过于复杂、预测模型泛化能力不足、模型参数多且精确获取难度较大。因此需要用其他方法提高模块寿命预测精度与速度。

发明内容

基于此，有必要针对现有IGBT寿命预测模型预测精度不高的问题，提供基于最优参数的循环神经网络的IGBT模块寿命预测模型的构建方法、使用该构建方法构建出的IGBT模块寿命预测模型、以及使用该预测模型对IGBT模块寿命进行预测的方法。

本发明采用以下技术方案实现：

第一方面，本发明公开了基于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。

基于GRU神经网络的IGBT模块寿命预测模型的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验证组数据集；

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，最优隐藏层层数的确定方法为：