基于Bo-BiLSTM網(wǎng)絡(luò)的IGBT老化失效預(yù)測方法

萬慶祝 于佳松 佟慶彬 閔現(xiàn)娟

基于Bo-BiLSTM網(wǎng)絡(luò)的IGBT老化失效預(yù)測方法

萬慶祝1于佳松1佟慶彬2閔現(xiàn)娟1

（1. 北方工業(yè)大學(xué)電氣與控制工程學(xué)院，北京 100144； 2. 北京交通大學(xué)電氣工程學(xué)院，北京 100044）

針對絕緣柵雙極型晶體管（IGBT）受熱應(yīng)力沖擊后對其進行老化失效預(yù)測精度不高的情況，提出一種基于貝葉斯優(yōu)化（Bo）-雙向長短期記憶（BiLSTM）網(wǎng)絡(luò)的IGBT老化失效預(yù)測方法。首先分析IGBT模塊老化失效原理，然后基于NASA老化實驗數(shù)據(jù)集建立失效特征數(shù)據(jù)庫，最后利用Matlab軟件構(gòu)造Bo-BiLSTM網(wǎng)絡(luò)預(yù)測失效特征參數(shù)數(shù)據(jù)。選取常用回歸預(yù)測性能評估指標(biāo)將長短期記憶（LSTM）網(wǎng)絡(luò)模型、BiLSTM網(wǎng)絡(luò)模型與Bo-BiLSTM網(wǎng)絡(luò)模型的預(yù)測結(jié)果進行對比分析。結(jié)果表明，Bo-BiLSTM網(wǎng)絡(luò)的模型擬合精度更高，基于Bo-BiLSTM網(wǎng)絡(luò)的IGBT老化失效預(yù)測方法具有較好的預(yù)測效果，能夠應(yīng)用于IGBT的失效預(yù)測。

絕緣柵雙極型晶體管（IGBT）；貝葉斯優(yōu)化；雙向長短期記憶（BiLSTM）網(wǎng)絡(luò)；老化失效預(yù)測

0 引言

絕緣柵雙極型晶體管（insulated gate bipolar transistor, IGBT）模塊在風(fēng)力發(fā)電、柔性交流輸電、電機牽引及航空等高壓大功率變流器系統(tǒng)中被廣泛應(yīng)用[1]。作為電力電子系統(tǒng)中最易發(fā)生故障的器件之一，IGBT故障可分為突發(fā)性失效和老化失效[2]，若IGBT老化失效不能被提前發(fā)現(xiàn)，就會導(dǎo)致系統(tǒng)發(fā)生故障，使整個系統(tǒng)陷入癱瘓狀態(tài)，造成不可預(yù)估的損失。因此，對IGBT模塊進行失效預(yù)測是提高其工作可靠性的一種重要手段。

從IGBT失效預(yù)測模型和機理的角度分析，IGBT模塊失效預(yù)測方法可分為三類：基于解析模型的方法、基于物理模型的方法及基于數(shù)據(jù)驅(qū)動的方法[3]。基于解析模型的方法通過建立數(shù)學(xué)模型來描述IGBT的工作特性和行為，進而實現(xiàn)失效預(yù)測?；谖锢砟Ｐ偷姆椒ㄍㄟ^構(gòu)建IGBT有限元模型實現(xiàn)對模塊的失效預(yù)測[4]?；跀?shù)據(jù)驅(qū)動的方法與其他兩類方法不同，其僅利用IGBT模塊的歷史老化失效數(shù)據(jù)便可完成對模塊的失效預(yù)測分析。常見的幾種失效特征參數(shù)主要包括集電極-發(fā)射極電壓、集電極電流、門極-發(fā)射極電壓及IGBT結(jié)溫[5]。文獻[6]通過對IGBT失效機理進行分析，建立了考慮耦合效應(yīng)的IGBT仿真模型，并對IGBT進行了失效預(yù)測，但模塊失效預(yù)測過程中的參數(shù)計算和變量獲取較復(fù)雜。文獻[7]基于IGBT物理模型內(nèi)部的參數(shù)結(jié)構(gòu)，利用有限元仿真方法對IGBT模塊鍵合線和焊料層進行老化失效分析，但由于IGBT內(nèi)部材料復(fù)雜，失效位置難以精確定位，導(dǎo)致模型搭建較為困難，并且還需要綜合考慮焊料層、鍵合線及其他失效因素的影響。文獻[8]通過長短期記憶（long short term memory, LSTM）網(wǎng)絡(luò)進行IGBT失效預(yù)測，但傳統(tǒng)的LSTM網(wǎng)絡(luò)參數(shù)較多，動態(tài)適應(yīng)度低。文獻[9]基于優(yōu)化長短期記憶神經(jīng)網(wǎng)絡(luò)，利用IGBT加速老化實驗數(shù)據(jù)完成了模塊的失效預(yù)測，但由于僅對一種失效數(shù)據(jù)進行預(yù)測，因此預(yù)測模型存在偶然性。

本文采用基于數(shù)據(jù)驅(qū)動的方法，提出一種基于貝葉斯優(yōu)化（Bayesian optimization, Bo）-雙向長短期記憶（bi-directional long short term memory, BiLSTM）網(wǎng)絡(luò)的IGBT老化失效預(yù)測方法，以集電極-發(fā)射極電壓、封裝溫度、集電極電流作為失效特征參數(shù)，搭建BiLSTM網(wǎng)絡(luò)，并利用Bo算法對網(wǎng)絡(luò)進行優(yōu)化，以降低預(yù)測模型的不確定性及系統(tǒng)噪聲干擾，提高網(wǎng)絡(luò)的動態(tài)適應(yīng)性，實現(xiàn)失效數(shù)據(jù)的高精度預(yù)測。

1 IGBT模塊老化失效原理

IGBT由芯片層、焊錫層、DBC（directed bonding copper）層與銅基板組成[10]。IGBT模塊主要的失效位置包含鍵合線根部、芯片金屬化層及材料之間的焊接層。IGBT模塊封裝結(jié)構(gòu)如圖1所示。

IGBT的失效主要與以下幾個因素有關(guān)：

1）過熱。當(dāng)IGBT的結(jié)溫超過其最大允許溫度時，會導(dǎo)致器件性能退化，甚至燒毀。過熱通常由電流過大、散熱不良或驅(qū)動電路問題引起。

圖1 IGBT模塊封裝結(jié)構(gòu)

2）過電流。流經(jīng)IGBT的電流超過其額定電流時，會產(chǎn)生大量的熱量，導(dǎo)致器件溫度升高，可能引發(fā)失效。過電流通常由負(fù)載短路、驅(qū)動電路故障或電路設(shè)計不當(dāng)?shù)仍蛞稹?/p>

3）過電壓。當(dāng)IGBT承受的電壓超過其額定電壓時，會導(dǎo)致器件擊穿和損壞。過電壓可能由開關(guān)操作過程中的瞬態(tài)過電壓、雷擊等引起。

4）瞬態(tài)過電流。在運行過程中，IGBT可能承受瞬態(tài)過電流，如續(xù)流二極管的反向恢復(fù)電流、緩沖電容器的放電電流等。雖然這些瞬態(tài)過電流持續(xù)時間較短，但如果不采取措施，會增加IGBT的負(fù)擔(dān)，導(dǎo)致器件失效。

5）驅(qū)動電路。驅(qū)動電路的工作頻率、輸出電壓的上升/下降沿速率與IGBT開關(guān)速率不匹配，或輔助電源平均輸出功率、峰值功率不足等，都可能導(dǎo)致IGBT無法正常工作，出現(xiàn)失效。

6）制造工藝、材料及使用環(huán)境。如果在制造過程中存在工藝控制問題或使用了不合格的材料，可能導(dǎo)致IGBT的早期失效。溫度、濕度、機械應(yīng)力等環(huán)境因素也可能影響IGBT的性能和使用壽命，從而引發(fā)失效。

1.1 物理失效分析

物理失效是指IGBT正常工作時受內(nèi)部熱應(yīng)力影響導(dǎo)致材料發(fā)生變形，最終導(dǎo)致其無法正常使用。物理失效主要有鍵合線老化、金屬化層重構(gòu)及焊接層退化[11]。

1）鍵合線老化

鍵合線老化主要有鍵合線脫落和鍵合線斷裂兩種情況，如圖2所示。在正常工作時，IGBT受溫度變換產(chǎn)生的熱應(yīng)力的影響，鍵合線會發(fā)生剝離現(xiàn)象而引發(fā)故障，從而導(dǎo)致IGBT模塊老化失效。

2）金屬化層重構(gòu)

隨著IGBT功率循環(huán)次數(shù)的增加，芯片表面鋁金屬層出現(xiàn)退化、晶粒增大、鋁層擠壓的現(xiàn)象，金屬化層重構(gòu)會造成層電阻增加，從而導(dǎo)致飽和壓降參數(shù)上升，造成局部熱點或燒熔。IGBT金屬化層重構(gòu)情況如圖3所示。

圖2 IGBT鍵合線老化

圖3 IGBT金屬化層重構(gòu)情況

3）焊接層退化

IGBT模塊內(nèi)部，DBC與芯片、DBC與基板之間的連接目前大多通過焊接完成，長期的熱循環(huán)應(yīng)力會導(dǎo)致焊接層脆化、開裂。IGBT焊接層破裂情況如圖4所示。

圖4 IGBT焊接層破裂情況

1.2 電氣失效分析

IGBT的電氣失效是指在IGBT工作過程中，受元件內(nèi)部的電壓和電流等作用，致使IGBT失效。電氣失效的形式有電氣過應(yīng)力失效、靜電荷放電失效和閂鎖效應(yīng)失效[12]。

1）電氣過應(yīng)力失效

IGBT電氣過應(yīng)力失效是指由于過電壓、過電流等電氣應(yīng)力超過IGBT的承受能力而導(dǎo)致的失效。IGBT在關(guān)斷過程中會產(chǎn)生集電極-發(fā)射極過電壓尖峰，導(dǎo)致器件發(fā)生短路，無法正常運行。

產(chǎn)生過電壓尖峰的IGBT關(guān)斷過程可分為換流過程和振蕩過程兩部分[13]。關(guān)斷過程的吸收電路如圖5所示，圖中dc為直流支撐電容，c為直流支撐電容器的寄生電感，s為直流母線雜散電感，Q1、Q2分別為IGBT上、下橋臂，VD1、VD2為上、下橋臂的續(xù)流二極管，Q1、Q2為IGBT上下橋臂的寄生電感，snb為吸收電容，snb為吸收電路的寄生電感。

圖5 關(guān)斷過程吸收電路

對于換流過程，IGBT在關(guān)斷過程中，主電流dc分流為流過電感Q1的電流1和流過電容snb的電流c兩部分，橋臂Q1、Q2與snb構(gòu)成回路，snb產(chǎn)生關(guān)斷尖峰電壓Dp1。

式中，2為流過電感Q2的電流。

對于振蕩過程，當(dāng)換流過程結(jié)束后，開關(guān)管Q1完全截止，吸收電容snb與直流支撐電容器的寄生電感c、直流母線雜散電感s及吸收電路寄生電感snb產(chǎn)生諧振，由此產(chǎn)生第二個電壓尖峰Dp2。

2）靜電荷放電失效

器件正常工作情況下會累積電荷，在電荷放電過程中可能擊穿器件材料層，此時當(dāng)IGBT的門極或輸入端受到靜電荷沖擊時，可能會導(dǎo)致其內(nèi)部的電路或元件損壞，從而引發(fā)失效。

3）閂鎖效應(yīng)失效

當(dāng)集電極電流增大到一定程度時，寄生晶閘管受正向偏置電壓影響導(dǎo)通，門極失去控制作用，形成自鎖現(xiàn)象，由此導(dǎo)致集電極電流上升，引起較大的功率損耗，加速失效現(xiàn)象發(fā)生。

1.3 IGBT失效延遲方法

延遲IGBT失效的方法可以從多個方面入手，具體包括：

1）散熱管理。過熱是導(dǎo)致IGBT失效的主要因素之一，因此散熱管理至關(guān)重要?？梢圆捎酶行У纳岱桨?，如優(yōu)化散熱器設(shè)計、增加散熱面積、提高散熱效率等，以降低IGBT的工作溫度，避免過熱損壞。

2）電流控制。合理控制IGBT的電流大小和變化率，避免超出IGBT的額定電流和電流變化率的范圍。可以采用適當(dāng)?shù)尿?qū)動電路和驅(qū)動參數(shù)，以保證IGBT工作在安全范圍內(nèi)。

3）電壓控制。避免IGBT承受超出其額定電壓的過電壓或浪涌電壓，可以在IGBT兩端并聯(lián)適當(dāng)?shù)奈针娐坊虿捎眠m當(dāng)?shù)谋Ｗo措施，以吸收過電壓或浪涌電壓。

4）可靠性設(shè)計。在IGBT的可靠性設(shè)計方面，可以采用冗余設(shè)計、故障診斷和隔離等技術(shù)，提高IGBT的可靠性和穩(wěn)定性。

5）制造工藝控制。加強制造過程中的質(zhì)量控制和工藝控制，保證IGBT的質(zhì)量和性能?？梢圆捎眠m當(dāng)?shù)暮Y選和測試方法，剔除早期失效的IGBT器件。

6）使用環(huán)境控制。確保IGBT在使用環(huán)境中不會受到過大的溫度、濕度、壓力等環(huán)境因素的影響，避免環(huán)境因素對IGBT的性能和使用壽命產(chǎn)生不良影響。

1.4 IGBT失效參數(shù)選擇

1）集電極-發(fā)射極電壓

IGBT集電極-發(fā)射極的瞬時尖峰電壓是由于開關(guān)過程中集電極電流的變化率在集電極引線上產(chǎn)生的電壓振蕩導(dǎo)致的。河北工業(yè)大學(xué)孔梅娟等學(xué)者通過老化實驗分析表明，隨著IGBT退化，尖峰電壓趨勢逐漸衰減[14]。北京交通大學(xué)孫梓涵[15]、合肥工業(yè)大學(xué)劉嘉誠[16]等學(xué)者基于NASA的通過老化實驗分析了尖峰電壓的衰減趨勢：在IGBT完全老化失效時，尖峰電壓最終衰減到某一穩(wěn)定值。集電極-發(fā)射極關(guān)斷瞬時尖峰電壓衰減波形如圖6所示。

2）集電極電流

由于集電極-發(fā)射極瞬時尖峰電壓的存在，導(dǎo)致關(guān)斷電流迅速下降，隨著IGBT老化，集電極電流下降趨勢受關(guān)斷時間的影響陡度逐漸變大。武漢大學(xué)王晨苑[17]、華北電力大學(xué)范迦羽[18]等學(xué)者設(shè)計功率循環(huán)加速老化試驗得到：隨著循環(huán)次數(shù)的上升，集電極拖尾電流變高，拖尾現(xiàn)象惡化。集電極電流變化波形如圖7所示。

圖6 集電極-發(fā)射極關(guān)斷瞬時尖峰電壓衰減波形

圖7 循環(huán)次數(shù)增加對IGBT集電極電流拖尾現(xiàn)象的影響

3）IGBT封裝溫度

伴隨IGBT的老化失效，其溫度值波動逐漸增大，進一步加速器件老化失效。河北工業(yè)大學(xué)劉伯穎[19]、重慶大學(xué)劉人寬[20]等學(xué)者通過IGBT加速老化實驗得到：隨著IGBT老化失效，封裝溫度波動逐漸增大，當(dāng)IGBT完全老化失效時，溫度值不斷攀升趨近于無窮直到試驗結(jié)束。IGBT的老化失效模塊溫度變化如圖8所示。

圖8 不同循環(huán)次數(shù)下模塊溫度隨時間的變化曲線

以上對IGBT器件老化失效的三種特征參數(shù)的分析表明，集電極-發(fā)射極電壓、集電極電流及封裝溫度與IGBT器件老化失效之間存在聯(lián)系，并且三種特征參數(shù)在工作情況下便于提取，可以作為IGBT老化失效預(yù)測的特征參數(shù)。

2 IGBT加速老化試驗分析

2.1 加速老化試驗裝置及試驗參數(shù)

NASA中心通過進行加速老化試驗來探究IGBT的老化失效過程，并為其失效診斷提供試驗依據(jù)。IGBT加速老化試驗裝置如圖9所示。該試驗對類型為IRF—G4BC30KD的IGBT施加門極高壓，直到包裝溫度高于上限值。加速老化試驗參數(shù)見表1。

圖9 IGBT加速老化試驗裝置

表1 加速老化試驗參數(shù)

2.2 NASA加速老化試驗數(shù)據(jù)

NASA中心公布的加速老化試驗數(shù)據(jù)集變化過程如圖10～圖12所示。根據(jù)NASA實驗室所提供的加速老化試驗數(shù)據(jù)可以看出，集電極-發(fā)射極電壓、封裝溫度及集電極電流都有明顯的變化趨勢。

1）集電極-發(fā)射極電壓

加速老化試驗?zāi)┢诘募姌O-發(fā)射極電壓曲線如圖10所示。隨著溫度升高，IGBT內(nèi)部PNP晶體管的電流增益變大，逐漸增加模塊的開關(guān)時間，并且集電極-發(fā)射極關(guān)斷瞬時尖峰電壓上升趨勢也逐漸衰減。在IGBT老化末期，其集電極-發(fā)射極關(guān)斷瞬時尖峰電壓發(fā)生變化，IGBT逐漸趨于失效狀態(tài)。

2）封裝溫度

加速老化試驗?zāi)┢诘姆庋b溫度曲線如圖11所示。隨著老化試驗的進行，IGBT長時間工作在高溫、高壓的環(huán)境下，致使其材料層發(fā)生膨脹斷裂現(xiàn)象，導(dǎo)致IGBT逐漸老化失效。圖11中從第300 000個樣本點開始，模塊溫度波動不斷增大，器件逐步老化失效。

圖10 加速老化試驗?zāi)┢诩姌O-發(fā)射極電壓曲線

圖11 加速老化試驗?zāi)┢诜庋b溫度曲線

圖12 加速老化試驗?zāi)┢诩姌O電流曲線

3）集電極電流

加速老化試驗?zāi)┢诘募姌O電流曲線如圖12所示，隨著IGBT逐漸退化失效，IGBT關(guān)斷后的集電極電流波形發(fā)生改變。圖12中在300 000個樣本點之后，IGBT模塊逐漸老化失效，最終形成拖尾電流曲線。

2.3 建立失效特征數(shù)據(jù)庫

對上述失效特征分別構(gòu)建集電極-發(fā)射極電壓值ce、封裝溫度p及集電極電流ce三種失效特征數(shù)據(jù)庫。分別選取老化結(jié)束時的4 000個瞬態(tài)數(shù)據(jù)作為樣本數(shù)據(jù)，特征數(shù)據(jù)庫見表2。

表2 特征數(shù)據(jù)庫

3 基于貝葉斯優(yōu)化的BiLSTM預(yù)測模型

3.1 BiLSTM網(wǎng)絡(luò)模型結(jié)構(gòu)

LSTM算法用于處理和預(yù)測高度時間相關(guān)的強耦合事件，但LSTM網(wǎng)絡(luò)模型適應(yīng)性較低。不同于LSTM網(wǎng)絡(luò)，BiLSTM的主體結(jié)構(gòu)由2個獨立的正、反向LSTM構(gòu)成，可對樣本失效數(shù)據(jù)進行雙向訓(xùn)練。BiLSTM結(jié)構(gòu)示意圖如圖13所示。

圖13 BiLSTM結(jié)構(gòu)示意圖

3.2 貝葉斯優(yōu)化

貝葉斯優(yōu)化分為高斯過程回歸（Gaussian process regression, GPR）與采集函數(shù)計算。高斯過程回歸可得到函數(shù)值的均值和方差，根據(jù)均值和方差構(gòu)造采集函數(shù)，用于決定本次迭代采樣點。

1）高斯過程回歸

高斯過程回歸是使用高斯過程先驗對數(shù)據(jù)進行回歸分析的非參數(shù)模型，其模型假設(shè)包括噪聲和高斯過程先驗兩部分，其求解按貝葉斯推斷進行。

2）采集函數(shù)

采集函數(shù)用于產(chǎn)生下次待預(yù)測的觀測點，該函數(shù)根據(jù)高斯過程回歸算得的均值和協(xié)方差數(shù)據(jù)集，確定迭代后的下一個樣本點。

3.3 Bo-BiLSTM網(wǎng)絡(luò)參數(shù)優(yōu)化

由于BiLSTM網(wǎng)絡(luò)中參數(shù)較多，為了使其達到參數(shù)最優(yōu)狀態(tài)，采用Bo算法優(yōu)化網(wǎng)絡(luò)中的幾個重要參數(shù)，使優(yōu)化過的參數(shù)與網(wǎng)絡(luò)能夠最佳契合，實現(xiàn)高精度預(yù)測。

貝葉斯優(yōu)化的超參數(shù)選取公式為

設(shè)Error函數(shù)為BiLSTM模型的預(yù)測誤差率函數(shù)，有

式中：為樣本總組數(shù)；為所有樣本中預(yù)測值與真實值一致的樣本組數(shù)。

BiLSTM權(quán)重更新公式為

3.4 基于Bo-BiLSTM網(wǎng)絡(luò)的IGBT老化失效預(yù)測方法

Bo-BiLSTM網(wǎng)絡(luò)的建模與預(yù)測流程如圖14所示。首先，獲取IGBT加速老化試驗中的老化失效數(shù)據(jù)，經(jīng)數(shù)據(jù)平滑處理后分為訓(xùn)練集和測試集。其次，通過Bo算法對訓(xùn)練集數(shù)據(jù)進行超參數(shù)調(diào)整，得到最優(yōu)超參數(shù)反饋至BiLSTM網(wǎng)絡(luò)，對其進行重構(gòu)。最后，對測試集數(shù)據(jù)進行預(yù)測。

圖14 Bo-BiLSTM網(wǎng)絡(luò)的建模與預(yù)測流程

模型的優(yōu)化過程可分為以下幾步：

2）選取BiLSTM模型失效預(yù)測誤差率來得到貝葉斯算法的初始觀測值。

3）運用高斯過程回歸對得到的初始觀測值進行估計，確定下一個觀測點。

4）根據(jù)采集函數(shù)進行最優(yōu)參數(shù)的選取，直到迭代結(jié)束。

5）將由貝葉斯優(yōu)化算法所得到的最優(yōu)參數(shù)代入BiLSTM網(wǎng)絡(luò)進行參數(shù)重構(gòu)。

6）將最優(yōu)參數(shù)代入BiLSTM模型，對測試集數(shù)據(jù)進行預(yù)測，獲得預(yù)測結(jié)果并加以分析。

4 結(jié)果分析

4.1 模型預(yù)測標(biāo)準(zhǔn)

模型擬合優(yōu)度2、方均根誤差（root mean square error, RMSE）與平均絕對誤差（mean absolute error, MAE）可以評估IGBT老化失效預(yù)測算法的性能。2顯示數(shù)據(jù)與回歸模型的擬合程度；RMSE表示誤差的平均值，反映模型的穩(wěn)定性；MAE能夠準(zhǔn)確反映實際預(yù)測誤差的大小。其表達式分別為

4.2 貝葉斯優(yōu)化尋優(yōu)結(jié)果

貝葉斯優(yōu)化尋優(yōu)結(jié)果如圖15所示。貝葉斯優(yōu)化算法通過采集函數(shù)計算不斷迭代更新，采集函數(shù)的計算次數(shù)為50次，迭代到50次時觀測到的最小目標(biāo)值與估計的最小目標(biāo)值的差值基本穩(wěn)定在0.002左右，根據(jù)采集函數(shù)的結(jié)果選擇新的超參數(shù)組合進行評估，使BiLSTM網(wǎng)絡(luò)模型達到最優(yōu)，所預(yù)測結(jié)果更準(zhǔn)確。

圖15 貝葉斯優(yōu)化尋優(yōu)結(jié)果

4.3 失效預(yù)測結(jié)果

將三種失效特征數(shù)據(jù)序列的前60%作為訓(xùn)練集，后40%作為測試集，延時步長設(shè)置為30，最大訓(xùn)練次數(shù)為500。

1）集電極-發(fā)射極電壓

三種網(wǎng)絡(luò)模型的集電極-發(fā)射極電壓預(yù)測結(jié)果分別如圖16～圖18所示，預(yù)測指標(biāo)對比見表3。

由表3可知，Bo-BiLSTM網(wǎng)絡(luò)的模型擬合優(yōu)度2為0.992 0，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別提高了0.030 1和0.032 0；Bo-BiLSTM網(wǎng)絡(luò)的方均根誤差為0.263 1V，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別降低了0.084 1V和0.137 7V；Bo-BiLSTM網(wǎng)絡(luò)的平均絕對誤差為0.117 1V，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別降低了0.059 9V和0.135 0V。

圖16 Bo-BiLSTM網(wǎng)絡(luò)模型的集電極-發(fā)射極電壓預(yù)測結(jié)果

圖17 BiLSTM網(wǎng)絡(luò)模型的集電極-發(fā)射極電壓預(yù)測結(jié)果

圖18 LSTM網(wǎng)絡(luò)模型的集電極-發(fā)射極電壓預(yù)測結(jié)果

表3 集電極-發(fā)射極電壓預(yù)測模型預(yù)測指標(biāo)對比

2）封裝溫度

三種網(wǎng)絡(luò)模型的封裝溫度預(yù)測結(jié)果分別如圖19～圖21所示，預(yù)測指標(biāo)對比見表4。

圖19 Bo-BiLSTM網(wǎng)絡(luò)模型的封裝溫度預(yù)測結(jié)果

圖20 BiLSTM網(wǎng)絡(luò)模型的封裝溫度預(yù)測結(jié)果

圖21 LSTM網(wǎng)絡(luò)模型的封裝溫度預(yù)測結(jié)果

表4 封裝溫度預(yù)測模型預(yù)測指標(biāo)對比

由表4可知，Bo-BiLSTM網(wǎng)絡(luò)的模型擬合優(yōu)度2為0.996 6，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別提高了0.076 4和0.092 4；Bo-BiLSTM網(wǎng)絡(luò)的方均根誤差為0.280 6℃，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別降低了0.075 3℃和0.120 2℃；Bo-BiLSTM網(wǎng)絡(luò)的平均絕對誤差為0.043 8℃，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別降低了0.028 4℃和0.083 7℃。

3）集電極電流

三種網(wǎng)絡(luò)模型的集電極電流預(yù)測結(jié)果分別如圖22～圖24所示，預(yù)測指標(biāo)對比見表5。

圖22 Bo-BiLSTM網(wǎng)絡(luò)模型的集電極電流預(yù)測結(jié)果

圖23 BiLSTM網(wǎng)絡(luò)模型的集電極電流預(yù)測結(jié)果

圖24 LSTM網(wǎng)絡(luò)模型的集電極電流預(yù)測結(jié)果

表5 集電極電流預(yù)測模型預(yù)測指標(biāo)對比

由表5可知，Bo-BiLSTM網(wǎng)絡(luò)的模型擬合優(yōu)度2為0.998 7，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別提高了0.029 1和0.063 4；Bo-BiLSTM網(wǎng)絡(luò)的方均根誤差為0.262 5A，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別降低了0.147 6A和0.250 6A；Bo-BiLSTM網(wǎng)絡(luò)的平均絕對誤差為0.043 8A，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別降低了0.028 4A和0.116 8A。

從三種網(wǎng)絡(luò)模型的預(yù)測結(jié)果可以看出，失效特征數(shù)據(jù)曲線在第1 300個樣本點的變化最為明顯，表明此時IGBT已經(jīng)完全老化失效，對第1 300個樣本點的失效特征數(shù)據(jù)預(yù)測值與真實值進行誤差計算，不同網(wǎng)絡(luò)模型下的失效特征數(shù)據(jù)預(yù)測誤差分別見表6～表8。

表6 Bo-BiLSTM網(wǎng)絡(luò)模型預(yù)測誤差

表7 BiLSTM網(wǎng)絡(luò)模型預(yù)測誤差

表8 LSTM網(wǎng)絡(luò)模型預(yù)測誤差

從表6～表8的數(shù)據(jù)可知，三種網(wǎng)絡(luò)模型的平均誤差分別為0.006 4、0.097 3和0.146 6，Bo- BiLSTM網(wǎng)絡(luò)的模型預(yù)測平均誤差最小，比BiLSTM及LSTM網(wǎng)絡(luò)的模型預(yù)測效果更好。

5 結(jié)論

本文以NASA的三種加速老化試驗數(shù)據(jù)作為失效特征參數(shù)，通過構(gòu)建Bo-BiLSTM網(wǎng)絡(luò)對所選取的失效特征參數(shù)進行預(yù)測，驗證了本文所提方法的有效性。得到結(jié)論如下：

1）該方法無需考慮物理模型內(nèi)部的參數(shù)結(jié)構(gòu)，避免了建立復(fù)雜的物理模型，只從實際測量數(shù)據(jù)出發(fā)便可實現(xiàn)對IGBT老化失效的預(yù)測。

2）與LSTM和BiLSTM網(wǎng)絡(luò)相比，采用Bo算法對BiLSTM網(wǎng)絡(luò)的隱含層、初始學(xué)習(xí)率及訓(xùn)練次數(shù)進行優(yōu)化，能夠更加精準(zhǔn)地預(yù)測IGBT的失效數(shù)據(jù)，有利于預(yù)測IGBT的運行狀態(tài)。

3）所構(gòu)建網(wǎng)絡(luò)對三種失效數(shù)據(jù)進行預(yù)測，克服了單一數(shù)據(jù)預(yù)測模型存在的偶然性，數(shù)據(jù)預(yù)測結(jié)果更具說服力。

[1] 郝良收, 王豐, 李寧, 等. 一種適用于柔直換流閥功率模塊的改進型測試裝置[J]. 電氣技術(shù), 2020, 21(6): 102-105, 110.

[2] 丁雪妮, 陳民鈾, 賴偉, 等. 多芯片并聯(lián)IGBT模塊老化特征參量甄選研究[J]. 電工技術(shù)學(xué)報, 2022, 37(13): 3304-3316.

[3] 陳雨晨, 陳凱楠, 鄭樹軒, 等. 無線電能傳輸磁耦合機構(gòu)磁心解析模型與設(shè)計方法[J]. 電氣技術(shù), 2022, 23(6): 83-92.

[4] JIA Yingjie, XIAO Fei, DUAN Yaoqiang, et al. PSpice-COMSOL-based 3-D electrothermal-mechanical modeling of IGBT power module[J]. IEEE Journal of Emerging and Selected Topics in Power Electronics, 2020, 8(4): 4173-4185.

[5] SHI Yunming, AI Yu, CHEN Shaoyong, et al. A health state prediction method of traction converter IGBT based on optimized particle filter[J]. Microelectronics Reliability, 2022, 139: 114840.

[6] 張經(jīng)緯, 鄧二平, 趙志斌, 等. 壓接型IGBT器件單芯片子模組疲勞失效的仿真[J]. 電工技術(shù)學(xué)報, 2018, 33(18): 4277-4285.

[7] WU Xinlong, YANG Xin, DAI Xingyu, et al. A physical lifetime prediction methodology for IGBT module by explicit emulation of solder layer degradation[J]. Microelectronics Reliability, 2021, 127: 114384.

[8] LI Wanpihng, WANG Bixuan, LIU Jingcun, et al. IGBT aging monitoring and remaining lifetime prediction based on long short-term memory (LSTM) networks[J]. Microelectronics Reliability, 2020, 114: 113902.

[9] 任宏宇, 余瑤怡, 杜雄, 等. 基于優(yōu)化長短期記憶神經(jīng)網(wǎng)絡(luò)的IGBT壽命預(yù)測模型[J]. 電工技術(shù)學(xué)報, 2024, 39(4): 1074-1086.

[10] 羅哲雄, 周望君, 陸金輝, 等. 雙面散熱汽車IGBT模塊熱測試方法研究[J]. 電氣技術(shù), 2022, 23(12): 24-30.

[11] CHU Chengpeng, DONG Chao, DU Mingxing, et al. Aging monitoring of bond wires based on differential mode conducted interference spectrum for IGBT module[J]. IEEE Transactions on Electromagnetic Compatibility, 2021, 63(4): 1274-1283.

[12] 韓恒貴. 基于深度學(xué)習(xí)的IGBT故障預(yù)測研究[D]. 北京: 北京交通大學(xué), 2019.

[13] 蔣林, 蒲曉珉, 邊曉光, 等. 背靠背功率模塊中IGBT的關(guān)斷過電壓抑制[J]. 東方電氣評論, 2021, 35(2): 11-14.

[14] 孔梅娟, 李志剛, 李雄, 等. IGBT功率模塊狀態(tài)監(jiān)測技術(shù)研究現(xiàn)狀[J]. 半導(dǎo)體技術(shù), 2017, 42(2): 145- 152.

[15] 孫梓涵. 基于數(shù)據(jù)驅(qū)動的IGBT壽命預(yù)測研究[D]. 北京: 北京交通大學(xué), 2020.

[16] 劉嘉誠. 基于機器學(xué)習(xí)算法的IGBT壽命預(yù)測研究[D]. 合肥: 合肥工業(yè)大學(xué), 2020.

[17] 王晨苑, 何怡剛, 王傳坤, 等. 高壓多芯片并聯(lián)IGBT模塊故障監(jiān)測方法[J]. 電子測量與儀器學(xué)報, 2020, 34(10): 98-106.

[18] 范迦羽, 李恬晨, 和峰, 等. IGBT器件關(guān)斷能力提升的參數(shù)篩選方法研究[J/OL]. 華北電力大學(xué)學(xué)報(自然科學(xué)版), 1-9 [2024-02-06]. http://kns.cnki.net/kcms/ detail/13.1212.TM.20230105.2129.002.html.

[19] 劉伯穎, 胡佳程, 李玲玲, 等. IGBT老化狀態(tài)下基于BAS-SVM模型的結(jié)溫預(yù)測方法[J]. 微電子學(xué), 2020, 50(5): 664-668, 682.

[20] 劉人寬, 李輝, 于凱, 等. 焊接型IGBT器件封裝狀態(tài)監(jiān)測方法分析[J]. 電工技術(shù), 2022(15): 71-78, 82.

IGBT aging failure prediction method based on Bo-BiLSTM network

WAN Qingzhu1YU Jiasong1TONG Qingbin2MIN Xianjuan1

(1. School of Electric and Control Engineering, North China University of Technology, Beijing 100144; 2. School of Electrical Engineering, Beijing Jiaotong University, Beijing 100044)

Aiming at the low accuracy of aging failure prediction for insulated gate bipolar transistor (IGBT) after thermal stress impact, a bi-directional long short term memory (BiLSTM) network based on Bayesian optimization (Bo) is proposed to predict the aging failure of IGBTs. Firstly, the aging failure principle of IGBT module is analyzed, the failure characteristic database is established based on NASA aging experiment data set, and finally the Bo-BiLSTM network is constructed to predict the failure characteristic parameters by using Matlab software. Commonly used regression prediction performance evaluation indexes are selected to compare and analyze the prediction results of long short term memory (LSTM) network model, BiLSTM network model and Bo-BiLSTM network model. The results show that the model fitting accuracy of Bo-BiLSTM network is higher, so the IGBT aging failure prediction method based on Bo-BiLSTM network has better prediction effect and can be applied to IGBT failure prediction.

insulated gate bipolar transistor (IGBT); Bayesian optimization; bi-directional long short term memory (BiLSTM) network; aging failure prediction

北京市教育委員會基金項目（110052972027/067）

北京市自然科學(xué)基金項目（21C30037）

2023-12-11

2024-01-12

萬慶祝（1975—），男，副教授，碩士生導(dǎo)師，主要研究方向為微電網(wǎng)運行優(yōu)化調(diào)度、基于大數(shù)據(jù)的電網(wǎng)故障分析診斷。