基于SSA-LSTM模型的IGBT时间序列预测研究_冷丽英.pdf

=DOI:1013290/jcnkibdtjs20230101166半导体技术第 48 卷第 1 期2023 年 1 月基于 SSA-LSTM 模型的 IGBT 时间序列预测研究冷丽英，付建哲*，宁波(西安中车永电捷通电气有限公司，西安710016)摘要:针对绝缘栅双极型晶体管(IGBT)长工作周期导致的老化失效问题，提出一种基于麻雀搜索算法(SSA)优化长短期记忆(LSTM)网络的 IGBT 时间序列预测方法。首先分析IGBT 疲劳失效的原因，选取某 IGBT 老化数据集中的集射极峰值电压为失效特征量，进行二次指数滤波以增大数据下降趋势。然后利用 Matlab 搭建 LSTM 模型，并采用 SSA 对网络模型中学习率、隐藏层节点数和训练次数进行寻优以得到最优网络。最后选取常用回归预测性能评估指标对LSTM 模型与 SSA-LSTM 模型预测结果进行对比分析。结果表明，SSA-LSTM 模型的预测结果平均绝对误差、均方根误差及平均绝对百分比误差分别降低了 0.016%、0.022%和 0.202%，证明所提方法预测精度高，可在一定程度上评估 IGBT 的寿命。关键词:麻雀搜索算法(SSA);长短期记忆(LSTM)网络;绝缘栅双极型晶体管(IGBT);特征参数;时间序列预测中图分类号:TN322.8;TN306文献标识码:A文章编号:1003353X(2023)01006607esearch on IGBT Sequentially Prediction Based on SSA-LSTM ModelLeng Liying，Fu Jianzhe*，Ning Bo(CC Xian Yonge Jietong Electric Co，Ltd，Xian 710016，China)Abstract:Aiming at the aging failure problem caused by the long operating cycle of insulated gatebipolar transistors(IGBTs)，an IGBT sequentially prediction method was proposed which optimizing thelong short-term memory(LSTM)network based on the sparrow search algorithm(SSA)Firstly，thecauses of IGBT fatigue failure were analyzed，and secondary exponential filtering was performed toincrease the downward trend of the data based on the peak collector-emitter voltages in an IGBT agingdata set as the failure characteristic quantity Secondly，the LSTM model was built by Matlab，and theSSA was used to majorize the key parameters such as learning rate，number of hidden layer nodes andnumber of trainings in the network model to obtain the optimal network Finally，the commonly usedregression prediction performance evaluation indicators were selected to compare and analyze theprediction results of the LSTM and the SSA-LSTM model The results show that the prediction meanabsolute error，root mean square error and mean absolute percentage error of SSA-LSTM are reduced by0.016%，0.022%and 0.202%respectively It is proved that the proposed method has the advantage ofhigh prediction accuracy and can evaluate the lifetime of IGBT to a certain extentKeywords:sparrow search algorithm(SSA);long short-term memory(LSTM)network;insulatedgate bipolar transistor(IGBT);characteristic parameter;sequentially predictionEEACC:2560J;0170N冷丽英等:基于 SSA-LSTM 模型的 IGBT 时间序列预测研究=January2023Semiconductor Technology Vol48 No1670引言近年来，我国城市轨道交通飞速发展，作为轨道交通车辆牵引系统的核心部件，绝缘栅双极晶体管(IGBT)的可靠性是决定车辆能否安全运行的重要因素1。对 IGBT 寿命做出科学准确的评估，一方面可以确定 IGBT 的更换时间，实现设备的全寿命周期管理，有计划地对列车进行检修和维护，提高运维效率;另一方面又可以减少车辆线路运行过程中潜在故障和事故的发生。因此，IGBT 寿命预测技术成为当前的研究热点。目前主要有基于物理模型与数据驱动模型的两种主流 IGBT 寿命预测方法2。物理寿命模型依靠故障物理失效的可靠性技术来进行寿命研究工作3。Elakkiya 等人4 研究了 IGBT 的使用寿命与焊接点厚度间的关系，结果表明焊接点的厚度影响了器件热阻，进而影响器件使用寿命。与基于物理模型的寿命预测方法相比，基于数据驱动模型的预测方法是通过关联可以表征 IGBT健康状态的特征参数，分析学习其历史数据，并与当前运行参数进行对比并找出其内在联系，评估器件当前运行状态以对未来运行数据进行预测。以 IGBT 关断电压峰值为特征量，刘子英等人5 提出了一种基于二隐层的 Elman 神经网络模型来对 IGBT 进行寿命预测，该网络模型适应能力较强，但准确率较低;黄柯勋等人6 以遗传算法对小波神经网络进行优化，有效地提高了预测的准确性;葛建文等人7 利用 Transformer 神经网络预测 IGBT 的结壳瞬态热阻，以评估器件的剩余使用寿命，该方法利用时间序列信息，极大提高了预测的准确性;史业照等人8 利用 IGBT 老化参数的时间序列信息，建立长短期记忆(LSTM)网络对所取特征量进行预测，但 LSTM 模型参数较多，参数选取对预测结果影响较大，模型动态适应性较低。针对以上问题，本文提出了一种基于麻雀搜索算法优化长短期记忆(SSA-LSTM)网络的 IGBT时间序列预测方法，即利用麻雀搜索算法在参数寻优上的优势，得到所建 LSTM 模型的最佳参数，提高网络预测精度的同时，增强网络适应性。1IGBT失效分析1.1失效模式与机理IGBT 模块的失效主要可分为两大类，即与封装相关的失效和与芯片相关的失效。列车运行中，当变流器出现短路等故障时，IGBT 的电气应力瞬时发生改变，由其引起的芯片相关的失效具有不可预测性。与芯片相关失效过程不同，封装相关失效过程缓慢，老化现象是随时间进行的，因此可以对故障做出一定的预判。常见的 IGBT 功率模块封装结构如图 1 所示，图中括号内为不同材料的热膨胀系数。图 1IGBT 模块封装结构示意图Fig.1Schematic diagram of the IGBT module packagestructure由图 1 可知，IGBT 模块主要由芯片、陶瓷基板及铜底板等构成。芯片间通过铝键合线相连，不同层之间由焊料连接。因不同层之间存在材料、厚度、膨胀系数等差异，在器件受到应力冲击时，各层形变程度不同，有可能出现键合线脱落、焊料层疲劳等现象，进而导致器件失效。轨道交通用变流器运行环境复杂多变，IGBT 模块承受的应力及温度波动较大，故器件老化失效现象也比较普遍。1.2失效特征参数的选取与处理IGBT 的老化、失效必然会引起其物理及化学特性的变化，即与热信号和电信号相关的特征量的改变，如热阻 th、饱和导通压降 Vce-on、导通电阻on、键合线等效电阻 ow及阈值电压 Vth等。因此可选择相关的特征量并结合先进智能算法来对IGBT 寿命进行预测研究9。通常情况下 IGBT 的使用寿命为几年到几十年不等，老化周期较长，故需采用热循环或功率循环加速老化试验来获取老化数据集。本文采用美国国家航空航天局(NASA)数据中心提供的 IGBT 器件热循环加速老化试验得到的老化数据集10。考虑到 IGBT 关断时集射极峰值电压 Vce-peak变化明显且参数较易获取，选取其作为老化特征参量对器件冷丽英等:基于 SSA-LSTM 模型的 IGBT 时间序列预测研究=68半导体技术第 48 卷第 1 期2023 年 1 月进行寿命研究，对 418 次关断时的 Vce-peak进行提取，得到老化过程如图 2 所示。图 2IGBT 的 Vce-peak老化过程Fig.2Aging process of IGBT Vce-peak观察图 2 可知，在 IGBT 老化过程中，电压尖峰值波动性较强，但总体呈下降趋势，即随着器件的老化，Vce-peak越来越小。本文采用二次指数平滑滤波函数对提取的 Vce-peak进行处理以提高预测的准确性，该函数可表示为si=axi+(1 a)(si1+ti1)ti=c(si si1)+(1 c)ti1(1)式中:si为时间步长 i 上的稳态量;xi为 i 的实际值;平滑系数 a 在区间 0，1 上，取值靠近 0时，取前面的平滑结果，而取值靠近 1 时则只保留当前特征信息;ti为二次指数平滑之后的趋势量;平滑系数 c 值影响平滑趋势。对稳态量与趋势量进行组合即可实现对趋势弱周期的时间序列滤波运算。从图 2 中经过二次指数平滑滤波后的 Vce-peak数据可以明显地看出，滤波后的数据下降趋势更为显著。2SSA-LSTM 预测模型2.1LSTM 模型LSTM 模型由 Hochreiter 和 Schmidhuber 于 1997年提出，是一种时间递归神经网络，具有处理和预测时间序列中关键信息的能力，可以避免出现梯度消失和梯度爆炸的问题11。而 IGBT 封装级失效是应力不断冲击的结果，器件的失效与时间相关，因此可将 IGBT 的老化失效现象转变为 LSTM 时间预测研究。LSTM 结构如图 3 所示。图 3LSTM 模型结构Fig.3LSTM model structure由图 3 可知，LSTM 模型可被视为 1 个单元，其中有 3 个门来确定单元的状态，分别是遗忘门、输入门及输出门。遗忘门决定应该放弃什么信息，其输出 ft为ft=(Wf ht1，Xt+bf)(2)式中:为激活函数，通常选择 Sigmoid 函数;ht1和 Xt分别为 LSTM 模型的先前时刻输出和当前输入;Wf和 bf分别为权重和偏差12。输入门的形式与遗忘门类似，但权重 Wi和偏差 bi有所不同，输入门将选择的新信息加入神经元状态中，其输出 it为it=(Wi ht1，Xt+bi)(3)Ct是当前时刻的记忆单元状态，Ct作为当前层候选值可能会添加到单元状态中去更新单元状态，可表示为Ct=tanh(WC ht1，Xt+bC)(4)Ct=ftCt1+itCt(5)式中:tanh 函数的输出区间为 1，1;Ct 1为上一时刻