陳 冰, 魯 剛, 房紅征, 張明敏, 董云帆

(1.海軍工程大學(xué) 電子工程學(xué)院，武漢 430033；2.海軍裝備部, 北京 100055；3.北京航天測控技術(shù)有限公司，北京 100041；4.北京市高速交通工具智能診斷與健康管理重點實驗室，北京 100041)

基于退化數(shù)據(jù)和DBN算法的IGBT健康參數(shù)預(yù)測方法

陳 冰1, 魯 剛2, 房紅征3,4, 張明敏1, 董云帆3,4

(1.海軍工程大學(xué) 電子工程學(xué)院，武漢 430033；2.海軍裝備部, 北京 100055；3.北京航天測控技術(shù)有限公司，北京 100041；4.北京市高速交通工具智能診斷與健康管理重點實驗室，北京 100041)

絕緣柵雙極型晶體管(IGBT)等電子元器件被廣泛用于運輸和能源部門，其健康狀態(tài)對于設(shè)備安全和有效至關(guān)重要；在對IGBT的結(jié)構(gòu)和損傷機制分析基礎(chǔ)上，結(jié)合NASA艾姆斯中心開展的IGBT加速退化試驗，選擇集電極-發(fā)射極關(guān)斷峰值電壓作為失效特征參數(shù)，提出了一種基于深度信念網(wǎng)絡(luò)的預(yù)測模型對其進行分析和預(yù)測；以Levenberg-Marquardt(LM)算法模型作為對比，實驗結(jié)果顯示文章提出的三隱藏層DBN模型相比于LM模型有更好的預(yù)測性能和更高的預(yù)測精度。

絕緣柵雙極型晶體管；深度信念網(wǎng)絡(luò)；失效特征；預(yù)測

0 引言

IGBT(絕緣柵雙極型晶體管)是由BJT(雙極型三極管)和MOSFET(絕緣柵型場效應(yīng)管)組成的復(fù)合全控型電壓驅(qū)動式功率半導(dǎo)體器件，兼有MOSFET的高輸入阻抗和GTR(電子晶體管)的低導(dǎo)通壓降兩方面的優(yōu)點。目前，IGBT廣泛應(yīng)用于交流電機、變頻器、開關(guān)電源等民用領(lǐng)域，而且在航空航天等軍事領(lǐng)域也有廣闊的發(fā)展前景。隨著 IGBT 的廣泛應(yīng)用，對其可維護性的要求也越來越高。因此，研究IGBT 的健康狀態(tài)問題，對于裝備電子器件的可靠運行和安全生產(chǎn)無疑具有十分重要的意義[1-4]。

當(dāng)前常見的針對IGBT等電子器件預(yù)測方法可以分為3種：1)失效物理方法。通常以定義模型作為起始，這需要具備元器件的失效物理特性的知識。然而在實際應(yīng)用中，由于系統(tǒng)的復(fù)雜性，很難建立一個準(zhǔn)確的物理模型，因此其使用范圍和效果而受到限制。2)數(shù)據(jù)驅(qū)動方法。以獲取數(shù)據(jù)為起始步驟，在實際失效預(yù)測過程中，元器件在其壽命周期的不同階段被傳感器所接收的歷史數(shù)據(jù)常常作為數(shù)據(jù)信息的重要資源。數(shù)據(jù)通常包含足夠信息來進行預(yù)測，所以需要開發(fā)一種基于傳感器獲取數(shù)據(jù)的預(yù)測模型來預(yù)測失效。具體包括參數(shù)統(tǒng)計、機器學(xué)習(xí)等方法。3)融合方法。集合了失效物理方法和數(shù)據(jù)驅(qū)動方法的優(yōu)點，克服兩種方法的局限性，可以提供更為精確的預(yù)測結(jié)果。

深度學(xué)習(xí)是近年研究的一個重點領(lǐng)域，是機器學(xué)習(xí)中的一個重要方面。深度信念網(wǎng)絡(luò)(deep belief networks，DBNs)作為深度學(xué)習(xí)中使用較為廣泛的一種重要形式，由于其可以學(xué)習(xí)樣本數(shù)據(jù)的未知特性分布，被廣泛應(yīng)用于圖像識別和語音識別等領(lǐng)域。相比于支持向量機和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)等淺層人工神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)具有更多的隱藏層，因此也需要更多的非線性數(shù)學(xué)處理。同時，深度學(xué)習(xí)算法在計算代表特殊功能的元素和參數(shù)方面相比于淺層算法具有更好的效果。

本文首先介紹了IGBT的結(jié)構(gòu)和失效機制，其次對IGBT加速退化測試試驗進行了分析，之后提出了一種基于DBN算法的預(yù)測模型，最后利用試驗數(shù)據(jù)對提出的模型和方法進行了驗證。

1 IGBT的結(jié)構(gòu)和失效機制

IGBT作為中高功率電子器件，主要是以垂直結(jié)構(gòu)進行集成。按照其構(gòu)成溝道材料的不同，又可以分為P型溝道和 N型溝道IGBT。IGBT的主要端口有柵極、集電極和發(fā)射極，是三端器件。IGBT在結(jié)構(gòu)上較類似于 MOSFET，不同之處是在VDMOSFET的N+區(qū)(MOSFET 的漏極)上增加了一個P+注入?yún)^(qū)(IGBT 的集電極)，形成了四層結(jié)構(gòu)，相當(dāng)于 PNP-NPN達林頓結(jié)構(gòu)，并因此而形成了一個面積較大的P+N結(jié)J1。這樣使得IGBT導(dǎo)通時由P+注入?yún)^(qū)向N基區(qū)發(fā)射少子，從而對漂移區(qū)電導(dǎo)率進行調(diào)制，使得 IGBT 具有很強的通流能力[5-7]。

在具體應(yīng)用中，IGBT失效是與其動態(tài)特性相關(guān)的復(fù)雜過程，涉及熱、電、機械等多方面因素。國內(nèi)外相關(guān)機構(gòu)已經(jīng)對IGBT的失效機理進行了研究。功率電子設(shè)備失效的本質(zhì)機制包括熱載流子注入和電介質(zhì)擊穿以及電遷移，而外在的失效主要包括鎖定，導(dǎo)線脫落，模具焊接剝離以及基質(zhì)焊料疲勞失效。電器過應(yīng)力通常是由于過電流，過電壓或過功率引起的。目前已發(fā)現(xiàn)熱循環(huán)與模具焊接退化和導(dǎo)線脫落有強的關(guān)聯(lián)性。

2 IGBT加速退化試驗分析

2.1 實驗步驟和退化數(shù)據(jù)

本文所采用的數(shù)據(jù)來源于NASA艾姆斯中心開展的IGBT加速退化試驗[8]。該機構(gòu)的實驗包括一套商業(yè)化的儀器，在LabVIEW開發(fā)的軟件框架的控制下，連接到定制的硬件系統(tǒng)。硬件由示波器、函數(shù)發(fā)生器、NI數(shù)據(jù)采集、紅外傳感器、環(huán)境室和運行LabVIEW和Matlab的PC計算機組成。該實驗允許IGBT超過溫度達到設(shè)定的高點330 ℃。當(dāng)IGBT超過溫度閾值時，IGBT柵極關(guān)閉，直到其下降到低于329 ℃的設(shè)定低點。該試驗數(shù)據(jù)包含2 378組PWM溫度控制器狀態(tài)數(shù)據(jù)，41 752組穩(wěn)態(tài)數(shù)據(jù)和418組瞬態(tài)數(shù)據(jù)。每組瞬態(tài)數(shù)據(jù)包含十萬個集電極發(fā)射極電壓數(shù)據(jù)。每個數(shù)據(jù)的間隔為1 ns，每組瞬變數(shù)據(jù)的時間標(biāo)度0為0.1 ms。該數(shù)據(jù)完全記錄了IGBT在關(guān)斷期間的集電極-發(fā)射極電壓變化過程。如圖1所示。

圖1 IGBT集電極-發(fā)射極關(guān)斷瞬態(tài)峰值電壓示意圖

2.2 退化特征選取

IGBT 的健康監(jiān)測數(shù)據(jù)采集比較困難，通常采取的方式是采用加載超過額定工作范圍的負(fù)載或者利用頻繁的熱應(yīng)力循環(huán)加速其性能退化過程。相關(guān)研究利用不同的加速退化測試平臺模擬了 IGBT 的不同工作環(huán)境并測定了其瞬態(tài)、穩(wěn)態(tài)性質(zhì)。如實驗前后的電子特性測試當(dāng)中 IGBT 的瞬態(tài)電容特性、導(dǎo)通電壓特性曲線出現(xiàn)了較為明顯的偏移。這些變化趨勢往往和 IGBT 的某些硬件損傷和損耗有著直接的聯(lián)系。在 IGBT 的性能加速退化試驗中，柵極信號和電流保持相當(dāng)恒定。穩(wěn)態(tài)電壓變化很小。集電極-發(fā)射極電壓特性在導(dǎo)通時同樣變化較小。然而IGBT 關(guān)斷時的集電極-發(fā)射極的瞬態(tài)電壓尖峰的下降表現(xiàn)出了較強的指示性，可作為溫度增加和熱過應(yīng)力退化的特征變量函數(shù)。其產(chǎn)生機理是 IGBT 的寄生晶體管阻礙了陽極電流的增加，產(chǎn)生了一個從集電極到發(fā)射極的一個瞬態(tài)電壓，與電源電壓相疊加，便形成一個瞬態(tài)高于電源電壓的尖峰。

對尖峰電壓進行分析，給出了一定的趨勢分析。通過這個研究成果進行新一輪的挖掘，可以發(fā)現(xiàn)以尖峰電壓為故障預(yù)兆參數(shù)，并對生命周期內(nèi)的尖峰電壓峰值進行預(yù)測可以有效的實現(xiàn)IGBT的失效預(yù)測。

3 基于DBN模型的IGBT健康狀態(tài)預(yù)測

3.1 DBN模型的原理和構(gòu)建

DBNs模型是由多個受限玻爾茲曼機從下到上堆疊構(gòu)成的[8]，受限玻爾茲曼機(restricted Boltzmann machines，RBMs)由兩部分組成：代表可觀察量的可視單元V=(V1,…,Vm)，和用于提取可觀察量之間關(guān)聯(lián)特性的隱藏單元H=(H1,…,Hn)。兩部分中神經(jīng)節(jié)點取值都是二值的，即(v,h)∈(0,1)m+n。比之傳統(tǒng)玻爾茲曼機，RBMs僅在可視層與隱藏層節(jié)點之間以c權(quán)重進行全連接，而同層節(jié)點之間則沒有連接[9]：，如圖2所示。

圖2 n隱藏結(jié)點和m可視結(jié)點的RBMs結(jié)構(gòu)

圖2中，hi,(i=1,2,…,n)與vi,(j=1,2,…,m)分別為隱藏層結(jié)點和可視層結(jié)點，ci(i=1,2,…,n)與bj(j=1,2,…,m)是RBMs兩層節(jié)點的偏差項，wnm表示連接隱藏單元和可視單元的實值權(quán)重。這樣結(jié)構(gòu)的優(yōu)勢就是可以極大地減少模型運算的復(fù)雜程度，提高其響應(yīng)速度[10]。根據(jù)理論研究分析，提出了h和v的聯(lián)合概率分布公式為:

(1)

Z=∑v,he-E(v,h)

(2)

(1)和(2)中，歸一化因子Z是配分函數(shù)，E是能量函數(shù):

(3)

其中，wij(i=1,2,…,n;j=1,2,…,m)是隱藏單元和可視單元間的權(quán)重，bj和ai分別是隱藏單元和可視單元的偏差項?；跅l件概率的規(guī)則并使用公式(1)，得到h和v互為初始條件時的條件概率公式為:

(4)

(5)

(6)

(7)

其中Hi=1和Vj=1分別是隱藏神經(jīng)元Hi和可視神經(jīng)元Vj。模型參數(shù)的更新規(guī)則如下列公式所示：

(8)

(9)

Δci=p(Hi=1|v(0))-p(Hi=1|v(k))

(10)

參數(shù)v(0)是訓(xùn)練樣本的起始值，參數(shù)v(k)是吉布斯采樣運行到第k次的采樣值(k通常取值為1)。

通過將多個RBMs從下向上進行組合，可以構(gòu)建成一個DBN模型[11-14]。通過對DBN模型進行無監(jiān)督訓(xùn)練，最后生成一個概率產(chǎn)生模型。模型的聯(lián)合概率分布如下所示：

(11)

其中，p(x|h1)是在h1條件下x的條件概率公式，p(hl-1,hl)是hl-1和hl的聯(lián)合概率密度公式，DBN模型的結(jié)構(gòu)如圖3所示。

圖3 DBN模型構(gòu)建過程

3.2DBN模型的預(yù)測過程

基于DBN模型的預(yù)測方法描述如下[16]：首先，根據(jù)實際預(yù)測需求，從樣本數(shù)據(jù)集提取與元件性能相關(guān)的性能參數(shù)并組建預(yù)測所需的訓(xùn)練樣本集，小波分析方法被用于為特征變量去噪來消除噪聲對預(yù)測效果的影響。其次，預(yù)訓(xùn)練DBN模型過程，即初始化模型權(quán)重和偏差項并使用訓(xùn)練樣本迭代訓(xùn)練，直到輸入樣本的概率分布與輸出樣本的概率分布偏差在設(shè)定范圍內(nèi)為止。然后，將BPNN方法被用于微調(diào)模型參數(shù)直到預(yù)測輸出數(shù)據(jù)與實際數(shù)據(jù)偏差小于特定范圍后停止。最后，將需要被預(yù)測的數(shù)據(jù)作為DBN模型輸入，經(jīng)模型處理后即可在輸出層獲得預(yù)測數(shù)據(jù)。具體過程如圖4所示，包括：

圖4 DBN模型的算法流程

1)樣本數(shù)據(jù)特征提取，數(shù)據(jù)過濾。

2)根據(jù)步驟1)設(shè)置DBN模型結(jié)構(gòu)，初始化模型參數(shù)并設(shè)置最大迭代次數(shù)。其中Δwij，Δbj，Δci通常被設(shè)置為0。

3)將預(yù)處理后的樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。使用公式(8)～(10)迭代更新模型參數(shù)直到最后一個訓(xùn)練樣本。

4)使用公式(12)計算第在第k-1次和k次吉布斯采樣時條件概率誤差值。

(12)

其中參數(shù)i是樣本迭代次數(shù)，參數(shù)j是訓(xùn)練樣本集數(shù)量。

5)如果相鄰兩次迭代|Ei+1-Ei|的值超出設(shè)定范圍，繼續(xù)重復(fù)步驟4)，否則進行下一步。

6)使用BPNN對預(yù)訓(xùn)練后的模型參數(shù)進行微調(diào)。

7)模型輸出即為預(yù)測結(jié)果，結(jié)束。

預(yù)測過程包括兩個過程。步驟1)～5)是無監(jiān)督學(xué)習(xí)過程，用來對DBN模型的參數(shù)進行一個初步的處理過程。步驟6)～7)是一個無監(jiān)督訓(xùn)練過程，用來微調(diào)模型參數(shù)并最終輸出預(yù)測結(jié)果。

4 實驗和分析

實驗中發(fā)現(xiàn)，IGBT的關(guān)斷特性中門極信號改變不夠明顯，而集電極-發(fā)射極的瞬態(tài)電壓表現(xiàn)出顯著的下降趨勢。根據(jù)對集電極-發(fā)射極瞬態(tài)電壓趨勢的分析，發(fā)現(xiàn)關(guān)斷峰值電壓呈現(xiàn)出強的負(fù)時間關(guān)聯(lián)性；從而IGBT的失效預(yù)測可以將峰值電壓作為失效特征參數(shù)來實現(xiàn)。因此選擇關(guān)斷瞬態(tài)電壓作為退化實驗數(shù)據(jù)(圖1)。由于樣本參數(shù)起伏較大，這里使用小波去噪對樣本數(shù)據(jù)進行平滑處理。將處理后的數(shù)據(jù)作為實驗數(shù)據(jù)。濾波前與濾波后實驗樣本曲線如圖5所示。曲線中共有384個樣本點。將樣本點連續(xù)的前6個數(shù)據(jù)作為輸入，第7個數(shù)據(jù)作為輸出，共有378組數(shù)據(jù)樣本組被獲得。將前300組數(shù)據(jù)作為模型的訓(xùn)練樣本，后78組數(shù)據(jù)作為評估測試數(shù)據(jù)。

圖5 實際測量和經(jīng)小波去噪處理后的的實驗數(shù)據(jù)

4.1DBN模型的預(yù)測結(jié)果和分析

訓(xùn)練前先初始化DBN模型。初始化主要包括設(shè)置可視層，隱藏層，輸出層神經(jīng)元數(shù)量，以及可視層與隱藏層之間的權(quán)重，可視層神經(jīng)元和隱藏層神經(jīng)元的偏差項。一旦訓(xùn)練樣本被確定則輸入和輸出神經(jīng)元數(shù)量也隨之確定。由于這里是將連續(xù)的前6個數(shù)據(jù)組合成一個DBN模型的隊列輸入函數(shù)，并將第7個數(shù)據(jù)作為輸出，故模型有6個輸入神經(jīng)元1個輸出神經(jīng)元。擁有2個隱藏層的DBN模型被用于IGBT的性能預(yù)測實驗，模型結(jié)構(gòu)如圖6所示。

圖6 兩層DBN模型結(jié)構(gòu)

每層RBM的權(quán)重和偏差項的偏差更新表示如下：

(12)

(13)

Δci=p(Hi=1|v(0))-p(Hi=1|v(k))

(14)

前300組訓(xùn)練樣本被用于模型訓(xùn)練。當(dāng)模型完成訓(xùn)練，剩余的78組作為評估預(yù)測數(shù)據(jù)。訓(xùn)練數(shù)據(jù)比例和部分模型參數(shù)如表1所示。

表1 兩層DBN參數(shù)列表

令訓(xùn)練樣本最大迭代次數(shù)為20000，學(xué)習(xí)率為1，起始權(quán)重和偏差項都設(shè)為0，預(yù)測結(jié)果如圖7所示。RMSE為0.1031，預(yù)測精準(zhǔn)度可被接受，但在圖中可發(fā)現(xiàn)預(yù)測與實際值仍有一定差距，尤其是靠后的樣本點表現(xiàn)出了較大的誤差，這是因為在靠后部分的訓(xùn)練樣本缺失最終導(dǎo)致的訓(xùn)練區(qū)間丟失的結(jié)果。

圖7 完整的訓(xùn)練樣本和兩隱藏層DBN模型預(yù)測曲線

4.2 使用LM模型對比與分析結(jié)果

在元件失效特征參數(shù)預(yù)測過程中，LM算法可以較好地預(yù)測IGBT的退化趨勢。本文根據(jù)參考文獻[15]建立LM算法預(yù)測模型，預(yù)測的結(jié)果作為DBN模型的對照。LM(Levenberg-Marquardt)算法使用漸進二階導(dǎo)數(shù)方法來避免矩陣的倒置運算，擁有比傳統(tǒng)網(wǎng)絡(luò)更平穩(wěn)快速的收斂方式。其原則是通過減小誤差來調(diào)整網(wǎng)絡(luò)的權(quán)重和閾值，從而實現(xiàn)過程的最優(yōu)化過程[17]。LM算法的誤差指標(biāo)方程為

(15)

其中ti和oi為期望輸出和實際輸出，N是輸出矩陣的維度，假設(shè)E(w)=[E1(w)E2(w)…EN(w)]T，那么雅可比矩陣J(w)為

(16)

LM算法是一種改進的高斯-牛頓方法，運算規(guī)則如下

Δw=-[JT(w)J(w)+μI]-1J(w)E(w)

(17)

其中I是單位矩陣，μ是大于零的常數(shù)。

把兩隱層DBN模型和LM模型根據(jù)RMSE進行預(yù)測精度比較，比較結(jié)果見表2。從數(shù)據(jù)可知兩種預(yù)測模型的預(yù)測精度相仿，并且預(yù)測值與實際值的誤差都可以被接受。然而預(yù)測結(jié)果和實際值之間仍然有較大差距。接下來，提出一個三層DBN模型來增強預(yù)測精度。

表2 二層DBN模型與LM模型RMSE對比

新的DBN模型的隱藏層被調(diào)整為三層結(jié)構(gòu)，其中模型學(xué)習(xí)率被調(diào)整為0.46，并且根據(jù)對比均方誤差來調(diào)整每一層神經(jīng)元數(shù)量。最優(yōu)節(jié)點數(shù)量和數(shù)據(jù)比例如表3所示。

如圖8和圖9所示，三隱藏層DBN模型產(chǎn)生的預(yù)測誤差比其他兩種模型的誤差明顯較小。三隱藏層DBN模型預(yù)測曲線的RMSE值為0.071 9。

表3 三層DBN模型參數(shù)列表

圖8 DBN模型和LM模型中實際數(shù)據(jù)與預(yù)測數(shù)據(jù)曲線

圖9 DBN模型和LM模型預(yù)測誤差曲線

比較3種模型預(yù)測的精準(zhǔn)度可以發(fā)現(xiàn)，兩隱藏層DBN模型和LM模型是相近的，三隱藏層DBN擁有更高的預(yù)測精度。同時，DBN算法可以通過無監(jiān)督學(xué)習(xí)過程來優(yōu)化模型消耗，減少擬合時間，這表明DBN模型有較高的學(xué)習(xí)效率，是一種高預(yù)測精度的算法。

5 結(jié)論

本文的主要工作是提出了一種基于DBN的預(yù)測算法模型，用于預(yù)測IGBT失效特征參數(shù)。利用美國NASA艾姆斯中心的IGBT加速退化實驗所得到的數(shù)據(jù)作為原始樣本，分別評估了DBN模型和LM模型的預(yù)測性能。預(yù)測結(jié)果顯示三層DBN預(yù)測模型相比LM算法模型具有更高的預(yù)測精度，并且可以幫助實現(xiàn)根據(jù)IGBT狀況進行設(shè)備的維護，增強電子設(shè)備可靠性等功能，因此本文所提出的預(yù)測方法在實際生產(chǎn)中具有實用價值。

[1]SmetV,ForestF,HuselsteinJJ,etal.AgeingandfailuremodelsofIGBTmodulesinhigh-temperaturepowercycling.IEEETransactionsonIndustrialElectronics[J]. 2011,58(10): 4931-4941.

[2]AlghassiA,PerinpanayagamS,SamieM.StochasticRULcalculationenhancedwithTDNN-basedIGBTfailuremodeling[J].IEEETransactionsonReliability, 2016, 65(2).

[3]GrantRDA，PowerJ.PowerMOSFET-theoryandapplications[M].NewYork:Wiley, 1989.

[4]SzeSM.Physicsofsemiconductordevices[M].NewYork:Wiley, 1981.

[5]HanHOhB,McCluskeyP,HanCh,etal.Physicsoffailure,conditionmonitoring,andprognosticsofinsulatedgatebipolartransistormodules:areview[J].IEEETransactionPowerElectronics, 2015, 30(5), 2413-2426.

[6]ShammasN.Y.A.Presentproblemsofpowermodulepackagingtechnology,MicroelectronicReliability[J]. 2003, 43(4), 519-527.

[7]CoqueryGG,LefrancG,LichtT,etal..Hightemperaturereliabilityonautomotivepowermodulesverifiedbypowercyclingtestsupto150C[J].MicroelectronicReliability, 2003, 43(9), 1871-1876.

[8]SonnenfeldG,GoebelK,CelayaJR.Anagileacceleratedaging,characterizationandscenariosimulationsystemforgatecontrolledpowertransistors[C].inProceedingofIEEEAuto-testConference, 2008.

[9]AckleyDH,HintonGE,SejnowskiTJ.AlearningalgorithmforBoltzmannmachines[J].CognitiveScience,1985, 9, 147-169.

[10]BengioY,DelalleauO.Justifyingangeneralizingcontrastivedivergence[J].NeuralComputation,2009, 21(6), 1601-1621.

[11]KollerD,FriedmanN:Probabilisticgraphicalmodels.PrinciplesandTechniques[M],MITPress,2009.

[12]BengioY.LearningdeeparchitecturesforAI.foundationsandtrendsinmachinelearning[J]. 2009, 21(6), 1601-1621.

[13]HintonGE,OsinderoS,TehY-W.A.Fastlearningalgorithmfordeepbeliefnets[J].NeuralComputation, 2006, 18(7):1527-1554.

[14]WeiW,PeishengC.SimulationofwaveletdenosingbasedonMATLAB[J].InformationandElectronicEngineering, 2008,Jun6(3).

[15]JianL,MinfangX.Researchonthecombinedapplicationofanalogcircuitssoftfaultsandlmalgorithm[J].ElectricPowerScienceandEngineering,2015, 31(5).

[16] 夏春江, 王培良. 基于DBN-PID的木材干燥窯參數(shù)檢測系統(tǒng)[J]. 計算機測量與控制, 2015, 23(1): 99-101.

[17] 張 華, 刁永發(fā), 于 偉. 基于LM-BP神經(jīng)網(wǎng)絡(luò)的氣閥故障診斷方法[J]. 計算機測量與控制, 2015, 23(10): 3307-3309.

Prediction Method of IGBT Health Parameters based-on Degradation Data and DBN Algorithm

Chen Bing1, Lu Gang2, Fang Hongzheng3,4, Zhang Mingmin1, Dong Yunfan3,4

(1.College of Electronic Engineering, Naval University of Engineering, Wuhan 430033, China; 2.Equipment Department of Navy, Beijing 100055, China; 3.Beijing Aerospace Measure & Control Corp.Ltd, Beijing 100041, China;
4.Beijing Key Laboratory of High-speed Transport Intelligent Diagnostic and Health Management, Beijing 100041, China)

Insulated Gate Bipolar Transistor (IGBT) and other electronic components are widely used in the transport and energy sector, its health status for equipment safety and effectiveness is essential. Based on the analysis of the structure and failure mechanism of the IGBT, the peak of the collector-transmitter voltage is selected as the failure characteristic parameter combining with the accelerated degradation experiment data from NASA Ames Center. Then a prediction method based on the Deep Belief Network (DBN) is proposed for the analysis and prediction of the trend of the IGBT. Comparing with the Levenberg-Marquardt (LM) algorithm model, the experimental results show that the proposed three hidden layer DBN model has better prediction performance and higher prediction accuracy than LM model.

insulated gate bipolar transistor； deep belief network； failure characteristic; prediction

2017-03-10；

2017-03-17。

陳 冰(1979-)，女，黑龍江哈爾濱人，副教授，主要從事裝備維修保障技術(shù)方向的研究。

1671-4598(2017)05-0071-05DOI：10.16526/j.cnki.11-4762/tp

TP181;TN

A