邊少聰，王 宇

（西安工程大學(xué) 電子信息學(xué)院，西安 710048）

0 引言

隨著IGBT（絕緣柵雙極型晶體管）性能的不斷提升，其應(yīng)用范圍不斷拓寬，可靠性愈發(fā)重要。正常工況下，IGBT 會(huì)因開(kāi)關(guān)損耗和通態(tài)損耗等產(chǎn)生的熱量使得器件溫升，在長(zhǎng)期運(yùn)行中產(chǎn)生疲勞失效累積，使IGBT 模塊不斷老化，從而降低器件乃至整個(gè)系統(tǒng)的可靠性。因此，有必要對(duì)IGBT 的老化進(jìn)行預(yù)測(cè)[1]。

由于正常運(yùn)行過(guò)程中IGBT 的老化過(guò)程緩慢且老化數(shù)據(jù)不易獲取，當(dāng)前對(duì)于IGBT 老化及剩余壽命的研究主要是通過(guò)加速老化試驗(yàn)來(lái)模擬正常老化的過(guò)程[2]。在功率循環(huán)和溫度循環(huán)的加速老化實(shí)驗(yàn)條件下，分別構(gòu)建解析模型和物理模型，以探究IGBT 失效循環(huán)次數(shù)與結(jié)溫[3-4]、應(yīng)力、應(yīng)變的關(guān)系，從而對(duì)IGBT 的可靠性作出評(píng)估。

為了更好地實(shí)時(shí)監(jiān)測(cè)IGBT 模塊的老化狀態(tài)，采集老化過(guò)程中IGBT 的失效電氣參數(shù)，并結(jié)合梯度下降、SVM（支持向量機(jī)）、BP 神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法，構(gòu)建IGBT 的老化失效模型。當(dāng)使用模型預(yù)測(cè)到失效參數(shù)接近失效標(biāo)準(zhǔn)時(shí)，就能及時(shí)檢修更換IGBT，故這種模型也被稱為基于數(shù)據(jù)驅(qū)動(dòng)的解析模型[5]。本文基于IGBT 加速老化試驗(yàn)數(shù)據(jù)，利用這種方法來(lái)建立IGBT 模塊的老化預(yù)測(cè)模型。

1 實(shí)驗(yàn)數(shù)據(jù)提取及預(yù)處理

本文的實(shí)驗(yàn)數(shù)據(jù)來(lái)源于NASA PCoE 研究中心公開(kāi)的IGBT 加速老化數(shù)據(jù)，該數(shù)據(jù)包含4 種實(shí)驗(yàn)條件下的IGBT 加速老化數(shù)據(jù)。本文選取其中在IGBT 柵-射極施加方波電壓下的加速老化試驗(yàn)數(shù)據(jù)。實(shí)驗(yàn)選用IR 公司生產(chǎn)的型號(hào)為IRG4BC30K 的IGBT 器件。從IGBT 開(kāi)始老化到老化結(jié)束，共對(duì)其進(jìn)行418 次IGBT 瞬態(tài)測(cè)量。每組測(cè)量包括施加在門極-發(fā)射極之間的PWM（脈沖寬度調(diào)制）方波信號(hào)和與之對(duì)應(yīng)的集射極電壓信號(hào)，每個(gè)信號(hào)有100 000 個(gè)采樣點(diǎn)。圖1 和圖2所示為第9 組瞬態(tài)測(cè)量值。當(dāng)施加在IGBT 門極-發(fā)射極之間的方波信號(hào)從10 V 開(kāi)始減小到0 V時(shí)，IGBT 處于動(dòng)態(tài)關(guān)斷過(guò)程，并在此過(guò)程中集射極電壓會(huì)產(chǎn)生關(guān)斷電壓尖峰。

圖1 第9 組測(cè)量值的門極-發(fā)射極電壓

提取418 組瞬態(tài)測(cè)量數(shù)據(jù)的集射極關(guān)斷電壓尖峰值，并繪制圖3 所示的集射極瞬態(tài)關(guān)斷電壓峰值退化曲線。由圖3 可知，隨著IGBT 的老化，IGBT 集射極關(guān)斷電壓峰值呈逐漸減小的趨勢(shì)，因此可將其作為檢測(cè)IGBT 老化過(guò)程的失效參數(shù)。

圖2 第9 組測(cè)量值的集射極電壓

圖3 IGBT 集射極關(guān)斷電壓峰值退化曲線

通過(guò)對(duì)圖3 中每組關(guān)斷電壓尖峰值的對(duì)比可知，雖然集射極關(guān)斷電壓尖峰值隨著老化進(jìn)程整體呈現(xiàn)遞減趨勢(shì)，但相鄰采樣組之間的數(shù)據(jù)波動(dòng)性較大。使用卡爾曼濾波對(duì)其進(jìn)行平滑處理，并將處理結(jié)果作為試驗(yàn)數(shù)據(jù)。其中卡爾曼濾波中的過(guò)程噪聲方差和測(cè)量噪聲方差的初始值分別設(shè)置為0.9 和10。因?yàn)榭柭鼮V波的初始值是從0 開(kāi)始變化的，為了解決初始點(diǎn)濾波與原始數(shù)據(jù)相差較大的問(wèn)題，用實(shí)驗(yàn)原始數(shù)據(jù)的初始9 個(gè)數(shù)據(jù)點(diǎn)替代卡爾曼濾波的初始9 個(gè)點(diǎn)。對(duì)數(shù)據(jù)進(jìn)行平滑處理的結(jié)果如圖4 所示。通過(guò)與圖3 對(duì)比發(fā)現(xiàn)，經(jīng)卡爾曼濾波后，集射極關(guān)斷電壓尖峰值下降趨勢(shì)比平滑前更明顯。

通過(guò)分析可知，實(shí)驗(yàn)數(shù)據(jù)并非為線性降低，且呈現(xiàn)一定的波動(dòng)性。而且作為老化預(yù)測(cè)模型，需要算法具有一定的泛化能力。因此本文針對(duì)失效參數(shù)的數(shù)據(jù)特點(diǎn)選擇非線性逼近能力強(qiáng)的BP 神經(jīng)網(wǎng)絡(luò)作為訓(xùn)練算法，建立IGBT 老化失效模型。

圖4 卡爾曼濾波處理后的IGBT 集射極關(guān)斷電壓峰值退化曲線

從BP 神經(jīng)網(wǎng)絡(luò)算法原理上看，網(wǎng)絡(luò)權(quán)值的調(diào)整是沿著局部改善的方向進(jìn)行的，易使網(wǎng)絡(luò)收斂到局部極小值，從而導(dǎo)致誤差增大。這與網(wǎng)絡(luò)的初始權(quán)值、閾值密切相關(guān)，為此，本文先引入GA（遺傳算法）對(duì)網(wǎng)絡(luò)的初始權(quán)值、閾值進(jìn)行優(yōu)化。而GA 在尋優(yōu)過(guò)程中進(jìn)行的交叉和變異操作可能會(huì)破壞其中最優(yōu)的初始權(quán)值、閾值信息，使得算法收斂性能降低[6]。因此，本文引入PSO（粒子群優(yōu)化）算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值進(jìn)行優(yōu)化，以彌補(bǔ)GA 的不足。最終將優(yōu)化后的初始權(quán)值、閾值帶入BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而避免因初值選取而使BP 神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)，提高了模型的準(zhǔn)確度。

2 BP 神經(jīng)網(wǎng)絡(luò)及其優(yōu)化預(yù)測(cè)模型

2.1 BP 神經(jīng)網(wǎng)絡(luò)的建模測(cè)試過(guò)程

為了充分利用老化過(guò)程中的失效參數(shù)，建立更加精準(zhǔn)和更具實(shí)際應(yīng)用價(jià)值的IGBT 老化預(yù)測(cè)模型，本文在建模過(guò)程中使用迭代的思想，即用上一步輸出數(shù)據(jù)的期望值作為下一步數(shù)據(jù)預(yù)測(cè)的輸入數(shù)據(jù)。對(duì)獲取418 組失效參數(shù)進(jìn)行處理，以8 個(gè)數(shù)據(jù)為單位，將第1—8 個(gè)數(shù)據(jù)作為BP 神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)，將第9 個(gè)數(shù)據(jù)作為與之對(duì)應(yīng)的期望輸出數(shù)據(jù)；然后以第2—9 個(gè)數(shù)據(jù)作為BP 神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)，將第10 個(gè)數(shù)據(jù)作為與之對(duì)應(yīng)的期望輸出數(shù)據(jù)；以此類推，共得到410 組樣本集，如表1 所示。

表1 BP 神經(jīng)網(wǎng)絡(luò)樣本數(shù)據(jù)劃分

將上述410 組樣本集隨機(jī)劃分為370 組和40 組樣本數(shù)據(jù)。370 組樣本數(shù)據(jù)作為訓(xùn)練集用于BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；40 組樣本數(shù)據(jù)作為測(cè)試集，來(lái)對(duì)訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證和評(píng)估。

BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5 所示，圖中x1—x8為輸入，y1為輸出，ωij為輸入層與隱含層之間的鏈接權(quán)值，ωjk為隱含層與輸出層之間的鏈接權(quán)值。

圖5 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

首先，根據(jù)IGBT 老化預(yù)測(cè)模型的輸入數(shù)據(jù)確定網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為8，其含義為老化失效參數(shù)的8 維歷史信息；根據(jù)期望輸出數(shù)據(jù)確定網(wǎng)絡(luò)的輸出層神經(jīng)元個(gè)數(shù)為1，其含義為以這8 維老化歷史信息作為輸入數(shù)據(jù)預(yù)測(cè)的下一維老化失效參數(shù)。根據(jù)多次訓(xùn)練調(diào)試，最終以在測(cè)試集上的預(yù)測(cè)誤差最小為原則，選擇隱含層神經(jīng)元個(gè)數(shù)為10。

其次，初始化輸入層與隱含層、隱含層與輸出層之間的鏈接權(quán)值ωij和ωjk，隱含層和輸出層的閾值；選擇隱含層和輸出層的傳遞函數(shù)[7]。

最后，使用訓(xùn)練集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直至滿足誤差要求，從而建立IGBT 老化預(yù)測(cè)模型；結(jié)合測(cè)試集對(duì)模型進(jìn)行驗(yàn)證評(píng)估。

2.2 GA-BP 神經(jīng)網(wǎng)絡(luò)的建模測(cè)試過(guò)程

GA 是指將需要優(yōu)化的參數(shù)進(jìn)行染色體編碼，并確定合適的適應(yīng)度函數(shù)，以計(jì)算適應(yīng)度的值。在迭代的過(guò)程中，不斷刪除適應(yīng)度差的編碼，保留好的適應(yīng)度值對(duì)應(yīng)的編碼，同時(shí)產(chǎn)生新的編碼，直至最終尋找到最優(yōu)值。

圖6 為GA-BP 神經(jīng)網(wǎng)絡(luò)算法流程。

首先，根據(jù)神經(jīng)網(wǎng)絡(luò)的拓?fù)浯_定需要優(yōu)化參數(shù)的個(gè)數(shù)并按一定順序進(jìn)行編碼[8]，以方便優(yōu)化后的參數(shù)解碼。GA-BP 中需優(yōu)化的參數(shù)包括連接權(quán)值及閾值。

圖6 GA-BP 神經(jīng)網(wǎng)絡(luò)算法流程

其次，將個(gè)體解碼后作為BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值并結(jié)合訓(xùn)練集進(jìn)行訓(xùn)練，得到訓(xùn)練集的預(yù)測(cè)值，并計(jì)算適應(yīng)度函數(shù)值[9]：

式中：n 為訓(xùn)練集數(shù)據(jù)個(gè)數(shù)；yi為訓(xùn)練集期望輸出值；為訓(xùn)練集數(shù)據(jù)的擬合值。此時(shí)適應(yīng)度值越小越好。

然后，根據(jù)適應(yīng)度值對(duì)個(gè)體進(jìn)行選擇，保留優(yōu)秀編碼，舍去不良編碼。在此基礎(chǔ)上進(jìn)行交叉和變異操作，產(chǎn)生新的個(gè)體以進(jìn)行下一步適應(yīng)度值的計(jì)算。如此反復(fù)迭代直至滿足條件。

最后，將最優(yōu)的個(gè)體解碼作為尋優(yōu)后的BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值，將其帶入BP 神經(jīng)網(wǎng)絡(luò)并結(jié)合訓(xùn)練集進(jìn)行訓(xùn)練，從而得到IGBT 老化預(yù)測(cè)模型，并結(jié)合測(cè)試數(shù)據(jù)對(duì)其進(jìn)行驗(yàn)證評(píng)估。

2.3 PSO-BP 神經(jīng)網(wǎng)絡(luò)的建模測(cè)試過(guò)程

PSO 中每個(gè)粒子維度代表需要優(yōu)化參數(shù)個(gè)數(shù)，參數(shù)的大小用粒子的位置來(lái)描述。以式（1）作為適應(yīng)度函數(shù)計(jì)算粒子的適應(yīng)度值進(jìn)而確定粒子的好壞，并以此來(lái)計(jì)算粒子更新速度，其大小決定了粒子位置改變的方向和大小。通過(guò)不斷計(jì)算適應(yīng)度值來(lái)修改粒子位置，從而獲得最優(yōu)粒子。

圖7 為PSO-BP 神經(jīng)網(wǎng)絡(luò)算法流程。

圖7 PSO-BP 神經(jīng)網(wǎng)絡(luò)算法流程

首先，根據(jù)BP 神經(jīng)網(wǎng)絡(luò)需優(yōu)化的初始權(quán)值閾個(gè)數(shù)確定粒子維度，在確定位置和速度的范圍后，隨機(jī)初始化群體中每個(gè)粒子的位置和速度[10]。

其次，以粒子作為初始權(quán)值、閾值帶入BP神經(jīng)網(wǎng)絡(luò)結(jié)合訓(xùn)練集訓(xùn)練后的訓(xùn)練集預(yù)測(cè)誤差作為適應(yīng)度的值，并記錄群體極值和個(gè)體極值，同時(shí)用個(gè)體最優(yōu)位置Pp和群體最優(yōu)位置Pg分別記錄個(gè)體極值和群體極值所對(duì)應(yīng)粒子位置。

然后，據(jù)式（2）和式（3）計(jì)算粒子速度并更新粒子位置，判斷其是否超出設(shè)置范圍，超出則以邊界值代替[11]。將其帶入網(wǎng)絡(luò)，獲取訓(xùn)練集的預(yù)測(cè)結(jié)果后帶入式（1）。重新計(jì)算適應(yīng)度值后，更新個(gè)體極值與群體極值，并記錄新的極值所對(duì)應(yīng)的粒子位置[12]。如此迭代直至滿足要求。

式（2）—（4）中：Vi，k和Xi，k表示第k 次循中第i 個(gè)粒子的速度和位置；r1和r2為0～1 之間的隨機(jī)數(shù)；c1和c2為非負(fù)常數(shù)，稱為加速因子[13]；X，V，Pp，Pg均為1 行d 列的向量；d 為需要尋優(yōu)參數(shù)的個(gè)數(shù)；w（k）為線性遞減慣性權(quán)重；Imax為最大迭代次數(shù)；ws為初始慣性權(quán)重；we為最終慣性權(quán)重。ws＞we，從而在計(jì)算速度時(shí)，隨著迭代的進(jìn)行，w（k）越來(lái)越小，使算法在迭代初期具有較強(qiáng)的全局搜索能力，而在迭代后期具有較強(qiáng)的局部搜索能力[14]。

最后，將尋優(yōu)后的最優(yōu)粒子位置作為優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)初始權(quán)值、閾值。將其解碼后帶入BP 神經(jīng)網(wǎng)絡(luò)結(jié)合訓(xùn)練集進(jìn)行訓(xùn)練，以得到IGBT老化預(yù)測(cè)模型，并用測(cè)試集對(duì)其進(jìn)行驗(yàn)證評(píng)估。

3 試驗(yàn)結(jié)果與誤差分析

3.1 BP 神經(jīng)網(wǎng)絡(luò)試驗(yàn)結(jié)果及預(yù)測(cè)誤差

將樣本集隨機(jī)劃分為訓(xùn)練集和測(cè)試集后，對(duì)樣本進(jìn)行歸一化處理，以消除數(shù)據(jù)間的數(shù)量級(jí)差別，從而減小預(yù)測(cè)誤差。根據(jù)上文所述設(shè)置BP 神經(jīng)網(wǎng)絡(luò)的輸入-隱層-輸出神經(jīng)元個(gè)數(shù)為8-10-1，隱含層和輸出層的傳遞函數(shù)分別為logsig 和purelin，最大迭代次數(shù)為500 次，訓(xùn)練精度為10-5，學(xué)習(xí)速率為0.001。

在MATLAB 中調(diào)用newff 函數(shù)生成的BP 神經(jīng)網(wǎng)絡(luò)后，因?yàn)榫W(wǎng)絡(luò)的初始權(quán)值、閾值未經(jīng)優(yōu)化，故沒(méi)有設(shè)置初始權(quán)值、閾值。而在調(diào)用train 函數(shù)訓(xùn)練網(wǎng)絡(luò)時(shí)，算法會(huì)隨機(jī)賦予BP 神經(jīng)網(wǎng)絡(luò)初始權(quán)值、閾值，這樣會(huì)使每次訓(xùn)練好的網(wǎng)絡(luò)在測(cè)試集上表現(xiàn)出不同的誤差，且誤差波動(dòng)范圍較大。因此，本文通過(guò)多次訓(xùn)練得到不同的訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)，帶入測(cè)試集進(jìn)行預(yù)測(cè)評(píng)估，以預(yù)測(cè)誤差最小為原則，得到表現(xiàn)最好的BP 神經(jīng)網(wǎng)絡(luò)模型。預(yù)測(cè)結(jié)果和預(yù)測(cè)誤差如圖8 和圖9 所示。

圖8 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

圖9 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差

3.2 GA-BP 神經(jīng)網(wǎng)絡(luò)試驗(yàn)結(jié)果及預(yù)測(cè)誤差

由上文所述可知，由于BP 神經(jīng)網(wǎng)絡(luò)初始權(quán)值、閾值的選取問(wèn)題，可能會(huì)使網(wǎng)絡(luò)在訓(xùn)練過(guò)程中陷入局部最優(yōu)，造成每次訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)在測(cè)試集上的誤差波動(dòng)較大。為解決此問(wèn)題，本文使用GA 對(duì)BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值進(jìn)行優(yōu)化。

將BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值按輸入層-隱含層的鏈接權(quán)值、隱含層神經(jīng)元閾值、隱含層-輸出層鏈接權(quán)值及輸出層神經(jīng)元閾值的順序作為編碼順序。本文BP 神經(jīng)網(wǎng)絡(luò)的輸出-隱含-輸入層結(jié)構(gòu)為8-10-1，故所需要優(yōu)化的參數(shù)的個(gè)數(shù)為8×10+10+10×1+1=101。在GA 中以此編碼順序進(jìn)行實(shí)數(shù)編碼[15]，創(chuàng)建的每個(gè)個(gè)體為101 維的向量，向量中的每個(gè)數(shù)編碼的值為－2～2。設(shè)定群體數(shù)為30，迭代次數(shù)為100。

GA 的輸入為這30 組個(gè)體編碼值，將個(gè)體進(jìn)行解碼后結(jié)合訓(xùn)練集進(jìn)行訓(xùn)練，得到訓(xùn)練集的擬合值，按照式（1）計(jì)算適應(yīng)度函數(shù)的值，并以其最小作為尋優(yōu)目標(biāo)。通過(guò)對(duì)個(gè)體進(jìn)行的選擇交叉和變異操作，使尋優(yōu)目標(biāo)在迭代過(guò)程中不斷減小。最終經(jīng)100 次迭代后得到的適應(yīng)度函數(shù)最小個(gè)體即為尋優(yōu)目標(biāo)，也就是GA 的輸出。

將GA 尋優(yōu)后的初始權(quán)值、閾值帶入BP 神經(jīng)網(wǎng)絡(luò)，結(jié)合訓(xùn)練集進(jìn)行多次訓(xùn)練后，分別帶入測(cè)試集進(jìn)行預(yù)測(cè)評(píng)估，以預(yù)測(cè)誤差最小為原則，得到表現(xiàn)最好的GA-BP 神經(jīng)網(wǎng)絡(luò)模型。預(yù)測(cè)結(jié)果和預(yù)測(cè)誤差如圖10 和圖11 所示。

3.3 PSO-BP 神經(jīng)網(wǎng)絡(luò)試驗(yàn)結(jié)果及預(yù)測(cè)誤差

雖然經(jīng)GA 優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)在測(cè)試集上的預(yù)測(cè)誤差波動(dòng)和預(yù)測(cè)誤差明顯減小，但是GA 以一定概率進(jìn)行的交叉和變異操作產(chǎn)生新個(gè)體時(shí)，這兩種操作有可能破壞最優(yōu)個(gè)體的編碼信息。為解決此問(wèn)題，本文使用PSO 算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值進(jìn)行優(yōu)化。

圖10 GA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

圖11 GA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差

由上文分析可知，PSO 算法需對(duì)101 維BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值進(jìn)行優(yōu)化，故采用上文所述的編碼順序?qū)?01 位粒子進(jìn)行實(shí)數(shù)編碼。其中每個(gè)粒子的位置和速度的范圍分別為－2～2和－0.5～0.5，代表初始權(quán)值、閾值的取值范圍和變化范圍。設(shè)置種群個(gè)數(shù)為30，即創(chuàng)建30 組不同的BP 神經(jīng)網(wǎng)絡(luò)初始權(quán)值、閾值，迭代次數(shù)為100。

PSO 算法的輸入為這30 組不同的粒子，也就是30 組不同的BP 神經(jīng)網(wǎng)絡(luò)初始權(quán)值、閾值，結(jié)合訓(xùn)練集進(jìn)行訓(xùn)練，得到訓(xùn)練集的擬合值，并按照式（1）計(jì)算適應(yīng)度函數(shù)的值，即為訓(xùn)練集的訓(xùn)練誤差，并以其最小作為尋優(yōu)目標(biāo)。計(jì)算粒子速度，更新粒子位置，使尋優(yōu)目標(biāo)在迭代過(guò)程中不斷減小。30 組粒子均按照使目標(biāo)函數(shù)最優(yōu)的方向進(jìn)行迭代，即在迭代過(guò)程中粒子追蹤的是該粒子歷史最優(yōu)值和群體歷史最優(yōu)值[16]，所以并不會(huì)破壞最優(yōu)粒子的編碼，從而克服了GA 中可能會(huì)破壞最優(yōu)個(gè)體編碼的不足。最終經(jīng)100 次迭代后輸出的最優(yōu)粒子的位置即群體最優(yōu)位置Pg也就是PSO 算法的輸出。

使用PSO 尋優(yōu)后的初始權(quán)值、閾值帶入BP神經(jīng)網(wǎng)絡(luò)結(jié)合訓(xùn)練集，經(jīng)多次訓(xùn)練得到不同的訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)，帶入測(cè)試集進(jìn)行預(yù)測(cè)評(píng)估，以預(yù)測(cè)誤差最小為原則，得到表現(xiàn)最好的GA-BP神經(jīng)網(wǎng)絡(luò)模型。預(yù)測(cè)結(jié)果和預(yù)測(cè)誤差如圖12 和圖13 所示。

圖12 PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

圖13 PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差

3.4 誤差分析

多次訓(xùn)練后獲得的最優(yōu)IGBT 退化模型中，經(jīng)GA 和PSO 優(yōu)化參數(shù)后的網(wǎng)絡(luò)預(yù)測(cè)誤差均低于BP 神經(jīng)網(wǎng)絡(luò)，且其中以PSO-BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差最小。

為了更好地評(píng)價(jià)BP 神經(jīng)網(wǎng)絡(luò)、GA-BP 神經(jīng)網(wǎng)絡(luò)和PSO-BP 神經(jīng)網(wǎng)絡(luò)，應(yīng)用訓(xùn)練集對(duì)3 種神經(jīng)網(wǎng)絡(luò)進(jìn)行反復(fù)訓(xùn)練，并帶入測(cè)試集進(jìn)行預(yù)測(cè)評(píng)估，得到預(yù)測(cè)值的均方誤差（EMS）、平均絕對(duì)誤差（EMA）和相關(guān)系數(shù)（R2）的多次訓(xùn)練平均值（見(jiàn)表2），從而對(duì)BP神經(jīng)網(wǎng)絡(luò)、GA-BP神經(jīng)網(wǎng)絡(luò)、PSO-BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比分析，以評(píng)價(jià)網(wǎng)絡(luò)的預(yù)測(cè)性能。計(jì)算公式為式（5）—（7）。其中，EMS和EMA的值越小越好；而R2的值越接近于1，預(yù)測(cè)數(shù)據(jù)與測(cè)試數(shù)據(jù)的相關(guān)性越高。

通過(guò)表2 數(shù)據(jù)可以看出：PSO-BP 神經(jīng)網(wǎng)絡(luò)的均方誤差和平均絕對(duì)誤差最小，且相關(guān)性最強(qiáng)；GA-BP 神經(jīng)網(wǎng)絡(luò)次之；不經(jīng)優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)取得的效果最差。據(jù)此可以得出結(jié)論：經(jīng)GA 和PSO 算法優(yōu)化后的網(wǎng)絡(luò)均優(yōu)于BP 神經(jīng)網(wǎng)絡(luò)，而且其中以PSO-BP 神經(jīng)網(wǎng)絡(luò)的性能最優(yōu)。

表2 BP 神經(jīng)網(wǎng)絡(luò)、GA-BP 神經(jīng)網(wǎng)絡(luò)及PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果對(duì)比

4 結(jié)語(yǔ)

本文分別構(gòu)建了基于BP 神經(jīng)網(wǎng)絡(luò)、GA-BP神經(jīng)網(wǎng)絡(luò)和PSO-BP 神經(jīng)網(wǎng)絡(luò)的IGBT 老化預(yù)測(cè)模型，并且以NASA PCoE 研究中心公開(kāi)的IGBT加速老化數(shù)據(jù)為數(shù)據(jù)集，對(duì)模型進(jìn)行驗(yàn)證并測(cè)試。通過(guò)對(duì)測(cè)試集預(yù)測(cè)值的誤差對(duì)比分析可知，PSOBP 神經(jīng)網(wǎng)絡(luò)所建立的老化預(yù)測(cè)模型性能最優(yōu)，GA-BP 神經(jīng)網(wǎng)絡(luò)次之，未經(jīng)優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)取得的效果最差。本文對(duì)老化實(shí)驗(yàn)中的退化參數(shù)建立退化模型，并通過(guò)GA 和PSO 算法對(duì)其進(jìn)行優(yōu)化，從而建立更精準(zhǔn)的IGBT 老化預(yù)測(cè)模型。