亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于PSO-BP 神經(jīng)網(wǎng)絡(luò)模型的IGBT 老化預(yù)測(cè)

        2019-12-09 08:59:56邊少聰
        浙江電力 2019年11期
        關(guān)鍵詞:權(quán)值適應(yīng)度老化

        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。

        猜你喜歡
        權(quán)值適應(yīng)度老化
        延緩大腦老化,要怎樣吃
        改進(jìn)的自適應(yīng)復(fù)制、交叉和突變遺傳算法
        一種融合時(shí)間權(quán)值和用戶行為序列的電影推薦模型
        CONTENTS
        節(jié)能技術(shù)在開(kāi)關(guān)電源老化測(cè)試中的應(yīng)用
        電子制作(2018年10期)2018-08-04 03:24:30
        基于權(quán)值動(dòng)量的RBM加速學(xué)習(xí)算法研究
        基于空調(diào)導(dǎo)風(fēng)板成型工藝的Kriging模型適應(yīng)度研究
        杜絕初春老化肌
        Coco薇(2016年2期)2016-03-22 02:40:06
        少數(shù)民族大學(xué)生文化適應(yīng)度調(diào)查
        抑制熱老化的三效催化劑技術(shù)的開(kāi)發(fā)
        亚洲国产字幕| 粗壮挺进人妻水蜜桃成熟漫画| 欧美变态口味重另类在线视频| 亚洲AV无码久久精品国产老人| 日韩一区二区中文字幕| 人妻少妇中文字幕在线观看| 久久亚洲av无码西西人体| 99这里只有精品| 资源在线观看视频一区二区| 久久精品国产免费一区二区三区| 亚洲精品动漫免费二区| 天堂sv在线最新版在线| 久久久久亚洲AV无码去区首| 女女同女同一区二区三区| 精品人妻少妇嫩草av无码专区| 亚洲av有码在线天堂| 2021年性爱喷水视频| 日本九州不卡久久精品一区 | 激情五月六月婷婷俺来也| 大又大又粗又硬又爽少妇毛片| 一本之道高清无码视频| 国产av无码专区亚洲草草| 日本一区二区不卡在线| aⅴ精品无码无卡在线观看| 亚洲成aⅴ人在线观看| av永远在线免费观看| 国产av综合网站不卡| 日本无码人妻波多野结衣| 婷婷第四色| 亚洲国产最新免费av| 亚洲国产成人av在线观看| 久久伊人影院| 97超碰国产一区二区三区| 18禁止看的免费污网站| 日本老熟欧美老熟妇| 久久精品韩国日本国产| 97成人精品视频在线| 亚洲伊人成综合网| www.亚洲天堂.com| 国产视频激情在线观看| 香蕉人人超人人超碰超国产|