邊少聰,王 宇
(西安工程大學(xué) 電子信息學(xué)院,西安 710048)
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。
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。
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。
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。
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。
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
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。
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
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
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。