方駿仁，程凡永，孟獻(xiàn)蒙

(安徽工程大學(xué) 安徽省電氣傳動與控制重點實驗室，安徽 蕪湖 241000)

隨著現(xiàn)代電力電子技術(shù)的迅速發(fā)展，作為風(fēng)電等新能源系統(tǒng)中重要的能量轉(zhuǎn)換元器件，逆變器擁有啟動快速、轉(zhuǎn)換效率高、穩(wěn)定性好等優(yōu)點，然而一旦發(fā)生故障就會破壞整個電力系統(tǒng)的正常運行，從而影響人們的生產(chǎn)生活，因此有許多研究人員對逆變器的各種故障進(jìn)行了深入研究。

很多研究表明，大部分逆變器發(fā)生故障都是由于逆變電路中的核心部件絕緣柵雙極型晶體管(IGBT)故障引起的，所以針對IGBT的故障檢測顯得尤為重要。目前IGBT的故障主要分為3種[1]：一是在生產(chǎn)研發(fā)階段由于制作工藝出現(xiàn)了問題產(chǎn)生的故障，一般不做研究；二是在使用階段由于受到了外界沖擊等因素導(dǎo)致發(fā)生開路或短路故障等問題；三是隨著使用時間的增加都會面臨的IGBT老化失效問題。因此為了減少發(fā)電系統(tǒng)的故障，實現(xiàn)系統(tǒng)的安全穩(wěn)定運行，必須要預(yù)測出IGBT的剩余使用壽命，當(dāng)出現(xiàn)老化特征時第一時間更換元器件，預(yù)防出現(xiàn)更大的損失。

對IGBT的老化故障預(yù)測是目前的研究熱點[2]，由于IGBT在逐漸老化的過程中會使得器件的某些外部參數(shù)發(fā)生變化，所以選擇一個合適的評估參數(shù)是重中之重。文獻(xiàn)[3]通過對IGBT進(jìn)行老化實驗，發(fā)現(xiàn)模塊的結(jié)-殼瞬態(tài)熱阻會隨著IGBT的老化而變化，故根據(jù)這一特點選擇了結(jié)-殼瞬態(tài)熱阻值作為失效特征參數(shù)，再利用注意力機(jī)制模型預(yù)測IGBT的剩余壽命；文獻(xiàn)[4]指出，當(dāng)IGBT工作在高結(jié)溫及高溫度梯度狀態(tài)時，老化失效主要表現(xiàn)為鋁鍵合引線的翹起和脫落，會出現(xiàn)集電極-發(fā)射極飽和電壓變大的情況，因此也可以作為IGBT故障預(yù)測的特征參數(shù)；文獻(xiàn)[5-7]都選擇了美國宇航局NASA研究中心發(fā)布的IGBT加速老化數(shù)據(jù)集，并選取IGBT在瞬態(tài)關(guān)斷過程中產(chǎn)生的集電極-發(fā)射極瞬態(tài)尖峰電壓作為失效特征參數(shù)進(jìn)行故障預(yù)測。文獻(xiàn)[5]采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建老化故障預(yù)測模型，但由于沒有對網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)進(jìn)行優(yōu)化，還存在極小值情況，準(zhǔn)確性有待提高。文獻(xiàn)[6]使用的小波神經(jīng)網(wǎng)絡(luò)擁有小波變換的優(yōu)點，避免了BP網(wǎng)絡(luò)設(shè)計結(jié)構(gòu)的盲目性，但是隱藏層的節(jié)點數(shù)以及各層之間的權(quán)重始終難以確定，影響模型的收斂速度。文獻(xiàn)[7]提出了基于長短時記憶網(wǎng)絡(luò)(LSTM)的預(yù)測模型，LSTM可以利用歷史長期的時序信息進(jìn)行預(yù)測，但傳遞信息需要等待上一個時間步的前向傳遞結(jié)束后才可以進(jìn)行下一個時間步的前向傳遞，是順序執(zhí)行的，無法做到并行處理，而且傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)只能默認(rèn)輸入全部的歷史信息，無法做到對輸入的精準(zhǔn)控制。所以本文利用該瞬態(tài)關(guān)斷尖峰電壓特征參數(shù)提出了一種基于時間卷積神經(jīng)網(wǎng)絡(luò)(TCN)的IGBT老化故障預(yù)測方法，并構(gòu)建LSTM及其變體GRU神經(jīng)網(wǎng)絡(luò)模型作為對比分析，通過實驗結(jié)果驗證本文所提方法的可行性。

1 IGBT老化機(jī)制與數(shù)據(jù)采集

1.1 IGBT老化原理

IGBT作為一種場控元器件，擁有控制電路簡單、開關(guān)速度快、飽和壓降低等優(yōu)點，是一種由電壓驅(qū)動的電路開關(guān)，沒有機(jī)械按鈕。對封裝好的IGBT元器件進(jìn)行物理電路等效得到的IGBT等效電路圖如圖1所示，其中G、C、E分別代表IGBT的柵極、集電極和發(fā)射極。當(dāng)IGBT的柵極和發(fā)射極加上正電壓，并且大于導(dǎo)通閾值時，兼容了MOSFET的IGBT就會導(dǎo)通；當(dāng)柵極和發(fā)射極無電壓或施加電壓小于最小閾值電壓時，IGBT就會處于關(guān)斷狀態(tài)。這僅僅只是一次簡單的IGBT導(dǎo)通關(guān)斷過程，但在實際復(fù)雜的工作環(huán)境中，IGBT需要頻繁進(jìn)行開關(guān)，流經(jīng)它的電流和電壓會對器件產(chǎn)生日積月累的影響，最終會導(dǎo)致IGBT在沒有達(dá)到預(yù)期使用壽命期限時提前發(fā)生老化失效故障。

目前，針對IGBT模塊的老化失效主要可以歸結(jié)為兩點[8]：焊料層疲勞失效和鋁鍵合引線脫落。IGBT是由多種不同類型的材料組合而成的，結(jié)構(gòu)圖如圖2所示。這些材料的熱膨脹系數(shù)不同使得各材料層之間承受應(yīng)力的能力也不一樣，所以當(dāng)IGBT因工作而聚集大量的熱量并且散熱不及時，就有可能會導(dǎo)致焊料層發(fā)生疲勞失效。另外，結(jié)溫升高產(chǎn)生的熱應(yīng)力不僅能夠作用于材料層，還會對器件的鋁鍵合引線產(chǎn)生沖擊，鍵合引線在IGBT中起到芯片連接芯片、材料層的作用，隨著沖擊效果的不斷累積會造成鍵合引線松動甚至脫落，這兩點都是IGBT在封裝層面上發(fā)生老化失效的重要因素。

圖1 IGBT等效電路圖 圖2 IGBT模塊結(jié)構(gòu)圖

1.2 加速老化實驗

對IGBT的相關(guān)研究表明，在-55 ℃和125 ℃的溫度范圍內(nèi)只需要進(jìn)行300次熱循環(huán)，就會導(dǎo)致芯片焊料退化和焊點損壞，相當(dāng)于器件幾十年的運行[9]。每一次熱循環(huán)過程，IGBT都會不斷退化，而退化伴隨著由于內(nèi)部溫度升高而導(dǎo)致的工作期間一些外部特征參數(shù)發(fā)生變化，這些參數(shù)對于研究IGBT老化故障有著重大意義。為了推進(jìn)電子元器件故障預(yù)測的研究，NASA研究中心開發(fā)了對IGBT的加速熱老化實驗平臺，實驗條件如表1所示。該實驗采用在柵極施加方波電壓的方法實現(xiàn)熱循環(huán)加速老化，測量的參數(shù)主要包括：集電極-發(fā)射極電壓、集電極-發(fā)射極電流、柵極電壓、包裝溫度等。在通過大量實驗后研究中心公布了IGBT加速熱老化數(shù)據(jù)集，而且在文獻(xiàn)[10]中對實驗期間記錄的瞬態(tài)開關(guān)信號進(jìn)行了分析：在整個測試過程中，柵極信號和電流保持相對恒定，穩(wěn)態(tài)電壓變化最小；導(dǎo)通過程中的集電極-發(fā)射極電壓特性也幾乎沒有變化；但在觀察集電極-發(fā)射極電壓關(guān)斷特性時，發(fā)現(xiàn)在IGBT退化過程中其集電極-發(fā)射極瞬態(tài)關(guān)斷電壓峰值顯著降低，因此可以選取該瞬態(tài)尖峰電壓值作為IGBT老化的特征參數(shù)進(jìn)行故障預(yù)測。

表1 IGBT加速熱老化實驗條件

實驗參數(shù)參數(shù)設(shè)置開關(guān)頻率10kHz封裝溫度260～270℃

1.3 數(shù)據(jù)采集

該加速熱老化實驗從開始進(jìn)行到出現(xiàn)故障失效共經(jīng)歷170 min左右，期間共采集了418組集電極-發(fā)射極瞬態(tài)電壓數(shù)據(jù)，每組數(shù)據(jù)共有10萬個采樣點，而且每組的分布具有相似性。研究將418組數(shù)據(jù)的集電極-發(fā)射極關(guān)斷尖峰電壓值提取出來,如圖3所示。由圖3可見，隨著IGBT逐漸退化，關(guān)斷瞬態(tài)尖峰電壓有比較明顯的下降趨勢，進(jìn)一步證明了使用該參數(shù)進(jìn)行預(yù)測具有足夠的合理性。

從圖3a可以看出，采集的數(shù)據(jù)波動比較大并含有異常值，故先剔除前幾個異常樣本值再采用二次指數(shù)平滑的方法對其進(jìn)行平滑處理。該方法擴(kuò)展了簡單指數(shù)平滑，使其可以用來預(yù)測帶有趨勢的時間序列。經(jīng)過以上數(shù)據(jù)處理后可以得到圖3b，黃線代表剔除異常值和平滑處理后的數(shù)據(jù)，藍(lán)線是原始數(shù)據(jù)，從圖3b中可以發(fā)現(xiàn)，經(jīng)過處理后的數(shù)據(jù)波動性小，且保留了數(shù)據(jù)本身的曲線趨勢。另外，在數(shù)據(jù)標(biāo)準(zhǔn)化方法的選擇上采用最大最小歸一化，可以提高模型精度和模型訓(xùn)練時的收斂速度，有效避免了梯度爆炸。

圖3 IGBT集電極-發(fā)射極關(guān)斷尖峰電壓值退化過程

2 基于時間卷積網(wǎng)絡(luò)的IGBT老化故障預(yù)測模型

2.1 時間卷積網(wǎng)絡(luò)

在以往分析時序問題時，大家通常都會選擇循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)以及它的變體LSTM等來進(jìn)行建模，這是因為RNN天生擁有循環(huán)自回歸的結(jié)構(gòu)特性，這是對時間序列的很好的表示[11-12]。但隨著TCN的出現(xiàn)引起巨大反響后[13]，一些人認(rèn)為TCN會取代RNN成為時序預(yù)測領(lǐng)域新的王者，這歸結(jié)于RNN在處理數(shù)據(jù)時耗時太長，網(wǎng)絡(luò)傳輸數(shù)據(jù)時只能按照順序進(jìn)行，無法做到同時大規(guī)模并行處理。TCN作為卷積神經(jīng)網(wǎng)絡(luò)的一個變體，克服了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)受其卷積核尺寸的限制，以及不能很好地抓取長時間的上下文依賴信息的問題，并且當(dāng)給定一段輸入時，TCN可以實現(xiàn)大規(guī)模并行處理，取得比RNN更好的時序預(yù)測效果。

TCN的核心就是擴(kuò)張因果卷積和殘差塊模塊[14]，TCN模型所使用的因果卷積，就是對于上一層t時刻的值，僅與下一層t時刻元素大小及之前的輸入有關(guān)，用來確保未來的數(shù)據(jù)不存在泄漏。擴(kuò)張因果卷積相比普通因果卷積，引入了擴(kuò)張系數(shù)，使得有效窗口的大小隨著層數(shù)的增加呈現(xiàn)指數(shù)式增長，這樣用較少的層數(shù)就可以獲得比較大的感受野。擴(kuò)張卷積的計算定義為

(1)

對于一個一維的輸入序列x，其中，F(xiàn)(s)表示經(jīng)過一次擴(kuò)張卷積計算后在s位置上的網(wǎng)絡(luò)輸出結(jié)果；d為擴(kuò)張系數(shù)，且d以2的指數(shù)冪形式增長；k表示卷積核大??；f為過濾器，f(i)表示對第i個輸入進(jìn)行過濾操作。d=(1，2，4)、k=2的擴(kuò)張因果卷積和普通一維因果卷積的對比如圖4所示。由圖4可以發(fā)現(xiàn)，前者在減少網(wǎng)絡(luò)層數(shù)獲得穩(wěn)定梯度的同時可以擁有較大的感受野。

為了防止出現(xiàn)網(wǎng)絡(luò)退化，使用Resnet殘差網(wǎng)絡(luò)可以有效改善網(wǎng)絡(luò)退化問題[15]。殘差鏈接是訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)的有效方法，它使得網(wǎng)絡(luò)信息可以采用跨層方式直接進(jìn)行傳遞，另外還加入了Dropout機(jī)制避免訓(xùn)練時出現(xiàn)過擬合現(xiàn)象，由于樣本數(shù)據(jù)量適中故不需要進(jìn)行WeightNorm權(quán)重歸一化。

2.2 整體模型構(gòu)建

本文使用Keras框架和Python語言構(gòu)建的時間卷積網(wǎng)絡(luò)模型如圖5所示，TCN模型由多個殘差模塊組成，將輸入序列(x0,x1,…,xt)輸入到模型進(jìn)行訓(xùn)練，再把TCN的輸出輸入到一層全連接層，得到最終的輸出預(yù)測值。最下面一層的擴(kuò)張系數(shù)d=1，表示輸入時每個點都采樣；中間層d=2，表示輸入時每兩個點采樣一個作為輸入；模型為了加速收斂速度，保持穩(wěn)定訓(xùn)練，引入殘差網(wǎng)絡(luò)模塊實現(xiàn)網(wǎng)絡(luò)跳層連接；一維卷積模塊用來解決輸入輸出可能出現(xiàn)維度不同的情況。

圖4 兩種因果卷積基本結(jié)構(gòu)

圖5 基于TCN的IGBT老化故障預(yù)測模型

2.3 模型參數(shù)設(shè)置和性能評價指標(biāo)

對于TCN模型，它的一些超參數(shù)設(shè)置也影響著最終預(yù)測的精度，如過濾器的數(shù)量，過濾器存在于任何卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)中，它與模型的預(yù)測能力有關(guān)，并影響網(wǎng)絡(luò)的大小，一般過濾器數(shù)量越多越好，除非出現(xiàn)過擬合情況；卷積核大小控制一維卷積運算中數(shù)據(jù)的空間面積；擴(kuò)張系數(shù)控制網(wǎng)絡(luò)的層數(shù)，相同大小的感受野，所需隱藏層更少，可以減少大量網(wǎng)絡(luò)參數(shù)；選擇Relu激活函數(shù)能有效避免深度學(xué)習(xí)訓(xùn)練過程中梯度消失的問題，Dropout大小設(shè)為0.05，防止出現(xiàn)過度擬合；此外，選擇Adam作為TCN模型和對比實驗LSTM、GRU網(wǎng)絡(luò)模型的優(yōu)化算法。Kingma的研究表明[16]，Adam模型中的一些超參數(shù)幾乎不需要調(diào)整，因此，直接使用Kingma等測試的良好參數(shù)設(shè)置作為Adam優(yōu)化器的超參數(shù)。各算法模型在表2所示的超參數(shù)設(shè)置下，均達(dá)到最佳的性能表現(xiàn)。

表2 各算法模型超參數(shù)設(shè)置

性能評價指標(biāo)采用均方根誤差(RMSE)和平均絕對誤差(MAE)來衡量IGBT預(yù)測算法的性能，它們是機(jī)器學(xué)習(xí)中評價模型兩個重要的指標(biāo)。其中，RMSE測量誤差的平均大小，是預(yù)測值和真實值之間平方差異平均值的平方根，數(shù)量級上較為直觀；MAE是絕對誤差的平均值，可以準(zhǔn)確反應(yīng)實際的預(yù)測誤差。這些指標(biāo)的結(jié)果越小則證明模型預(yù)測效果越好，計算公式如下：

(2)

(3)

3 實驗結(jié)果與分析

為了驗證本文所提出的基于TCN的IGBT老化故障預(yù)測方法的優(yōu)越性，另外嘗試與LSTM、GRU模型進(jìn)行了對比分析，把經(jīng)過數(shù)據(jù)處理后的集電極-發(fā)射極關(guān)斷尖峰電壓時間序列的前70%用作訓(xùn)練集，后30%用作測試集，3個模型在測試集上的預(yù)測結(jié)果如圖6所示。藍(lán)線代表真實數(shù)據(jù)值，黃線代表預(yù)測值。評價指標(biāo)結(jié)果如表3所示。TCN模型的預(yù)測結(jié)果的RMSE為0.025 8，MAE為0.021 6，均低于LSTM及GRU模型的結(jié)果。

圖6 三種算法模型預(yù)測結(jié)果與真實值對比圖

表3 三種算法模型評價指標(biāo)對比

通過圖6中預(yù)測值擬合真實值的情況和表3中能夠反映具體模型預(yù)測誤差的兩項評價指標(biāo)可以看出，在這3種算法模型中，相較于循環(huán)神經(jīng)網(wǎng)絡(luò)模型預(yù)測方法，基于TCN的IGBT老化故障預(yù)測方法取得了最好的效果，相對于LSTM模型，TCN模型兩項評價指標(biāo)都提升了26%左右。

4 總結(jié)

根據(jù)IGBT關(guān)斷時產(chǎn)生的瞬態(tài)尖峰電壓會隨著器件老化而逐漸降低的特點，本文提出了一種基于時間卷積網(wǎng)絡(luò)的數(shù)據(jù)驅(qū)動故障預(yù)測方法，用于預(yù)測IGBT的老化故障。以集電極-發(fā)射極關(guān)斷尖峰電壓數(shù)據(jù)為輸入，再利用TCN模型對器件的老化失效進(jìn)行預(yù)測。該方法不僅可以并行處理輸入故障特征，還克服了循環(huán)神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)梯度消失和梯度爆炸的問題。同時TCN具有更靈活的感受野，改進(jìn)了傳統(tǒng)卷積網(wǎng)絡(luò)不能有效地提取長時間序列之間相關(guān)性的缺點，增強了故障預(yù)測的魯棒性和準(zhǔn)確性。結(jié)果表明，該方法擁有較好的故障預(yù)測性能，對IGBT老化故障的預(yù)測具有一定的應(yīng)用價值。