鐘智偉, 王譽(yù)翔, 黃亦翔, 肖登宇, 夏鵬程, 劉成良

(上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院, 上海 200240)

絕緣柵雙極型晶體管(Insulated Gate Bipolar Transistor, IGBT)是一種電壓驅(qū)動(dòng)式功率半導(dǎo)體器件,具有較小的導(dǎo)通電阻、飽和壓降及驅(qū)動(dòng)電流,同時(shí)兼具較快的開(kāi)關(guān)速度[1],這些優(yōu)勢(shì)特性使得IGBT在工業(yè)界被廣泛應(yīng)用,包括以航空航天為首的重工業(yè)領(lǐng)域以及電動(dòng)汽車(chē)一類的新興領(lǐng)域[2].工業(yè)界調(diào)查顯示, 功率器件是電力電子系統(tǒng)中最易失效的部件之一[3].研究證明,熱疲勞是導(dǎo)致IGBT模塊失效的最主要因素[4].隨著IGBT模塊應(yīng)用領(lǐng)域的擴(kuò)大,對(duì)其可靠性和使用壽命的要求也不斷提高,剩余壽命預(yù)測(cè)可為元件維修更換提供參考,減少檢修和停機(jī)時(shí)間,提升系統(tǒng)整體可靠性[5].

IGBT剩余壽命預(yù)測(cè)的方法根據(jù)預(yù)測(cè)機(jī)理主要分為基于物理模型、基于解析模型以及基于數(shù)據(jù)驅(qū)動(dòng)共3類.基于物理模型的方法在實(shí)際使用中,通常根據(jù)IGBT模塊實(shí)際參數(shù)建立物理模型并通過(guò)有限元分析來(lái)預(yù)測(cè)剩余壽命.Huang等[6]基于IGBT模塊鍵合線的應(yīng)力應(yīng)變模型,建立電-熱-力多物理場(chǎng)耦合模型,對(duì)鍵合線的壽命進(jìn)行分析.基于物理模型的預(yù)測(cè)方法在實(shí)際工況下難以應(yīng)用,需通過(guò)專家知識(shí)建立合適的物理模型,且需要獲取產(chǎn)品的幾何、電氣參數(shù).基于解析模型的預(yù)測(cè)方法根據(jù)IGBT模塊運(yùn)行過(guò)程的失效數(shù)據(jù)建立老化循環(huán)次數(shù)和指定物理量之間的數(shù)學(xué)模型.Coffin-Manson模型和Lesit模型建立了結(jié)溫與IGBT模塊壽命之間的關(guān)系[7],但上述兩個(gè)模型僅考慮單一物理變量的影響;Norris-Landzberg模型和Bayerer模型等考慮多物理量對(duì)壽命的影響,一定程度上提高了預(yù)測(cè)的準(zhǔn)確性[8].基于解析模型的預(yù)測(cè)方法需大量實(shí)驗(yàn)數(shù)據(jù),且需手工建立合適的數(shù)學(xué)模型,難度大.基于數(shù)據(jù)驅(qū)動(dòng)的方法通過(guò)挖掘IGBT模塊運(yùn)行的各種數(shù)據(jù)信息,結(jié)合預(yù)測(cè)模型對(duì)壽命進(jìn)行預(yù)測(cè),無(wú)需復(fù)雜的數(shù)學(xué)建模和專家知識(shí).劉子英等[9]以集射極關(guān)斷電壓峰值為失效依據(jù),建立Elman神經(jīng)網(wǎng)絡(luò)模型進(jìn)行IGBT模塊的壽命預(yù)測(cè);葛建文等[10]基于IGBT模塊的殼溫、結(jié)溫等數(shù)據(jù)計(jì)算模塊熱阻,利用Transformer神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)剩余壽命.上述方法都是在單個(gè)工況的IGBT模塊上基于故障前歷史數(shù)據(jù)進(jìn)行預(yù)測(cè),而更可靠的方法是使用一個(gè)在IGBT模塊完整退化過(guò)程數(shù)據(jù)上訓(xùn)練得到的模型來(lái)預(yù)測(cè)其他IGBT模塊的壽命,但實(shí)際情況下,不同電壓電流工況下IGBT模塊的各種參數(shù)差別較大,模型適應(yīng)性差.

為解決現(xiàn)有序列預(yù)測(cè)方法無(wú)法并行處理、效率低及跨工況預(yù)測(cè)效果差的問(wèn)題,提出一種基于概率稀疏注意力與遷移學(xué)習(xí)的方法,實(shí)現(xiàn)從已獲取全生命周期退化數(shù)據(jù)的源工況遷移到全新目標(biāo)工況IGBT模塊壽命預(yù)測(cè),基于IGBT模塊的加速老化試驗(yàn)原理,搭建試驗(yàn)平臺(tái),獲取不同工況下IGBT模塊老化過(guò)程中的瞬態(tài)熱阻數(shù)據(jù),進(jìn)行跨工況剩余壽命預(yù)測(cè)對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,本方法在IGBT模塊剩余壽命的跨工況預(yù)測(cè)效果上明顯優(yōu)于其他對(duì)比方法.

1 IGBT剩余壽命預(yù)測(cè)方法

1.1 概率稀疏自注意力

Transformer[11]的出現(xiàn)使得自注意力機(jī)制在各個(gè)研究領(lǐng)域占據(jù)了一定的統(tǒng)治地位,尤其是在序列預(yù)測(cè)方面.在剩余壽命預(yù)測(cè)領(lǐng)域,自注意力機(jī)制已經(jīng)應(yīng)用于軸承[12]和渦扇引擎[13]的研究中.

自注意力機(jī)制本質(zhì)上是對(duì)樣本進(jìn)行權(quán)重分配,注意力函數(shù)被用來(lái)實(shí)現(xiàn)這種機(jī)制,其作用是將一個(gè)查詢向量和一組鍵值向量映射到輸出向量上.對(duì)于輸入X∈RL×d中的一個(gè)樣本向量xi∈Rd,首先計(jì)算出對(duì)應(yīng)的查詢向量、鍵向量、值向量:

(1)

(2)

(3)

(4)

為了關(guān)注不同特征在不同表征子空間的信息,通常會(huì)采用多頭注意力方式,表達(dá)式為

M(Q,K,V)=

(5)

hi=Attention(Q,K,V)i

(6)

式中:WM∈RHdk×d;dk=d/H,d為嵌入空間維度;H為多頭的數(shù)量.

但上述傳統(tǒng)自注意力的時(shí)間復(fù)雜度和空間復(fù)雜度較高.經(jīng)研究發(fā)現(xiàn),傳統(tǒng)自注意力機(jī)制不同的查詢值對(duì)應(yīng)的注意力權(quán)值分布并非全都有所側(cè)重,部分可能趨近于均勻分布,被稱為惰性分布,相應(yīng)有所側(cè)重的部分被稱為激活分布,如圖1所示.

圖1 經(jīng)典自注意力權(quán)重分布Fig.1 Canonical self-attention weight distribution

利用KL散度可以對(duì)這兩種分布度量進(jìn)行區(qū)分,得到第i個(gè)查詢向量與對(duì)應(yīng)鍵向量的近似概率分布評(píng)估函數(shù)[14]為

(7)

式(1)～(7)說(shuō)明了概率稀疏自注意力機(jī)制優(yōu)化計(jì)算效率的數(shù)學(xué)原理,為了實(shí)際對(duì)比其計(jì)算速度優(yōu)化效果,將在后文與傳統(tǒng)自注意力機(jī)制進(jìn)行對(duì)比.

1.2 基于概率稀疏自注意力與遷移學(xué)習(xí)的預(yù)測(cè)模型

基于概率稀疏自注意力機(jī)制和遷移學(xué)習(xí)構(gòu)建的剩余壽命預(yù)測(cè)模型如圖2所示.圖中,T為當(dāng)前時(shí)刻,t為起始時(shí)刻,MK-MMD為多核最大均值差異.

圖2 所提出的模型結(jié)構(gòu)Fig.2 Proposed model structure

IGBT模塊退化過(guò)程數(shù)據(jù)包含時(shí)序信息,在不使用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)結(jié)構(gòu)的情況下,位置編碼是使模型能夠有效利用這種時(shí)序信息的方法[15].對(duì)于一個(gè)輸入特征序列x=(x1, …,xL),xi∈Rf,f為提取特征維度,將其映射到高維空間得到V=(v1, …,vL),vi∈Rd,對(duì)于輸入序列的位置向量p=(0, …,i, …,L),i為序列中每個(gè)樣本的位置序號(hào),使用正余弦位置編碼方式[11]將其映射到相同維度的高維空間得到P=(p1, …,pL),pi∈Rd,最終嵌入層的輸出為

X=V+P

(8)

式(8)為多頭概率稀疏自注意模塊的輸入,使得注意力機(jī)制能充分利用數(shù)據(jù)特征信息及其潛在的時(shí)間先后關(guān)系.多頭概率稀疏自注意模塊將傳統(tǒng)多頭自注意力中單頭的注意力計(jì)算方法改為前文所述的概率稀疏注意力計(jì)算方法,并加上殘差連接,將序列中對(duì)預(yù)測(cè)結(jié)果影響更大的樣本賦予更高的權(quán)重,使模型提取到更有效的信息.后面的卷積層、池化層則是為了進(jìn)一步提取深度特征,保留有效信息,去掉冗余信息,避免全連接層參數(shù)量過(guò)大.最后的全連接層則是根據(jù)深度特征信息進(jìn)行擬合,輸出預(yù)測(cè)的剩余壽命.

IGBT模塊在不同工況下的衰退過(guò)程特征變化規(guī)律差異較大,在一個(gè)特定工況下訓(xùn)練的模型很難直接預(yù)測(cè)其他工況下IGBT模塊剩余壽命,故模型需要進(jìn)行領(lǐng)域自適應(yīng),減少源域和目標(biāo)域特征分布的差異性,使其提取到的深度特征更具有泛化性.本文在全連接網(wǎng)絡(luò)層使用MK-MMD[16]來(lái)衡量源域和目標(biāo)域的差異,多核函數(shù)定義為

(9)

式中:k為多核函數(shù);ku為單個(gè)核函數(shù);βu為每個(gè)核函數(shù)的權(quán)重,則MK-MMD計(jì)算公式為

(10)

最終該模型的優(yōu)化目標(biāo)由損失函數(shù)和MK-MMD距離組成:

(11)

式(9)～(11)說(shuō)明了領(lǐng)域自適應(yīng)原理,通過(guò)修改損失函數(shù)對(duì)模型參數(shù)優(yōu)化進(jìn)行一定限制,從而減小不同域深度特征的差異,最終提升不同域下模型的預(yù)測(cè)性能.

2 IGBT加速老化試驗(yàn)

2.1 加速老化試驗(yàn)原理

IGBT模塊在實(shí)際運(yùn)行過(guò)程中的壽命周期較長(zhǎng)[17],短時(shí)間內(nèi)很難收集到足夠的退化過(guò)程數(shù)據(jù).加速老化試驗(yàn)在保證相同失效機(jī)理的前提下,提升試驗(yàn)產(chǎn)品所承受的應(yīng)力水平,加速其失效,目的是快速獲取產(chǎn)品退化數(shù)據(jù),分析失效原理,根據(jù)高應(yīng)力下產(chǎn)品的老化規(guī)律對(duì)正常情況下的產(chǎn)品進(jìn)行壽命預(yù)測(cè)[18].

絕大部分IGBT模塊失效由熱應(yīng)力引起,加速老化試驗(yàn)通過(guò)對(duì)IGBT模塊施加熱激勵(lì)來(lái)提高熱應(yīng)力水平,從而加速其老化過(guò)程.根據(jù)應(yīng)力施加方式的不同,加速老化試驗(yàn)采用的應(yīng)力施加方式主要有恒定應(yīng)力、步進(jìn)應(yīng)力和序進(jìn)應(yīng)力[19].恒定應(yīng)力具有試驗(yàn)理論成熟、試驗(yàn)過(guò)程簡(jiǎn)單成功率高的特點(diǎn),故本文將其作為施加方式.根據(jù)熱激勵(lì)的來(lái)源,熱激勵(lì)施加方式包括主動(dòng)激勵(lì)和被動(dòng)激勵(lì)[20],前者通過(guò)提高主功率電路內(nèi)的電壓電流使器件自身發(fā)熱以達(dá)到設(shè)定溫度;后者通過(guò)改變環(huán)境溫度來(lái)使器件達(dá)到設(shè)定溫度.主動(dòng)激勵(lì)的方式無(wú)需借助恒溫箱類額外設(shè)備,試驗(yàn)方案簡(jiǎn)單、成本低且更符合實(shí)際運(yùn)行工況,故選擇主動(dòng)熱激勵(lì)的方式.

2.2 加速老化試驗(yàn)臺(tái)

根據(jù)加速老化試驗(yàn)原理,搭建加速老化試驗(yàn)臺(tái),其電路原理圖如圖3所示.圖中,GND為接地端,ENA為使能信號(hào)端,FPGA為現(xiàn)場(chǎng)可編程門(mén)陣列,PC為計(jì)算機(jī),R為電阻,L為電感.

圖3 加速老化試驗(yàn)臺(tái)電路原理圖Fig.3 Circuit schematic diagram of accelerated aging test bench

加速老化試驗(yàn)臺(tái)實(shí)物如圖4所示,核心試驗(yàn)臺(tái)根據(jù)不同層的設(shè)備,分為電源層、負(fù)載層、IGBT模塊層及驅(qū)動(dòng)數(shù)采層.溫度信號(hào)采集使用的傳感器為超細(xì)焊點(diǎn)K型熱電偶,測(cè)量范圍為-20～200 ℃,通過(guò)NI 9212采集卡將熱電偶的電壓轉(zhuǎn)化為實(shí)際溫度,電壓電流通過(guò)NI 9243采集卡進(jìn)行采集.

圖4 IGBT加速老化試驗(yàn)臺(tái)Fig.4 IGBT accelerated aging test bench

2.3 加速老化試驗(yàn)方案與結(jié)果

Smet等[21]研究發(fā)現(xiàn)結(jié)溫差ΔTj和平均結(jié)溫Tjm是決定IGBT壽命的重要因素,二者的表達(dá)式分別為

ΔTj=Tj_max-Tj_min

(12)

(13)

式中:Tj_min為結(jié)溫的最小值;Tj_max為結(jié)溫的最大值.

本文主要研究相同結(jié)溫差下不同平均結(jié)溫工況IGBT模塊焊料層疲勞導(dǎo)致的壽命問(wèn)題,瞬態(tài)熱阻是表征焊料層失效程度的關(guān)鍵參數(shù)[22],因此以其作為壽命表征參數(shù).研究表明,當(dāng)結(jié)溫差大于100 ℃時(shí),IGBT模塊以鍵合線失效為主;當(dāng)結(jié)溫差小于 80 ℃ 時(shí),以焊料層失效為主[23].將控制IGBT模塊在結(jié)溫波動(dòng)范圍為80 ℃但平均結(jié)溫不同的情況下進(jìn)行加速老化試驗(yàn),初始狀態(tài)的電流循環(huán)曲線和溫度循環(huán)曲線如圖5所示.圖中,Tj為結(jié)溫,Tp為殼溫,I為通過(guò)IGBT模塊的集射極電流.

圖5 直流老化循環(huán)曲線Fig.5 Curves of DC aging cycle

每個(gè)循環(huán)周期開(kāi)始時(shí),IGBT模塊被導(dǎo)通,結(jié)溫Tj不斷上升直至到達(dá)設(shè)定的最大值Tj_max,此時(shí)IGBT模塊被關(guān)斷并開(kāi)啟冷卻系統(tǒng),直到結(jié)溫Tj下降到設(shè)定的最小值Tj_min,如此不斷重復(fù).統(tǒng)一工況實(shí)驗(yàn)下隨著循環(huán)次數(shù)不斷增加,Tj_min和Tj_max不變,而不同工況實(shí)驗(yàn)下Tj_min和Tj_max不同.

實(shí)驗(yàn)選擇的IGBT模塊型號(hào)為英飛凌FF50R12RT4,最高工作溫度為150 ℃,額定電流為50 A.在3種工況下進(jìn)行加速老化試驗(yàn),均出現(xiàn)熱阻增加的焊料層失效形式,實(shí)驗(yàn)工況及對(duì)應(yīng)結(jié)果如表1所示.不同工況下Tj_min和Tj_max對(duì)應(yīng)圖5中的Tj_min和Tj_max,N為IGBT模塊失效時(shí)老化循環(huán)次數(shù).

表1 老化試驗(yàn)工況及結(jié)果Tab.1 Aging test conditions and results

在相同結(jié)溫差下,隨著平均結(jié)溫的增加,IGBT模塊壽命減少,符合Smet等[21]的研究結(jié)果.

IGBT模塊熱阻在其導(dǎo)通一段時(shí)間內(nèi)是變化的,為了充分利用熱阻信息,可根據(jù)下式計(jì)算時(shí)刻t模塊的瞬態(tài)熱阻:

(14)

式中:Tj(t),Tp(t)分別為t時(shí)刻IGBT模塊的結(jié)溫和殼溫;Vce_on(t),I(t)分別為t時(shí)刻IGBT模塊集射極的電壓和電流.實(shí)際采集過(guò)程只能獲得離散數(shù)據(jù),每隔0.1 s采集一次數(shù)據(jù).

以IGBT3為例,經(jīng)過(guò)不同次數(shù)老化循環(huán)周期后一個(gè)完整周期內(nèi)瞬態(tài)熱阻的變化曲線如圖6所示.實(shí)驗(yàn)初期,瞬態(tài)熱阻的變化與老化循環(huán)次數(shù)的關(guān)系并不明顯,隨著老化循環(huán)次數(shù)的繼續(xù)增加,模塊瞬態(tài)熱阻的最大值明顯不斷增加,曲線斜率也相應(yīng)變化,且瞬態(tài)熱阻上升的時(shí)間即IGBT模塊導(dǎo)通時(shí)間不斷減少,這是因?yàn)殡S著老化循環(huán)次數(shù)的增加,模塊熱阻增加,結(jié)溫上升速度會(huì)加快,從Tj_min上升到Tj_max需要的時(shí)間也會(huì)相應(yīng)減少.圖5則對(duì)應(yīng)圖6中循環(huán)次數(shù)較低熱阻曲線的電壓電流變化過(guò)程,隨著老化循環(huán)次數(shù)的增加IGBT導(dǎo)通的時(shí)間會(huì)相應(yīng)縮短.

圖6 不同老化循環(huán)次數(shù)IGBT3的瞬態(tài)熱阻Fig.6 Transient thermal resistance of IGBT3 with different aging cycles

因本文提出的預(yù)測(cè)模型只能輸入固定長(zhǎng)度的序列數(shù)據(jù),為統(tǒng)一不同老化循環(huán)次數(shù)數(shù)據(jù)序列長(zhǎng)度,取前5 s瞬態(tài)熱阻數(shù)據(jù)進(jìn)行IGBT模塊壽命預(yù)測(cè),保證數(shù)據(jù)都位于熱阻上升階段(見(jiàn)圖6),避免數(shù)據(jù)所處階段不同對(duì)預(yù)測(cè)結(jié)果造成影響.

3 實(shí)驗(yàn)與對(duì)比分析

3.1 有效數(shù)據(jù)截取

IGBT模塊與軸承等部件類似,在很長(zhǎng)時(shí)間內(nèi)會(huì)保持穩(wěn)定的健康狀態(tài)[24],這段時(shí)間內(nèi)特征信息沒(méi)有衰退信息,故無(wú)法從最初時(shí)刻開(kāi)始預(yù)測(cè)剩余壽命,而應(yīng)該從表現(xiàn)出衰退趨勢(shì)的時(shí)刻開(kāi)始預(yù)測(cè).基于導(dǎo)通后5 s內(nèi)瞬態(tài)熱阻最大值使用3σ準(zhǔn)則[25]確定模塊開(kāi)始退化的時(shí)刻,同樣以IGBT3為例進(jìn)行說(shuō)明,如圖7所示.基于前 10 000 個(gè)循環(huán)熱阻最大值計(jì)算得到3σ范圍,當(dāng)連續(xù)25個(gè)點(diǎn)超過(guò)該范圍,則認(rèn)為對(duì)應(yīng)的老化循環(huán)次數(shù)為IGBT模塊開(kāi)始退化的時(shí)刻.

圖7 IGBT3開(kāi)始退化時(shí)刻的確定Fig.7 Determination of the time when IGBT3 starting to degrade

3.2 瞬態(tài)熱阻特征提取與篩選

端到端模型對(duì)數(shù)據(jù)量要求大且會(huì)排除有用的人工設(shè)計(jì),對(duì)每個(gè)循環(huán)的瞬態(tài)熱阻數(shù)據(jù)進(jìn)行特征提取與篩選后再輸入網(wǎng)絡(luò)模型,達(dá)到簡(jiǎn)化模型的效果.共提取了22個(gè)特征,如表2所示.

表2 瞬態(tài)熱阻特征Tab.2 Features of transient thermal resistance

為了去掉與IGBT模塊退化過(guò)程無(wú)關(guān)信息,對(duì)所提特征進(jìn)行篩選.相關(guān)性可以衡量特征的變化趨勢(shì)與衰退過(guò)程的一致性,若某特征的相關(guān)性計(jì)算結(jié)果越大,說(shuō)明特征能更好地表征衰退過(guò)程的變化,表達(dá)式為

Corr=

(15)

IGBT模塊的剩余壽命應(yīng)該是關(guān)于老化循環(huán)次數(shù)單調(diào)的,若某特征單調(diào)性計(jì)算結(jié)果越大,則說(shuō)明其能更好地表征衰退過(guò)程,單調(diào)性的表達(dá)式為

(16)

式中:ΔX為特征在相鄰循環(huán)的變化值;N(ΔX>0)為變化值大于0的數(shù)量;N(ΔX<0)為變化值小于0的數(shù)量.

為了兼顧上述兩個(gè)指標(biāo),定義特征選擇標(biāo)準(zhǔn)為二者的均值:

(17)

截取每個(gè)實(shí)驗(yàn)工況下IGBT模塊處于退化狀態(tài)的數(shù)據(jù)作為有效數(shù)據(jù),分別以不同工況下有效數(shù)據(jù)進(jìn)行特征表征能力計(jì)算并最終取其平均值,設(shè)定特征選擇閾值為0.5,最終共篩選出12個(gè)有效特征作為后續(xù)模型的輸入,如圖8所示.其中,12個(gè)有效特征對(duì)應(yīng)圖中12個(gè)綠色柱狀圖.

圖8 衰退特征表征能力Fig.8 Degradation characteristic ability

3.3 模型設(shè)置

對(duì)于所有實(shí)驗(yàn)?zāi)Ｐ?輸入為篩選得到的特征序列,輸出為IGBT模塊對(duì)應(yīng)老化循環(huán)次數(shù)下的剩余壽命比例.輸入序列長(zhǎng)度設(shè)為50,即每個(gè)輸入樣本為x=(xt, …,xt+50),xy∈R12.具體輸入樣本來(lái)源于不同工況下IGBT熱阻特征向量的滑動(dòng)窗口切分,如第1個(gè)樣本為x1=(x0, …,x50),第2個(gè)樣本為x2=(x1, …,x51),其中xy為y個(gè)老化循環(huán)熱阻特征向量,因此IGBT1對(duì)應(yīng)樣本數(shù)為 148 190,IGBT2對(duì)應(yīng)樣本數(shù)為 104 249,IGBT3對(duì)應(yīng)樣本數(shù)為 68 066.訓(xùn)練集或測(cè)試集會(huì)根據(jù)工況選擇對(duì)應(yīng)IGBT切分得到的整個(gè)樣本集.

參數(shù)優(yōu)化方法選擇隨機(jī)梯度下降算法,學(xué)習(xí)率初始值設(shè)為0.01,每輪訓(xùn)練衰減為原來(lái)的1/2,每次迭代使用的數(shù)據(jù)樣本數(shù)量(batchsize)設(shè)為64,模型主要參數(shù)如表3所示.

表3 模型結(jié)構(gòu)參數(shù)Tab.3 Parameters of model structure

3.4 結(jié)果對(duì)比分析

使用提出的模型在3個(gè)實(shí)驗(yàn)工況下兩兩進(jìn)行遷移,對(duì)比了由多層感知機(jī)組成的gMLP[26]和經(jīng)典時(shí)序模型長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM這兩個(gè)無(wú)遷移模型及這兩個(gè)模型結(jié)合傳統(tǒng)遷移方法遷移成分分析(TCA)[27]和CORAL[28]的預(yù)測(cè)效果,如表4和圖9所示.為了直觀比較各模型的預(yù)測(cè)性能,選擇均方誤差MSE和平均絕對(duì)誤差(MAE)評(píng)價(jià)指標(biāo)進(jìn)行對(duì)比衡量:

表4 不同模型預(yù)測(cè)結(jié)果Tab.4 Prediction results of different models

圖9 不同模型IGBT模塊剩余壽命預(yù)測(cè)結(jié)果Fig.9 IGBT module RUL prediction results of different models

(18)

(19)

IGBT1→IGBT2為一個(gè)遷移任務(wù)案例簡(jiǎn)要敘述其意義,如圖9(a)所示.IGBT1代表源域,即有標(biāo)簽數(shù)據(jù)集合;IGBT2代表目標(biāo)域,該部分只有特征數(shù)據(jù),沒(méi)有剩余壽命標(biāo)簽;無(wú)遷移模型只使用有標(biāo)簽的源域數(shù)據(jù)進(jìn)行監(jiān)督訓(xùn)練,直接在目標(biāo)域數(shù)據(jù)上進(jìn)行預(yù)測(cè),即訓(xùn)練集為有標(biāo)簽源域數(shù)據(jù)集,測(cè)試集為目標(biāo)域數(shù)據(jù)集.本文提出模型在內(nèi)的遷移模型則在源域數(shù)據(jù)監(jiān)督學(xué)習(xí),在目標(biāo)域數(shù)據(jù)上無(wú)監(jiān)督學(xué)習(xí)并預(yù)測(cè)剩余壽命,即訓(xùn)練集為有標(biāo)簽源域數(shù)據(jù)和無(wú)標(biāo)簽?zāi)繕?biāo)域數(shù)據(jù),測(cè)試集為目標(biāo)域數(shù)據(jù).結(jié)果可知,本文提出的模型在所有遷移任務(wù)上實(shí)現(xiàn)了最好的預(yù)測(cè)效果,在IGBT模塊退化的整個(gè)過(guò)程都能較好地預(yù)測(cè)其剩余壽命.

進(jìn)一步分析發(fā)現(xiàn)進(jìn)行實(shí)驗(yàn)的無(wú)遷移模型和遷移模型都能在IGBT模塊衰退后期較好地預(yù)測(cè)剩余壽命,說(shuō)明提取的IGBT模塊的瞬態(tài)熱阻特征在衰退后期的變化規(guī)律比較一致,差異性較小,而早期特征則有較大差異,因此遷移模型在大部分任務(wù)上的預(yù)測(cè)效果要明顯優(yōu)于無(wú)遷移模型.IGBT1和IGBT2的實(shí)驗(yàn)平均結(jié)溫較接近,所有對(duì)比方法在這兩個(gè)工況之間的任務(wù)預(yù)測(cè)效果都優(yōu)于其他任務(wù),符合實(shí)際情況,而這兩個(gè)IGBT模塊的實(shí)驗(yàn)工況與剩余一個(gè)工況差別都較大,對(duì)比方法效果均出現(xiàn)明顯下降,CORAL+LSTM方法甚至在IGBT3→IGBT2和IGBT3→IGBT1任務(wù)中出現(xiàn)了明顯的負(fù)遷移現(xiàn)象, 證明IGBT3模塊的實(shí)驗(yàn)數(shù)據(jù)與其余兩個(gè)模塊數(shù)據(jù)域間差距大,且CORAL方法無(wú)法有效地將它們的數(shù)據(jù)映射到一個(gè)合適的空間來(lái)減小這種差距.

為驗(yàn)證本文模型使用MK-MMD進(jìn)行領(lǐng)域自適應(yīng)的必要性,在6個(gè)任務(wù)上進(jìn)行領(lǐng)域自適應(yīng)前(不使用MK-MMD,直接在源域上訓(xùn)練,目標(biāo)域上預(yù)測(cè))和領(lǐng)域自適應(yīng)后的結(jié)果對(duì)比,如圖10所示.領(lǐng)域自適應(yīng)后,模型預(yù)測(cè)結(jié)果的MSE和MAE相比領(lǐng)域自適應(yīng)前均有不同程度下降,在IGBT1和IGBT2的相互遷移上提升最小,與前文所述工況相近,無(wú)遷移模型預(yù)測(cè)效果相對(duì)較好;其他遷移任務(wù)上由于工況差別較大,不使用MK-MMD進(jìn)行領(lǐng)域自適應(yīng)模型很難學(xué)習(xí)到目標(biāo)域下特征在衰退過(guò)程中的變化趨勢(shì);同時(shí),從嚴(yán)苛工況到相對(duì)寬松工況的遷移效果更好,例如IGBT3→IGBT1優(yōu)于IGBT1→IGBT3,IGBT3→IGBT2優(yōu)于IGBT3→IGBT2,分析認(rèn)為是嚴(yán)苛工況下短時(shí)間內(nèi)退化信息更明顯、信噪比更高、噪聲影響更小,模型能夠?qū)W習(xí)到更有效的特征.

圖10 領(lǐng)域自適應(yīng)前后結(jié)果對(duì)比Fig.10 Comparison of results before and after domain adaptation

為了更直觀顯示MK-MMD對(duì)模型提取特征的影響,使用t分布隨機(jī)近鄰嵌入(t-SNE)將領(lǐng)域自適應(yīng)前后源域和目標(biāo)域數(shù)據(jù)在全連接第一層的特征向量降至2維,數(shù)據(jù)從剩余壽命比例由1到0對(duì)應(yīng)的樣本中均勻抽樣.

領(lǐng)域自適應(yīng)前,IGBT模塊不斷老化過(guò)程中,目標(biāo)域和源域的深度特征整體分布有很大差異,只有在老化到一定程度時(shí),特征變化才有相對(duì)接近的變化趨勢(shì),與前文實(shí)驗(yàn)結(jié)果顯示的所有模型在老化后半段預(yù)測(cè)效果相對(duì)更好的現(xiàn)象符合,如圖11(a)所示.領(lǐng)域自適應(yīng)后,在整個(gè)衰退過(guò)程中,模型學(xué)習(xí)到的目標(biāo)域深度特征和源域分布都較接近,因此使用MK-MMD進(jìn)行領(lǐng)域自適應(yīng)是必要的,如圖11(b)所示.圖11中顏色從深到淺表示輸入樣本的剩余生命比例標(biāo)簽從1到0.

圖11 領(lǐng)域自適應(yīng)前后全連接層源域和目標(biāo)域的特征表示Fig.11 Feature representation of source domain and target domain of fully connected layer before and after domain adaptation

為驗(yàn)證概率稀疏自注意力機(jī)制相比傳統(tǒng)自注意力機(jī)制在降低計(jì)算開(kāi)銷(xiāo)、加快計(jì)算速度的同時(shí),也能很好保持預(yù)測(cè)性能,將模型的注意力模塊替換為傳統(tǒng)注意力模塊,并分別在6個(gè)遷移任務(wù)下進(jìn)行多次實(shí)驗(yàn),得到了每種遷移任務(wù)下相對(duì)表4中4種對(duì)比方法表現(xiàn)最差的預(yù)測(cè)結(jié)果提升,如圖12所示,以及單次迭代(batch)下使用兩種注意力機(jī)制模型的平均計(jì)算時(shí)間對(duì)比(GPU為RTX3070),如表5所示.

表5 平均計(jì)算時(shí)間對(duì)比Tab.5 Computational speed comparison

圖12 預(yù)測(cè)性能提升對(duì)比Fig.12 Comparison of prediction performance improvement

使用概率稀疏自注意力機(jī)制的模型相比使用傳統(tǒng)自注意力機(jī)制的模型在訓(xùn)練時(shí)間和推理時(shí)間上都縮短了超過(guò)30%,而二者在預(yù)測(cè)性能上基本相當(dāng),MSE提升幅度最大相差不超過(guò)10%,MAE提升幅度最大相差不超過(guò)13%,因此概率稀疏自注意力機(jī)制在大幅提升計(jì)算速度的情況下仍保持了優(yōu)秀的預(yù)測(cè)性能.

4 結(jié)語(yǔ)

為了實(shí)現(xiàn)更準(zhǔn)確的IGBT剩余壽命預(yù)測(cè)來(lái)提高其可靠性,在不同工況下對(duì)IGBT模塊進(jìn)行了加速老化試驗(yàn),提出了一種基于概率稀疏自注意力機(jī)制和遷移學(xué)習(xí)的方法,利用瞬態(tài)熱阻在模塊衰退過(guò)程的變化數(shù)據(jù),實(shí)現(xiàn)了IGBT模塊剩余壽命的跨工況預(yù)測(cè).該方法能夠減小目標(biāo)域樣本和源域樣本深度特征分布的差異,從而在所有遷移任務(wù)上達(dá)到最優(yōu)效果,大幅提升了IGBT模塊早期衰退過(guò)程中的剩余壽命預(yù)測(cè)精度,同時(shí)證明了兩個(gè)相近工況模型遷移較容易,而兩個(gè)相差較大的工況,從更嚴(yán)苛的工況遷移到更寬松的工況與反向遷移相比提升更加明顯.