萬(wàn)慶祝 于佳松 佟慶彬 閔現(xiàn)娟

基于Bo-BiLSTM網(wǎng)絡(luò)的IGBT老化失效預(yù)測(cè)方法

萬(wàn)慶祝1于佳松1佟慶彬2閔現(xiàn)娟1

（1. 北方工業(yè)大學(xué)電氣與控制工程學(xué)院，北京 100144； 2. 北京交通大學(xué)電氣工程學(xué)院，北京 100044）

針對(duì)絕緣柵雙極型晶體管（IGBT）受熱應(yīng)力沖擊后對(duì)其進(jìn)行老化失效預(yù)測(cè)精度不高的情況，提出一種基于貝葉斯優(yōu)化（Bo）-雙向長(zhǎng)短期記憶（BiLSTM）網(wǎng)絡(luò)的IGBT老化失效預(yù)測(cè)方法。首先分析IGBT模塊老化失效原理，然后基于NASA老化實(shí)驗(yàn)數(shù)據(jù)集建立失效特征數(shù)據(jù)庫(kù)，最后利用Matlab軟件構(gòu)造Bo-BiLSTM網(wǎng)絡(luò)預(yù)測(cè)失效特征參數(shù)數(shù)據(jù)。選取常用回歸預(yù)測(cè)性能評(píng)估指標(biāo)將長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)模型、BiLSTM網(wǎng)絡(luò)模型與Bo-BiLSTM網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析。結(jié)果表明，Bo-BiLSTM網(wǎng)絡(luò)的模型擬合精度更高，基于Bo-BiLSTM網(wǎng)絡(luò)的IGBT老化失效預(yù)測(cè)方法具有較好的預(yù)測(cè)效果，能夠應(yīng)用于IGBT的失效預(yù)測(cè)。

絕緣柵雙極型晶體管（IGBT）；貝葉斯優(yōu)化；雙向長(zhǎng)短期記憶（BiLSTM）網(wǎng)絡(luò)；老化失效預(yù)測(cè)

0 引言

絕緣柵雙極型晶體管（insulated gate bipolar transistor, IGBT）模塊在風(fēng)力發(fā)電、柔性交流輸電、電機(jī)牽引及航空等高壓大功率變流器系統(tǒng)中被廣泛應(yīng)用[1]。作為電力電子系統(tǒng)中最易發(fā)生故障的器件之一，IGBT故障可分為突發(fā)性失效和老化失效[2]，若IGBT老化失效不能被提前發(fā)現(xiàn)，就會(huì)導(dǎo)致系統(tǒng)發(fā)生故障，使整個(gè)系統(tǒng)陷入癱瘓狀態(tài)，造成不可預(yù)估的損失。因此，對(duì)IGBT模塊進(jìn)行失效預(yù)測(cè)是提高其工作可靠性的一種重要手段。

從IGBT失效預(yù)測(cè)模型和機(jī)理的角度分析，IGBT模塊失效預(yù)測(cè)方法可分為三類：基于解析模型的方法、基于物理模型的方法及基于數(shù)據(jù)驅(qū)動(dòng)的方法[3]?；诮馕瞿Ｐ偷姆椒ㄍㄟ^(guò)建立數(shù)學(xué)模型來(lái)描述IGBT的工作特性和行為，進(jìn)而實(shí)現(xiàn)失效預(yù)測(cè)。基于物理模型的方法通過(guò)構(gòu)建IGBT有限元模型實(shí)現(xiàn)對(duì)模塊的失效預(yù)測(cè)[4]?；跀?shù)據(jù)驅(qū)動(dòng)的方法與其他兩類方法不同，其僅利用IGBT模塊的歷史老化失效數(shù)據(jù)便可完成對(duì)模塊的失效預(yù)測(cè)分析。常見(jiàn)的幾種失效特征參數(shù)主要包括集電極-發(fā)射極電壓、集電極電流、門(mén)極-發(fā)射極電壓及IGBT結(jié)溫[5]。文獻(xiàn)[6]通過(guò)對(duì)IGBT失效機(jī)理進(jìn)行分析，建立了考慮耦合效應(yīng)的IGBT仿真模型，并對(duì)IGBT進(jìn)行了失效預(yù)測(cè)，但模塊失效預(yù)測(cè)過(guò)程中的參數(shù)計(jì)算和變量獲取較復(fù)雜。文獻(xiàn)[7]基于IGBT物理模型內(nèi)部的參數(shù)結(jié)構(gòu)，利用有限元仿真方法對(duì)IGBT模塊鍵合線和焊料層進(jìn)行老化失效分析，但由于IGBT內(nèi)部材料復(fù)雜，失效位置難以精確定位，導(dǎo)致模型搭建較為困難，并且還需要綜合考慮焊料層、鍵合線及其他失效因素的影響。文獻(xiàn)[8]通過(guò)長(zhǎng)短期記憶（long short term memory, LSTM）網(wǎng)絡(luò)進(jìn)行IGBT失效預(yù)測(cè)，但傳統(tǒng)的LSTM網(wǎng)絡(luò)參數(shù)較多，動(dòng)態(tài)適應(yīng)度低。文獻(xiàn)[9]基于優(yōu)化長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)，利用IGBT加速老化實(shí)驗(yàn)數(shù)據(jù)完成了模塊的失效預(yù)測(cè)，但由于僅對(duì)一種失效數(shù)據(jù)進(jìn)行預(yù)測(cè)，因此預(yù)測(cè)模型存在偶然性。

本文采用基于數(shù)據(jù)驅(qū)動(dòng)的方法，提出一種基于貝葉斯優(yōu)化（Bayesian optimization, Bo）-雙向長(zhǎng)短期記憶（bi-directional long short term memory, BiLSTM）網(wǎng)絡(luò)的IGBT老化失效預(yù)測(cè)方法，以集電極-發(fā)射極電壓、封裝溫度、集電極電流作為失效特征參數(shù)，搭建BiLSTM網(wǎng)絡(luò)，并利用Bo算法對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化，以降低預(yù)測(cè)模型的不確定性及系統(tǒng)噪聲干擾，提高網(wǎng)絡(luò)的動(dòng)態(tài)適應(yīng)性，實(shí)現(xiàn)失效數(shù)據(jù)的高精度預(yù)測(cè)。

1 IGBT模塊老化失效原理

IGBT由芯片層、焊錫層、DBC（directed bonding copper）層與銅基板組成[10]。IGBT模塊主要的失效位置包含鍵合線根部、芯片金屬化層及材料之間的焊接層。IGBT模塊封裝結(jié)構(gòu)如圖1所示。

IGBT的失效主要與以下幾個(gè)因素有關(guān)：

1）過(guò)熱。當(dāng)IGBT的結(jié)溫超過(guò)其最大允許溫度時(shí)，會(huì)導(dǎo)致器件性能退化，甚至燒毀。過(guò)熱通常由電流過(guò)大、散熱不良或驅(qū)動(dòng)電路問(wèn)題引起。

圖1 IGBT模塊封裝結(jié)構(gòu)

2）過(guò)電流。流經(jīng)IGBT的電流超過(guò)其額定電流時(shí)，會(huì)產(chǎn)生大量的熱量，導(dǎo)致器件溫度升高，可能引發(fā)失效。過(guò)電流通常由負(fù)載短路、驅(qū)動(dòng)電路故障或電路設(shè)計(jì)不當(dāng)?shù)仍蛞稹?/p>

3）過(guò)電壓。當(dāng)IGBT承受的電壓超過(guò)其額定電壓時(shí)，會(huì)導(dǎo)致器件擊穿和損壞。過(guò)電壓可能由開(kāi)關(guān)操作過(guò)程中的瞬態(tài)過(guò)電壓、雷擊等引起。

4）瞬態(tài)過(guò)電流。在運(yùn)行過(guò)程中，IGBT可能承受瞬態(tài)過(guò)電流，如續(xù)流二極管的反向恢復(fù)電流、緩沖電容器的放電電流等。雖然這些瞬態(tài)過(guò)電流持續(xù)時(shí)間較短，但如果不采取措施，會(huì)增加IGBT的負(fù)擔(dān)，導(dǎo)致器件失效。

5）驅(qū)動(dòng)電路。驅(qū)動(dòng)電路的工作頻率、輸出電壓的上升/下降沿速率與IGBT開(kāi)關(guān)速率不匹配，或輔助電源平均輸出功率、峰值功率不足等，都可能導(dǎo)致IGBT無(wú)法正常工作，出現(xiàn)失效。

6）制造工藝、材料及使用環(huán)境。如果在制造過(guò)程中存在工藝控制問(wèn)題或使用了不合格的材料，可能導(dǎo)致IGBT的早期失效。溫度、濕度、機(jī)械應(yīng)力等環(huán)境因素也可能影響IGBT的性能和使用壽命，從而引發(fā)失效。

1.1 物理失效分析

物理失效是指IGBT正常工作時(shí)受內(nèi)部熱應(yīng)力影響導(dǎo)致材料發(fā)生變形，最終導(dǎo)致其無(wú)法正常使用。物理失效主要有鍵合線老化、金屬化層重構(gòu)及焊接層退化[11]。

1）鍵合線老化

鍵合線老化主要有鍵合線脫落和鍵合線斷裂兩種情況，如圖2所示。在正常工作時(shí)，IGBT受溫度變換產(chǎn)生的熱應(yīng)力的影響，鍵合線會(huì)發(fā)生剝離現(xiàn)象而引發(fā)故障，從而導(dǎo)致IGBT模塊老化失效。

2）金屬化層重構(gòu)

隨著IGBT功率循環(huán)次數(shù)的增加，芯片表面鋁金屬層出現(xiàn)退化、晶粒增大、鋁層擠壓的現(xiàn)象，金屬化層重構(gòu)會(huì)造成層電阻增加，從而導(dǎo)致飽和壓降參數(shù)上升，造成局部熱點(diǎn)或燒熔。IGBT金屬化層重構(gòu)情況如圖3所示。

圖2 IGBT鍵合線老化

圖3 IGBT金屬化層重構(gòu)情況

3）焊接層退化

IGBT模塊內(nèi)部，DBC與芯片、DBC與基板之間的連接目前大多通過(guò)焊接完成，長(zhǎng)期的熱循環(huán)應(yīng)力會(huì)導(dǎo)致焊接層脆化、開(kāi)裂。IGBT焊接層破裂情況如圖4所示。

圖4 IGBT焊接層破裂情況

1.2 電氣失效分析

IGBT的電氣失效是指在IGBT工作過(guò)程中，受元件內(nèi)部的電壓和電流等作用，致使IGBT失效。電氣失效的形式有電氣過(guò)應(yīng)力失效、靜電荷放電失效和閂鎖效應(yīng)失效[12]。

1）電氣過(guò)應(yīng)力失效

IGBT電氣過(guò)應(yīng)力失效是指由于過(guò)電壓、過(guò)電流等電氣應(yīng)力超過(guò)IGBT的承受能力而導(dǎo)致的失效。IGBT在關(guān)斷過(guò)程中會(huì)產(chǎn)生集電極-發(fā)射極過(guò)電壓尖峰，導(dǎo)致器件發(fā)生短路，無(wú)法正常運(yùn)行。

產(chǎn)生過(guò)電壓尖峰的IGBT關(guān)斷過(guò)程可分為換流過(guò)程和振蕩過(guò)程兩部分[13]。關(guān)斷過(guò)程的吸收電路如圖5所示，圖中dc為直流支撐電容，c為直流支撐電容器的寄生電感，s為直流母線雜散電感，Q1、Q2分別為IGBT上、下橋臂，VD1、VD2為上、下橋臂的續(xù)流二極管，Q1、Q2為IGBT上下橋臂的寄生電感，snb為吸收電容，snb為吸收電路的寄生電感。

圖5 關(guān)斷過(guò)程吸收電路

對(duì)于換流過(guò)程，IGBT在關(guān)斷過(guò)程中，主電流dc分流為流過(guò)電感Q1的電流1和流過(guò)電容snb的電流c兩部分，橋臂Q1、Q2與snb構(gòu)成回路，snb產(chǎn)生關(guān)斷尖峰電壓Dp1。

式中，2為流過(guò)電感Q2的電流。

對(duì)于振蕩過(guò)程，當(dāng)換流過(guò)程結(jié)束后，開(kāi)關(guān)管Q1完全截止，吸收電容snb與直流支撐電容器的寄生電感c、直流母線雜散電感s及吸收電路寄生電感snb產(chǎn)生諧振，由此產(chǎn)生第二個(gè)電壓尖峰Dp2。

2）靜電荷放電失效

器件正常工作情況下會(huì)累積電荷，在電荷放電過(guò)程中可能擊穿器件材料層，此時(shí)當(dāng)IGBT的門(mén)極或輸入端受到靜電荷沖擊時(shí)，可能會(huì)導(dǎo)致其內(nèi)部的電路或元件損壞，從而引發(fā)失效。

3）閂鎖效應(yīng)失效

當(dāng)集電極電流增大到一定程度時(shí)，寄生晶閘管受正向偏置電壓影響導(dǎo)通，門(mén)極失去控制作用，形成自鎖現(xiàn)象，由此導(dǎo)致集電極電流上升，引起較大的功率損耗，加速失效現(xiàn)象發(fā)生。

1.3 IGBT失效延遲方法

延遲IGBT失效的方法可以從多個(gè)方面入手，具體包括：

1）散熱管理。過(guò)熱是導(dǎo)致IGBT失效的主要因素之一，因此散熱管理至關(guān)重要。可以采用更有效的散熱方案，如優(yōu)化散熱器設(shè)計(jì)、增加散熱面積、提高散熱效率等，以降低IGBT的工作溫度，避免過(guò)熱損壞。

2）電流控制。合理控制IGBT的電流大小和變化率，避免超出IGBT的額定電流和電流變化率的范圍。可以采用適當(dāng)?shù)尿?qū)動(dòng)電路和驅(qū)動(dòng)參數(shù)，以保證IGBT工作在安全范圍內(nèi)。

3）電壓控制。避免IGBT承受超出其額定電壓的過(guò)電壓或浪涌電壓，可以在IGBT兩端并聯(lián)適當(dāng)?shù)奈针娐坊虿捎眠m當(dāng)?shù)谋Ｗo(hù)措施，以吸收過(guò)電壓或浪涌電壓。

4）可靠性設(shè)計(jì)。在IGBT的可靠性設(shè)計(jì)方面，可以采用冗余設(shè)計(jì)、故障診斷和隔離等技術(shù)，提高IGBT的可靠性和穩(wěn)定性。

5）制造工藝控制。加強(qiáng)制造過(guò)程中的質(zhì)量控制和工藝控制，保證IGBT的質(zhì)量和性能。可以采用適當(dāng)?shù)暮Y選和測(cè)試方法，剔除早期失效的IGBT器件。

6）使用環(huán)境控制。確保IGBT在使用環(huán)境中不會(huì)受到過(guò)大的溫度、濕度、壓力等環(huán)境因素的影響，避免環(huán)境因素對(duì)IGBT的性能和使用壽命產(chǎn)生不良影響。

1.4 IGBT失效參數(shù)選擇

1）集電極-發(fā)射極電壓

IGBT集電極-發(fā)射極的瞬時(shí)尖峰電壓是由于開(kāi)關(guān)過(guò)程中集電極電流的變化率在集電極引線上產(chǎn)生的電壓振蕩導(dǎo)致的。河北工業(yè)大學(xué)孔梅娟等學(xué)者通過(guò)老化實(shí)驗(yàn)分析表明，隨著IGBT退化，尖峰電壓趨勢(shì)逐漸衰減[14]。北京交通大學(xué)孫梓涵[15]、合肥工業(yè)大學(xué)劉嘉誠(chéng)[16]等學(xué)者基于NASA的通過(guò)老化實(shí)驗(yàn)分析了尖峰電壓的衰減趨勢(shì)：在IGBT完全老化失效時(shí)，尖峰電壓最終衰減到某一穩(wěn)定值。集電極-發(fā)射極關(guān)斷瞬時(shí)尖峰電壓衰減波形如圖6所示。

2）集電極電流

由于集電極-發(fā)射極瞬時(shí)尖峰電壓的存在，導(dǎo)致關(guān)斷電流迅速下降，隨著IGBT老化，集電極電流下降趨勢(shì)受關(guān)斷時(shí)間的影響陡度逐漸變大。武漢大學(xué)王晨苑[17]、華北電力大學(xué)范迦羽[18]等學(xué)者設(shè)計(jì)功率循環(huán)加速老化試驗(yàn)得到：隨著循環(huán)次數(shù)的上升，集電極拖尾電流變高，拖尾現(xiàn)象惡化。集電極電流變化波形如圖7所示。

圖6 集電極-發(fā)射極關(guān)斷瞬時(shí)尖峰電壓衰減波形

圖7 循環(huán)次數(shù)增加對(duì)IGBT集電極電流拖尾現(xiàn)象的影響

3）IGBT封裝溫度

伴隨IGBT的老化失效，其溫度值波動(dòng)逐漸增大，進(jìn)一步加速器件老化失效。河北工業(yè)大學(xué)劉伯穎[19]、重慶大學(xué)劉人寬[20]等學(xué)者通過(guò)IGBT加速老化實(shí)驗(yàn)得到：隨著IGBT老化失效，封裝溫度波動(dòng)逐漸增大，當(dāng)IGBT完全老化失效時(shí)，溫度值不斷攀升趨近于無(wú)窮直到試驗(yàn)結(jié)束。IGBT的老化失效模塊溫度變化如圖8所示。

圖8 不同循環(huán)次數(shù)下模塊溫度隨時(shí)間的變化曲線

以上對(duì)IGBT器件老化失效的三種特征參數(shù)的分析表明，集電極-發(fā)射極電壓、集電極電流及封裝溫度與IGBT器件老化失效之間存在聯(lián)系，并且三種特征參數(shù)在工作情況下便于提取，可以作為IGBT老化失效預(yù)測(cè)的特征參數(shù)。

2 IGBT加速老化試驗(yàn)分析

2.1 加速老化試驗(yàn)裝置及試驗(yàn)參數(shù)

NASA中心通過(guò)進(jìn)行加速老化試驗(yàn)來(lái)探究IGBT的老化失效過(guò)程，并為其失效診斷提供試驗(yàn)依據(jù)。IGBT加速老化試驗(yàn)裝置如圖9所示。該試驗(yàn)對(duì)類型為IRF—G4BC30KD的IGBT施加門(mén)極高壓，直到包裝溫度高于上限值。加速老化試驗(yàn)參數(shù)見(jiàn)表1。

圖9 IGBT加速老化試驗(yàn)裝置

表1 加速老化試驗(yàn)參數(shù)

2.2 NASA加速老化試驗(yàn)數(shù)據(jù)

NASA中心公布的加速老化試驗(yàn)數(shù)據(jù)集變化過(guò)程如圖10～圖12所示。根據(jù)NASA實(shí)驗(yàn)室所提供的加速老化試驗(yàn)數(shù)據(jù)可以看出，集電極-發(fā)射極電壓、封裝溫度及集電極電流都有明顯的變化趨勢(shì)。

1）集電極-發(fā)射極電壓

加速老化試驗(yàn)?zāi)┢诘募姌O-發(fā)射極電壓曲線如圖10所示。隨著溫度升高，IGBT內(nèi)部PNP晶體管的電流增益變大，逐漸增加模塊的開(kāi)關(guān)時(shí)間，并且集電極-發(fā)射極關(guān)斷瞬時(shí)尖峰電壓上升趨勢(shì)也逐漸衰減。在IGBT老化末期，其集電極-發(fā)射極關(guān)斷瞬時(shí)尖峰電壓發(fā)生變化，IGBT逐漸趨于失效狀態(tài)。

2）封裝溫度

加速老化試驗(yàn)?zāi)┢诘姆庋b溫度曲線如圖11所示。隨著老化試驗(yàn)的進(jìn)行，IGBT長(zhǎng)時(shí)間工作在高溫、高壓的環(huán)境下，致使其材料層發(fā)生膨脹斷裂現(xiàn)象，導(dǎo)致IGBT逐漸老化失效。圖11中從第300 000個(gè)樣本點(diǎn)開(kāi)始，模塊溫度波動(dòng)不斷增大，器件逐步老化失效。

圖10 加速老化試驗(yàn)?zāi)┢诩姌O-發(fā)射極電壓曲線

圖11 加速老化試驗(yàn)?zāi)┢诜庋b溫度曲線

圖12 加速老化試驗(yàn)?zāi)┢诩姌O電流曲線

3）集電極電流

加速老化試驗(yàn)?zāi)┢诘募姌O電流曲線如圖12所示，隨著IGBT逐漸退化失效，IGBT關(guān)斷后的集電極電流波形發(fā)生改變。圖12中在300 000個(gè)樣本點(diǎn)之后，IGBT模塊逐漸老化失效，最終形成拖尾電流曲線。

2.3 建立失效特征數(shù)據(jù)庫(kù)

對(duì)上述失效特征分別構(gòu)建集電極-發(fā)射極電壓值ce、封裝溫度p及集電極電流ce三種失效特征數(shù)據(jù)庫(kù)。分別選取老化結(jié)束時(shí)的4 000個(gè)瞬態(tài)數(shù)據(jù)作為樣本數(shù)據(jù)，特征數(shù)據(jù)庫(kù)見(jiàn)表2。

表2 特征數(shù)據(jù)庫(kù)

3 基于貝葉斯優(yōu)化的BiLSTM預(yù)測(cè)模型

3.1 BiLSTM網(wǎng)絡(luò)模型結(jié)構(gòu)

LSTM算法用于處理和預(yù)測(cè)高度時(shí)間相關(guān)的強(qiáng)耦合事件，但LSTM網(wǎng)絡(luò)模型適應(yīng)性較低。不同于LSTM網(wǎng)絡(luò)，BiLSTM的主體結(jié)構(gòu)由2個(gè)獨(dú)立的正、反向LSTM構(gòu)成，可對(duì)樣本失效數(shù)據(jù)進(jìn)行雙向訓(xùn)練。BiLSTM結(jié)構(gòu)示意圖如圖13所示。

圖13 BiLSTM結(jié)構(gòu)示意圖

3.2 貝葉斯優(yōu)化

貝葉斯優(yōu)化分為高斯過(guò)程回歸（Gaussian process regression, GPR）與采集函數(shù)計(jì)算。高斯過(guò)程回歸可得到函數(shù)值的均值和方差，根據(jù)均值和方差構(gòu)造采集函數(shù)，用于決定本次迭代采樣點(diǎn)。

1）高斯過(guò)程回歸

高斯過(guò)程回歸是使用高斯過(guò)程先驗(yàn)對(duì)數(shù)據(jù)進(jìn)行回歸分析的非參數(shù)模型，其模型假設(shè)包括噪聲和高斯過(guò)程先驗(yàn)兩部分，其求解按貝葉斯推斷進(jìn)行。

2）采集函數(shù)

采集函數(shù)用于產(chǎn)生下次待預(yù)測(cè)的觀測(cè)點(diǎn)，該函數(shù)根據(jù)高斯過(guò)程回歸算得的均值和協(xié)方差數(shù)據(jù)集，確定迭代后的下一個(gè)樣本點(diǎn)。

3.3 Bo-BiLSTM網(wǎng)絡(luò)參數(shù)優(yōu)化

由于BiLSTM網(wǎng)絡(luò)中參數(shù)較多，為了使其達(dá)到參數(shù)最優(yōu)狀態(tài)，采用Bo算法優(yōu)化網(wǎng)絡(luò)中的幾個(gè)重要參數(shù)，使優(yōu)化過(guò)的參數(shù)與網(wǎng)絡(luò)能夠最佳契合，實(shí)現(xiàn)高精度預(yù)測(cè)。

貝葉斯優(yōu)化的超參數(shù)選取公式為

設(shè)Error函數(shù)為BiLSTM模型的預(yù)測(cè)誤差率函數(shù)，有

式中：為樣本總組數(shù)；為所有樣本中預(yù)測(cè)值與真實(shí)值一致的樣本組數(shù)。

BiLSTM權(quán)重更新公式為

3.4 基于Bo-BiLSTM網(wǎng)絡(luò)的IGBT老化失效預(yù)測(cè)方法

Bo-BiLSTM網(wǎng)絡(luò)的建模與預(yù)測(cè)流程如圖14所示。首先，獲取IGBT加速老化試驗(yàn)中的老化失效數(shù)據(jù)，經(jīng)數(shù)據(jù)平滑處理后分為訓(xùn)練集和測(cè)試集。其次，通過(guò)Bo算法對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行超參數(shù)調(diào)整，得到最優(yōu)超參數(shù)反饋至BiLSTM網(wǎng)絡(luò)，對(duì)其進(jìn)行重構(gòu)。最后，對(duì)測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè)。

圖14 Bo-BiLSTM網(wǎng)絡(luò)的建模與預(yù)測(cè)流程

模型的優(yōu)化過(guò)程可分為以下幾步：

2）選取BiLSTM模型失效預(yù)測(cè)誤差率來(lái)得到貝葉斯算法的初始觀測(cè)值。

3）運(yùn)用高斯過(guò)程回歸對(duì)得到的初始觀測(cè)值進(jìn)行估計(jì)，確定下一個(gè)觀測(cè)點(diǎn)。

4）根據(jù)采集函數(shù)進(jìn)行最優(yōu)參數(shù)的選取，直到迭代結(jié)束。

5）將由貝葉斯優(yōu)化算法所得到的最優(yōu)參數(shù)代入BiLSTM網(wǎng)絡(luò)進(jìn)行參數(shù)重構(gòu)。

6）將最優(yōu)參數(shù)代入BiLSTM模型，對(duì)測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè)，獲得預(yù)測(cè)結(jié)果并加以分析。

4 結(jié)果分析

4.1 模型預(yù)測(cè)標(biāo)準(zhǔn)

模型擬合優(yōu)度2、方均根誤差（root mean square error, RMSE）與平均絕對(duì)誤差（mean absolute error, MAE）可以評(píng)估IGBT老化失效預(yù)測(cè)算法的性能。2顯示數(shù)據(jù)與回歸模型的擬合程度；RMSE表示誤差的平均值，反映模型的穩(wěn)定性；MAE能夠準(zhǔn)確反映實(shí)際預(yù)測(cè)誤差的大小。其表達(dá)式分別為

4.2 貝葉斯優(yōu)化尋優(yōu)結(jié)果

貝葉斯優(yōu)化尋優(yōu)結(jié)果如圖15所示。貝葉斯優(yōu)化算法通過(guò)采集函數(shù)計(jì)算不斷迭代更新，采集函數(shù)的計(jì)算次數(shù)為50次，迭代到50次時(shí)觀測(cè)到的最小目標(biāo)值與估計(jì)的最小目標(biāo)值的差值基本穩(wěn)定在0.002左右，根據(jù)采集函數(shù)的結(jié)果選擇新的超參數(shù)組合進(jìn)行評(píng)估，使BiLSTM網(wǎng)絡(luò)模型達(dá)到最優(yōu)，所預(yù)測(cè)結(jié)果更準(zhǔn)確。

圖15 貝葉斯優(yōu)化尋優(yōu)結(jié)果

4.3 失效預(yù)測(cè)結(jié)果

將三種失效特征數(shù)據(jù)序列的前60%作為訓(xùn)練集，后40%作為測(cè)試集，延時(shí)步長(zhǎng)設(shè)置為30，最大訓(xùn)練次數(shù)為500。

1）集電極-發(fā)射極電壓

三種網(wǎng)絡(luò)模型的集電極-發(fā)射極電壓預(yù)測(cè)結(jié)果分別如圖16～圖18所示，預(yù)測(cè)指標(biāo)對(duì)比見(jiàn)表3。

由表3可知，Bo-BiLSTM網(wǎng)絡(luò)的模型擬合優(yōu)度2為0.992 0，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別提高了0.030 1和0.032 0；Bo-BiLSTM網(wǎng)絡(luò)的方均根誤差為0.263 1V，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別降低了0.084 1V和0.137 7V；Bo-BiLSTM網(wǎng)絡(luò)的平均絕對(duì)誤差為0.117 1V，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別降低了0.059 9V和0.135 0V。

圖16 Bo-BiLSTM網(wǎng)絡(luò)模型的集電極-發(fā)射極電壓預(yù)測(cè)結(jié)果

圖17 BiLSTM網(wǎng)絡(luò)模型的集電極-發(fā)射極電壓預(yù)測(cè)結(jié)果

圖18 LSTM網(wǎng)絡(luò)模型的集電極-發(fā)射極電壓預(yù)測(cè)結(jié)果

表3 集電極-發(fā)射極電壓預(yù)測(cè)模型預(yù)測(cè)指標(biāo)對(duì)比

2）封裝溫度

三種網(wǎng)絡(luò)模型的封裝溫度預(yù)測(cè)結(jié)果分別如圖19～圖21所示，預(yù)測(cè)指標(biāo)對(duì)比見(jiàn)表4。

圖19 Bo-BiLSTM網(wǎng)絡(luò)模型的封裝溫度預(yù)測(cè)結(jié)果

圖20 BiLSTM網(wǎng)絡(luò)模型的封裝溫度預(yù)測(cè)結(jié)果

圖21 LSTM網(wǎng)絡(luò)模型的封裝溫度預(yù)測(cè)結(jié)果

表4 封裝溫度預(yù)測(cè)模型預(yù)測(cè)指標(biāo)對(duì)比

由表4可知，Bo-BiLSTM網(wǎng)絡(luò)的模型擬合優(yōu)度2為0.996 6，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別提高了0.076 4和0.092 4；Bo-BiLSTM網(wǎng)絡(luò)的方均根誤差為0.280 6℃，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別降低了0.075 3℃和0.120 2℃；Bo-BiLSTM網(wǎng)絡(luò)的平均絕對(duì)誤差為0.043 8℃，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別降低了0.028 4℃和0.083 7℃。

3）集電極電流

三種網(wǎng)絡(luò)模型的集電極電流預(yù)測(cè)結(jié)果分別如圖22～圖24所示，預(yù)測(cè)指標(biāo)對(duì)比見(jiàn)表5。

圖22 Bo-BiLSTM網(wǎng)絡(luò)模型的集電極電流預(yù)測(cè)結(jié)果

圖23 BiLSTM網(wǎng)絡(luò)模型的集電極電流預(yù)測(cè)結(jié)果

圖24 LSTM網(wǎng)絡(luò)模型的集電極電流預(yù)測(cè)結(jié)果

表5 集電極電流預(yù)測(cè)模型預(yù)測(cè)指標(biāo)對(duì)比

由表5可知，Bo-BiLSTM網(wǎng)絡(luò)的模型擬合優(yōu)度2為0.998 7，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別提高了0.029 1和0.063 4；Bo-BiLSTM網(wǎng)絡(luò)的方均根誤差為0.262 5A，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別降低了0.147 6A和0.250 6A；Bo-BiLSTM網(wǎng)絡(luò)的平均絕對(duì)誤差為0.043 8A，比BiLSTM網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)分別降低了0.028 4A和0.116 8A。

從三種網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果可以看出，失效特征數(shù)據(jù)曲線在第1 300個(gè)樣本點(diǎn)的變化最為明顯，表明此時(shí)IGBT已經(jīng)完全老化失效，對(duì)第1 300個(gè)樣本點(diǎn)的失效特征數(shù)據(jù)預(yù)測(cè)值與真實(shí)值進(jìn)行誤差計(jì)算，不同網(wǎng)絡(luò)模型下的失效特征數(shù)據(jù)預(yù)測(cè)誤差分別見(jiàn)表6～表8。

表6 Bo-BiLSTM網(wǎng)絡(luò)模型預(yù)測(cè)誤差

表7 BiLSTM網(wǎng)絡(luò)模型預(yù)測(cè)誤差

表8 LSTM網(wǎng)絡(luò)模型預(yù)測(cè)誤差

從表6～表8的數(shù)據(jù)可知，三種網(wǎng)絡(luò)模型的平均誤差分別為0.006 4、0.097 3和0.146 6，Bo- BiLSTM網(wǎng)絡(luò)的模型預(yù)測(cè)平均誤差最小，比BiLSTM及LSTM網(wǎng)絡(luò)的模型預(yù)測(cè)效果更好。

5 結(jié)論

本文以NASA的三種加速老化試驗(yàn)數(shù)據(jù)作為失效特征參數(shù)，通過(guò)構(gòu)建Bo-BiLSTM網(wǎng)絡(luò)對(duì)所選取的失效特征參數(shù)進(jìn)行預(yù)測(cè)，驗(yàn)證了本文所提方法的有效性。得到結(jié)論如下：

1）該方法無(wú)需考慮物理模型內(nèi)部的參數(shù)結(jié)構(gòu)，避免了建立復(fù)雜的物理模型，只從實(shí)際測(cè)量數(shù)據(jù)出發(fā)便可實(shí)現(xiàn)對(duì)IGBT老化失效的預(yù)測(cè)。

2）與LSTM和BiLSTM網(wǎng)絡(luò)相比，采用Bo算法對(duì)BiLSTM網(wǎng)絡(luò)的隱含層、初始學(xué)習(xí)率及訓(xùn)練次數(shù)進(jìn)行優(yōu)化，能夠更加精準(zhǔn)地預(yù)測(cè)IGBT的失效數(shù)據(jù)，有利于預(yù)測(cè)IGBT的運(yùn)行狀態(tài)。

3）所構(gòu)建網(wǎng)絡(luò)對(duì)三種失效數(shù)據(jù)進(jìn)行預(yù)測(cè)，克服了單一數(shù)據(jù)預(yù)測(cè)模型存在的偶然性，數(shù)據(jù)預(yù)測(cè)結(jié)果更具說(shuō)服力。

[1] 郝良收, 王豐, 李寧, 等. 一種適用于柔直換流閥功率模塊的改進(jìn)型測(cè)試裝置[J]. 電氣技術(shù), 2020, 21(6): 102-105, 110.

[2] 丁雪妮, 陳民鈾, 賴偉, 等. 多芯片并聯(lián)IGBT模塊老化特征參量甄選研究[J]. 電工技術(shù)學(xué)報(bào), 2022, 37(13): 3304-3316.

[3] 陳雨晨, 陳凱楠, 鄭樹(shù)軒, 等. 無(wú)線電能傳輸磁耦合機(jī)構(gòu)磁心解析模型與設(shè)計(jì)方法[J]. 電氣技術(shù), 2022, 23(6): 83-92.

[4] JIA Yingjie, XIAO Fei, DUAN Yaoqiang, et al. PSpice-COMSOL-based 3-D electrothermal-mechanical modeling of IGBT power module[J]. IEEE Journal of Emerging and Selected Topics in Power Electronics, 2020, 8(4): 4173-4185.

[5] SHI Yunming, AI Yu, CHEN Shaoyong, et al. A health state prediction method of traction converter IGBT based on optimized particle filter[J]. Microelectronics Reliability, 2022, 139: 114840.

[6] 張經(jīng)緯, 鄧二平, 趙志斌, 等. 壓接型IGBT器件單芯片子模組疲勞失效的仿真[J]. 電工技術(shù)學(xué)報(bào), 2018, 33(18): 4277-4285.

[7] WU Xinlong, YANG Xin, DAI Xingyu, et al. A physical lifetime prediction methodology for IGBT module by explicit emulation of solder layer degradation[J]. Microelectronics Reliability, 2021, 127: 114384.

[8] LI Wanpihng, WANG Bixuan, LIU Jingcun, et al. IGBT aging monitoring and remaining lifetime prediction based on long short-term memory (LSTM) networks[J]. Microelectronics Reliability, 2020, 114: 113902.

[9] 任宏宇, 余瑤怡, 杜雄, 等. 基于優(yōu)化長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的IGBT壽命預(yù)測(cè)模型[J]. 電工技術(shù)學(xué)報(bào), 2024, 39(4): 1074-1086.

[10] 羅哲雄, 周望君, 陸金輝, 等. 雙面散熱汽車IGBT模塊熱測(cè)試方法研究[J]. 電氣技術(shù), 2022, 23(12): 24-30.

[11] CHU Chengpeng, DONG Chao, DU Mingxing, et al. Aging monitoring of bond wires based on differential mode conducted interference spectrum for IGBT module[J]. IEEE Transactions on Electromagnetic Compatibility, 2021, 63(4): 1274-1283.

[12] 韓恒貴. 基于深度學(xué)習(xí)的IGBT故障預(yù)測(cè)研究[D]. 北京: 北京交通大學(xué), 2019.

[13] 蔣林, 蒲曉珉, 邊曉光, 等. 背靠背功率模塊中IGBT的關(guān)斷過(guò)電壓抑制[J]. 東方電氣評(píng)論, 2021, 35(2): 11-14.

[14] 孔梅娟, 李志剛, 李雄, 等. IGBT功率模塊狀態(tài)監(jiān)測(cè)技術(shù)研究現(xiàn)狀[J]. 半導(dǎo)體技術(shù), 2017, 42(2): 145- 152.

[15] 孫梓涵. 基于數(shù)據(jù)驅(qū)動(dòng)的IGBT壽命預(yù)測(cè)研究[D]. 北京: 北京交通大學(xué), 2020.

[16] 劉嘉誠(chéng). 基于機(jī)器學(xué)習(xí)算法的IGBT壽命預(yù)測(cè)研究[D]. 合肥: 合肥工業(yè)大學(xué), 2020.

[17] 王晨苑, 何怡剛, 王傳坤, 等. 高壓多芯片并聯(lián)IGBT模塊故障監(jiān)測(cè)方法[J]. 電子測(cè)量與儀器學(xué)報(bào), 2020, 34(10): 98-106.

[18] 范迦羽, 李恬晨, 和峰, 等. IGBT器件關(guān)斷能力提升的參數(shù)篩選方法研究[J/OL]. 華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版), 1-9 [2024-02-06]. http://kns.cnki.net/kcms/ detail/13.1212.TM.20230105.2129.002.html.

[19] 劉伯穎, 胡佳程, 李玲玲, 等. IGBT老化狀態(tài)下基于BAS-SVM模型的結(jié)溫預(yù)測(cè)方法[J]. 微電子學(xué), 2020, 50(5): 664-668, 682.

[20] 劉人寬, 李輝, 于凱, 等. 焊接型IGBT器件封裝狀態(tài)監(jiān)測(cè)方法分析[J]. 電工技術(shù), 2022(15): 71-78, 82.

IGBT aging failure prediction method based on Bo-BiLSTM network

WAN Qingzhu1YU Jiasong1TONG Qingbin2MIN Xianjuan1

(1. School of Electric and Control Engineering, North China University of Technology, Beijing 100144; 2. School of Electrical Engineering, Beijing Jiaotong University, Beijing 100044)

Aiming at the low accuracy of aging failure prediction for insulated gate bipolar transistor (IGBT) after thermal stress impact, a bi-directional long short term memory (BiLSTM) network based on Bayesian optimization (Bo) is proposed to predict the aging failure of IGBTs. Firstly, the aging failure principle of IGBT module is analyzed, the failure characteristic database is established based on NASA aging experiment data set, and finally the Bo-BiLSTM network is constructed to predict the failure characteristic parameters by using Matlab software. Commonly used regression prediction performance evaluation indexes are selected to compare and analyze the prediction results of long short term memory (LSTM) network model, BiLSTM network model and Bo-BiLSTM network model. The results show that the model fitting accuracy of Bo-BiLSTM network is higher, so the IGBT aging failure prediction method based on Bo-BiLSTM network has better prediction effect and can be applied to IGBT failure prediction.

insulated gate bipolar transistor (IGBT); Bayesian optimization; bi-directional long short term memory (BiLSTM) network; aging failure prediction

北京市教育委員會(huì)基金項(xiàng)目（110052972027/067）

北京市自然科學(xué)基金項(xiàng)目（21C30037）

2023-12-11

2024-01-12

萬(wàn)慶祝（1975—），男，副教授，碩士生導(dǎo)師，主要研究方向?yàn)槲㈦娋W(wǎng)運(yùn)行優(yōu)化調(diào)度、基于大數(shù)據(jù)的電網(wǎng)故障分析診斷。