模型与数据混合驱动的IGBT寿命预测方法

doi:10.7527/S1000-6893.2024.30173

先进作动技术专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 |

模型与数据混合驱动的IGBT寿命预测方法

田贵双¹, 王少萍¹(), 石健¹, 陶模²^,³

^1.北京航空航天大学自动化科学与电气工程学院，北京 100191
^2.船舶热能动力全国重点实验室，武汉 430205
^3.武汉第二船舶设计研究所，武汉 430205

收稿日期:2024-01-17 修回日期:2024-01-29 接受日期:2024-02-28 出版日期:2024-04-23 发布日期:2024-04-19
通讯作者: 王少萍 E-mail:shaopingwang@vip.sina.com
基金资助:
北京市自然科学基金-丰台轨道交通前沿研究联合基金(L221008);热能动力技术重点实验室开放基金(TPL2022C02)

IGBT life prediction method driven by model and data

Guishuang TIAN¹, Shaoping WANG¹(), Jian SHI¹, Mo TAO²^,³

^1.School of Automation Science and Electrical Engineering，Beihang University，Beijing 100191，China
^2.State Key Laboratory of Marine Thermal Energy and Power，Wuhan 430205，China
^3.Wuhan Second Ship Design and Research Institute，Wuhan 430205，China

Received:2024-01-17 Revised:2024-01-29 Accepted:2024-02-28 Online:2024-04-23 Published:2024-04-19
Contact: Shaoping WANG E-mail:shaopingwang@vip.sina.com
Supported by:
Beijing Natural Science Foundation(L221008);Open Fund of Science and Technology on Thermal Energy and Power Laboratory(TPL2022C02)

摘要/Abstract

摘要：

作为航空逆变器的关键模块，绝缘栅双极晶体管（IGBT）对其安全可靠起着决定性作用。考虑到航空逆变器运行工况复杂，且IGBT是最易失效的器件之一，通过分析航空逆变器IGBT的失效机理和关键特征参数，结合物理解析模型提出一种基于长短时记忆（LSTM）网络的IGBT寿命预测方法。建立IGBT状态监测数据与结温之间的关系，并由物理解析模型得到IGBT的累积损伤，实现IGBT的实时寿命预测。最后，利用NASA PCoE中心提供的IGBT加速老化实验数据集，开展寿命预测模型的验证，结果表明LSTM网络结合累积损伤模型能够有效预测IGBT的寿命，从而有助于提高航空逆变器的可靠性，降低日常维护成本。

关键词: 航空逆变器, 绝缘栅双极晶体管（IGBT）, 长短时记忆（LSTM）网络, 寿命预测, 累积损伤

Abstract:

As a key module of aviation inverter， Insulated Gate Bipolar Transistor （IGBT） plays a decisive role in its safety and reliability. Considering the complex operating conditions of aviation inverter and the fact that IGBT is one of the most vulnerable components for failure， this paper analyzes the failure mechanism and key characteristic parameters of IGBT in aviation inverter. Based on this， an IGBT life prediction method is proposed by combing Long Short-Term Memory （LSTM） network with physical analytical model. The relationship is established for IGBT between its state monitoring data and junction temperature， and the cumulative damage of IGBT is obtained from the physical model， so as to achieve the real-time life prediction of IGBT. Finally， the IGBT accelerated aging experimental dataset provided by the NASA PCoE Center is applied to validate the prediction model. The corresponding results show that the LSTM network combined with the cumulative damage model can effectively predict the lifespan of IGBT， thereby contributing to improving the reliability and reducing the daily maintenance cost of aviation inverters.

Key words: aviation inverter, Insulated Gate Bipolar Transistor (IGBT), Long Short-Term Memory (LSTM) network, life prediction, cumulative damage

中图分类号:

V240.2

田贵双, 王少萍, 石健, 陶模. 模型与数据混合驱动的IGBT寿命预测方法[J]. 航空学报, 2024, 45(15): 630173-630173.

Guishuang TIAN, Shaoping WANG, Jian SHI, Mo TAO. IGBT life prediction method driven by model and data[J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(15): 630173-630173.

图/表 19

图 1

图 2

表 1

两电平航空逆变器开关状态表

模式	$S a b c$	$u a n$	$u b n$	$u c n$	$u a b$	$u b c$	$u c a$
0	000	0	0	0	0	0	0
1	001	$- 13 U d$	$- 13 U d$	$23 U d$	0	$- U d$	$U d$
2	010	$- 13 U d$	$23 U d$	$- 13 U d$	$- U d$	$U d$	0
3	011	$- 13 U d$	$13 U d$	$13 U d$	$- U d$	0	$U d$
4	100	$23 U d$	$- 13 U d$	$- 13 U d$	$U d$	0	$- U d$
5	101	$13 U d$	$- 23 U d$	$13 U d$	$U d$	$- U d$	0
6	110	$13 U d$	$13 U d$	$- 23 U d$	0	$U d$	$- U d$
7	111	0	0	0	0	0	0

表 1

图 3

图 4

表 2

图 5

图 6

图 7

表 3

表 4

图 8

图 9

图 10

图 11

图 12

图 13

表 5

图 14

参考文献 28

1	黄湛钧，董鑫，卢沐宇，等. 基于DRSN与电压幅值分析的航空HVDC系统逆变器故障诊断［J］. 航空学报， 2024， 45（3）： 328685.
	HUANG Z J， DONG X， LU M Y， et al. Fault diagnosis of inverter of aviation HVDC system based on DRSN and voltage amplitude analysis［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（3）： 328685 （in Chinese）.
2	邱立军，吴明辉. PHM技术框架及其关键技术综述［J］. 国外电子测量技术， 2018， 37（2）： 10-15.
	QIU L J， WU M H. Review on the framework and key technology of PHM［J］. Foreign Electronic Measurement Technology， 2018， 37（2）： 10-15 （in Chinese）.
3	左景航，王友仁，王景霖，等. 变工况下航空逆变器健康评估方法研究［J］. 电子测量技术， 2022， 45（6）： 30-35.
	ZUO J H， WANG Y R， WANG J L， et al. Research on health evaluation method of aviation inverter under variable working conditions［J］. Electronic Measurement Technology， 2022， 45（6）： 30-35 （in Chinese）.
4	HE Q C， CHEN W H， PAN J， et al. A prognostic method for predicting failure of dc/dc converter［J］. Microelectronics Reliability， 2017， 74： 27-33.
5	AL-MOHAMAD A， HOBLOS G， PUIG V. A hybrid system-level prognostics approach with online RUL forecasting for electronics-rich systems with unknown degradation behaviors［J］. Microelectronics Reliability， 2020， 111： 113676.
6	ABUELNAGA A， NARIMANI M， BAHMAN A S. A review on IGBT module failure modes and lifetime testing［J］. IEEE Access， 2021， 9： 9643-9663.
7	CZERNY B， LEDERER M， NAGL B， et al. Thermo-mechanical analysis of bonding wires in IGBT modules under operating conditions［J］. Microelectronics Reliability， 2012， 52（9-10）： 2353-2357.
8	WANG C L， TIAN Q H， YANG W H， et al. Analysis of characteristics of high voltage IGBT under low temperature［C］∥ 2019 IEEE International Conference on Electron Devices and Solid-State Circuits （EDSSC）. Piscataway： IEEE Press， 2019： 1-3.
9	陈华坤，章卫国，史静平，等. 航空电子设备故障预测特征参数提取方法研究［J］. 西北工业大学学报， 2017， 35（3）： 364-373.
	CHEN H K， ZHANG W G， SHI J P， et al. Research on feature extraction method for fault prediction of avionics［J］. Journal of Northwestern Polytechnical University， 2017， 35（3）： 364-373 （in Chinese）.
10	孔梅娟，李志刚，赵旺旺. IGBT键合线脱落故障特征分析［J］. 电工电能新技术， 2018， 37（10）： 87-92.
	KONG M J， LI Z G， ZHAO W W. Analysis of fault characteristics of IGBT bonding wire lift off［J］. Advanced Technology of Electrical Engineering and Energy， 2018， 37（10）： 87-92 （in Chinese）.
11	陈民铀，陈一高，高兵，等. 考虑老化进程对热参数影响的IGBT模块寿命评估［J］. 中国电机工程学报， 2017， 37（18）： 5427-5436， 5542.
	CHEN M Y， CHEN Y G， GAO B， et al. Lifetime estimation of IGBT module considering influence of aging process on thermal parameters［J］. Proceedings of the CSEE， 2017， 37（18）： 5427-5436， 5542 （in Chinese）.
12	刘嘉诚. 基于机器学习算法的IGBT寿命预测研究［D］. 合肥：合肥工业大学， 2020.
	LIU J C. IGBT life prediction based on machine learning algorithm［D］.Hefei： Hefei University of Technology， 2020 （in Chinese）.
13	郭子庆，王学华. 基于神经网络的IGBT模块剩余使用寿命预测模型［J］. 电测与仪表， 2023， 60（1）： 132-138.
	GUO Z Q， WANG X H. Prediction model of neural network-based IGBT module remaining service life［J］. Electrical Measurement & Instrumentation， 2023， 60（1）： 132-138 （in Chinese）.
14	GANGSAR P， TIWARI R. Signal based condition monitoring techniques for fault detection and diagnosis of induction motors： A state-of-the-art review［J］. Mechanical Systems and Signal Processing， 2020， 144： 106908.
15	XU Z Y， SALEH J H. Machine learning for reliability engineering and safety applications： Review of current status and future opportunities［J］. Reliability Engineering & System Safety， 2021， 211： 107530.
16	ZHANG J L， HU J B， YOU H L， et al. Characterization method of IGBT comprehensive health index based on online status data［J］. Microelectronics Reliability， 2021， 116： 114023.
17	FANG X C， LIN S， HUANG X J， et al. A review of data-driven prognostic for IGBT remaining useful life［J］. Chinese Journal of Electrical Engineering， 2018， 4（3）： 73-79.
18	LAI W， CHEN M Y， RAN L， et al. Study on lifetime prediction considering fatigue accumulative effect for die-attach solder layer in an IGBT module［J］. IEEJ Transactions on Electrical and Electronic Engineering， 2018， 13（4）： 613-621.
19	肖飞，罗毅飞，刘宾礼，等. 焊料层空洞对IGBT器件热稳定性的影响［J］. 高电压技术， 2018， 44（5）： 1499-1506.
	XIAO F， LUO Y F， LIU B L， et al. Influence of voids in solder layer on the temperature stability of IGBTs［J］. High Voltage Engineering， 2018， 44（5）： 1499-1506 （in Chinese）.
20	AHSAN M， STOYANOV S， BAILEY C. Data driven prognostics for predicting remaining useful life of IGBT［C］∥ 2016 39th International Spring Seminar on Electronics Technology （ISSE）. Piscataway： IEEE Press， 2016： 273-278.
21	ISMAIL A， SAIDI L， SAYADI M， et al. Gaussian process regression remaining useful lifetime prediction of thermally aged power IGBT［C］∥ IECON 2019 - 45th Annual Conference of the IEEE Industrial Electronics Society. Piscataway： IEEE Press， 2019： 6004-6009.
22	LI W P， WANG B X， LIU J C， et al. IGBT aging monitoring and remaining lifetime prediction based on long short-term memory （LSTM） networks［J］. Microelectronics Reliability， 2020， 114： 113902.
23	高伟，张琼洁，李长留，等. 基于LSTM网络的牵引变流器IGBT故障预测方法研究［J］. 电子器件， 2020， 43（4）： 804-808.
	GAO W， ZHANG Q J， LI C L， et al. A fault prediction method of IGBT in traction converter based on LSTM［J］. Chinese Journal of Electron Devices， 2020， 43（4）： 804-808 （in Chinese）.
24	刘宾礼，刘德志，唐勇，等. 基于加速寿命试验的IGBT模块寿命预测和失效分析［J］. 江苏大学学报（自然科学版）， 2013， 34（5）： 556-563.
	LIU B L， LIU D Z， TANG Y， et al. Lifetime prediction and failure analysis of IGBT module based on accelerated lifetime test［J］. Journal of Jiangsu University （Natural Science Edition）， 2013， 34（5）： 556-563 （in Chinese）.
25	PATIL N， CELAYA J， DAS D， et al. Precursor parameter identification for insulated gate bipolar transistor （IGBT） prognostics［J］. IEEE Transactions on Reliability， 2009， 58（2）： 271-276.
26	SHI Y M， LIU J Q， AI Y， et al. Lifetime prediction method of the traction converter IGBT based on plastic strain energy density［J］. IEEE Transactions on Transportation Electrification， 2024， 10（1）： 1286-1298.
27	YANG L， AGYAKWA P A， JOHNSON C M. Physics-of-failure lifetime prediction models for wire bond interconnects in power electronic modules［J］. IEEE Transactions on Device and Materials Reliability， 2013， 13（1）： 9-17.
28	CELAYA J， PHIL W， GOEBEL K. IGBT accelerated aging data set［Z］. 2009.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

试验条件	参数设置
开关频率/kHz	1
栅极电压/V	10
占空比/%	40
温度/℃	330
保护温度/℃	345
循环次数	3 291 800 000

序号	参数设置	取值
1	优化次数	1 200
2	最大优化时间/s	2 161
3	最大迭代次数	300
4	隐含层层数	1
5	单层隐含层细胞数	160
6	第1层隐含层细胞数	32
7	第2层隐含层细胞数	64
8	第3层隐含层细胞数	128
9	初始学习率	5×10^-3
10	遗弃率	0.2

序号	Batch size	LSTM网络层数1		LSTM网络层数2		LSTM网络层数3		GRU网络
序号	Batch size	RMSE	训练时长/s	RMSE	训练时长/s	RMSE	训练时长/s	RMSE	训练时长/s
1	10	0.508	688.54	0.682	1 156.56	0.818	2 161.46	0.739	552.17
2	20	0.432	672.99	0.728	1 151.21	0.741	1 856.17	0.504	459.02
3	40	0.448	673.29	0.656	1 142.97	0.825	1 768.68	0.532	464.87
4	60	0.448	672.16	0.658	1 148.09	0.855	1 767.04	0.688	458.50
5	80	0.498	676.75	0.609	1 153.34	0.729	1 858.63	0.614	464.17
6	100	0.636	688.71	0.703	1 136.68	0.839	1 864.22	0.758	466.85
7	120	0.595	692.14	0.652	1 159.75	0.759	1 789.73	0.576	474.51
8	150	0.467	684.09	0.667	1 160.93	0.774	1 689.43	0.607	484.17
9	200	0.452	744.00	0.710	1 279.06	0.717	1 774.78	0.591	562.06
10	300	0.553	807.06	0.687	1 500.94	0.879	1 946.57	0.618	587.62

IGBT编号	T_m/℃	E_a/（10^-19J·mol^-1）	ΔT_j/℃	D/10^-7
1	338.82	0.99	5.70	0.547 0
2	338.87	0.99	5.71	0.539 8
3	338.79	0.99	5.83	0.573 8
4	338.88	0.99	5.87	0.538 6
5	338.84	0.99	5.84	0.553 3
6	338.82	0.99	6.05	0.561 2

[1]	高同州, 贺小帆, 王晓雷, 李紫光, 朱振涛, 詹志新. 基于CDM理论与SVM模型的2014-T6铝合金疲劳寿命预测[J]. 航空学报, 2024, 45(7): 228952-228952.
[2]	李天梅, 司小胜, 张建勋. 多源传感监测线性退化设备数模联动的剩余寿命预测方法[J]. 航空学报, 2023, 44(8): 227190-227190.
[3]	刘斌, 许靖, 霍美玲, 崔学英, 谢秀峰, 杨栋辉, 王嘉. 基于多尺度自适应注意力网络的剩余寿命预测[J]. 航空学报, 2023, 44(5): 226918-226918.
[4]	杨家鑫, 唐圣金, 李良, 孙晓艳, 祁帅, 司小胜. 基于多源信息的隐含非线性维纳退化过程剩余寿命预测[J]. 航空学报, 2023, 44(12): 227662-227662.
[5]	王秀锐, 李凯尚, 谷行行, 张勇, 陆体文, 王润梓, 张显程. 基于晶体塑性理论的高-低周疲劳寿命预测统一准则[J]. 航空学报, 2023, 44(10): 427300-427300.
[6]	董青, 郑建飞, 胡昌华, 余铜辉, 牟含笑. 考虑随机冲击影响的自适应Wiener过程剩余寿命预测方法[J]. 航空学报, 2022, 43(9): 225914-225914.
[7]	张晟斐, 李天梅, 胡昌华, 杜党波, 司小胜. 基于深度卷积生成对抗网络的缺失数据生成方法及其在剩余寿命预测中的应用[J]. 航空学报, 2022, 43(8): 225708-225708.
[8]	牟含笑, 郑建飞, 胡昌华, 赵瑞星, 董青. 基于CDBN与BiLSTM的多元退化设备剩余寿命预测[J]. 航空学报, 2022, 43(7): 325403-325403.
[9]	陈克明, 田若洲, 郭素娟, 王润梓, 张成成, 陈浩峰, 张显程, 涂善东. 循环热机载荷作用下航空涡轮盘蠕变疲劳寿命预测[J]. 航空学报, 2022, 43(5): 225290-225290.
[10]	雷世英, 孙见忠, 刘赫. 涡轮叶片累积损伤指数模型及服役可靠性评估[J]. 航空学报, 2022, 43(3): 225064-225064.
[11]	肖阳, 秦海勤, 徐可君, 贾明明, 张柱柱. 基于改进SWT模型的FGH96合金低周疲劳寿命预测[J]. 航空学报, 2021, 42(5): 524360-524360.
[12]	张峻瑞, 郑锡涛, 袁林, 钟贵勇, 李国琛. 基于损伤权重的混合多钉连接件疲劳寿命预测方法[J]. 航空学报, 2021, 42(5): 524306-524306.
[13]	李茜, 张福禄, 赵子华. 镍基单晶/柱晶高温合金超高周疲劳研究进展[J]. 航空学报, 2021, 42(5): 524340-524340.
[14]	王玺, 胡昌华, 任子强, 熊薇. 基于非线性Wiener过程的航空发动机性能衰减建模与剩余寿命预测[J]. 航空学报, 2020, 41(2): 223291-223291.
[15]	陈亚军, 刘辰辰, 王付胜. 预腐蚀和交替腐蚀作用下航空铝合金多轴疲劳行为及寿命预测[J]. 航空学报, 2019, 40(4): 222465-222465.

模型与数据混合驱动的IGBT寿命预测方法

IGBT life prediction method driven by model and data

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 19

参考文献 28

相关文章 15

编辑推荐

Metrics

本文评价