一种IGBT模块老化程度评估方法技术

本发明专利技术涉及一种IGBT模块老化程度评估方法，包括以下步骤：测量IGBT模块在不同老化程度下的电热特性数据并完成老化程度标定；初始化极限学习机的网络结构；获取极限学习机中的最优输入权值和隐含层阈值，求得极限学习机的最优输出权值；对极限学习机进行训练，得到极限学习机的IGBT模块老化程度评估模型；测定待测IGBT模块的电热特性数据，并将该电热特性数据输入已训练好的IGBT模块老化程度评估模型中，从而得到其老化程度评估结果。本发明专利技术采用混合改进鲸鱼优化算法优化的极限学习机优化其输入权值和隐含层阈值，解决了极限学习机的预测精度过度依赖输入权值和隐含层阈值的问题，有效提高了极限学习机的预测回归能力。

【技术实现步骤摘要】
一种IGBT模块老化程度评估方法
本专利技术属于电力电子器件
，尤其是一种IGBT模块老化程度评估方法。
技术介绍
绝缘栅双极晶体管(InsulatedGateBipolarTransistor,IGBT)是电能传输与变换的核心器件，在智能电网、轨道交通与可再生能源分布式发电等领域有广泛的应用。这些应用领域对IGBT的可靠性要求很高，一旦IGBT发生失效，将会造成严重经济损失，甚至引起重大安全事故。因此，保证IGBT模块工作过程中的可靠性，有效评估模块健康状态至关重要。目前IGBT模块的封装通常为多层结构，IGBT芯片通过铜层、陶瓷层和焊料层固定在底板上。IGBT在高频率的导通和关断状态下会产生大幅的温度变化，而热能经由各层材料向外传导时，各层材料的热膨胀系数不同，因而会产生热机械应力冲击；IGBT模块经受长时期的热应力和机械应力冲击后，会引起模块老化失效，具体包括焊料层老化，键合引线脱落或芯片失效等。结构上的老化也会引起IGBT模块电气参数和热参数的变化，如键合引线的老化脱落会引起导通电压增加，焊料层老化会引起IGBT模块热阻增大等。目前关于IGBT模块老化程度评估的方法主要包括嵌入式传感器法和基于机理模型提取老化指标的老化评估等。其中，IGBT模块内部嵌入传感器的方法可直接监测相关参数的变化来表征老化程度，但是会提高IGBT的制造成本和工艺难度，不适宜大规模应用，所以常用的方法是基于老化指标的评估方法。而老化程度与老化指标间关系的标定大多使用公式拟合法，拟合公式的局限在于拟合精度有限，而且受到函数形式的限制，而基于智能算法的预测能够有效避免这一弊端。极限学习机作为一种新型单隐含层前馈型神经网络，相对BP算法等前馈神经网络具有训练速度快、精度高、泛化性能好等优点。但是，极限学习机在实际应用中需要大量的隐含层节点实现较高的预测精度，且预测性能过度依赖于初始权值、阈值的设定。为了解决这一问题，国内外众多学者对其进行了广泛研究。其中一种方法就是通过智能优化算法优化其初始权值和阈值。鲸鱼优化算法是Mirjalili教授2016年提出的新型群体智能算法该算法具有所需调节参数少、全局收敛性强等突出特点，近两年得到了大量应用，然而该算法在寻优性能上仍有很大的提高空间，并且如何将鲸鱼优化算法应用在IGBT模块老化程度评估上是目前迫切需要解决的问题。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提出一种IGBT模块老化程度评估方法，解决极限学习机预测性能过度依赖于初始权值、阈值的设定，导致需要大量的隐含层节点的问题，提高极限学习机的预测回归能力。本专利技术解决其技术问题是采取以下技术方案实现的：一种IGBT模块老化程度评估方法，包括以下步骤：步骤1、选定IGBT模块型号，测量该IGBT模块在不同老化程度下的电热特性数据，并依该电热特性数据完成老化程度标定；步骤2、将步骤1获取的电热特性数据作为训练数据，初始化极限学习机的网络结构；步骤3、根据步骤2得到极限学习机的网络结构和训练数据，获取极限学习机中的最优输入权值和隐含层阈值，求得极限学习机的最优输出权值；步骤4、根据步骤3获取的极限学习机的最优权值和阈值对极限学习机进行赋值，使用训练数据对极限学习机进行训练，得到极限学习机的IGBT模块老化程度评估模型；步骤5、测定待测IGBT模块的电热特性数据，并将该电热特性数据输入到步骤4已训练好的IGBT模块老化程度评估模型中，从而得到其老化程度评估结果。进一步，所述步骤1的具体实现方法为：采用壳温波动功率循环加速老化试验模拟IGBT模块的实际工作过程，使IGBT模块发生不同程度的全面老化直至失效；同时测定不同加速老化循环次数下IGBT模块的电热特性数据，并将其作为评估IGBT模块老化程度的标准参数。进一步，所述电热特性数据包括IGBT模块的集电极电流、结温、饱和压降以及功率循环老化试验的循环次数。进一步，所述步骤2的具体实现方法为：极限学习机的网络的输入数据为IGBT模块的集电极电流、结温、饱和压降，输出数据为老化循环次数；输入层节点数为3，输出层节点数为1，隐含层神经元个数为180。进一步，所述步骤3的具体实现方法包括以下步骤：⑴初始化鲸鱼优化算法参数：种群数量N＝35，最大迭代次数Tmax＝100，初始迭代次数t＝1，种群初始化最大迭代次数Tmap_max＝300；⑵采用基于Tent映射的混沌序列法和准反向学习法结合的混合方法来初始化鲸鱼算法种群，得到最优初始种群；⑶选取均方根误差作为适应度函数，以适应度值最小为迭代目标，计算每个搜索个体的适应度值，记录最优适应度和对应的位置向量；该适应度值的计算公式如下其中ypre为预测输出值，yact为实际测量值，n为训练样本个数；⑷更新参数a,A,C,l,p：l是随机数，在(-1,1)之间；p是随机数，在(0,1)之间；a值随着迭代次数的增加而从2到0收敛，收敛公式为式中，t为当前迭代次数，tmax为所设定最大迭代次数，amax为初始化最大值，amin为初始化最小值；A,C均为系数，其计算公式如下A＝2at1-aC＝2t2其中，t1和t2是[0,1]的随机数；⑸若|A|≥1，则采用如下公式更新下一代种群个体位置；Xt+1＝Xrand-A|CXrand-Xt|若|A|＜1，则采用如下公式更新下一代种群个体位置；其中，Xrand为随机选取的鲸鱼位置，b是定义螺旋形状的常数，X*(t)为当前迭代次数下的最优个体，k2为常数，λ为服从高斯分布的随机变量，其生成公式为其中，v为(0,1)的随机数，u为与迭代次数相关的(0,1)的随机变量；⑹迭代次数t＝t+1，判定迭代次数是否达到设定最大值Tmax：当迭代次数达到最大值时，结束算法，输出最优个体位置，得到极限学习机的最优输入权值和隐含层阈值；否则，返回步骤⑴。进一步，所述步骤⑵的具体实现方法为：①随机产生行向量x0，该行向量x0在小周期点外，i＝k＝1，i∈[1,N]；N为种群数量，k为种群初始化迭代次数；②如果i≤N，根据式xk+1＝f(xk)＝(2xk)mod1.进行映射；否则转入步骤④；③令k＝k+1，如果k≤Tmap_max，直接返回步骤②；否则，本轮迭代结束，令返回步骤②；④运行结束，保存序列x；⑤根据公式求得种群个体的反向位置⑥根据公式求得种群的准反向位置⑦将原始种群和准反向种群合并为一个大的种群，然后根据适应度函数，找出N个适应度最好的个体，组成最终的初始种群。本专利技术的优点和积极效果是：1、本专利技术采用混合改进鲸鱼优化算法优化的极限学习机(HIWOA-ELM)优化其输入权值和隐含层阈值，解决了极限学习机的预测精度过度依赖输入权值和隐含层阈值的问题，有效提高了极限学习机的预测回归能力，克服了传统鲸鱼优化算法固有的搜索能力不足的劣势，有效提高了其寻优能力。2、本专利技术能够全面表征IGBT模块老化程度，克服了现有IGBT模块老化程度评估方法仅关注单一失效问题(例如，键合引线失效或焊料层失效)，使得评估结果更为全面、真实、准确，相对于现有传统鲸鱼优化算法具有更高的预测精度。附图说明图1是本专利技术的处理流程图；图2是IGBT模块壳温波动功率循环加速老化试验电路原理图；图3是IGBT模块短时单脉冲实验电路原理图；图4是不同老化程度下本文档来自技高网...

【技术保护点】
1.一种IGBT模块老化程度评估方法，其特征在于包括以下步骤：步骤1、选定IGBT模块型号，测量该IGBT模块在不同老化程度下的电热特性数据，并依该电热特性数据完成老化程度标定；步骤2、将步骤1获取的电热特性数据作为训练数据，初始化极限学习机的网络结构；步骤3、根据步骤2得到极限学习机的网络结构和训练数据，获取极限学习机中的最优输入权值和隐含层阈值，求得极限学习机的最优输出权值；步骤4、根据步骤3获取的极限学习机的最优权值和阈值对极限学习机进行赋值，使用训练数据对极限学习机进行训练，得到极限学习机的IGBT模块老化程度评估模型；步骤5、测定待测IGBT模块的电热特性数据，并将该电热特性数据输入到步骤4已训练好的IGBT模块老化程度评估模型中，从而得到其老化程度评估结果。

【技术特征摘要】
1.一种IGBT模块老化程度评估方法，其特征在于包括以下步骤：步骤1、选定IGBT模块型号，测量该IGBT模块在不同老化程度下的电热特性数据，并依该电热特性数据完成老化程度标定；步骤2、将步骤1获取的电热特性数据作为训练数据，初始化极限学习机的网络结构；步骤3、根据步骤2得到极限学习机的网络结构和训练数据，获取极限学习机中的最优输入权值和隐含层阈值，求得极限学习机的最优输出权值；步骤4、根据步骤3获取的极限学习机的最优权值和阈值对极限学习机进行赋值，使用训练数据对极限学习机进行训练，得到极限学习机的IGBT模块老化程度评估模型；步骤5、测定待测IGBT模块的电热特性数据，并将该电热特性数据输入到步骤4已训练好的IGBT模块老化程度评估模型中，从而得到其老化程度评估结果。2.根据权利要求1所述的一种IGBT模块老化程度评估方法，其特征在于：所述步骤1的具体实现方法为：采用壳温波动功率循环加速老化试验模拟IGBT模块的实际工作过程，使IGBT模块发生不同程度的全面老化直至失效；同时测定不同加速老化循环次数下IGBT模块的电热特性数据，并将其作为评估IGBT模块老化程度的标准参数。3.根据权利要求2所述的一种IGBT模块老化程度评估方法，其特征在于：所述电热特性数据包括IGBT模块的集电极电流、结温、饱和压降以及功率循环老化试验的循环次数。4.根据权利要求1所述的一种IGBT模块老化程度评估方法，其特征在于：所述步骤2的具体实现方法为：极限学习机的网络的输入数据为IGBT模块的集电极电流、结温、饱和压降，输出数据为老化循环次数；输入层节点数为3，输出层节点数为1，隐含层神经元个数为180。5.根据权利要求1所述的一种IGBT模块老化程度评估方法，其特征在于：所述步骤3的具体实现方法包括以下步骤：⑴初始化鲸鱼优化算法参数：种群数量N＝35，最大迭代次数Tmax＝100，初始迭代次数t＝1，种群初始化最大迭代次数Tmap_max＝300；⑵采用基于Tent映射的混沌序列法和准反向学习法结合的混合方法来初始化...

【专利技术属性】
技术研发人员：李玲玲，孙进，冯一博，彭桦，冯欢，刘伯颖，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津,12