基于域对抗长短期记忆网络的IGBT模块状态预测方法技术

本发明专利技术公开了基于域对抗长短期记忆网络的IGBT模块状态预测方法，包括以下步骤：分别采集不同IGBT模块的老化数据，从已知IGBT模块的样本数据分别截取不同的样本序列，归一化处理后进行标注；构建针对未知IGBT模块的对抗迁移状态预测网络；在训练阶段，将源域与目标域数据，映射到高维特征空间中，获取数据特征分布；利用领域对抗模块学习两域的域不变特征进行特征分布匹配；本发明专利技术还提供一种加权判别机制，评估目标域样本数据与源域数据的相似程度，判别数据的可迁移性，从而有效改进状态类别的分类性能；将目标域测试数据输入到训练好的预测模型中测试，通过计算所得权重值判别设备当前的运行状态，输出最终的分类预测结果。

【技术实现步骤摘要】

本专利技术属于电子器件智能状态预测领域，具体涉及一种基于域对抗长短期记忆网络的igbt模块状态预测方法。

技术介绍

1、随着全球环保意识的不断增强，电动汽车已经成为了未来汽车发展的重要方向。在电动汽车的发展中，igbt技术起着至关重要的作用。igbt是一种常用于高压、高电流的功率半导体设备,具有高开关速度、低导压降、高短路耐受性等优点,广泛应用于汽车充电桩(acp)中。igbt可通过脉宽调制技术精确控制,实现高效的电能转换和电能传输,为电动车辆提供稳定可靠的电力输出。因此，准确、及时识别旋转机械系统故障的产生与演变，减少或避免重大事故的发生，对保障设备高质量、高效率地运行具有重大而深远的意义。

2、随着深度学习技术的发展，基于深度学习的设备状态预测模型被提出并得到了广泛的应用。深度学习是机器学习的一个分支，其具有许多的神经节点，并且在输入与输出之间存在许多隐藏层，帮助学习输入与输出之间的非线性表示。深度神经网络是由网络本身生成，其不需要复杂的模型假设就能够实现输入数据的智能识别和预测。因此，基于深度学习的状态预测方法可以更好地发掘数据之间的内在本文档来自技高网...

【技术保护点】

1.基于域对抗长短期记忆网络的IGBT模块状态预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于域对抗长短期记忆网络的IGBT模块状态预测方法，其特征在于，步骤1中，源域数据是已知设备的有标签样本，目标域是未知设备的无标签样本；源域和目标域数据分别遵循概率分布P和Q，但两域的数据分布是不同的，即P≠Q；但源域数据的类别标签和目标域数据的类别标签是相同的，即Cs＝Ct。

3.根据权利要求1所述的基于域对抗长短期记忆网络的IGBT模块状态预测方法，其特征在于，步骤2中，特征提取器G的结构包括多个特征提取单元，多个特征提取单元依次堆叠。

4....

【技术特征摘要】

1.基于域对抗长短期记忆网络的igbt模块状态预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于域对抗长短期记忆网络的igbt模块状态预测方法，其特征在于，步骤1中，源域数据是已知设备的有标签样本，目标域是未知设备的无标签样本；源域和目标域数据分别遵循概率分布p和q，但两域的数据分布是不同的，即p≠q；但源域数据的类别标签和目标域数据的类别标签是相同的，即cs＝ct。

3.根据权利要求1所述的基于域对抗长短期记忆网络的igbt模块状态预测方法，其特征在于，步骤2中，特征提取器g的结构包括多个特征提取单元，多个特征提取单元依次堆叠。

4.根据权利要求3所述的基于域对抗长短期记忆网络的igbt模块状态预测方法，其特征在于，每个特征提取单元均包括一维卷积核的卷积层、批次归一化层、一维池化核的最大池化层和通道自注意力机制层。

5.根据权利要求1所述的基于域对抗长短期记忆网络的igbt模块状态预测方法，其特征在于，步骤2中，时序预测器p包括正向长短期记忆网络和反向长短期记忆网络，二者具有相同的结构参数；正向长短期记忆网络利用过去时刻信息输出预测结果反向长短期记忆网络利用未来时刻信息输出预测结果双向长短期记忆网络(bilstm)融合正向和反向预测结果得到最终输出

6.根据权利要求1所述的基于域对抗长短期记忆网络的igbt模块状态预...

【专利技术属性】
技术研发人员：李巍华，邓书涵，陈祝云，李霁蒲，乐珂，赵荣超，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：