基于GARCH模型的IGBT剩余使用寿命预测方法与流程

基于garch模型的igbt剩余使用寿命预测方法
技术领域
1.本发明属于电力电子可靠性技术领域，特别涉及一种基于garch模型的igbt剩余使用寿命预测方法。


背景技术：

2.绝缘栅双极型晶体管(insulated gate bipolar transistor，igbt)作为一种具有高功率密度、高电开关频率、高能效和低成本的功率半导体器件，在风电等新能源并网、电力传输、轨道交通、航空航天等领域得到了广泛的应用。统计表明，在功率半导体器件中igbt的使其数量占比高达42％。因此，igbt的可靠性已经从成为电力电子系统安全运行的重要因素。igbt模块的失效故障对整个电力系统正常运行将产生巨大影响，严重时甚至导致系统崩溃。为了确保电力电子系统的正常运转，针对igbt功率模块进行寿命评估并预测剩余使用寿命显得尤为重要。对实际工况运行的模块进行数据的采集和进一步分析处理得出结论，在模块损坏即将失效之时提前更换，可以避免因模块自身失效造成的一系列安全事故和经济损失，从而提高系统的整体可靠性和鲁棒性。
3.igbt的主要失效形式是引线剥离和焊锡层开裂。两种故障都是由igbt模块内每种材料的热膨胀系数差(cte)产生的机械应力引起的。同时，两种故障都会导致igbt的导通电阻增大。导通电阻的增大会引起igbt内部温度的升高，进一步增加各层的机械应力。这一过程反复累积，直至igbt失效。
4.根据对igbt模块失效机理的分析，已经提出了很多基于igbt的特性建立物理模型对igbt进行寿命预测。目前，igbt模块的剩余寿命预测方法主要包括物理解析模型。这种方法较为广泛的是利用采用结温tj作为参数预测功率器件的剩余寿命。但是在提取结温时，直接测量方法避免了复杂的建模和计算过程，但基于设备直接测量数据的方法，需要专用设备，测量成本较高。另一种获取结温的方法是通过建立热敏感电气参数模型来估计结温。但是，结温计算方法和计算过程复杂，产生不同程度的误差，对igbt模块的剩余寿命预测准确性产生了不利影响。另外，也有基于电参数建立物理解析模型的igbt模块寿命预测方法。这些方法选取与igbt模块老化相关的参数，如饱和压降、集电极电流、热阻及开关关断时间等，针对不同的特征参数采用相应的测量方法，通过监测电参数的值对模块剩余寿命进行预测。由于物理模型的建立需要对实际工况下的失效过程有一个深入了解，并且不同工况会导致不同的失效模式，对于参数的准确获取有很大难度。
5.另一种关于igbt模块的健康状态评估和寿命预测方法是数据驱动方法。主要包括传统的数值技术和智能算法。数据驱动的igbt模块健康状态评估和寿命预测从常规收集的条件直接导出模型监测数据，而不是建立基于综合系统物理模型专业知识，使得它只需要一定量的数据，而不需要对系统有全面的了解。
6.目前对igbt的剩余使用寿命预测的方法一般通过历史数据，采用固定的老化模型，没有考虑igbt具体生产工艺引起个体差异和实际工况带来的影响。当器件实际工况发生改变时，模型的精确度将大幅度降低。


技术实现要素：

7.本发明的目的在于，克服现有技术中的igbt的寿命预测方法存在没有考虑实际工况和igbt模块个体差异等缺点，提出了一种基于garch模型的igbt剩余使用寿命预测方法，解决igbt模块在实际应用中单个个体的剩余使用寿命的预测问题。
8.为了达成上述目的，本发明采用的技术方案是：
9.一种基于garch模型的igbt剩余使用寿命预测方法，包括如下步骤：
10.步骤1：从数据集中提取集电极－发射极通态压降数据，并进行预处理，得到预处理后的v
ce,on
数据序列；
11.步骤2：采用所述预处理后的v
ce,on
数据序列中周期t前的作为历史数据，建立回归模型作为初始老化模型，完成参数估计；
12.步骤3：获得周期t前数据的残差序列；
13.步骤4：对残差序列进行平稳性检验；若残差序列不平稳，则返回步骤2，需要对回归模型重新进行参数估计；若残差序列为平稳的，则进入步骤5；
14.步骤5：进行garch(p，q)建模，重构igbt模块的老化模型；
15.步骤6：根据所述garch模型，预测周期t后的v
ce,on
数据，判断igbt模块的老化状态；
16.步骤7：预测igbt模块的剩余使用寿命。
17.优选的方案中，步骤1中所述预处理包括：剔除异常数据，按不同时间间隔采样。
18.优选的方案中，步骤2中具体包括：设定算法开始周期t，将周期t前的数据作为历史数据，利用最小二乘法建立回归模型如式(1)所示，完成参数λi估计；
[0019][0020]
其中：xk为预处理后的v
ce,on
数据序列，λj为常系数，d为初始回归模型的次数。
[0021]
优选的方案中，步骤3中具体包括：根据式(2)和历史数据得到周期t前数据的残差序列。
[0022][0023]
其中：xk为预处理后的v
ce,on
数据序列，yk为多项式决定的确定性趋势，vk为k时刻的残差序列，λj为常系数，k为时刻，这里指第k个循环周期，d为回归模型的次数，ψ(b)为延迟算子，ak为k时刻的一个零均值的白噪声序列。
[0024]
优选的方案中，步骤4中用adf法检验残差序列的平稳性。
[0025]
优选的方案中，步骤5具体包括：
[0026]
对已经平稳的残差序列vk构建异方差函数，与由v
ce,on
序列得到的回归模型一起，重构igbt模块的老化模型，即为garch模型，如式(3)所示：
[0027]
[0028]
其中，i
k-1
为第k-1时刻所提供的信息，σk为k时刻残差vk的标准差，为一个均值为零，方差为的正态分布，αi,i＝0,1,
…
,p,βj,j＝1,2,
…
,q分别为garch模型参数，p,q分别为garch模型的阶数。
[0029]
优选的方案中，步骤6中具体包括：根据步骤5中的garch模型，预测周期t后的v
ce,on
数据；根据所预测的预测周期t后的v
ce,on
数据，得到igbt集电极－发射极饱和压降与功率循环次数关系曲线，根据v
ce,on
老化标准判断对应的v
ce,on
数值所对应的igbt模块的老化状态。
[0030]
优选的方案中，步骤7中具体包括：根据步骤6预测的v
ce,on
值，判断是否达到v
ce,on
临界值，如果预测达到临界值，根据临界值所对应的循环周期计算igbt模块的剩余使用寿命。
[0031]
本发明与现有技术相比的优点是：
[0032]
1、该方法考虑了igbt具体生产工艺引起个体差异和实际工况带来的影响。能够根据功率循环加速老化试验建立集电极－发射极通态压降v
ce,on
与功率循环次数的数学模型，可精确地得到单个igbt模块的老化状态。
[0033]
2、本发明能够根据igbt实际工况，并通过实测数据得到函数模型，根据该模型可得到igbt老化状态，这对于igbt功率模块乃至整个系统的稳定运行具有重要意义。
附图说明
[0034]
图1：本发明中igbt模块在线监测方法流程图。
[0035]
图2：本发明中igbt集电极－发射极饱和压降与功率循环次数关系原始数据曲线图。
[0036]
图3：本发明中根据历史数据通过garch模型预测的igbt集电极－发射极饱和压降与功率循环次数关系曲线图。
具体实施方式
[0037]
以下结合附图对本发明基于garch模型的igbt剩余使用寿命预测方法进行详细说明，但是应当指出，本发明的实施方式以及实施例是为了解释目的的优选方案，并不是对本发明范围的限制。
[0038]
本发明提出了一种基于garch模型的igbt剩余使用寿命预测方法，主要目的提出一种igbt模块的剩余寿命预测方法，其通过分析集电极－发射极通态压降和igbt疲劳老化的关系，利用最小二乘法建立初始老化模型，进而对噪声序列进行平稳性检验，进而建立基于garch模型的igbt老化模型，评估igbt老化状态，提高igbt寿命预测的精度。
[0039]
如图1所示为本发明的一种基于garch模型的igbt剩余使用寿命预测方法实施例的流程图，包括如下步骤：
[0040]
步骤1：从数据集中提取集电极－发射极通态压降数据，并进行预处理，得到预处理后的v
ce,on
数据序列。预处理包括：剔除异常数据，按不同时间间隔采样。
[0041]
步骤2：采用所述预处理后的v
ce,on
数据序列中周期t前的作为历史数据，建立回归模型作为初始老化模型，完成参数估计。
[0042]
设定算法开始周期t，将数据集分为两部分。周期t前的作为历史数据，利用最小二
乘法建立回归模型，完成参数λi估计。
[0043][0044]
其中：xk为预处理后的v
ce,on
数据序列，λj为常系数，d为回归模型的次数。
[0045]
步骤3：获得周期t前数据的残差序列。
[0046]
具体为：根据式(2)和历史数据得到周期t前数据的残差序列。
[0047][0048]
其中：xk为预处理后的v
ce,on
数据序列，yk为多项式决定的确定性趋势，vk为k时刻的残差序列，λj为常系数，k为时刻，这里指第k个循环周期，d为回归模型的次数，ψ(b)为延迟算子，ak为k时刻的一个零均值的白噪声序列。
[0049]
步骤4：对残差序列进行平稳性检验。
[0050]
用于建立garch模型的时间序列要求是平稳的。为检验残差序列的平稳性，一般用adf(augmented dickey-fuller test)法进行检验。adf检验残差平稳性的实质是通过考察t统计量的值来确定残差序列是否平稳。通常满足5％的显著性水平下的临界值即可认为残差序列为平稳的。
[0051]
若残差序列不平稳，则返回步骤2，需要对回归模型重新进行参数估计；若残差序列为平稳的，则进入步骤5；。
[0052]
步骤5：进行garch(p，q)建模，重构igbt模块的老化模型。
[0053]
对已经平稳的残差序列vk构建异方差函数，与由v
ce,on
序列得到的回归模型一起，重构igbt模块的老化模型，即为garch模型，如式(3)所示：
[0054][0055]
其中，i
k-1
为第k-1时刻所提供的信息，σk为k时刻残差vk的标准差，为一个均值为零，方差为的正态分布，αi,i＝0,1,
…
,p,βj,j＝1,2,
…
,q分别为garch模型参数，p,q分别为garch模型的阶数。
[0056]
步骤6：根据所述garch模型，预测周期t后的v
ce,on
数据，判断igbt模块的老化状态。
[0057]
针对周期t前的数据集构建garch模型，预测周期t后的v
ce,on
数据。根据所预测的预测周期t后的v
ce,on
数据，得到igbt集电极－发射极饱和压降与功率循环次数关系曲线，根据v
ce,on
老化标准判断对应的v
ce,on
数值所对应的igbt模块的老化状态。如图2所示为本发明中igbt集电极－发射极饱和压降与功率循环次数关系原始数据曲线图。如图3所示为本发明中根据历史数据通过garch模型预测的igbt集电极－发射极饱和压降与功率循环次数关系曲线图。
[0058]
步骤7：预测igbt模块的剩余使用寿命。
[0059]
根据步骤6预测的集电极－发射极通态压降v
ce,on
值，判断是否达到v
ce,on
临界值，
如果预测达到临界值，计算igbt模块的剩余使用寿命。
[0060]
例如从第t次循环开始预测，根据模型到t2次循环v
ce,on
值到达了临界值，则剩余使用寿命是t2-t个循环周期。
[0061]
以上所述仅是本发明的优选实施方式。应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。