基于退化數據和DBN算法的IGBT健康參數預測方法

陳 冰, 魯 剛, 房紅征, 張明敏, 董云帆

(1.海軍工程大學 電子工程學院，武漢 430033；2.海軍裝備部, 北京 100055；3.北京航天測控技術有限公司，北京 100041；4.北京市高速交通工具智能診斷與健康管理重點實驗室，北京 100041)

基于退化數據和DBN算法的IGBT健康參數預測方法

陳 冰1, 魯 剛2, 房紅征3,4, 張明敏1, 董云帆3,4

(1.海軍工程大學 電子工程學院，武漢 430033；2.海軍裝備部, 北京 100055；3.北京航天測控技術有限公司，北京 100041；4.北京市高速交通工具智能診斷與健康管理重點實驗室，北京 100041)

絕緣柵雙極型晶體管(IGBT)等電子元器件被廣泛用于運輸和能源部門，其健康狀態對于設備安全和有效至關重要；在對IGBT的結構和損傷機制分析基礎上，結合NASA艾姆斯中心開展的IGBT加速退化試驗，選擇集電極-發射極關斷峰值電壓作為失效特征參數，提出了一種基于深度信念網絡的預測模型對其進行分析和預測；以Levenberg-Marquardt(LM)算法模型作為對比，實驗結果顯示文章提出的三隱藏層DBN模型相比于LM模型有更好的預測性能和更高的預測精度。

絕緣柵雙極型晶體管；深度信念網絡；失效特征；預測

0 引言

IGBT(絕緣柵雙極型晶體管)是由BJT(雙極型三極管)和MOSFET(絕緣柵型場效應管)組成的復合全控型電壓驅動式功率半導體器件，兼有MOSFET的高輸入阻抗和GTR(電子晶體管)的低導通壓降兩方面的優點。目前，IGBT廣泛應用于交流電機、變頻器、開關電源等民用領域，而且在航空航天等軍事領域也有廣闊的發展前景。隨著 IGBT 的廣泛應用，對其可維護性的要求也越來越高。因此，研究IGBT 的健康狀態問題，對于裝備電子器件的可靠運行和安全生產無疑具有十分重要的意義[1-4]。

當前常見的針對IGBT等電子器件預測方法可以分為3種：1)失效物理方法。通常以定義模型作為起始，這需要具備元器件的失效物理特性的知識。然而在實際應用中，由于系統的復雜性，很難建立一個準確的物理模型，因此其使用范圍和效果而受到限制。2)數據驅動方法。以獲取數據為起始步驟，在實際失效預測過程中，元器件在其壽命周期的不同階段被傳感器所接收的歷史數據常常作為數據信息的重要資源。數據通常包含足夠信息來進行預測，所以需要開發一種基于傳感器獲取數據的預測模型來預測失效。具體包括參數統計、機器學習等方法。3)融合方法。集合了失效物理方法和數據驅動方法的優點，克服兩種方法的局限性，可以提供更為精確的預測結果。

深度學習是近年研究的一個重點領域，是機器學習中的一個重要方面。深度信念網絡(deep belief networks，DBNs)作為深度學習中使用較為廣泛的一種重要形式，由于其可以學習樣本數據的未知特性分布，被廣泛應用于圖像識別和語音識別等領域。相比于支持向量機和傳統神經網絡等淺層人工神經網絡，深度學習具有更多的隱藏層，因此也需要更多的非線性數學處理。同時，深度學習算法在計算代表特殊功能的元素和參數方面相比于淺層算法具有更好的效果。

本文首先介紹了IGBT的結構和失效機制，其次對IGBT加速退化測試試驗進行了分析，之后提出了一種基于DBN算法的預測模型，最后利用試驗數據對提出的模型和方法進行了驗證。

1 IGBT的結構和失效機制

IGBT作為中高功率電子器件，主要是以垂直結構進行集成。按照其構成溝道材料的不同，又可以分為P型溝道和 N型溝道IGBT。IGBT的主要端口有柵極、集電極和發射極，是三端器件。IGBT在結構上較類似于 MOSFET，不同之處是在VDMOSFET的N+區(MOSFET 的漏極)上增加了一個P+注入區(IGBT 的集電極)，形成了四層結構，相當于 PNP-NPN達林頓結構，并因此而形成了一個面積較大的P+N結J1。這樣使得IGBT導通時由P+注入區向N基區發射少子，從而對漂移區電導率進行調制，使得 IGBT 具有很強的通流能力[5-7]。

在具體應用中，IGBT失效是與其動態特性相關的復雜過程，涉及熱、電、機械等多方面因素。國內外相關機構已經對IGBT的失效機理進行了研究。功率電子設備失效的本質機制包括熱載流子注入和電介質擊穿以及電遷移，而外在的失效主要包括鎖定，導線脫落，模具焊接剝離以及基質焊料疲勞失效。電器過應力通常是由于過電流，過電壓或過功率引起的。目前已發現熱循環與模具焊接退化和導線脫落有強的關聯性。

2 IGBT加速退化試驗分析

2.1 實驗步驟和退化數據

本文所采用的數據來源于NASA艾姆斯中心開展的IGBT加速退化試驗[8]。該機構的實驗包括一套商業化的儀器，在LabVIEW開發的軟件框架的控制下，連接到定制的硬件系統。硬件由示波器、函數發生器、NI數據采集、紅外傳感器、環境室和運行LabVIEW和Matlab的PC計算機組成。該實驗允許IGBT超過溫度達到設定的高點330 ℃。當IGBT超過溫度閾值時，IGBT柵極關閉，直到其下降到低于329 ℃的設定低點。該試驗數據包含2 378組PWM溫度控制器狀態數據，41 752組穩態數據和418組瞬態數據。每組瞬態數據包含十萬個集電極發射極電壓數據。每個數據的間隔為1 ns，每組瞬變數據的時間標度0為0.1 ms。該數據完全記錄了IGBT在關斷期間的集電極-發射極電壓變化過程。如圖1所示。

圖1 IGBT集電極-發射極關斷瞬態峰值電壓示意圖

2.2 退化特征選取

IGBT 的健康監測數據采集比較困難，通常采取的方式是采用加載超過額定工作范圍的負載或者利用頻繁的熱應力循環加速其性能退化過程。相關研究利用不同的加速退化測試平臺模擬了 IGBT 的不同工作環境并測定了其瞬態、穩態性質。如實驗前后的電子特性測試當中 IGBT 的瞬態電容特性、導通電壓特性曲線出現了較為明顯的偏移。這些變化趨勢往往和 IGBT 的某些硬件損傷和損耗有著直接的聯系。在 IGBT 的性能加速退化試驗中，柵極信號和電流保持相當恒定。穩態電壓變化很小。集電極-發射極電壓特性在導通時同樣變化較小。然而IGBT 關斷時的集電極-發射極的瞬態電壓尖峰的下降表現出了較強的指示性，可作為溫度增加和熱過應力退化的特征變量函數。其產生機理是 IGBT 的寄生晶體管阻礙了陽極電流的增加，產生了一個從集電極到發射極的一個瞬態電壓，與電源電壓相疊加，便形成一個瞬態高于電源電壓的尖峰。

對尖峰電壓進行分析，給出了一定的趨勢分析。通過這個研究成果進行新一輪的挖掘，可以發現以尖峰電壓為故障預兆參數，并對生命周期內的尖峰電壓峰值進行預測可以有效的實現IGBT的失效預測。

3 基于DBN模型的IGBT健康狀態預測

3.1 DBN模型的原理和構建

DBNs模型是由多個受限玻爾茲曼機從下到上堆疊構成的[8]，受限玻爾茲曼機(restricted Boltzmann machines，RBMs)由兩部分組成：代表可觀察量的可視單元V=(V1,…,Vm)，和用于提取可觀察量之間關聯特性的隱藏單元H=(H1,…,Hn)。兩部分中神經節點取值都是二值的，即(v,h)∈(0,1)m+n。比之傳統玻爾茲曼機，RBMs僅在可視層與隱藏層節點之間以c權重進行全連接，而同層節點之間則沒有連接[9]：，如圖2所示。

圖2 n隱藏結點和m可視結點的RBMs結構

圖2中，hi,(i=1,2,…,n)與vi,(j=1,2,…,m)分別為隱藏層結點和可視層結點，ci(i=1,2,…,n)與bj(j=1,2,…,m)是RBMs兩層節點的偏差項，wnm表示連接隱藏單元和可視單元的實值權重。這樣結構的優勢就是可以極大地減少模型運算的復雜程度，提高其響應速度[10]。根據理論研究分析，提出了h和v的聯合概率分布公式為:

(1)

Z=∑v,he-E(v,h)

(2)

(1)和(2)中，歸一化因子Z是配分函數，E是能量函數:

(3)

其中，wij(i=1,2,…,n;j=1,2,…,m)是隱藏單元和可視單元間的權重，bj和ai分別是隱藏單元和可視單元的偏差項。基于條件概率的規則并使用公式(1)，得到h和v互為初始條件時的條件概率公式為:

(4)

(5)

(6)

(7)

其中Hi=1和Vj=1分別是隱藏神經元Hi和可視神經元Vj。模型參數的更新規則如下列公式所示：

(8)

(9)

Δci=p(Hi=1|v(0))-p(Hi=1|v(k))

(10)

參數v(0)是訓練樣本的起始值，參數v(k)是吉布斯采樣運行到第k次的采樣值(k通常取值為1)。

通過將多個RBMs從下向上進行組合，可以構建成一個DBN模型[11-14]。通過對DBN模型進行無監督訓練，最后生成一個概率產生模型。模型的聯合概率分布如下所示：

(11)

其中，p(x|h1)是在h1條件下x的條件概率公式，p(hl-1,hl)是hl-1和hl的聯合概率密度公式，DBN模型的結構如圖3所示。

圖3 DBN模型構建過程

3.2DBN模型的預測過程

基于DBN模型的預測方法描述如下[16]：首先，根據實際預測需求，從樣本數據集提取與元件性能相關的性能參數并組建預測所需的訓練樣本集，小波分析方法被用于為特征變量去噪來消除噪聲對預測效果的影響。其次，預訓練DBN模型過程，即初始化模型權重和偏差項并使用訓練樣本迭代訓練，直到輸入樣本的概率分布與輸出樣本的概率分布偏差在設定范圍內為止。然后，將BPNN方法被用于微調模型參數直到預測輸出數據與實際數據偏差小于特定范圍后停止。最后，將需要被預測的數據作為DBN模型輸入，經模型處理后即可在輸出層獲得預測數據。具體過程如圖4所示，包括：

圖4 DBN模型的算法流程

1)樣本數據特征提取，數據過濾。

2)根據步驟1)設置DBN模型結構，初始化模型參數并設置最大迭代次數。其中Δwij，Δbj，Δci通常被設置為0。

3)將預處理后的樣本數據作為訓練數據。使用公式(8)～(10)迭代更新模型參數直到最后一個訓練樣本。

4)使用公式(12)計算第在第k-1次和k次吉布斯采樣時條件概率誤差值。

(12)

其中參數i是樣本迭代次數，參數j是訓練樣本集數量。

5)如果相鄰兩次迭代|Ei+1-Ei|的值超出設定范圍，繼續重復步驟4)，否則進行下一步。

6)使用BPNN對預訓練后的模型參數進行微調。

7)模型輸出即為預測結果，結束。

預測過程包括兩個過程。步驟1)～5)是無監督學習過程，用來對DBN模型的參數進行一個初步的處理過程。步驟6)～7)是一個無監督訓練過程，用來微調模型參數并最終輸出預測結果。

4 實驗和分析

實驗中發現，IGBT的關斷特性中門極信號改變不夠明顯，而集電極-發射極的瞬態電壓表現出顯著的下降趨勢。根據對集電極-發射極瞬態電壓趨勢的分析，發現關斷峰值電壓呈現出強的負時間關聯性；從而IGBT的失效預測可以將峰值電壓作為失效特征參數來實現。因此選擇關斷瞬態電壓作為退化實驗數據(圖1)。由于樣本參數起伏較大，這里使用小波去噪對樣本數據進行平滑處理。將處理后的數據作為實驗數據。濾波前與濾波后實驗樣本曲線如圖5所示。曲線中共有384個樣本點。將樣本點連續的前6個數據作為輸入，第7個數據作為輸出，共有378組數據樣本組被獲得。將前300組數據作為模型的訓練樣本，后78組數據作為評估測試數據。

圖5 實際測量和經小波去噪處理后的的實驗數據

4.1DBN模型的預測結果和分析

訓練前先初始化DBN模型。初始化主要包括設置可視層，隱藏層，輸出層神經元數量，以及可視層與隱藏層之間的權重，可視層神經元和隱藏層神經元的偏差項。一旦訓練樣本被確定則輸入和輸出神經元數量也隨之確定。由于這里是將連續的前6個數據組合成一個DBN模型的隊列輸入函數，并將第7個數據作為輸出，故模型有6個輸入神經元1個輸出神經元。擁有2個隱藏層的DBN模型被用于IGBT的性能預測實驗，模型結構如圖6所示。

圖6 兩層DBN模型結構

每層RBM的權重和偏差項的偏差更新表示如下：

(12)

(13)

Δci=p(Hi=1|v(0))-p(Hi=1|v(k))

(14)

前300組訓練樣本被用于模型訓練。當模型完成訓練，剩余的78組作為評估預測數據。訓練數據比例和部分模型參數如表1所示。

表1 兩層DBN參數列表

令訓練樣本最大迭代次數為20000，學習率為1，起始權重和偏差項都設為0，預測結果如圖7所示。RMSE為0.1031，預測精準度可被接受，但在圖中可發現預測與實際值仍有一定差距，尤其是靠后的樣本點表現出了較大的誤差，這是因為在靠后部分的訓練樣本缺失最終導致的訓練區間丟失的結果。

圖7 完整的訓練樣本和兩隱藏層DBN模型預測曲線

4.2 使用LM模型對比與分析結果

在元件失效特征參數預測過程中，LM算法可以較好地預測IGBT的退化趨勢。本文根據參考文獻[15]建立LM算法預測模型，預測的結果作為DBN模型的對照。LM(Levenberg-Marquardt)算法使用漸進二階導數方法來避免矩陣的倒置運算，擁有比傳統網絡更平穩快速的收斂方式。其原則是通過減小誤差來調整網絡的權重和閾值，從而實現過程的最優化過程[17]。LM算法的誤差指標方程為

(15)

其中ti和oi為期望輸出和實際輸出，N是輸出矩陣的維度，假設E(w)=[E1(w)E2(w)…EN(w)]T，那么雅可比矩陣J(w)為

(16)

LM算法是一種改進的高斯-牛頓方法，運算規則如下

Δw=-[JT(w)J(w)+μI]-1J(w)E(w)

(17)

其中I是單位矩陣，μ是大于零的常數。

把兩隱層DBN模型和LM模型根據RMSE進行預測精度比較，比較結果見表2。從數據可知兩種預測模型的預測精度相仿，并且預測值與實際值的誤差都可以被接受。然而預測結果和實際值之間仍然有較大差距。接下來，提出一個三層DBN模型來增強預測精度。

表2 二層DBN模型與LM模型RMSE對比

新的DBN模型的隱藏層被調整為三層結構，其中模型學習率被調整為0.46，并且根據對比均方誤差來調整每一層神經元數量。最優節點數量和數據比例如表3所示。

如圖8和圖9所示，三隱藏層DBN模型產生的預測誤差比其他兩種模型的誤差明顯較小。三隱藏層DBN模型預測曲線的RMSE值為0.071 9。

表3 三層DBN模型參數列表

圖8 DBN模型和LM模型中實際數據與預測數據曲線

圖9 DBN模型和LM模型預測誤差曲線

比較3種模型預測的精準度可以發現，兩隱藏層DBN模型和LM模型是相近的，三隱藏層DBN擁有更高的預測精度。同時，DBN算法可以通過無監督學習過程來優化模型消耗，減少擬合時間，這表明DBN模型有較高的學習效率，是一種高預測精度的算法。

5 結論

本文的主要工作是提出了一種基于DBN的預測算法模型，用于預測IGBT失效特征參數。利用美國NASA艾姆斯中心的IGBT加速退化實驗所得到的數據作為原始樣本，分別評估了DBN模型和LM模型的預測性能。預測結果顯示三層DBN預測模型相比LM算法模型具有更高的預測精度，并且可以幫助實現根據IGBT狀況進行設備的維護，增強電子設備可靠性等功能，因此本文所提出的預測方法在實際生產中具有實用價值。

[1]SmetV,ForestF,HuselsteinJJ,etal.AgeingandfailuremodelsofIGBTmodulesinhigh-temperaturepowercycling.IEEETransactionsonIndustrialElectronics[J]. 2011,58(10): 4931-4941.

[2]AlghassiA,PerinpanayagamS,SamieM.StochasticRULcalculationenhancedwithTDNN-basedIGBTfailuremodeling[J].IEEETransactionsonReliability, 2016, 65(2).

[3]GrantRDA，PowerJ.PowerMOSFET-theoryandapplications[M].NewYork:Wiley, 1989.

[4]SzeSM.Physicsofsemiconductordevices[M].NewYork:Wiley, 1981.

[5]HanHOhB,McCluskeyP,HanCh,etal.Physicsoffailure,conditionmonitoring,andprognosticsofinsulatedgatebipolartransistormodules:areview[J].IEEETransactionPowerElectronics, 2015, 30(5), 2413-2426.

[6]ShammasN.Y.A.Presentproblemsofpowermodulepackagingtechnology,MicroelectronicReliability[J]. 2003, 43(4), 519-527.

[7]CoqueryGG,LefrancG,LichtT,etal..Hightemperaturereliabilityonautomotivepowermodulesverifiedbypowercyclingtestsupto150C[J].MicroelectronicReliability, 2003, 43(9), 1871-1876.

[8]SonnenfeldG,GoebelK,CelayaJR.Anagileacceleratedaging,characterizationandscenariosimulationsystemforgatecontrolledpowertransistors[C].inProceedingofIEEEAuto-testConference, 2008.

[9]AckleyDH,HintonGE,SejnowskiTJ.AlearningalgorithmforBoltzmannmachines[J].CognitiveScience,1985, 9, 147-169.

[10]BengioY,DelalleauO.Justifyingangeneralizingcontrastivedivergence[J].NeuralComputation,2009, 21(6), 1601-1621.

[11]KollerD,FriedmanN:Probabilisticgraphicalmodels.PrinciplesandTechniques[M],MITPress,2009.

[12]BengioY.LearningdeeparchitecturesforAI.foundationsandtrendsinmachinelearning[J]. 2009, 21(6), 1601-1621.

[13]HintonGE,OsinderoS,TehY-W.A.Fastlearningalgorithmfordeepbeliefnets[J].NeuralComputation, 2006, 18(7):1527-1554.

[14]WeiW,PeishengC.SimulationofwaveletdenosingbasedonMATLAB[J].InformationandElectronicEngineering, 2008,Jun6(3).

[15]JianL,MinfangX.Researchonthecombinedapplicationofanalogcircuitssoftfaultsandlmalgorithm[J].ElectricPowerScienceandEngineering,2015, 31(5).

[16] 夏春江, 王培良. 基于DBN-PID的木材干燥窯參數檢測系統[J]. 計算機測量與控制, 2015, 23(1): 99-101.

[17] 張 華, 刁永發, 于 偉. 基于LM-BP神經網絡的氣閥故障診斷方法[J]. 計算機測量與控制, 2015, 23(10): 3307-3309.

Prediction Method of IGBT Health Parameters based-on Degradation Data and DBN Algorithm

Chen Bing1, Lu Gang2, Fang Hongzheng3,4, Zhang Mingmin1, Dong Yunfan3,4

(1.College of Electronic Engineering, Naval University of Engineering, Wuhan 430033, China; 2.Equipment Department of Navy, Beijing 100055, China; 3.Beijing Aerospace Measure & Control Corp.Ltd, Beijing 100041, China;
4.Beijing Key Laboratory of High-speed Transport Intelligent Diagnostic and Health Management, Beijing 100041, China)

Insulated Gate Bipolar Transistor (IGBT) and other electronic components are widely used in the transport and energy sector, its health status for equipment safety and effectiveness is essential. Based on the analysis of the structure and failure mechanism of the IGBT, the peak of the collector-transmitter voltage is selected as the failure characteristic parameter combining with the accelerated degradation experiment data from NASA Ames Center. Then a prediction method based on the Deep Belief Network (DBN) is proposed for the analysis and prediction of the trend of the IGBT. Comparing with the Levenberg-Marquardt (LM) algorithm model, the experimental results show that the proposed three hidden layer DBN model has better prediction performance and higher prediction accuracy than LM model.

insulated gate bipolar transistor； deep belief network； failure characteristic; prediction

2017-03-10；

2017-03-17。

陳 冰(1979-)，女，黑龍江哈爾濱人，副教授，主要從事裝備維修保障技術方向的研究。

1671-4598(2017)05-0071-05DOI：10.16526/j.cnki.11-4762/tp

TP181;TN

A