[发明专利]一种IGBT模块老化程度评估方法

说明书

本发明涉及一种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。

技术领域

本发明属于电力电子器件技术领域，尤其是一种IGBT模块老化程度评估方法。

背景技术

绝缘栅双极晶体管(Insulated Gate Bipolar Transistor,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。

发明内容

本发明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。

本发明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；