北方工大年夜学者提出一种IGBT老化失落效猜测方法可提升猜测效果！

从IGBT失落效预测模型和机理的角度剖析，IGBT模块失落效预测方法可分为三类：基于解析模型的方法、基于物理模型的方法及基于数据驱动的方法。

基于解析模型的方法通过建立数学模型来描述IGBT的事情特性和行为，进而实现失落效预测。
基于物理模型的方法通过构建IGBT有限元模型实现对模块的失落效预测。
基于数据驱动的方法与其他两类方法不同，其仅利用IGBT模块的历史老化失落效数据便可完成对模块的失落效预测剖析。
常见的几种失落效特色参数紧张包括集电极-发射极电压、集电极电流、门极-发射极电压及IGBT结温。

针对绝缘栅双极型晶体管（IGBT）受热应力冲击后对其进行老化失落效预测精度不高的情形，北方工业大学电气与掌握工程学院、北京交通大学电气工程学院的万庆祝、于佳松、佟庆彬、闵现娟，提出一种基于贝叶斯优化（Bo）-双向是非期影象（BiLSTM）网络的IGBT老化失落效预测方法。

图1 IGBT加速老化试验装置

研究职员以集电极-发射极电压、封装温度、集电极电流作为失落效特色参数，搭建BiLSTM网络，并利用贝叶斯优化算法对网络进行优化，以降落预测模型的不愿定性及系统噪声滋扰，提高网络的动态适应性，实现失落效数据的高精度预测。

图2 Bo-BiLSTM网络的建模与预测流程

他们选取常用回归预测性能评估指标将是非期影象（LSTM）网络模型、BiLSTM网络模型与Bo-BiLSTM网络模型的预测结果进行比拟剖析。

剖析结果表明，该方法无需考虑物理模型内部的参数构造，避免了建立繁芜的物理模型，只从实际丈量数据出发便可实现对IGBT老化失落效的预测。
与LSTM和BiLSTM网络比较，采取Bo算法对BiLSTM网络的隐含层、初始学习率及演习次数进行优化，能够更加精准地预测IGBT的失落效数据，有利于预测IGBT的运行状态。

研究者指出，所构建网络对三种失落效数据进行预测，战胜了单一数据预测模型存在的有时性，数据预测结果更具说服力。

本事情成果揭橥在2024年第3期《电气技能》，论文标题为“基于Bo-BiLSTM网络的IGBT老化失落效预测方法”，作者为万庆祝、于佳松 等。
本课题得到北京市教诲委员会基金项目、北京市自然科学基金项目的支持。