一种基于GA-Elman-LSTM组合模型的IGBT寿命预测方法

本发明属于igbt维护技术，尤其涉及一种基于ga-elman-lstm组合模型的igbt寿命预测方法。

背景技术：

1、牵引变流器作为城轨车辆的核心装备，其服役状态直接影响城轨交通的安全可靠运营。据工业调查，igbt失效占变流器系统故障的31％，是变流器系统中最脆弱的器件，而城轨车辆运行工况复杂多变，igbt失效率更高。准确预测igbt寿命可有效避免计划外维修，降低运维成本，提升城轨交通系统运维智能化水平。目前，igbt寿命预测技术主要包括基于模型的寿命预测和基于数据驱动的寿命预测两类。

2、基于模型的igbt寿命预测是通过多物理场仿真获取器件热应力数据，经处理后代入寿命模型中实现igbt寿命预测的方法。其中igbt寿命模型主要有解析模型和物理模型两种，解析模型是根据加速试验数据构建的失效循环次数和失效物理量的经验关系模型，而物理模型则是利用模块内部结构老化失效的应变等微观变化来构建的寿命模型。无论是解析模型还是物理模型，其关键系数均需通过大量试验或仿真得到，建模复杂，耗时长，且由于igbt模块物理层面的差异，通用性较差。

3、基于数据驱动的igbt寿命预测是通过各种数据处理方法对igbt老化数据中的特征信息进行提取，进而结合预测模型实现其寿命预测。此方案由于其数据获取容易，建模简单，能实现在线预测等优点，成为目前igbt寿命预测技术的发展方向。但由于igbt老化参数值数量级较小，且在整个老化过程中其退化量也较小，故传统单项预测模型难以实现对igbt老化数据信息的全面准确提取，导致模型预测精度不高，通用性较差。

技术实现思路

1、针对现有技术的不足，本发明提供一种基于ga-elman-lstm组合模型的igbt寿命预测方法。解决单项预测模型提取igbt老化数据不准确、不全面的问题，有效提高模型预测精度，降低预测风险。

2、本发明的一种基于ga-elman-lstm组合模型的igbt寿命预测方法，包括以下步骤：

3、步骤1：igbt老化数据获取。

4、利用安装于轨道车辆牵引变流器的状态监测电路采集igbt老化失效数据并将数据传输给上位机加以存储。

5、步骤2：数据预处理。

6、对igbt老化数据进行平滑降噪处理，然后使用滑动时间窗法构建自相关性时间序列数据样本集，时间窗口设置为10，步长设置为1，最后按照70％训练集，15％验证集，15％预测集对数据样本集进行划分。

7、步骤3：ga-elman初步预测模型训练，将步骤2的训练数据集导入ga-elman模型中进行训练，具体训练步骤为：

8、s31、elman模型初始化：确定elman模型拓扑结构及基本网络参数，根据训练数据集可知，ga-elman模型输入层神经元个数应设置为10，输出层神经元个数设置为1，隐含层神经元个数设置为15，迭代周期设为10000次，训练精度设为0.01，最后随机获取一组初始权值与阈值，在k时刻的elman神经网络数学模型为：

9、y(k)＝g(ω3x(k)+b2) (1)

10、x(k)＝f(ω1(u(k-1))+ω2z(k)+b1) (2)

11、z(k)＝x(k-1) (3)

12、式中：u为r维输入向量；y为p维输出向量；x为q维隐含层结点向量；z为q维反馈状态向量；g(·)和f(·)分别为输出层和隐含层的传递函数；ω1、ω2和ω3分别为输入层到隐含层、承接层到隐含层及隐含层到输出层的连接权值；b1和b2分别表示隐含层和输出层的阈值。

13、s32、ga优化elman权值与阈值：首先，ga获取网络初始权值阈值并对其进行编码，然后构建适应度函数并进行遗传操作，最后计算适应度值并判断是否满足结束条件，若满足则将最优权值阈值赋予elman模型，否则继续进行遗传操作。

14、s33、ga-elman模型训练预测：elman利用ga搜索得到的最优初始权值与阈值进行训练，训练完成后将15％的验证集导入模型中进行验证，验证集预测精度满足设定的阈值后输出ga-elman初步预测模型。

15、步骤4：误差修正训练集与验证集构建。

16、用训练好的ga-elman初步预测模型分别拟合训练数据集与验证数据集并计算其预测误差，以原igbt老化失效数据为lstm模型输入，以对应的误差数据作为输出构建误差修正训练数据集与验证集。

17、步骤5：lstm误差修正预测模型训练。

18、确定lstm模型拓扑结构及基本网络参数，同样将lstm输入神经元及输出神经元个数分别设为10和1，隐含神经元个数设为200，迭代次数设为400，训练精度设为0.01，将第四步构建的误差修正训练集输入lstm模型进行训练，训练完成后将误差修正验证集导入模型中进行验证，验证集预测精度满足设定的阈值后输出lstm误差修正预测模型。

19、lstm模型对应计算过程如下所示：

20、ft＝sigmoid(wf·[ht-1,xt]+bf) (4)

21、it＝sigmoid(wi·[ht-1,xt]+bi) (5)

22、

23、

24、ot＝sigmoid(wo·[ht-1,xt]+bo) (8)

25、ht＝ot⊙tanh(ct) (9)

26、式中：ft、it、ot、分别为遗忘门、输入门、输出门、中间单元状态值；wf、wi、wo、wc分别为对应门结构的权重矩阵；bf、bi、bo、bc分别为对应门结构的偏置矩阵；xt为输入序列，ht-1为上一时刻细胞单元最终输出，[ht-1,xt]表示两个向量连接成一个长向量；ct为当前时刻的单元状态值，ht为当前时刻的最终输出；⊙表示向量中元素按位相乘；sigmoid与tanh为lstm模型的激活函数。

27、步骤6：输出最终组合预测模型。

28、根据步骤3和步骤5训练得到的ga-elman初步预测模型与lstm误差修正预测模型搭建ga-elman-lstm误差修正组合模型；将15％的预测集导入组合模型中进行寿命预测，以ga-elman模型输出结果作为初步预测值，将lstm模型输出结果作为误差修正值，将初步预测值与误差修正值相减得到最终模型预测值。

29、本发明的有益技术效果为：

30、1.本发明通过利用遗传算法选择、交叉和变异三种算子优化elman神经网络模型训练过程，有效解决了传统elman神经网络模型易陷入局部最小值的问题，方便高效地使模型能够收敛到全局最优值，有效提高了模型预测精度。

31、2.本发明通过将基于ga优化的elman神经网络与lstm网络进行组合，建立ga-elman-lstm误差修正组合预测模型并应用于igbt寿命预测，利用组合预测模型的优势进一步提高了模型预测的准确性与精度，同时还提高了模型预测稳定性，降低了预测风险。

技术特征：

1.一种基于ga-elman-lstm组合模型的igbt寿命预测方法，其特征在于，包括以下步骤：

技术总结
本发明公开了一种基于GA‑Elman‑LSTM组合模型的IGBT寿命预测方法，具体为：获取IGBT老化数据；对数据预处理；利用GA优化的Elman神经网络，将训练数据集导入GA‑Elman模型中进行训练；用训练好的GA‑Elman初步预测模型构建误差修正训练集与验证集；LSTM误差修正预测模型训练；根据步GA‑Elman初步预测模型与LSTM误差修正预测模型搭建GA‑Elman‑LSTM误差修正组合模型，进行最终组合预测。本发明方便高效地使模型能够收敛到全局最优值，有效提高了模型预测精度；同时还提高了模型预测稳定性，降低了预测风险。

技术研发人员：吴松荣,杨平,周懿,张浩然,邓鸿枥,张瀚文,刘齐,付聪,柳博
受保护的技术使用者：西南交通大学
技术研发日：
技术公布日：2024/1/13