直流电压控制下基于三模式Markov转移、长程依赖fWp与HFP的IGBT剩余使用寿命预测

《Electronics》：Artificial Neural Networks for RF Passive-Device Modeling and Design: A Review

　　

由于 IGBT（insulated gate bipolar transistor，绝缘栅双极型晶体管）退化过程是缓慢变化的非平稳随机过程，并在三种模式（有源区、饱和区和截止区）间随机切换，IGBT 的剩余使用寿命（remaining useful life，RUL）预测仍是一个紧迫的研究问题。该工作研究直流电压控制工况下的 IGBT RUL 预测。首先，通过栅极电压、集电极电压和温度的加权线性组合构建健康特征参数（health feature parameter，HFP），用于退化过程故障特征提取。其次，建立描述 IGBT 三种工作模式的 Markov（马尔可夫）状态转移矩阵。进一步，建立具有三模式特征的长程依赖（long-range dependence，LRD）分数阶 Weibull 过程（fractional Weibull process，fWp）预测模型。最后，在公开 NASA IGBT 热过载老化数据集上进行验证。误差分析表明，与 APE、OSGP、TDNN-GP 和 SA-NN 四种预测方法相比，所提方法实现了更优的预测精度。

研究背景方面，IGBT 存在三类主要失效模式：本征缺陷、随机开路与短路故障、性能退化伴随的疲劳失效。老化过程由浴盆曲线描述：初期由制造缺陷引起，但出厂检验严格而较少发生；中期故障多由过压、过流、驱动故障和脉冲错误等外部随机因素触发，器件通常仍处于健康运行状态；后期疲劳损伤累积导致显著性能退化。疲劳失效直接决定 IGBT 使用寿命，是后期可靠性评估核心。IGBT 疲劳失效常分为电击穿与热击穿，温度相关因素约占 IGBT 模块故障的 60%，温度每升高 10 °C 可使失效风险约翻倍。现有 RUL 方法存在局限：非接触表观结温方法适合产品检测而非现场测试；部分模型所需实验数据难获取；随机预测模型未考虑三模式突变切换；物理失效方法需大量工程数据校准；人工智能方法依赖实验室数据，变工况泛化有限；Levenberg–Marquardt 结合 Monte Carlo 方法依赖单一集电极—发射极电压降；多物理场耦合模型预测性能仍不理想。因此，研究人员针对 IGBT 退化缓慢变化、非平稳且具 LRD、并随机切换于饱和、截止和有源三模式的特点，提出基于 fWp 的 RUL 预测模型，并用多传感器融合构建综合 HFP。

关键技术方法不超过250字：研究人员采用数据挖掘估计有源、饱和、截止模式出现概率，并以 V_GE 与 V_CE 联合阈值识别 NASA 直流控制数据中硬件噪声、电压跌落和复位引起的短瞬态截止样本；基于 Bayes 总概率与 Markov 状态转移矩阵计算后验概率。通过 Kirchhoff 定律加权温度、集电极电压和栅极电压构建 HFP。建立分数阶 Weibull 分布（fractional Weibull distribution，fWd）与 fWp，使用最大似然函数（MLE）估计尺度参数 λ 和形状参数 k，用拟合优度（GoF）以均方根误差（RMSE）和决定系数 R² 选择分形参数 δ；构建多模态退化方程并自适应更新 η_Φ、δ_Φ。样本队列来源为公开 NASA IGBT 热过载老化数据集，模块 IRF-G4BC30KD。

研究结果如下。2. IGBT 退化过程中的三种模式：研究人员分析 P 沟道 IGBT 等效结构，指出 DC 与 PWM 栅驱动差异；输出特性以 I_c 与 U_e、U_g 为参考，分为截止、有源和饱和区。DC 控制下主要在有源与饱和间交替，PWM 下三模式频繁切换；真实 NASA 数据中瞬态截止由测试台噪声等引起，非有意关断，故保留于三模式 Markov 状态空间以避免人工截断。3. IGBT 模式转移概率估计：通过数据挖掘估计三模式概率并从 DC 控制退化数据知识抽取；定义 Mode 1 为有源、Mode 2 为饱和，Markov 转移矩阵为右随机矩阵，行和为一，并结合 Bayes 总概率得到后验概率。4. IGBT 健康特征参数：Rao et al. 的 HFP 加权温度和集电极电压但忽略栅射电击穿；研究人员发展为 HFP = k_cU_c + k_gU_g + k_TT，权重依据 Kirchhoff 定律启发式分配，敏感性分析表明 ±10% 与 ±20% 扰动下预测精度未急剧恶化。5. fWp 的 LRD 和三模式特征：fWd 引入 δ ∈ (0,1)，δ=0 退化为 Weibull 分布，δ≠0 时积分为非正常分布；fWp 满足初值为零、增量独立且同分布于 fWd。通过自相关函数幂律衰减、Hurst 指数 0.52 评估。7. 多模态 fWp 退化模型建模：退化方程包含三模态漂移因子 γ_Φ、三模态函数 η_Φ、三模态扩散因子 δ_Φ 与 fWp_Φ(t)，并自适应更新 η_Φ、δ_Φ 以消除温度干扰；漂移函数考虑模式切换，κ_Φ 表征漂移与扩散相关性。8. 案例研究：使用 NASA 公开 IGBT 老化数据集，失效模式为 latch-up 效应致热失效；DC 栅压条件为 V_g=10 V DC 方波、频率 1 kHz、占空比 40%、低温度阈值 268 °C、高温度阈值 270 °C、最大温度 305 °C，持续约 4 h，封装温度递增 220、240、270 °C，模块 IRF-G4BC30KD；表面温度是累积退化最佳指标。8.1 HFP 与 Hurst 指数计算：DC 下分离有源与饱和模式，三模式归一化 HFP 故障点为有源 0.8981 p.u.、饱和 0.9833 p.u.、截止 0.9509 p.u.，峰度和 Hurst 值表明三模式退化过程具 LRD。8.2 预测结果和评估讨论：四种基准 APF、OSPG、TDNN-GP 和 SA-NN RUL 中，OSPG 忽略分形特征导致精度低，APF 和 SA-NN 为人工智能 RUL，TDNN-GP 结合神经网络与随机退化模型，但均忽略模式切换；多模式 fWp 预测精度最佳。MAE、RMSE、Std 和 D-M 值用于评估，D-M 统计量小于 ?1.96 表明 fWp 更优；所有基准输入相同，参数仅验证集网格搜索；δ 在 [0.1, 0.7] 内变化，最优约 0.4~0.5；三模式 Hurst 估计均大于 0.5，95% 置信区间下界也大于 0.5，提供 LRD 统计证据。

讨论与结论部分，研究人员指出所提 HFP 基于简化线性关系假设，未来将开发更先进优化的 HFP 建模，需大量实验数据和变工况全面测试；模型可扩展至其他电子设备；fWp 中分形参数 δ 对 RUL 预测的影响及变工况下时变 δ 在线自适应估计留待未来研究。结论翻译如下：本文针对直流电压控制下 IGBT 的 RUL 预测，提出了一种具有 LRD 的多模式 fWp 模型；通过多传感器融合构建 HFP，权重分配基于 Kirchhoff 定律；所提方法用 NASA 老化数据集验证，结果表明其有效捕捉 IGBT 退化中的显著 LRD，Hurst 指数范围为 0.6399 至 0.9981，并与四种主流算法相比取得最低预测误差（MAE = 33.3194，RMSE = 37.2812）；所提方法明确考虑 IGBT 退化多模式特性，从而增强相对现有模型的可解释性。然而，HFP 基于简化线性关系假设，未来将进一步优化；模型可扩展至其他电子设备；δ 影响及在线自适应估计仍待研究。HFP 退化评估、Markov 转移建模和分数阶 Weibull 过程已在以往研究中研究，本工作贡献在于针对性集成用于直流控制 IGBT 预测：改进 Kirchhoff 定律加权 HFP 支持三模式 IGBT 退化；针对真实 NASA 数据集中硬件引起的瞬态截止事件定制三模式 Markov 建模；多模式自适应 fWp 并验证长程依赖性质；完整概率预测流程并针对先进 IGBT RUL 方法验证。