《Electronics》：Fractional Long-Range Dependence Multi-Mode for Remaining Useful Life Prognosis of IGBT Under DC Voltage Control
编辑推荐：
由于IGBT的退化过程是一个缓慢变化的非平稳随机过程，并且在三种模式（有源区、饱和区、截止区）之间随机切换，因此IGBT剩余使用寿命（RUL）预测仍是一个亟待解决的研究问题。本文研究了直流电压控制工作条件下的IGBT RUL预测。首先，通过栅极电压、集电极电压
由于IGBT的退化过程是一个缓慢变化的非平稳随机过程，并且在三种模式（有源区、饱和区、截止区）之间随机切换，因此IGBT剩余使用寿命（RUL）预测仍是一个亟待解决的研究问题。本文研究了直流电压控制工作条件下的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（HFP），用于退化过程的故障特征提取。其次，建立了描述IGBT三种工作模式的马尔可夫状态转移矩阵。进一步，开发了具有三模式特征的长相关分数维布尔过程（fWp）预测模型。最后，在公开的NASA IGBT热过载老化数据集上进行了验证。误差分析表明，与四种预测方法——APE、OSGP、TDNN-GP和SA-NN相比，所提方法获得了更优的预测精度。
IGBT器件存在三种主要失效模式：源于器件固有缺陷的失效、随机开路与短路故障、伴随性能退化的疲劳失效。其中，疲劳失效是IGBT使用寿命的直接决定因素，因此退化后期的疲劳退化应作为可靠性评估的核心指标。IGBT的退化过程是缓慢变化的非平稳随机过程，并具有长相关性（LRD，即时间序列的自相关函数按幂律衰减且积分发散），同时器件会在有源区、饱和区和截止区三种工作模式间随机切换。现有RUL预测方法，如基于物理失效机制的方法、人工智能方法、随机退化模型等，大多忽略这些关键特性，导致预测精度和泛化能力受限。为此，研究人员提出了一种结合HFP、马尔可夫状态转移矩阵和分数维布尔过程（fWp）的多模式RUL预测模型，旨在更准确地描述IGBT在直流电压控制下的退化行为。
研究人员首先构建了健康特征参数（HFP），通过栅极电压、集电极电压和温度的加权线性组合提取退化特征，权重根据基尔霍夫定律确定，并通过±10%和±20%的扰动敏感性分析验证了HFP的鲁棒性。其次，建立了描述IGBT三种工作模式的马尔可夫状态转移矩阵。再者，开发了具有三模式特征的长相关分数维布尔过程（fWp）预测模型。最后，在公开的NASA IGBT热过载老化数据集上验证，结果表明Hurst指数范围为0.6399至0.9981，预测误差MAE=33.3194、RMSE=37.2812，均优于四种基准方法（APE、OSGP、TDNN-GP和SA-NN），且明确考虑了多模式特性，增强了模型可解释性。
关键技术方法主要包括：一，基于基尔霍夫定律的多传感器融合HFP构建，权重由电压比例关系与电流关系确定，并纳入栅极电压以反映栅射极潜在击穿影响；二，基于数据挖掘的模式发生概率估计和马尔可夫状态转移矩阵建立，采用V
GE和V
CE联合阈值识别硬件干扰引起的瞬时截止样本；三，采用最大似然估计（MLE）求解分数维布尔分布（fWd）的尺度参数λ和形状参数k，并通过拟合优度（GoF）方法（以RMSE和R
2为准则）确定分形参数δ；四，建立多模式自适应fWp退化模型，对漂移系数和扩散系数进行联合更新。数据来源为NASA公开的IGBT热过载老化数据集，模块型号IRF-G4BC30KD，门极施加10V直流方波、频率1kHz、占空比40%，温度阈值268°C/270°C，热失控设置305°C，实验持续约4小时。
8.1 HFP and Hurst Exponent Calculated：研究人员将直流门极控制下的IGBT退化数据分离为有源区和饱和区模式，并对三种模式分别构建HFP。归一化后，有源区、饱和区、截止区的故障点（FT）分别为0.8981 p.u.、0.9833 p.u.和0.9509 p.u.。基于三模式退化过程的峰度和Hurst指数计算，明显呈现长相关特性，表明退化过程具有长期记忆性。
8.2 Prognosis Result and Evaluation Discussion：将所提模型与四种基准模型进行对比，基于多模式fWp的模型实现了最佳预测精度。采用平均绝对误差（MAE）、均方根误差（RMSE）、标准差（Std）和Diebold–Mariano检验（D-M）进行评价，D-M统计量小于-1.96，表明fWp模型的预测精度显著优于其他模型。分形参数δ的敏感性测试显示，δ从0.1增至0.4~0.5时，MAE和RMSE逐渐下降；当δ超过0.5后误差明显上升，说明过大δ会剔除过多有效退化样本，导致信息损失。NASA数据集的最优δ约为0.4~0.5，与GoF选择一致。三种模式HFP序列的Hurst估计值及95%置信区间下限均大于0.5，为IGBT退化的长相关性提供了统计证据。
讨论部分指出，OSGP算法忽略了IGBT退化序列的分数特性；APF和SA-NN基于人工智能方法，忽略了模式切换的影响；TDNN-GP结合了神经网络与随机退化模型，但仍然忽略模式切换。所提的多模式fWp模型显式考虑了三模式退化特性，因此具有更好的可解释性和预测精度。研究结论可概括为：针对直流电压控制下的IGBT，提出了具有长相关性的多模式fWp RUL预测模型；HFP的权重分配基于基尔霍夫定律；NASA老化数据集验证表明模型能有效捕获IGBT退化的显著长相关性（Hurst指数0.6399至0.9981），并以最低预测误差（MAE=33.3194，RMSE=37.2812）优于四种主流算法。未来工作将发展更先进的HFP非线性建模，将模型扩展至其他电子设备，并研究时变分形参数δ的在线自适应估计。
