机器学习辅助的电力电子变换器剩余使用寿命预测

《Scientific Reports》：Machine learning- assisted remaining useful lifetime prediction of power electronic converters

　　

摘要

本文提出了一种基于半导体器件和直流电容器健康监测的电力电子转换器剩余使用寿命（RUL）预测方法。主要研究的组件包括氮化镓高电子迁移率晶体管（GaN HEMTs）和铝电解电容器（AECs）。该方法利用实验室环境下的加速老化测试对组件进行长期特性分析。通过基于均匀概率密度函数（PDFs）的统计方法来估算系统在期望工作条件下的存活概率。由于PDFs的计算和系统级概率计算涉及积分等复杂操作，因此采用机器学习（ML）辅助模型来减轻电力电子转换器控制单元的计算负担。神经网络（NN）用于处理实验得到的退化数据及提取的PDFs，从而构建出一个简单的模型，该模型仅需少量矩阵即可实现，甚至可以直接部署在现代微控制器或现场可编程门阵列（FPGAs）上进行现场应用。使用实验室规模原型进行的实验结果表明，所提出的数据驱动方法在加速热循环条件下预测退化检查点之间的时间演变时，准确率可超过99%。这一验证证实了该方法在整个可靠性范围（T99–T01）内与现有统计方法的一致性。因此，该方法能够实时识别老化或可能发生故障的转换器，避免过早退役，从而延长其使用寿命。