基于对称分量相角特征再设计与核SHAP(Kernel SHAP)分析的三相逆变器IGBT老化诊断改进方法

《IEEE Access》：Improved IGBT Aging Diagnosis for Three-Phase Inverters via Phase-Angle Feature Redesign and Kernel SHAP Analysis

　　

摘要：本研究提出一种基于改进人工神经网络（Artificial Neural Network, ANN）的框架，用于诊断三相逆变器系统中绝缘栅双极型晶体管（Insulated Gate Bipolar Transistor, IGBT）模块的老化状态并预测剩余使用寿命（Remaining Useful Life, RUL）。基于先前构建的15,625组工况仿真数据集，该方法从根本上面向输入特征空间进行重新设计——以对称分量的相角（∠V0，∠V1，∠V2）取代三相电压变化率作为输入，消除冗余信息并实现逆变器中IGBT老化严重程度的精确估计。两个独立的ANN模型（用于风险等级识别的分类模型和用于连续老化指数估计的回归模型）共享由对称分量变换导出的同一六维输入空间。分类模型在噪声条件（信噪比SNR＝20 dB）下达到96.86％的准确率，回归模型决定系数R2＝0.9028，均优于先前研究在相同诊断框架下的结果。核SHAP（Kernel SHAP）全局灵敏度分析与消隐基准对照表明，当输入间存在多重共线性（V0与V2相关系数r＝0.853）时，基于梯度的方法无法捕捉正序分量（V1）贡献（梯度法显示0.00％，而SHAP为回归18.5％／分类41.1％）。四输入消隐实验实证了全部六个特征的必要性——去除V1相关输入后分类准确率降至35～89％，回归R2跌至－8.10。所提纯软件方案无需额外硬件，可广泛应用于电动汽车、无人机及可再生能源系统的预测性维护。

论文解读：

一、研究背景与意义

绝缘栅双极型晶体管（Insulated Gate Bipolar Transistor, IGBT）是电动汽车（Electric Vehicle, EV）、无人机、光伏及风电变流器等电能转换系统的核心开关器件，约31～34％的功率变换装置失效源于功率半导体开关老化。IGBT模块在热循环作用下发生键合线翘起（Bond Wire Lift-off）与焊层疲劳，导致导通电阻R_on增大、集射饱和压降V_ce-on升高，最终引发开路或短路灾难性故障。传统老化监测依赖V_ce-on微伏级直接测量（需昂贵隔离电路）、热像仪结温检测或声发射传感器，存在成本高、安装受限、引入新故障点等局限；基于FFT谐波分析与总谐波失真（Total Harmonic Distortion, THD）的方法在负载瞬变时易误判且难以区分电网谐波与开关故障特征。现有机器学习方法多采用三相电压变化率与对称分量幅值变化率组合输入，存在线性冗余且未利用可表征故障相位的相角信息，同时基于梯度的特征重要性分析在多变量共线性下可能给出误导性结论。为此，研究人员提出一种仅依托现有输出电压传感器的纯软件诊断方案，通过对称分量法（Symmetrical Components Method / Fortescue Transform）提取物理意义更明确的六维特征（幅值变化率＋相角），结合ANN分类与回归双模型及Kernel SHAP可解释性分析，实现IGBT老化等级判别与连续老化指数预测，并在IEEE Access发表。

二、主要关键技术方法

研究人员基于MATLAB/Simulink搭建500 V双直流母线供电、Space Vector Pulse Width Modulation（SVPWM）控制、380 V_rms/60 Hz Y型阻感负载（50 kW）的三相逆变器模型，采用Infineon FF150R12ME4_lookup table建模IGBT，将六只开关管（S1～S6）的通态电阻R_on设为五档（0.007～0.005 Ω），穷举组合生成15,625组（5⁶）老化场景并叠加SNR＝20 dB高斯白噪声。特征提取阶段对三相输出电压V_a、V_b、V_c做对称分量变换得到零序V₀、正序V₁、负序V₂复数分量，计算三组对称分量幅值相对基准健康状态的百分变化率ΔV_i（i＝0,1,2）及其相角∠V₀、∠V₁、∠V₂，经Z-score标准化构成六维输入矢量。分别构建共享隐含层结构（50?60?20节点、ReLU激活、隐层二置20％ Dropout）的独立ANN模型：分类网络输出四节点Softmax对应风险等级0～3（健康／轻微／中度／严重），以交叉熵损失和类别加权缓解不平衡；回归网络单节点tanh输出连续联合老化指数（Combined Aging Index, CAI∈[0,1]），以均方误差（Mean Squared Error, MSE）为损失函数；均采用Adam优化器与ReduceLROnPlateau策略及早停。特征重要性对比采用中心差分梯度×输入（Gradient×Input）局部灵敏度法与Kernel SHAP全局Shapley值分析，并以Pearson相关系数矩阵评估输入间多重共线性。通过移除正序相关两输入重构四输入轻量化模型做消隐（Ablation）验证特征必要性，并与SVM/SVR、Random Forest、XGBoost、LightGBM基线对照。

三、研究结果

■ 分类性能评估（Section V?A）：分类模型在测试集（3,125样本）整体准确率为96.86％，其中健康级（Class 0）90.20％、早期老化（Class 1）93.52％、中度老化（Class 2）92.15％、严重老化（Class 3）98.35％，较先前研究（Park et al., 2026）同框架下提升约2.37个百分点且早期分级精度提高约5％，证明相角特征有助于细微老化的辨识。

■ 回归性能评估（Section V?B）：CAI回归模型测试集决定系数R²＝0.8943（全文报告整体R²＝0.9028，较先前研究0.8718提升3.1％），RMSE＝2.3665、MAE＝1.6651，预测误差随老化程度加深（CAI→1）减小，说明特征信号在晚期老化更显著。

■ 基于梯度的灵敏度分析结果（Section V?C）：梯度法对回归任务给出V_{0_mag_Change}45.35％、V_{2_mag_Change}35.98％、V_{2_angle}13.55％，而V_{1_mag_Change}与V_{1_angle}均为0.00％；分类任务中V_{0_mag_Change}占比达74.51％，V₁系列同样为0％。该结果若单独采信会错误暗示正序输入可删除。

■ Kernel SHAP全局分析结果（Section V?D）：SHAP全局重要性显示V_{1_mag_Change}与V_{1_angle}合计贡献回归18.5％（分别9.2％、9.3％）、分类41.1％（分别24.4％、16.7％），其中分类网络中V_{0_angle}居首（26.8％）、V_{1_mag_Change}次之（24.4％）。消隐实验证实V₁去除致模型崩溃，故Kernel SHAP较梯度法更契合本共线性场景下真实特征效用。

■ 特征间相关性分析（Section V?E）：Pearson矩阵显示V_{0_mag_Change}与V_{2_mag_Change}强相关（r＝0.853），而V_{1_mag_Change}与二者近似无关（r≈－0.004～－0.003），说明梯度法高估共线性变量（V₀、V₂）独立贡献并低估无共线性的微小变化变量（V₁），后者因局部梯度平坦被误判为零贡献。

■ 降维输入实验（Section V?F）：四输入模型（剔除V₁两项）分类准确率Class 0骤降至35.29％（↓54.91％）、Class 1降至60.62％（↓32.90％）、Class 2降至49.48％（↓42.67％），仅Class 3维持88.86％；回归R²＝－8.10、RMSE升至6.4255，证实六维全特征（含正序幅变与相角）为必要最小集，相角信息对早期老化尤为关键。

■ 与基线模型对比（Section V?G）：相同六维输入下，所提ANN分类准确率（96.86％）超越SVM（91.2％）、RF（94.5％）、XGBoost（95.1％）、LightGBM（94.8％）；回归R²（0.8943）与Random Forest（0.9076）、XGBoost（0.9008）相当，但ANN参数量仅≈4.7 k（树集成需数万节点），更适合星载／车载嵌入式部署。多算法族在同一特征集上聚敛高性能佐证性能增益源于物理驱动的特征再设计而非特定分类器。

四、讨论与结论翻译

讨论指出：①强共线性（V₀–V₂, r＝0.853）使梯度法夸大共有方差贡献，SHAP条件贡献（给定V₀存在时V₂边际增益）去冗余后降至16.2％；②V₁与另两者线性无关（r≈0）但因幅变范围极窄致局部梯度近零而被梯度法误判无用，其实际提供早期老化基准相位信息不可替代；③分类网络特征重要性较回归更分散，V_{0_angle}跃居首位反映风险等级边界依赖零轴相移阈值效应；④纯软件对称分量相角特征替换三相电压变化率是精度提升根本原因，不建议依梯度法做输入剪枝，必要时可用PCA等保信息降维。局限性含仿真数据未涵盖实际硬件噪声与非线性、Kernel SHAP背景采样假设特征独立受共线性影响、单拓扑验证，后续拟在实物平台验证并拓展至SiC/GaN器件与数字孪生（Digital Twin）。

结论：研究人员提出将三相逆变器输出电压实对称分量变换后的幅值变化率与相角构建六维输入，替代先前三相电压变化率特征，配合分类与回归双ANN模型及Kernel SHAP可解释性分析，对15,625组仿真场景验证表明——风险等级分类准确率96.86％（SNR 20 dB下仍达95.1％），连续老化指数CAI回归R²＝0.9028（较先前研究提升3.1％），早期老化分级精度提高约5％；Kernel SHAP揭示梯度法在输入共线性（V₀–V₂, r＝0.853）下低估正序分量贡献（SHAP显示回归18.5％／分类41.1％，梯度法0.00％），该必要性经四输入消隐实验（分类骤降至35～89％、回归R²＝－8.10）确证；所提方法仅需既有电压传感器、无需附加硬件，适用于电动汽车、无人机及新能源逆变器预测性维护。