(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111252018.7 (22)申请日 2021.10.26 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 伍伟　古湧乾　陈勇　 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/08(2006.01) G06F 119/04(2020.01) (54)发明名称 一种基于径向基神经网络的IGBT寿命估算 方法 (57)摘要 本发明公开了一种基于径向基神经网络的 IGBT寿命估算方法， 其包括以下步骤： S1、 建立 IGBT器件的历史数据集； S2、 利用随机采样一致 性算法进行数据处理； S3、 利用径向基神经网络 训练数据模型； S4、 估算I GBT的使用寿命。 本发明 采用径向基神经网络来进行模型训练， 该神经网 络对非线性模 型具有很好的拟合效果， 且网络结 构简单， 该方法的估算准确性高， 对于提高电力 电子器件的可靠性具有重要意 义。 权利要求书2页 说明书4页 附图2页 CN 114004145 A 2022.02.01 CN 114004145 A 1.一种基于径向基神经网络的IGBT 寿命估算方法， 其特 征在于， 包括以下步骤： S1、 建立IGBT器件的历史数据集； S2、 利用随机采样一 致性算法进行 数据处理； S3、 利用径向基神经网络训练数据模型； S4、 估算IGBT的使用寿命。 2.根据权利要求1所述的基于径向基神经网络的IGBT寿命估算方法， 其特征在于， 所述 步骤S1的具体方法为： 对IGBT器件进行功率循环加速老化实验， 每次功率循环都设置在某一固定温度下采集 IGBT器件在老化过程中的集电极与发射极之 间的导通压降， 同时需要通过多个传感器采集 并记录该导通压降所对应的集电极电流、 器件管壳温度和循环的次数， 并建立一个历史数 据集。 3.根据权利要求1所述的基于径向基神经网络的IGBT寿命估算方法， 其特征在于， 所述 步骤S2的具体步骤为： S2‑1、 对于历史数据集中的所有集电极与发射极之间的导通压降， 从中随机选择k个点 作为一个子样本集； S2‑2、 计算出 该子样本集的拟合模型H； S2‑3、 设置一个阈值范围δ， 用子样本集的拟合模型H对导通压降数据Vi进行阈值检验， 检验规则如下： 如果|Vi‑H|≤ δ， 则Vi被标记为内群点； 如果|Vi‑H|＞δ， 则Vi被标记为离群点； 同时记录下 该拟合模型对应的内群点的数量 n； S2‑4、 对步骤S2 ‑1至步骤S2 ‑3进行多次重复操作， 迭代次数设置为m； S2‑5、 迭代计算完成后， 选择n最大的那一次迭代， 取出其中的所有内群点， 并从历史数 据集中找到这些内群点所对应的集电极电流、 器件管壳温度和循环的次数等数据， 建立一 个步骤S3所需要的神经网络数据集， 其中前 70％的数据用于训练， 后3 0％的数据用于测试。 4.根据权利要求1所述的基于径向基神经网络的IGBT寿命估算方法， 其特征在于， 所述 步骤S3的具体步骤为： S3‑1、 建立一个基本的三层神经网络结构， 网络的输出为集电极与发射极之间的导通 压降， 网络的输入为输出的导 通压降所对应的集电极电流、 器件管壳温度和循环的次数； S3‑2、 对于第一层神经网络(即输入层)， 第一层的输出表达式为： y＝ReLU[x1,x2,…,xi] 其中， xi为第i个输入数据； ReLU为线性整流 函数； S3‑3、 对于第二层神经网络(即隐藏层)， 将第一层的输出作为第二层的输入， 隐藏层的 节点采用高斯径向基函数构成， 其核函数的表达式为： 其中， c为径向基函数的中心点； δ为神经元的感知范围， 用于确定该基函数的中心宽 度；权　利　要　求　书 1/2 页 2 CN 114004145 A 2S3‑4、 对于第三层神经网络(即输出层)， 其输出表达式如下： 其中， m为隐藏层的神经元个数； w为高斯径向基函数向输出层传递数据所附加的权重 值； w0为输出层的偏差项； S3‑5、 网络结构 设置完成后， 定义一个误差损失函数L， 初始化权重值矩阵， 将训练数据 代入， 采用误差反向传递的方法对网络内部的参数进行训练更新， 直到误差到达要求范围 以内； S3‑6、 用测试数据集进行网络验证， 如未到达要求， 则返回步骤S3 ‑5重新进行参数训 练， 如到达要求， 则进入步骤S4。 5.根据权利要求1所述的基于径向基神经网络的IGBT寿命估算方法， 其特征在于， 所述 步骤S4的具体方法为： 当IGBT的导通压降的增量变为初始值的20％时， 器件发生失效， 以此来作为器件 的故 障阈值， 在同等的工作条件下， 通过径向基神经网络预测IGBT的导通压降在何时达到故障 阈值， 其所对应的循环次数即代 表该器件的使用寿命。权　利　要　求　书 2/2 页 3 CN 114004145 A 3