遗传算法优化的CNN-BiLSTM框架用于预测IGBT模块的剩余使用寿命

《Sensors》:Genetic Algorithm-Optimized CNN-BiLSTM Framework for Predicting the Remaining Useful Life of IGBT Modules Yukai Hao, Jiao Wu, Zhiheng Zhang, Yuanhao Wang, Tao Wang and Yujie Liang

【字体: 大 中 小 】 时间:2026年03月23日 来源:Sensors 4.0

编辑推荐:

  为了解决绝缘栅双极晶体管(IGBT)在长期运行过程中出现的老化和失效问题,研究人员提出了一种预测其剩余使用寿命(RUL)的方法。该方法利用遗传算法优化一个混合模型,该模型结合了卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)。首先,基于IGBT的失效

  
为了解决绝缘栅双极晶体管(IGBT)在长期运行过程中出现的老化和失效问题,研究人员提出了一种预测其剩余使用寿命(RUL)的方法。该方法利用遗传算法优化一个混合模型,该模型结合了卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)。首先,基于IGBT的失效机理,研究人员分析并比较了多种常用的RUL预测方法。考虑到CNN在提取空间特征方面特别有效,而LSTM擅长捕捉时间序列数据中的长期依赖关系,研究人员开发了一个混合CNN-BiLSTM模型用于RUL预测,并使用遗传算法优化超参数(包括初始学习率)。实验结果表明,与基准算法相比,所提出的CNN-BiLSTM模型在所有指标上均表现出更优的性能,且遗传算法显著加速了参数优化过程并提升了整体训练效率。
**论文解读:遗传算法优化的CNN-BiLSTM框架用于IGBT模块剩余使用寿命预测**

**研究背景与问题**
绝缘栅双极晶体管(IGBT)作为主流的高功率半导体器件,广泛应用于航空航天、可再生能源发电、轨道交通和电动汽车等高压大功率能量转换场景。在传感器网络中,IGBT也是传感器节点电源管理单元、执行器驱动及模拟信号处理中的关键组件,负责高效的电能转换与调节。然而,IGBT模块在实际运行中承受长期的电热耦合应力与循环负载,易引发焊料层疲劳、键合线失效等退化机制,导致老化与突发故障。若无法及时识别退化状态并准确预测失效时间,可能造成系统停机、设备损坏甚至安全事故。因此,准确预测IGBT模块的剩余使用寿命(RUL)对于实现状态感知、预测性维护、提升系统可靠性及降低运维成本至关重要。现有RUL预测方法主要分为基于模型的方法(如Coffin-Manson模型、物理失效模型)和数据驱动的方法(如机器学习、统计序列方法)。数据驱动方法虽无需显式建模物理关系,但依赖充足且可靠的失效数据,且超参数优化困难,影响预测精度与训练效率。为此,研究人员提出一种基于遗传算法(GA)优化的CNN-BiLSTM混合模型,旨在结合CNN的空间特征提取能力与BiLSTM的时间序列建模优势,并通过GA自动优化超参数,提升预测性能与训练效率。该论文发表在《Sensors》期刊上。

**主要技术方法**
研究人员使用NASA PCoE实验室的IGBT加速老化测试数据(IRG4BC30K芯片),该数据来自多传感器监测网络,包含集电极电流、电压、栅极电压及封装温度等参数。主要技术方法包括:1)数据预处理:采用基于N点滑动窗口的双向移动平均滤波去噪,避免单向滤波的相位偏移;2)构建CNN-BiLSTM混合模型:使用一维卷积神经网络(1D-CNN)提取输入时间序列中的局部空间特征,再通过BiLSTM层捕捉双向时间依赖关系;3)遗传算法优化:以三次训练的平均均方根误差(RMSE)为适应度函数,优化四个关键超参数(卷积核数量、初始学习率、正则化系数、LSTM隐藏神经元数);4)评估指标:平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)和决定系数(R2)。

**研究结果**
**4.4 实验结果与分析**
- **模型预测性能对比**:研究人员比较了LSTM、BiLSTM、CNN-BiLSTM和TCN-BiLSTM模型在IGBT RUL预测中的表现。通过预测曲线与真实值的对比发现,BiLSTM、CNN-BiLSTM和TCN-BiLSTM的整体性能均优于单向LSTM,因为双向编码能更好地捕捉过去和未来的上下文信息。CNN-BiLSTM和TCN-BiLSTM由于在BiLSTM前增加了特征提取层,提取了更全面的特征,进一步提升了预测精度。定量分析显示,CNN-BiLSTM模型的MAE、MSE和RMSE均最低,R2最高,表明其预测误差最小、拟合优度最佳。
- **遗传算法加速收敛验证**:通过对比CNN-BiLSTM与GA-CNN-BiLSTM的收敛速度,发现GA-CNN-BiLSTM在第20次迭代左右即可达到最优参数,而CNN-BiLSTM需要39次迭代,证明遗传算法显著加速了参数优化过程,提升了训练效率。
- **超参数优化算法时间效率对比**:进一步比较遗传算法(GA)、贝叶斯算法和网格搜索算法的累积训练时间,GA-CNN-BiLSTM所需总训练时间最短,且超参数调整次数更少,表明GA能引导优化过程快速进入有希望的超参数空间,减少无效尝试。

**总结与结论**
论文讨论部分指出,GA-CNN-BiLSTM模型的高预测精度与高效优化能力对其在传感器网络中的实际部署至关重要,尤其适用于传感器数据采集节点和驱动器中的IGBT模块,可实现预测性维护,防止节点意外失效。研究结论部分(第5节)翻译如下:
为了解决IGBT模块在长期运行中的老化失效问题,本文提出了一种基于遗传算法优化的CNN-BiLSTM混合模型的IGBT模块RUL预测方法。首先,分析了IGBT的失效机理,为模型开发提供理论基础。然后,利用CNN提取空间特征和BiLSTM捕捉时间序列长期依赖的能力,构建了基于CNN-BiLSTM的RUL预测模型。通过遗传算法自动优化关键超参数,提升了收敛性和训练效率。仿真结果表明,CNN-BiLSTM模型优于基准方法。这些结果证实了所提方法在IGBT模块精确RUL预测中的有效性,同时遗传算法显著提高了模型优化过程的效率。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号