A Composite Failure Precursor for Condition Monitoring and Remaining Useful Life Prediction of Discrete Power Devices
Shuai Zhao; Shaowei Chen; Fei Yang; Enes Ugur; Bilal Akin; Huai Wang

對剩余使用壽命(RUL)的高精度預(yù)測
本文提出了一種充分利用潛在失效前兆(PFPs)構(gòu)造復(fù)合失效前兆(CFP)的方法，該方法直接根據(jù)降解模型對 cfp 進(jìn)行優(yōu)化，以提高預(yù)測性能。明確地導(dǎo)出了降解模型的RUL估計。對于CFP公式，采用遺傳規(guī)劃方法對 PFPs進(jìn)行非線性整合

II. ACCELERATED AGING TEST (AAT) FOR POWER DEVICES
碳化硅場效應(yīng)晶體管功率循環(huán)實驗
通過實驗裝置加速老化，監(jiān)測6個電氣參數(shù)，包括輸入電容 ciss、輸出電容 coss、反向傳輸電容 crss、漏源導(dǎo)通電阻 rds (on)、柵極閾值電壓 vgs (th)和二極管正向電壓 vsd，檢查每個參數(shù)在故障時間的演變。在可靠性評估中，如何從這些PFPs 中確定最合適的失效前兆和相應(yīng)的退化模型是一個挑戰(zhàn)，它們可以更好地促進(jìn)規(guī)則預(yù)測。此外，基于單一失效前兆的規(guī)則預(yù)測對外部因素(如高度異質(zhì)性)的準(zhǔn)確性和魯棒性較差。因此，提出一種既能解決選擇哪個參數(shù)的問題，又能充分利用多個 pfps 提供優(yōu)良的魯爾預(yù)測性能的方法是有益的。

III. METHODOLOGY
該文提出了的方法分為兩部分：第一部分，使用一批功率器件的訓(xùn)練數(shù)據(jù)集開發(fā)CFP，通過優(yōu)化RUL預(yù)測誤差。在第二部分中，利用貝葉斯更新機(jī)制和確定的CFP融合公式，根據(jù)新測試設(shè)備的最新數(shù)據(jù)，將退化模型更新為其后驗數(shù)據(jù)。使用后驗?zāi)Ｐ?#xff0c;可以獲得可靠性特征，包括RUL和95%置信區(qū)間（CI）。隨后，建立了隨機(jī)退化模型，為RUL預(yù)測的計算和比較提供了統(tǒng)一的基礎(chǔ)。

A. 隨機(jī)退化模型建立
為了同時評估PFP和CFP的預(yù)測性能，本文采用了一種隨機(jī)退化模型，該模型有助于根據(jù)多個失效前兆進(jìn)行統(tǒng)一的RUL預(yù)測。對于退化模型的制定，考慮到圖4中SiC MOSFET的CM數(shù)據(jù)特性和退化模型的一般性，我們遵循[17 ]和[19 ]，將第i個設(shè)備的s個指標(biāo)在tj時間的CM數(shù)據(jù)建成：

為方便后續(xù)推導(dǎo)，進(jìn)行一個log轉(zhuǎn)換，得到一個新的CM數(shù)據(jù)D：

對于使用第s個PFP的RUL預(yù)測，tj時的剩余使用壽命l定義為：降解過程D第一次超過失效閾值ws的時間，即：

B. 使用訓(xùn)練數(shù)據(jù)集進(jìn)行參數(shù)估計
利用一批功率設(shè)備的CM數(shù)據(jù)組成的訓(xùn)練數(shù)據(jù)集，隨后建立退化模型（2）的參數(shù)估計。在這種情況下，可以獲得Γi，s的參數(shù)作為表征訓(xùn)練數(shù)據(jù)集中設(shè)備的總體特征的先驗。根據(jù)回歸理論，它可以通過（2）擬合每個器件的退化路徑來估計 。

結(jié)果表明，在訓(xùn)練數(shù)據(jù)集存在的情況下，退化模型的參數(shù)可以被顯式估計。

C. 使用測試設(shè)備的最新數(shù)據(jù)更新參數(shù)
一旦估計出退化模型中的先驗參數(shù)，它們就會用從測試裝置獲得的最新CM數(shù)據(jù)更新到后驗。通過此方法，可以針對測試裝置進(jìn)行退化模型的定制和個性化，從而顯著提高測試裝置的殘余應(yīng)力預(yù)測精度。參數(shù)更新涉及到貝葉斯更新機(jī)制，有利于在線應(yīng)用。參數(shù)更新涉及到貝葉斯更新機(jī)制，利于在線應(yīng)用。

通過這種方法，將均值(7)和協(xié)方差(8)的先驗分布更新為均值(10)和協(xié)方差(11)的后驗分布。因此，從訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)到的退化模型對于測試設(shè)備將更加具體。

D. RUL預(yù)測
已知CM數(shù)據(jù)D的情況下，使用第s的pfp的，第i個設(shè)備的RUL的累積分布函數(shù)(CDF)可以寫成：

對于在線應(yīng)用，測試裝置的CM數(shù)據(jù)被連續(xù)監(jiān)控。及時地結(jié)合最新信息將提高規(guī)則預(yù)測的準(zhǔn)確性。因此，有必要在給定最新CM數(shù)據(jù)和失效信息的情況下，重寫（14）。設(shè)備在監(jiān)測時間 tj 沒有實效可以得到條件概率：

對上式求導(dǎo)，可以得到密度函數(shù)PDF:

這里，根據(jù)文獻(xiàn)[20] ，應(yīng)用標(biāo)準(zhǔn)正態(tài)分布 φ ()的 cdf 的近似值

這個近似值的絕對誤差很小，足夠應(yīng)用。通過計算，滿足
的lp為：

IV. CFP 建立
A. 融合目標(biāo)
本文根據(jù)最終預(yù)測性能，即 RUL的平均絕對誤差(MAE) 制定融合目標(biāo)。使用第s個PFP時，RIL的MSE為：

B. 數(shù)據(jù)融合的遺傳程序設(shè)計
GP可以通過最大化預(yù)定義的目標(biāo)來挖掘隱式數(shù)據(jù)結(jié)構(gòu)。與其他融合方法相比，gp 能夠從潛在的 pfps 組中自動選擇合適的，并以非線性的方式確定它們的組合形式。關(guān)于 gp 算法的更多細(xì)節(jié)可以在[24]中找到。將 gp 可從 pfps 中選定候選故障前兆，然后通過一系列數(shù)學(xué)運(yùn)算將其融合，從而得到一個最小化RUL的MAE的CFP。只涉及到基本操作，包括乘法、正弦、余弦和對數(shù)。這些簡單的操作計算效率高，而且對計算平臺沒有特殊要求。說明所開發(fā)的 cfp 可以在常規(guī)嵌入式平臺上實現(xiàn)，適用于現(xiàn)場健康評估。

V. 性能說明和比較
比單一的好

總結(jié)

以上是生活随笔為你收集整理的1.14阅读论文：A Composite Failure Precursor for Condition Monitoring...Shuai Zhao等的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。