基于机器学习的IGBT多参数性能退化预测方法研究

随着现代科技水平的提高,半导体器件性能不断提升,因此被广泛应用于工业、能源、通信等领域。由于环境应力的长期作用,半导体器件的性能容易发生退化,最终发生故障,从而轻则造成电子设备不能正常工作,重则甚至会导致严重事故,因此半导体器件级的性能退化预测对于确保电子设备的可靠性十分重要。绝缘栅双极型晶体管(IGBT)以其低驱动功率、大电流密度等优点,已经成为半导体器件的典型代表。本文以IGBT为研究对象,以核主成分分析(KPCA)、最小二乘支持向量机(LSSVM)等机器学习方法为核心算法,在IGBT性能退化状态表征、性能退化预测方法和预测模型参数优化等方面进行了研究。首先,对于IGBT性能退化状态表征,本文通过分析发现单一特征参数无法有效表征IGBT性能退化状态,因此基于KPCA、加权马氏距离、负向函数和小波降噪,本文提出了一种融合多特征参数的IGBT健康度提取方法。通过降低多特征参数中的冗余信息,区分主成分之间的重要性以及降低噪声因素的影响,该方法得到的IGBT健康度能够有效地表征IGBT性能退化状态。其次,对于IGBT性能退化预测模型的参数优化,本文使用遗传算法作为优化算法。通过分析现有遗传算法的特点,本文提出了一种爆炸算子,在种群进化停滞时实现自调节范围局部爆炸。将爆炸算子和灾变算子结合,并采用精英保留策略和自适应交叉率策略,本文提出了一种改进遗传算法,提高了性能退化预测模型参数优化问题的搜索效率。最后,对于IGBT性能退化预测方法,本文通过对比常用机器学习方法的特点,使用LSSVM算法作为核心算法。利用算法各自的优点,本文将LSSVM、粒子滤波(PF)和改进遗传算法融合,得到了一种IGBT性能退化预测方法。此预测方法得到的短期预测误差为1.2%,长期预测误差为5.2%,多次预测误差的标准差为1.6%,表明其具有很好的预测准确性和稳定性。