一种IGBT寿命预测与诊断模型的敏感度分析方法与流程

本申请涉及电力电子，尤其涉及一种igbt寿命预测与诊断模型的敏感度分析方法。

背景技术：

1、绝缘栅双极型晶体管（igbt）作为新能源发电、电动汽车及工业变频等领域的核心功率器件，其运行状态直接关系到整个系统的安全与稳定性。由于igbt通常工作在高电压、大电流及频繁开关的恶劣工况下，受到电、热、机械等多物理场耦合作用，极易发生疲劳老化甚至失效。

2、现有的igbt寿命预测模型大多依赖固定的模型参数和标准工况进行寿命估算，然而在实际在线运营中，igbt的电气运行参数、损耗特性参数、热特性参数等存在动态时变特性。现有方案缺乏对模型输入多因素参数的敏感度量化分析，无法识别各参数测量误差及波动对寿命预测结果的干扰程度；同时，在面对复杂工况引发的渐变故障时，现有方法往往依赖单一阈值进行报警，未结合参数的敏感度权重进行综合风险评估，缺乏对故障演化过程的动态追踪与精准定位，导致寿命预测精度低、故障诊断容错性差，难以满足复杂工业现场对igbt高可靠性与安全性的严苛要求。

技术实现思路

1、本申请提供了一种igbt寿命预测与诊断模型的敏感度分析方法，以至少解决现有技术中寿命预测模型无法根据多因素参数敏感度进行动态修正，以及故障诊断未结合参数敏感度加权导致预测精度低与诊断可靠性不足的问题。

2、第一方面，本申请提供了一种igbt寿命预测与诊断模型的敏感度分析方法，所述方法包括：

3、通过设定预设变化幅度对igbt的多因素输入参数进行循环修改，得到敏感度量化分析结果，所述多因素输入参数通过实时采集的igbt在线运营数据以及预设的器件固有参数构建，所述敏感度量化分析结果包括每次修改后的剩余使用寿命及对应的敏感度系数，所述多因素输入参数包括电气运行参数、损耗特性参数、热特性参数及寿命模型参数；

4、基于所述敏感度量化分析结果和所述多因素输入参数，通过分配动态修正权重，建立模型动态修正机制，所述模型动态修正机制用于对实时采集的在线运营数据进行加权修正；

5、基于所述模型动态修正机制，对寿命预测模型进行修正，得到剩余寿命预测结果以及当前理论特征状态量；

6、基于所述当前理论特征状态量检测实时在线运营数据中的异常参数，并利用所述敏感度系数对异常参数进行加权以识别故障类型，生成并输出故障诊断报告。

7、上述技术方案通过对多因素输入参数进行单因素循环敏感度量化分析，并据此建立动态修正机制对寿命模型进行自适应修正，同时利用敏感度系数对异常检测出的参数进行风险加权来识别故障类型；其有益效果在于：一方面，通过敏感度系数分配动态权重，有效削弱了高敏感参数测量误差对寿命预测的干扰，提升了剩余寿命预测在复杂工况下的精度与鲁棒性；另一方面，将寿命预测过程中的理论特征状态量与实时数据比对进行异常检测，并基于敏感度加权评估综合风险与匹配故障模式，实现了从寿命衰减预测到故障精准定位的闭环，提高了igbt在线监测与智能诊断的安全性和可靠性。

8、第二方面，本申请提供了一种igbt寿命预测与诊断模型的敏感度分析系统，所述系统包括：

9、敏感度分析模块，用于通过设定预设变化幅度对igbt的多因素输入参数进行循环修改，得到敏感度量化分析结果，所述多因素输入参数通过实时采集的igbt在线运营数据以及预设的器件固有参数构建，所述敏感度量化分析结果包括每次修改后的剩余使用寿命及对应的敏感度系数，所述多因素输入参数包括电气运行参数、损耗特性参数、热特性参数及寿命模型参数；

10、动态修正模块，用于基于所述敏感度量化分析结果和所述多因素输入参数，通过分配动态修正权重，建立模型动态修正机制，所述模型动态修正机制用于对实时采集的在线运营数据进行加权修正；

11、寿命预测模块，用于基于所述模型动态修正机制，对寿命预测模型进行修正，得到剩余寿命预测结果以及当前理论特征状态量；

12、异常诊断模块，用于基于所述当前理论特征状态量检测实时在线运营数据中的异常参数，并利用所述敏感度系数对异常参数进行加权以识别故障类型，生成并输出故障诊断报告。

13、第三方面，本申请提供了一种车辆，所述车辆包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行以实现所述igbt寿命预测与诊断模型的敏感度分析方法所执行的操作。

14、第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条程序代码，所述程序代码由处理器加载并执行以实现所述igbt寿命预测与诊断模型的敏感度分析方法所执行的操作。

15、第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任一种igbt寿命预测与诊断模型的敏感度分析方法的步骤。

1.一种igbt寿命预测与诊断模型的敏感度分析方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述通过设定预设变化幅度对igbt的多因素输入参数进行循环修改，得到敏感度量化分析结果，包括：

3.根据权利要求1所述的方法，其特征在于，所述基于所述敏感度量化分析结果和所述多因素输入参数，通过分配动态修正权重，建立模型动态修正机制，包括：

4.根据权利要求1所述的方法，其特征在于，所述基于所述模型动态修正机制，对寿命预测模型进行修正，得到剩余寿命预测结果以及当前理论特征状态量，包括：

5.根据权利要求1所述的方法，其特征在于，所述基于所述当前理论特征状态量检测实时在线运营数据中的异常参数，包括：

6.根据权利要求1所述的方法，其特征在于，所述利用所述敏感度系数对异常参数进行加权以识别故障类型，包括：

7.根据权利要求6所述的方法，其特征在于，所述基于异常参数的组合和所述综合故障风险值，确定故障模式库的匹配结果，包括：

8.根据权利要求1所述的方法，其特征在于，所述多因素输入参数通过实时采集的igbt在线运营数据以及预设的器件固有参数构建，包括：

9.根据权利要求4所述的方法，其特征在于，所述基于所述累积损伤值，得到剩余寿命预测结果，包括：

10.根据权利要求7所述的方法，其特征在于，所述得到故障诊断报告之前，还包括：