一种基于GA改进的WNN的IGBT模块故障预测方法

一种基于ga改进的wnn的igbt模块故障预测方法
技术领域
1.本发明属于igbt模块故障预测急速领域，尤其涉及一种基于遗传算法(geneticalgorithm，ga)改进的小波神经网络(wave neural network，wnn)的igbt模块故障预测方法。


背景技术：

2.igbt模块是高速列车牵引变流器内部的核心部件之一，作为构成逆变器的主要开关元件，其可靠性是整个变流系统能否稳定运行的关键。但在应用过程中，igbt模块会承受剧烈的载荷冲击，易出现键合线脱落、焊料层疲劳等缺陷损伤(如图2所示)，这种损伤随时间积累，最终导致igbt模块失效，进而使变流器出现故障，为列车的安全运行带来了巨大挑战,因此准确地预测igbt故障，可以有计划地对高速列车进行检修和维护，有效提升轨道交通系统运维智能化。
3.目前针对igbt模块故障预测的技术可以分为基于可靠性模型预测与采用数据驱动方法预测两个类别。基于可靠性模型进行故障预测的方法预测精度高(如norris-landzberg解析模型)，但需要了解模块的物理性质，且易受模块工况影响，导致建模困难且应用具有局限性；还有一些采用数据驱动方法预测的技术(如时间延迟神经网络)使用的算法过于复杂，对设备的计算性能要求较高，提高了使用成本，难以实现大规模应用部署。


技术实现要素：

4.针对现有技术的不足，为解决以往模型建模复杂、使用成本高与模型部署难的问题。本发明提供一种基于遗传算法(genetic algorithm，ga)改进的小波神经网络(wave neural network，wnn)的igbt模块故障预测方法。
5.本发明的一种基于遗传算法改进的小波神经网络的igbt模块故障预测方法，包括以下步骤：
6.步骤1：igbt模块集射极饱和压降获取。
7.将igbt集射极饱和压降作为故障预测模型的输入参数，通过安装在高速列车内的牵引变流器附近的数据采集卡在线采集工作时的igbt模块集射极饱和压降并将数据送往上位机且加以存储。
8.步骤2：数据预处理。
9.以饱和压降上升5％作为模块失效的阈值，判断采集到的数据中是否存在故障数据，若无，则舍弃此次采集结果；对于包含故障数据的完整数据集，需去除坏点，压缩数据，并进行降维处理。
10.首先，采用莱茵达准则去除坏点，对于所采集的数据x1,x2,
…
,xi,
…
xn，求取其的算数平均值及剩余误差然后使用贝塞尔法获取均方根偏差
若舍弃xi，若则保留xi。
11.然后，压缩去除坏点后的数据，将单次运行数据均值作为其特征值实现。
12.最后，将数据归一化处理，使数据样本按照统一标准映射到[c,d]范围内：
[0013][0014]
式中，x
min
为样本集合中最小的样本，x
max
为最大的样本。
[0015]
步骤3：数据导入预测模型并划分。
[0016]
将上述预处理完成的igbt饱和压降数据集上传至故障预测模型中，按照70％训练集，15％验证集，15％预测集进行划分。
[0017]
步骤4：模型基础训练。
[0018]
为发挥模块压降数据时间序列的特点，采用每10个数据为一组，去预测第11个数据的训练与预测方法；设置故障预测模型输入层神经元为10个，输出层神经元设定为1个，隐含层神经元为10个，迭代周期1000次，训练精度0.1；进而采用小波神经网络wnn对数据训练集进行训练。使用的小波基函数为morlet小波基函数：
[0019][0020]
输出表达式为：
[0021][0022]
式中，k＝1,2,
…
n为输入层结点个数，i＝1,2,
…
m为输出层结点个数，j＝1,2,
…
n为隐含层结点个数，ω
ij
为连接输出层结点i与隐含层结点j的权重，a、b分别为小波伸缩平移系数，ω
jk
为连接隐含层结点j与输入层结点k的权重，xk(t)为输入层的第k个输入样本的第t个样本点，yi为输出层的第i个输出值；η为sigmoid函数，μ为学习率。
[0023]
误差函数为：
[0024][0025]
式中，p＝1,2,
…
,p为输入样本的模式个数，第p个模式层的第i个期望输出，第p个模式层的第i个实际网络输出。
[0026]
使用梯度修正法修正网络权值和小波伸缩平移系数，修正规则如下：
[0027][0028][0029][0030]
[0031]
式中，aj、bj分别为第j个隐含层结点的伸缩平移系数，δ为引入的动量系数，δ表示对应参数的变化量。
[0032]
步骤5：模型优化改进。
[0033]
使用遗传算法ga优化小波神经网络wnn；将小波神经网络wnn训练得到的误差分别使用选择、交叉、变异3种算子进行优化，选用公式(9)的轮盘赌法、公式(10)的单点交叉与公式(11)～(12)的基本位变异完成3种操作。
[0034][0035][0036][0037]
f(g)＝r2(1-g/g
max
)(12)
[0038]
式(9)中，pi为第i个个体被选中的概率，fi为其适应度值；式(10)中，个体am和an在位置j处进行交叉，b为[0,1]之间的某随机数；式(11)与式(12)中，a
ij
为第i个个体的第j个部分，a
max
为a
ij
的上界，a
min
为a
ij
的下界，r为[0,1]之间的某随机数，f(g)为变异函数，r2为[0,1]之间的某随机数，g为当前迭代次数，g
max
为最大迭代次数。
[0039]
使用遗传算法ga优化改进后，模型重新训练。
[0040]
步骤6：模型验证及预测。
[0041]
根据步骤5优化后的训练结果，将15％的验证数据集代入模型进行验证，验证集结果精度满足设定的阈值之后，将15％的预测集代入模型进行故障预测。
[0042]
还包括步骤7：模型精准度评价：使用平均绝对误差mae、均方根误差rmse和绝对平均百分比误差mape这3种评价指标对模型预测结果进行评价。
[0043]
本发明的有益技术效果为：
[0044]
1.本发明基于ga改进型wnn的igbt模块故障预测方法，通过小波变换对igbt故障数据进行多尺度分析，将其分解为若干表征高频部分的细节序列与表征低频部分的背景序列，既保持了bp神经网络信号前向传递、误差反向传递的优点，又具有了小波分析在处理非线性时间序列问题的优势，实现在保证故障预测精度的基础上，简化模型结构，提高检测精度，大大提高了模型应用部署可行性。
[0045]
2.本发明通过利用ga选择、交叉、变异三种算子优化网络训练过程，有效避免了原训练方法易陷入局部最优使预测结果误差较大的问题，原理清晰且操作简单快捷地使模型能够收敛到全局最优的个体，有效提升了故障预测的准确性与精度。
附图说明
[0046]
图1为本发明基于遗传算法改进的小波神经网络的igbt模块故障预测方法流程图。
[0047]
图2为igbt模块故障示例图。
[0048]
图3为小波神经网络结构图。
具体实施方式
[0049]
下面结合附图和具体实施方法对本发明做进一步详细说明。
[0050]
本发明的一种基于遗传算法改进的小波神经网络的igbt模块故障预测方法如图1所示，包括以下步骤：
[0051]
步骤1：igbt模块集射极饱和压降获取。
[0052]
将igbt集射极饱和压降作为故障预测模型的输入参数，通过安装在高速列车内的牵引变流器附近的数据采集卡在线采集工作时的igbt模块集射极饱和压降并将数据送往上位机且加以存储。
[0053]
步骤2：数据预处理。
[0054]
以饱和压降上升5％作为模块失效的阈值，判断采集到的数据中是否存在故障数据，若无，则舍弃此次采集结果；对于包含故障数据的完整数据集，从采集卡获取的igbt模块集射极饱和压降数据量庞大且可能存在坏点，需去除坏点，压缩数据，并进行降维处理。
[0055]
首先，采用莱茵达准则去除坏点，对于所采集的数据x1,x2,
…
,xi,
…
xn，求取其的算数平均值及剩余误差然后使用贝塞尔法获取均方根偏差若舍弃xi，若则保留xi。
[0056]
然后，压缩去除坏点后的数据，将单次运行数据均值作为其特征值实现。
[0057]
最后，将数据归一化处理，使数据样本按照统一标准映射到[c,d]范围内：
[0058][0059]
式中，x
min
为样本集合中最小的样本，x
max
为最大的样本。
[0060]
步骤3：数据导入预测模型并划分。
[0061]
将上述预处理完成的igbt饱和压降数据集上传至故障预测模型中，按照70％训练集，15％验证集，15％预测集进行划分。
[0062]
步骤4：模型基础训练。
[0063]
为发挥模块压降数据时间序列的特点，采用每10个数据为一组，去预测第11个数据的训练与预测方法；设置故障预测模型输入层神经元为10个，输出层神经元设定为1个，隐含层神经元为10个，迭代周期1000次，训练精度0.1；进而采用小波神经网络wnn对数据训练集进行训练。使用的小波神经网络如图3所示，x1、x2、xn为wnn的输入参数，y1、y2、ym为预测输出，使用的小波基函数为morlet小波基函数：
[0064][0065]
输出表达式为：
[0066][0067]
式中，k＝1,2,
…
n为输入层结点个数，i＝1,2,
…
m为输出层结点个数，j＝1,2,
…n为隐含层结点个数，ω
ij
为连接输出层结点i与隐含层结点j的权重，a、b分别为小波伸缩平移系数，ω
jk
为连接隐含层结点j与输入层结点k的权重，xk(t)为输入层的第k个输入样本的第t个样本点，yi为输出层的第i个输出值；η为sigmoid函数，μ为学习率。
[0068]
误差函数为：
[0069][0070]
式中，p＝1,2,
…
,p为输入样本的模式个数，第p个模式层的第i个期望输出，第p个模式层的第i个实际网络输出。
[0071]
使用梯度修正法修正网络权值和小波伸缩平移系数，修正规则如下：
[0072][0073][0074][0075][0076]
式中，aj、bj分别为第j个隐含层结点的伸缩平移系数，δ为引入的动量系数，δ表示对应参数的变化量。
[0077]
步骤5：模型优化改进。
[0078]
由于步骤4中wnn使用的梯度修正法进化缓慢而且容易陷入局部最优，使模型预测精度不足。为此，使用遗传算法ga优化小波神经网络wnn；将小波神经网络wnn训练得到的误差分别使用选择、交叉、变异3种算子进行优化，选用公式(9)的轮盘赌法、公式(10)的单点交叉与公式(11)～(12)的基本位变异完成3种操作。
[0079][0080][0081][0082]
f(g)＝r2(1-g/g
max
)(12)
[0083]
式(9)中，pi为第i个个体被选中的概率，fi为其适应度值；式(10)中，个体am和an在位置j处进行交叉，b为[0,1]之间的某随机数；式(11)与式(12)中，a
ij
为第i个个体的第j个部分，a
max
为a
ij
的上界，a
min
为a
ij
的下界，r为[0,1]之间的某随机数，f(g)为变异函数，r2为[0,1]之间的某随机数，g为当前迭代次数，g
max
为最大迭代次数。
[0084]
使用遗传算法ga优化改进后，模型重新训练。
[0085]
步骤6：模型验证及预测。
[0086]
根据步骤5优化后的训练结果，将15％的验证数据集代入模型进行验证，验证集结果精度满足设定的阈值之后，将15％的预测集代入模型进行故障预测。
[0087]
步骤7：模型精准度评价：使用平均绝对误差(mean absolute error，mae)、均方根误差(root mean square error，rmse)和绝对平均百分比误差(mean absolute percentage error，mape)3种评价指标对模型预测结果进行评价。mae、rmse、mape都是数值越小证明模型预测精度越高。
[0088]
综上，在系统层面，本发明提供了一种可大规模应用部署的igbt模块故障预测方法，有效提升了了故障预测精度，可实现在嵌入式设备部署并在线实时预测。在模型层面，本发明提供了一种基于ga改进的wnn预测算法，通过选择、交叉、变异三种算子优化网络训练过程，具有原理简单、操作简便的优点。