车载功率器件寿命预测方法、装置、存储介质及电子设备制造方法及图纸

本申请涉及车载安全控制技术领域，具体涉及一种车载功率器件寿命预测方法、装置及电子设备，解决了现有技术中寿命预测不准确的问题。方法包括：获取待预测车载功率器件的服役数据；将所述服役数据输入至预先建立好的模糊神经网络预测模型中进行寿命预测，以得到预测结果；根据所述预测结果得到待预测车载功率器件的寿命曲线。获取待预测车载功率器件的服役数据，再通过将服役数据输入至预先建立好的模糊神经网络预测模型得到预测结果，以实现对待预测车载功率器件的寿命进行准确的预测。基于模糊神经网络算法的模糊神经网络预测模型可以预测不同服役环境下的车载功率器件寿命，可以实现较大条件范围内的车载功率模块的寿命预测。预测。预测。

【技术实现步骤摘要】
车载功率器件寿命预测方法、装置、存储介质及电子设备


[0001]本申请涉及车载安全控制
，特别地涉及一种车载功率器件寿命预测方法、装置、存储介质及电子设备。

技术介绍

[0002]随着高速动车组及电动汽车的高速发展，作为其核心部件的功率器件也得到了广泛的关注。由于动车组及汽车对安全的高要求，这也意味着对车载功率器件的可靠性及服役寿命需要有较深的认识。
[0003]对于电子器件寿命预测方法及相关专利主要可以分为3类：基于物理模型的预测方法、基于数据驱动的预测以及物理模型与数据驱动两者结合的预测方法。由于功率器件自身结构复杂、车辆运行环境的多变及不断的频繁的启停和加减速，使得IGBT器件是包含多物理量与多尺度的复杂系统，具有非线性、耦合性及不可逆性等特点，导致目前物理退化模型及相关专利复杂且种类繁多。而基于数据驱动的方法将功率器件看作黑箱，不考虑物理退化过程，同时具备很好的非线性拟合能力。传统的基于数据驱动预测相关专利主要是采用数理统计的方法，统计旧产品现场服役与可靠性有关的指标及故障率，根据某些指标满足的分布规律(如正态分布、威布尔分布等)来预测新产品的服役寿命。但新旧产品的服役场景很难一致，在不同的服役环境下(如不同的结温、集电极电流等)服役寿命预测也存在较大的误差。

技术实现思路

[0004]针对现有技术中的寿命预测不准确的问题，本申请提供一种车载功率器件寿命预测方法、装置、存储介质及电子设备。
[0005]第一方面，本申请提供了一种车载功率器件寿命预测方法，所述方法包括：r/>[0006]获取待预测车载功率器件的服役数据；
[0007]将所述服役数据输入至预先建立好的模糊神经网络预测模型中进行寿命预测，以得到预测结果；
[0008]根据所述预测结果得到待预测车载功率器件的寿命曲线。
[0009]上述实施方式中，获取待预测车载功率器件的服役数据，再通过将服役数据输入至预先建立好的模糊神经网络预测模型得到预测结果，以实现对待预测车载功率器件的寿命进行准确的预测。基于模糊神经网络算法的模糊神经网络预测模型可以预测不同服役环境下的车载功率器件寿命，可以实现较大条件范围内的车载功率模块的寿命预测。
[0010]根据本申请的实施例，可选的，上述车载功率器件寿命预测方法中，所述将所述服役数据输入至预先建立好的预测模型中进行寿命预测，以得到预测结果的步骤之前，所述方法还包括：
[0011]获取样本车载功率器件在不同试验条件下的寿命数据；
[0012]根据所述试验条件以及所述寿命数据建立模糊神经网络预测模型。
[0013]上述实施方式中，获取样本车载功率器件在不同试验条件写的寿命数据可以保证样本数据的多样性，从而保证模糊神经网络预测模型预测的准确性。
[0014]根据本申请的实施例，可选的，上述车载功率器件寿命预测方法中，所述获取样本车载功率器件在不同试验条件下的寿命数据的步骤，包括：
[0015]获取样本车载功率器件的服役环境以及失效类型；
[0016]根据所述服役环境以及所述失效类型确定目标性能退化试验；
[0017]根据所述目标性能退化试验的试验进行试验获取所述样本车载功率器件在不同试验条件下的寿命数据。
[0018]上述实施方式中，通过样本车载功率器件的服役环境以及失效类型，可以确定出要进行的目标性能退化试验。继而可以根据目标性能退化试验获取准确的试验结果，试验结果包括样本车载功率器件在不同试验条件下的寿命数据。
[0019]根据本申请的实施例，可选的，上述车载功率器件寿命预测方法中，所述根据所述试验条件以及所述寿命数据建立模糊神经网络预测模型的步骤，包括：
[0020]对所述寿命数据进行归一化处理，以得到归一化处理后的寿命数据；
[0021]根据所述试验条件确定初始模糊神经网络；
[0022]根据所述初始模糊神经网络及所述归一化处理后的寿命数据建立模糊神经网络预测模型。
[0023]根据本申请的实施例，可选的，上述车载功率器件寿命预测方法中，所述根据所述初始模糊神经网络及所述归一化处理后的寿命数据建立模糊神经网络预测模型的步骤，包括：
[0024]采用粒子群优化法对所述初始模糊神经网络进行优化，以得到优化后的初始模糊神经网络；
[0025]根据所述归一化处理后的寿命数据对所述优化后的初始模糊神经网络进行训练，以得到训练好的模糊神经网络预测模型。
[0026]上述实施方式中，将粒子群优化算法以及模糊神经网络相结合，使二者充分发挥各自的优点，进行建立模糊神经网络预测模型，可以保证模糊神经网络预测模型预测寿命的准确性。
[0027]根据本申请的实施例，可选的，上述车载功率器件寿命预测方法中，所述采用粒子群优化法对所述初始模糊神经网络进行优化，以得到优化后的初始模糊神经网络的步骤，包括：
[0028]确定所述初始模糊神经网络的初始参数；
[0029]采用粒子群优化法对所述初始参数进行优化，以得到优化后的初始参数；
[0030]将所述优化后的初始参数作为所述初始模糊神经网络中新的初始参数。
[0031]根据本申请的实施例，可选的，上述车载功率器件寿命预测方法中，所述采用粒子群优化法对所述初始参数进行优化，以得到优化后的初始参数的步骤，包括：
[0032]将初始参数作为粒子群，并对所述粒子群进行初始化；
[0033]确定适应度函数，并根据所述适应度函数确定所述粒子群中每个粒子的适应度；
[0034]对所述粒子群进行更新，以得到所述粒子群中每个粒子的速度与位置及所述粒子群的全局最优位置；
[0035]判断所述适应度是否满足预设条件，若是，则根据更新后的粒子群确定优化后的初始参数。
[0036]第二方面，本申请还提供了一种车载功率器件寿命预测装置，所述装置包括：
[0037]服役数据获取模块，用于获取待预测车载功率器件的服役数据；
[0038]预测模块，用于将所述服役数据输入至预先建立好的模糊神经网络预测模型中进行寿命预测，以得到预测结果；
[0039]寿命预测模块，用于根据所述预测结果得到待预测车载功率器件的寿命曲线。
[0040]根据本申请的实施例，可选的，上述车载功率器件寿命预测装置中，所述装置还包括：
[0041]寿命数据获取模块，用于获取样本车载功率器件在不同试验条件下的寿命数据；
[0042]模糊神经网络预测模型建立模块，用于根据所述试验条件以及所述寿命数据建立模糊神经网络预测模型。
[0043]根据本申请的实施例，可选的，上述车载功率器件寿命预测装置中，所述寿命数据获取模块包括：
[0044]样本数据获取单元，用于获取样本车载功率器件的服役环境以及失效类型；
[0045]目标性能退化试验确定单元，用于根据所述服役环境以及所述失效类型确定目标性能退化试验；
[0046]寿命数据获取单元，用于根据所述目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车载功率器件寿命预测方法，其特征在于，所述方法包括：获取待预测车载功率器件的服役数据；将所述服役数据输入至预先建立好的模糊神经网络预测模型中进行寿命预测，以得到预测结果；根据所述预测结果得到待预测车载功率器件的寿命曲线。2.根据权利要求1所述的方法，其特征在于，所述将所述服役数据输入至预先建立好的预测模型中进行寿命预测，以得到预测结果的步骤之前，所述方法还包括：获取样本车载功率器件在不同试验条件下的寿命数据；根据所述试验条件以及所述寿命数据建立模糊神经网络预测模型。3.根据权利要求2所述的方法，其特征在于，所述获取样本车载功率器件在不同试验条件下的寿命数据的步骤，包括：获取样本车载功率器件的服役环境以及失效类型；根据所述服役环境以及所述失效类型确定目标性能退化试验；根据所述目标性能退化试验的试验进行试验获取所述样本车载功率器件在不同试验条件下的寿命数据。4.根据权利要求2所述的方法，其特征在于，所述根据所述试验条件以及所述寿命数据建立模糊神经网络预测模型的步骤，包括：对所述寿命数据进行归一化处理，以得到归一化处理后的寿命数据；根据所述试验条件确定初始模糊神经网络；根据所述初始模糊神经网络及所述归一化处理后的寿命数据建立模糊神经网络预测模型。5.根据权利要求4所述的方法，其特征在于，所述根据所述初始模糊神经网络及所述归一化处理后的寿命数据建立模糊神经网络预测模型的步骤，包括：采用粒子群优化法对所述初始模糊神经网络进行优化，以得到优化后的初始模糊神经网络；根据所述归一化处理后的寿命数据对所述优化后的初始模糊神经网络进行训练，以得到训练好的模糊神经...

【专利技术属性】
技术研发人员：曾祥浩，贺冠强，张晓，吴书舟，王玉斌，龙春，
申请(专利权)人：株洲中车时代电气股份有限公司，
类型：发明
国别省市：