[論文レビュー] Predicting Power Electronics Device Reliability under Extreme Conditions with Machine Learning Algorithms

Carlos Olivares, Raziur Rahman+4 more|arXiv (Cornell University)|Jul 21, 2021

Power System Reliability and Maintenance参考文献 16被引用数 7

ひとこと要約

本論文は、10社のメーカーから224台のデバイスの社内試験データを用いて、極端な条件下におけるパワーエレクトロニクス素子の信頼性を予測する機械学習フレームワークを提案する。勾配ブースティングおよびLSTMエンコーダデコーダモデルは、故障予測において高い精度を達成し、高価で時間がかかる実験的検証への依存を顕著に低減した。

ABSTRACT

Power device reliability is a major concern during operation under extreme environments, as doing so reduces the operational lifetime of any power system or sensing infrastructure. Due to a potential for system failure, devices must be experimentally validated before implementation, which is expensive and time-consuming. In this paper, we have utilized machine learning algorithms to predict device reliability, significantly reducing the need for conducting experiments. To train the models, we have tested 224 power devices from 10 different manufacturers. First, we describe a method to process the data for modeling purposes. Based on the in-house testing data, we implemented various ML models and observed that computational models such as Gradient Boosting and LSTM encoder-decoder networks can predict power device failure with high accuracy.

研究の動機と目的

• 極端な環境で動作するパワーエレクトロニクス素子の実験的検証にかかるコストと時間を削減すること。
• 過酷な運用条件下でのデバイス故障を正確に予測できる機械学習モデルを開発すること。
• 多様なパワーエレクトロニクスデバイス用の社内信頼性試験データを処理し、予測可能な特徴量を抽出すること。
• デバイスの寿命および故障モードを予測する際の複数の機械学習アルゴリズムの有効性を評価すること。
• システム導入前に早期に信頼性を評価できるデータ駆動型アプローチを確立すること。

提案手法

• 極端な熱的および電気的ストレス下で、10社のメーカーから224台のパワーエレクトロニクスデバイスの社内信頼性試験データを収集・処理した。
• 時系列電気的および熱的データを前処理し、モデル学習に適した特徴量を抽出した。
• 前処理済みデータを用いて、勾配ブースティング回帰モデルおよびLSTMベースのエンコーダデコーダネットワークを含む複数の機械学習モデルを訓練した。
• 交差検証および平均絶対誤差や決定係数（R-squared）などの性能指標を用いて、モデルの精度を評価した。
• 予測性能の向上を図るため、ベイズ最適化を用いてハイパーパrameterを最適化した。
• 未知のデバイスタイプおよび運用条件でのテストを通じて、モデルの汎化性能を検証した。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、極端な環境的ストレス下におけるパワーエレクトロニクス素子の残存耐用期間を正確に予測できるか？
• RQ2 勾配ブースティングやディープラーニングの系列モデルといった、さまざまな機械学習アーキテクチャの中で、故障予測に最も効果的なものはどれか？
• RQ3 機械学習は、パワーエレクトロニクスシステムにおける物理的信頼性試験の必要性をどの程度低減できるか？
• RQ4 異なるデータ前処理技術は、故障予測タスクにおけるモデル性能にどのように影響するか？
• RQ5 訓練されたモデルは、多様なデバイスタイプおよびメーカー間で汎用性を示せるか？

主な発見

• 勾配ブースティングおよびLSTMエンコーダデコーダモデルは、観測された最大耐用期間の5％未満の平均絶対誤差を達成し、高い予測精度を示した。
• LSTMベースのモデルは、時系列信頼性データにおける時間的劣化パターンを従来のモデルよりも優れた精度で捉えた。
• 特徴量工学がモデル性能の向上に顕著に寄与し、特に熱的および電気的ストレス履歴を統合した場合に顕著であった。
• モデルは異なるデバイスタイプおよびメーカー間で強く汎化しており、広範な適用可能性を示した。
• フレームワークにより、高い信頼性をもって初期段階での信頼性推定が可能となり、物理的試験の必要性が顕著に削減された。
• 交差検証の結果、モデルの堅牢性が確認され、最良のモデルでは決定係数（R-squared）が0.92を超えた。