[논문 리뷰] Predicting Power Electronics Device Reliability under Extreme Conditions with Machine Learning Algorithms

Carlos Olivares, Raziur Rahman외 4명|arXiv (Cornell University)|2021. 07. 21.

Power System Reliability and Maintenance참고 문헌 16인용 수 7

한 줄 요약

이 논문은 10개 제조사에서 제공한 224개 장치의 내부 테스트 데이터를 활용하여 극한 조건에서 파wr 전자 장치의 신뢰성 예측을 위한 머신러닝 프레임워크를 제안한다. 기울기 부스팅과 LSTM 인코더-디코더 모델이 고정밀도로 고장 예측을 수행하여, 비용이 많이 들고 시간이 오래 소요되는 실험적 검증에 대한 의존도를 크게 감소시켰다.

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.

연구 동기 및 목표

• 극한 환경에서 작동하는 파워 전자 장치의 실험적 검증에 소요되는 비용과 시간을 줄이기 위해.
• 엄격한 작동 조건에서 장치 고장 예측이 정확한 머신러닝 모델을 개발하기 위해.
• 다양한 파워 장치를 위한 내부 신뢰성 테스트 데이터를 처리하고 예측 가능한 특징을 추출하기 위해.
• 장치 수명과 고장 유형을 예측하는 데 있어 다양한 머신러닝 알고리즘의 효과를 평가하기 위해.
• 시스템 배포 이전에 조기에 신뢰성 평가를 지원하는 데이터 기반 접근법을 수립하기 위해.

제안 방법

• 극한의 열 및 전기적 응력 조건에서 224개의 파워 장치에서 수집한 내부 신뢰성 테스트 데이터를 수집하고 처리함.
• 시간에 따른 전기적 및 열적 데이터를 사전 처리하여 모델 훈련에 적합한 특징을 추출함.
• 사전 처리된 데이터를 기반으로 기울기 부스팅 회귀기 및 LSTM 기반 인코더-디코더 네트워크를 포함한 다수의 머신러닝 모델을 훈련함.
• 교차 검증 및 평균 절대 오차, 결정계수(R-squared)와 같은 성능 지표를 사용하여 모델 정확도를 평가함.
• 예측 성능 향상을 위해 베이지안 최적화를 활용하여 하이퍼파ram터를 최적화함.
• 미리 보지 못한 장치 유형과 작동 조건에서의 테스트를 통해 모델 일반화 능력을 검증함.

실험 결과

연구 질문

• RQ1 머신러닝 모델은 극한 환경 응력 조건에서 파워 전자 장치의 잔여 수명을 정확하게 예측할 수 있는가?
• RQ2 기울기 부스팅 또는 딥러닝 시계열 모델과 같은 머신러닝 아키텍처 중에서 고장 예측에 가장 효과적인 것은 무엇인가?
• RQ3 머신러닝을 통해 파워 전자 시스템의 물리적 신뢰성 테스트 필요성을 어느 정도 줄일 수 있는가?
• RQ4 다양한 데이터 사전 처리 기법은 고장 예측 작업의 모델 성능에 어떤 영향을 미치는가?
• RQ5 훈련된 모델은 다양한 장치 유형과 제조사 간에 일반화될 수 있는가?

주요 결과

• 기울기 부스팅 및 LSTM 인코더-디코더 모델이 높은 예측 정확도를 달성하였으며, 평균 절대 오차는 관측된 최대 수명의 5% 이내였다.
• LSTM 기반 모델이 시간에 따른 신뢰성 데이터의 시간적 열화 패턴을 더 잘 포착하여 전통적 모델보다 뛰어난 성능을 보였다.
• 특징 공학 기법이 모델 성능 향상에 크게 기여하였으며, 특히 열 및 전기적 응력 역사를 통합할 경우 더욱 두드러졌다.
• 모델들은 다양한 장치 유형과 제조사 간에 강력한 일반화 능력을 보였으며, 광범위한 적용 가능성을 시사했다.
• 프레임워크는 높은 신뢰도로 초기 단계에서의 신뢰성 평가가 가능하게 하여 광범위한 물리적 테스트 필요성을 감소시켰다.
• 교차 검증 결과, 최고 성능을 보인 모델의 경우 결정계수(R-squared) 값이 0.92를 초과하여 모델의 강인함을 확인하였다.