[论文解读] Predicting Power Electronics Device Reliability under Extreme Conditions with Machine Learning Algorithms
本文提出了一种机器学习框架，用于在极端条件下预测电力电子器件的可靠性，使用来自10家制造商的224个器件的内部测试数据。梯度提升和LSTM编码器-解码器模型在故障预测中表现出高精度，显著减少了对昂贵且耗时的实验验证的依赖。
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.
研究动机与目标
- 降低电力电子器件在极端环境中运行时的实验验证成本和时间。
- 开发能够准确预测器件在恶劣工作条件下故障的机器学习模型。
- 处理并从多样化电力电子器件的内部可靠性测试数据中提取预测性特征。
- 评估多种机器学习算法在预测器件寿命和故障模式方面的有效性。
- 建立一种数据驱动的方法，支持在系统部署前进行早期可靠性评估。
提出的方法
- 在极端热应力和电应力条件下，收集并处理来自10家制造商的224个电力电子器件的内部可靠性测试数据。
- 对时间序列的电学和热学数据进行预处理，以提取模型训练的相关特征。
- 在预处理后的数据上训练多种机器学习模型，包括梯度提升回归器和基于LSTM的编码器-解码器网络。
- 使用交叉验证和平均绝对误差、决定系数（R-squared）等性能指标评估模型精度。
- 使用贝叶斯优化对超参数进行优化，以提升预测性能。
- 通过在未见过的器件类型和工作条件下进行测试，验证模型的泛化能力。
实验结果
研究问题
- RQ1机器学习模型能否在极端环境应力下准确预测电力电子器件的剩余使用寿命？
- RQ2在电力电子器件的故障预测中，哪种机器学习架构——如梯度提升或深度学习序列模型——表现最佳？
- RQ3机器学习在多大程度上可以减少电力电子系统中物理可靠性测试的需求？
- RQ4不同的数据预处理技术在故障预测任务中对模型性能有何影响？
- RQ5训练好的模型能否在不同器件类型和制造商之间实现良好泛化？
主要发现
- 梯度提升和LSTM编码器-解码器模型实现了高预测精度，平均绝对误差低于最大观测寿命的5%。
- 基于LSTM的模型在捕捉时间序列可靠性数据中的时序退化模式方面优于传统模型。
- 特征工程显著提升了模型性能，尤其是在整合热应力和电应力历史数据时。
- 模型在不同器件类型和制造商之间表现出强大的泛化能力，表明其具有广泛适用性。
- 该框架通过实现高置信度的早期可靠性估计，显著减少了对大规模物理测试的需求。
- 交叉验证结果证实了模型的鲁棒性，最佳模型的决定系数（R-squared）值超过0.92。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。