本發(fā)明涉及神經(jīng)網(wǎng)絡(luò)，具體涉及基于神經(jīng)網(wǎng)絡(luò)的變頻器igbt結(jié)溫預(yù)測方法。

背景技術(shù)：

1、絕緣柵雙極型晶體管（insulated?gate?bipolar?transistor，igbt）功率模塊集成絕緣柵型場效應(yīng)管和電力晶體管的優(yōu)點(diǎn)，具有高開關(guān)頻率、小驅(qū)動(dòng)功率等優(yōu)點(diǎn)，是地鐵牽引傳動(dòng)系統(tǒng)的關(guān)鍵部件。該功率模塊呈“三明治”結(jié)構(gòu)，內(nèi)部結(jié)構(gòu)剖面由上到下分別為igbt芯片和diode芯片、焊接層、陶瓷覆銅板（包括上銅層、絕緣陶瓷層、下銅層）、焊接層和底板，一共由七層材料組成。

2、在實(shí)際應(yīng)用中，地鐵變流器igbt模塊通常為khz級(jí)的開關(guān)頻率及大功率運(yùn)行狀態(tài)，工作時(shí)產(chǎn)生較大熱損耗，造成芯片結(jié)溫的升高及波動(dòng)，嚴(yán)重時(shí)可能引起器件的失效。igbt模塊結(jié)溫監(jiān)測方法分為四種：光學(xué)測量法，物理接觸法，熱模型法和溫敏電參數(shù)法。

3、鑒于現(xiàn)有大功率高壓變頻器igbt結(jié)溫預(yù)測方法存在以下問題：1）考慮運(yùn)行工況開關(guān)頻率、柵極電阻等多個(gè)影響因子；2）計(jì)算復(fù)雜。因此，一種兼顧自學(xué)習(xí)能力和易用性的一種基于宏觀-微觀注意力長短期記憶遞歸神經(jīng)網(wǎng)絡(luò)igbt結(jié)溫預(yù)測方法十分重要。

技術(shù)實(shí)現(xiàn)思路

1、本申請(qǐng)通過提供了基于神經(jīng)網(wǎng)絡(luò)的變頻器igbt結(jié)溫預(yù)測方法，旨在解決現(xiàn)有技術(shù)難以捕捉復(fù)雜運(yùn)行條件下結(jié)溫的動(dòng)態(tài)變化，特別是在負(fù)載波動(dòng)較大或多工況切換時(shí)，傳統(tǒng)模型的預(yù)測誤差顯著增大，導(dǎo)致結(jié)溫預(yù)測的準(zhǔn)確性不足的技術(shù)問題。

2、本申請(qǐng)公開的基于神經(jīng)網(wǎng)絡(luò)的變頻器igbt結(jié)溫預(yù)測方法，所述方法包括：在建立與地鐵牽引傳動(dòng)系統(tǒng)的數(shù)字通信后，獲取地鐵牽引傳動(dòng)系統(tǒng)的電路結(jié)構(gòu)和運(yùn)行參數(shù)，利用matlab/simulink軟件構(gòu)建地鐵牽引傳動(dòng)系統(tǒng)逆變器的動(dòng)態(tài)熱網(wǎng)絡(luò)模型；建立地鐵牽引傳動(dòng)系統(tǒng)的仿真工況集，以仿真工況集和環(huán)境參數(shù)進(jìn)行基于動(dòng)態(tài)熱網(wǎng)絡(luò)模型的仿真，采集實(shí)時(shí)參數(shù)集，所述實(shí)時(shí)參數(shù)集包括通態(tài)壓降、集電極電流、環(huán)境溫度、散熱器溫度以及負(fù)載波動(dòng)，對(duì)實(shí)時(shí)參數(shù)集預(yù)處理后，建立樣本數(shù)據(jù)集；建立帶有多輸入層的神經(jīng)網(wǎng)絡(luò)，并將樣本數(shù)據(jù)集輸入至多輸入層的神經(jīng)網(wǎng)絡(luò)執(zhí)行訓(xùn)練，構(gòu)建igbt結(jié)溫預(yù)測模型，其中，所述多輸入層包括通態(tài)壓降輸入層、集電極電流輸入層、環(huán)境溫度輸入層、散熱器溫度輸入層以及負(fù)載波動(dòng)輸入層，每個(gè)輸入層映射有一個(gè)特征提取子網(wǎng)絡(luò)，在神經(jīng)網(wǎng)絡(luò)執(zhí)行訓(xùn)練前，利用特征提取子網(wǎng)絡(luò)進(jìn)行對(duì)應(yīng)特征數(shù)據(jù)的特征提取，根據(jù)特征提取結(jié)果進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練；利用igbt結(jié)溫預(yù)測模型進(jìn)行數(shù)據(jù)預(yù)測，建立結(jié)溫時(shí)間序列。

3、本申請(qǐng)中提供的一個(gè)或多個(gè)技術(shù)方案，至少具有如下技術(shù)效果或優(yōu)點(diǎn)：

4、使用神經(jīng)網(wǎng)絡(luò)模型，包括多輸入層網(wǎng)絡(luò)和注意力機(jī)制，能夠高效捕捉輸入?yún)?shù)與igbt結(jié)溫之間的復(fù)雜非線性關(guān)系，提高預(yù)測的準(zhǔn)確性，通過建立多工況仿真數(shù)據(jù)集，模型能夠廣泛適應(yīng)不同運(yùn)行環(huán)境，適用于多種實(shí)際工程應(yīng)用；相比傳統(tǒng)的物理測量法或復(fù)雜熱模型法，本方法僅需采集通態(tài)壓降和集電極電流等少量參數(shù)即可進(jìn)行預(yù)測，避免了復(fù)雜的硬件或?qū)嶒?yàn)設(shè)備需求，通過對(duì)實(shí)時(shí)參數(shù)集進(jìn)行清洗、歸一化處理和時(shí)間序列分割，生成高質(zhì)量的數(shù)據(jù)集，便于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，利用matlab/simulink軟件建立熱網(wǎng)絡(luò)模型，簡化了建模與訓(xùn)練過程，可直接應(yīng)用于實(shí)際工程；利用動(dòng)態(tài)熱阻公式，準(zhǔn)確模擬igbt結(jié)溫的時(shí)間動(dòng)態(tài)和功率輸入響應(yīng)，提升了熱傳遞模擬的真實(shí)性，多輸入層結(jié)構(gòu)允許對(duì)不同來源特征進(jìn)行獨(dú)立建模，提高模型對(duì)多維數(shù)據(jù)的理解能力，同時(shí)通過特征提取子網(wǎng)絡(luò)優(yōu)化特征表達(dá)，提升預(yù)測精度；利用igbt結(jié)溫預(yù)測模型進(jìn)行數(shù)據(jù)預(yù)測，建立結(jié)溫時(shí)間序列，不僅可以實(shí)時(shí)監(jiān)測結(jié)溫，還能夠預(yù)測未來趨勢，為設(shè)備維護(hù)和優(yōu)化運(yùn)行提供指導(dǎo)。

5、上述說明僅是本申請(qǐng)技術(shù)方案的概述，為了能夠更清楚了解本申請(qǐng)的技術(shù)手段，而可依照說明書的內(nèi)容予以實(shí)施，并且為了讓本申請(qǐng)的上述和其它目的、特征和優(yōu)點(diǎn)能夠更明顯易懂，以下特舉本申請(qǐng)的具體實(shí)施方式。

技術(shù)特征：

1.基于神經(jīng)網(wǎng)絡(luò)的變頻器igbt結(jié)溫預(yù)測方法，其特征在于，所述方法包括：

2.如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的變頻器igbt結(jié)溫預(yù)測方法，其特征在于，所述利用matlab/simulink軟件構(gòu)建地鐵牽引傳動(dòng)系統(tǒng)逆變器的動(dòng)態(tài)熱網(wǎng)絡(luò)模型，還包括：

3.如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的變頻器igbt結(jié)溫預(yù)測方法，其特征在于，所述利用特征提取子網(wǎng)絡(luò)進(jìn)行對(duì)應(yīng)特征數(shù)據(jù)的特征提取，根據(jù)特征提取結(jié)果進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，還包括：

4.如權(quán)利要求3所述的基于神經(jīng)網(wǎng)絡(luò)的變頻器igbt結(jié)溫預(yù)測方法，其特征在于，所述根據(jù)特征時(shí)序變化關(guān)鍵點(diǎn)建立特征內(nèi)注意力的加權(quán)輸出，還包括：

5.如權(quán)利要求4所述的基于神經(jīng)網(wǎng)絡(luò)的變頻器igbt結(jié)溫預(yù)測方法，其特征在于，所述利用混合注意通道執(zhí)行特征提取結(jié)果的特征交互重要性分析，根據(jù)分析結(jié)果建立特征間注意力的交互輸出，還包括：

6.如權(quán)利要求5所述的基于神經(jīng)網(wǎng)絡(luò)的變頻器igbt結(jié)溫預(yù)測方法，其特征在于，所述利用混合注意通道執(zhí)行特征提取結(jié)果的長期依賴關(guān)系增強(qiáng)，根據(jù)長期依賴關(guān)系增強(qiáng)結(jié)果建立時(shí)間增強(qiáng)注意力的時(shí)間輸出，還包括：

7.如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的變頻器igbt結(jié)溫預(yù)測方法，其特征在于，所述對(duì)實(shí)時(shí)參數(shù)集預(yù)處理后，建立樣本數(shù)據(jù)集，還包括：

8.如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的變頻器igbt結(jié)溫預(yù)測方法，其特征在于，所述方法還包括：

技術(shù)總結(jié)
本發(fā)明提供了基于神經(jīng)網(wǎng)絡(luò)的變頻器IGBT結(jié)溫預(yù)測方法，涉及神經(jīng)網(wǎng)絡(luò)技術(shù)領(lǐng)域，包括：獲取地鐵牽引傳動(dòng)系統(tǒng)的電路結(jié)構(gòu)和運(yùn)行參數(shù)，構(gòu)建動(dòng)態(tài)熱網(wǎng)絡(luò)模型；建立仿真工況集，進(jìn)行仿真采集實(shí)時(shí)參數(shù)集，預(yù)處理后建立樣本數(shù)據(jù)集；建立帶有多輸入層的神經(jīng)網(wǎng)絡(luò)，執(zhí)行訓(xùn)練構(gòu)建IGBT結(jié)溫預(yù)測模型，每個(gè)輸入層映射有一個(gè)特征提取子網(wǎng)絡(luò)，利用特征提取子網(wǎng)絡(luò)進(jìn)行特征提取，根據(jù)特征提取結(jié)果進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練；利用IGBT結(jié)溫預(yù)測模型進(jìn)行數(shù)據(jù)預(yù)測，建立結(jié)溫時(shí)間序列。本發(fā)明解決了現(xiàn)有技術(shù)難以捕捉復(fù)雜運(yùn)行條件下結(jié)溫的動(dòng)態(tài)變化，特別是在負(fù)載波動(dòng)較大或多工況切換時(shí)，傳統(tǒng)模型的預(yù)測誤差顯著增大，導(dǎo)致結(jié)溫預(yù)測的準(zhǔn)確性不足的技術(shù)問題。

技術(shù)研發(fā)人員：劉輝臣,王海波,蘇位峰,宇文博,衛(wèi)三民,宋玉斌,張鳴,李堯
受保護(hù)的技術(shù)使用者：華夏天信智能物聯(lián)股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9