基于机器学习算法的IGBT模块故障预测技术研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 IGBT故障预测研究现状 | 第12-13页 |
| 1.2.2 数据驱动的故障预测研究现状 | 第13页 |
| 1.2.3 大数据存储与处理研究现状 | 第13-14页 |
| 1.3 本文研究内容及组织 | 第14-17页 |
| 2 IGBT器件原理与失效参数选取 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 IGBT器件原理 | 第17-19页 |
| 2.2.1 IGBT基本结构 | 第17-18页 |
| 2.2.2 IGBT工作原理 | 第18-19页 |
| 2.3 IGBT工作特性 | 第19-21页 |
| 2.3.1 静态特性 | 第19-20页 |
| 2.3.2 动态特性 | 第20-21页 |
| 2.3.3 擎住效应特性 | 第21页 |
| 2.4 IGBT失效原因 | 第21-22页 |
| 2.4.1 封装相关的失效 | 第21-22页 |
| 2.4.2 芯片相关的失效 | 第22页 |
| 2.5 IGBT加速老化实验 | 第22-24页 |
| 2.5.1 热循环加速老化实验 | 第23页 |
| 2.5.2 功率循环加速老化实验 | 第23-24页 |
| 2.5.3 加速老化实验框架 | 第24页 |
| 2.6 IGBT失效参数及选取 | 第24-27页 |
| 2.6.1 IGBT失效参数的分析 | 第25-26页 |
| 2.6.2 失效参数的选取 | 第26-27页 |
| 2.7 本章小结 | 第27-29页 |
| 3 基于机器学习理论的故障预测方法 | 第29-49页 |
| 3.1 引言 | 第29页 |
| 3.2 故障预测的方法分类 | 第29-32页 |
| 3.2.1 基于退化模型的故障预测 | 第29-30页 |
| 3.2.2 基于统计可靠性的故障预测 | 第30页 |
| 3.2.3 基于数据驱动的故障预测 | 第30-32页 |
| 3.3 机器学习方法总览 | 第32-34页 |
| 3.3.1 机器学习的分类 | 第32-33页 |
| 3.3.2 机器学习的框架 | 第33-34页 |
| 3.4 基于机器学习的回归算法 | 第34-40页 |
| 3.4.1 回归算法思想 | 第34-35页 |
| 3.4.2 回归模型的学习 | 第35-39页 |
| 3.4.3 过拟合与欠拟合问题 | 第39页 |
| 3.4.4 回归算法的两种思路 | 第39-40页 |
| 3.5 基于机器学习的人工神经网络算法 | 第40-47页 |
| 3.5.1 人工神经网络思想 | 第40-41页 |
| 3.5.2 神经网络的分类 | 第41-42页 |
| 3.5.3 神经网络的激活函数 | 第42-43页 |
| 3.5.4 BP神经网络 | 第43-45页 |
| 3.5.5 神经网络逼近任意连续函数的探讨 | 第45-47页 |
| 3.6 本章小结 | 第47-49页 |
| 4 IGBT故障预测及算法优化 | 第49-71页 |
| 4.1 引言 | 第49页 |
| 4.2 TENSORFLOW机器学习方案 | 第49-53页 |
| 4.2.1 TensorFlow的主要思想 | 第49-50页 |
| 4.2.2 TensorFlow解决实际问题步骤 | 第50-52页 |
| 4.2.3 性能优化和分布式支持 | 第52-53页 |
| 4.3 基于回归算法的预测 | 第53-54页 |
| 4.4 基于神经网络算法的预测 | 第54-62页 |
| 4.4.1 神经网络算法训练步骤 | 第54-55页 |
| 4.4.2 数据预处理 | 第55-56页 |
| 4.4.3 搭建神经网络模型 | 第56-59页 |
| 4.4.4 欠拟合和过拟合问题 | 第59-62页 |
| 4.5 优化神经网络算法加速训练 | 第62-67页 |
| 4.5.1 梯度下降法的改进 | 第62-66页 |
| 4.5.2 批标准化 | 第66-67页 |
| 4.6 基于LSTM循环神经网络的预测 | 第67-70页 |
| 4.6.1 循环神经网络算法思想 | 第67-69页 |
| 4.6.2 预测结果 | 第69-70页 |
| 4.7 本章小结 | 第70-71页 |
| 5 IGBT故障预测软件系统设计 | 第71-81页 |
| 5.1 引言 | 第71页 |
| 5.2 预测模块 | 第71-73页 |
| 5.2.1 历史数据的预测方案 | 第71-72页 |
| 5.2.2 实时数据的预测方案 | 第72-73页 |
| 5.3 数据导入与存储模块 | 第73-75页 |
| 5.3.1 kafka模块设计 | 第73-74页 |
| 5.3.2 数据解析流程 | 第74-75页 |
| 5.3.3 数据格式定义 | 第75页 |
| 5.3.4 数据存储设计 | 第75页 |
| 5.4 交互界面设计 | 第75-77页 |
| 5.5 系统框架 | 第77-79页 |
| 5.5.1 预测流程设计 | 第77-78页 |
| 5.5.2 系统架构设计 | 第78-79页 |
| 5.6 本章小结 | 第79-81页 |
| 6 总结与展望 | 第81-83页 |
| 6.1 本文的工作总结 | 第81页 |
| 6.2 下一步工作 | 第81-83页 |
| 参考文献 | 第83-87页 |
| 图索引 | 第87-89页 |
| 表索引 | 第89-91页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第91-95页 |
| 学位论文数据集 | 第95页 |
