(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110558620.7 (22)申请日 2021.05.21 (65)同一申请的已公布的文献号 申请公布号 CN 113239654 A (43)申请公布日 2021.08.10 (73)专利权人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 王尚亭　刘震　程玉华　 (74)专利代理 机构 四川鼎韬律师事务所 513 32 代理人 温利平 (51)Int.Cl. G06F 30/367(2020.01) G06F 30/25(2020.01) G06F 30/27(2020.01) G06N 3/00(2006.01) G06F 119/04(2020.01) (56)对比文件 CN 109284543 A,2019.01.2 9CN 112213660 A,2021.01.12 CN 109472397 A,2019.0 3.15 CN 105590023 A,2016.0 5.18 WO 202109 2845 A1,2021.0 5.20 Zhen liu等.Remai ning Useful L ife Estimati on of Insulated Gate Bipl oar Transistors(IGBTs) Based o n a Novel Volterra k-Nearest Neighbor OPtimal ly PRUNED Extreme Learn ing Machine(VKOPP) Model Usi ng Degradati on Data. 《sensors》 .2017,第17 卷(第11期), 郑波.基于粒子群优化算法的航空发动机故 障诊断与性能参数 预测研究. 《中国优秀博硕士 学位论文全文数据库(博士)工程科技 Ⅱ辑》 .2018,(第9期), 曾春燕.基 于改进混沌粒子 群算法的IGBT参 数提取及有效性验证 研究. 《中国优秀博硕士学 位论文全文数据库(硕士)信息科技 辑》 .2021, (第1期), 审查员 游婧 (54)发明名称 基于FIG和IPSO算 法的IGBT剩余寿命预测方 法 (57)摘要 本发明公开了一种基于FIG和IPSO算法的 IGBT剩余寿命预测方法， 先通过加速I GBT寿命实 验， 获取多组I GBT的集射 极饱和压降时间序列 样 本并进行归一化处理； 再利用模糊信息粒化处理 算法FIG对归一化后的样本进行处理， 从而将 IGBT的集射极饱和压降从点预测转化为区间预 测； 然后通过高阶多项式拟合构建权重组合预测 模型， 并通过IPSO算法优化权重组合预测模型； 最后进行IGBT的剩余寿 命的实时预测。 权利要求书4页 说明书12页 附图5页 CN 113239654 B 2022.03.25 CN 113239654 B 1.一种基于FIG和IP SO算法的IGBT剩余寿命预测方法， 其特 征在于， 包括以下步骤： (1)、 采集 N组IGBT的集 射极饱和压降时间序列样本； (1.1)、 通过加速IGBT寿命实验， 获取N组IGBT的集射极饱和压降时间序列样本 并作为IGBT失效过程的表征参数， 其中， 表示第n组样本中第m个集射极饱和压降数据， M表示第n组样本中采集数据的最大 个数； (1.2)、 对集 射极饱和压降时间序列 进行归一 化处理； 将每个 按照单一映射函数： 进行归一化， 其 中， 将集射极饱和压降时间序列 中每个 进行上述归一化后， 每个分量均规范成[0,1] 上的数， 得到数据集Xn＝(xn1,xn2,…,xnm,…,xnM)； (2)、 对数据集Xn进行模糊信息粒化处 理FIG； (2.1)、 对数据集Xn＝(xn1,xn2,…,xnm,…,xnM)加窗： 在数据集Xn中， 每间隔J个元素划分 为一个窗口， 设f为窗口 的数目编号， F表示窗口 的总数目， 则 (2 .2)、 对第f个窗口内的J个元素进行升序排列， 排序后第f个窗口表示为 表示第n组样本中第f个窗口中第j个元 素； (2.3)、 以Xnf为论域构建一个模糊粒子g； 其中， G为模糊概念， 包括Low,R和Up三类， Low表示模糊粒子g变化的最小值， R表示模糊 粒子g变化的平均值， Up表示模糊粒子g变化的最大值； (2.4)、 以三角型模糊粒子形式作为隶属函数， 通过 隶属函数对 模糊粒子g进行刻画； 其中， a为三角型模糊粒子的支撑下界， b为三角型模糊粒子的支撑上界， d为三角型模 糊粒子的核参数； (2.5)、 采用Witold  Pedrycz模糊粒化算法对刻画后的模糊粒子g进行粒化， 并在粒化 过程中得到a、 b、 d三个参数值； 权　利　要　求　书 1/4 页 2 CN 113239654 B 2； (2.6)、 重复步骤(2.2) ‑(2.5)， 对每个窗口Xnf进行模糊信息粒化处理， 处理完成后， 得 到 和 (3)、 对第n组样本中每 个窗口下的三种水平L ow、 R、 Up的数据进行高阶多 项式拟合； (3.1)、 设第n组样本中第f个窗口下的拟合函数的系数矩阵为 表示第n组样本中第f个窗口下的第α个系数； 设第n组样本中第f个窗口下的拟合函数 的参数矩阵为 表示第n组样本中第f个 窗口下的第 个 参数， 表示拟合多 项式的次数， 上 标T表示转置， G表示 三种模糊集， 包 含 计算第n组样本中第f个窗口下的拟合 值 ； (3.2)、 采用最小二乘法对第n组样本中第f个窗口下的系数矩阵 进行求解， 使如下函 数中的R取值 最小， 并记录对应的系数矩阵 其中， 表示第n组样本中第f个窗口下进行模糊信息粒化处 理的实际值； (3.3)、 按照步骤(2) ‑(3.2)所述方法对N组样本在三种水平Low、 R、 Up的数据进行高阶 多项式拟合得到的数据矩阵(XG)*； ； (4)、 构建权 重组合预测模型 XG； XG＝WG(XG)*+EG权　利　要　求　书 2/4 页 3 CN 113239654 B 3