.png){kind=icon}
返回
Mitigating Multiphysics Interference in Semiconductor Aging via Physics-Embedded Incremental Evolution
.png){kind=icon}
OA
AI
DOI：10.3390/en19122750.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
剩余使用寿命（RUL）预测对于绝缘栅双极晶体管（IGBT）等电力半导体器件的可靠电力电子运行至关重要，但由于老化过程非平稳且电-热前兆强烈耦合，该预测仍具挑战性。本文提出了一种基于物理信息的增量学习框架（PIILF），将老化建模为隐式增量状态演化过程，而非静态轨迹拟合。PIILF整合了增量状态演化网络（ISEN）用于状态级退化更新、任务自适应参数共享（TAPS）以缓解耦合前兆间的跨任务干扰，以及基于物理信息的观测解码器（PIOD）通过电-热耦合关系重构观测值。在NASA IGBT加速老化数据集上，经过100个随机种子的评估，PIILF相较于TimesNet、TimeXer和DeepHPM实现了更低的RMSE和MAE，同时保持竞争性的MAPE、略优的R²以及更高的参数效率。当训练数据缩减至50%和25%时，PIILF的误差增幅小于基线方法，表明其在数据稀疏场景下具有更强的鲁棒性。这些发现表明，将物理一致性直接嵌入增量表示学习中，为鲁棒的半导体RUL预测提供了一种有效且高效的途径。
Keyword:
remaining useful life prediction
power semiconductor devices
physics-informed learning
incremental state evolution
electro-thermal coupling
multi-task learning
semiconductor aging
IGBT prognostics
