基于Stacking多模型融合的IGBT器件寿命的机器学习预测算法研究

• Published in: 计算机科学 Vol. 49; no. z1; pp. 784 - 789
• Main Authors: 王飞, 黄涛, 杨晔
• Format: Journal Article
• Language: Chinese
• Published: 上海师范大学信息与机电工程学院 上海200234%上海师范大学智能教育大数据工程技术研究中心 上海200234 2022
• Subjects: 长短期记忆网络; 机器学习; 寿命预测; Stacking算法; IGBT器件
• ISSN: 1002-137X
• DOI: 10.11896/jsjkx.210400030

TP183; 绝缘栅双极型晶体管(IGBT)器件是一种被广泛应用于工业、通信、计算机、汽车电子等领域的核心技术部件,提高该器件的使用安全性至关重要.近年来,采用机器学习对IGBT器件的寿命进行预测已成为热点的研究问题.然而,普通的神经网络预测仍存在着训练时间长和准确率较低的问题.针对该问题,提出了一种基于Stacking多模型融合的机器学习模型来实现对IGBT的寿命预测,该模型有效地提高了预测的准确率和效率.该算法包含双层结构,融合了4种互补的机器学习算法模型.其中,第一层使用了轻度梯度提升树模型(LGBM)、极端梯度提升树模型(XGBoost)和岭回归模型(Ridge)进行预测,再将预测结果输入第二层进行训练;第二层使用了线性回归模型,经过双层模型训练预测出最终的IGBT寿命.通过实验数据的对比证实,相比常用的长短期记忆神经网络(LSTM)算法模型,基于Stacking多模型融合的机器学习模型对IGBT寿命预测的均方误差平均降低了93％,且模型训练的平均耗时仅为LSTM网络算法模型的13％.