A Novel GRU-Augmented Time-Frequency Estimator for IGBT Remaining Useful Life Prediction
Notice bibliographique
Résumé
Aging-induced failure of Insulated Gate Bipolar Transistors (IGBTs) significantly restricts the reliability of power electronic systems. Accurate and efficient prediction of IGBT Remaining Useful Life (RUL) is critical for proactive risk mitigation and ensuring system stability. Despite numerous existing aging models and data-driven methodologies, maintaining prediction robustness and accuracy under diverse and complex operational scenarios remains challenging. To overcome these limitations, we introduce a novel GRU-Augmented Time-Frequency Estimator (GATE) tailored for IGBT lifetime prediction. GATE utilizes an autoregressive time-series prediction framework trained via the Teacher Forcing strategy to recursively decode the electrical parameters indicative of the IGBT’s aging state from rich time-frequency features. Experimental validations are performed using the square-wave power cycling dataset from the NASA Prognostics Data Repository. The results demonstrate that GATE significantly enhances prediction accuracy, reducing Mean Squared Error (MSE) to 0.0026 and Mean Absolute Error (MAE) to 0.045, representing improvements of 38.1% and 19.6%, respectively, compared to the leading baseline method. Moreover, recursive forecasting experiments show that GATE precisely predicts the remaining power cycles until the aging threshold (defined as a 15% increase in Vce(on)) at various aging stages (10–60%). Ablation analyses further underline the critical contribution of the frequency-domain component. Collectively, these findings underscore GATE’s capability to reliably decode IGBT RUL directly from historical operational data, bypassing intricate electrical or mechanical modeling, thereby offering a practically deployable and broadly generalizable solution for lifetime management in power electronic devices.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».