State of health of power electronics is an immeasurable quantity. To determine the state of a discrete power electronic device, prediction methods can be utilized. Two use cases are developed and presented in the scope of this thesis. The raw data used for use case 1 and use case 2 is contained in multiple technical data management streaming files of three types of transistor outline packages. The devices underwent accelerated ageing experiments. After the power cycling tests were conducted, each device was associated with records for various parameters including maximal and minimal junction temperature and forward voltage drop for each cycle. Pre-processing is necessary prior to feeding the data to the model, because low quality data leads to inaccurate predictions. The first use case is simple multiple linear regression algorithm that predicts state of health of the discrete devices. Three equations arise, each belonging to a different transistor outline package. In each equation the input variables are the forward voltage drop and the maximal junction temperature, while the output variable (state of health) is estimated. Use case 2 deals with three long short-term memory regression machine learning models, as a more robust and more accurate successor of use case 1. The input has to be well-defined and therefore concepts like shape of data and window size are introduced. The output of the models is the predicted state of health of the device. Both use cases contribute to the reliability assessment of power electronic devices by giving approximate predictions of the state of health, when inserting forward voltage drop and maximal junction temperature of a device. When the output (prediction) of the model is zero or around zero, maintenance or replacement of the device is necessary. Prediction of the models close to 'real time' is also presented, where the advantage of the models developed in the use case 2 is noticeable. This prediction is necessary to see how the model behaves prior to, at, and after end of life of the tested discrete device. As a conclusion, models developed in use case 2 can be used for acceptable prediction of state of health and getting a more clear idea about the condition of the power electronic device.

Lo stato di salute dell'elettronica di potenza non è misurabile, pertanto è possibile utilizzare metodi predittivi per accertare se il dispositivo è ancora idoneo all'uso o vicino alla fine del suo ciclo di vita. Due casi d'uso sono sviluppati e presentati nell'ambito di questa tesi. I dati grezzi utilizzati per il caso d'uso 1 e il caso d'uso 2 sono contenuti in più file di streaming di gestione dei dati tecnici di tre tipi di pacchetti di schemi di transistor. I dispositivi sono stati sottoposti a un invecchiamento accelerato. Dopo i test di power cycling, ogni dispositivo ha registrazioni di vari parametri tra cui la temperatura di giunzione massima e minima e la caduta di tensione in avanti per ogni ciclo. La pre-elaborazione è necessaria prima di fornire i dati al modello, perché dati di bassa qualità portano a previsioni imprecise. Il primo caso d'uso è un semplice algoritmo di regressione lineare multipla che predice lo stato di salute dei dispositivi discreti. Vengono mostrate tre equazioni, ciascuna appartenente a un diverso pacchetto di struttura del transistor. In ogni equazione le variabili di ingresso sono la caduta di tensione in avanti e la temperatura massima di giunzione, mentre la variabile di uscita (stato di salute) è stimata. Il caso d'uso 2 riguarda tre modelli di apprendimento automatico di regressione della memoria a breve termine, quale successore più robusto e più accurato del caso d'uso 1. L'input di questi modelli deve essere ben definito e vengono concetti come la forma di una matrice e la dimensione della finestra. L'output dei modelli è lo stato di salute previsto del dispositivo. Both i casi d'uso vanno alla valutazione dell'affidabilità dei dispositivi elettronici di potenza prevista per l'approssimative dello stato di salute, quando si verificano la caduta di tensione in avanti e la temperatura massima di giunzione di un dispositivo. Quando l'uscita (previsione) del modello è zero o intorno allo zero, è necessaria la manutenzione o la sostituzione del dispositivo. Viene anche presentata la previsione dei modelli vicino al 'tempo reale', dove si nota il vantaggio dei modelli sviluppati nel caso d'uso 2. Questa previsione è necessaria per vedere come il modello si comporta prima, durante e dopo la fine della vita del dispositivo discreto testato. Come conclusione, i modelli sviluppati nel caso d'uso 2 possono essere utilizzati per una previsione accettabile dello stato di salute e per avere un'idea chiara sulle condizioni del dispositivo elettronico di potenza.

Predictive health monitoring of power electronics using machine learning techniques

BLAZHEVSKA, ELENA
2020/2021

Abstract

State of health of power electronics is an immeasurable quantity. To determine the state of a discrete power electronic device, prediction methods can be utilized. Two use cases are developed and presented in the scope of this thesis. The raw data used for use case 1 and use case 2 is contained in multiple technical data management streaming files of three types of transistor outline packages. The devices underwent accelerated ageing experiments. After the power cycling tests were conducted, each device was associated with records for various parameters including maximal and minimal junction temperature and forward voltage drop for each cycle. Pre-processing is necessary prior to feeding the data to the model, because low quality data leads to inaccurate predictions. The first use case is simple multiple linear regression algorithm that predicts state of health of the discrete devices. Three equations arise, each belonging to a different transistor outline package. In each equation the input variables are the forward voltage drop and the maximal junction temperature, while the output variable (state of health) is estimated. Use case 2 deals with three long short-term memory regression machine learning models, as a more robust and more accurate successor of use case 1. The input has to be well-defined and therefore concepts like shape of data and window size are introduced. The output of the models is the predicted state of health of the device. Both use cases contribute to the reliability assessment of power electronic devices by giving approximate predictions of the state of health, when inserting forward voltage drop and maximal junction temperature of a device. When the output (prediction) of the model is zero or around zero, maintenance or replacement of the device is necessary. Prediction of the models close to 'real time' is also presented, where the advantage of the models developed in the use case 2 is noticeable. This prediction is necessary to see how the model behaves prior to, at, and after end of life of the tested discrete device. As a conclusion, models developed in use case 2 can be used for acceptable prediction of state of health and getting a more clear idea about the condition of the power electronic device.
SCHARRER, MATTHIAS
ING - Scuola di Ingegneria Industriale e dell'Informazione
28-apr-2022
2020/2021
Lo stato di salute dell'elettronica di potenza non è misurabile, pertanto è possibile utilizzare metodi predittivi per accertare se il dispositivo è ancora idoneo all'uso o vicino alla fine del suo ciclo di vita. Due casi d'uso sono sviluppati e presentati nell'ambito di questa tesi. I dati grezzi utilizzati per il caso d'uso 1 e il caso d'uso 2 sono contenuti in più file di streaming di gestione dei dati tecnici di tre tipi di pacchetti di schemi di transistor. I dispositivi sono stati sottoposti a un invecchiamento accelerato. Dopo i test di power cycling, ogni dispositivo ha registrazioni di vari parametri tra cui la temperatura di giunzione massima e minima e la caduta di tensione in avanti per ogni ciclo. La pre-elaborazione è necessaria prima di fornire i dati al modello, perché dati di bassa qualità portano a previsioni imprecise. Il primo caso d'uso è un semplice algoritmo di regressione lineare multipla che predice lo stato di salute dei dispositivi discreti. Vengono mostrate tre equazioni, ciascuna appartenente a un diverso pacchetto di struttura del transistor. In ogni equazione le variabili di ingresso sono la caduta di tensione in avanti e la temperatura massima di giunzione, mentre la variabile di uscita (stato di salute) è stimata. Il caso d'uso 2 riguarda tre modelli di apprendimento automatico di regressione della memoria a breve termine, quale successore più robusto e più accurato del caso d'uso 1. L'input di questi modelli deve essere ben definito e vengono concetti come la forma di una matrice e la dimensione della finestra. L'output dei modelli è lo stato di salute previsto del dispositivo. Both i casi d'uso vanno alla valutazione dell'affidabilità dei dispositivi elettronici di potenza prevista per l'approssimative dello stato di salute, quando si verificano la caduta di tensione in avanti e la temperatura massima di giunzione di un dispositivo. Quando l'uscita (previsione) del modello è zero o intorno allo zero, è necessaria la manutenzione o la sostituzione del dispositivo. Viene anche presentata la previsione dei modelli vicino al 'tempo reale', dove si nota il vantaggio dei modelli sviluppati nel caso d'uso 2. Questa previsione è necessaria per vedere come il modello si comporta prima, durante e dopo la fine della vita del dispositivo discreto testato. Come conclusione, i modelli sviluppati nel caso d'uso 2 possono essere utilizzati per una previsione accettabile dello stato di salute e per avere un'idea chiara sulle condizioni del dispositivo elettronico di potenza.
File allegati
File Dimensione Formato  
PredictiveHealthMonitoringOfPowerElectronicsUsingMachineLearningTechniques_Thesis_ElenaBlazhevska.pdf

accessibile in internet solo dagli utenti autorizzati

Dimensione 3.29 MB
Formato Adobe PDF
3.29 MB Adobe PDF   Visualizza/Apri
PredictiveHealthMonitoringOfPowerElectronicsUsingMachineLearningTechniques_Executive_Summary_ElenaBlazhevska.pdf

accessibile in internet solo dagli utenti autorizzati

Dimensione 1.15 MB
Formato Adobe PDF
1.15 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/185942