Convolutional-LSTM for IGBTs prognostics and age monitoring

In recent years, extensive research efforts have been dedicated to the field of prognostics and age-related degradation, with major focus on higher complexity devices. However, relatively little attention has been given to power devices, such as Insulated Bipolar Gate Transistors (IGBTs), despite their critical role in high power electronic applications. These device find their application in various domains, including power grids, where their ca- pability of operating over a broad spectrum of current and voltage levels is a necessity. Because of their central role, their condition can heavily effect the entire system, and the lack of comprehensive understanding and accurate aging prediction for IGBTs poses a significant challenge in ensuring their optimal performance, the deployment of intelligent equipment maintenance and in minimizing the risk of failure. To overcome this research and knowledge gap, the present study focuses on the development and implementation of a Convolutional-Long Short-Term Memory Neural Network, for predicting the value of the component temperature, as the main precursor for its premature aging. Moreover, an incremental learning approach is employed to address the challenges of online learning in real-world scenarios. To evaluate the proposed methodology, a comparative analysis is conducted against a base Long Short-Term Memory (LSTM) model, using an IGBT data set from the NASA Ames Laboratory. The empirical experiments yield promising results, demonstrating that the proposed model outperforms the base LSTM model in terms of accuracy and predictive capabilities. Moreover, the incremental approach ap- pears to be suitable to extend the Convolutional-LSTM model to online learning settings. The findings of this research provide valuable insight into prognostics of power devices and contribute to broaden the field of predictive maintenance, especially in the context of power devices.

Negli ultimi anni, ampi sforzi di ricerca sono stati dedicati allo studio del campo della prognostica, e del degradamento di componenti elettronici dovuti alla loro età. Parti- colare attenzione è stata prestata a dispositivi dall’alta complessità, mentre i cosiddetti "power devices" sono stati relativamente tralasciati, nonostante il loro ruolo critico nelle applicazioni elettronice ad alta potenza. Tra questi, i Transistor bipolari a gate isolato (IGBT) trovano applicazione in diversi ambiti, tra cui le reti elettriche, dove la loro ca- pacità di operare su un ampio spettro di livelli di corrente e tensione si dimostra una necessità. Data la centralità del loro ruolo, le condizioni del componente stesso possono influire pesantemente sull’intero sistema, e la mancanza di una comprensione approfondita e di una predizione accurata dell’invecchiamento degli IGBTs, pone una sfida significa- tiva per garantire le loro prestazioni ottimali, l’implementazione di una manutenzione intelligente delle apparecchiature e la riduzione del rischio di guasti. Per colmare queste lacune nella ricerca e nella conoscenza, il presente studio si concentra sullo sviluppo e sull’implementazione di una Rete Neurale Convoluzionale con Memoria a Lungo-Breve Termine (Convolutional-LSTM), per prevedere il valore della temperatura del compo- nente, identificato come principale precursore del suo invecchiamento prematuro. Inoltre, un approccio di apprendimento incrementale per affrontare le sfide dell’apprendimento on- line in scenari reali è stato implementato. Per valutare la metodologia proposta, un’analisi comparativa è stata condotta con un modello base di Memoria a Lungo-Breve Termine (LSTM), usando un data set di IGBT proveniente dal Nasa Ames Laboratory. Gli esperi- menti empirici danno risultati promettenti, dimostrando che il modello proposto supera il modello LSTM di base in termini di accuratezza e capacità predittiva. Inoltre, l’approccio incrementale sembra essere adatto all’estensione del modello Convolutional-LSTM per le impostazioni di apprendimento online. I risultati della ricerca forniscono preziose indi- cazioni sulla prognostica dei power devices, e contribuiscono ad ampliare il campo della manutenzione predittiva, soprattutto nel contesto di questi ultimi.