Power electronic devices have become integral components in modern consumer and transportation industries. Predicting the failure or health status of these devices not only ensures operational safety and prevents catastrophic consequences but also leads to reduced downtime and operational costs. However, failure or health status prediction represents a complex problem marked by numerous intrinsic and extrinsic variables, leading to different lifetimes of devices. Additionally, selecting relevant precursor signals that effectively capture the underlying failure mechanisms and overcoming time-series prediction challenges, such as handling dynamic and non-linear behaviors, are crucial for accurate predictions. In the thesis, three models—Kalman filter (KF), Particle filter (PF), and Autoregressive Integrated Moving Average (ARIMA)—are applied, compared, and evaluated for failure or health status prediction of power electronic devices using Power Cycling (PC) test data for power diodes. Among the models, the KF demonstrates the most significant performance while consuming the least amount of time. The PF achieves the second-best performance and the third-best time consumption. Meanwhile, the in-sample ARIMA model delivers the third-best performance and the second-best time consumption. Finally, the out-of-sample ARIMA model ranked the lowest in both performance and time consumption. These results suggest that dynamic models, specifically the KF and PF, exhibit superior generalization capabilities across different devices. This underscores the potential of dynamic models for enhancing predictive accuracy while optimizing computational efficiency in the context of real-time power electronic device health monitoring. / Effektelektronikkomponenter har blivit integrerade delar av moderna konsument- och transportindustrier. Att förutsäga fel eller hälsotillstånd hos dessa enheter säkerställer inte bara operativ säkerhet och förebygger katastrofala konsekvenser utan leder också till minskad driftstopp och lägre driftskostnader. Dock representerar förutsägelse av fel eller hälsotillstånd en komplex uppgift som kännetecknas av många inbyggda och yttre variabler, vilket leder till olika livslängder för enheterna. Dessutom är det avgörande för noggranna förutsägelser att välja relevanta föregångssignaler som effektivt fångar upp de underliggande felmekanismerna och övervinna utmaningar med tidsberoende prediktion, såsom hantering av dynamiska och icke-linjära beteenden. I avhandlingen tillämpas, jämförs och utvärderas tre modeller - Kalman-filter (KF), partikelfilter (PF) och autoregressiv integrerad rörlig medelvärde (ARIMA) - för förutsägelse av fel eller hälsotillstånd hos effektelektronikkomponenter med hjälp av testdata för effektdioder från Power Cycling (PC). Bland modellerna visar KF den mest betydande prestandan samtidigt som den kräver minst tid. PF uppnår den näst bästa prestandan och den tredje bästa tidsåtgången. Samtidigt ger in-sample ARIMA-modellen den tredje bästa prestandan och den näst bästa tidsåtgången. Slutligen rankades out-of-sample ARIMA-modellen lägst både när det gäller prestanda och tidsåtgång. Dessa resultat tyder på att dynamiska modeller, särskilt KF och PF, uppvisar överlägsna generaliseringsförmågor över olika enheter. Detta understryker potentialen hos dynamiska modeller för att förbättra förutsägelseprecisionen samtidigt som de optimerar beräkningskapaciteten i sammanhanget av övervakning av hälsotillståndet för effektelektronikkomponenter i realtid.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-345084 |
| Date | January 2024 |
| Creators | Guo, Chao |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2024:28 |
Page generated in 0.0024 seconds