边缘端实时深度学习用于 Si-MOSFET 电力电子变换器的可扩展可靠性建模
摘要
随着先进高频功率变换器的显著增长，功率电子器件的在线监测与主动可靠性评估极为关键。本文提出一种称为边缘端变换器深度学习可靠性感知（Deep RACE）的变革性方法，用于高频 MOSFET 功率电子变换器的实时可靠性建模与预测。Deep RACE 提供了一个整体解决方案，包含算法进展和全系统集成（从云到边缘节点），以创建近实时可靠性感知。在算法方面，本文提出一种基于堆叠 LSTM 的深度学习算法方案，基于器件电阻变化对集体 MOSFET 变换器进行集体可靠性训练与推断。Deep RACE 还提出一种集成化的边到云方案，以提供可扩展的分散式器件级可靠性监测、感知与建模。MOSFET 变换器是已被赋予边缘实时深度学习处理能力的 IoT 设备。所提出的 Deep RACE 方案已通过从 NASA 提供的 MOSFET 数据集学习进行了原型设计与实现。我们的实验结果显示在五种不同的器件上平均误预测为 ，其准确率远高于知名经典方法（卡尔曼滤波与粒子滤波）。Deep RACE 在边缘 IoT 设备上仅需 处理时间与 计算功耗。
引用
@article{arxiv.1908.01244,
title = {Real-time Deep Learning at the Edge for Scalable Reliability Modeling of Si-MOSFET Power Electronics Converters},
author = {Mohammadreza Baharani and Mehrdad Biglarbegian and Babak Parkhideh and Hamed Tabkhi},
journal= {arXiv preprint arXiv:1908.01244},
year = {2019}
}
备注
2019 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works