IGBT剩余寿命预测(2013)

图1 某IGBT的失效率数据分析
IGBT与封装相关的失效
模块具有多层结构，不同部件具有不同的热膨胀系数，不同板层受热膨胀的大小有偏差，长期在热循环冲击作用下引起其焊接材料和键合线的疲劳老化，最终造成器件失效。

与封装相关失效主要包括键合线疲劳脱落、键合线疲劳受损、焊层疲劳受损引起芯片温度增加和或承受机械应力而失效。

与环境
封装失效有：由于设计或安装不良
（3）机械应力
机械应力引起的IGBT封装失效主要有
率端子对外连接承受过大机械应力，或者安装时操作不规范，导致端子和焊层之间出现裂纹，载流量下降；②散热器过于粗糙，导致IGBT底板变形受损，热阻增大导致芯片结温增加过热损坏，或直接导致芯片机械受损。

（4）环境应力
IGBT功率循环试验，χ表示失效的周期数，
数，表征分布的范围，β是形状参数，表征曲线的基本形状。

由失效机制决定，不同的失效机制β不同。

β越大，试验数据越集中，表明失效更能被某一种失效机制描述。

Weibull
函数是拓展的指数分布函数，β=1是指数分布函数，
（3）参数最低值参数最高值系数
2,03E+14k。

浅谈IGBT常见故障及使用寿命发布时间：2021-06-22T02:54:41.320Z 来源：《中国科技教育》2021年第2期作者：刘晓青[导读] 对IGBT的常见故障及使用寿命进行分析，为后续部件选型提供数据参考和建议。

深圳地铁运营集团有限公司摘要：因IGBT模块具有节能、安装更换方便、散热稳定等特点，已成为轨道交通行业的主流开关器件，地铁列车牵引、辅助系统大多使用英飞凌、三菱、日立品牌的IGBT模块。

本文对牵引系统的控制方式和列车常见IGBT故障情况，对IGBT的常见故障及使用寿命进行分析，为后续部件选型提供数据参考和建议。

关键词：IGBT；牵引系统；常见故障；使用寿命1.引言自20世纪80年代以来，IGBT技术迅猛发展。

IGBT模块作为电能变换的核心部件，具有节能、安装更换方便、散热稳定等特点，已成为轨道交通行业的主流开关器件。

地铁列车牵引、辅助系统大多使用英飞凌、三菱、日立品牌的IGBT模块。

结合牵引系统的控制方式和列车常见IGBT故障情况，对IGBT的常见故障及使用寿命进行分析，为后续部件选型提供数据参考和建议。

2.IGBT概述IGBT（绝缘栅双极型晶体管），是由 BJT（双极型三极管）和MOS（绝缘栅型场效应管）组成的复合全控型电压驱动式功率半导体器件，如图1所示。

兼有驱动功率小而饱和压降低的优势。

地铁车辆中广泛使用了大功率的IGBT，目前大功率IGBT的主要厂商有英飞凌、三菱、日立、富士、东芝、ABB等，国内大功率IGBT的设计、生产、制造还不成熟，只有部分厂商有IGBT的封装能力，如中国北车永济，而中国南车株洲时代收购了丹尼克斯，具备了生产设计制造能力。

图2.IGBT常见故障图驱动电路的性能是影响IGBT使用寿命的重要因素，在IGBT过压、过流等情况下，驱动电路应快速采取保护措施，否侧IGBT就很可能会损坏。

列车MCM模块中的GDU板为IGBT的驱动电路，GDU配有1个反馈，GDU可将IGBT的状态反馈至DCU/M，DCU/M快速反应，对IGBT采取适当的措施（如软封锁），可有效避免IGBT过压、过流等故障。

IGBT可靠性与寿命评估分析摘要：IGBT是新能源汽车电器控制器中十分重要的一项部件，与电动汽车安全性和可靠性有关。

在本篇文章中主要论述了使用热敏感电参数方式提取IGBT结晶。

通过具体的实验获得实际情况，以此分析和判断该项模块的热疲劳寿命，按照电机控制器总成的实验情况提出了可行性方案。

关键词：IGBT可靠性；寿命评估；研究要点IGBT是能源变换和传输的一项核心器件，被称之为电力电子装置中的CPU。

在新能源汽车中，IGBT决定了驱动系统的交电流转换情况，同时也和车辆最大输出功率有关，是汽车动力总成系统中非常重要的一方面。

由于新能源汽车中对于IGBT功率器件应用极为普遍。

因此该项功率在整个车的成本中占据比例是特别大的。

在电机控制器中，IGBT把动力电池的高压直流电转变为驱动三相电机的交流电，为电机提供充足的动力。

在汽车运行状态下，启停和频繁加减速都会使IGBT模块工具发生改变，IGBT结温也呈现出了循环变化状态，温度变化形成的热应力，使模块内部焊层之间形成热疲劳或者失效。

从中来看，IGBT模块的结晶变化决定了工作的寿命和可靠性体现。

在本篇文章中利用热敏感电参数方式提取IGBT的结温，通过具体的分析评估整车寿命周期内的IGBT模块热疲劳寿命。

1、对于IGBT的论述IGBT主要是指复合类型的结构，本身组成部分为金属氧化物半导体场效应晶体管，本身具备的优势特别高，呈现出了功率小、热稳定性良好、载流密度大的一系列优势。

一般情况下，经过芯片、基板以及散热器进行焊接形成，热特性是IGBT功率器件的重点，芯片工作形成的热量通过不同的介质和界面传递到散热器，把热量全面挥发出来。

该项模块的发热来源渠道为功率损耗，功率损耗包含了IGBD损耗以及wd损耗，同时也表现为开关损耗和导通损耗。

功率损耗和电流饱和压降开关频率等多项因素有着密切的联系性。

2、IGBT的可靠性基本要求第一，针对于车规划级ICBT模块来讲，因为周围使用环境条件极为恶劣，工况特别复杂，寿命要求高，因此对于该项模块性能和可靠性提出了十分严格的要求。

3国家自然科学基金资助项目器件研究与制造提高IGBT 开关速度的技术3袁寿财　朱长纯(西安电力电子技术研究所,西安710061) 摘要　简要分析了IGBT (绝缘栅双极晶体管)的工作机理,制作了20A 1050V 的IGBT 芯片,给出了测试结果,并对试制样品中子辐照前后的关断特性作了详细的比较和讨论。

关键词　绝缘栅双极晶体管　开关时间　辐照Speed i ng up IGBT πs Sw itch i ng Capab il itiesYuan Shoucai ,Zhu Changchun(X i πan P o w er E lectron ic T echnology Institu te ,X i πan 710061) Abstract T he operati on m echan is m of IGB T devices is si m p ly analyzed .20A 1050V IGB T sam p les are fab ricated and the experi m en tal and tested resu lts are given .T he tu rn 2off characters of IGB T sam p les w ith and o r no neu tron s radiati on exp eri m en tsare com pared and discu ssed in detail.Keywords IGB T Sw itch ing ti m e R adiati on1　引　言对于击穿电压在200V 以下的器件,最近的设计和加工技术已使芯片的导通电阻有了明显的降低,虽然减少到目前导通电阻的四分之一听起来似乎不大现实,但是新一代的低压M O SFET 确实达到了这种变化[1]。

不足的是,同样的改进应用到高压M O SFET 却不能带来同样惊人的效果。

IGBT寿命评价Power Cycle实验和高温高湿偏压
所谓Power Cycle实验，即对IGBT大功率电子部件施加额定满负荷推测部品寿命的试验。

在给IBGT部品设定接近破坏的最大限度的电压、电流、温度的负荷的同时，又必须控制不超过界限。

敝司使用的评价系统都是自主研发，可以对应市场上的试验设备难以对应的复杂条件设定。

Qualtec除了接受Power cycle试验委托，还可以对应Power cycle试验和其他环境试验的组合性试验评价的委托。

阔智科技日本总社研发结果。

1.Power cycle试验：对半导体的顺方向施加连续性·间歇性接通400A以上的电流。

2.高温高湿偏压实验：通过对半导体的逆方向反复施加3,000V以下的印加高电压，整个动作状态中顺方向中大电流导致的劣化，以及针对engineroom的高温高湿环境下逆方向高电压印加导致的劣化，进行组合试验
作者：Qualtec 检测中心
Power cycle试验机（气冷式）
高温高湿偏压试验机。

基于深度学习的IGBT健康状态评估及剩余寿命预测基于深度学习的IGBT健康状态评估及剩余寿命预测引言IGBT（Insulated Gate Bipolar Transistor）是一种重要的功率半导体器件，被广泛应用于电力电子系统中。

然而，由于IGBT的工作环境存在高温、高电压和高电流等恶劣条件，其寿命与可靠性成为电力电子设备中的瓶颈问题。

因此，准确评估IGBT的健康状态，并预测其剩余寿命至关重要，这不仅能够提高设备的可靠性，还能够降低维修成本。

一、IGBT健康状态评估方法1. 特征提取在IGBT健康状态评估过程中，特征提取是一个关键的步骤。

传统方法多采用基于统计学的特征提取方法，如均值、方差、峰值等。

然而，这种方法只能提取样本的整体统计信息，无法捕捉到样本内部的特征。

针对这个问题，基于深度学习的方法具有明显的优势。

例如，卷积神经网络（CNN）可以自动学习到IGBT故障模式中的特征信息，从而提高评估的准确性。

2. 健康状态评估模型构建在特征提取阶段之后，我们需要构建一个评估模型来准确地判断IGBT的健康状态。

传统的评估方法多采用支持向量机（SVM）或逻辑回归（LR）等机器学习算法，但其准确性有限。

近年来，深度学习中的循环神经网络（RNN）等算法被广泛应用于健康状态评估中，因其可以处理时间序列数据并具有很强的非线性建模能力。

3. 实验数据采集与准备为了验证所构建的评估模型的有效性，我们需要采集IGBT的工作数据并进行预处理。

实际中，可以在IGBT设备中潜入传感器，实时采集电流、电压、温度等参数，以及故障样本。

而后，通过对这些数据进行滤波、归一化等预处理操作，得到用于模型训练的数据集。

二、IGBT剩余寿命预测方法1. 特征提取IGBT的剩余寿命预测与健康状态评估类似，也需要进行特征提取。

但与健康状态评估不同的是，剩余寿命预测需要考虑时间因素。

因此，除了采用一些传统的统计特征外，还需要引入时间序列特征，如自相关系数、波峰波谷值等。

什么是“死区时间”？如何减⼩IGBT的死区时间在现代⼯业中，采⽤IGBT器件的电压源逆变器应⽤越来越多。

为了保证可靠的运⾏，应当避免桥臂直通。

桥臂直通将产⽣不必要的额外损耗，甚⾄引起发热失控，结果可能导致器件和整个逆变器被损坏。

下图画出了IGBT⼀个桥臂的典型结构。

在正常运⾏时，两个IGBT将依次开通和关断。

如果两个器件同时导通，则电流急剧上升，此时的电流将仅由直流环路的杂散电感决定。

图1 电压源逆变器的典型结构当然，没有谁故意使两个IGBT同时开通，但是由于IGBT并不是理想开关器件，其开通时间和关断时间不是严格⼀致的。

为了避免IGBT桥臂直通，通常建议在控制策略中加⼊所谓的“互锁延时时间”，或者通常叫做“死区时间”。

这意味着其中⼀个IGBT要⾸先关断，然后在死区时间结束时再开通另外⼀个IGBT，这样，就能够避免由开通时间和关断时间不对称造成的直通现象。

1. 死区时间对逆变器⼯作的影响死区时间⼀⽅⾯可以避免桥臂直通，另⼀⽅⾯也会带来不利影响。

以图2为例，⾸先假设输出电流按图⽰⽅向流动，⽽IGBT T1由开通到关断，经过⼀⼩段死区时间后IGBT T2由关断到开通。

在有效死区时间内，两个开关管都是关断的，且续流⼆极管D2流过输出电流。

此时负的直流电压加在输出侧，此时电压极性符合设计的要求。

考虑另⼀种情况，T1由关断到开通，⽽T2由开通到关断，此时，由于电流还是沿着同⼀个⽅向，这⼀电流在死区时间依然流过，因此输出电压还是为负值，此时电压极性不是设计希望得到的。

结论可以总结如下：在有效死区时间⾥，输出电压由输出电流决定，⽽⾮控制信号。

图2 电压源逆变器的⼀个桥臂如果我们假设输出电流的⽅向与图2所⽰相反，那么当T1由开通到关断，⽽T2由关断到开通时，也同样会出现类似上述情况。

因此⼀般情况下，输出电压与输出电流会随着死区时间的加⼊⽽失真。

如果我们选择过⼤的死区时间，对于感应电机的情况，系统将会变得不稳定。

功率半导体寿命模型在现代电力电子技术领域中扮演着重要的角色。

随着功率半导体器件应用的不断扩大，对它们的可靠性和寿命要求也越来越高。

因此，建立有效的是提高电力电子系统可靠性的重要手段之一。

本文将从定义、模型背景、发展历程、应用场景、研究现状以及未来趋势等多个方面来介绍。

一、定义功率半导体器件是指能够承受大功率电流和高压的半导体器件。

常见的功率半导体器件有IGBT（Insulated Gate Bipolar Transistor）、MOSFET（金属氧化物半导体场效应管）、功率二极管等。

是指在一定的实验条件下，通过对功率半导体器件的失效数据进行分析统计，得出的一种能够反映其失效规律的数学描述形式，这种形式通常是一个可表示寿命分布的概率密度函数。

二、模型背景电力电子装置因其高效、可靠、节能等优点被广泛应用于现代工业、交通、家庭等各个领域。

而功率半导体器件是电力电子装置的重要组成部分。

由于工作环境的恶劣、加工技术的差异、工作条件的复杂性等因素，功率半导体器件存在着不可避免的失效风险。

为了保证功率半导体器件的可靠性和安全性，各国的电力电子技术研究机构对功率半导体器件的失效机理和失效规律进行了深入探究。

三、发展历程的发展历程可以追溯到20世纪70年代初期。

当时的研究人员主要采用经验分布函数法（Empirical Distribution Function Method）进行失效数据的处理和分析。

到了80年代，一些学者开始采用参数统计方法，通过模拟失效数据的分布特性，推导出适应于不同失效机制的寿命模型。

90年代，随着电子技术的不断发展，失效数据的获取和处理工具得到了大幅度提升，如Weibull分布、威布尔分布、可靠性增长模型等方法得到了广泛的应用。

此后，的研究重点逐渐从单一失效机制向多种失效机制的综合模型转变，目前已经发展出了多种适用于不同失效机制的寿命模型。

四、应用场景被广泛用于电力电子装置的设计、制造和维护过程中。

第３７卷第３期２０２２年６月安㊀徽㊀工㊀程㊀大㊀学㊀学㊀报J o u r n a l o fA n h u i P o l y t e c h n i cU n i v e r s i t y V o l ．３７．N o ．３J u n ．,２０２２文章编号:１６７２Ｇ２４７７(２０２２)０３Ｇ００５８Ｇ０６收稿日期:２０２１Ｇ１２Ｇ０９㊀基金项目:安徽省教育厅开放基金资助项目(２０２１E I R C ０３Z D )作者简介:方骏仁(１９９７Ｇ),男,安徽淮南人,硕士研究生.通信作者:程凡永(１９８２Ｇ),男,山东临沂人,副教授,博士.基于时间卷积网络的I G B T 老化故障预测方骏仁,程凡永∗,孟献蒙(安徽工程大学安徽省电气传动与控制重点实验室,安徽芜湖㊀２４１０００)摘要:针对逆变器核心部件绝缘栅双极型晶体管(I G B T )发生老化失效故障时会影响电力系统稳定运行的问题,为减少老化失效造成的损失并及时进行维护,提出了一种基于时间卷积网络(T C N )的I G B T 老化故障预测方法.首先采用N A S A 研究中心发布的加速老化数据集,确定以集电极Ｇ发射极关断尖峰电压作为老化失效特征参数;然后经过剔除异常值㊁指数平滑等方式处理数据,并输入到构建好的T C N 模型中;最后利用两项性能评价指标实现对老化失效特征参数的预测.实验结果表明,文中所提方法预测的均方根误差为０．０２５８,平均绝对误差为０．０２１６,相比于长短时记忆网络模型㊁T C N 模型的相对预测精度可提高到２６％.关㊀键㊀词:绝缘栅双极型晶体管;时间卷积网络;老化故障;时间序列预测中图分类号:T N ３２２．８㊀㊀㊀㊀文献标志码:A 随着现代电力电子技术的迅速发展,作为风电等新能源系统中重要的能量转换元器件,逆变器拥有启动快速㊁转换效率高㊁稳定性好等优点,然而一旦发生故障就会破坏整个电力系统的正常运行,从而影响人们的生产生活,因此有许多研究人员对逆变器的各种故障进行了深入研究.很多研究表明,大部分逆变器发生故障都是由于逆变电路中的核心部件绝缘栅双极型晶体管(I G B T )故障引起的,所以针对I G B T 的故障检测显得尤为重要.目前I G B T 的故障主要分为３种[１]:一是在生产研发阶段由于制作工艺出现了问题产生的故障,一般不做研究;二是在使用阶段由于受到了外界冲击等因素导致发生开路或短路故障等问题;三是随着使用时间的增加都会面临的I G B T 老化失效问题.因此为了减少发电系统的故障,实现系统的安全稳定运行,必须要预测出I G B T 的剩余使用寿命,当出现老化特征时第一时间更换元器件,预防出现更大的损失.对I G B T 的老化故障预测是目前的研究热点[２],由于I G B T 在逐渐老化的过程中会使得器件的某些外部参数发生变化,所以选择一个合适的评估参数是重中之重.文献[３]通过对I G B T 进行老化实验,发现模块的结Ｇ壳瞬态热阻会随着I G B T 的老化而变化,故根据这一特点选择了结Ｇ壳瞬态热阻值作为失效特征参数,再利用注意力机制模型预测I G B T 的剩余寿命;文献[４]指出,当I G B T 工作在高结温及高温度梯度状态时,老化失效主要表现为铝键合引线的翘起和脱落,会出现集电极Ｇ发射极饱和电压变大的情况,因此也可以作为I G B T 故障预测的特征参数;文献[５Ｇ７]都选择了美国宇航局N A S A 研究中心发布的I G ＧB T 加速老化数据集,并选取I G B T 在瞬态关断过程中产生的集电极Ｇ发射极瞬态尖峰电压作为失效特征参数进行故障预测.文献[５]采用B P 神经网络构建老化故障预测模型,但由于没有对网络的结构和参数进行优化,还存在极小值情况,准确性有待提高.文献[６]使用的小波神经网络拥有小波变换的优点,避免了B P 网络设计结构的盲目性,但是隐藏层的节点数以及各层之间的权重始终难以确定,影响模型的收敛速度.文献[７]提出了基于长短时记忆网络(L S T M )的预测模型,L S T M 可以利用历史长期的时序信息进行预测,但传递信息需要等待上一个时间步的前向传递结束后才可以进行下一个时间步的前向传递,是顺序执行的,无法做到并行处理,而且传统的循环神经网络只能默认输入全部的历史信息,无法做到对输入的精准控制.所以本文利用该瞬态关断尖峰电压特征参数提出了一种基于时间卷积神经网络(T C N )的I G B T 老化故障预测方法,并构建L S T M 及其变体G R U 神经网络模型作为对比分析,通过实验结果验证本文所提方法的可行性.１㊀I G B T 老化机制与数据采集１．１㊀I G B T 老化原理I G B T 作为一种场控元器件,拥有控制电路简单㊁开关速度快㊁饱和压降低等优点,是一种由电压驱动的电路开关,没有机械按钮.对封装好的I G B T 元器件进行物理电路等效得到的I G B T 等效电路图如图１所示,其中G ㊁C ㊁E 分别代表I G B T 的栅极㊁集电极和发射极.当I G B T 的栅极和发射极加上正电压,并且大于导通阈值时,兼容了MO S F E T 的I G B T 就会导通;当栅极和发射极无电压或施加电压小于最小阈值电压时,I G B T 就会处于关断状态.这仅仅只是一次简单的I G B T 导通关断过程,但在实际复杂的工作环境中,I G B T 需要频繁进行开关,流经它的电流和电压会对器件产生日积月累的影响,最终会导致I G B T在没有达到预期使用寿命期限时提前发生老化失效故障.目前,针对I G B T 模块的老化失效主要可以归结为两点[８]:焊料层疲劳失效和铝键合引线脱落.I G ＧB T 是由多种不同类型的材料组合而成的,结构图如图２所示.这些材料的热膨胀系数不同使得各材料层之间承受应力的能力也不一样,所以当I G B T 因工作而聚集大量的热量并且散热不及时,就有可能会导致焊料层发生疲劳失效.另外,结温升高产生的热应力不仅能够作用于材料层,还会对器件的铝键合引线产生冲击,键合引线在I G B T 中起到芯片连接芯片㊁材料层的作用,随着冲击效果的不断累积会造成键合引线松动甚至脱落,这两点都是I G B T 在封装层面上发生老化失效的重要因素.图１㊀I G B T 等效电路图图２㊀I G B T 模块结构图１．２㊀加速老化实验对I G B T 的相关研究表明,在－５５ħ和１２５ħ的温度范围内只需要进行３００次热循环,就会导致芯片焊料退化和焊点损坏,相当于器件几十年的运行[９].每一次热循环过程,I G B T 都会不断退化,而退化伴随着由于内部温度升高而导致的工作期间一些外部特征参数发生变化,这些参数对于研究I G B T 老化故障有着重大意义.为了推进电子元器件故障预测的研究,N A S A 研究中心开发了对I G B T 的加速热老化实验平台,实验条件如表１所示.该实验采用在栅极施加方波电压的方法实现热循环加速老化,测量的参数主要包括:集电极Ｇ发射极电压㊁集电极Ｇ发射极电流㊁栅极电压㊁包装温度等.在通过大量实验后研究中心公布了I G B T 加速热老化数据集,而且在文献[１０]中对实验期间记录的瞬态开关信号进行了分析:在整个测试过程中,栅极信号和电流保持相对恒定,稳态电压变化最小;导通过程中的集电极Ｇ发射极电压特性也几乎没有变化;但在观察集电极Ｇ发射极电压关断特性时,发现在I G B T 退化过程中其集电极Ｇ发射极瞬态关断电压峰值显著降低,因此可以选取该瞬态尖峰电压值作为I G B T 老化的特征参数进行故障预测.表１㊀I G B T 加速热老化实验条件实验参数参数设置I G B T １个P WM 占空比４０％栅极电压１０V实验参数参数设置开关频率１０k H z封装温度２６０~２７０ħ１．３㊀数据采集该加速热老化实验从开始进行到出现故障失效共经历１７０m i n 左右,期间共采集了４１８组集电极Ｇ发射极瞬态电压数据,每组数据共有１０万个采样点,而且每组的分布具有相似性.研究将４１８组数据的集电极Ｇ发射极关断尖峰电压值提取出来,如图３所示.由图３可见,随着I G B T 逐渐退化,关断瞬态尖峰电压有比较明显的下降趋势,进一步证明了使用该参数进行预测具有足够的合理性.９５ 第３期方骏仁,等:基于时间卷积网络的I G B T 老化故障预测从图３a 可以看出,采集的数据波动比较大并含有异常值,故先剔除前几个异常样本值再采用二次指数平滑的方法对其进行平滑处理.该方法扩展了简单指数平滑,使其可以用来预测带有趋势的时间序列.经过以上数据处理后可以得到图３b ,黄线代表剔除异常值和平滑处理后的数据,蓝线是原始数据,从图３b 中可以发现,经过处理后的数据波动性小,且保留了数据本身的曲线趋势.另外,在数据标准化方法的选择上采用最大最小归一化,可以提高模型精度和模型训练时的收敛速度,有效避免了梯度爆炸.图３㊀I G B T 集电极Ｇ发射极关断尖峰电压值退化过程２㊀基于时间卷积网络的I G B T 老化故障预测模型２．１㊀时间卷积网络在以往分析时序问题时,大家通常都会选择循环神经网络(R N N )以及它的变体L S T M 等来进行建模,这是因为R N N 天生拥有循环自回归的结构特性,这是对时间序列的很好的表示[１１Ｇ１２].但随着T C N 的出现引起巨大反响后[１３],一些人认为T C N 会取代R N N 成为时序预测领域新的王者,这归结于R N N 在处理数据时耗时太长,网络传输数据时只能按照顺序进行,无法做到同时大规模并行处理.T C N 作为卷积神经网络的一个变体,克服了传统卷积神经网络受其卷积核尺寸的限制,以及不能很好地抓取长时间的上下文依赖信息的问题,并且当给定一段输入时,T C N 可以实现大规模并行处理,取得比R N N 更好的时序预测效果.T C N 的核心就是扩张因果卷积和残差块模块[１４],T C N 模型所使用的因果卷积,就是对于上一层t 时刻的值,仅与下一层t 时刻元素大小及之前的输入有关,用来确保未来的数据不存在泄漏.扩张因果卷积相比普通因果卷积,引入了扩张系数,使得有效窗口的大小随着层数的增加呈现指数式增长,这样用较少的层数就可以获得比较大的感受野.扩张卷积的计算定义为F (s )＝ðk －１i ＝０f (i ) x (s －d i ),(１)对于一个一维的输入序列x ,其中,F (s )表示经过一次扩张卷积计算后在s 位置上的网络输出结果;d 为扩张系数,且d 以２的指数幂形式增长;k 表示卷积核大小;f 为过滤器,f (i )表示对第i 个输入进行过滤操作.d ＝(１,２,４)㊁k ＝２的扩张因果卷积和普通一维因果卷积的对比如图４所示.由图４可以发现,前者在减少网络层数获得稳定梯度的同时可以拥有较大的感受野.为了防止出现网络退化,使用R e s n e t 残差网络可以有效改善网络退化问题[１５].残差链接是训练深层神经网络的有效方法,它使得网络信息可以采用跨层方式直接进行传递,另外还加入了D r o po u t 机制避免训练时出现过拟合现象,由于样本数据量适中故不需要进行W e i gh t N o r m 权重归一化.２．２㊀整体模型构建本文使用K e r a s 框架和P y t h o n 语言构建的时间卷积网络模型如图５所示,T C N 模型由多个残差模块组成,将输入序列(x ０,x １, ,x t )输入到模型进行训练,再把T C N 的输出输入到一层全连接层,得到最终的输出预测值.最下面一层的扩张系数d ＝１,表示输入时每个点都采样;中间层d ＝２,表示输入时每两个点采样一个作为输入;模型为了加速收敛速度,保持稳定训练,引入残差网络模块实现网络跳层连接;一０６ 安㊀徽㊀工㊀程㊀大㊀学㊀学㊀报第３７卷维卷积模块用来解决输入输出可能出现维度不同的情况.图４㊀两种因果卷积基本结构图５㊀基于T C N 的I G B T 老化故障预测模型２．３㊀模型参数设置和性能评价指标对于T C N 模型,它的一些超参数设置也影响着最终预测的精度,如过滤器的数量,过滤器存在于任何卷积神经网络架构中,它与模型的预测能力有关,并影响网络的大小,一般过滤器数量越多越好,除非出现过拟合情况;卷积核大小控制一维卷积运算中数据的空间面积;扩张系数控制网络的层数,相同大小的感受野,所需隐藏层更少,可以减少大量网络参数;选择R e l u 激活函数能有效避免深度学习训练过程中梯度消失的问题,D r o p o u t 大小设为０．０５,防止出现过度拟合;此外,选择A d a m 作为T C N 模型和对比实验L S T M ㊁G R U 网络模型的优化算法.K i n g m a 的研究表明[１６],A d a m 模型中的一些超参数几乎不需要调整,因此,直接使用K i n g m a 等测试的良好参数设置作为A d a m 优化器的超参数.各算法模型在表２所示的超参数设置下,均达到最佳的性能表现.表２㊀各算法模型超参数设置模型超参数L S TM学习率为０．００１;网络层数为２;每层神经元个数分别为２００㊁５０;迭代次数为２０;优化器为A d a m ;目标损失函数为均方误差M s e G R U学习率为０．００１;网络层数为２;每层神经元个数分别为１００㊁５０;迭代次数为２０;优化器为A d a m ;目标损失函数为均方误差M s e T C N 学习率为０．００１;网络层数为１;卷积核个数为６００;卷积核大小２ˑ１;扩张系数为[１,２,４];激活函数为R e l u ;优化器为A d a m ;目标损失函数为均方误差M s e１６ 第３期方骏仁,等:基于时间卷积网络的I G B T 老化故障预测性能评价指标采用均方根误差(R M S E )和平均绝对误差(MA E )来衡量I G B T 预测算法的性能,它们是机器学习中评价模型两个重要的指标.其中,R M S E 测量误差的平均大小,是预测值和真实值之间平方差异平均值的平方根,数量级上较为直观;MA E 是绝对误差的平均值,可以准确反应实际的预测误差.这些指标的结果越小则证明模型预测效果越好,计算公式如下:R M S E ＝１M ðMi ＝１(y i －^y i )２,(２)MA E ＝１M ðM i ＝１|(y i －^y i )|,(３)式中,M 为预测个数;y i 为真实值;^y i 为模型预测值.３㊀实验结果与分析为了验证本文所提出的基于T C N 的I G B T 老化故障预测方法的优越性,另外尝试与L S T M ㊁G R U 模型进行了对比分析,把经过数据处理后的集电极Ｇ发射极关断尖峰电压时间序列的前７０％用作训练集,后３０％用作测试集,３个模型在测试集上的预测结果如图６所示.蓝线代表真实数据值,黄线代表预测值.评价指标结果如表３所示.T C N 模型的预测结果的R M S E 为０．０２５８,MAE 为０．０２１６,均低于L S T M 及G R U 模型的结果.图６㊀三种算法模型预测结果与真实值对比图表３㊀三种算法模型评价指标对比评价指标算法模型L S TM G R U T C NT C N 相对于L S TM 预测精度提升/％R M S E ０．０３４７０．０２９７０．０２５８２５．６MA E ０．０２９２０．０２６４０．０２１６２６．０通过图６中预测值拟合真实值的情况和表３中能够反映具体模型预测误差的两项评价指标可以看出,在这３种算法模型中,相较于循环神经网络模型预测方法,基于T C N 的I G B T 老化故障预测方法取得了最好的效果,相对于L S T M 模型,T C N 模型两项评价指标都提升了２６％左右.２６ 安㊀徽㊀工㊀程㊀大㊀学㊀学㊀报第３７卷４㊀总结根据I G B T 关断时产生的瞬态尖峰电压会随着器件老化而逐渐降低的特点,本文提出了一种基于时间卷积网络的数据驱动故障预测方法,用于预测I G B T 的老化故障.以集电极Ｇ发射极关断尖峰电压数据为输入,再利用T C N 模型对器件的老化失效进行预测.该方法不仅可以并行处理输入故障特征,还克服了循环神经网络容易出现梯度消失和梯度爆炸的问题.同时T C N 具有更灵活的感受野,改进了传统卷积网络不能有效地提取长时间序列之间相关性的缺点,增强了故障预测的鲁棒性和准确性.结果表明,该方法拥有较好的故障预测性能,对I G B T 老化故障的预测具有一定的应用价值.参考文献:[１]㊀韩恒贵．基于深度学习的I G B T 故障预测研究[D ]．北京:北京交通大学,２０１９．[２]㊀张军,张犁,成瑜．I G B T 模块寿命评估研究综述[J ]．电工技术学报,２０２１,３６(１２):２５６０Ｇ２５７５．[３]㊀葛建文,黄亦翔,陶智宇,等．基于T r a n s f o r m e r 模型的I G B T 剩余寿命预测[J ]．半导体技术,２０２１,４６(４):３１６Ｇ３２３．[４]㊀石巍．大功率I G B T 模块健康状态信息提取方法研究及加速老化试验平台研制[D ]．杭州:浙江大学,２０１８．[５]㊀周利华．I G B T 的寿命评估方法研究[D ]．淮南:安徽理工大学,２０１７．[６]㊀王新春,赵金金．基于小波神经网络的I G B T 寿命研究[J ]．电工技术,２０２０(１０):１１４Ｇ１１６．[７]㊀史业照,郭斌,郑永军．基于L S TM 网络的I G B T 寿命预测研究[J /O L ]．中国测试,２０２０:１Ｇ６[２０２０Ｇ０８Ｇ１０]．h t t ps ://k n s ．c n k i ．n e t /k c m s /d e t a i l /５１．１７１４．T B ．２０２００８１０．１３１２．００６．h t m l ．[８]㊀刘嘉诚．基于机器学习算法的I G B T 寿命预测研究[D ]．合肥:合肥工业大学,２０２０．[９]㊀T H ÉB A U DJM ,W O I R G A R DE ,Z A R D I N I C ,e t a l ．S t r a t e g y f o r d e s i g n i n g a c c e l e r a t e d a g i n gt e s t s t o e v a l u a t e I G B T p o w e rm o d Ｇu l e s l i f e t i m e i n r e a l o p e r a t i o nm o d e [J ]．I E E E t r a n s a c t i o n s o n c o m p o n e n t s a n d p a c k a g i n g t e c h n o l o g i e s ,２００３,２６(２):４２９Ｇ４３８．[１０]S O N N E N F E L DG ,G O E B E LK ,C E L A Y AJR．A n a g i l e a c c e l e r a t e d a g i n g ,c h a r a c t e r i z a t i o n a n d s c e n a r i o s i m u l a t i o n s ys Ｇt e mf o r g a t e c o n t r o l l e d p o w e r t r a n s i s t o r s [C ]//２００８I E E Ea u t o t e s t c o n ,S a l tL a k eC i t y :I E E E ,２００８:２０８Ｇ２１５．[１１]刘博,王明烁,李永,等．深度学习在时空序列预测中的应用综述[J ]．北京工业大学学报,２０２１,４７(８):９２５Ｇ９４１．[１２]雷凯．基于长短期记忆神经网络的大气温度预测 以合肥市为例[J ]．科学技术创新,２０２１(３０):８０Ｇ８２．[１３]B A I SJ ,K O L T E RJZ ,K O L T U N V．A n e m p i r i c a l e v a l u a t i o no f ge n e r i c c o n v o l u t i o n a l a n d r e c u r r e n t n e t w o r k sf o r s e Ｇq u e n c em o d e l i ng [J /O L ]．a r X i v ,２０１８:０１２７１[２０１８Ｇ０４Ｇ１９]．h t t p s ://a r xi v ．o r g /p d f /１８０３．０１２７１．p d f ．[１４]李亚平,李素杰,马波,等．基于T C N 的滚动轴承振动趋势与剩余寿命预测研究[J ]．现代制造工程,２０２１(９):１２４Ｇ１３１．[１５]H EK ,Z HA N G X ,R E NS ,e t a l ．D e e p r e s i d u a l l e a r n i n g f o r i m a g e r e c o g n i t i o n [C ]//P r o c e e d i n g s o f t h e I E E Ec o n f e r e n c e o n c o m p u t e r v i s i o na n d p a t t e r n r e c o g n i t i o n ,L a s v e ga s :I E E E ,２０１６:７７０Ｇ７７８．[１６]K I N GMA D ,B AJ ．A d m a :am e t h o d f o r s t o c h a s t i co p t i m i z a t i o n [J /O L ]．a r X i v ,２０１７:６９８０[２０１７Ｇ０１Ｇ３０]．h t t ps ://a r x i v ．o r g /p d f /１４１２．６９８０．p d f ．P r e d i c t i o n M e t h o d o f I G B TA g i n g F a u l t B a s e d o nT e m p o r a l C o n v o l u t i o n a lN e t w o r k F A N GJ u n r e n ,C H E N GF a n y o n g ∗,M E N G X i a n m e n g (A n h u iK e y L a b o r a t o r y o fE l e c t r i cD r i v e a n dC o n t r o l ,A n h u i P o l y t e c h n i cU n i v e r s i t y,W u h u２４１０００,C h i n a )A b s t r a c t :I n o r d e r t o r e d u c e t h e l o s s c a u s e d b y a g i n g f a i l u r e a n d t i m e l y m a i n t e n a n c e ,a n I G B Ta g i n g f a u l t p r e d i c Ｇt i o nm e t h o d b a s e d o n t e m p o r a l c o n v o l u t i o n n e t w o r k (T C N )i s p r o p o s e d ．F i r s t l y ,t h e a c c e l e r a t e d a g i n g d a t a s e t r e Ｇl e a s e db y N A S Ar e s e a r c h c e n t e r i s u s e d t o d e t e r m i n e t h eC o l l e c t o rE m i t t e r o f f p e a kv o l t a g e a s t h e a g i n g f a i l u r e c h a r a c t e r i s t i c p a r a m e t e r ,t h e n t h e d a t a a r e p r o c e s s e d b y e l i m i n a t i n g o u t l i e r s a n d e x p o n e n t i a l s m o o t h i n g ,a n d i n p u t i n t o t h e c o n s t r u c t e dT C Nn e t w o r km o d e l ．F i n a l l y ,t w o p e r f o r m a n c e e v a l u a t i o n i n d e x e s a r e u s e d t o p r e d i c t t h e a g Ｇi n g f a i l u r e c h a r a c t e r i s t i c p a r a m e t e r s ．T h e e x p e r i m e n t a l r e s u l t s s h o wt h a t t h e r o o tm e a n s q u a r e e r r o r o f t h e p r o Ｇp o s e dm e t h o d i s ０．０２５８a n d t h e a v e r a g e a b s o l u t e e r r o r i s ０．０２１６．C o m p a r e dw i t h t h e l o n g Ｇt e r ma n d s h o r t Ｇt e r m m e m o r y n e t w o r km o d e l ,t h e r e l a t i v e p r e d i c t i o n a c c u r a c y o fT C N m o d e l i s i m p r o v e db y a b o u t ２６％．K e y wo r d s :I G B T ;t e m p o r a l c o n v o l u t i o n a l n e t w o r k ;a g i n g f a u l t ;t i m e s e r i e s f o r e c a s t i n g３６ 第３期方骏仁,等:基于时间卷积网络的I G B T 老化故障预测。

IGBT设计寿命IGBT设计寿命是指IGBT器件在正常工作条件下可使用的时间期限。

IGBT （Insulated Gate Bipolar Transistor）是一种高压、高电流功率器件，是现代电力电子应用领域重要的开关器件。

IGBT主要由CMOS控制单元、输入缓冲、实际驱动器、电流感测电阻、保护电路和高速开关器件等构成。

而IGBT设计寿命的长短关系到整个系统的可靠性和使用安全问题，因此在设计和应用中需要进行充分的考虑和保障。

IGBT器件寿命的判定和保障主要包括以下几个方面：1.温度温度是影响IGBT寿命的最主要因素。

高温会导致电子元件加速老化、介电材料退化，从而影响器件的性能和寿命。

因此，在设计和应用过程中，需要进行充分的热分析和保障措施。

主要包括：（1）散热系统的设计和布局，如散热器、散热风扇等（2）控制系统的优化，如功率控制、电流控制等（3）选择与其承受功率相对应的器件2.电压在使用IGBT时，需要严格控制其工作电压。

过高的电压会导致瞬态高电压和电流，从而对器件造成损伤，降低其寿命。

因此，需要对IGBT的工作电压进行充分分析和保障措施，如选择合适的电压等级，进行电源控制等。

3.电流IGBT的电流承受能力是制约其寿命的关键因素之一。

过大的电流会导致器件过热，从而影响其性能和寿命。

因此，需要对IGBT的电流进行充分的分析和保障措施，如设置过流保护、进行电流控制等。

4.开关频率开关频率是影响IGBT寿命的重要因素之一，高频率的开关会始终对器件进行全温度循环。

因此，在选择节奏模拟器等器件时，需要充分考虑开关频率对器件的影响。

综上所述，保证IGBT设计寿命的关键在于做好热管理、电源管理、电流控制和频率管理等方面的充分分析和保障措施。

只有确保充分保障这些因素，才能确保IGBT器件的可靠性和寿命。

IGBT设计寿命的主要影响因素：1. 晶体管结构、尺寸和材料的选择2. 工艺决定了元件集成度和可靠性3. 外部驱动电路和保护措施，如过流保护、过压保护等4. 环境温度5. 工作电流和电压等级充分根据上述因素进行分析和保障措施，能够最大限度地提高IGBT的设计寿命，确保整个系统的可靠性和使用安全。

系统寿命与可靠性关系：可靠性：产品在一定条件下无故障完成规定功能的能力或可能性IGBT模块的失效模式：功率周次 Power cycling：功率周次用于评估绑定线和Die焊层的机械寿命Power cycling can estimate the bonding wire and die solder’s lifetime测试方法: 加载自加热，周期≤ 3秒，测试ΔTvjTest method: Self heating by load, T_cycle ≤ 3 seconds, measure ΔTvj失效判据：饱和压降 Vcesat 增大+5%Failure criteria: Vcesat increase more than 5%温度周次 Thermal cycling温度周次用于评估DCB下焊接层的寿命Thermal cycling can estimate DCB solder’s lifetime测试方法: 通电加热，周期5分钟，测量ΔTcTest method: Self heating by load, 5 min/, measure ΔTc失效判据：热阻Rthjc 增大+20%Failure criteria: R_thjc increase 20%失效机理是两种材料不同的膨胀系数(Different material’s CTE)[ppm/K]不同应用下IGBT模块的寿命Lifetime of IGBT module in different applicationThere are many applications and similar types of power modules.Main objective is: how to select an active device in order to reach desired system lifetime? Is it possible to have power module suiting to all applications?由周期内系统工况变化获得温度变化Get the temperature profile by power profile in a cycle温度变化导致的失效模式Failure modes with ΔTThere are two key factors in the selection of the appropriate power module:1)thermal: Tvj op < Tvj max2)reliability: wear out mechanisms which determine module lifetime as result of module reliability curves and thermal stressesNote: RBSOA and other electrical phenomena are not covered in the presentation.Factors and impacts:1)TjFWD max ≤ Tvj opTjIGBT max ≤ Tvi opNowadays Tvj op = 150°C2)DTjFWD & DTjIGBT refer to Power Cycling reliability curvesΔTC refers to Thermal Cycling reliability curvesReliability curves are always given by power module manufacturer绑定线老化——功率周次曲线Bond wire degradation – PC curve功率周次曲线修正因数PC curve correction factor基板焊层老化——热循环曲线Solder on baseplate degradation – TC curve功率温度循环（PC）次数评估计算No. of cycle estimation calculation with Power cycling curve实例：稳态周期系统的寿命估算Simple mission cycle -- example of lifetime estimationFor relative simple mission cycles the module lifetime based on the three presented reliability curves and power losses converted into a junction and case temperature swing can be easily estimated. PrimePACK™ module in use: FF900R12IP4D实例：稳态周期系统的寿命估算Simple mission cycle -- example of lifetime estimationQuestion from last page: how to estimate the power module lifetime under the mission cycle, has to be repeated again. Let’s calculate the module wear out as a function of mission cycle and time.Final lifetime module estimation:wear out / year = 0,3% + % + 4,38ppm + 8,76ppm ≌ %As reliability curves are given for 100% lifetime the module can work in the example application for :100% / % ≌Note: These calculations are made for IGBT only. FWD has to be calculated separately.动态负载周期的寿命估算方法Dynamic load cycle – lifetime estimateMatlab calculates losses for given number of the load cycles and applies them to the thermal networks specific for selected module in Simulink. As a result the junction temperature profile for IGBT, Diode and the profile of the solder temperature is obtained.In that case, the simulation will be stopped. Over the graph the information says, which element has higher temperature than allowed. If its below..雨流计数法---随机负载谱转化为变幅或恒幅的负载谱•把负载变化周次种类减少•根据有限的试验数据推算整个寿命周期的变化规律，获得典型谱From the temperature profile analysis the life time (and wear of the life time in %) for each element and solder will be calculated. The graphs will show the life time wear for each deltaT. The sum of the percents is calculated and also shown on the graph.IGBT4模块的性能提升High performance of IGBT4 moduleIGBT4模块的150度最高允许工作结温，源于内部焊线工艺的改进，使其可靠性指标-功率周次（PC）数大幅增加！铜绑定线 Copper Bonding Wire-- EconoDUAL™3 600A真正实现 EconoDUAL™3 最大输出电流能力--- @ TC=100°C, Tvj=175°C降低引线电阻 R CC‘EE‘保证功率周次，满足风力发电，电动汽车需求提供焊接/PressFIT 两种兼容版本提供650V,1200V,1700V IGBT4 全系列，便于现有设计的功率升级PressFIT 端子压接技术Press + FIT = PressFITPressFIT Technology无铅以达到RoHS环保要求简易无焊接安装节约生产组装的成本和时间高可靠性减少工人焊接端子中失误导致的过温和静电损坏可靠性已在多个高端客户的产品中得到验证超声波焊接的功率端子 Ultrasonic welded terminals功率端子采用超声波焊接Internal terminal connections ultrasonic welded- 可增加模块端子的鲁棒性 Increased mechanical robustness- 可增加模块端子电流通过能力 Higher terminal currents possible- 无焊料可增加热传导能力 maximum temperature even reduced已应用在以下的模块封装中：PrimePACK, IHM-B Traction series, EconoPACK™4 模块基板和衬底材料的选择以提高温度周次。

. ；
. 1、半导体产品使用寿命有三个主要阶段：
（1）早期故障率（或婴儿死亡率）–
此阶段的特点是初始故障率较高，后期将迅速降低。

这一阶段故障率通常以“每百万缺陷器件数”(dppm) 衡量。

defective parts per milli on
（2）正常使用： 此阶段的故障率在整个器件使用过程中都保持稳定。

此故障率以“FIT ”为单位，或作为以小时为单位的“平均故障间隔时间”(MTBF)。

其中，故障率1 Fit,可解释为一千个产品（103）工作100万（106）小时只有一次故障，即
10-9/h
（3）劣化阶段：此阶段表示固有劣化机制开始占主导地位并且故障率开始呈几何级增长的时间点。

产品寿命通常定义为从初始生产一直到出现劣化的时间周期。

2、对于给定样本大小 n ，在t 小时之后将出现 m 个故障
运行时间 – 如果“n”运行“t”小时后发现“m”个故障，则
λavg (平均故障率 )=t n m
FIT – 时基故障，即每十亿运行小时出现故障的部件数。

您可以使用 TI 的可靠性估算器获取任何 TI 器件的 FIT 率。

DPPM – 每百万缺陷器件数，也被称为每百万发货量次品数。

MTTF （平均故障时间）- (t1+t2+t3+….tm)/m。

基于神经网络的IGBT模块剩余使用寿命预测模型
郭子庆;王学华
【期刊名称】《电测与仪表》
【年(卷),期】2023(60)1
【摘要】对IGBT模块使用寿命进行预测是评估其健康状态和可靠性的有效手段。

基于IGBT老化实验测量,构建了包括饱和压降和结温的二维IGBT状态检测指标。

对于归一化后的数据,提出了分段处理方法,去除了IGBT键合线断裂引起的较大指
标波动。

以饱和压降和结温数据为基础,提出了基于BP神经网络算法的IGBT剩余寿命预测模型。

针对同样本不同通道、不同实验条件样本等情况,验证了本模型在
剩余寿命预测中的准确性。

【总页数】7页(P132-138)
【作者】郭子庆;王学华
【作者单位】华中科技大学电气与电子工程学院
【正文语种】中文
【中图分类】TM93
【相关文献】
1.基于集总参数法的IGBT模块温度预测模型
2.基于小波降噪-支持矢量机的锂离
子电池剩余使用寿命预测模型3.基于深度多尺度卷积神经网络的剩余使用寿命预
测模型4.基于联想神经网络的轴承剩余使用寿命预测5.基于NARX神经网络的设
备剩余使用寿命预测研究
因版权原因，仅展示原文概要，查看原文内容请购买。

IGBT模块的基本构造（含基板）：IGBT模块的基本构造决定了它的老化失效机理：1. 绑定线连接老化所造成的使用寿命终结2. 焊接层连接老化所造成的使用寿命终结3. 封装/端子的老化所造成的使用寿命终结4. 其它因素（如气候变化、化学腐蚀）所造成的老化失效绑定线连接老化失效的典型式样：焊接层（DCB-基板）的老化：陶瓷衬底和基板之间焊接层的老化衰变几种材料的热膨胀系数封装/端子的老化损坏：封装框架/端子的断裂（热冲击或振动）可靠性测试项目（标准工业级模块）：可靠性测试的失效检验标准：可靠性测试之一：功率循环测试：Power Cycling (PC)Stressing the chip/bond wire system at two different junction temperatures. Test Points of Temperature Swing (for example) : Tj = 50K: TJ1 = 75C, TJ2 = 125 CFailure Criteria: An Increased Saturation Voltage of 5%可靠性测试之一：热循环测试：Thermal Cycling (TC)Heating up & Cooling down the case (base plate) at two different case temperatures.Test Points of Temperature Swing (for example): Tj = 80K: TC1 = 20C, TC2 = 100 CFailure Criteria: An Increased Thermal Resistance of 20%可靠性测试之一：振动测试：失效率（单位：FIT）：功率器件的失效原因之一：宇宙射线宇宙射线：由宇宙星体产生、并在辐射过程中衍生出的高能粒子原生：可能为超新星、恒星体产生，和太阳活动有关次生：辐射过程中衍生出的核子（质子、中子）、介子和电磁辐射次生射线可直达地面并覆盖广大区域。