CN110161398B - 一种利用壳温评估igbt功率模块老化状态的方法 - Google Patents

Abstract

本发明涉及一种利用壳温评估IGBT功率模块老化状态的方法,包括以下步骤：建立IGBT功率模块的电‑热耦合模型；通过实验方法获取IGBT功率模块的壳温数据；建立IGBT壳温预测老化状态的极限学习机模型，实现评估IGBT功率模块老化状态的功能。本发明设计合理，其利用IGBT壳温便于测量以及壳温可以反映IGBT老化状态的特点，在评估过程中，充分考虑IGBT老化的影响，通过电‑热耦合模型能够更加准确地获得全新功率模块中IGBT功率损耗和壳温的变化情况，从而利用壳温评估IGBT的老化状态，本发明无需测量结温即可确定模块的老化状态，从而避免疲劳失效造成的损坏，提高电力电子设备运行的可靠性。

Description

一种利用壳温评估IGBT功率模块老化状态的方法

技术领域

本发明属于电力电子器件技术领域，尤其是一种利用壳温评估IGBT功率模块老化状态的方法。

背景技术

目前，传统的化石能源逐渐减少，能源问题已经成为人类进一步发展的重要议题。煤、石油、天然气等不可再生能源的使用会产生污染物，这对环境造成了巨大的污染。目前，全世界的科学家都在努力的探索新能源，寻求可持续发展，人类已经迈入了新能源时代。

风力发电是一种新能源方式，由于风力发电机组经常工作在严苛环境下，容易受到子系统的影响。功率转换器件作为最重要的子系统，一旦出现故障将导致风力发电机组停止工作。在电力电子子系统中，最重要的器件是IGBT(Insulated-GateBipolarTransistor)功率模块，因此研究IGBT的老化状态评估方法对于风机发电机组的运行具有指导意义。在IGBT功率模块的实际应用中，采取措施可以避免过电压和过电流等故障，IGBT功率模块的工作能力降低主要是由模块的老化引起的，为了保证IGBT功率模块的可靠工作，在线评估IGBT功率模块的老化状态至关重要。

IGBT功率模块的老化状态主要是利用电参数和热参数来评估。在目前的实验测量方法中，经常通过监测饱和压降、结壳热阻、开关时间、门极信号和结温等参数的变化情况来评估IGBT功率模块的老化状态，监测饱和压降的变化情况来表征键合线故障，这是最常见的封装故障之一。

随着IGBT功率模块的老化，其内部结构也在不停地发生着变化，热应力导致的引线和焊接层的损伤会使得IGBT的饱和压降增大，焊接层等老化问题会引起功率损耗增加从而导致芯片结温上升。然而，饱和压降随着IGBT模块的老化直至失效的变化情况在各个时期是不同的，该方法可以起到监测IGBT模块是否要失效的作用，但不能全面监测IGBT模块的老化情况。

由于IGBT在老化过程当中内部材料的物理属性在不断变化，进而引起结壳热阻的变化，首先计算出初始结壳热阻，指出模块在退化过程中各层封装材料、物理参数及导热面积的变化会导致结壳热阻的变化；然后，对IGBT模块进行了温度循环老化试验，并在老化过程中测量模块的结壳热阻，研究结壳热阻在老化过程中的变化情况，从而根据结壳热阻的变化评估IGBT的老化情况。

IGBT模块故障主要由温度波动引起的热机械应力造成的，IGBT模块的可靠性与其结温密切相关，因此，无论是利用饱和压降还是结壳热阻评估IGBT功率模块的老化状态，均会用到参数结温T_j，但是结温并不能在线测量，目前常用的结温测量与计算方法包括实验测量方法、迭代数值计算方法和仿真分析方法，实验测量方法包括热传感器法、红外探测法和电参数法。迭代数值计算法根据电-热比拟原理建立IGBT模块工作的电路图，然后对于结温进行迭代计算，需要的迭代次数多，计算复杂且精度较低。仿真分析方法通过建立电-热耦合模型，预测IGBT的瞬态和稳态结温，但却未能考虑模块老化对于电热参数产生的影响。上述方法既未考虑模块不同老化程度对结温的影响，也不能实现准确的在线测量。

准确评估IGBT的老化状态对于提高IGBT在运行中的可靠性和安全性至关重要。在工程实际中，人们很难直接测量IGBT的参数情况，例如饱和压降，结壳热阻，结温等参数的测量都显得较为困难。目前，通过对于结温的测量来评估IGBT的老化状态的研究较多，但是结温的测量和计算都较为困难，无疑会破坏IGBT功率模块的封装结构，增加成本且结果不准确。

发明内容

本发明的目的在于克服现有技术的不足，提出一种设计合理、准确可靠且使用方便的利用壳温评估IGBT功率模块老化状态的方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种利用壳温评估IGBT功率模块老化状态的方法，包括以下步骤：

步骤1、建立IGBT功率模块的电-热耦合模型；

步骤2、通过实验方法获取IGBT功率模块的壳温数据；

步骤3、建立IGBT壳温预测老化状态的极限学习机模型，实现评估IGBT功率模块老化状态的功能。

进一步，所述步骤1的具体实现方法包括以下步骤：

⑴采用如下方法建立IGBT的电模型：

计算IGBT功率损耗的通态损耗和开关损耗：

P＝P_con+P_sw

式中，P为IGBT的功率损耗，P_con为IGBT的通态损耗，P_sw为IGBT的开关损耗；

其中，P_con的计算式分别为：

P_con＝V_ce·i_c·δ(t)

上式中，V_ce是IGBT的集-射极电压，i_c是集电极电流，δ是占空比；

将IGBT的输出特性曲线拟合之后得到V_ce，V_ce的表达式如下：

V_ce＝V_ceo+i_c·r_ce

上式中，V_ceo为IGBT的阈值电压，r_ce为IGBT的导通电阻；

在298.15K状态下，拟合后的V_ceo与r_ce均随温度线性变化用下式近似表示；

上式中，V_{ceo_298.15K}和r_{ce_298.15K}为298.15K状态下的阈值电压和导通电阻，T_j为IGBT的结温，得到相应参数的温度系数

和

IGBT的通态损耗P_con表示为：

在一个开关周期内，IGBT的平均开通损耗P_on和平均关断损耗P_off构成了IGBT的开关损耗P_sw，表示如下：

P_sw＝P_on+P_off

式中，f_sw是开关频率，E_on与E_off分别为IGBT额定条件下的开通能耗与关断能耗，可根据器件手册获取；K_i是IGBT的电流系数，

是IGBT的电压系数；

与

分别是IGBT栅极电阻E_on对E_on和E_off的影响系数，上述两个系数通过E_onE_off-R_g曲线得到；温度系数

上式中，V_dc是逆变器直流侧电压；V_N是IGBT的额定电压；I_N是IGBT的额定电流；

最后，得到如下IGBT的电模型：

⑵采用Foster网络来模拟功率模块的散热过程，通过下式获取等效阻抗的瞬态热阻抗，从而建立IGBT模块热模型：

其中，Z_th为热阻抗，n为热网络阶数，该热网络阶数取4，R_i和C_i为等效热阻和等效热容；

⑶采用如下方法建立IGBT模块的电-热耦合模型：

通过已建好的IGBT模块的电模型和热模型，将功率损耗看作是一个电流源，将IGBT模块的电模型计算所得功率损耗以电流源形式通入Foster热网络模型，在热网络模型中将壳温视做电压，并将计算的壳温反馈至电模型，从而以电路的形式建立起电模型和热模型的联系，最后完成IGBT模块电-热耦合模型的建立。

进一步，所述步骤2获取IGBT功率模块的壳温数据的方法为：

首先，在Matlab中搭建电-热耦合模型，设置仿真参数，得到全新功率模块中IGBT功率损耗和壳温的变化情况；然后，对IGBT进行功率循环加速老化试验，在试验进程中，在常温状态下，每循环一定的次数测取一次IGBT的输出特性曲线、开关能耗和瞬态热阻抗曲线，在试验循环6000次后，所有模块均失效，记录功率循环的试验结果，得到不同老化程度下的电热参数；最后，将不同老化程度下的电热参数代入到电-热耦合模型中，从而获得不同老化程度下壳温的变化情况。

进一步，所述步骤3的具体实现方法为：使用IGBT功率模块的壳温数据对极限学习机模型进行训练，使用改进的多元宇宙算法对极限学习机模型进行优化；建立IGBT壳温预测老化状态的改进多元宇宙算法优化极限学习机模型，实现评估IGBT功率模块老化状态功能。

进一步，所述极限学习机隐的含层节点设置为10个，宇宙个数设置为35个，迭代次数为100。

本发明的优点和积极效果是：

1、本发明利用IGBT壳温便于测量以及壳温可以反映IGBT老化状态的特点，在评估过程中，充分考虑IGBT老化的影响，通过电-热耦合模型能够更加准确地获得全新功率模块中IGBT功率损耗和壳温的变化情况，从而利用壳温评估IGBT的老化状态，本发明无需测量结温即可确定模块的老化状态，从而避免疲劳失效造成的损坏，提高电力电子设备运行的可靠性。

2、本发明建立的电-热耦合模型能够反映出随着IGBT的老化，IGBT的通态压降、开关能耗和热阻逐渐增大，且随着功率循环次数的增大，上述参数的增大速率也越来越大。IGBT功率模块的通态压降可以反映IGBT键合线的老化程度，IGBT功率模块的结壳热阻可以表达焊料层的疲劳程度，因此本发现可以更好地掌握上述参数的规律，提高IGBT状态监测的准确度。

3、本发明建立了IGBT的壳温预测功率循环次数的极限学习机模型，壳温便于测量，不需要复杂的计算。通过预测模型，利用壳温获得功率循环次数N，可根据壳温在线评估IGBT的老化状态。

4、本发明设计合理，其利用壳温评估IGBT老化状态的模型不仅使用于特定环境下的变流器当中，而且适用于一般环境下的众多使用IGBT器件的领域，比如新能源汽车，新能源发电等众多新能源产业中。

附图说明

图1是本发明的整理处理流程框图；

图2是本实施例的三相逆变器电路图；

图3是本实施例的IGBT功率模块封装结构图；

图4是四阶Foster热网络模型；

图5是本实施例的IGBT试品功率循环试验电路图；

图6是本实施例的部分功率循环次数下IGBT的瞬态热阻抗；

图7是本实施例的部分IGBT的瞬态壳温波形图；

图8是本实施例的部分IGBT的稳态壳温波形图。

具体实施方式

以下结合附图对本发明实施例做进一步详述。

本发明的设计原理为：

当IGBT模块老化时，内部热阻增加，而内部热阻增加必然会使得IGBT的表面温度增加。因此本发明利用建立的电-热耦合模型，对IGBT功率模块进行加速老化试验获取不同老化状态下的电热参数，并将不同老化状态下的电热参数反馈给电-热耦合模型获得不同老化状态下壳温的变化情况，最后建立壳温预测IGBT老化状态的极限学习机模型，利用所得壳温预测IGBT的老化状态。

现有的利用电-热耦合模型进行IGBT老化评估的技术往往是利用电-热耦合模型测量结温，通过结温来评估IGBT的老化状态。本发明采用建立的电-热耦合模型测取IGBT不同老化状态下的壳温，确立了壳温与IGBT老化状态之间的关系，并建立了关于两者的极限学习机回归预测模型。在本发明中，首先研究IGBT的电参数和热参数随着IGBT老化(功率循环次数增多)的变化情况，然后，将老化后的电参数及热参数代入到IGBT电-热耦合模型中，这样测量得到的壳温更符合实际工程应用的环境，测量得到的壳温也能够反映实际环境中IGBT的壳温变化情况。模型的结果可以显示不同老化状态下IGBT的功率损耗和壳温的变化情况，得到了IGBT的瞬态壳温和稳态壳温随着老化程度的加大而随之变化的情况。最后，再根据稳态壳温与功率循环次数N的关系建立极限学习机回归预测模型，该模型可以反映壳温与IGBT老化状态之间的关系，因此，该方法可以根据在线测量的壳温评估IGBT的老化状态。

图1给出了利用壳温评估IGBT老化状态的模型的流程框图。其建模过程为：首先对IGBT功率模块采用功率循环加速老化试验，在常温(298.15K)状态下，每循环10次测取一次IGBT的输出特性曲线、开关能耗和瞬态热阻抗曲线。根据IGBT的输出特性曲线可以得到不同老化程度下IGBT的阈值电压V_ceo和导通电阻r_ce；根据瞬态热阻抗，利用式(13)可以得到IGBT的结壳热阻。将得到的不同老化程度下的电热参数代入到电-热耦合模型当中去，即可得到不同老化状态下的IGBT的壳温。通过与壳温实测值的对比，发现误差较小，利用实验数据训练极限学习机预测模型，使用改进的多元宇宙算法对极限学习机模型进行优化，使用壳温数据对功率循环次数N进行预测，进一步通过功率循环次数N判断IGBT的老化状态。

基于上述设计原理，本发明的利用壳温评估IGBT功率模块老化状态的方法包括以下步骤：

步骤1、建立IGBT功率模块的电-热耦合模型。

由于IGBT功率模块工作状态的热源主要由IGBT芯片和续流二极管(Free-wheeling diode,FWD)芯片产生，但是IGBT芯片产生的功率损耗占总损耗的95％以上，因此，可以近似认为功率模块的损耗由IGBT芯片产生，即将IGBT芯片作为整个模块的热源。具体处理过程如下：

1、IGBT的电模型的建立

IGBT功率损耗主要包括通态损耗和开关损耗，其计算式为

P＝P_con+P_sw (1)

式中，P为IGBT的功率损耗，P_con为IGBT的通态损耗，P_sw为IGBT的开关损耗。

其中，P_con的计算式分别为

P_con＝V_ce·i_c·δ(t) (2)

式(2)中，V_ce是IGBT的集-射极电压，也称为饱和压降，i_c是集电极电流，δ是占空比。

将IGBT的输出特性曲线拟合之后可得V_ce，V_ce的表达式如下所示。

V_ce＝V_ceo+i_c·r_ce (3)

式(3)中，V_ceo为IGBT的阈值电压，r_ce为IGBT的导通电阻。

在298.15K状态下，则拟合后的V_ceo与r_ce均随温度线性变化，可用下式近似表示。

式(4)、(5)中，V_{ceo_298.15K}和r_{ce_298.15K}为298.15K状态下的阈值电压和导通电阻，T_j为IGBT的结温，即可得到相应参数的温度系数

和

即为不同温度下IGBT输出特性曲线的线性拟合曲线的斜率。

因此，IGBT的通态损耗P_con可表示为：

在某个开关周期内，IGBT的平均开通损耗P_on和平均关断损耗P_off构成了IGBT的开关损耗P_sw，即

P_sw＝P_on+P_off (7)

式中，f_sw是开关频率，E_on与E_off分别为IGBT额定条件下的开通能耗与关断能耗，可根据器件手册获取；K_i是IGBT的电流系数，

是IGBT的电压系数；

与

分别是IGBT栅极电阻E_on对E_on和E_off的影响系数，本专利采用R_g＝10Ω，上述两个系数可通过E_onE_off-R_g曲线得到；温度系数

一般为

式(10)、(11)中，V_dc是逆变器直流侧电压；V_N是IGBT的额定电压；I_N是IGBT的额定电流。

根据以上各式，可得到IGBT的电模型，如式(12)所示。

2、建立IGBT模块

传统方法中有利用Cauer热网络监测IGBT的温度变化情况，但是该模型的参数获取较困难。本发明采用Foster热网络模型，所用IGBT功率模块的型号为MMG75S120B6HN，该模块IGBT芯片和FWD芯片的间距为6.4毫米，可以忽略芯片间的热耦合作用。FWD芯片产生的热量对壳温温升影响较小，且不同老化状态下IGBT功率模块的FWD芯片产热基本不变，为了简化分析电热参数对IGBT结温和IGBT壳温的影响，仅仅考虑IGBT芯片产热的影响，这不会改变结果的准确度。为了同时符合计算精度与速度的要求，本发明采用四阶Foster网络来模拟功率模块的散热过程。建立Foster热模型如下：

利用下式，可以获取等效阻抗的瞬态热阻抗。

其中，Z_th为热阻抗，n为热网络阶数，本发明中取4，R_i和C_i为等效热阻和等效热容。

3、建立IGBT功率模块电-热耦合模型

基于以上的操作步骤以上两个步骤完成之后，在Matlab2016a环境下建立IGBT模块的电模型和热模型，将功率损耗看作是一个电流源，将IGBT模块的电模型计算所得功率损耗以电流源形式通入Foster热网络模型，在热网络模型中将壳温视做电压，并将计算的壳温反馈至电模型，这样即可以电路的形式建立起电模型和热模型的联系，最后在Matlab中完成电-热耦合模型的建立。

步骤2、获取IGBT功率模块的壳温

在本步骤中，在Matlab中搭建电-热耦合模型，设置仿真参数，得到全新功率模块中IGBT功率损耗和壳温的变化情况。但是，单纯的利用电-热耦合模型获取IGBT壳温的精度不高，随着IGBT的逐渐老化，电热参数也在随着IGBT的老化而发生变化。为了进一步提高电-热耦合模型获得电热参数的精度，对IGBT进行功率循环加速老化试验，在试验进程中，在常温(298.15K)状态下，每循环10次测取一次IGBT的输出特性曲线、开关能耗和瞬态热阻抗曲线，在试验循环6000次后，所有模块均失效，记录功率循环每10次的试验结果，得到不同老化程度下的电热参数。然后，将不同老化程度下的电热参数代入到电-热耦合模型中，即可获得不同老化程度下(不同功率循环次数下)壳温的变化情况。

步骤3、建立IGBT壳温预测老化状态的极限学习机模型，实现评估IGBT功率模块老化状态的功能。

本步骤的具体实现方法为：IGBT的功率损耗、结温和壳温均随着功率循环次数的增加而增加，且增加幅度越来越大，相对于IGBT结温，IGBT的壳温达到稳态的时间较长。在功率循环6000次时，IGBT的稳态壳温较全新器件的稳态壳温增大了0.16K。根据0-6000次的功率循环次数和其分别对应的壳温仿真值，对极限学习机模型进行训练，使用改进的多元宇宙算法优化极限学习机的参数，使之达到最佳预测效果，利用训练好的极限学习机模型，以壳温为输入，对IGBT老化状态进行预测。

通过上述步骤可以得到，随着IGBT功率循环次数的增加(即IGBT的不断老化)，壳温在不断的增加，因此可以用壳温在线评估IGBT的老化状态。

下面给出一个具体实例对本发明的具体评估过程进行说明：

本实施例采用PC机作为平台进行模型搭建，其中CPU为i5-7300HQ 2.40GHz，内存为8GB，操作系统为Windows 7-64位，使用MATLAB R2016a版本。IGBT模块选用Macmic公司的MMG75S120B6HN，该模块IGBT芯片和FWD芯片的间距为6.4毫米，最大稳定工作电流和反向重复峰值电压为1200V/75A。模块芯片的上部通过键合线与DCB基板相连。其封装图如图3所示。具体评估过程如下：

1、建立电-热耦合模型

以图2给出的三相逆变器采用正弦脉冲调制(Sinusoidal Pulse WidthModulation,SPWM)的三相逆变器为例说明电-热耦合模型的建立过程。该三相逆变器的开关频率用f_sw表示，调制波频率用f表示，负载为RL型负载，调制波用U_r表示，则IGBT的占空比为

逆变器采用双极型SPWM线性调制方式，设置测试条件如下：开关频率为f_sw＝8KHZ，调制波频率为f＝50Hz，调制波U_r＝0.8sin(100πt)，U_N＝600V，R_g＝1.8Ω，L＝0.012H,I＝40A，环境温度T_a＝298.15K。

IGBT功率损耗主要包括通态损耗和开关损耗，其计算式为

P＝P_con+P_sw (15)

式中，P为IGBT的功率损耗，P_con为IGBT的通态损耗，P_sw为IGBT的开关损耗。

其中，P_con的计算式分别为

P_con＝V_ce·i_c·δ(t) (16)

式(16)中，V_ce是IGBT的集-射极电压，也称为饱和压降，i_c是集电极电流，δ是占空比。

将IGBT的输出特性曲线拟合之后可得V_ce，V_ce的表达式如下所示。

V_ce＝V_ceo+·i_c·r_ce (17)

式(17)中，V_ceo为IGBT的阈值电压，r_ce为IGBT的导通电阻。

在298.15K状态下，则拟合后的V_ceo与r_ce均随温度线性变化，可用下式近似表示。

式(18)、(19)中，V_{ceo_298.15K}和r_{ce_298.15K}为298.15K状态下的阈值电压和导通电阻，T_j为IGBT的结温，即可得到相应参数的温度系数

和

即为不同温度下IGBT输出特性曲线的线性拟合曲线的斜率。

因此，IGBT的通态损耗P_con可表示为：

在某个开关周期内，IGBT的平均开通损耗P_on和平均关断损耗P_off构成了IGBT的开关损耗P_sw，即

P_sw＝P_on+P_off (21)

式中，f_sw是开关频率，E_on与E_off分别为IGBT额定条件下的开通能耗与关断能耗，可根据器件手册获取；K_i是IGBT的电流系数，

是IGBT的电压系数；

与

分别是IGBT栅极电阻E_on对E_on和E_off的影响系数，本专利采用R_g＝1.8Ω，上述两个系数可通过E_onE_off-R_g曲线得到；温度系数

为

式(24)、(25)中，V_dc是逆变器直流侧电压；V_N是IGBT的额定电压；I_N是IGBT的额定电流。

根据以上各式，可得到IGBT的电模型，如式(26)所示。

如图3所示IGBT功率模块封装结构图和图4四阶Foster热网络模型，采用四阶Foster网络来模拟IGBT功率模块的散热过程，等效阻抗的获取需要利用拟合式拟合瞬态热阻抗获得，瞬态热阻抗采用西安谊邦电子科技有限公司的YB-6911热阻测试系统获得。利用式(13)，可以获取等效阻抗的瞬态热阻抗。

然后基于上述分析在Matlab/Simulink中搭建三相六桥逆变电路，并建立IGBT模块的电-热耦合模型。

2、获取IGBT不同老化状态下的壳温

将功率循环老化加速试验获得不同老化状态下的电热参数代入电-热耦合模型。

IGBT功率模块的ΔT_c功率循环试验电路图如图5所示，该试验器件由IGBT试品、控制开关、电感、二极管、可程控电源和恒流电源等组成，其中IGBT试品安装在风冷散热器上，风冷散热器上安装K型热电偶；用Labview软件控制电路中的控制开关S₁以实现主电路的导通和关断；电感L的作用主要是防止主电路电流突变；主电路关闭时，二极管D₁用来释放电感的电能；电源V_G为15V以确保IGBT试品完全导通；试验环境温度为298.15K。

试验过程中，栅射极电压保持V_ge＝15V，利用程控直流电源为IGBT功率模块施加75A的恒流。IGBT功率模块在导通状态下，该模块被加热到398.15K；IGBT在关闭状态下，冷却到298.15K(环境温度T_a)，温度变化范围为298.15K-398.15K。

在试验进程中，在常温(298.15K)状态下，每循环10次测取一次IGBT的输出特性曲线、开关能耗和瞬态热阻抗曲线。根据IGBT的输出特性曲线可以得到不同老化程度下IGBT的阈值电压V_ceo和导通电阻r_ce；根据瞬态热阻抗，利用式(11)可以得到不同老化程度下IGBT的结壳热阻。按照IGBT的失效标准(结壳热阻较全新器件增大了20％)，在试验循环6000次后，所有模块均失效，记录功率循环每10次的试验结果。在常温(298.15K)状态下，每循环10次测取一次IGBT的输出特性曲线、开关能耗和瞬态热阻抗曲线。图6记录部分不同功率循环次数下IGBT的瞬态热阻抗的变化情况。

如图7、8所示，将老化后的电热参数代入到电-热耦合模型中得到不同循环次数下IGBT的瞬态壳温和稳态壳温。由图可得，IGBT的壳温均随着功率循环次数的增加而增加，且增加幅度越来越大，IGBT的稳态壳温较全新器件的稳态壳温增大了0.16K。可以发现虽然壳温的变化量较小，但仍然可以使用高精度的温度传感器进行测量，其变化情况反映了IGBT功率模块的老化情况。

3、利用极限学习机模型和壳温评估IGBT的老化状态

极限学习机是一种新型快速的单隐含层前馈神经网络算法。只需要设定隐含层中神经元个数以及激活函数类型，即可根据训练前随机产生的输入权重和阈值，计算出输出权重，得到最优解。相较于传统的算法具有学习速度快，方法性能好等优点。

假设有样本数为N的训练数据{(x_i,y_i),i＝1,...,N}，其中x_i＝[x_i1,x_i2,...,x_in]^T∈Rⁿ，y_i＝[y_i1,y_i2,...,y_im]^T∈R^m。对于含有L个隐含层神经元的极限学习机，其网络模型可表示为

其中，g(x)为激活函数，ω_i＝[ω_i1,ω_i2,...,ω_in]^T为输入权重，b_i为第i个隐含层神经元的阈值，β_i＝[β_i1,β_i2,...,β_im]^T为输出权重。

极限学习机的训练目标是误差最小化，即实现训练输出值与实际值相等。

即存在β_i，ω_i和b_i使得

简化为矩阵表示为Hβ＝U′，其中

当激活函数g(x)无限可微，且神经网络的输入权重和阈值可以随机选择时，ELM的训练就等价于通过求解以下方程的最小二乘解获得输出权重β

方程解为

其中H⁺是H的Moore-Penrose的广义逆。

多元宇宙算法(MVO)是受自然界中多元宇宙现象的启发而提出的一种元启发式算法,该算法结构简单、参数少易于理解且具有较强的搜索能力。本发明为了进一步提高多元宇宙算法的搜索能力，在以下方面改进了算法。(1)将步长参数由默认的6调整为9，这样使得算法局部寻优能力增强；(2)加入高斯变异扰动，更新最优解，使算法不易陷入局部最优解。使用改进多元宇宙算法对极限学习机参数进行优化，会使极限学习机的预测精度大大提高。

本文引入的服从高斯分布的随机扰动因子λ服从期望为μ方差为σ²的正态分布，即λ～N(μ,σ²)。其概率密度函数为

定义两个随机变量u,v，其中v为(0,1)的随机数，u为与迭代次数相关的(0,1)的随机变量，其公式如下

设定高斯分布的μ＝0，则服从高斯分布的随机变量λ的生成公式为

变异因子λ对当前最优个体产生扰动，扰动原理如下

X^*(t)＝X^*(t)+k₂λ·X^*(t) (34)

式中，X^*(t)为当前迭代次数下的最优个体，k₂为常数，可以根据实际应用设定合适的扰动程度。经过测试，发现标准高斯分布N(0，1)的扰动效果并非最佳，当高斯分布满足N(0，0.3)时，扰动效果较优。所以本文中设定扰动算子服从N(0，0.3)的非标准高斯分布。

在本实施例中发现，IGBT的功率损耗、结温和壳温均随着功率循环次数的增加而增加，且增加幅度越来越大，相对于IGBT结温，IGBT的壳温较早达到稳态。IGBT的稳态壳温较全新器件的稳态壳温增大了0.16K，由于IGBT壳温的变化较小，且相邻功率循环次数的壳温误差值不超过0.01K，因此在测量IGBT的壳温时要求温度传感器的精度需达到0.01K。在本实例中采用PICO温度传感器测取IGBT的壳温，并在功率循环老化试验过程中每隔10次记录一次壳温数据直至模块失效。

表1部分功率循环次数下IGBT功率模块的稳态壳温及误差

表给出了部分主要的壳温仿真值和预测值的差，试验测试得到的壳温和实测壳温基本一致，且误差值最大不超过0.01K，因此建立起壳温与IGBT功率模块的老化状态之间的关系。在工程实际应用中，壳温是非常便于测取的，可直接利用壳温评估IGBT的老化状态，由于数据相差较小，拟合曲线会产生较大误差，结果不会令人满意。采用极限学习机进行预测会达到更佳的效果。

在本实施例中，极限学习机隐含层节点设置为10个，宇宙个数设置为35个，迭代次数为100代。经过优化，极限学习机的预测误差rmse为0.0021，较之未优化的0.0030有了明显提高。因此，通过在线测量IGBT功率模块的壳温即可评估IGBT的老化状态。

在实施例中，计算机、显示器和Matlab计算机软件，试验器件等均是通过商购获得的。

要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (1)

1.一种利用壳温评估IGBT功率模块老化状态的方法，其特征在于：包括以下步骤：

步骤1、建立IGBT功率模块的电-热耦合模型；

步骤2、通过实验方法获取IGBT功率模块的壳温数据；

步骤3、建立IGBT壳温预测老化状态的极限学习机模型，实现评估IGBT功率模块老化状态的功能；

所述步骤1的具体实现方法包括以下步骤：

⑴采用如下方法建立IGBT的电模型：

计算IGBT功率损耗的通态损耗和开关损耗：

P＝P_con+P_sw

式中，P为IGBT的功率损耗，P_con为IGBT的通态损耗，P_sw为IGBT的开关损耗；

其中，P_con的计算式分别为：

P_con＝V_ce·i_c·δ(t)

上式中，V_ce是IGBT的集-射极电压，i_c是集电极电流，δ是占空比；

将IGBT的输出特性曲线拟合之后得到V_ce，V_ce的表达式如下：

V_ce＝V_ceo+i_c·r_ce

上式中，V_ceo为IGBT的阈值电压，r_ce为IGBT的导通电阻；

在298.15K状态下，拟合后的V_ceo与r_ce均随温度线性变化用下式近似表示；

上式中，V_{ceo_298.15K}和r_{ce_298.15K}为298.15K状态下的阈值电压和导通电阻，T_j为IGBT的结温，得到相应参数的温度系数

和

IGBT的通态损耗P_con表示为：

在一个开关周期内，IGBT的平均开通损耗P_on和平均关断损耗P_off构成了IGBT的开关损耗P_sw，表示如下：

P_sw＝P_on+P_off

式中，f_sw是开关频率，E_on与E_off分别为IGBT额定条件下的开通能耗与关断能耗，可根据器件手册获取；K_i是IGBT的电流系数，

是IGBT的电压系数；

与

分别是IGBT栅极电阻E_on对E_on和E_off的影响系数，上述两个系数通过E_onE_off-R_g曲线得到；温度系数

上式中，V_dc是逆变器直流侧电压；V_N是IGBT的额定电压；I_N是IGBT的额定电流；

最后，得到如下IGBT的电模型：

⑵采用Foster网络来模拟功率模块的散热过程，通过下式获取等效阻抗的瞬态热阻抗，从而建立IGBT模块热模型：

其中，Z_th为热阻抗，n为热网络阶数，该热网络阶数取4，R_i和C_i为等效热阻和等效热容；

⑶采用如下方法建立IGBT模块的电-热耦合模型：

通过已建好的IGBT模块的电模型和热模型，将功率损耗看作是一个电流源，将IGBT模块的电模型计算所得功率损耗以电流源形式通入Foster热网络模型，在热网络模型中将壳温视做电压，并将计算的壳温反馈至电模型，从而以电路的形式建立起电模型和热模型的联系，最后完成IGBT模块电-热耦合模型的建立；

所述步骤2获取IGBT功率模块的壳温数据的方法为：

首先，在Matlab中搭建电-热耦合模型，设置仿真参数，得到全新功率模块中IGBT功率损耗和壳温的变化情况；然后，对IGBT进行功率循环加速老化试验，在试验进程中，在常温状态下，每循环一定的次数测取一次IGBT的输出特性曲线、开关能耗和瞬态热阻抗曲线，在试验循环6000次后，所有模块均失效，记录功率循环的试验结果，得到不同老化程度下的电热参数；最后，将不同老化程度下的电热参数代入到电-热耦合模型中，从而获得不同老化程度下壳温的变化情况；

所述步骤3的具体实现方法为：使用IGBT功率模块的壳温数据对极限学习机模型进行训练，使用改进的多元宇宙算法对极限学习机模型进行优化；建立IGBT壳温预测老化状态的改进多元宇宙算法优化极限学习机模型，实现评估IGBT功率模块老化状态功能；

所述极限学习机隐的含层节点设置为10个，宇宙个数设置为35个，迭代次数为100。

Images