CN110161398B - 一种利用壳温评估igbt功率模块老化状态的方法 - Google Patents
一种利用壳温评估igbt功率模块老化状态的方法 Download PDFInfo
- Publication number
- CN110161398B CN110161398B CN201910536473.6A CN201910536473A CN110161398B CN 110161398 B CN110161398 B CN 110161398B CN 201910536473 A CN201910536473 A CN 201910536473A CN 110161398 B CN110161398 B CN 110161398B
- Authority
- CN
- China
- Prior art keywords
- igbt
- model
- shell temperature
- thermal
- power module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/003—Environmental or reliability tests
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2642—Testing semiconductor operation lifetime or reliability, e.g. by accelerated life tests
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
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Tj,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=Pcon+Psw
式中,P为IGBT的功率损耗,Pcon为IGBT的通态损耗,Psw为IGBT的开关损耗;
其中,Pcon的计算式分别为:
Pcon=Vce·ic·δ(t)
上式中,Vce是IGBT的集-射极电压,ic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Vce,Vce的表达式如下:
Vce=Vceo+ic·rce
上式中,Vceo为IGBT的阈值电压,rce为IGBT的导通电阻;
在298.15K状态下,拟合后的Vceo与rce均随温度线性变化用下式近似表示;
IGBT的通态损耗Pcon表示为:
在一个开关周期内,IGBT的平均开通损耗Pon和平均关断损耗Poff构成了IGBT的开关损耗Psw,表示如下:
Psw=Pon+Poff
式中,fsw是开关频率,Eon与Eoff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;Ki是IGBT的电流系数,是IGBT的电压系数;与分别是IGBT栅极电阻Eon对Eon和Eoff的影响系数,上述两个系数通过EonEoff-Rg曲线得到;温度系数
上式中,Vdc是逆变器直流侧电压;VN是IGBT的额定电压;IN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,Zth为热阻抗,n为热网络阶数,该热网络阶数取4,Ri和Ci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Vceo和导通电阻rce;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=Pcon+Psw (1)
式中,P为IGBT的功率损耗,Pcon为IGBT的通态损耗,Psw为IGBT的开关损耗。
其中,Pcon的计算式分别为
Pcon=Vce·ic·δ(t) (2)
式(2)中,Vce是IGBT的集-射极电压,也称为饱和压降,ic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Vce,Vce的表达式如下所示。
Vce=Vceo+ic·rce (3)
式(3)中,Vceo为IGBT的阈值电压,rce为IGBT的导通电阻。
在298.15K状态下,则拟合后的Vceo与rce均随温度线性变化,可用下式近似表示。
式(4)、(5)中,Vceo_298.15K和rce_298.15K为298.15K状态下的阈值电压和导通电阻,Tj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Pcon可表示为:
在某个开关周期内,IGBT的平均开通损耗Pon和平均关断损耗Poff构成了IGBT的开关损耗Psw,即
Psw=Pon+Poff (7)
式中,fsw是开关频率,Eon与Eoff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;Ki是IGBT的电流系数,是IGBT的电压系数;与分别是IGBT栅极电阻Eon对Eon和Eoff的影响系数,本专利采用Rg=10Ω,上述两个系数可通过EonEoff-Rg曲线得到;温度系数一般为
式(10)、(11)中,Vdc是逆变器直流侧电压;VN是IGBT的额定电压;IN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,Zth为热阻抗,n为热网络阶数,本发明中取4,Ri和Ci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fsw表示,调制波频率用f表示,负载为RL型负载,调制波用Ur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fsw=8KHZ,调制波频率为f=50Hz,调制波Ur=0.8sin(100πt),UN=600V,Rg=1.8Ω,L=0.012H,I=40A,环境温度Ta=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=Pcon+Psw (15)
式中,P为IGBT的功率损耗,Pcon为IGBT的通态损耗,Psw为IGBT的开关损耗。
其中,Pcon的计算式分别为
Pcon=Vce·ic·δ(t) (16)
式(16)中,Vce是IGBT的集-射极电压,也称为饱和压降,ic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Vce,Vce的表达式如下所示。
Vce=Vceo+·ic·rce (17)
式(17)中,Vceo为IGBT的阈值电压,rce为IGBT的导通电阻。
在298.15K状态下,则拟合后的Vceo与rce均随温度线性变化,可用下式近似表示。
式(18)、(19)中,Vceo_298.15K和rce_298.15K为298.15K状态下的阈值电压和导通电阻,Tj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Pcon可表示为:
在某个开关周期内,IGBT的平均开通损耗Pon和平均关断损耗Poff构成了IGBT的开关损耗Psw,即
Psw=Pon+Poff (21)
式中,fsw是开关频率,Eon与Eoff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;Ki是IGBT的电流系数,是IGBT的电压系数;与分别是IGBT栅极电阻Eon对Eon和Eoff的影响系数,本专利采用Rg=1.8Ω,上述两个系数可通过EonEoff-Rg曲线得到;温度系数为
式(24)、(25)中,Vdc是逆变器直流侧电压;VN是IGBT的额定电压;IN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ΔTc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VG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Vge=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Ta),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Vceo和导通电阻rce;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{(xi,yi),i=1,...,N},其中xi=[xi1,xi2,...,xin]T∈Rn,yi=[yi1,yi2,...,yim]T∈Rm。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,ωi=[ωi1,ωi2,...,ωin]T为输入权重,bi为第i个隐含层神经元的阈值,βi=[βi1,βi2,...,βim]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βi,ωi和bi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=Pcon+Psw
式中,P为IGBT的功率损耗,Pcon为IGBT的通态损耗,Psw为IGBT的开关损耗;
其中,Pcon的计算式分别为:
Pcon=Vce·ic·δ(t)
上式中,Vce是IGBT的集-射极电压,ic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Vce,Vce的表达式如下:
Vce=Vceo+ic·rce
上式中,Vceo为IGBT的阈值电压,rce为IGBT的导通电阻;
在298.15K状态下,拟合后的Vceo与rce均随温度线性变化用下式近似表示;
IGBT的通态损耗Pcon表示为:
在一个开关周期内,IGBT的平均开通损耗Pon和平均关断损耗Poff构成了IGBT的开关损耗Psw,表示如下:
Psw=Pon+Poff
式中,fsw是开关频率,Eon与Eoff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;Ki是IGBT的电流系数,是IGBT的电压系数;与分别是IGBT栅极电阻Eon对Eon和Eoff的影响系数,上述两个系数通过EonEoff-Rg曲线得到;温度系数
上式中,Vdc是逆变器直流侧电压;VN是IGBT的额定电压;IN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,Zth为热阻抗,n为热网络阶数,该热网络阶数取4,Ri和Ci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。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811024945 | 2018-09-04 | ||
CN2018110249451 | 2018-09-04 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110161398A CN110161398A (zh) | 2019-08-23 |
CN110161398B true CN110161398B (zh) | 2021-06-25 |
Family
ID=67626227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910536473.6A Active CN110161398B (zh) | 2018-09-04 | 2019-06-20 | 一种利用壳温评估igbt功率模块老化状态的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110161398B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112444718A (zh) * | 2019-08-29 | 2021-03-05 | 上海原动力通信科技有限公司 | 一种芯片老化监控方法、装置及系统 |
CN111123059B (zh) * | 2019-08-31 | 2021-11-05 | 贵州大学 | 一种igbt模块温升特性分析方法 |
CN112986707B (zh) * | 2019-12-02 | 2023-06-02 | 北京新能源汽车股份有限公司 | 一种功率模块的寿命评估方法、装置及汽车 |
CN111090940B (zh) * | 2019-12-17 | 2023-04-14 | 南方电网科学研究院有限责任公司 | 一种基于ansys的mmc子模块压接式igbt短期失效分析方法 |
CN111259583A (zh) * | 2020-01-13 | 2020-06-09 | 重庆大学 | 基于空洞率的igbt模块焊料层疲劳老化失效模拟方法 |
CN111521947B (zh) * | 2020-04-27 | 2022-03-18 | 上海大学 | 一种功率模块散热路径老化失效诊断方法 |
CN113572148A (zh) * | 2020-04-29 | 2021-10-29 | 乌鲁木齐金风天翼风电有限公司 | 变流器系统、变流器功率模组的健康状态评估方法和装置 |
CN112327124B (zh) * | 2020-09-30 | 2021-11-12 | 河海大学 | 一种监测igbt模块热疲劳老化的方法及不均匀老化的方法 |
CN112214951B (zh) * | 2020-10-19 | 2022-05-24 | 武汉大学 | 分段式lstm的微网逆变器igbt可靠性评估方法及系统 |
CN112526333A (zh) * | 2020-11-05 | 2021-03-19 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电流型老化试验系统和开关器件老化试验方法 |
WO2022248532A1 (en) * | 2021-05-25 | 2022-12-01 | Danmarks Tekniske Universitet | Data-driven and temperature-cycles based remaining useful life estimation of an electronic device |
CN114217261B (zh) * | 2021-12-15 | 2022-09-09 | 浙江大学 | 一种用于功率循环测试的功率器件老化参数校正方法 |
CN114325288A (zh) * | 2022-01-06 | 2022-04-12 | 北一半导体科技(广东)有限公司 | 一种评估半导体模块功率循环能力的方法和半导体模块 |
CN115239028B (zh) * | 2022-09-22 | 2022-12-09 | 北京邮电大学 | 综合能源调度方法、装置、设备及存储介质 |
CN116413541A (zh) * | 2023-03-28 | 2023-07-11 | 国网山东省电力公司德州供电公司 | 一种基于数字孪生和闭环寻优的变压器状态感知方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587507A (zh) * | 2009-06-25 | 2009-11-25 | 中国电力科学研究院 | 一种高压大功率晶闸管电热模型的建立方法 |
CN106443400A (zh) * | 2016-09-14 | 2017-02-22 | 河北工业大学 | 一种igbt模块的电‑热‑老化结温计算模型建立方法 |
CN107818952A (zh) * | 2017-11-16 | 2018-03-20 | 华南理工大学 | 一种单芯片半桥igbt功率模块的热网络模型 |
CN109101738A (zh) * | 2018-08-24 | 2018-12-28 | 河北工业大学 | 一种igbt模块老化程度评估方法 |
CN109186795A (zh) * | 2018-09-07 | 2019-01-11 | 江苏中科君芯科技有限公司 | Igbt模块壳温的估算方法 |
CN110133468A (zh) * | 2019-05-30 | 2019-08-16 | 西南交通大学 | 一种基于多变量的igbt健合线老化监测评估方法 |
CN110147578A (zh) * | 2019-04-19 | 2019-08-20 | 西安中车永电电气有限公司 | 基于半实物仿真平台的igbt器件的寿命预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014086600A (ja) * | 2012-10-24 | 2014-05-12 | Fuji Electric Co Ltd | 半導体装置、半導体装置の製造方法および半導体装置の制御方法 |
-
2019
- 2019-06-20 CN CN201910536473.6A patent/CN110161398B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587507A (zh) * | 2009-06-25 | 2009-11-25 | 中国电力科学研究院 | 一种高压大功率晶闸管电热模型的建立方法 |
CN106443400A (zh) * | 2016-09-14 | 2017-02-22 | 河北工业大学 | 一种igbt模块的电‑热‑老化结温计算模型建立方法 |
CN107818952A (zh) * | 2017-11-16 | 2018-03-20 | 华南理工大学 | 一种单芯片半桥igbt功率模块的热网络模型 |
CN109101738A (zh) * | 2018-08-24 | 2018-12-28 | 河北工业大学 | 一种igbt模块老化程度评估方法 |
CN109186795A (zh) * | 2018-09-07 | 2019-01-11 | 江苏中科君芯科技有限公司 | Igbt模块壳温的估算方法 |
CN110147578A (zh) * | 2019-04-19 | 2019-08-20 | 西安中车永电电气有限公司 | 基于半实物仿真平台的igbt器件的寿命预测方法 |
CN110133468A (zh) * | 2019-05-30 | 2019-08-16 | 西南交通大学 | 一种基于多变量的igbt健合线老化监测评估方法 |
Non-Patent Citations (2)
Title |
---|
Real-Time Aging Monitoring for IGBT Modules;Ze Wang 等;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS,》;20160228;第63卷(第2期);第1168-1178页 * |
基于加速老化试验的IGBT寿命预测模型研究;张亚玲 等;《电气传动》;20161231;第46卷(第10期);第72-75页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110161398A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110161398B (zh) | 一种利用壳温评估igbt功率模块老化状态的方法 | |
CN106443400B (zh) | 一种igbt模块的电-热-老化结温计算模型建立方法 | |
Ni et al. | Overview of real-time lifetime prediction and extension for SiC power converters | |
Sun et al. | Online condition monitoring for both IGBT module and DC-link capacitor of power converter based on short-circuit current simultaneously | |
CN110765601B (zh) | 一种基于igbt热电耦合模型的igbt结温估计方法 | |
Baker et al. | Junction temperature measurements via thermo-sensitive electrical parameters and their application to condition monitoring and active thermal control of power converters | |
Agarwal et al. | Lifetime monitoring of electrolytic capacitor to maximize earnings from grid-feeding PV system | |
CN104155587A (zh) | 一种igbt模块工作结温的在线检测系统及检测方法 | |
CN105158667B (zh) | 一种变流器功率二极管结温测量系统与方法 | |
CN103956887A (zh) | 风电变流器igbt模块结温在线计算方法 | |
CN112906333A (zh) | 计及老化的光伏逆变器igbt结温在线修正方法及系统 | |
Wu et al. | Junction temperature prediction of IGBT power module based on BP neural network | |
Chen et al. | An ON-state voltage calculation scheme of MMC submodule IGBT | |
Rao et al. | IGBT remaining useful life prediction based on particle filter with fusing precursor | |
Yang et al. | In situ junction temperature monitoring and bond wire detecting method based on IGBT and FWD on-state voltage drops | |
Wang et al. | Simplified estimation of junction temperature fluctuation at the fundamental frequency for IGBT modules considering mission profile | |
Li et al. | IGBT lifetime model considering composite failure modes | |
Yuan et al. | Online junction temperature estimation system for IGBT based on BP neural network | |
Li et al. | Measurement method of the IGBT chip temperature fluctuation based on electrothermal model derivation | |
Zhang et al. | IGBT junction temperature estimation using a dynamic TSEP independent of wire bonding faults | |
Qiu et al. | Review of igbt junction temperature extraction and estimation methods | |
Thiagarajan et al. | Effects of reactive power on photovoltaic inverter reliability and lifetime | |
Liu et al. | High precision IGBT health evaluation method: Extreme learning machine optimized by improved krill herd algorithm | |
Li et al. | Junction Temperature Measurement of IGBT in Accelerated Degradation Test | |
Ma et al. | Statistical analysis of characteristic of ageing precursor of IGBT based on synthetic effect of multi-physical fields |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |