CN112560328B - 基于表面微应变信号的igbt键合引线故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于表面微应变信号的IGBT键合引线故障诊断方法，首先利用仿真软件对IGBT的电‑热‑力场进行仿真，得到不同故障状态的IGBT表面键合线各引脚处的微应变信号；利用时频域分析的方法对故障的特征进行分析，并选取能明显表征差异的参数指标作为特征向量；利用支持向量机的原理，将特征向量和分类标签组成样本集，利用OVA方法每次将样本看作两大类，对其进行二次规划和最优化问题求解，再利用对偶问题求出满足KKT条件的最优解，并引入核函数使其在高维线性空间中进行分类，找到支持向量即距离超平面最近的样本点代入最优解，找到分类模型的决策函数，最后将样本集输入模型，进行训练和预测，从而完成IGBT键合引线故障诊断。

Description

基于表面微应变信号的IGBT键合引线故障诊断方法

技术领域

本发明属于IGBT键合引线故障诊断技术领域，更为具体地讲，涉及一种基于表面微应变信号的IGBT键合引线故障诊断方法。

背景技术

当前，对绝缘栅双极性晶体管(IGBT)功率模块的高可靠性设计需求愈发强烈，而其小批量、高价值、强定制化和强环境约束的特征，使得传统电子产品依赖大批量试验暴露缺陷→不断改进优化→基于数理统计和概率并联的可靠性建模评估方法不再适用。因此必须从影响IGBT可靠性的物理本质出发，获取物理参量信息，明确多物理场效应到封装模块性能的不确定性关系。

作为最新一代的复合全控型功率半导体器件，IGBT将功率和双极晶体管的优点集于一身，具有电压控制、输入阻抗大、驱动功率小、控制电路简单、开关损耗小、通断速度快和工作频率高等特点，其封装级失效主要为键合引线故障和焊料层疲劳。引线键合技术是当今最重要的电子封装技术之一，键合引线主要起流通电流的作用，90％以上的芯片均采用引线键合技术。模块承受持续的高温、低温的变换产生交变的热应力，造成的剥离效应累积到一定程度后，就会造成键合引线脱落或者断裂。当一根键合引线失效时，流过其他键合引线的电流增大且发热增加，加速IGBT模块失效，直接影响IGBT模块的可靠性，因此对键合引线故障的诊断研究在IGBT失效模型研究上有重大意义。

因为键合引线失效直接影响IGBT封装的热应力变化，所以许多学者从温度场和应力场进行研究，目前的研究方法主要有测量热阻抗和温度的变化，热阻抗的值增大20％就可以认定IGBT功率模块的层结构发生损伤故障，通过测量底板温度计算热阻抗值，这种方法实现容易，但测温时受环境温度和散热条件的影响较大；还有学者通过测量IGBT关断过程产生的机械应力波，对底板的振动信号进行分析，从而对IGBT是否发生故障进行诊断。无论是测量电参数如电阻、电压，还是检测机械应力波，现有的方法都无法对键合线断裂的位置进行判断，因此对键合线故障评估展开新的分析角度和方法有很大的研究意义。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于表面微应变信号的IGBT键合引线故障诊断方法，在IGBT表面直接获取其形变信号，利用信号处理方法对键合引线完整和故障信号进行特征分析，可以判断键合线故障及其故障位置，在支持向量机中进行分类模型建立，可以对IGBT键合引线故障进行诊断和预测。

为实现上述发明目的，本发明基于表面微应变信号的IGBT键合引线故障诊断方法，包括以下步骤：

(1)、获取IGBT表面微应变信号

1.1)、建立IGBT几何模型，包括模块的基座铜底板、DBC焊料层、DBC衬底、IGBT芯片焊料层、IGBT芯片，DBC衬底等，利用COMSOL Multiphysics5.5对各层结构分别建立对应的模型，设置形状、材料和参数；

1.2)、添加电场、热场、力场，对每个物理场设定边界条件，完成热-力-电多物理场的耦合，并在电场中添加激励条件为一定大小、频率、占空比的PWM方波电流；

1.3)、对模型进行网格剖析并进行计算，得到仿真结果，选取每根键合线引脚附近处的Z轴位移变化保存为一组数据。分别设置键合线不同故障类型，重复上述步骤，得到键合线故障的表面位移变化数据即表面微应变信号；

(2)、故障特征分析

2.1)、计算时域常用特征参数，包括有量纲参数：峰值、均值、斜度、均方根值和方差，无量纲参数：峰值因子、峭度指标、波形指标等；

2.2)、、分析信号的频域特征，对信号进行傅里叶变换

计算频域特征参数，如主频幅值、频率方差、均方频率等；

2.3)、特征参数选取，将故障参数和正常状态的参数作对比，适当选取能表征故障类别的特征参数；

(3)、构建分类模型

3.1)、构建样本

3.1.1)、根据步骤1.3)中的测量方法，将故障一共分为n类，每种类别对应的标签为y_n∈{1,2,...,N}；

3.1.2)、将每种类别下特征向量作为一个样本，如X_n＝(x₁,x₂,...,x_m)^T是一个六维向量，x_i是第i个引脚处的位移幅值，X_n是第n个样本；

3.1.3)、在样本后面加上对应的类别，构建样例为(X_n,y_n)，所有样例的集合就构成了样本集S＝{(X₁,y₁),(X₂,y₂)...,(X_N,y_N)}；

(3.2)、多分类问题转化为二分类问题

基于一类对余类方法(OVA)，将步骤3.1.1)中的多分类问题转化为二分类问题，即对于每一个类将其作为+1类，其余四类的所有样本当成-1类，这样就将多分类问题转化成了二分类问题，从而转化成了二次规划问题求解；

3.3)、数学建模

3.3.1)、公式表征

利用(3.2)中的OVA方法，每次将样本集分为两大类x₁和x₂，在此二维空间下建立直线方程x₂＝ax₁+b，写成向量积的形式

令

得到该二维空间中的决策面ω^T·x+b＝0，该决策面将x₁和x₂进行分隔，即y₁＝+1,y₂＝-1两类的样本点分布在决策面两边；

3.3.2)、寻找最大分类间隔

假设决策面正好位于间隔区域中轴线，到决策面最近的样本点位于ω^T·x+b＝±1，这些样本点也称为支持向量，由距离公式可以得到每个样本点到决策面的距离为

要使分类间隔最大化即支持向量与决策面距离最大，则

最大，只需最小化||ω||；

3.4)、求解最优化问题

3.4.1)、要使||ω||最小，等价于使

最小，将所有样本点代入决策面方程，并将两个类别标签y_i与之相乘，构造最优化问题：

3.4.2)、利用拉格朗日乘子法将(1)式的问题写成

3.4.3)、写出对偶问题

3.4.4)、对w、b求偏导，令其为0进行求解

3.4.5)、步骤3.4.3)中满足KKT条件：

的解记为：

ω^*是样本数据的线性组合，λ_i与支持向量有关，非支持向量λ_i＝0；

3.4.6)、将其代入(3)式得到对偶问题为：

(3.5)、引入核函数，写出对偶问题

3.5.1)、构造核函数

由于数据是线性不可分的，这里引入核函数将数据映射到高位线性空间，因此需要构造核函数：

k(x_i,x_j)＝φ(x_i)·φ(x_j) (8)

根据样本特征和数量，采用对小样本也有较好性能的径向基函数进行构造，其取值仅仅依赖于特定点距离：

Φ(x_i,x_j)＝Φ(||x_i-x_j||) (9)

代入得到高斯核函数：

3.5.2)、使用核函数之后，支持向量机求解的对偶问题为；

(3.6)、求解对偶问题，得到决策函数

找到使λ_i≠0的支持向量(x_k,y_k)，将其代入(3)式得到约束问题的解为：

再代入(11)式得到决策函数:

(4)、绘制故障状态混淆矩阵图

4.1)、在Python工具中导入步骤(3.1)中的样本集,并设定好训练集和测试集；

4.2)、利用Python语言和工具包实现分类模型，完成代码编写和参数选取，导入训练样本集，完成基于表面微应变信号的IGBT键合引线故障诊断模型训练；

4.3)、导入测试样本集，设置故障类型并在坐标轴标出，绘制混淆矩阵图，显示出模型的预测情况，打印分类评价指标表。

本发明的目的是这样实现的。

本发明基于表面微应变信号的IGBT键合引线故障诊断方法，首先利用仿真软件对IGBT的电-热-力场进行仿真，得到不同故障状态的IGBT表面键合线各引脚处的微应变信号；利用时频域分析的方法对故障的特征进行分析，并选取能明显表征差异的参数指标作为特征向量；利用支持向量机的原理，将特征向量和分类标签组成样本集，利用OVA方法每次将样本看作两大类，对其进行二次规划和最优化问题求解，再利用对偶问题求出满足KKT条件的最优解，并引入核函数使其在高维线性空间中进行分类，找到支持向量即距离超平面最近的样本点代入最优解，找到分类模型的决策函数，最后将样本集输入模型，进行训练和预测，从而完成IGBT键合引线故障诊断。

同时，本发明基于表面微应变信号的IGBT键合引线故障诊断方法还具有以下有益效果：

(1)、本发明提出的故障诊断方法充分利用了IGBT的热-力-电耦合原理，直接获取IGBT表面键合引线处的微应变信号，与其他IGBT故障检测方法相比，本发明提出的诊断方法充分利用了多物理场耦合含义，在数据获取上更加直观，精度更高，误差更小；

(2)、本发明提出的故障诊断方法利用了时频分析，将不同故障状态的特征参数作为一组特征向量，每一种故障状态都可以在特征向量中表现出来，可以准确定位到故障的键合引线，再利用支持向量机原理，采用OVA方法将多分类问题转化成二分类问题进行求解，从而对键合线故障类型进行判断和预测。

附图说明

图1是本发明基于表面微应变信号的IGBT键合引线故障诊断方法流程图；

图2是利用Comsol Multiphysics软件绘制的IGBT仿真模型图；

图3是实施示例中一组表面微应变信号的时域图和频域图；

图4是IGBT六根键合引线不同故障状态的微应变信号，其中，(a)为断前一根，(b)为断前两根，(c)为断前三根，(d)为断前四根；

图5是利用支持向量机对其中两类数据进行分类的示意图；

图6是利用Python对未知故障状态的信号进行预测的混淆矩阵图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

图1是本发明基于表面微应变信号的IGBT键合引线故障诊断方法流程图。

在本实施例中，如图1所示，本发明一种基于表面微应变信号的IGBT键合引线故障诊断方法，包括以下步骤：

S1、获取IGBT表面微应变信号

S1.1、如图2，建立IGBT几何模型，包括模块的基座铜底板、DBC焊料层、DBC衬底、IGBT芯片焊料层、IGBT芯片，DBC衬底等，利用COMSOL Multiphysics5.5对各层结构分别建立对应的模型，设置形状、材料和参数；

S1.2、添加电场、热场、力场，对每个物理场设定边界条件，完成热-力-电多物理场的耦合，并在电场中添加激励条件，在本实施例中，电流大小为2A，频率为1KHz，PWM波占空比50％；

S1.3、对模型进行网格剖析并进行计算，得到仿真结果，选取每根键合线引脚附近处的Z轴位移变化保存为一组数据。分别设置键合线故障类型，本实施例设置四种故障类型分别为键合引线前一根断裂、前两根断裂、前三根断裂和前四根断裂，重复上述步骤，得到键合线故障的表面位移变化数据；

S2、故障特征分析

S2.1、计算时域常用特征参数，包括有量纲参数：峰值、均值、斜度、均方根值和方差，无量纲参数：峰值因子、峭度指标、波形指标等；如图3左，是一组键合线完好的为应变信号时域图；

S2.2、分析信号的频域特征，对信号进行傅里叶变换

计算频域特征参数，如主频幅值、频率方差、均方频率等；如图3右，是左图时域信号去除直流分量和线性分量后对应的频域信号；

S2.3、特征参数选取，将故障参数和正常状态的参数作对比，如图4是不同故障状态每个键合线引脚处的微应变信号，可以发现当键合线发生故障的地方，该处微应变信号幅值增长明显减小，故本实施例中选取时域幅值参数作为特征参数，即当微应变信号幅值增长明显减小时可说明对应该处键合线发生故障；

S3、构建分类模型

S3.1、构建样本

S3.1.1、根据S1.3中的仿真实验方法，本实施例一共分为五类，分别为IGBT键合线完整、键合线断裂一根、键合线断裂两根、键合线断裂三根和键合线断裂四根，每种类别对应的标签为y_n∈{1,2,3,4,5}；

S3.1.2、将每种类别下各个键合线引脚处不同时刻的位移幅值作为一个样本，如键合线完整的正常状态下的一个样本，为6个引脚处的位移幅值，因此样本为X_n＝(x₁,x₂,x₃,x₄,x₅,x₆)^T是一个六维向量，x_i是第i个引脚处的位移幅值，X_n是第n个样本，本实施例中一共有505个样本；

S3.1.3、在样本后面加上对应的类别，构建样例为(X_n,y_n)，所有样例的集合就构成了样本集S＝{(X₁,y₁),(X₂,y₂)...,(X₅₀₅,y₅₀₅)}；

S3.2、多分类问题转化为二分类问题

基于一类对余类方法(OVA)，将步骤(3.1.1)中的五分类问题转化为二分类问题，即对于每一个类将其作为+1类，其余四类的所有样本当成-1类，这样就将五分类问题转化成了二分类问题，从而转化成了二次规划问题求解；

S3.3、数学建模

S3.3.1、公式表征

利用(3.2)中的OVA方法，每次将样本集分为两大类x₁和x₂，在此二维空间下建立直线方程x₂＝ax₁+b，写成向量积的形式

令

得到该二维空间中的决策面ω^T·x+b＝0，该决策面将x₁和x₂进行分隔，即y₁＝+1,y₂＝-1两类的样本点分布在决策面两边，如图5；

S3.3.2、寻找最大分类间隔

假设决策面正好位于间隔区域中轴线，到决策面最近的样本点位于ω^T·x+b＝±1，这些样本点也称为支持向量，由距离公式可以得到每个样本点到决策面的距离为

要使分类间隔最大化即支持向量与决策面距离最大，则

最大，只需最小化||ω||；

S3.4、求解最优化问题

S3.4.1、要使||ω||最小，等价于使

最小，将所有样本点代入决策面方程，并将两个类别标签y_i与之相乘，构造最优化问题

S3.4.2、利用拉格朗日乘子法将(1)式中的问题写成

S3.4.3、写出对偶问题

S3.4.4对w、b求偏导，令其为0进行求解

S3.4.5、步骤(3.4.3)中满足KKT条件：

的解记为：

ω^*是样本数据的线性组合，λ_i与支持向量有关，非支持向量λ_i＝0；

S3.4.6、将其代入(3)式得到对偶问题为：

S3.5、引入核函数，写出对偶问题

S3.5.1、构造核函数

由于数据是线性不可分的，这里引入核函数将数据映射到高位线性空间，因此需要构造核函数:

k(x_i,x_j)＝φ(x_i)·φ(x_j) (7)

根据样本特征和数量，采用对小样本也有较好性能的径向基函数进行构造，其取值仅仅依赖于特定点距离：

Φ(x_i,x_j)＝Φ(||x_i-x_j||) (8)

代入得到高斯核函数：

S3.5.2、使用核函数之后，支持向量机求解的对偶问题为；

S3.6、求解对偶问题，得到决策函数

找到使λ_i≠0的支持向量(x_k,y_k)，将其代入步骤(3)式得到约束问题的解为：

再代入步骤(10)式得到决策函数:

S4、绘制故障状态混淆矩阵图

S4.1、在Python工具中导入S3.1中的样本集,并设定好训练集和测试集，本实施例中样本集一共505个，训练集占80％，测试集占20％；

S4.2、利用Python语言和工具包实现分类模型，完成代码编写和参数选取，导入训练样本集，完成基于表面微应变信号的IGBT键合引线故障诊断模型训练；

S4.3、导入测试样本集，将键合线完整和分别断裂一根、两根、三根、四根这五种情况在坐标轴标出，绘制混淆矩阵图如图6，纵向标签表示真实情况，横向标签表示预测情况，抽取20％的样本作为预测样本，其中断裂前一根、二根、三根、四根和键合线完整这五类的预测样本数分别为：25、23、22、15、16。真阳性即实际和预测都为正有96个，因此准确率为0.95050，断裂一、二、三、四计算预测结果准确率平均达到90％及以上，再一次验证了此分类模型对IGBT故障分类及诊断的可靠性。利用该模型，我们只需将IGBT工作时每根键合线引脚处的唯一变量输入，就可以对键合线完整和断裂前一根、二根、三根、四根的情况作出评估。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于表面微应变信号的IGBT键合引线故障诊断方法，包括以下步骤：

(1)、获取IGBT表面微应变信号

1.1)、建立IGBT几何模型，包括模块的基座铜底板、DBC焊料层、DBC衬底、IGBT芯片焊料层、IGBT芯片，DBC衬底，利用COMSOL Multiphysics5.5对各层结构分别建立对应的模型，设置形状、材料和参数；

1.2)、添加电场、热场、力场，对每个物理场设定边界条件，完成热-力-电多物理场的耦合，并在电场中添加激励条件为一定大小、频率、占空比的PWM方波电流；

1.3)、对模型进行网格剖析并进行计算，得到仿真结果，选取每根键合线引脚附近处的Z轴位移变化保存为一组数据；分别设置键合线不同故障类型，重复上述步骤，得到键合线故障的表面位移变化数据即表面微应变信号；

(2)、故障特征分析

2.1)、计算时域常用特征参数，包括有量纲参数：峰值、均值、斜度、均方根值和方差，无量纲参数：峰值因子、峭度指标、波形指标；

2.2)、分析信号的频域特征，对信号进行傅里叶变换

k＝0,1,...,N-1,

计算频域特征参数，如主频幅值、频率方差、均方频率；

2.3)、特征参数选取，将故障参数和正常状态的参数作对比，适当选取能表征故障类别的特征参数；

(3)、构建分类模型

3.1)、构建样本

3.1.1)、根据步骤1.3)中的测量方法，将故障一共分为n类，每种类别对应的标签为y_n∈{1,2,...,N}；

3.1.2)、将每种类别下特征向量作为一个样本，如X_n＝(x₁,x₂,...,x_m)^T是一个六维向量，x_i是第i个引脚处的位移幅值，X_n是第n个样本；

3.1.3)、在样本后面加上对应的类别，构建样例为(X_n,y_n)，所有样例的集合就构成了样本集S＝{(X₁,y₁),(X₂,y₂)...,(X_N,y_N)}；

(3.2)、多分类问题转化为二分类问题

基于一类对余类方法OVA，将步骤3.1.1)中的多分类问题转化为二分类问题，即对于每一个类将其作为+1类，其余四类的所有样本当成-1类，这样就将多分类问题转化成了二分类问题，从而转化成了二次规划问题求解；

3.3)、数学建模

3.3.1)、公式表征

利用(3.2)中的OVA方法，每次将样本集分为两大类x₁和x₂，在二维空间下建立直线方程x₂＝ax₁+b，写成向量积的形式

令

得到该二维空间中的决策面ω^T·x+b＝0，该决策面将x₁和x₂进行分隔，即y₁＝+1,y₂＝-1两类的样本点分布在决策面两边；

3.3.2)、寻找最大分类间隔

假设决策面正好位于间隔区域中轴线，到决策面最近的样本点位于ω^T·x+b＝±1，这些样本点也称为支持向量，由距离公式可以得到每个样本点到决策面的距离为

要使分类间隔最大化即支持向量与决策面距离最大，则

最大，只需最小化||ω||；

3.4)、求解最优化问题

3.4.1)、要使||ω||最小，等价于使

最小，将所有样本点代入决策面方程，并将两个类别标签y_i与之相乘，构造最优化问题：

3.4.2)、利用拉格朗日乘子法将(1)式的问题写成

3.4.3)、写出对偶问题

3.4.4)、对w、b求偏导，令其为0进行求解

解得：

3.4.5)、步骤3.4.3)中满足KKT条件：

的解记为：

ω^*是样本数据的线性组合，λ_i与支持向量有关，非支持向量λ_i＝0；

3.4.6)、将其代入(3)式得到对偶问题为：

(3.5)、引入核函数，写出对偶问题

3.5.1)、构造核函数

由于数据是线性不可分的，这里引入核函数将数据映射到高位线性空间，因此需要构造核函数：

k(x_i,x_j)＝φ(x_i)·φ(x_j) (8)

根据样本特征和数量，采用对小样本也有较好性能的径向基函数进行构造，其取值仅仅依赖于特定点距离：

Φ(x_i,x_j)＝Φ(||x_i-x_j||) (9)

代入得到高斯核函数：

3.5.2)、使用核函数之后，支持向量机求解的对偶问题为；

(3.6)、求解对偶问题，得到决策函数

找到使λ_i≠0的支持向量(x_k,y_k)，将其代入(3)式得到约束问题的解为：

再代入(11)式得到决策函数:

(4)、绘制故障状态混淆矩阵图

4.1)、在Python工具中导入步骤(3.1)中的样本集,并设定好训练集和测试集；

4.2)、利用Python语言和工具包实现分类模型，完成代码编写和参数选取，导入训练样本集，完成基于表面微应变信号的IGBT键合引线故障诊断模型训练；

4.3)、导入测试样本集，设置故障类型并在坐标轴标出，绘制混淆矩阵图，显示出模型的预测情况，打印分类评价指标表。

Images