CN115186592A - 功率半导体模块的寿命预测方法、终端设备及存储介质 - Google Patents

功率半导体模块的寿命预测方法、终端设备及存储介质 Download PDF

Info

Publication number
CN115186592A
CN115186592A CN202210845323.5A CN202210845323A CN115186592A CN 115186592 A CN115186592 A CN 115186592A CN 202210845323 A CN202210845323 A CN 202210845323A CN 115186592 A CN115186592 A CN 115186592A
Authority
CN
China
Prior art keywords
neural network
power semiconductor
data set
convolutional neural
layer
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.)
Pending
Application number
CN202210845323.5A
Other languages
English (en)
Inventor
杨鑫
张越
武新龙
欧阳晓平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha Semiconductor Technology And Application Innovation Research Institute
Hunan University
Original Assignee
Changsha Semiconductor Technology And Application Innovation Research Institute
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changsha Semiconductor Technology And Application Innovation Research Institute, Hunan University filed Critical Changsha Semiconductor Technology And Application Innovation Research Institute
Priority to CN202210845323.5A priority Critical patent/CN115186592A/zh
Publication of CN115186592A publication Critical patent/CN115186592A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本发明公开了一种功率半导体模块的寿命预测方法、终端设备及存储介质，确定在功率循环条件运行下的功率半导体器件的使用寿命影响因素；由所述影响因素构建训练数据集，并对训练数据集中的数据进行规范化处理，利用规范化处理后的训练数据集训练深度卷积神经网络，得到寿命预测模型。本发明考虑到特征参数对使用寿命的单独和相互影响，产生了更准确的预测结果。

Description

功率半导体模块的寿命预测方法、终端设备及存储介质
技术领域
本发明涉及功率半导体模块(如IGBT、SIC、MOSFET)的寿命预测领域，特别是一种功率半导体模块的寿命预测方法、终端设备及存储介质。
背景技术
功率半导体模块是电力电子系统的基础与核心，这使得功率半导体模块在多领域得到了广泛的应用。而在其长期反复的功率循环运行过程中，受到载荷压力、外界条件等影响会导致自身封装结构发生故障、失效。功率半导体模块内部焊料层失效占到封装失效的60％，一旦焊料层发生失效，整个功率半导体模块的工作性能将会受到影响。因此快速、准确的预测功率半导体模块的使用寿命是必不可少的。利用寿命预测结果，既可以在系统设计阶段按照可靠性要求帮助设计和选择系统结构和参数，又可以在应用中提前获得功率半导体模块在应用条件下的工作寿命。
现有的功率半导体模块的寿命预测方法可分为基于物理模型的寿命预测方法、基于解析模型的寿命预测方法、基于数据驱动的寿命预测方法。基于解析模型的寿命预测方法根据温度波动、平均结温、频率和键合线电流等各种因素计算出失效周期数Nf来估计模块的寿命，其存在的主要问题是高度依赖于结温的测量。基于物理模型的寿命预测方法，不需要了解温度循环的相关参数，而是基于模块内应力-应变变形的失效机制。另一方面，当某一功率半导体模块的失效机理十分复杂时，基于模型的寿命预测方法将不再适用。而基于数据驱动的寿命预测方法既不需要先验知识也不需要采用明确的数学形式来捕捉焊料层的复杂退化模式，并且通用性强，部署速度快，准确率高，只需通过将提取的焊料层健康特征输入到数据驱动模型便可输出功率半导体模块使用寿命。因此基于数据驱动的寿命预测方法要由优于基于物理模型、解析模型的寿命预测方法。
目前的加速老化方法主要有：功率循环加速老化方法、热循环加速老化方法。功率循环是通过在功率半导体模块上施加周期性加热功率来改变模块温度，使模块在两个加热脉冲之间冷却。由于内部加热导致温度分布不均匀，与实际应用条件类似，结构中会形成明显的温度梯度，具体取决于被测模块结构中不同层的热阻和施加的加热功率。温度循环是使功率半导体模块承受较大范围的温度波动，模块本身不消耗功率产生热量，要求循环时间足够的长。达到稳态后，模块的温度分布在其整个结构中是均匀分布的。如今，可靠性研究趋向于状态监测、寿命预测和主动热管理方向，需要考虑实际运行工况，所以功率循环加速老化方法成为研究热点。
焊料层尺寸、芯片尺寸、焊料层的材料成分、模块运行工况等多个存在相互关联的因素会导致焊料层在长期功率循环下发生失效，所有这些参数都会在不同程度上影响模块寿命并导致模块性能下降。由于涉及多个影响因素，将所有因素纳入单个寿命预测模型是难以实现的，现有的寿命预测方法中通常是一种功率半导体模块对应一种预测模型，这使得对不同功率半导体模块在短时间内实现准确的寿命预测变为尤为复杂。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供一种功率半导体模块的寿命预测方法、终端设备及存储介质，解决现有预测模型通用性差的问题。
为解决上述技术问题，本发明所采用的技术方案是：一种功率半导体模块的寿命预测方法，包括以下步骤：
确定在功率循环条件运行下的功率半导体器件的使用寿命影响因素；所述影响因素包括：功率半导体器件老化过程中的结温波动ΔTj，功率半导体器件老化过程中的最高结温Tjmax，集电极注入电流Ic，电路开通时间ton、关断时间toff，芯片焊料层以及芯片的三维尺寸，芯片层、芯片焊料层、DBC上铜层的质量密度、热膨胀系数、熔点、杨氏模量、泊松比、热导率以及比热容的值；
由所述影响因素构建训练数据集，并对训练数据集中的数据进行规范化处理，利用规划化处理后的训练数据集训练深度卷积神经网络，得到寿命预测模型。
本发明考虑以下因为，确定影响因素：模块内部不同层之间的热膨胀系数失配会导致焊料层在功率循环下受到交替的热机械应力和累积非弹性应变，非弹性应变会导致焊料中的裂纹萌生和扩展，最终导致模块失效；在最高结温停留时间内，焊料层会产生不随时间变化的塑性变形和随时间变化的蠕变变形，这两种非弹性应变会在每个功率循环中累积，当非弹性应变累积到一定程度时，焊料层会发生疲劳失效；冷却阶段会造成应力的急剧变化，这种急剧的应力变化为焊料互连中的疲劳裂纹的产生提供了条件。因此冷却时间、开通时间越长，应力发生开始变化的点越高，应力的变化量就越大，模块失效越快；焊料体积越大，在焊料材料中产生的弹性和非弹性应变就越大，从而导致加速退化。杨氏模量、泊松比分别反应固体材料抵抗形变能力、横向变形，因此二者也是材料形变的影响因素；热导率随着焊料层空隙的不断出现而不断降低，从而使热流传递效率降低。空隙使芯片中热量分布变的不均匀，导致芯片表面出现热点，进而引起结温升高。比热容是单位质量物体改变单位温度时吸收或放出的热量，焊料的质量密度越大，吸收同样的热量所升高的温度就越小。因此，本发明确定了影响因素为：功率半导体器件老化过程中的结温波动ΔTj，功率半导体器件老化过程中的最高结温 Tjmax，集电极注入电流Ic，电路开通时间ton、关断时间toff，芯片焊料层以及芯片的三维尺寸，芯片层、芯片焊料层、DBC上铜层的质量密度、热膨胀系数、熔点、杨氏模量、泊松比、热导率以及比热容的值。本发明充分考虑了各个因素共同影响功率半导体模块使用寿命，提高了预测模型的通用性。
本发明中，为了进一步提高寿命预测模型精度，还包括：获取测试数据集，利用所述测试数据集测试所述寿命预测模型。
不同特征之间往往具有不同的量纲，由此造成数值间的差异很大。因此为了消除特征之间量纲和取值范围的差异可能会造成的影响，需要对数据进行规范化处理。对训练数据集中的数据进行规范化处理的具体实现过程包括：将所述训练数据集中的数据转化为由像素点构成的二维图像，并对二维图像进行规范化处理。
所述规范化处理的公式为：
Figure BDA0003752497750000031
[a,b]为设定的范围， a、b均为常数，且b＞a，x为二维图像的像素值，xnew为规范化处理后的像素值。
所述深度卷积神经网络包括卷积神经网络模块和全连接神经网络模块，所述卷积神经网络模块输出层连接全连接神经网络模块输入层。
所述卷积神经网络模块包括依次连接的卷积层、线性整流层、池化层、扁平单元。
所述全连接神经网络模块包括依次连接的输入层、三个串联的隐含层、输出层。
利用规划化处理后的训练数据集训练深度卷积神经网络的过程包括：将规划化处理后的训练数据集作为所述卷积神经网络模块和所述全连接神经网络模块的输入，更新深度卷积神经网络权值和偏差参数，训练所述深度卷积神经网络。
输入参数存在单独或者共同影响功率半导体模块的使用寿命的现象，因此为了充分捕捉到输入参数的单独和共同影响，设置训练集的传播过程包含两条路径，第一条路径的训练数据集进行卷积、激活、池化后输入到全连接神经网络，相当于各个输入参数共同影响着功率半导体模块的使用寿命；第二条路径直接将训练数据集输入到全连接神经网络，相当于各个输入参数单独影响功率半导体模块的使用寿命。本发明考虑了输入参数的单独和共同影响，从而可以产生更准确的预测结果。
本发明中，更新深度卷积神经网络权值和偏差参数的具体实现过程包括：
将每M组训练数据作为一个最小批量，将所述训练数据集划分为N个最小批量；
对每个所述最小批量进行梯度更新，并均值化更新后的梯度；
基于均值化后的梯度，利用Adam算法更新深度卷积神经网络权值和偏差参数。
本发明将min-batch梯度下降法与Adam算法结合使用，有效的更新网络权值。一方面mini-batch梯度下降法加快网络训练速度，所需内存更少；另一方面， Adam算法通过对梯度进行指数加权平均来减小振荡对算法进行优化。
作为一个发明构思，本发明还提供了一种终端设备，其包括处理器和存储器；所述存储器存储有计算机程序/指令；所述处理器执行所述存储器存储的计算机程序/指令；所述计算机程序/指令被配置为实现本发明方法的步骤。
作为一个发明构思，本发明还提供了一种计算机存储介质，其上存储有计算机程序/指令；所述计算机程序/指令被处理器执行时实现本发明方法的步骤。
与现有技术相比，本发明所具有的有益效果为：
(1)本发明所提出的输入参数框架(影响因素集合)具有相当好的通用性，可适用于各种功率半导体模块完成寿命预测。
(2)本发明提出的寿命预测方法在算法层面，巧妙的将min-batch梯度下降法与Adam算法结合使用来有效地更新网络权值。一方面mini-batch梯度下降法加快网络训练速度，所需内存更少；另一方面，Adam算法通过对梯度进行指数加权平均来减小振荡对算法进行优化。
(3)本发明提出的命预测方法在预测对象层面，首次提出了针对功率循环条件下的功率半导体模块进行寿命预测。
(4)本发明提出的寿命预测方法，通过卷积和池化过程，捕捉到了特征参数的互相关，从而考虑到特征参数对使用寿命的单独和相互影响，产生了更准确的预测结果。
附图说明
图1是本发明实施例的方法流程图；
图2是深度卷积神经网络的输入参数框架；
图3是深度卷积神经网络的算法框架图；
图4是本发明的一个实施例的预测值与实际值对比图。
具体实施方式
结合图1，本发明实施例主要实施步骤为：
S1：确定在功率循环条件运行下的功率半导体器件的使用寿命受哪些参数的影响；
进一步地，所述步骤S1中确定在功率循环条件运行下的功率半导体器件的使用寿命受哪些参数的影响，具体的确定过程如下：
S101：模块内部不同层之间的热膨胀系数失配会导致焊料层在功率循环下受到交替的热机械应力和累积非弹性应变，非弹性应变会导致焊料中的裂纹萌生和扩展，最终导致模块失效；
S102：在最高结温停留时间内，焊料层会产生不随时间变化的塑性变形和随时间变化的蠕变变形，这两种非弹性应变会在每个功率循环中累积，当非弹性应变累积到一定程度时，焊料层会发生疲劳失效；
S103：冷却阶段会造成应力的急剧变化，这种急剧的应力变化为焊料互连中的疲劳裂纹的产生提供了条件。因此冷却时间、开通时间越长，应力发生开始变化的点越高，应力的变化量就越大，模块失效越快；
S104：焊料体积越大，在焊料材料中产生的弹性和非弹性应变就越大，从而导致加速退化。杨氏模量、泊松比分别反应固体材料抵抗形变能力、横向变形，因此二者也是材料形变的影响因素；
S105：热导率随着焊料层空隙的不断出现而不断降低，从而使热流传递效率降低。空隙使芯片中热量分布变的不均匀，导致芯片表面出现热点，进而引起结温升高。比热容是单位质量物体改变单位温度时吸收或放出的热量，焊料的质量密度越大，吸收同样的热量所升高的温度就越小；
S106：因此影响功率半导体模块的使用寿命的因素有：模块老化过程中的结温波动ΔTj，模块老化过程中的最高结温Tjmax，集电极注入电流Ic，电路开通时间ton、关断时间toff，芯片焊料层以及芯片的三维尺寸，芯片层、芯片焊料层、 DBC上铜层各层材料的质量密度、热膨胀系数、熔点、杨氏模量、泊松比、热导率以及比热容的值。
S2：根据步骤S1中确定的参数类型，搜集某种功率半导体模块的对应参数及使用寿命，作为训练数据集中的一组数据；
S3：重复步骤S2，收集100组数据作为训练数据集；
进一步地，其中一组训练数据(以英飞凌的FS150R12KT4 IGBT模块为例) 如表1所示。收集到的100组数据中80组数据用于训练，20组数据用于测试。
表1一组训练数据集示例
Figure BDA0003752497750000061
S4：根据步骤S2中搭建好的输入参数框架去完成某种功率半导体模块相应输入参数的收集来构建训练数据集中的一组数据；
S5：将训练数据直接输入到神经网络中并不合适，需要先对训练数据进行预处理，选择最小-最大缩放公式将参数缩放到预定义的[0.2，0.8]范围内：
Figure BDA0003752497750000071
S6：搭建深度卷积神经网络的框架；
进一步地，搭建深度卷积神经网络的框架具体步骤为：
S601：确定深度卷积神经网络的基本结构，包括：一个卷积神经网络模块并跟随一个全连接神经网络模块；
进一步地，所述步骤601中卷积神经网络模块包括一个卷积层、一个线性整流层、一个池化层，并跟随一个扁平单元；所述的深度神经网络模块包含一个输入层(316个神经元)，三个隐含层(分别为640、580、500个神经元)，一个输出层(一个神经元)。
S602：确定深度卷积神经网络的训练数据集传播路径。输入参数存在单独或者共同影响功率半导体模块的使用寿命的现象，因此为了充分捕捉到输入参数的单独和共同影响，设置训练集的传播过程包含两条路径，第一条路径的训练数据集进行卷积、激活、池化后输入到全连接神经网络，相当于各个输入参数共同影响着功率半导体模块的使用寿命；第二条路径直接将训练数据集输入到全连接神经网络，相当于各个输入参数单独影响功率半导体模块的使用寿命。这样考虑了输入参数的单独和共同影响，从而产生更准确的预测结果。搭建好的网络框架如图3所示。
S7：训练网络前的准备工作；
进一步地，准备工作由两部分构成，具体过程为：
S701：初始化网络权值，初始化动量；
所述初始化网络权值需要对卷积核数值WC、输入层与第一隐含层之间的权值W1、第一隐含层与第二隐含层之间的权值W2、第二隐含层与第三隐含层之间的权值W3、第三隐含层与输出层之间的权值Wo进行设置。WC设置为80*80的标准正态分布的矩阵；W1、W2、W3、Wo的初始化是基于均匀分布的Xavier初始化，从
Figure BDA0003752497750000072
中随机选取，有：
Figure BDA0003752497750000073
其中，nin为权值连接线所连接的当前层神经元的数量，nout为权值连接线所连接的当前层的后一层神经元的数量。
所述初始化动量，全部设置为相应维度的零矩阵即可。
S702：设置网络训练过程中的优化算法；
在本实施例中，设定更新网络权值和偏差参数时采用将Mini-Batch梯度下降法与Adam算法结合使用的方式来有效的更新网络权值。具体结合使用的过程为：
(1)首先，本发明实施例共收集到100组数据，利用其中的80组数据作为训练数据集。设置Mini-Batch＝4，即每4组数据为一个“最小批量”，共计分为了20组“最小批量”，每次更新参数时都只针对这一小部分样本进行计算；
(2)其次，对每一组“最小批量”进行梯度更新，梯度dw(dwC、dw1、dw2、 dw3、dwo)的更新公式为：
Figure BDA0003752497750000081
其中，delta_x、delta1、delta2、delta3、delta0分别代表卷积核、第一隐含层、第二隐含层、第三隐含层、输出层的反向传播误差；y1、y2、y3、x_flattened 分别代表第一隐含层、第二隐含层、第三隐含层、输出层处数据激活后的神经元节点输出值。
(3)由于Mini-Batch＝4，所以每一组“最小批量”会进行四次更新，根据(2) 中给出的梯度更新公式可以发现，每次梯度更新是一个累加的过程，因此需要对梯度进行均值化，即dw＝dw/(Mini-Batch)。
(4)使用Adam算法进行权值更新，权值更新公式为：
Figure BDA0003752497750000082
其中，α为学习率；β1、β2分别为梯度的一阶和二阶指数移动加权衰减率；t是更新的步数；Vdw、Sdw分别为梯度dw的一阶矩、二阶矩；Vd c w、Sd c w分别为Vdw、 Sdw的偏置矫正；ε是非常小的数，为了防止分母为零。
在本实施例中，设置：α＝0.01,β1＝0.935,β2＝0.999,ε＝10-8。S8：利用处理好的训练数据集对所提出的深度卷积神经网络进行重复训练；
在本实施例中，我们设置进行10次重复训练，详细训练步骤包括：数据关联、数据扁平化、全连接神经网络的数据传递、误差反向传播、权值更新五个步骤；进一步地，训练深度卷积神经网络的具体过程为：
S801：所述数据关联包括卷积过程、数据激活、下采样(池化)三个过程；
(1)卷积过程
卷积过程是卷积核与输入参数的二维图像做卷积运算，即卷积核滑动到输入参数的二维图像上所有位置，并在每个位置上使二维图像的像素点与卷积核像素点做内积的过程。在本实施例中设定卷积核的大小为：3*3*80，即卷积核共有 80通道数个由3*3的像素点构成的二维图像；设定输入参数的二维图像的大小为8行4列；滑动步长为1。计算公式为：
Figure BDA0003752497750000091
c＝3,r＝3,i＝1,2,…,6,j＝1,2
其中，WC为卷积核矩阵，x为输入参数的二维图像矩阵。
需要说明的是：
1、局部连接：在本实施例卷积过程中，神经元在空间维度是局部连接(即卷积核的每个神经元只与输入神经元的一部分区域连接)，但在深度上是全部连接(即每一通道的神经元都与输入神经元做了连接)。对于二维图像本身而言，也是局部像素关联较强。这种局部连接保证了学习后的卷积核能够对于局部的输入特征有最强的响应。
2、权重共享：在进行卷积运算时采用的卷积核是共享的，都为WC，这样可以很大程度上减少参数。卷积层的局部连接和权重共享使得需要学习的参数大大减小，这样也有利于训练大规模卷积神经网络。
(2)数据激活
数据激活是把卷积过程的输出结果做非线性映射。在实施例中选择采用非饱和线性单元—ReLU函数，相应的计算公式为：
Figure BDA0003752497750000101
ReLU函数加速了网络训练的速度，降低了计算的复杂度，对各种干扰更加具有鲁棒性，并且在一定程度上避免了梯度消失问题。
(3)下采样
下采样的主要作用是通过减少参数的规模来减小计算量，并且能够在一定程度上控制过拟合，在本实施例中采用的是均值池化，即取四个点的平均值，对应的计算公式为：
Figure BDA0003752497750000102
S902：数据扁平化；
在本实施例中输入参数矩阵通过深度卷积网络的第一条路径的卷积计算、数据激活、下采样(池化)之后输出的是一个80通道数的3*1的矩阵；输入参数矩阵通过深度卷积网络的第二条路径直接输入到全连接神经网络中去。而全连接神经网络的输入要求是一个向量，因此二者都需要进行数据的维度处理，即展平为一个向量之后输入到全连接神经网络中去。
S903：全连接神经网络的数据传递；
S904：误差反向传播；
所述误差反向传播中，损失函数为平方和误差函数，相对应的公式为：
Figure BDA0003752497750000103
S905：权值更新；
S10：训练完成之后，需要对训练结果进行精度检验，利用剩下的20组数据作为测试集，输入到训练好的网络中，输出相应的预测结果；
采用相关系数和均方根误差来对预测效果进行评估，相关系数r与均方根误差RMSE的表达式分别为：
Figure BDA0003752497750000111
其中，
Figure BDA0003752497750000112
yi、
Figure BDA0003752497750000113
分别为预测值、实际值和实际值的平均值；r的值位于[0 1]之间，r为1时表示完美拟合。
S11：判断是否进行精度改进，当r＞0.95时，本发明实施例训练好的网络可以对某一工况下的功率半导体模块的使用寿命实现精准预测，则不需要进行精度改进；反之，需要对算法进行改进，可以考虑从网络结构、权值更新算法等方面入手。图4给出了本发明实施例的方法的预测结果与实际值的对比图，本次测试结果的相关系数r＝0.99，说明本发明实施例的方法在一定程度上实现了完美预测。
另外需要说明的是，本发明实施例提出的方法具有通用性，即在将网络训练好之后可以实现对任一工况下的功率半导体模块进行寿命预测，只需要确定工况参数、材料参数、尺寸参数即可。
以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明范围所作的均等变化与改进等，均应仍归属于本专利涵盖范围之内。在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落入本申请所附权利要求所限定的范围。在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

Claims (10)

1.一种功率半导体模块的寿命预测方法，其特征在于，包括以下步骤：
确定在功率循环条件运行下的功率半导体器件的使用寿命影响因素；所述影响因素包括：功率半导体器件老化过程中的结温波动ΔTj，功率半导体器件老化过程中的最高结温Tjmax，集电极注入电流Ic，电路开通时间ton、关断时间toff，芯片焊料层以及芯片的三维尺寸，芯片层、芯片焊料层、DBC上铜层的质量密度、热膨胀系数、熔点、杨氏模量、泊松比、热导率以及比热容的值；
由所述影响因素构建训练数据集，并对训练数据集中的数据进行规范化处理，利用规划化处理后的训练数据集训练深度卷积神经网络，得到寿命预测模型；优选地，还包括：
获取测试数据集，利用所述测试数据集测试所述寿命预测模型。
2.根据权利要求1所述的功率半导体模块的寿命预测方法，其特征在于，对训练数据集中的数据进行规范化处理的具体实现过程包括：将所述训练数据集中的数据转化为由像素点构成的二维图像，并对二维图像进行规范化处理。
3.根据权利要求3所述的功率半导体模块的寿命预测方法，其特征在于，所述规范化处理的公式为：
Figure FDA0003752497740000011
[a,b]为设定的范围，a、b均为常数，且b＞a，x为二维图像的像素值，xnew为规范化处理后的像素值。
4.根据权利要求1所述的功率半导体模块的寿命预测方法，其特征在于，所述深度卷积神经网络包括卷积神经网络模块和全连接神经网络模块，所述卷积神经网络模块输出层连接全连接神经网络模块输入层。
5.根据权利要求4所述的功率半导体模块的寿命预测方法，其特征在于，所述卷积神经网络模块包括依次连接的卷积层、线性整流层、池化层、扁平单元。
6.根据权利要求4所述的功率半导体模块的寿命预测方法，其特征在于，所述全连接神经网络模块包括依次连接的输入层、三个串联的隐含层、输出层。
7.根据权利要求4～6之一所述的功率半导体模块的寿命预测方法，其特征在于，利用规划化处理后的训练数据集训练深度卷积神经网络的过程包括：将规范化处理后的训练数据集作为所述卷积神经网络模块和所述全连接神经网络模块的输入，更新深度卷积神经网络权值和偏差参数，训练所述深度卷积神经网络。
8.根据权利要求7所述的功率半导体模块的寿命预测方法，其特征在于，更新深度卷积神经网络权值和偏差参数的具体实现过程包括：
将每M组训练数据作为一个最小批量，将所述训练数据集划分为N个最小批量；
对每个所述最小批量进行梯度更新，并均值化更新后的梯度；
基于均值化后的梯度，利用Adam算法更新深度卷积神经网络权值和偏差参数。
9.一种终端设备，其特征在于，包括处理器和存储器；所述存储器存储有计算机程序/指令；所述处理器执行所述存储器存储的计算机程序/指令；所述计算机程序/指令被配置为实现权利要求1～8之一所述方法的步骤。
10.一种计算机存储介质，其上存储有计算机程序/指令；其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1～8之一所述方法的步骤。
CN202210845323.5A 2022-07-19 2022-07-19 功率半导体模块的寿命预测方法、终端设备及存储介质 Pending CN115186592A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210845323.5A CN115186592A (zh) 2022-07-19 2022-07-19 功率半导体模块的寿命预测方法、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210845323.5A CN115186592A (zh) 2022-07-19 2022-07-19 功率半导体模块的寿命预测方法、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN115186592A true CN115186592A (zh) 2022-10-14

Family

ID=83518605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210845323.5A Pending CN115186592A (zh) 2022-07-19 2022-07-19 功率半导体模块的寿命预测方法、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN115186592A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522833A (zh) * 2023-06-26 2023-08-01 湖南大学 载流子电路建模方法、设备及存储介质
CN116738804A (zh) * 2023-08-16 2023-09-12 湖南大学 一种基于失效物理的功率模块寿命预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522833A (zh) * 2023-06-26 2023-08-01 湖南大学 载流子电路建模方法、设备及存储介质
CN116522833B (zh) * 2023-06-26 2023-11-17 湖南大学 载流子电路建模方法、设备及存储介质
CN116738804A (zh) * 2023-08-16 2023-09-12 湖南大学 一种基于失效物理的功率模块寿命预测方法
CN116738804B (zh) * 2023-08-16 2023-11-03 湖南大学 一种基于失效物理的功率模块寿命预测方法

Similar Documents

Publication Publication Date Title
CN115186592A (zh) 功率半导体模块的寿命预测方法、终端设备及存储介质
Yuan et al. Parameter extraction of solar cell models using chaotic asexual reproduction optimization
CN100568249C (zh) 用基本原理仿真辅助半导体制造过程的系统和方法
CN110222828B (zh) 一种基于混合深度神经网络的非定常流场预测方法
CN109347668A (zh) 一种服务质量评估模型的训练方法及装置
CN108683560A (zh) 一种大数据流处理框架的性能基准测试系统及方法
CN110543932A (zh) 基于神经网络的空调性能预测方法和装置
Lauzon-Gauthier et al. The Sequential Multi-block PLS algorithm (SMB-PLS): Comparison of performance and interpretability
CN113591215A (zh) 基于不确定性的异常卫星组件布局检测方法
CN111162537B (zh) 基于组合Copula函数的拉丁超立方抽样法概率潮流计算方法
CN110362902B (zh) 一种基于区间逐维分析的单源动载荷识别方法
CN109447512B (zh) 基于均匀设计的大电网可靠性评估方法
CN114169128A (zh) 一种基于Bayes分析的可靠性强化试验定量评估方法
CN115659790B (zh) 一种动力电池包的温度实时检测方法
CN108226218A (zh) 一种电子器件的热阻测量方法和系统
CN116050261A (zh) 油浸式变压器热点温度预测方法、系统、设备和存储介质
CN113849901B (zh) 针对接触换热系数辨识的改进自适应优化方法及系统
CN111210877B (zh) 一种推断物性参数的方法及装置
CN114266178A (zh) 一种功率器件健康状态评估方法和系统
CN111950772A (zh) 一种基于多信息感知的时间序列在线预测方法
CN112926259A (zh) 一种基于rbf神经网络模型预测半导体器件结温的方法
Liu et al. Temperature and current density prediction in solder joints using artificial neural network method
CN117685246B (zh) 用于高温磁力鼓风机的温度调节方法及系统
Li et al. Performance analysis and optimization of queueing network production systems considering non-conforming products rework and departure
CN113552438B (zh) 一种变压器负载能力的预测方法

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