CN115291074A - 一种igbt芯片焊料层故障的在线监测方法 - Google Patents

一种igbt芯片焊料层故障的在线监测方法 Download PDF

Info

Publication number
CN115291074A
CN115291074A CN202210973862.7A CN202210973862A CN115291074A CN 115291074 A CN115291074 A CN 115291074A CN 202210973862 A CN202210973862 A CN 202210973862A CN 115291074 A CN115291074 A CN 115291074A
Authority
CN
China
Prior art keywords
fault
layer
model
solder layer
chip
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
CN202210973862.7A
Other languages
English (en)
Inventor
张宇娇
黄明
黄雄峰
陈志伟
智李
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.)
Hefei University of Technology
China Three Gorges University CTGU
Original Assignee
Hefei University of Technology
China Three Gorges University CTGU
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 Hefei University of Technology, China Three Gorges University CTGU filed Critical Hefei University of Technology
Priority to CN202210973862.7A priority Critical patent/CN115291074A/zh
Publication of CN115291074A publication Critical patent/CN115291074A/zh
Pending legal-status Critical Current

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
    • G01R31/26—Testing of individual semiconductor devices
    • G01R31/2607—Circuits therefor
    • G01R31/2608—Circuits therefor for testing bipolar transistors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
    • G01N27/416—Systems
    • G01N27/4161—Systems measuring the voltage and using a constant current supply, e.g. chronopotentiometry
    • 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
    • G01R31/2607—Circuits therefor
    • G01R31/2608—Circuits therefor for testing bipolar transistors
    • G01R31/2619—Circuits therefor for testing bipolar transistors for measuring thermal properties thereof
    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Analytical Chemistry (AREA)
  • Computing Systems (AREA)
  • Immunology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Electrochemistry (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)

Abstract

一种IGBT芯片焊料层故障的在线监测方法，先建立IGBT模块三维仿真模型，然后根据芯片焊接层的故障类型以及严重程度对三维仿真模型进行故障模拟，随后通过仿真计算得到IGBT模块的健康因子，健康因子包括IGBT模块最大温度、最小温度、集电极与发射极的压降差，汇总在不同故障类型和故障严重程度下得到的健康因子，建立健康因子‑故障类型‑故障严重程度三维数据集，通过分类算法建立故障分类诊断模型、通过拟合算法建立故障严重程度评估模型，最后代入实测的IGBT模块健康因子得到实际故障类型和故障严重程度。本方法能够对IGBT芯片焊接层故障进行故障分类以及对故障程度进行评估。

Description

一种IGBT芯片焊料层故障的在线监测方法
技术领域
本发明属于半导体器件技术领域，具体涉及一种IGBT芯片焊料层故障的在线监测方法。
背景技术
绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor，简称IGBT)以其输入阻抗高、控制电路简单、载流密度大、开关速度快、饱和压降低等优点，已成为了现代电力电子领域的代表性器件。由于IGBT模块的载流密度和电压水平正在不断的提高以及IGBT模块各层材料的热膨胀系数不同，加之不可避免的工艺缺陷，长期工作后IGBT模块的焊料层易产生不同程度的空洞、裂纹、脱落等热问题，严重影响IGBT的工作可靠性和整体寿命。
IGBT芯片焊接层故障分类和故障程度诊断问题的难点在于IGBT模块是封装不透明结构，且IGBT的工作环境大多比较复杂，不允许随便中止工作拆卸检查，因此如何在不影响IGBT正常工作、不拆开IGBT封装结构的前提下，对IGBT的焊接层进行故障分类及故障程度进行评估显得尤为重要。
发明内容
本发明的目的是克服现有技术存在的上述问题，提供一种能够实现故障分类及故障程度评估的IGBT芯片焊料层故障的在线监测方法。
为实现以上目的，本发明提供了以下技术方案：
一种IGBT芯片焊料层故障的在线监测方法，所述在线监测方法依次按照以下步骤进行：
S1、建立IGBT模块的三维仿真模型；
S2、先根据芯片焊接层的故障类型以及故障严重程度对三维仿真模型进行故障模拟，再对经故障模拟后的三维仿真模型进行条件加载，通过电磁场-温度场耦合计算得到IGBT模块的健康因子；
其中，所述故障类型为芯片焊接层出现空洞、裂纹或脱落，所述故障严重程度为空洞率、裂纹率或脱落度，所述健康因子包括IGBT模块的最大温度、最小温度、集电极与发射极的压降差；
S3、先汇总芯片焊接层处于不同故障类型和故障严重程度下的健康因子，并建立健康因子-故障类型-故障严重程度三维数据集，然后根据该三维数据集通过分类算法建立故障分类诊断模型、通过拟合算法建立故障严重程度评估模型；
S4、将由实时采集得到的IGBT模块健康因子代入到故障分类诊断模型和故障严重程度评估模型中，得到IGBT模块焊料层的实际故障类型和实际故障严重程度。
步骤S3中，在分类算法中以三维数据集中的健康因子作为输入数据、故障类型作为输出数据，建立IGBT芯片焊接层的故障分类诊断模型，在拟合算法中以三维数据集中的健康因子作为输入数据、故障严重程度作为输出数据进行数据拟合，建立IGBT芯片焊接层的故障严重程度评估模型。
步骤S2中，所述电磁场-温度场耦合计算步骤具体为：先计算得到IGBT模块工作稳定时温升分布和电势分布，再根据温升分布和电势分布得到IGBT模块的最大温度、最小温度、集电极与发射极的压降差，其中，所述温升分布和电势分布根据以下公式计算得到：
Figure BDA0003797381660000021
Figure BDA0003797381660000022
Figure BDA0003797381660000023
Figure BDA0003797381660000024
Figure BDA0003797381660000025
Figure BDA0003797381660000026
q0＝h(Text-T)；
上式中，
Figure BDA0003797381660000027
为散度算子，
Figure BDA0003797381660000028
为电流密度，Qj，v为自由电荷，σ为介电常数，
Figure BDA0003797381660000029
为电场，j为电流密度，ω为角速度，
Figure BDA00037973816600000210
为电位移场，
Figure BDA00037973816600000211
为外部电流，V为电势分布，
Figure BDA00037973816600000212
为热流密度，k为导热系数，
Figure BDA00037973816600000213
为温度分布，ρ为密度，Cp为恒压热容，
Figure BDA0003797381660000031
为三维仿真模型部分在物质框架内运动时由平移运动子节点定义的速度场，Q为热流，n为法面向量，q0为边界热通量，h为传热系数，Text为内部温度，T为外部温度。
步骤S2中，先在三维仿真模型的芯片焊料层中部开设圆柱形空洞，以模拟芯片焊料层出现空洞故障，然后令圆柱形空洞高度与芯片焊料层厚度相等，逐渐增大圆柱形空洞的半径从而逐渐增大空洞率，以模拟空洞故障程度逐渐增大，直至三维仿真模型中器件最高温度超过最高规定温度，所述空洞率的表达式为：
空洞率＝圆柱形空洞的上表面积/芯片焊料层未出现空洞时的上表面积。
步骤S2中，先通过在三维仿真模型中部开设长方体形空洞，以模拟芯片焊料层出现裂纹故障，然后令长方体形空洞的宽度与芯片焊料层宽度相等、高度为芯片焊料层厚度的0.1-0.3倍，逐渐增大长方体形空洞的长度从而逐渐增大裂纹率，以模拟裂纹故障程度逐渐增大，直至三维仿真模型中器件最高温度超过最高规定温度，所述裂纹率的表达式为：
裂纹率＝长方体形空洞的长度/芯片焊料层未出现裂纹时的长度。
步骤S2中，先在三维仿真模型的芯片焊料层中部设置圆柱体，并以该圆柱体部分作为芯片焊接层发生脱落故障后的脱落剩余部分，然后令圆柱体的高度与芯片焊料层厚度相等，通过逐渐减小圆柱体的半径从而逐渐增大脱落度，以模拟脱落故障程度逐渐增大，直至三维仿真模型中器件最高温度超过最高规定温度，所述脱落度的表达式为：
脱落度＝(芯片焊料层未出现脱落时的上表面积-脱落剩余部分的上表面积)/芯片焊料层未出现脱落时的上表面积。
所述分类算法为BP神经网络，采用BP神经网络建立故障分类诊断模型的过程为：先搭建三层神经网络拓扑模型，所述三层神经网络拓扑模型中的输入层、隐含层、输出层各设置为一层，所述输出层节点数设置为3、输出层节点数设置为1、隐藏层节点设置为3，然后将三维数据集划分为训练集和测试集，通过数据训练和测试以及不断调整训练集和测试集划分比例以获得诊断精度最高的BP神经网络模型，该BP神经网络模型即为故障分类诊断模型。
所述拟合算法为MATLAB中的FITNET函数拟合神经网络，采用FITNET函数拟合神经网络建立故障严重程度评估模型的过程为：先搭建四层神经网络拓扑结构模型，所述神经网络拓扑模型中输入层、隐含层、输出层各设置为一层、两层、一层，所述两层隐藏层节点数分别为20、10，然后将三维数据集中的数据乱序排列后按8:2比例划分为训练集和测试集，通过数据训练和测试得到FITNET函数拟合神经网络模型，该FITNET函数拟合神经网络模型即为故障严重程度评估模型。
所述步骤一具体为：先对IGBT模块进行简化，再在COMSOL Multiphysics仿真软件中根据简化后IGBT模块的尺寸和制作材料建立IGBT模块的三维仿真模型。
所述简化步骤为：选取IGBT模块中的一个IGBT单元作为仿真建模对象，仿真建模时忽略散发热量极小的反并联二极管、IGBT模块栅极、驱动器流经栅极、栅极键合线。
与现有技术相比，本发明的有益效果为：
本发明一种IGBT芯片焊料层故障的在线监测方法中，先建立IGBT模块的三维仿真模型，然后根据芯片焊接层的故障类型以及故障严重程度对三维仿真模型进行故障模拟，对经故障模拟后的三维仿真模型进行条件加载，通过电磁场-温度场耦合计算得到IGBT模块的健康因子，随后汇总芯片焊接层处于不同故障类型和故障严重程度下的健康因子，并建立健康因子-故障类型-故障严重程度三维数据集，根据该三维数据集通过分类算法建立故障分类诊断模型、通过拟合算法建立故障严重程度评估模型，将由实时采集得到的IGBT模块健康因子代入到故障分类诊断模型和故障严重程度评估模型中，得到IGBT模块焊料层的实际故障类型和实际故障严重程度，故障类型为芯片焊接层出现空洞、裂纹或脱落，故障严重程度为空洞率、裂纹率或脱落度，健康因子包括IGBT模块的最大温度、最小温度、集电极与发射极的压降差，该方法针对IGBT模块中由于热问题极易发生的芯片焊接层疲劳故障，先通过电热耦合有限元数据分析得到IGBT模块中芯片焊接层发生不同类型、不同程度的故障时的健康因子，然后采用分类算法解析芯片焊接层的不同故障类型与健康因子的映射关系，以及采用拟合算法解析芯片焊接层的不同故障程度与健康因子的映射关系，最后将实际采集的健康因子代入映射关系中，达到对IGBT芯片焊接层故障进行故障分类和对芯片焊接层故障程度进行评估的目的，从而实现对IGBT模块健康状态的在线监测，及时更换故障严重的IGBT模块，避免因IGBT模块故障停工对整个系统造成重大损失。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步的说明。
参见图1，一种IGBT芯片焊料层故障的在线监测方法的具体实施步骤如下：
S1、建立IGBT模块的三维仿真模型
选取换流阀常用的IGBT模块(型号为5SNA0800N330100)中的一个IGBT单元作为仿真建模对象，根据瑞士ABB公司给出的该型号IGBT模块的尺寸和制作材料在COMSOLMultiphysics仿真软件中建立该型号IGBT模块的三维仿真模型，仿真建模时忽略散发热量极小的反并联二极管、IGBT模块栅极、驱动器流经栅极、栅极键合线；
S2、故障模拟
根据芯片焊接层的故障类型以及故障严重程度对由步骤S1得到的三维仿真模型进行故障模拟，所述故障类型为空洞、裂纹或脱落；
其中，模拟空洞故障的具体过程为：在三维仿真模型的芯片焊料层中部挖去一个圆柱形空洞，该圆柱形空洞的高度与芯片焊料层的厚度相等(该型号IGBT模块芯片焊料层厚度为0.1mm)，用于模拟芯片焊料层出现空洞故障，逐渐增大圆柱形空洞的半径，用于模拟空洞故障程度逐渐严重，直至三维仿真模型中器件最高温度超过最高安全运行温度(该型号IGBT模块最高安全运行温度为150℃)，所述空洞率的表达式为：空洞率＝圆柱形空洞的上表面积/芯片焊料层未出现空洞时的上表面积，空洞率越大表示空洞故障越严重；
模拟裂纹故障的具体过程为：在三维仿真模型中部挖出一个长方体形空洞，用于模拟芯片焊料层出现裂纹故障，该长方体形空洞的宽度与芯片焊料层的宽度相等(该型号IGBT模块芯片焊料层宽度为14mm)、高度为芯片焊料层厚度的0.2倍，逐渐增大长方体形空洞的长度，用于模拟裂纹故障程度逐渐严重，直至三维仿真模型中器件最高温度超过最高安全运行温度，所述裂纹率的表达式为：裂纹率＝长方体形空洞的长度/芯片焊料层未出现裂纹时的长度，裂纹率越大表示表示裂纹故障越严重；
模拟脱落故障的具体过程为：在三维仿真模型的芯片焊料层中部设置圆柱体，该圆柱体的高度与芯片焊料层厚度相等，用于模拟芯片焊接层发生脱落故障后的脱落剩余部分，逐渐减小圆柱体的半径，用于模拟脱落故障程度逐渐严重，直至三维仿真模型中器件最高温度超过最高规定温度，所述脱落度的表达式为：脱落度＝(芯片焊料层未出现脱落时的上表面积-脱落剩余部分的上表面积)/芯片焊料层未出现脱落时的上表面积，脱落度越大表示脱落故障越严重；
S3、对芯片焊接层处于不同故障类型及故障程度下的健康因子进行仿真计算
先根据实际工况对经故障模拟的三维仿真模型进行仿真条件加载，然后通过电磁场-温度场耦合计算得到IGBT模块的健康因子，所述健康因子包括IGBT模块工作稳定时的最大温度、最小温度、集电极与发射极的压降差，所述电磁场-温度场耦合计算步骤具体为：先计算得到IGBT模块工作稳定时温升分布和电势分布，再根据温升分布和电势分布得到IGBT模块的最大温度、最小温度、集电极与发射极的压降差，其中，所述温升分布和电势分布根据以下电热耦合公式计算得到：
Figure BDA0003797381660000061
Figure BDA0003797381660000062
Figure BDA0003797381660000063
Figure BDA0003797381660000064
Figure BDA0003797381660000065
Figure BDA0003797381660000066
q0＝h(Text-T)；
上式中，
Figure BDA0003797381660000067
为散度算子，
Figure BDA0003797381660000068
为电流密度，Qj，v为自由电荷，σ为介电常数，
Figure BDA0003797381660000069
为电场，j为电流密度，ω为角速度，
Figure BDA00037973816600000610
为电位移场，
Figure BDA00037973816600000611
为外部电流，V为电势分布，
Figure BDA00037973816600000612
为热流密度，k为导热系数，
Figure BDA00037973816600000613
为温度分布，ρ为密度，Cp为恒压热容，
Figure BDA00037973816600000614
为三维仿真模型部分在物质框架内运动时由平移运动子节点定义的速度场，Q为热流，n为法面向量，q0为边界热通量，h为传热系数，Text为内部温度，T为外部温度；
S4、先汇总芯片焊接层处于不同故障类型和故障程度下的健康因子，并建立健康因子-故障类型-故障严重程度三维数据集，然后在BP神经网络中以三维数据集中的健康因子作为输入数据、故障类型作为输出数据，建立IGBT芯片焊接层的故障分类诊断模型，并在MATLAB的FITNET函数拟合神经网络中以三维数据集中的健康因子作为输入数据、故障严重程度作为输出数据进行数据拟合，建立IGBT芯片焊接层的故障严重程度评估模型；
其中，采用BP神经网络建立故障分类诊断模型的具体过程为：先搭建三层神经网络拓扑模型，所述三层神经网络拓扑模型中的输入层、隐含层、输出层各设置为一层，所述输出层节点数设置为3、输出层节点数设置为1、隐藏层节点设置为3，然后将三维数据集划分为训练集和测试集，通过数据训练和测试以及不断调整训练集和测试集划分比例以获得诊断精度最高的BP神经网络模型，该BP神经网络模型即为故障分类诊断模型；
采用FITNET函数拟合神经网络建立故障严重程度评估模型的具体过程为：先搭建四层神经网络拓扑结构模型，所述神经网络拓扑模型中输入层、隐含层、输出层各设置为一层、两层、一层，所述两层隐藏层节点数分别为20、10，然后将三维数据集中的数据乱序排列后按8:2比例划分为训练集和测试集，通过数据训练和测试得到FITNET函数拟合神经网络模型，该FITNET函数拟合神经网络模型即为故障严重程度评估模型；
S5、随机抽取34个同型号IGBT模块作为测试例，先通过温度传感器实时采集得到测试例工作稳定时的最大温度和最小温度，通过实时监测得到测试例的集电极与发射极两端压降差，将最大温度、最小温度、集电极与发射极两端压降差作为34个测试例的健康因子，然后将这34个测试例的健康因子分别代入到由步骤S4得到的故障分类诊断模型和故障严重程度评估模型中进行评估，评估结果为有15个测试例存在芯片焊接层故障，评估结果见表1，剩余19个测试例推测存在其他故障或者为健康状态：
表1 15个测试例中芯片焊接层故障类型和故障程度
Figure BDA0003797381660000071
Figure BDA0003797381660000081
由表1可见，本发明所述的IGBT芯片焊料层故障的在线监测方法能够对IGBT模块芯片焊接层的故障类型进行准确分类以及对芯片焊接层的故障程度进行评估。

Claims (10)

1.一种IGBT芯片焊料层故障的在线监测方法，其特征在于：
所述在线监测方法依次按照以下步骤进行：
S1、建立IGBT模块的三维仿真模型；
S2、先根据芯片焊接层的故障类型以及故障严重程度对三维仿真模型进行故障模拟，再对经故障模拟后的三维仿真模型进行条件加载，通过电磁场-温度场耦合计算得到IGBT模块的健康因子；
其中，所述故障类型为芯片焊接层出现空洞、裂纹或脱落，所述故障严重程度为空洞率、裂纹率或脱落度，所述健康因子包括IGBT模块的最大温度、最小温度、集电极与发射极的压降差；
S3、先汇总芯片焊接层处于不同故障类型和故障严重程度下的健康因子，并建立健康因子-故障类型-故障严重程度三维数据集，然后根据该三维数据集通过分类算法建立故障分类诊断模型、通过拟合算法建立故障严重程度评估模型；
S4、将由实时采集得到的IGBT模块健康因子代入到故障分类诊断模型和故障严重程度评估模型中，得到IGBT模块焊料层的实际故障类型和实际故障严重程度。
2.根据权利要求1所述的一种IGBT芯片焊料层故障的在线监测方法，其特征在于：
步骤S3中，在分类算法中以三维数据集中的健康因子作为输入数据、故障类型作为输出数据，建立IGBT芯片焊接层的故障分类诊断模型，在拟合算法中以三维数据集中的健康因子作为输入数据、故障严重程度作为输出数据进行数据拟合，建立IGBT芯片焊接层的故障严重程度评估模型。
3.根据权利要求1或2所述的一种IGBT芯片焊料层故障的在线监测方法，其特征在于：
步骤S2中，所述电磁场-温度场耦合计算步骤具体为：先计算得到IGBT模块工作稳定时温升分布和电势分布，再根据温升分布和电势分布得到IGBT模块的最大温度、最小温度、集电极与发射极的压降差，其中，所述温升分布和电势分布根据以下公式计算得到：
Figure FDA0003797381650000021
Figure FDA0003797381650000022
Figure FDA0003797381650000023
Figure FDA0003797381650000024
Figure FDA0003797381650000025
Figure FDA0003797381650000026
q0＝h(Text-T)；
上式中，
Figure FDA0003797381650000027
为散度算子，
Figure FDA0003797381650000028
为电流密度，Qj，v为自由电荷，σ为介电常数，
Figure FDA0003797381650000029
为电场，j为电流密度，ω为角速度，
Figure FDA00037973816500000210
为电位移场，
Figure FDA00037973816500000211
为外部电流，V为电势分布，
Figure FDA00037973816500000212
为热流密度，k为导热系数，
Figure FDA00037973816500000213
为温度分布，ρ为密度，Cp为恒压热容，
Figure FDA00037973816500000214
为三维仿真模型部分在物质框架内运动时由平移运动子节点定义的速度场，Q为热流，n为法面向量，q0为边界热通量，h为传热系数，Text为内部温度，T为外部温度。
4.根据权利要求1或2所述的一种IGBT芯片焊料层故障的在线监测方法，其特征在于：
步骤S2中，先在三维仿真模型的芯片焊料层中部开设圆柱形空洞，以模拟芯片焊料层出现空洞故障，然后令圆柱形空洞高度与芯片焊料层厚度相等，逐渐增大圆柱形空洞的半径从而逐渐增大空洞率，以模拟空洞故障程度逐渐增大，直至三维仿真模型中器件最高温度超过最高规定温度，所述空洞率的表达式为：
空洞率＝圆柱形空洞的上表面积/芯片焊料层未出现空洞时的上表面积。
5.根据权利要求1或2所述的一种IGBT芯片焊料层故障的在线监测方法，其特征在于：
步骤S2中，先通过在三维仿真模型中部开设长方体形空洞，以模拟芯片焊料层出现裂纹故障，然后令长方体形空洞的宽度与芯片焊料层宽度相等、高度为芯片焊料层厚度的0.1-0.3倍，逐渐增大长方体形空洞的长度从而逐渐增大裂纹率，以模拟裂纹故障程度逐渐增大，直至三维仿真模型中器件最高温度超过最高规定温度，所述裂纹率的表达式为：
裂纹率＝长方体形空洞的长度/芯片焊料层未出现裂纹时的长度。
6.根据权利要求1或2所述的一种IGBT芯片焊料层故障的在线监测方法，其特征在于：
步骤S2中，先在三维仿真模型的芯片焊料层中部设置圆柱体，并以该圆柱体部分作为芯片焊接层发生脱落故障后的脱落剩余部分，然后令圆柱体的高度与芯片焊料层厚度相等，通过逐渐减小圆柱体的半径从而逐渐增大脱落度，以模拟脱落故障程度逐渐增大，直至三维仿真模型中器件最高温度超过最高规定温度，所述脱落度的表达式为：
脱落度＝(芯片焊料层未出现脱落时的上表面积-脱落剩余部分的上表面积)/芯片焊料层未出现脱落时的上表面积。
7.根据权利要求2所述的一种IGBT芯片焊料层故障的在线监测方法，其特征在于：
所述分类算法为BP神经网络，采用BP神经网络建立故障分类诊断模型的过程为：先搭建三层神经网络拓扑模型，所述三层神经网络拓扑模型中的输入层、隐含层、输出层各设置为一层，所述输出层节点数设置为3、输出层节点数设置为1、隐藏层节点设置为3，然后将三维数据集划分为训练集和测试集，通过数据训练和测试以及不断调整训练集和测试集划分比例以获得诊断精度最高的BP神经网络模型，该BP神经网络模型即为故障分类诊断模型。
8.根据权利要求2所述的一种IGBT芯片焊料层故障的在线监测方法，其特征在于：
所述拟合算法为MATLAB中的FITNET函数拟合神经网络，采用FITNET函数拟合神经网络建立故障严重程度评估模型的过程为：先搭建四层神经网络拓扑结构模型，所述神经网络拓扑模型中输入层、隐含层、输出层各设置为一层、两层、一层，所述两层隐藏层节点数分别为20、10，然后将三维数据集中的数据乱序排列后按8:2比例划分为训练集和测试集，通过数据训练和测试得到FITNET函数拟合神经网络模型，该FITNET函数拟合神经网络模型即为故障严重程度评估模型。
9.根据权利要求1或2所述的一种IGBT芯片焊料层故障的在线监测方法，其特征在于：
所述步骤一具体为：先对IGBT模块进行简化，再在COMSOL Multiphysics仿真软件中根据简化后IGBT模块的尺寸和制作材料建立IGBT模块的三维仿真模型。
10.根据权利要求9所述的一种IGBT芯片焊料层故障的在线监测方法，其特征在于：
所述简化步骤为：选取IGBT模块中的一个IGBT单元作为仿真建模对象，仿真建模时忽略散发热量极小的反并联二极管、IGBT模块栅极、驱动器流经栅极、栅极键合线。
CN202210973862.7A 2022-08-15 2022-08-15 一种igbt芯片焊料层故障的在线监测方法 Pending CN115291074A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210973862.7A CN115291074A (zh) 2022-08-15 2022-08-15 一种igbt芯片焊料层故障的在线监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210973862.7A CN115291074A (zh) 2022-08-15 2022-08-15 一种igbt芯片焊料层故障的在线监测方法

Publications (1)

Publication Number Publication Date
CN115291074A true CN115291074A (zh) 2022-11-04

Family

ID=83830310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210973862.7A Pending CN115291074A (zh) 2022-08-15 2022-08-15 一种igbt芯片焊料层故障的在线监测方法

Country Status (1)

Country Link
CN (1) CN115291074A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116933608A (zh) * 2023-09-15 2023-10-24 深圳市正和兴电子有限公司 一种存储类芯片的管理方法、系统及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116933608A (zh) * 2023-09-15 2023-10-24 深圳市正和兴电子有限公司 一种存储类芯片的管理方法、系统及存储介质
CN116933608B (zh) * 2023-09-15 2023-12-22 深圳市正和兴电子有限公司 一种存储类芯片的管理方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN110221189B (zh) 一种igbt模块键合线在线状态监测的方法
CN105486992B (zh) 一种绝缘栅双极型晶体管的在线健康管理装置和方法
Li et al. An improved thermal network model of the IGBT module for wind power converters considering the effects of base-plate solder fatigue
CN112906333B (zh) 计及老化的光伏逆变器igbt结温在线修正方法及系统
CN104217061A (zh) 低压配电柜的温度场仿真设计方法
CN110502777A (zh) 基于神经网络预测的igbt模块状态检测系统及方法
CN105242189A (zh) 基于集射极饱和压降与焊料层空洞率的igbt健康状态监测方法
WO2013102282A1 (zh) 一种航空参数处理设备电源模块的fmis方法
CN113033032B (zh) 热循环条件下功率半导体器件焊料疲劳裂纹扩展仿真方法
CN115291074A (zh) 一种igbt芯片焊料层故障的在线监测方法
CN111060797A (zh) 一种基于热网络自然频率的igbt模块健康状态监测方法
CN108549001B (zh) 一种电力电子模块劳损状态的检测系统及方法
CN112098798A (zh) 一种基于神经网络的碳化硅mos器件结温在线测量方法
CN111260113A (zh) SiC MOSFET模块全生命周期结温在线预测方法
CN115015723A (zh) GaN功率器件的状态监测方法、装置、计算机设备和介质
CN114186437A (zh) 一种面向电源系统可靠性仿真分析的多物理场耦合退化模型降阶方法
CN114217202A (zh) 一种基于多个电参数的igbt模块键合线状态监测评估方法
CN116579189B (zh) Igbt功率模块寿命预测方法及装置
CN116660679A (zh) 一种基于网络拓扑的配电网故障分析方法
Jia et al. Mechanism analysis of bond wire degradation leading to the increase of IGBT collector-emitter voltage
CN114266178A (zh) 一种功率器件健康状态评估方法和系统
Luo et al. A fault detection method for IGBT bond wires partial lift off based on thermal resistance assessment
Jiang et al. Remaining Useful Life Prediction of IGBT Module Based on Particle Filter Combining with Particle Swarm Optimization
Liu et al. A FEM based estimation method of thermal circuit model for high-voltage press-pack IGBT
CN113987747A (zh) 一种考虑键合线断裂的igbt模块老化失效分析方法

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