CN115828699A - 功率半导体模块全生命周期结温预测方法、系统及终端 - Google Patents
功率半导体模块全生命周期结温预测方法、系统及终端 Download PDFInfo
- Publication number
- CN115828699A CN115828699A CN202211632622.7A CN202211632622A CN115828699A CN 115828699 A CN115828699 A CN 115828699A CN 202211632622 A CN202211632622 A CN 202211632622A CN 115828699 A CN115828699 A CN 115828699A
- Authority
- CN
- China
- Prior art keywords
- neural network
- temperature
- junction temperature
- ntc
- network model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 239000004065 semiconductor Substances 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 98
- 230000032683 aging Effects 0.000 claims abstract description 78
- 238000003062 neural network model Methods 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 58
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000002474 experimental method Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 13
- 230000036541 health Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000110 cooling liquid Substances 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000009529 body temperature measurement Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000005022 packaging material Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 239000013307 optical fiber Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 230000001351 cycling effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000565 sealant Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
- G01K7/16—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using resistive elements
- G01K7/22—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using resistive elements the element being a non-linear resistance, e.g. thermistor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K15/00—Testing or calibrating of thermometers
- G01K15/005—Calibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
- G01K7/42—Circuits effecting compensation of thermal inertia; Circuits for predicting the stationary value of a temperature
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Nonlinear Science (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明属于电力电子变换器技术领域,公开了一种功率半导体模块全生命周期结温预测方法、系统及终端,布置NTC热敏电阻网络,监测功率模块工作时内部各区域的温度;利用有限元仿真或实验获取神经网络训练数据,构建多种工况下NTC电阻网络温度、水流量、老化因子和芯片结温间的神经网络模型;划分训练集、测试集以及验证集,依据输入输出数据对神经网络模型进行训练;将训练完成后的神经网络模型移植到电力电子装备的控制器中并进行在线校准,利用更新后的神经网络模型预测老化功率模块的芯片结温,在线评估模块健康度SOH状态,并对生命周期后期潜在失效预警。本发明全面提升误差较大区域的结温预测精度,实现全工况下高精度结温预测。
Description
技术领域
本发明属于电力电子变换器技术领域,尤其涉及一种功率半导体模块全生命周期结温预测方法、系统及终端。
背景技术
目前,随着新能源汽车、轨道交通、可再生能源发电等应用的快速发展,电力电子变换器作为电力传动的核心单元,其地位和重要性日益明显。功率模块作为电力电子变换器的基本开关单元,其可靠性对变换器的可靠性有着决定性的影响。功率模块的结温是影响电力电子变换器可靠性的关键参数之一。在变换器运行过程中检测功率模块结温信息,实时监控功率模块工作状态,对确保变换器安全可靠运行具有重要意义。
常用的功率模块结温检测方法主要包括以下四类:光学法、热网络模型法、热敏电参数法以及物理接触法。光学法检测结温的原理为物体的热辐射特性和温度大小之间的相关性。红外热成像仪就是利用该原理来测量芯片表面的温度。该方法的优势在于可以得到功率模块内部多个芯片表面的二维的温度分布状况,但该方法需要打开功率模块外壳,去除灌封胶,并且在芯片表面涂上黑漆。此外,现有的商用红外热成像仪的采样率有限,不能满足结温实时测量的需要。因此该方法在工业应用场景中难以得到实际应用。热网络模型法通过实验或有限元仿真的方式将功率模块及其散热器的热阻网络模型提取出来,根据变换器的工作状况进行分析,计算半导体芯片在运行工况下的功率损耗。最后依据测量得到的功率模块基板的温度和变换器热阻网络模型反推得到功率模块内部芯片的结温。该方法需要精确的损耗在线辨识方法以及瞬态热阻抗网络参数辨识算法才能对芯片的结温进行实时准确预测。实际应用中由于难以测量得到并联芯片中流过每一芯片上的电流,导致并联芯片中各芯片损耗在线辨识存在困难。在变换器长期运行过程中,功率模块会出现老化现象,使得热阻网络发生变化,从而带来结温预测上的误差。热敏电参数方法利用功率模块中芯片的电气参数与温度的关系来间接获取结温。该方法具有响应速度快、易于在线检测等优点。基于阈值电压、关断延时时间、导通电阻等热敏电参数的方法获取芯片的结温时需要获取流过芯片的电流,对测量设备精度要求高,所需测量电路复杂,且多数方法灵敏度低。难以应用到多芯片并联的功率模块结温测量任务中则进一步限制了该方法的应用范围。物理接触法一般采用温度传感器(热敏电阻、热电偶)获取模块内部温度传感器接触部分的温度信息。温度传感器所反映出的温度仅是其所在区域附近的温度。由于无法直接接触芯片,温度传感器所测温度和真实的芯片结温存在一定差异。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有基于光学法的功率模块结温检测方法中,需要打开功率模块外壳去除灌封胶,并在芯片表面涂上黑漆;现有的商用红外热成像仪的采样率有限,不能满足结温实时测量的需要,故在工业应用场景中难以得到实际应用。
(2)现有热网络模型法中,由于实际应用中难以测量得到并联芯片中流过每一芯片上的电流,导致并联芯片中各芯片损耗在线辨识存在困难。
(3)基于阈值电压、关断延时时间、导通电阻等热敏电参数法获取芯片的结温时需要获取流过芯片的电流,对测量设备精度要求高,所需测量电路复杂,且多数方法灵敏度低。难以应用到多芯片并联的功率模块结温测量任务中。
(4)物理接触法采用的温度传感器反映的温度仅是所在区域附近的温度,由于无法直接接触芯片,温度传感器所测温度和真实的芯片结温存在一定差异。
发明内容
针对现有技术在功率模块结温检测中存在的问题,本发明提供了一种功率半导体模块全生命周期结温预测方法、系统及终端,尤其涉及一种基于负温度系数(NTC)热敏电阻网络的数据驱动型功率半导体模块全生命周期结温预测方法、系统、介质、设备及终端。
本发明是这样实现的,一种功率半导体模块全生命周期结温预测方法,功率半导体模块全生命周期结温预测方法包括:布置NTC热敏电阻网络,监测功率模块工作时内部各个区域的温度;利用有限元仿真或实验获取神经网络训练数据,构建高/低开关频率、高/低结温、高/低水流量以及老化程度下NTC电阻网络温度、水流量、老化因子和芯片结温之间的神经网络模型;按照训练集70%、测试集15%以及验证集15%的比例划分数据集,依据输入、输出数据对神经网络模型进行训练;将训练完成后的神经网络模型移植到电力电子装备的控制器中,在线校准神经网络模型;利用更新后的神经网络模型预测老化功率模块的芯片结温,在线评估模块健康度SOH状态,并对生命周期后期潜在失效预警。
进一步,功率半导体模块全生命周期结温预测方法包括以下步骤:
步骤一,布置NTC热敏电阻网络,监测功率模块工作时内部各区域温度;
步骤二,构建多种工况下NTC电阻网络参数之间的神经网络模型;
步骤三,依据获取的输入、输出数据对神经网络模型进行训练;
步骤四,部署神经网络模型,实现在线检测芯片结温。
进一步,步骤一中的NTC热敏电阻网络的布置包括:NTC电阻布置数量与功率模块内部的芯片数量相当。NTC电阻放置在易于加工制造的位置。功率模块高温区域位于MOSFET或IGBT附近,中温区域位于二极管附近,低温区域位于功率模块中远离芯片的位置。高温区域布置的NTC电阻的数量接近MOSFET或IGBT的数量,中温区域的NTC电阻数量为二极管芯片的一半,低温区域的NTC电阻数量为2~4。每一区域芯片放置数量和位置根据仿真结果进行优化。按照温度传感器布局方案,监测功率模块工作时内部各个区域的温度。
进一步,步骤二中的神经网络模型的构建包括:在利用有限元仿真或实验获取用于神经网络训练的数据时,模拟多种工况并收集多组数据,构建高/低开关频率、高/低结温、高/低水流量、老化程度工况下NTC电阻网络温度、水流量、老化因子、芯片结温之间的神经网络模型。仿真或实验中通过大幅改变芯片的发热功率P、功率模块的冷却液流量h、描述老化程度的老化因子F共计获得多组各种工况下的各个芯片稳态结温数据以及各个热敏电阻的温度数据。在仿真中,老化程度的改变通过减少功率模块各层封装材料的热导率实现;在实验中,老化程度的改变通过功率循环或温度循环实验加速老化实现。
在温度数据中,选取与芯片热耦合紧密的部分NTC的温度以及水流量h作为神经网络的输入,选取高、中、低温度区域的剩余部分的NTC的温度作为神经网络的校准输出,以及所有的芯片结温作为神经网络的目标输出。将反映老化程度的老化因子F作为神经网络的输入,使得神经网络模型根据功率模块老化状况进行自适应更新。当功率模块老化时,通过改变输入的F值实现神经网络的更新,F值由作为神经网络校准输出的NTC电阻温度确定。当功率模块未老化时,F值为0。功率模块发生老化时F值由以下公式决定:
FRi=ki(TRi(actual)-TRi(predict))/(TRi(actual)-Tamb);
其中,ki为比例系数;TRi(actual)为标号为i的NTC电阻的实测温度;TRi(predict)为标号为i的NTC电阻在F值为0,是功率模块未发生老化时神经网络预测的相应的NTC电阻的输出温度;Tamb为环境温度。
结合应用与实际工况搭建功率模块温度测试平台,利用光纤或热成像仪进行温度测量,得到多组实际工况下的训练数据。通过权衡芯片结温预测精度与NTC热敏电阻数量,神经网络的输入、输出数量可根据应用需求进行调整。
进一步,步骤三中的神经网络模型的训练包括:依据获取到的输入、输出数据对神经网络进行训练时,选用的神经网络的层数、隐藏层的神经元个数通过手动调试得到,或采用优化算法中的遗传算法进行优化得到,选取拟合效果最好的神经网络模型。神经网络的训练在电脑软件MATLAB或Python中完成,训练前按照训练集70%、测试集15%、验证集15%的比例划分数据集。
进一步,步骤四中的神经网络模型的部署包括:将训练完成后的神经网络移植到电力电子装备的控制器FPGA中,实现在线检测芯片结温。功率模块工作时,控制器通过实时采集水流量h、作为神经网络输入的热敏电阻温度T以及反映老化状况的老化因子F,预测神经网络的输出为多芯片结温以及校准NTC热敏电阻的温度。通过将校准NTC热敏电阻的神经网络预测温度值和测量值进行对比,在线检验模块是否存在加速老化现象,其中F设置为0。若根据神经网络预测温度值和测量值的差值计算得到的相应F值发生较大变化,则更新输入的F值。设置老化因子F更新阈值,当最新计算得到的F值与校准时的F值的差值超过设定阈值时,启动神经网络在线更新流程。阈值设定和比例系数k相关,选取合适的k值。
若在获取数据时难以获得反映老化程度相关的数据,则进行神经网络更新时更新网络权重,同时将作为输入的老化因子设置为0。当作为校准输出的NTC实测温度连续3次与神经网络模型预测温度之差超过3℃时,则启动神经网络在线权重更新流程。其中,训练数据来源于更新启动之前,由控制器存储的功率模块历史冷却条件数据、NTC温度测量数据以及结温预测数据组成。依据新的训练数据在FPGA中对神经网络进行重新训练,更新神经网络权重值w,实现神经网络模型的在线校准。利用更新的后的神经网络预测老化功率模块中的芯片结温,在线评估模块健康度SOH状态,并对生命周期后期的潜在失效预警。
本发明的另一目的在于提供一种应用所述的功率半导体模块全生命周期结温预测方法的功率半导体模块全生命周期结温预测系统,功率半导体模块全生命周期结温预测系统包括:
NTC热敏电阻网络布置模块,用于布置NTC热敏电阻网络,监测功率模块工作时内部各区域温度;
神经网络模型构建模块,用于构建多种工况下NTC电阻网络温度、水流量、老化因子、芯片结温之间的神经网络模型;
神经网络模型训练模块,用于按比例划分训练集、测试集及验证集,依据获取的输入、输出数据训练神经网络模型;
神经网络模型部署模块,用于部署神经网络模型,在线检测芯片结温,并评估模块健康度SOH状态,对生命周期后期的潜在失效预警。
本发明的另一目的在于提供一种计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行所述的功率半导体模块全生命周期结温预测方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行所述的功率半导体模块全生命周期结温预测方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端,信息数据处理终端用于实现所述的功率半导体模块全生命周期结温预测系统。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
第一,针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
本发明提出了一种基于负温度系数(NTC)热敏电阻网络的数据驱动型结温预测方法。本发明功率半导体模块全生命周期结温预测方法具有以下特点:
(1)该方法以NTC热敏电阻网络温度、水流量数据、老化因子作为输入,通过输入输出量之间的高精度神经网络模型准确预测功率模块内每个芯片的实时结温,预测过程不涉及芯片本身的电热参数,预测精度不受芯片参数离散性、芯片温度差异、芯片布局等的影响。
(2)该方法通过获取不同工况区域下(高/低开关频率、高/低结温、高/低水流量、老化程度)的多组具有丰富特征的高质量数据,训练得到NTC电阻网络温度、水流量、老化因子、芯片结温之间的高精度神经网络模型,全面提升误差较大区域的结温预测精度,实现全工况下高精度结温预测。
(3)该方法通过实时监测校准NTC热敏电阻温度与神经网络模型预测温度之间的误差,在线辨识功率模块的加速老化现象、评估模块健康度SOH状态,并启动神经网络模型在线更新流程以准确预测老化后的模块中的芯片结温,对生命周期后期的潜在失效预警。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明提供的基于数据驱动的功率半导体模块全生命周期结温预测方法根据功率模块内置NTC电阻网络测量的实时温度(输入),通过查询描述NTC电阻网络温度、水流量、功率模块老化因子、芯片结温之间的高精度神经网络(输入/输出关系模型),从而预测多个芯片的实时结温(输出)。
仿真实验结果表明,神经网络经过1000次迭代训练后的均方根误差接近于0,表明神经网络训练效果优异;同时,回归系数R为0.99998表明神经网络输出和目标之间存在显著的线性回归关系。均方根误差和回归系数结果均表明,本发明训练后的神经网络模型可准确反映NTC电阻网络温度、水流量、老化程度、SiC芯片结温之间的关系,实现全生命周期、全工况下高精度结温预测。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的功率半导体模块全生命周期结温预测方法流程图;
图2是本发明实施例提供的多芯片并联SiC功率模块封装布局示意图;
图3是本发明实施例提供的SiC芯片结温预测的神经网络结构示意图;
图4是本发明实施例提供的GA优化BP神经网络流程图;
图5A是本发明实施例提供的SiC芯片结温预测的神经网络拟合性能评价指标中的均方根误差图;
图5B是本发明实施例提供的SiC芯片结温预测的神经网络拟合性能评价指标中的回归分析图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种功率半导体模块全生命周期结温预测方法、系统及终端,下面结合附图对本发明作详细的描述。
为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
术语解释:功率半导体模块:各种功率电力电子器件按照一定的功能排列组合封装在一起构成的模块;结温:电子设备中实际半导体芯片上的最高温度。
如图1所示,本发明实施例提供的功率半导体模块全生命周期结温预测方法包括以下步骤:
S101,布置NTC热敏电阻网络,监测功率模块工作时内部各区域的温度;
S102,获取神经网络训练数据,构建多种工况下NTC电阻网络温度、水流量、老化因子和芯片结温之间的神经网络模型;
S103,按照训练集70%、测试集15%以及验证集15%的比例划分数据集,依据输入、输出数据对神经网络模型进行训练;
S104,将训练完成后的神经网络模型移植到电力电子装备的控制器中,利用更新后的神经网络模型预测老化功率模块的芯片结温。
本发明实施例提供的结温预测方法根据功率模块内置NTC电阻网络测量的实时温度(输入),通过查询描述NTC电阻网络温度、水流量、功率模块老化因子、芯片结温之间的高精度神经网络(输入/输出关系模型),从而预测多个芯片的实时结温(输出)。现主要从NTC热敏电阻网络布置、神经网络模型构建、神经网络模型训练、神经网络模型部署等方面对该方法进行简要阐述。
1.NTC热敏电阻网络布置
NTC热敏电阻网络布置是实现本技术至关重要的一步。NTC电阻在功率模块内部的布置数量、布置位置会影响该方法的结温预测精度。NTC电阻布置数量应与功率模块内部的芯片数量相当。热敏电阻网络的布局不仅要考虑功率模块中高、中、低三个区域的温度监测功能,还需考虑其位置对功率回路的影响,尽可能避免影响功率回路电流路径。此外,NTC电阻放置要考虑功率模块加工工艺,尽可能放置在易于加工制造的位置。功率模块高温区域一般位于MOSFET或IGBT附近,中温区域位于二极管附近,低温区域位于功率模块中远离芯片的位置。高温区域布置的NTC电阻的数量尽可能接近MOSFET或IGBT的数量,中温区域的NTC电阻数量大致为二极管芯片的一半,低温区域的NTC电阻数量为2~4。每一区域具体芯片放置数量和位置可根据仿真结果进行优化。按照上述温度传感器布局方案,可以实时、全面地监测功率模块工作时内部各个区域的温度,为准确预测多芯片结温奠定基础。
2.神经网络模型构建
为了获取多种工况下(高/低开关频率、高/低结温、高/低水流量、老化程度)NTC电阻网络温度、水流量、老化因子、芯片结温之间的神经网络模型,在利用有限元仿真或实验获取用于神经网络训练的数据时,需要模拟多种工况并收集多组具有丰富特征的高质量数据。仿真或实验中可以通过大幅改变芯片的发热功率P、功率模块的冷却液流量h、描述老化程度的老化因子F共计获得多组各种工况下的各个芯片稳态结温数据以及各个热敏电阻的温度数据。值得说明的是,仿真中老化程度的改变可通过减少功率模块各层封装材料的热导率实现。在实验中老化程度的改变可通过功率循环或温度循环实验加速老化实现。在这些温度数据中,选取与芯片热耦合紧密的部分NTC的温度以及水流量h作为神经网络的输入,选取高、中、低温度区域的剩余部分的NTC的温度作为神经网络的校准输出,以及所有的芯片结温作为神经网络的目标输出。此外,为了使得神经网络模型能够根据功率模块老化状况进行自适应更新,将反映老化程度的老化因子F也作为神经网络的输入。当功率模块老化时,通过改变输入的F值,即可实现神经网络的更新,无需重新训练神经网络。F值由作为神经网络校准输出的NTC电阻温度确定。当功率模块未老化时,F值为0。功率模块发生老化时F值由以下公式决定:
FRi=ki(TRi(actual)-TRi(predict))/(TRi(actual)-Tamb) (1)
其中,ki为比例系数;TRi(actual)为标号为i的NTC电阻的实测温度;TRi(predict)为标号为i的NTC电阻在F值为0,即功率模块未发生老化时神经网络预测的相应的NTC电阻的输出温度;Tamb为环境温度。
为了确保训练数据的准确性,可结合具体应用与实际工况搭建功率模块温度测试平台,利用光纤或热成像仪进行准确的温度测量,得到多组实际工况下的训练数据。此外,通过权衡芯片结温预测精度与NTC热敏电阻数量,神经网络的输入、输出数量可根据具体应用需求进行调整。
3.神经网络模型训练
依据获取到的输入、输出数据对神经网络进行训练时,选用的神经网络的层数、隐藏层的神经元个数可手动调试得到,也可采用优化算法例如遗传算法进行优化得到,选取拟合效果最好的神经网络模型。为了提高效率,神经网络的训练可在电脑相应的软件中完成(如MATLAB、Python)。训练之前需要合理划分训练集、测试集以及验证集。划分原则按照训练集70%、测试集15%、验证集15%的比例即可。当数据规模较少时,可适当提高训练集的比例。
4.神经网络模型部署
为了实现在线检测芯片结温,训练完成后的神经网络需要移植到电力电子装备的控制器如FPGA中。功率模块工作时,控制器通过实时采集水流量h、作为神经网络输入的热敏电阻温度T以及反映老化状况的老化因子F,即可预测神经网络的输出即多芯片结温以及校准NTC热敏电阻的温度。通过将校准NTC热敏电阻的神经网络预测温度值(F设置为0)和其测量值进行对比可以在线检验模块是否存在加速老化现象。若根据两者差值计算得到的相应F值发生较大变化,说明由于模块老化等原因导致此时的神经网络已不够准确,需对其进行更新(更新输入的F值)。为高效地实现神经网络模型的在线更新,可设置老化因子F更新阈值。当最新计算得到的F值与上次校准时的F值的差值超过设定阈值时即可启动神经网络在线更新流程。阈值设定和比例系数k相关,而k取值又会影响老化程度更新灵敏度,需要选取合适的k值。值得说明的是,更新过程不涉及神经网络结构及其权重的更新,只是作为输入的老化因子F的更新。神经网络更新时只需输入该时刻计算得到的新的F值即可。上述更新方法建立在具有反映老化程度数据的基础上,若在获取数据时难以获得反映老化程度相关的数据,神经网络更新时需要更新网络权重,同时将作为输入的老化因子设置为0。同样地可设置更新阈值高效地实现神经网络模型更新。例如,当作为校准输出的NTC实测温度连续3次与神经网络模型预测温度之差超过3℃时即可启动神经网络在线权重更新流程。该情境下所需的训练数据来源于更新启动之前,由控制器存储的功率模块历史冷却条件数据、NTC温度测量数据以及结温预测数据组成。依据这些新的训练数据可在FPGA中对神经网络进行重新训练,更新神经网络权重值w,实现神经网络模型的在线校准。更新的后的神经网络能准确预测老化功率模块中的芯片结温,在线评估模块健康度SOH状态,并对生命周期后期的潜在失效预警。
本发明实施例提供的功率半导体模块全生命周期结温预测系统包括:
NTC热敏电阻网络布置模块,用于布置NTC热敏电阻网络,监测功率模块工作时内部各区域温度;
神经网络模型构建模块,用于构建多种工况下NTC电阻网络温度、水流量、老化因子、芯片结温之间的神经网络模型;
神经网络模型训练模块,用于按比例划分训练集、测试集及验证集,依据获取的输入、输出数据训练神经网络模型;
神经网络模型部署模块,用于部署神经网络模型,在线检测芯片结温,并评估模块健康度SOH状态,对生命周期后期的潜在失效预警。
实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
以图2所示的半桥SiC功率模块为例,对本发明的方法进行简要阐述。
图2中SiC功率模块的每个开关位置由5个SiC MOSFET(上管M1~M5,下管M6~M10)和2个SiC肖特基二极管(上管D1~D2,下管D3~D4)并联而成。SiC MOSFET和二极管芯片的临近区域对称布置12个NTC热敏电阻作为温度传感器,用于实时测量SiC MOSFET和二极管芯片四周的温度,其中SiC MOSFET芯片附近的NTC热敏电阻(R1,R7,R2,R8,R3;R4,R14,R5,R13,R6)用于监测模块内部“高温”区域温度,SiC二极管芯片附近的NTC温敏电阻(R9,R12)用于监测模块内部“中温”区域温度。此外,在距离热源芯片较远的位置布置了2个NTC热敏电阻(R10,R11),用于监测功率模块中“低温”区域温度。
在完成功率模块温度传感器布置后,采用COMSOL有限元热仿真获取具有丰富特征的高质量训练数据。仿真中通过大幅改变芯片的发热功率P、功率模块的冷却液流量h以及增大功率模块各层材料的热阻(减小各层材料的热导率)共计获得5000组各种工况下的14个芯片稳态结温数据(TJ1-TJ14)以及14个热敏电阻的温度数据(TR1-TR14)。在这些温度数据中,选取与芯片热耦合紧密的6个NTC的温度(TR1-TR6)、水流量h、和老化因子(FR7-FR14)作为神经网络的输入,选取高、中、低温度区域的8个NTC的温度(TR7-TR14)作为神经网络的校准输出,以及14个SiC芯片结温(TJ1-TJ14)作为神经网络的目标输出。本发明所提出的神经网络结构示意图如图3所示。
选取的神经网络类型为BP神经网络。经测试具有一层隐藏层的BP神经网络即具有较高的拟合精度。为了减少后续硬件负担,选择具有一层隐藏层的BP神经网络结构,隐藏层的神经元个数为10。在神经网络结构确定的基础上,采用遗传算法(GA)对BP神经网络的权值和阈值进行优化,以得到预测误差最小的神经网络,优化的流程图如图4所示。优化时将获取的5000组数据划分为训练集(占比70%)、测试集(占比15%)和验证集(占比15%)对神经网络模型进行训练,并对训练效果进行评估。图5A~图5B为优化完成后得到的SiC芯片结温预测的最优神经网络的拟合性能评价指标效果图。如图5A所示,神经网络经过1000次迭代训练后的均方根误差接近于0,表明神经网络训练效果优异。同时,如图5B所示,回归系数R为0.99998表明神经网络输出和目标之间存在显著的线性回归关系。均方根误差和回归系数结果均表明训练后的神经网络模型可准确反映NTC电阻网络温度、水流量、老化程度、SiC芯片结温之间的关系,实现全生命周期、全工况下高精度结温预测。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种功率半导体模块全生命周期结温预测方法,其特征在于,包括:
布置NTC热敏电阻网络,监测功率模块工作时内部各个区域的温度;利用有限元仿真或实验获取神经网络训练数据,构建高/低开关频率、高/低结温、高/低水流量以及老化程度下NTC电阻网络温度、水流量、老化因子和芯片结温之间的神经网络模型;按照训练集70%、测试集15%以及验证集15%的比例划分数据集,依据输入、输出数据对神经网络模型进行训练;将训练完成后的神经网络模型移植到电力电子装备的控制器中,在线校准神经网络模型;利用更新后的神经网络模型预测老化功率模块的芯片结温,在线评估模块健康度SOH状态,并对生命周期后期潜在失效预警。
2.如权利要求1所述的功率半导体模块全生命周期结温预测方法,其特征在于,功率半导体模块全生命周期结温预测方法包括以下步骤:
步骤一,布置NTC热敏电阻网络,监测功率模块工作时内部各区域温度;
步骤二,构建多种工况下NTC电阻网络参数之间的神经网络模型;
步骤三,依据获取的输入、输出数据对神经网络模型进行训练;
步骤四,部署神经网络模型,实现在线检测芯片结温。
3.如权利要求2所述的功率半导体模块全生命周期结温预测方法,其特征在于,步骤一中的NTC热敏电阻网络的布置包括:NTC电阻布置数量与功率模块内部的芯片数量相当;NTC电阻放置在易于加工制造的位置;功率模块高温区域位于MOSFET或IGBT附近,中温区域位于二极管附近,低温区域位于功率模块中远离芯片的位置;高温区域布置的NTC电阻的数量接近MOSFET或IGBT的数量,中温区域的NTC电阻数量为二极管芯片的一半,低温区域的NTC电阻数量为2~4;每一区域芯片放置数量和位置根据仿真结果进行优化;按照温度传感器布局方案,监测功率模块工作时内部各个区域的温度。
4.如权利要求2所述的功率半导体模块全生命周期结温预测方法,其特征在于,步骤二中的神经网络模型的构建包括:在利用有限元仿真或实验获取用于神经网络训练的数据时,模拟多种工况并收集多组数据,构建高/低开关频率、高/低结温、高/低水流量、老化程度工况下NTC电阻网络温度、水流量、老化因子、芯片结温之间的神经网络模型;仿真或实验中通过大幅改变芯片的发热功率P、功率模块的冷却液流量h、描述老化程度的老化因子F共计获得多组各种工况下的各个芯片稳态结温数据以及各个热敏电阻的温度数据;在仿真中,老化程度的改变通过减少功率模块各层封装材料的热导率实现;在实验中,老化程度的改变通过功率循环或温度循环实验加速老化实现;
在温度数据中,选取与芯片热耦合紧密的部分NTC的温度以及水流量h作为神经网络的输入,选取高、中、低温度区域的剩余部分的NTC的温度作为神经网络的校准输出,以及所有的芯片结温作为神经网络的目标输出;将反映老化程度的老化因子F作为神经网络的输入,使得神经网络模型根据功率模块老化状况进行自适应更新;当功率模块老化时,通过改变输入的F值实现神经网络的更新,F值由作为神经网络校准输出的NTC电阻温度确定;当功率模块未老化时,F值为0;功率模块发生老化时F值由以下公式决定:
FRi=ki(TRi(actual)-TRi(predict))/(TRi(actual)-Tamb);
其中,ki为比例系数;TRi(actual)为标号为i的NTC电阻的实测温度;TRi(predict)为标号为i的NTC电阻在F值为0,是功率模块未发生老化时神经网络预测的相应的NTC电阻的输出温度;Tamb为环境温度;
结合应用与实际工况搭建功率模块温度测试平台,利用光纤或热成像仪进行温度测量,得到多组实际工况下的训练数据;通过权衡芯片结温预测精度与NTC热敏电阻数量,神经网络的输入、输出数量根据应用需求进行调整。
5.如权利要求2所述的功率半导体模块全生命周期结温预测方法,其特征在于,步骤三中的神经网络模型的训练包括:依据获取到的输入、输出数据对神经网络进行训练时,选用的神经网络的层数、隐藏层的神经元个数通过手动调试得到,或采用优化算法中的遗传算法进行优化得到,选取拟合效果最好的神经网络模型;神经网络的训练在电脑软件MATLAB、Python中完成,训练前按照训练集70%、测试集15%、验证集15%的比例划分数据集。
6.如权利要求2所述的功率半导体模块全生命周期结温预测方法,其特征在于,步骤四中的神经网络模型的部署包括:将训练完成后的神经网络移植到电力电子装备的控制器FPGA中,实现在线检测芯片结温;功率模块工作时,控制器通过实时采集水流量h、作为神经网络输入的热敏电阻温度T以及反映老化状况的老化因子F,预测神经网络的输出为多芯片结温以及校准NTC热敏电阻的温度;通过将校准NTC热敏电阻的神经网络预测温度值和测量值进行对比,在线检验模块是否存在加速老化现象,其中F设置为0;若根据神经网络预测温度值和测量值的差值计算得到的相应F值发生较大变化,则更新输入的F值;设置老化因子F更新阈值,当最新计算得到的F值与校准时的F值的差值超过设定阈值时,启动神经网络在线更新流程;阈值设定和比例系数k相关,选取合适的k值;若在获取数据时难以获得反映老化程度相关的数据,则进行神经网络更新时更新网络权重,同时将作为输入的老化因子设置为0;
当作为校准输出的NTC实测温度连续3次与神经网络模型预测温度之差超过3℃时,则启动神经网络在线权重更新流程;其中,训练数据来源于更新启动之前,由控制器存储的功率模块历史冷却条件数据、NTC温度测量数据以及结温预测数据组成;依据新的训练数据在FPGA中对神经网络进行重新训练,更新神经网络权重值w,实现神经网络模型的在线校准;利用更新的后的神经网络预测老化功率模块中的芯片结温,在线评估模块健康度SOH状态,并对生命周期后期的潜在失效预警。
7.一种应用如权利要求1~6任意一项所述的功率半导体模块全生命周期结温预测方法的功率半导体模块全生命周期结温预测系统,其特征在于,功率半导体模块全生命周期结温预测系统包括:
NTC热敏电阻网络布置模块,用于布置NTC热敏电阻网络,监测功率模块工作时内部各区域温度;
神经网络模型构建模块,用于构建多种工况下NTC电阻网络温度、水流量、老化因子、芯片结温之间的神经网络模型;
神经网络模型训练模块,用于按比例划分训练集、测试集及验证集,依据获取的输入、输出数据训练神经网络模型;
神经网络模型部署模块,用于部署神经网络模型,在线检测芯片结温,并评估模块健康度SOH状态,对生命周期后期的潜在失效预警。
8.一种计算机设备,其特征在于,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如权利要求1~6任意一项所述的功率半导体模块全生命周期结温预测方法的步骤。
9.一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如权利要求1~6任意一项所述的功率半导体模块全生命周期结温预测方法的步骤。
10.一种信息数据处理终端,其特征在于,信息数据处理终端用于实现如权利要求7所述的功率半导体模块全生命周期结温预测系统。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211632622.7A CN115828699B (zh) | 2022-12-19 | 2022-12-19 | 功率半导体模块全生命周期结温预测方法、系统及终端 |
US18/182,339 US11976984B1 (en) | 2022-12-19 | 2023-03-12 | Method and system for predicting junction temperature of power semiconductor module in full life cycle, and terminal |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211632622.7A CN115828699B (zh) | 2022-12-19 | 2022-12-19 | 功率半导体模块全生命周期结温预测方法、系统及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115828699A true CN115828699A (zh) | 2023-03-21 |
CN115828699B CN115828699B (zh) | 2023-07-21 |
Family
ID=85516674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211632622.7A Active CN115828699B (zh) | 2022-12-19 | 2022-12-19 | 功率半导体模块全生命周期结温预测方法、系统及终端 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11976984B1 (zh) |
CN (1) | CN115828699B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187113A (zh) * | 2023-05-04 | 2023-05-30 | 成都明夷电子科技有限公司 | 基于高倍红外热成像的集成电路芯片热仿真结温校正方法 |
US11976984B1 (en) * | 2022-12-19 | 2024-05-07 | Huazhong University Of Science And Technology | Method and system for predicting junction temperature of power semiconductor module in full life cycle, and terminal |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160239592A1 (en) * | 2015-02-12 | 2016-08-18 | Nec Laboratories America, Inc. | Data-driven battery aging model using statistical analysis and artificial intelligence |
CN111260113A (zh) * | 2020-01-08 | 2020-06-09 | 西安工程大学 | SiC MOSFET模块全生命周期结温在线预测方法 |
CN112101519A (zh) * | 2020-08-07 | 2020-12-18 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于lstm的换流阀冷却裕度预测运维方法及系统 |
CN113361586A (zh) * | 2021-06-02 | 2021-09-07 | 上海大学 | 一种基于神经网络的功率器件在线老化检测方法及系统 |
WO2022039866A1 (en) * | 2020-08-20 | 2022-02-24 | Gentherm Incorporated | Method and system using machine learning algorithm for controlling thermal comfort |
CN114548636A (zh) * | 2021-10-29 | 2022-05-27 | 福建棉花滩水电开发有限公司 | 一种基于深度神经网络多维度的机组生命周期测评方法 |
CN114997051A (zh) * | 2022-05-30 | 2022-09-02 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
US20220334170A1 (en) * | 2021-04-20 | 2022-10-20 | Wuhan University | Method and system for characterizing igbt module aging based on miner theory |
CN115342938A (zh) * | 2021-04-27 | 2022-11-15 | 罗伯特·博世有限公司 | 用于确定功率半导体器件的结温的方法和装置 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100470416C (zh) * | 2006-12-28 | 2009-03-18 | 上海电力学院 | 一种电厂热工设备智能状态诊断分析系统 |
DE102012215656B4 (de) | 2012-09-04 | 2015-05-21 | Semikron Elektronik Gmbh & Co. Kg | Verfahren zur Herstellung eines Leistungshalbleitermoduls |
CN105784179B (zh) * | 2016-03-17 | 2017-06-16 | 深圳慧能泰半导体科技有限公司 | 一种温度检测电路 |
CN106443400B (zh) * | 2016-09-14 | 2019-06-11 | 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 |
KR20180069954A (ko) * | 2016-12-15 | 2018-06-26 | 현대자동차주식회사 | 파워모듈의 정션온도 측정 방법 |
CN106960085A (zh) * | 2017-03-07 | 2017-07-18 | 株洲中车时代电气股份有限公司 | 一种在线预估igbt元件结温的方法 |
CN107219016B (zh) * | 2017-05-24 | 2019-05-17 | 湖南大学 | 计算igbt模块瞬态结温的方法和系统 |
JP6898203B2 (ja) | 2017-10-27 | 2021-07-07 | 株式会社 日立パワーデバイス | パワー半導体モジュール |
CN109871591A (zh) * | 2019-01-24 | 2019-06-11 | 武汉大学 | 一种igbt功率模块在线估算结温的方法 |
KR20210133375A (ko) * | 2020-04-28 | 2021-11-08 | 현대자동차주식회사 | 파워 모듈의 전력 반도체 소자 정션 온도 추정 방법 및 장치 |
US20220018720A1 (en) * | 2020-07-20 | 2022-01-20 | Dana Tm4 Inc. | Sensing junction temperature of power transistors |
CN217544596U (zh) | 2022-05-11 | 2022-10-04 | 致瞻科技(上海)有限公司 | 功率半导体模块及功率半导体模块组 |
CN115828699B (zh) * | 2022-12-19 | 2023-07-21 | 华中科技大学 | 功率半导体模块全生命周期结温预测方法、系统及终端 |
-
2022
- 2022-12-19 CN CN202211632622.7A patent/CN115828699B/zh active Active
-
2023
- 2023-03-12 US US18/182,339 patent/US11976984B1/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160239592A1 (en) * | 2015-02-12 | 2016-08-18 | Nec Laboratories America, Inc. | Data-driven battery aging model using statistical analysis and artificial intelligence |
CN111260113A (zh) * | 2020-01-08 | 2020-06-09 | 西安工程大学 | SiC MOSFET模块全生命周期结温在线预测方法 |
CN112101519A (zh) * | 2020-08-07 | 2020-12-18 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于lstm的换流阀冷却裕度预测运维方法及系统 |
WO2022039866A1 (en) * | 2020-08-20 | 2022-02-24 | Gentherm Incorporated | Method and system using machine learning algorithm for controlling thermal comfort |
US20220334170A1 (en) * | 2021-04-20 | 2022-10-20 | Wuhan University | Method and system for characterizing igbt module aging based on miner theory |
CN115342938A (zh) * | 2021-04-27 | 2022-11-15 | 罗伯特·博世有限公司 | 用于确定功率半导体器件的结温的方法和装置 |
CN113361586A (zh) * | 2021-06-02 | 2021-09-07 | 上海大学 | 一种基于神经网络的功率器件在线老化检测方法及系统 |
CN114548636A (zh) * | 2021-10-29 | 2022-05-27 | 福建棉花滩水电开发有限公司 | 一种基于深度神经网络多维度的机组生命周期测评方法 |
CN114997051A (zh) * | 2022-05-30 | 2022-09-02 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
Non-Patent Citations (3)
Title |
---|
孟昭亮;吕亚茹;高勇;杨媛;吴磊;: "基于MEA-BP算法的IGBT结温预测模型", 半导体技术, no. 11 * |
徐强超;许庆超;张敏;李雄均;杨廷方;: "基于LSTSVR模型预测STATCOM晶闸管阀组本体温度", 南方电网技术, no. 06 * |
马汉卿;: "基于热敏感电参数法的IGBT模块结温检测", 浙江电力, no. 04 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11976984B1 (en) * | 2022-12-19 | 2024-05-07 | Huazhong University Of Science And Technology | Method and system for predicting junction temperature of power semiconductor module in full life cycle, and terminal |
CN116187113A (zh) * | 2023-05-04 | 2023-05-30 | 成都明夷电子科技有限公司 | 基于高倍红外热成像的集成电路芯片热仿真结温校正方法 |
CN116187113B (zh) * | 2023-05-04 | 2023-08-04 | 成都明夷电子科技有限公司 | 基于高倍红外热成像的集成电路芯片热仿真结温校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115828699B (zh) | 2023-07-21 |
US11976984B1 (en) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115828699B (zh) | 功率半导体模块全生命周期结温预测方法、系统及终端 | |
CN101435727B (zh) | 温度预测方法及装置 | |
CN107219016B (zh) | 计算igbt模块瞬态结温的方法和系统 | |
US20190377023A1 (en) | Real-time online prediction method for dynamic junction temperature of semiconductor power device | |
Górecki et al. | Measurements of parameters of the thermal model of the IGBT module | |
CN106443400A (zh) | 一种igbt模块的电‑热‑老化结温计算模型建立方法 | |
CN109188232A (zh) | 一种igbt模块状态评估与剩余寿命预测模型的构建方法 | |
CN105158667B (zh) | 一种变流器功率二极管结温测量系统与方法 | |
CN106960085A (zh) | 一种在线预估igbt元件结温的方法 | |
CN105718694A (zh) | 基于igbt结温信息的热网络参数辨识方法 | |
Li et al. | IGBT aging monitoring and remaining lifetime prediction based on long short-term memory (LSTM) networks | |
CN109284543B (zh) | 基于最优尺度高斯过程模型的igbt剩余寿命预测方法 | |
CN115015723A (zh) | GaN功率器件的状态监测方法、装置、计算机设备和介质 | |
Wu et al. | Junction temperature prediction of IGBT power module based on BP neural network | |
CN105223488A (zh) | 基于结构函数的半导体分立器件封装质量检测方法及系统 | |
CN104933308B (zh) | 面向国产军用igbt模块的可靠性评估方法 | |
CN111307480B (zh) | 一种基于嵌入式热管传热管理系统、方法及存储介质 | |
CN203069740U (zh) | 半导体功率器件热阻测试装置 | |
Liu et al. | BP neural network for non-invasive IGBT junction temperature online detection | |
CN107515366A (zh) | 一种基于Coffin‑Mason的LED引线寿命预测方法及测试装置 | |
Li et al. | Sustainable energy saving: A junction temperature numerical calculation method for power insulated gate bipolar transistor module | |
CN112926259B (zh) | 一种基于rbf神经网络模型预测半导体器件结温的方法 | |
De Falco et al. | ELDO-COMSOL based 3D electro-thermal simulations of power semiconductor devices | |
CN113572148A (zh) | 变流器系统、变流器功率模组的健康状态评估方法和装置 | |
CN116662763B (zh) | 一种用于变频器温升测试的数据处理方法和系统 |
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 |