JP2022089450A - Device for estimating degradation of semiconductor module - Google Patents
Device for estimating degradation of semiconductor module Download PDFInfo
- Publication number
- JP2022089450A JP2022089450A JP2020201856A JP2020201856A JP2022089450A JP 2022089450 A JP2022089450 A JP 2022089450A JP 2020201856 A JP2020201856 A JP 2020201856A JP 2020201856 A JP2020201856 A JP 2020201856A JP 2022089450 A JP2022089450 A JP 2022089450A
- Authority
- JP
- Japan
- Prior art keywords
- deterioration
- semiconductor module
- manufacturing process
- data
- mathematical 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
- 239000004065 semiconductor Substances 0.000 title claims abstract description 199
- 230000015556 catabolic process Effects 0.000 title claims abstract description 15
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 64
- 238000013178 mathematical model Methods 0.000 claims abstract description 58
- 238000003860 storage Methods 0.000 claims abstract description 16
- 238000013500 data storage Methods 0.000 claims abstract description 9
- 230000006866 deterioration Effects 0.000 claims description 233
- 230000007613 environmental effect Effects 0.000 claims description 26
- 230000007547 defect Effects 0.000 description 14
- 238000000034 method Methods 0.000 description 14
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 description 1
Images
Abstract
Description
本明細書が開示する技術は、半導体モジュールの劣化推定装置に関する。 The technique disclosed herein relates to a deterioration estimation device for a semiconductor module.
半導体モジュールは様々な用途で利用されている。例えば直流電力を交流電力に変換して負荷に交流電力を供給する電力変換装置は、複数の半導体モジュールで構成されている。このような半導体モジュールは、積算通電エネルギーに依存して劣化が進行する。このため、半導体モジュールの劣化を推定し、例えば交換時期を通知する技術が必要とされている。 Semiconductor modules are used for various purposes. For example, a power conversion device that converts DC power into AC power and supplies AC power to a load is composed of a plurality of semiconductor modules. Such a semiconductor module deteriorates depending on the integrated energization energy. Therefore, there is a need for a technique for estimating deterioration of a semiconductor module and notifying, for example, a replacement time.
特許文献１は、半導体モジュールの動作時の温度変化の温度差を測定し、その温度差をパワーサイクル寿命カーブに当てはめることにより、残りのパワーサイクル数、即ち、半導体モジュールの劣化を推定する技術を開示する。 Patent Document 1 is a technique for estimating the number of remaining power cycles, that is, deterioration of a semiconductor module, by measuring the temperature difference of the temperature change during operation of the semiconductor module and applying the temperature difference to the power cycle life curve. Disclose.
このような半導体モジュールの劣化を推定する技術において、高精度に劣化を推定することが可能な技術が必要とされている。 In the technique of estimating the deterioration of such a semiconductor module, a technique capable of estimating the deterioration with high accuracy is required.
本明細書が開示する半導体モジュールの劣化推定装置の一実施形態は、数理モデル記憶部と、製造プロセスデータ記憶部と、推定部と、を備えることができる。前記数理モデル記憶部は、前記半導体モジュールの劣化指標の劣化の進行を記述する劣化数理モデルを記憶している。前記劣化数理モデルは、少なくとも複数の前記半導体モジュールの製造プロセスデータと前記劣化指標の劣化の進行データに基づいて作成される。前記製造プロセスデータ記憶部は、推定対象の前記半導体モジュールの前記製造プロセスデータである特定製造プロセスデータを記憶している。前記推定部は、少なくとも前記特定製造プロセスデータに基づいて前記劣化数理モデルを修正し、修正された修正劣化数理モデルに基づいて推定対象の前記半導体モジュールの前記劣化指標の劣化を推定する。この劣化推定装置は、推定対象の前記半導体モジュールの個別の前記特定製造プロセスデータを考慮して前記半導体モジュールの前記劣化指標の劣化を推定することができるので、劣化を高精度に推定することができる。 One embodiment of the deterioration estimation device for a semiconductor module disclosed in the present specification can include a mathematical model storage unit, a manufacturing process data storage unit, and an estimation unit. The mathematical model storage unit stores a deterioration mathematical model that describes the progress of deterioration of the deterioration index of the semiconductor module. The deterioration mathematical model is created based on the manufacturing process data of at least a plurality of the semiconductor modules and the deterioration progress data of the deterioration index. The manufacturing process data storage unit stores specific manufacturing process data which is the manufacturing process data of the semiconductor module to be estimated. The estimation unit modifies the deterioration actuarial model based on at least the specific manufacturing process data, and estimates the deterioration of the deterioration index of the semiconductor module to be estimated based on the modified modified deterioration actuarial model. Since this deterioration estimation device can estimate the deterioration of the deterioration index of the semiconductor module in consideration of the individual specific manufacturing process data of the semiconductor module to be estimated, the deterioration can be estimated with high accuracy. can.
上記劣化推定装置の一実施形態は、推定対象の前記半導体モジュールが使われ始めてからの前記半導体モジュールの動作データを取得する動作データ取得部をさらに備えていてもよい。この場合、前記推定部は、少なくとも前記特定製造プロセスデータと前記動作データに基づいて前記劣化数理モデルを修正し、修正された前記修正劣化数理モデルに基づいて推定対象の前記半導体モジュールの前記劣化指標の劣化を推定してもよい。この劣化推定装置は、推定対象の前記半導体モジュールの前記動作データも考慮して前記半導体モジュールの前記劣化指標の劣化を推定することができるので、劣化を高精度に推定することができる。 One embodiment of the deterioration estimation device may further include an operation data acquisition unit that acquires operation data of the semiconductor module after the semiconductor module to be estimated has begun to be used. In this case, the estimation unit modifies the deterioration actuarial model based on at least the specific manufacturing process data and the operation data, and the deterioration index of the semiconductor module to be estimated based on the modified modified deterioration actuarial model. Deterioration may be estimated. Since this deterioration estimation device can estimate the deterioration of the deterioration index of the semiconductor module in consideration of the operation data of the semiconductor module to be estimated, the deterioration can be estimated with high accuracy.
前記動作データは、前記半導体モジュールが使われ始めてからの経過時間と、その経過時間内の前記半導体モジュールの積算通電エネルギーと、を含んでもよい。このような動作データは、前記半導体モジュールの使用頻度を反映している。このため、この劣化推定装置は、推定対象の前記半導体モジュールの使用頻度も考慮して前記半導体モジュールの前記劣化指標の劣化を推定することができるので、劣化を高精度に推定することができる。 The operation data may include an elapsed time from the start of use of the semiconductor module and the integrated energization energy of the semiconductor module within the elapsed time. Such operation data reflects the frequency of use of the semiconductor module. Therefore, since this deterioration estimation device can estimate the deterioration of the deterioration index of the semiconductor module in consideration of the frequency of use of the semiconductor module to be estimated, the deterioration can be estimated with high accuracy.
上記劣化推定装置の一実施形態は、推定対象の前記半導体モジュールが使われ始めてからの前記半導体モジュールの動作時の環境データを取得する環境データ取得部をさらに備えていてもよい。この場合、前記推定部は、少なくとも前記特定製造プロセスデータと前記環境データに基づいて前記劣化数理モデルを修正し、修正された前記修正劣化数理モデルに基づいて推定対象の前記半導体モジュールの前記劣化指標の劣化を推定してもよい。この劣化推定装置は、推定対象の前記半導体モジュールの前記環境データも考慮して前記半導体モジュールの前記劣化指標の劣化を推定することができるので、劣化を高精度に推定することができる。 One embodiment of the deterioration estimation device may further include an environmental data acquisition unit that acquires environmental data during operation of the semiconductor module after the semiconductor module to be estimated has begun to be used. In this case, the estimation unit modifies the deterioration actuarial model based on at least the specific manufacturing process data and the environmental data, and the deterioration index of the semiconductor module to be estimated based on the modified modified deterioration actuarial model. Deterioration may be estimated. Since this deterioration estimation device can estimate the deterioration of the deterioration index of the semiconductor module in consideration of the environmental data of the semiconductor module to be estimated, the deterioration can be estimated with high accuracy.
前記環境データは、前記半導体モジュールが使われている環境の温度履歴を含んでもよい。前記環境データはさらに、前記半導体モジュールが使われている環境の湿度履歴を含んでもよい。 The environmental data may include a temperature history of the environment in which the semiconductor module is used. The environmental data may further include a humidity history of the environment in which the semiconductor module is used.
前記劣化数理モデルは、前記半導体モジュールの動作時の温度変化の温度差の劣化を記述する数理モデルであり、前記半導体モジュールの熱抵抗の劣化を記述する熱抵抗劣化数理モデルと前記半導体モジュールの電力損失の劣化を記述する電力損失劣化数理モデルの積を含んでいてもよい。前記熱抵抗劣化数理モデルは、前記半導体モジュールの製造プロセスに依存しない数理モデルであってもよい。前記電力損失劣化数理モデルは、前記半導体モジュールの製造プロセスに依存した数理モデルであってもよい。前記劣化数理モデルでは、前記熱抵抗劣化数理モデルから独立して前記電力損失劣化数理モデルが構築されている。これにより、前記電力損失劣化数理モデルは、前記半導体モジュールの製造プロセスの影響を良好に反映することができる。この結果、前記劣化数理モデルは、前記半導体モジュールの製造プロセスの影響を良好に反映することができるので、劣化を高精度に推定することができる。 The deterioration mathematical model is a mathematical model that describes the deterioration of the temperature difference of the temperature change during the operation of the semiconductor module, and is a thermal resistance deterioration mathematical model that describes the deterioration of the thermal resistance of the semiconductor module and the power of the semiconductor module. It may include the product of a mathematical model of power loss degradation that describes loss degradation. The thermal resistance deterioration mathematical model may be a mathematical model that does not depend on the manufacturing process of the semiconductor module. The power loss deterioration mathematical model may be a mathematical model that depends on the manufacturing process of the semiconductor module. In the deterioration mathematical model, the power loss deterioration mathematical model is constructed independently of the thermal resistance deterioration mathematical model. Thereby, the power loss deterioration mathematical model can satisfactorily reflect the influence of the manufacturing process of the semiconductor module. As a result, the mathematical deterioration model can satisfactorily reflect the influence of the manufacturing process of the semiconductor module, so that the deterioration can be estimated with high accuracy.
図１に、半導体モジュール１０の劣化を推定する劣化推定装置１００の構成を示す。半導体モジュール１０は、例えば直流電力を交流電力に変換して負荷に交流電力を供給する電力変換装置に搭載されている。このような電力変換装置は、例えば電動自動車に設けられており、バッテリの直流電力を交流電力に変換して交流モータに交流電力を供給するために用いられる。半導体モジュール１０は、駆動制御部２０から出力される駆動信号に基づいてスイッチング制御される。なお、半導体モジュール１０の用途は上記に限られず、例えば、自然エネルギー発電（例えば太陽光発電）に用いられるパワーコンディショナ、又は、無停電電源装置（ＵＰＳ）であってもよい。
FIG. 1 shows the configuration of the
半導体モジュール１０は、積算通電エネルギーに追随して劣化が進行する。半導体モジュール１０の劣化を示す劣化指標には様々なものがある。特に限定されるものではないが、半導体モジュール１０の劣化指標の１つは、半導体モジュール１０の動作時の温度変化の温度差である。半導体モジュール１０は、スイッチング動作に応じて温度が変化するが、この温度差が半導体モジュール１０の劣化の増加に追随して増加する。このため、半導体モジュール１０の寿命は、半導体モジュール１０の動作時の温度変化の温度差が閾値に達したときとすることができる。劣化推定装置１００は、例えば半導体モジュール１０の動作時の温度変化の温度差が閾値を超えるタイミングを予測するように構成されていてもよい。
The
なお、半導体モジュール１０の劣化指標としては、他の物理量を採用することもできる。例えば、半導体モジュール１０の劣化指標は、半導体モジュール１０に組み込まれている半導体デバイス（例えば、ＩＧＢＴ、ＭＯＦＥＴ等）の電気特性（例えば、オン電圧又はオン抵抗）であってもよい。あるいは、半導体モジュール１０の劣化指標は、半導体モジュール１０の電気特性（例えば、オン電圧又はオン抵抗）であってもよい。
Other physical quantities may be adopted as the deterioration index of the
劣化推定装置１００は、データ取得部１１０と、記憶部１２０と、推定部１３０と、を備えている。劣化推定装置１００は、劣化の推定対象である半導体モジュール１０が搭載されている電力変換装置に設けられていてもよい。あるいは、劣化推定装置１００は、劣化推定装置１００を構成するデータ取得部１１０と記憶部１２０と推定部１３０のうちの少なくとも一部の要素が外部サーバに設けられ、例えばＷｅｂ通信を介して電力変換装置に通信可能に構成されていてもよい。
The
データ取得部１１０は、半導体モジュール１０に設けられている各種センサ３０から各種データを受信するように構成されており、動作データ取得部１１２と環境データ取得部１１４を有している。
The
動作データ取得部１１２は、劣化の推定対象である半導体モジュール１０が使われ始めてからの半導体モジュール１０の動作データを取得するように構成されている。半導体モジュール１０の動作データは、例えば、半導体モジュール１０が使われ始めてからの経過時間と、その経過時間内の半導体モジュール１０の積算通電エネルギーと、を含む。経過時間と積算通電エネルギーの動作データは、半導体モジュール１０の使用頻度を示すデータである。半導体モジュール１０の使用頻度が多い場合、経過時間内の積算通電エネルギーが大きい。動作データはさらに、半導体モジュール１０の動作時の温度の実測値を含んでもよい。半導体モジュール１０が電動自動車用の電力変換装置に用いられている場合、動作データはさらに、アクセル開度とモータジェネレータ（ＭＧ）挙動を含んでもよい。
The operation
環境データ取得部１１４は、半導体モジュール１０が使われ始めてからの半導体モジュール１０の環境データを取得するように構成されている。半導体モジュール１０の環境データは、例えば半導体モジュール１０が使用されている環境の温度履歴である。半導体モジュール１０の環境データはさらに、例えば半導体モジュール１０が使用されている環境の湿度履歴を含んでもよい。
The environmental
記憶部１２０は、メモリによって構成されており、数理モデル記憶部１２２と製造プロセスデータ記憶部１２４とを有している。
The
数理モデル記憶部１２２は、半導体モジュールの劣化指標の劣化を記述する劣化数理モデルを記憶している。ここで、図２を参照し、劣化数理モデルの作成方法について説明する。図２は、複数の半導体モジュールの製造プロセスデータと劣化指標の劣化の進行データに関するビックデータを概略して示す図である。図２の左側のグラフは複数の半導体モジュールの製造プロセスデータを示しており、図２の右側のグラフは複数の半導体モジュールの劣化指標の劣化の進行データを示す。図２の線の１つが１つの半導体モジュールに対応している。なお、図２の右側のグラフは、半導体モジュールの積算通電エネルギーに対する半導体モジュールの劣化指標の劣化度の変動を示すグラフである。劣化指標の劣化度とは、劣化指標の劣化の上限値（閾値）を「１００」とし、劣化指標の劣化の基準値を「０」としたときの割合（パーセント％）である。
The mathematical
製造プロセスデータは、例えば、ウェハ品質と、プロセス条件と、半導体モジュールに組み込まれている半導体デバイスの出荷前の電気特性と、半導体モジュールの出荷前の電気特性と、の各種パラメータを含む。ウェハ品質は、例えば欠陥密度である。プロセス条件は、例えば熱処理のときのウェハの温度履歴である。半導体デバイスの出荷前の電気特性は、例えば半導体デバイスのオン抵抗である。半導体モジュールの出荷前の電気特性は、例えば半導体モジュールのオン抵抗である。なお、半導体デバイスの出荷前の電気特性と半導体モジュールの出荷前の電気特性には、出荷規格が設定されている。図２に示されるように、製造プロセスデータの各種パラメータは、半導体モジュール毎にバラツキがある。このため、半導体デバイスの出荷前の電気特性と半導体モジュールの出荷前の電気特性が出荷規格に収まっていても、半導体モジュール毎に劣化指標の劣化度の初期値にバラツキが生じている。 The manufacturing process data includes, for example, various parameters such as wafer quality, process conditions, pre-shipment electrical characteristics of the semiconductor device incorporated in the semiconductor module, and pre-shipment electrical characteristics of the semiconductor module. Wafer quality is, for example, defect density. The process condition is, for example, the temperature history of the wafer at the time of heat treatment. The electrical characteristic of a semiconductor device before shipment is, for example, the on-resistance of the semiconductor device. The electrical characteristic of a semiconductor module before shipment is, for example, the on-resistance of the semiconductor module. Shipping standards are set for the electrical characteristics of the semiconductor device before shipment and the electrical characteristics of the semiconductor module before shipment. As shown in FIG. 2, various parameters of the manufacturing process data vary from semiconductor module to semiconductor module. Therefore, even if the electrical characteristics of the semiconductor device before shipment and the electrical characteristics of the semiconductor module before shipment are within the shipping standards, the initial value of the deterioration degree of the deterioration index varies from semiconductor module to semiconductor module.
劣化指標の劣化度の進行データは、積算通電エネルギーに対する劣化度の変動データである。このような劣化指標の劣化度の進行データは、複数の半導体モジュールに対する実験から収集してもよく、出荷された複数の半導体モジュールから収集してもよい。 The deterioration degree progress data of the deterioration index is the fluctuation data of the deterioration degree with respect to the integrated energization energy. The deterioration degree progress data of such a deterioration index may be collected from experiments on a plurality of semiconductor modules, or may be collected from a plurality of shipped semiconductor modules.
上記したように、この例の半導体モジュールの劣化指標は、半導体モジュールの動作時の温度変化の温度差である。半導体モジュールの劣化指標、即ち、半導体モジュールの温度差は、積算通電エネルギーの増加に追随して増加する。図２に示されるように、劣化指標の劣化度は、積算通電エネルギーの増加に追随して増加し、初期値が高いほど劣化の進行が速い傾向にある。一方、データ１Ａとデータ１Ｂを比較すると、劣化度の初期値についてはデータ１Ｂがデータ１Ａよりも低いものの、劣化の進行についてはデータ１Ｂがデータ１Ａよりも速い。これは、半導体モジュールの製造プロセスの各種パラメータ（例えばウェハ品質等）に加えて、半導体モジュールの使われ方（例えば使用頻度等）及び半導体モジュールが使われている環境（例えば温度及び湿度）による影響と考えられる。このように、半導体モジュールの劣化は、半導体モジュールの製造プロセスデータと半導体モジュールの使われ方のデータ（動作データ）と半導体モジュールが使われている環境（環境データ）に相関する。
As described above, the deterioration index of the semiconductor module in this example is the temperature difference of the temperature change during the operation of the semiconductor module. The deterioration index of the semiconductor module, that is, the temperature difference of the semiconductor module increases with the increase of the integrated energization energy. As shown in FIG. 2, the degree of deterioration of the deterioration index increases in accordance with the increase in the integrated energization energy, and the higher the initial value, the faster the deterioration tends to progress. On the other hand, when
半導体モジュールの劣化指標の劣化を記述する劣化数理モデルは、複数の半導体モジュールの製造プロセスデータと動作データと環境データと劣化指標の劣化度の進行データのビックデータから作成される。したがって、劣化数理モデルは、積算通電エネルギーに対する劣化指標の劣化度の標準的な劣化を反映した数理モデルであり、劣化指標の劣化度の進行カーブを推定する数理モデルである。後述するように、劣化数理モデルは、劣化の推定対象である半導体モジュール１０の個別の製造プロセスデータと動作データと環境データに基づいて修正され、半導体モジュール１０の個別の劣化指標の劣化度の進行カーブを高精度に推定することができる。劣化数理モデルは、特に限定されるものではないが、機械学習を用いて作成されてもよい。劣化数理モデルの独立変数は、半導体モジュール１０の累積動作時間を反映した物理量であればよく、積算通電エネルギーに代えて、パワーサイクル数であってもよい。数理モデル記憶部１２２には、このようにビックデータを用いて予め作成された劣化数理モデルが記憶されている。
A deterioration mathematical model that describes the deterioration of the deterioration index of a semiconductor module is created from big data of manufacturing process data, operation data, environmental data, and deterioration degree progress data of a plurality of semiconductor modules. Therefore, the deterioration actuarial model is a mathematical model that reflects the standard deterioration of the deterioration degree of the deterioration index with respect to the integrated energization energy, and is a mathematical model that estimates the progress curve of the deterioration degree of the deterioration index. As will be described later, the deterioration actuarial model is modified based on the individual manufacturing process data, operation data, and environmental data of the
製造プロセスデータ記憶部１２４は、劣化の推定対象である半導体モジュール１０の個別の製造プロセスデータを記憶している。なお、本明細書では、劣化の推定対象である半導体モジュール１０の個別の製造プロセスデータを「特定製造プロセスデータ」と称し、他の半導体モジュールの製造プロセスデータと区別する。このような特定製造プロセスデータは、半導体モジュールの製造過程で半導体モジュール毎に紐づけられて管理され、半導体モジュールの出荷時に、その半導体モジュールに紐づけられた特定製造プロセスデータが製造プロセスデータ記憶部１２４に入力される。
The manufacturing process
推定部１３０は、記憶部１２０から劣化数理モデル及び半導体モジュール１０の個別の特定製造プロセスデータを読み出すとともに、データ取得部１１０から半導体モジュール１０の動作データ及び環境データを読み出す。さらに、推定部１３０は、半導体モジュール１０の個別の特定製造プロセスデータと動作データと環境データに基づいて劣化数理モデルを修正し、修正された修正劣化数理モデルに基づいて前記半導体モジュールの劣化指標の劣化度の進行カーブを推定する。
The
図３に、劣化数理モデルと修正された修正劣化数理モデルによって推定される劣化指標の劣化度の積算通電エネルギーに対する変動を概略して示す。進行カーブ２Ａ，２Ｂはいずれも、修正劣化数理モデルによって推定された劣化指標の劣化度の進行カーブである。進行カーブ２Ａは、劣化度の初期値が高く推定されるとともに、劣化度の進行も速く劣化すると推定されている。例えば特定製造プロセスデータに含まれるウェハ品質のパラメータが悪い場合、動作データに含まれる使用頻度のパラメータが大きい場合、及び、環境データに含まれる温度の変化のパラメータが大きい場合に、修正劣化数理モデルが進行カーブ２Ａのような推定を行うと考えられる。一方、進行カーブ２Ｂは、劣化度の初期値が低く推定されるとともに、劣化度の進行も遅く劣化すると推定されている。例えば特定製造プロセスデータに含まれるウェハ品質のパラメータが良い場合、動作データに含まれる使用頻度のパラメータが小さい場合、及び、環境データに含まれる温度の変化のパラメータが小さい場合に、修正劣化数理モデルが進行カーブ２Ｂのような推定を行うと考えられる。
FIG. 3 schematically shows the fluctuation of the deterioration degree of the deterioration index estimated by the deterioration actuarial model and the modified modified deterioration actuarial model with respect to the integrated energization energy. Both the progress curves 2A and 2B are progress curves of the degree of deterioration of the deterioration index estimated by the modified deterioration actuarial model. In the
このように、劣化数理モデルを修正した修正劣化数理モデルは、半導体モジュール１０の個別の特定製造プロセスデータ、動作データ及び環境データが反映した数理モデルであり、半導体モジュール１０の劣化指標の劣化度の進行カーブを高精度に推定することができる。
In this way, the modified deterioration actuarial model modified from the deterioration actuarial model is a mathematical model that reflects the individual specific manufacturing process data, operation data, and environmental data of the
劣化数理モデルから修正劣化数理モデルへの修正は、劣化数理モデルに含まれる重み係数を変更してもよい。例えば、複数の重み係数を含む重み係数表が与えられており、特定製造プロセスデータと動作データと環境データに基づいて重み係数が決定され、その重み係数によって劣化数理モデルから修正劣化数理モデルに修正してもよい。特定製造プロセスデータと動作データと環境データの各々に重み係数表が与えられていてもよく、これらデータの組み合わせに対して１つの重み係数表が与えられていてもよい。 The modification from the degraded actuarial model to the modified degraded actuarial model may change the weighting coefficient included in the degraded actuarial model. For example, a weighting coefficient table containing multiple weighting coefficients is given, and the weighting coefficient is determined based on specific manufacturing process data, operation data, and environmental data, and the weighting coefficient is used to modify the deterioration actuarial model to the modified deterioration actuarial model. You may. A weighting coefficient table may be given to each of the specific manufacturing process data, the operation data, and the environmental data, or one weighting coefficient table may be given to the combination of these data.
図１に戻る。上記したように、劣化推定装置１００の推定部１３０は、修正劣化推定モデルに基づいて半導体モジュール１０の劣化指標の劣化度の進行カーブを推定する。推定部１３０は、推定された劣化指標の劣化度の進行カーブから劣化度が閾値（上限値）に達するタイミングを予測し、予測されたタイミングを表示部１４０に出力する。表示部１４０は、予測されたタイミングを使用者に報知し、例えば半導体モジュール１０の交換を促すことができる。
Return to FIG. As described above, the
以下、半導体モジュールの動作時の温度変化の温度差が劣化指標の場合の半導体モジュールの劣化を推定する方法についてさらに詳細に説明する。まず、劣化数理モデルについて説明する。 Hereinafter, the method of estimating the deterioration of the semiconductor module when the temperature difference of the temperature change during the operation of the semiconductor module is the deterioration index will be described in more detail. First, the deterioration mathematical model will be described.
半導体モジュールの動作時の温度変化の温度差（ΔＴ）は、以下の数式に表すことができる。ここで、Ｒｔｈは半導体モジュールの熱抵抗であり、Ｐｌｏｓｓは半導体モジュールの電力損失である。
したがって、半導体モジュールの温度差（ΔＴ）の劣化を記述する劣化数理モデルは、熱抵抗（Ｒｔｈ）の劣化を記述する熱抵抗劣化数理モデルと半導体モジュールの電力損失（Ｐｌｏｓｓ）の劣化を記述する電力損失劣化数理モデルの積に比例した数理モデルとして作成することができる。 Therefore, the mathematical deterioration model that describes the deterioration of the temperature difference (ΔT) of the semiconductor module describes the deterioration of the thermal resistance ( Rth ), and the mathematical model of thermal resistance that describes the deterioration of the power loss (Plus) of the semiconductor module. It can be created as a mathematical model proportional to the product of the power loss deterioration mathematical model.
熱抵抗（Ｒｔｈ）は、半導体モジュール毎のバラツキが実質的に無視できる。このため、熱抵抗（Ｒｔｈ）の劣化を記述する熱抵抗劣化数理モデルは、半導体モジュールの製造プロセスに依存しないするモデルとすることができる。 As for the thermal resistance (R th ), the variation among semiconductor modules can be substantially ignored. Therefore, the thermal resistance deterioration mathematical model that describes the deterioration of the thermal resistance ( Rth ) can be a model that does not depend on the manufacturing process of the semiconductor module.
電力損失（Ｐｌｏｓｓ）は、定常損失が主成分であり、以下の数式に表すことができる。ここで、Ｒｏｎは半導体モジュールのオン抵抗であり、Ｉは半導体モジュールを流れる電流である。
オン抵抗（Ｒｏｎ）は、製造プロセスの各種パラメータに依存する。例えば、ウェハの欠陥密度はウェハ毎にバラツキが大きく、これにより、ウェハの欠陥密度に依存して半導体モジュールのオン抵抗（Ｒｏｎ）が半導体モジュール毎にばらつく。さらに、オン抵抗（Ｒｏｎ）は、半導体モジュールの使われ方に依存して劣化の進行が変動する。例えば、炭化珪素（ＳｉＣ）のウェハから製造される半導体デバイスでは、積算通電エネルギーの増加によりオン抵抗（Ｒｏｎ）が増加することが知られている。この現象は、ウェハ内の基底面転位と呼ばれる線欠陥を起点として通電中に積層欠陥が成長して高抵抗層が形成されることが原因であると考えられている。したがって、積算通電エネルギーに対するオン抵抗（Ｒｏｎ）の増加、即ち、電力損失（Ｐｌｏｓｓ）の増加は、ウェハの欠陥密度、欠陥分布及び欠陥種類と相関があると考えられる。このため、電力損失（Ｐｌｏｓｓ）の劣化を記述する電力損失劣化数理モデルは、半導体モジュールの製造プロセスに依存したモデルとすることができる。 The on-resistance (Ron) depends on various parameters of the manufacturing process. For example, the defect density of a wafer varies greatly from wafer to wafer, so that the on -resistance (Ron) of the semiconductor module varies from semiconductor module to semiconductor module depending on the defect density of the wafer. Further, the on -resistance (Ron) varies in the progress of deterioration depending on how the semiconductor module is used. For example, in a semiconductor device manufactured from a wafer made of silicon carbide (SiC), it is known that the on -resistance (Ron) increases as the integrated energization energy increases. It is considered that this phenomenon is caused by the growth of laminated defects during energization starting from line defects called basal dislocations in the wafer to form a high resistance layer. Therefore, it is considered that the increase in on -resistance (Ron) with respect to the integrated energization energy, that is, the increase in power loss (Ploss), correlates with the defect density, defect distribution, and defect type of the wafer. Therefore, the power loss deterioration mathematical model that describes the deterioration of the power loss ( Plus ) can be a model that depends on the manufacturing process of the semiconductor module.
上記したように、半導体モジュールの温度差（ΔＴ）の劣化を記述する劣化数理モデルは、熱抵抗（Ｒｔｈ）の劣化を記述する熱抵抗劣化数理モデルと半導体モジュールの電力損失（Ｐｌｏｓｓ）の劣化を記述する電力損失劣化数理モデルの積に比例した数理モデルであり、複数の半導体モジュールの製造プロセスデータと動作データと環境データからなるビックデータを利用して予め作成することができる。作成された劣化数理モデルは、劣化推定装置の記憶部（図１参照）に格納される。 As described above, the mathematical deterioration model that describes the deterioration of the temperature difference (ΔT) of the semiconductor module is the mathematical model of thermal resistance deterioration that describes the deterioration of the thermal resistance ( Rth ) and the power loss (Plus) of the semiconductor module. It is a mathematical model proportional to the product of the power loss deterioration mathematical model that describes the deterioration, and can be created in advance using big data consisting of manufacturing process data, operation data, and environmental data of a plurality of semiconductor modules. The created deterioration mathematical model is stored in the storage unit (see FIG. 1) of the deterioration estimation device.
次に、図４を参照し、半導体モジュールの個別の動作時の温度変化の温度差（ΔＴ）の劣化を推定する方法を説明する。なお、以下の推定方法は、図１に示す劣化推定装置１００が実行することができる。
Next, with reference to FIG. 4, a method of estimating the deterioration of the temperature difference (ΔT) of the temperature change during the individual operation of the semiconductor module will be described. The following estimation method can be executed by the
まず、ステップＳ１１に示すように、劣化推定装置１００は、半導体モジュールの出荷時に、推定対象の半導体モジュールの特定製造プロセスデータを製造プロセスデータ記憶部１２４に記憶する。半導体モジュールの特定製造プロセスデータは、半導体モジュールの製造工程において、半導体モジュール毎に紐づけて管理されている。この例では、特定製造プロセスデータは、ウェハの品質（欠陥密度、欠陥分布及び欠陥種類）である。ウェハの欠陥密度、欠陥分布及び欠陥種類のパラメータは、例えば画像認識技術を利用して分類することができる。
First, as shown in step S11, the
次に、ステップＳ１２に示すように、劣化推定装置１００は、半導体モジュールの出荷後に、推定対象の半導体モジュールの個別の動作データを取得する。この例では、半導体モジュールの動作データは、半導体モジュールが使われ始めてからの経過時間と、その経過時間内の半導体モジュールの積算通電エネルギーと、半導体モジュールの動作時の温度変化の温度差（ΔＴ）の実測値である。
Next, as shown in step S12, the
次に、ステップＳ１３に示すように、劣化推定装置１００は、推定対象の半導体モジュールの個別の特定製造プロセスデータに基づいて電力損失劣化数理モデルを修正する。これにより、半導体モジュールの温度差（ΔＴ）の劣化を記述する劣化数理モデルが修正され、修正劣化数理モデルが作成される。
Next, as shown in step S13, the
次に、ステップＳ１４において、劣化推定装置１００は、半導体モジュールの温度差（ΔＴ）の実測値に修正劣化数理モデルを当て嵌め、半導体モジュールの温度差（ΔＴ）の劣化度の進行カーブを推定する。半導体モジュールの温度差（ΔＴ）の実測値を利用することにより、推定される進行カーブが調整され、より高精度な推定が可能である。
Next, in step S14, the
次に、ステップＳ１５において、劣化推定装置１００は、推定された進行カーブが劣化度の閾値（上限値）に達するタイミングを予測する。例えば、動作データの使用頻度を利用して、推定された進行カーブが劣化度の閾値（上限値）に達する残り日数を予測することができる。
Next, in step S15, the
次に、ステップＳ１６において、劣化推定装置１００は、例えばアラーム装置を利用して予測されたタイミングを使用者に報知する。これにより、使用者は、適切なタイミングで半導体モジュール１０を交換することができる。
Next, in step S16, the
以上、本発明の具体例を詳細に説明したが、これらは例示に過ぎず、特許請求の範囲を限定するものではない。特許請求の範囲に記載の技術には、以上に例示した具体例を様々に変形、変更したものが含まれる。 Although specific examples of the present invention have been described in detail above, these are merely examples and do not limit the scope of claims. The techniques described in the claims include various modifications and modifications of the specific examples exemplified above.
例えば、修正劣化数理モデルで推定された進行カーブが実測値から乖離する場合、基準となる劣化数理モデルを修正してもよい。また、このような修正を同時期に出荷された他の半導体モジュールに設けられている劣化推定装置に記憶されている劣化数理モデルに展開してもよい。このような修正を例えばＷｅｂ通信を介して他の劣化推定装置にも展開することができる。 For example, when the progress curve estimated by the modified deterioration actuarial model deviates from the measured value, the reference deterioration actuarial model may be modified. Further, such a modification may be applied to a deterioration actuarial model stored in a deterioration estimation device provided in another semiconductor module shipped at the same time. Such modifications can be extended to other deterioration estimation devices, for example, via Web communication.
また、本明細書または図面に説明した技術要素は、単独であるいは各種の組合せによって技術的有用性を発揮するものであり、出願時請求項記載の組合せに限定されるものではない。また、本明細書または図面に例示した技術は複数目的を同時に達成し得るものであり、そのうちの一つの目的を達成すること自体で技術的有用性を持つものである。 Further, the technical elements described in the present specification or the drawings exhibit technical usefulness alone or in various combinations, and are not limited to the combinations described in the claims at the time of filing. In addition, the techniques exemplified in the present specification or the drawings can achieve a plurality of purposes at the same time, and achieving one of the purposes itself has technical usefulness.
１０ ：半導体モジュール
２０ ：駆動制御部
３０ ：センサ
１００ ：劣化推定装置
１１０ ：データ取得部
１１２ ：動作データ取得部
１１４ ：環境データ取得部
１２０ ：記憶部
１２２ ：数理モデル記憶部
１２４ ：製造プロセスデータ記憶部
１３０ ：推定部
１４０ ：表示部
10: Semiconductor module 20: Drive control unit 30: Sensor 100: Deterioration estimation device 110: Data acquisition unit 112: Operation data acquisition unit 114: Environmental data acquisition unit 120: Storage unit 122: Mathematical model storage unit 124: Manufacturing process data storage Unit 130: Estimating unit 140: Display unit
Claims (6)
前記半導体モジュールの劣化指標の劣化を記述する劣化数理モデルを記憶する数理モデル記憶部であって、前記劣化数理モデルは、少なくとも複数の前記半導体モジュールの製造プロセスデータと前記劣化指標の劣化の進行データに基づいて作成される、数理モデル記憶部と、
推定対象の前記半導体モジュールの前記製造プロセスデータである特定製造プロセスデータを記憶する製造プロセスデータ記憶部と、
少なくとも前記特定製造プロセスデータに基づいて前記劣化数理モデルを修正し、修正された修正劣化数理モデルに基づいて推定対象の前記半導体モジュールの前記劣化指標の劣化を推定する推定部と、を備える、劣化推定装置。 It is a deterioration estimation device for semiconductor modules.
It is a mathematical model storage unit that stores a deterioration actuarial model that describes deterioration of the deterioration index of the semiconductor module, and the deterioration actuarial model is at least a plurality of manufacturing process data of the semiconductor module and deterioration progress data of the deterioration index. Mathematical model storage and, created based on
A manufacturing process data storage unit that stores specific manufacturing process data that is the manufacturing process data of the semiconductor module to be estimated.
Deterioration including at least an estimation unit that modifies the deterioration actuarial model based on the specific manufacturing process data and estimates the deterioration of the deterioration index of the semiconductor module to be estimated based on the modified modified deterioration actuarial model. Estimator.
前記推定部は、少なくとも前記特定製造プロセスデータと前記動作データに基づいて前記劣化数理モデルを修正し、修正された前記修正劣化数理モデルに基づいて推定対象の前記半導体モジュールの前記劣化指標の劣化を推定する、請求項１に記載の劣化推定装置。 It further includes an operation data acquisition unit that acquires operation data of the semiconductor module after the semiconductor module to be estimated has begun to be used.
The estimation unit modifies the deterioration actuarial model based on at least the specific manufacturing process data and the operation data, and deteriorates the deterioration index of the semiconductor module to be estimated based on the modified modified deterioration actuarial model. The deterioration estimation device according to claim 1, wherein the deterioration estimation device is estimated.
前記推定部は、少なくとも前記特定製造プロセスデータと前記環境データに基づいて前記劣化数理モデルを修正し、修正された前記修正劣化数理モデルに基づいて前記半導体モジュールの前記劣化指標の劣化を推定する、請求項１～３のいずれか一項に記載の劣化推定装置。 It is further equipped with an environmental data acquisition unit that acquires environmental data during operation of the semiconductor module since the semiconductor module to be estimated has begun to be used.
The estimation unit modifies the deterioration actuarial model based on at least the specific manufacturing process data and the environmental data, and estimates the deterioration of the deterioration index of the semiconductor module based on the modified modified deterioration actuarial model. The deterioration estimation device according to any one of claims 1 to 3.
前記熱抵抗劣化数理モデルは、前記半導体モジュールの製造プロセスに依存しない数理モデルであり、
前記電力損失劣化数理モデルは、前記半導体モジュールの製造プロセスに依存した数理モデルである、請求項１～５のいずれか一項に記載の劣化推定装置。 The deterioration mathematical model is a mathematical model that describes the deterioration of the temperature difference of the temperature change during the operation of the semiconductor module, and is a thermal resistance deterioration mathematical model that describes the deterioration of the thermal resistance of the semiconductor module and the power of the semiconductor module. Contains the product of a mathematical model of power loss degradation that describes loss degradation,
The thermal resistance deterioration mathematical model is a mathematical model that does not depend on the manufacturing process of the semiconductor module.
The deterioration estimation device according to any one of claims 1 to 5, wherein the power loss deterioration mathematical model is a mathematical model that depends on the manufacturing process of the semiconductor module.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020201856A JP7410844B2 (en) | 2020-12-04 | 2020-12-04 | Semiconductor module deterioration estimation device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020201856A JP7410844B2 (en) | 2020-12-04 | 2020-12-04 | Semiconductor module deterioration estimation device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022089450A true JP2022089450A (en) | 2022-06-16 |
| JP7410844B2 JP7410844B2 (en) | 2024-01-10 |
Family
ID=81989538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020201856A Active JP7410844B2 (en) | 2020-12-04 | 2020-12-04 | Semiconductor module deterioration estimation device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7410844B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024080148A1 (en) * | 2022-10-10 | 2024-04-18 | 株式会社デンソー | Method and device for manufacturing semiconductor device |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4191715B2 (en) | 2005-10-03 | 2008-12-03 | 三菱電機株式会社 | In-vehicle motor controller |
| JP6622497B2 (en) | 2015-07-22 | 2019-12-18 | ルネサスエレクトロニクス株式会社 | Failure prediction apparatus and failure prediction method |
| JP6010204B1 (en) | 2015-10-26 | 2016-10-19 | ファナック株式会社 | Machine learning apparatus and method for learning predicted life of power element, life prediction apparatus and motor driving apparatus equipped with machine learning apparatus |
| EP3531146B1 (en) | 2018-02-27 | 2023-03-08 | Mitsubishi Electric R&D Centre Europe B.V. | Wire-bonded power semi-conductor module monitoring |
-
2020
- 2020-12-04 JP JP2020201856A patent/JP7410844B2/en active Active
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024080148A1 (en) * | 2022-10-10 | 2024-04-18 | 株式会社デンソー | Method and device for manufacturing semiconductor device |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7410844B2 (en) | 2024-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101742340B1 (en) | Method for determining and/or predicting the maximum performance capacity of a battery | |
| KR101366880B1 (en) | Solar power inverters, including temperature-controlled solar power inverters, and associated systems and methods | |
| CN108603913A (en) | The method and apparatus that damaged condition or life expectancy to power semiconductor modular are estimated | |
| US9225283B2 (en) | Motor control device for switching PWM frequency to use the same | |
| JP5130608B2 (en) | Battery control device | |
| CN104578874A (en) | Power controller | |
| CN109861571B (en) | Drive method and system for improving reliability of SiC inverter | |
| JPWO2015129117A1 (en) | Secondary battery SOC estimation device | |
| JP2018096953A (en) | Battery state estimation device | |
| JP2005332777A (en) | Warm-up control unit of battery | |
| US10649035B2 (en) | Method for estimating the current and the state of charge of a battery pack or cell, without direct detection of current under operating conditions | |
| CN109613352B (en) | Method, device and system for testing service life of power module in converter | |
| CN111417861A (en) | Method and evaluation unit and system for determining the remaining service life of a capacitor | |
| WO2018179854A1 (en) | Battery energy storage system, battery management system, and control method | |
| CN107172885A (en) | The appraisal procedure of maximum power point tracking device and solar module | |
| US20220224105A1 (en) | Thermal protection and warning method and system based on junction temperature prediction for power devices of offshore wind power converters | |
| JP2022089450A (en) | Device for estimating degradation of semiconductor module | |
| US11408839B2 (en) | Processing device | |
| JP6696311B2 (en) | Charging rate estimation device | |
| JP2012181037A (en) | Deterioration estimation device, deterioration estimating method, and program | |
| WO2018079164A1 (en) | Battery control device | |
| JP2019032299A5 (en) | ||
| JP2014068468A (en) | Charge control device | |
| JP2018117400A (en) | Driving device for vehicle, and vehicle | |
| CN106043160B (en) | Method for operating an electrified motor vehicle |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230323 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231204 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231212 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231222 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7410844 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |