文章列表
聯系我們 產品咨詢

聯系人:吳海麗
電話:0755-2349 0212
手機:157-1205-5037
郵箱:tel-sherry@foxmail.com
地址:廣東省深圳市龍華新區民治街道向南四區松花大廈
點擊這里給我發消息

基于熱敏感電參數法的IGBT模塊結溫檢測

作者:海飛樂技術 時間:2020-06-10 11:37

1. 熱敏感電參數法
  物質的物理特性與溫度有密切關系,如尺寸、體積、電導率、熱電勢、輻射功率等都隨著溫度的不同而改變,所以可通過物質隨溫度變化的某些特性來間接測量溫度[6]。IGBT模塊由半導體器件構成,這些器件的外部電氣參數通常與溫度具有一定的映射關系,反映到微觀則體現在載流子的遷移率與溫度相關。這種受器件內部結溫影響的外部電氣特征參數稱為熱敏感電參數。隨著運行工況的變化,IGBT模塊的芯片結溫也會發生變化,則模塊相應的外部電氣參數也會隨之變化。通過對熱敏感電參數的測量,即可對芯片結溫進行逆向檢測。該技術無需改變模塊封裝結構,且其響應速度快、精度高、成本低,具有很好的工程應用價值。
 
2. 飽和壓降測試平臺
2.1 熱敏感電參數法的參數選取
  目前常用的熱敏感電參數包括飽和壓降VCE、柵極開通延時時間tdon、閾值電壓Vge、集電極電流最大變化率(dic/dt)max以及集射極電壓變化率dVCE/dt等。根據經驗,柵極開通延時時間tdon非常短,約為幾百納秒至一個微秒左右,過短的反應時間對測試設備的硬件水平要求很高,從成本和測量精度上來講不宜選取該參數。IGBT模塊中因布線等原因存在著大量的寄生參數,這些寄生參數會對集電極電流最大變化率(dic/dt)max和集射極電壓變化率dVCE/dt造成干擾,使波形產生一定的振蕩,誤差較大。閾值電壓Vge隨溫度的變化情況并不明顯,敏感性不高。因此,綜合考慮目前實驗室的條件以及測量結果的準確性,本文選用飽和壓降VCE來反映溫度變化。
 
2.2 測試原理
  當IGBT模塊注入小電流時(≤100mA),飽和壓降VCE與結溫TJ具有優越的線性關系。然而實際工況條件下,IGBT模塊集電極電流IC通??蛇_幾十甚至幾百安培,遠大于小電流的要求,模塊工作在大電流下將產生自熱,使飽和壓降VCE與結溫TJ不再具備線性關系。研究表明,IGBT模塊通過集電極電流脈寬小于1ms時,模塊無自熱效應,結殼溫度近似相等。因此,為了防止IGBT的自熱效應,采用1ms的單脈沖柵極電壓來驅動IGBT,使芯片產生的熱量足夠小以至可被忽略不計。如此,便可在長時間對IGBT模塊加熱待熱平衡后,將加熱溫度視為模塊結溫;而后在集電極端注入恒定電流,利用神經網絡尋找結溫和集電極電流已知條件下與此時的飽和壓降的映射關系。
  BP神經網絡的預測精度依賴于大量的實驗數據,數據集的質量對神經網絡的預測結果至關重要,1000個樣本包含的信息可能沒有100個樣本所含的信息量大。為便于測試,應考慮采用適當集電極電流的IGBT。本著力求準確、結合實際的原則,本文選取富士電機1200V/75A的2MBI75S-120型半橋結構IGBT模塊作為測試對象,考慮到神經網絡的魯棒性,應盡可能將樣本數據覆蓋模塊在實際應用中的全部變化范圍。為此,本文搭建了IGBT模塊飽和壓降測試平臺。該測試系統主要包括IGBT驅動電路、可程控直流電源、信號控制、功率負載、溫控平臺以及示波器6個部分,測試系統原理圖見圖1。

測試系統原理圖 
圖1 測試系統原理圖
  圖1中,IS代表可控直流電源;VDC為直流開關電源;R為功率電阻,充當負載;Vg表示脈沖信號;IGBT的下管是測試對象(虛線部分)。將模塊上管的門極加負壓關斷,為避免誤導通,將上管的集射極也做短接處理。依照原理圖搭建試驗電路,測試平臺實物見圖2。
測試平臺裝置 
圖2 測試平臺裝置
 
2.3 測試過程
  首先,將處理后的IGBT模塊置于加熱臺內,在基板與加熱臺的接觸面涂刷導熱硅脂,增加受熱面積與傳熱性能。然后設定加熱臺溫度,在該溫度下將IGBT加熱足夠的時間,使得模塊達到完全的熱平衡。此時可以認為,IGBT模塊的表殼溫度與芯片結溫是一致的,也就是說恒溫加熱臺設定溫度即為此時模塊芯片PN結的溫度。根據加熱溫度的不同,達到熱平衡的時間也不同,設定溫度越高,達到熱平衡的速度也就越慢,可從20min延長至90min。具體的評判方法可以利用熱成像儀輔助參考。加熱狀態中模塊的表殼溫度場分布熱成像如圖3所示,其測量點溫度為70.3℃,底部較頂部顏色深,說明底部溫度高。
IGBT模塊表殼溫度場分布熱成像 
圖3 IGBT模塊表殼溫度場分布熱成像
  模塊達到熱平衡后,調節直流電源,將集電極電流IC設定為特定值,同時使用單脈沖驅動IGBT導通并記錄下該條件下的飽和壓降VCE。待IGBT達到熱平衡后,調節直流電壓源,改變給定的集電極電流IC,重復上一過程。在該溫度下,使集電極電流IC以一定的分度值將額定值覆蓋,此為同一溫度下的一組樣本數據。然后改變恒溫加熱臺的溫度,在不同溫度條件下重復此步驟,完成樣本采集。
 
2.4 測試結果
  IGBT模塊的電流額定值和最高工作結溫分別為75A和150℃,實際應用中不得超過此額定值。集電極電流從1A起,結溫從25℃起,分別選取測試點,然后2組測試條件相互組合,共計372組實驗。利用部分數據制不同集電極電流IC下飽和壓降與結溫的關系曲線(見圖4)。從圖中可以發現,當電流值約為13A時,飽和壓降VCE幾乎不隨結溫變化,在該點附近出現檢測盲區,該電流值稱為拐點電流。當集電極電流IC小于拐點電流時,VCE與結溫具有負溫度系數,大于拐點電流時則具有正溫度系數。由圖4可見,無論IC低于或是高于此分界值,IGBT在集電極電流IC恒定時,飽和壓降VCE均與結溫TJ具有優越的線性關系。出現拐點電流是因為IGBT模塊的飽和壓降主要由PN結導通壓降Vpn、輕摻雜基區壓降VB和MOS溝道導通壓降VMOS三者構成。當模塊中PN結的導通壓降Vpn占主要作用時,飽和壓降VCE表現為負溫度系數。當MOS溝道導通壓降VMOS占主要作用時,IGBT的飽和壓降表現為正溫度系數。
不同集電極電流IC下TJ和VCE的關系 
圖4 不同集電極電流IC下TJ和VCE的關系
 
3. BP神經網絡設計
  傳統上,獲取熱敏感電參數與結溫的映射關系采用多項式擬合的方法,但該方法精度低且無法用于在線檢測。本文采用的BP神經網絡模型適用于非線性且復雜的映射關系預測,已被廣泛應用負荷預測、故障診斷等領域,也可以很好地應用到芯片結溫在線檢測中,但在結溫預測方面目前的相關研究還非常少。本文從該角度對半導體芯片溫度檢測進行探索。
 
3.1 BP神經網絡工作原理
  BP神經網絡是一種多層前饋神經網絡,其主要特點是信號前向傳遞,誤差反向傳播。在前向傳遞中,輸入信號從輸入層經隱含層逐層處理,直至輸出層。如果輸出層得不到期望輸出,則轉入反向傳播,根據預測誤差調整網絡權值和閾值,從而使BP神經網絡預測輸出不斷逼近期望輸出。具有自組織和自學習能力強的特點,豐富的改進算法廣泛應用于多種非線性預測領域。
  在輸入層對神經網絡輸入變量,在隱含層和輸出層進行計算并輸出。在神經網絡的隱含層中,存在著依靠激勵函數來進行運算的“神經元”,也稱為“節點”。其工作邏輯是:在輸入矩陣進入隱含層前,先要通過一個做數據處理的“橋梁”,隱含層接收到經處理的輸入數據后通過激勵函數進行“運算加工”,“加工”完成后向輸出層移動時也要通過一個做數據處理的“橋梁”,處理完成后最終成為輸出矩陣。
  本文將飽和壓降VCE與集電極電流IC設置為輸入,結溫TJ設置為輸出,BP神經網絡的拓撲結構如圖5所示。
BP神經網絡的結構 
圖5 BP神經網絡的結構
 
3.2 結溫預測神經網絡模型的訓練過程
  建立神經網絡模型首先需要確定網絡的輸入變量,即明確哪些因素會對輸出產生關鍵影響。根據前文對熱敏感電參數的分析,選取飽和壓降與集電極電流作為輸入變量。模型預測的目標是IGBT模塊的結溫,因此將其作為輸出變量。目前,利用神經網絡預測IGBT模塊結溫的研究非常少,為數不多的相關文獻中數據樣本體量也在200組左右。因此,本文利用飽和壓降測試平臺所得372組數據在體量上有所進步。數據集測試完畢后,將測試集、驗證集和訓練集按照1:1:8的比例在全部樣本數據集中循環交叉選擇數據依次分配到3個集合中。
  輸入數據后,對輸入數據進行歸一化處理。數據歸一化是把所有數據都轉化為[0,1]之間的數,其目的是取消各維數據間數量級的差別,避免因為輸入輸出數據數量級差別較大而造成網絡預測誤差較大,不至于出現部分數據主導輸出結果的情況。本文采用MATLAB自帶函數mapmin-max對數據進行歸一化處理。初始化閾值和權值后設定網絡參數配置,調整迭代次數、學習率以及目標。在訓練過程中根據網絡預測誤差調整網絡的權值和閾值。模型訓練參數的選擇需通過大量測試,逐步改進,最終試驗出最優值。例如,學習速率從0.1開始測試,而后逐步降低。經過不斷試湊,對比各參數調整后的預測性能,最終將隱含層節點數設為100,訓練最大次數設為20000,訓練誤差期望值設為4e-5,學習率設為0.01。圖6所示為迭代次數與均方誤差的關系曲線,可以看出,BP神經網絡算法迭代計算100次時,校正數據達到最佳均方誤差。
 
3.3 預測結果與分析
BP神經網絡迭代次數與均方誤差關系曲線 
圖6 BP神經網絡迭代次數與均方誤差關系曲線
  將372組樣本的測試條件輸入神經網絡,網絡輸出結溫TJ的預測值。圖7所示為網絡預測結果與目標值的對比。從中選取部分樣本的預測結果進行性能分析(見表1、表2),可以看出,當集電極電流IC大于拐點電流時,神經網絡模型具有更高的擬合精度,預測結果與目標值非常接近,最大預測誤差比率不超過5%;而IC處于拐點電流附近時,誤差較大。
BP神經網絡預測結果 
圖7 BP神經網絡預測結果
 
表1 IC小于分界值時的部分訓練數據及神經網絡結溫預測結果
IC小于分界值時的部分訓練數據及神經網絡結溫預測結果 
表2 IC大于分界值時的部分訓練數據及神經網絡結溫預測結果
IC大于分界值時的部分訓練數據及神經網絡結溫預測結果 
 
4. 結語
  精確獲取IGBT的結溫始終是一個具有挑戰性的問題。采用集射極飽和壓降VCE的熱敏感電參數法作為結溫評估中最有潛力的方法,其精度卻受到電氣參數與結溫之間復雜的非線性關系的限制。本文基于恒溫加熱試驗平臺的測試數據,分析了熱敏感電參數與芯片結溫的映射,從人工智能的角度解決這個問題,提出了一種基于BP神經網絡的結溫預測模型,實現了對額定范圍內各種輸出條件下的IGBT結溫的有效預測,其精度在可接受范圍內。
  結溫的預測可應用于諸多研究領域,尤其在IGBT模塊的可靠性分析中不可或缺。至于IGBT模塊可靠性分析中非常重要的壽命預測,也很有利于工作的展開。目前壽命預測的主要研究方法包括物理模型法與解析式法,本文的工作解決了解析式法預測模塊壽命中結溫參數不便提取的難點。最后,需要指出的是,隨著網絡訓練樣本質量的提升與算法的優化,可以使預測精度進一步提高。




上一篇:基于結溫補償的IGBT模塊鍵合線失效監測方法
下一篇:確定IGBT柵極驅動電阻和電容參數的方法

毛片免费看