馬漢卿

（西安工程大學電子信息學院，西安 710048）

0 引言

IGBT（絕緣柵雙極型晶體管）是由MOSFET（金屬半場效晶體管）和雙極型晶體管復合而成的一種器件。由于具有低飽和壓降、低驅(qū)動功率及高頻開關能力，IGBT 模塊在電能變換與控制過程領域充當著“基石”的角色，廣泛用于許多電力電子設備中。然而相關研究顯示，在各類失效因素中由溫度誘發(fā)的功率器件故障可達55%。在正常工作溫度范圍內(nèi)，溫度每上升10 ℃，器件失效概率以近2 倍的速率上升[1]。IGBT 的主要失效原因可以分成3 種：與產(chǎn)品結構有關的因素，與外部應力有關的因素以及與外電路工作環(huán)境有關的因素。

IGBT 模塊基板多采用銅制成，襯底則由絕緣陶瓷及其附著的銅制成，稱為DBC 板。最重要的芯片則通過鋁線與模塊的發(fā)射極連接。不同的材料具有不同的導熱性，其熱膨脹系數(shù)也不盡相同，工作中長期的熱循環(huán)會對鍵合線、焊料層等部位產(chǎn)生沖擊，存在鍵合線脫落、斷裂以及焊料層開裂的風險。而這些現(xiàn)象直接與模塊結溫的變化量、平均值密切相關。因此，在使用IGBT 設計電力電子系統(tǒng)時，IGBT 結溫的實時監(jiān)測對于提高電力電子系統(tǒng)的可靠性、成本效益及性能具有十分重要的意義。

當前工程上檢測IGBT 模塊結溫大多采取測量散熱器溫度的方式，首先測量散熱器的溫度，再根據(jù)經(jīng)驗推算IGBT 模塊結溫，這種方式便于操作，但精度很差。國內(nèi)外學術領域針對結溫已經(jīng)做了一定的工作，根據(jù)特點主要可以歸納為四大類：物理接觸式測量法、光學非接觸測量法、熱阻抗模型預測法、熱敏感電參數(shù)法。針對各結溫測量技術進行了簡述，并對比分析了各方法的優(yōu)缺點，提出了一種基于熱敏感電參數(shù)的BP（反向傳播）神經(jīng)網(wǎng)絡結溫預測模型，通過BP 神經(jīng)網(wǎng)絡建立熱敏感電參數(shù)與結溫的映射關系。

1 IGBT 模塊結溫檢測的研究現(xiàn)狀

1.1 物理接觸式測量法

物理接觸式測量法將熱電阻或熱電偶焊接于IGBT 模塊內(nèi)部，從而獲取模塊內(nèi)部基板的局部溫度[2]，如圖1 所示。從絕緣、避免短路等因素來考慮只能將熱傳感器盡量靠近芯片四周布設，測量值與真實值存在較大誤差。利用熱敏電阻的方式需要額外的激勵源，響應時間較慢。熱電偶的測量原理則基于熱電效應，但因模塊內(nèi)部布局有限，存在操作不便的問題。

1.2 光學非接觸測量法

借助待測器件溫度與紅外輻射之間的關系，可采用光纖測溫、紅外攝像測溫、紅外顯微鏡及輻射線測定儀等技術測溫，其中紅外攝像測溫是最為常用的方式[3]。利用熱成像儀對測試對象捕捉，加熱狀態(tài)下IGBT 模塊表殼的溫度分布熱成像如圖2 所示，其右側溫度條表示屏幕內(nèi)捕捉溫度的范圍，從下至上表示溫度由低至高變化。該技術利用熱紅外成像儀，測量前亦需打開IGBT模塊的封裝，除去內(nèi)部填充的透明硅脂，并對測量部位涂黑，以增加輻射系數(shù)，從而提高檢測精度。該方案也屬于破壞性測量方法，且精準度高的熱紅外成像儀價格高昂，不適用于工程上的結溫在線檢測。

圖1 IGBT 模塊內(nèi)熱電阻安裝示意

圖2 IGBT 模塊表殼溫度場分布

1.3 熱阻抗模型預測法

該方法基于待測模塊的實時損耗及瞬態(tài)熱阻抗網(wǎng)絡模型反推IGBT 芯片結溫[4-5]。一些半導體制造商提供了用于結溫評估的仿真軟件，對IGBT模塊進行物理結構與熱特性分析，建立熱阻抗網(wǎng)絡模型，結合待測模塊的實時損耗反推芯片結溫。然而，功率損耗的實時計算與熱阻抗模型的建立相當困難，且隨著模塊的老化，熱阻抗模型的參數(shù)也會發(fā)生變化，對其準確度有很大影響。

1.4 熱敏感電參數(shù)法

物質(zhì)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(zhì)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(shù)通常與溫度具有一定的映射關系，反映到微觀則體現(xiàn)在載流子的遷移率與溫度相關。這種受器件內(nèi)部結溫影響的外部電氣特征參數(shù)稱為熱敏感電參數(shù)[7-8]。隨著運行工況的變化，IGBT 模塊的芯片結溫也會發(fā)生變化，則模塊相應的外部電氣參數(shù)也會隨之變化。通過對熱敏感電參數(shù)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(shù)法的參數(shù)選取

目前常用的熱敏感電參數(shù)包括飽和壓降VCE[9]、柵極開通延時時間tdon[10-11]、閾值電壓集電極電流最大變化率（dic/dt）max[12]以及集射極電壓變化率dVCE/dt[13]等。根據(jù)經(jīng)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(shù)。IGBT 模塊中因布線等原因存在著大量的寄生參數(shù)，這些寄生參數(shù)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(chǎn)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（≤100 mA），飽和壓降VCE與結溫TJ具有優(yōu)越的線性關系。然而實際工況條件下，IGBT 模塊集電極電流IC通常可達幾十甚至幾百安培，遠大于小電流的要求，模塊工作在大電流下將產(chǎn)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1 ms 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1 ms 的單脈沖柵極電壓來驅(qū)動IGBT，使芯片產(chǎn)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(jīng)網(wǎng)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(jīng)網(wǎng)絡的預測精度依賴于大量的實驗數(shù)據(jù)，數(shù)據(jù)集的質(zhì)量對神經(jīng)網(wǎng)絡的預測結果至關重要，1 000 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1 200 V/75 A 的2MBI75S-120 型半橋結構IGBT 模塊作為測試對象，考慮到神經(jīng)網(wǎng)絡的魯棒性，應盡可能將樣本數(shù)據(jù)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(tǒng)主要包括IGBT 驅(qū)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(tǒng)原理圖見圖3。

圖3 測試系統(tǒng)原理圖

圖3 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4。

圖4 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(nèi)，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(jù)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20 min 延長至90 min。具體的評判方法可以利用熱成像儀輔助參考。加熱狀態(tài)中模塊的表殼溫度場分布熱成像如圖5 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。

圖5 IGBT 模塊表殼溫度場分布熱成像

模塊達到熱平衡后，調(diào)節(jié)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(qū)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(diào)節(jié)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(shù)據(jù)。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75 A 和150 ℃，實際應用中不得超過此額定值。集電極電流從1 A 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(shù)據(jù)制不同集電極電流IC下飽和壓降與結溫的關系曲線（見圖6）。從圖中可以發(fā)現(xiàn)，當電流值約為13 A 時，飽和壓降VCE幾乎不隨結溫變化，在該點附近出現(xiàn)檢測盲區(qū)，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(shù)，大于拐點電流時則具有正溫度系數(shù)。由圖6 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(yōu)越的線性關系。出現(xiàn)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(qū)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(xiàn)為負溫度系數(shù)。當MOS 溝道導通壓降VMOS占主要作用時，IGBT 的飽和壓降表現(xiàn)為正溫度系數(shù)[14]。

圖6 不同集電極電流IC 下TJ 和VCE 的關系

3 BP 神經(jīng)網(wǎng)絡設計

傳統(tǒng)上，獲取熱敏感電參數(shù)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[15-16]。本文采用的BP 神經(jīng)網(wǎng)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(jīng)網(wǎng)絡工作原理

BP 神經(jīng)網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)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(jīng)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(zhuǎn)入反向傳播，根據(jù)預測誤差調(diào)整網(wǎng)絡權值和閾值，從而使BP 神經(jīng)網(wǎng)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[17]。

在輸入層對神經(jīng)網(wǎng)絡輸入變量，在隱含層和輸出層進行計算并輸出。 在神經(jīng)網(wǎng)絡的隱含層中，存在著依靠激勵函數(shù)來進行運算的“神經(jīng)元”，也稱為“節(jié)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(shù)據(jù)處理的“橋梁”，隱含層接收到經(jīng)處理的輸入數(shù)據(jù)后通過激勵函數(shù)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(shù)據(jù)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(jīng)網(wǎng)絡的拓撲結構如圖7 所示。

圖7 BP 神經(jīng)網(wǎng)絡的結構

3.2 結溫預測神經(jīng)網(wǎng)絡模型的訓練過程

建立神經(jīng)網(wǎng)絡模型首先需要確定網(wǎng)絡的輸入變量，即明確哪些因素會對輸出產(chǎn)生關鍵影響。根據(jù)前文對熱敏感電參數(shù)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(jīng)網(wǎng)絡預測IGBT 模塊結溫的研究非常少，為數(shù)不多的相關文獻中數(shù)據(jù)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(shù)據(jù)在體量上有所進步。數(shù)據(jù)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(shù)據(jù)集中循環(huán)交叉選擇數(shù)據(jù)依次分配到3 個集合中。

輸入數(shù)據(jù)后，對輸入數(shù)據(jù)進行歸一化處理。數(shù)據(jù)歸一化是把所有數(shù)據(jù)都轉(zhuǎn)化為[0，1]之間的數(shù)，其目的是取消各維數(shù)據(jù)間數(shù)量級的差別，避免因為輸入輸出數(shù)據(jù)數(shù)量級差別較大而造成網(wǎng)絡預測誤差較大，不至于出現(xiàn)部分數(shù)據(jù)主導輸出結果的情況。本文采用MATLAB 自帶函數(shù)mapminmax 對數(shù)據(jù)進行歸一化處理。初始化閾值和權值后設定網(wǎng)絡參數(shù)配置，調(diào)整迭代次數(shù)、學習率以及目標。在訓練過程中根據(jù)網(wǎng)絡預測誤差調(diào)整網(wǎng)絡的權值和閾值。模型訓練參數(shù)的選擇需通過大量測試，逐步改進，最終試驗出最優(yōu)值。例如，學習速率從0.1 開始測試，而后逐步降低。經(jīng)過不斷試湊，對比各參數(shù)調(diào)整后的預測性能，最終將隱含層節(jié)點數(shù)設為100，訓練最大次數(shù)設為20 000，訓練誤差期望值設為4e-5，學習率設為0.01。圖8所示為迭代次數(shù)與均方誤差的關系曲線，可以看出，BP 神經(jīng)網(wǎng)絡算法迭代計算100 次時，校正數(shù)據(jù)達到最佳均方誤差。

3.3 預測結果與分析

圖8 BP 神經(jīng)網(wǎng)絡迭代次數(shù)與均方誤差關系曲線

將372 組樣本的測試條件輸入神經(jīng)網(wǎng)絡，網(wǎng)絡輸出結溫TJ的預測值。圖9 所示為網(wǎng)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(jīng)網(wǎng)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。

圖9 BP 神經(jīng)網(wǎng)絡預測結果

表1 IC 小于分界值時的部分訓練數(shù)據(jù)及神經(jīng)網(wǎng)絡結溫預測結果

表2 IC 大于分界值時的部分訓練數(shù)據(jù)及神經(jīng)網(wǎng)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(zhàn)性的問題。采用集射極飽和壓降VCE的熱敏感電參數(shù)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(shù)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(shù)據(jù)，分析了熱敏感電參數(shù)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(jīng)網(wǎng)絡的結溫預測模型，實現(xiàn)了對額定范圍內(nèi)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(nèi)。

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(shù)不便提取的難點。最后，需要指出的是，隨著網(wǎng)絡訓練樣本質(zhì)量的提升與算法的優(yōu)化，可以使預測精度進一步提高。