基于热敏感电参数法的IGBT 模块结温检测

马汉卿

（西安工程大学电子信息学院，西安 710048）

0 引言

IGBT（绝缘栅双极型晶体管）是由MOSFET（金属半场效晶体管）和双极型晶体管复合而成的一种器件。由于具有低饱和压降、低驱动功率及高频开关能力，IGBT 模块在电能变换与控制过程领域充当着“基石”的角色，广泛用于许多电力电子设备中。然而相关研究显示，在各类失效因素中由温度诱发的功率器件故障可达55%。在正常工作温度范围内，温度每上升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 种：与产品结构有关的因素，与外部应力有关的因素以及与外电路工作环境有关的因素。

IGBT 模块基板多采用铜制成，衬底则由绝缘陶瓷及其附着的铜制成，称为DBC 板。最重要的芯片则通过铝线与模块的发射极连接。不同的材料具有不同的导热性，其热膨胀系数也不尽相同，工作中长期的热循环会对键合线、焊料层等部位产生冲击，存在键合线脱落、断裂以及焊料层开裂的风险。而这些现象直接与模块结温的变化量、平均值密切相关。因此，在使用IGBT 设计电力电子系统时，IGBT 结温的实时监测对于提高电力电子系统的可靠性、成本效益及性能具有十分重要的意义。

当前工程上检测IGBT 模块结温大多采取测量散热器温度的方式，首先测量散热器的温度，再根据经验推算IGBT 模块结温，这种方式便于操作，但精度很差。国内外学术领域针对结温已经做了一定的工作，根据特点主要可以归纳为四大类：物理接触式测量法、光学非接触测量法、热阻抗模型预测法、热敏感电参数法。针对各结温测量技术进行了简述，并对比分析了各方法的优缺点，提出了一种基于热敏感电参数的BP（反向传播）神经网络结温预测模型，通过BP 神经网络建立热敏感电参数与结温的映射关系。

1 IGBT 模块结温检测的研究现状

1.1 物理接触式测量法

物理接触式测量法将热电阻或热电偶焊接于IGBT 模块内部，从而获取模块内部基板的局部温度[2]，如图1 所示。从绝缘、避免短路等因素来考虑只能将热传感器尽量靠近芯片四周布设，测量值与真实值存在较大误差。利用热敏电阻的方式需要额外的激励源，响应时间较慢。热电偶的测量原理则基于热电效应，但因模块内部布局有限，存在操作不便的问题。

1.2 光学非接触测量法

借助待测器件温度与红外辐射之间的关系，可采用光纤测温、红外摄像测温、红外显微镜及辐射线测定仪等技术测温，其中红外摄像测温是最为常用的方式[3]。利用热成像仪对测试对象捕捉，加热状态下IGBT 模块表壳的温度分布热成像如图2 所示，其右侧温度条表示屏幕内捕捉温度的范围，从下至上表示温度由低至高变化。该技术利用热红外成像仪，测量前亦需打开IGBT模块的封装，除去内部填充的透明硅脂，并对测量部位涂黑，以增加辐射系数，从而提高检测精度。该方案也属于破坏性测量方法，且精准度高的热红外成像仪价格高昂，不适用于工程上的结温在线检测。

图1 IGBT 模块内热电阻安装示意

图2 IGBT 模块表壳温度场分布

1.3 热阻抗模型预测法

该方法基于待测模块的实时损耗及瞬态热阻抗网络模型反推IGBT 芯片结温[4-5]。一些半导体制造商提供了用于结温评估的仿真软件，对IGBT模块进行物理结构与热特性分析，建立热阻抗网络模型，结合待测模块的实时损耗反推芯片结温。然而，功率损耗的实时计算与热阻抗模型的建立相当困难，且随着模块的老化，热阻抗模型的参数也会发生变化，对其准确度有很大影响。

1.4 热敏感电参数法

物质的物理特性与温度有密切关系，如尺寸、体积、电导率、热电势、辐射功率等都随着温度的不同而改变,所以可通过物质随温度变化的某些特性来间接测量温度[6]。IGBT 模块由半导体器件构成，这些器件的外部电气参数通常与温度具有一定的映射关系，反映到微观则体现在载流子的迁移率与温度相关。这种受器件内部结温影响的外部电气特征参数称为热敏感电参数[7-8]。随着运行工况的变化，IGBT 模块的芯片结温也会发生变化，则模块相应的外部电气参数也会随之变化。通过对热敏感电参数的测量，即可对芯片结温进行逆向检测。 该技术无需改变模块封装结构，且其响应速度快、精度高、成本低，具有很好的工程应用价值。

2 饱和压降测试平台

2.1 热敏感电参数法的参数选取

目前常用的热敏感电参数包括饱和压降VCE[9]、栅极开通延时时间tdon[10-11]、阈值电压集电极电流最大变化率（dic/dt）max[12]以及集射极电压变化率dVCE/dt[13]等。根据经验，栅极开通延时时间tdon非常短，约为几百纳秒至一个微秒左右，过短的反应时间对测试设备的硬件水平要求很高，从成本和测量精度上来讲不宜选取该参数。IGBT 模块中因布线等原因存在着大量的寄生参数，这些寄生参数会对集电极电流最大变化率（dic/dt）max和集射极电压变化率dVCE/dt 造成干扰，使波形产生一定的振荡，误差较大。阈值电压Vge随温度的变化情况并不明显，敏感性不高。因此，综合考虑目前实验室的条件以及测量结果的准确性，本文选用饱和压降VCE来反映温度变化。

2.2 测试原理

当IGBT 模块注入小电流时（≤100 mA），饱和压降VCE与结温TJ具有优越的线性关系。然而实际工况条件下，IGBT 模块集电极电流IC通常可达几十甚至几百安培，远大于小电流的要求，模块工作在大电流下将产生自热，使饱和压降VCE与结温TJ不再具备线性关系。 研究表明，IGBT模块通过集电极电流脉宽小于1 ms 时，模块无自热效应，结壳温度近似相等。因此，为了防止IGBT 的自热效应，采用1 ms 的单脉冲栅极电压来驱动IGBT，使芯片产生的热量足够小以至可被忽略不计。如此，便可在长时间对IGBT 模块加热待热平衡后，将加热温度视为模块结温；而后在集电极端注入恒定电流，利用神经网络寻找结温和集电极电流已知条件下与此时的饱和压降的映射关系。

BP 神经网络的预测精度依赖于大量的实验数据，数据集的质量对神经网络的预测结果至关重要，1 000 个样本包含的信息可能没有100 个样本所含的信息量大。为便于测试，应考虑采用适当集电极电流的IGBT。本着力求准确、结合实际的原则，本文选取富士电机1 200 V/75 A 的2MBI75S-120 型半桥结构IGBT 模块作为测试对象，考虑到神经网络的鲁棒性，应尽可能将样本数据覆盖模块在实际应用中的全部变化范围。为此，本文搭建了IGBT 模块饱和压降测试平台。该测试系统主要包括IGBT 驱动电路、可程控直流电源、信号控制、功率负载、温控平台以及示波器6 个部分，测试系统原理图见图3。

图3 测试系统原理图

图3 中，IS代表可控直流电源；VDC为直流开关电源；R 为功率电阻，充当负载；Vg表示脉冲信号；IGBT 的下管是测试对象（虚线部分）。将模块上管的门极加负压关断，为避免误导通，将上管的集射极也做短接处理。依照原理图搭建试验电路，测试平台实物见图4。

图4 测试平台装置

2.3 测试过程

首先，将处理后的IGBT 模块置于加热台内，在基板与加热台的接触面涂刷导热硅脂，增加受热面积与传热性能。然后设定加热台温度，在该温度下将IGBT 加热足够的时间，使得模块达到完全的热平衡。此时可以认为，IGBT 模块的表壳温度与芯片结温是一致的，也就是说恒温加热台设定温度即为此时模块芯片PN 结的温度。根据加热温度的不同，达到热平衡的时间也不同，设定温度越高，达到热平衡的速度也就越慢，可从20 min 延长至90 min。具体的评判方法可以利用热成像仪辅助参考。加热状态中模块的表壳温度场分布热成像如图5 所示，其测量点温度为70.3℃，底部较顶部颜色深，说明底部温度高。

图5 IGBT 模块表壳温度场分布热成像

模块达到热平衡后，调节直流电源，将集电极电流IC设定为特定值，同时使用单脉冲驱动IGBT 导通并记录下该条件下的饱和压降VCE。待IGBT 达到热平衡后，调节直流电压源，改变给定的集电极电流IC，重复上一过程。在该温度下，使集电极电流IC以一定的分度值将额定值覆盖，此为同一温度下的一组样本数据。然后改变恒温加热台的温度，在不同温度条件下重复此步骤，完成样本采集。

2.4 测试结果

IGBT 模块的电流额定值和最高工作结温分别为75 A 和150 ℃，实际应用中不得超过此额定值。集电极电流从1 A 起，结温从25 ℃起，分别选取测试点，然后2 组测试条件相互组合，共计372 组实验。利用部分数据制不同集电极电流IC下饱和压降与结温的关系曲线（见图6）。从图中可以发现，当电流值约为13 A 时，饱和压降VCE几乎不随结温变化，在该点附近出现检测盲区，该电流值称为拐点电流。当集电极电流IC小于拐点电流时，VCE与结温具有负温度系数，大于拐点电流时则具有正温度系数。由图6 可见，无论IC低于或是高于此分界值，IGBT 在集电极电流IC恒定时，饱和压降VCE均与结温TJ具有优越的线性关系。出现拐点电流是因为IGBT 模块的饱和压降主要由PN 结导通压降Vpn、轻掺杂基区压降VB和MOS 沟道导通压降VMOS三者构成。当模块中PN 结的导通压降Vpn占主要作用时，饱和压降VCE表现为负温度系数。当MOS 沟道导通压降VMOS占主要作用时，IGBT 的饱和压降表现为正温度系数[14]。

图6 不同集电极电流IC 下TJ 和VCE 的关系

3 BP 神经网络设计

传统上，获取热敏感电参数与结温的映射关系采用多项式拟合的方法，但该方法精度低且无法用于在线检测[15-16]。本文采用的BP 神经网络模型适用于非线性且复杂的映射关系预测，已被广泛应用负荷预测、故障诊断等领域，也可以很好地应用到芯片结温在线检测中，但在结温预测方面目前的相关研究还非常少。本文从该角度对半导体芯片温度检测进行探索。

3.1 BP 神经网络工作原理

BP 神经网络是一种多层前馈神经网络，其主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP 神经网络预测输出不断逼近期望输出。具有自组织和自学习能力强的特点,丰富的改进算法广泛应用于多种非线性预测领域[17]。

在输入层对神经网络输入变量，在隐含层和输出层进行计算并输出。 在神经网络的隐含层中，存在着依靠激励函数来进行运算的“神经元”，也称为“节点”。其工作逻辑是：在输入矩阵进入隐含层前，先要通过一个做数据处理的“桥梁”，隐含层接收到经处理的输入数据后通过激励函数进行“运算加工”，“加工”完成后向输出层移动时也要通过一个做数据处理的“桥梁”，处理完成后最终成为输出矩阵。

本文将饱和压降VCE与集电极电流IC设置为输入，结温TJ设置为输出，BP 神经网络的拓扑结构如图7 所示。

图7 BP 神经网络的结构

3.2 结温预测神经网络模型的训练过程

建立神经网络模型首先需要确定网络的输入变量，即明确哪些因素会对输出产生关键影响。根据前文对热敏感电参数的分析，选取饱和压降与集电极电流作为输入变量。模型预测的目标是IGBT 模块的结温，因此将其作为输出变量。 目前，利用神经网络预测IGBT 模块结温的研究非常少，为数不多的相关文献中数据样本体量也在200 组左右。因此，本文利用饱和压降测试平台所得372 组数据在体量上有所进步。数据集测试完毕后，将测试集、验证集和训练集按照1：1：8的比例在全部样本数据集中循环交叉选择数据依次分配到3 个集合中。

输入数据后，对输入数据进行归一化处理。数据归一化是把所有数据都转化为[0，1]之间的数，其目的是取消各维数据间数量级的差别，避免因为输入输出数据数量级差别较大而造成网络预测误差较大，不至于出现部分数据主导输出结果的情况。本文采用MATLAB 自带函数mapminmax 对数据进行归一化处理。初始化阈值和权值后设定网络参数配置，调整迭代次数、学习率以及目标。在训练过程中根据网络预测误差调整网络的权值和阈值。模型训练参数的选择需通过大量测试，逐步改进，最终试验出最优值。例如，学习速率从0.1 开始测试，而后逐步降低。经过不断试凑，对比各参数调整后的预测性能，最终将隐含层节点数设为100，训练最大次数设为20 000，训练误差期望值设为4e-5，学习率设为0.01。图8所示为迭代次数与均方误差的关系曲线，可以看出，BP 神经网络算法迭代计算100 次时，校正数据达到最佳均方误差。

3.3 预测结果与分析

图8 BP 神经网络迭代次数与均方误差关系曲线

将372 组样本的测试条件输入神经网络，网络输出结温TJ的预测值。图9 所示为网络预测结果与目标值的对比。从中选取部分样本的预测结果进行性能分析（见表1、表2），可以看出，当集电极电流IC大于拐点电流时，神经网络模型具有更高的拟合精度，预测结果与目标值非常接近，最大预测误差比率不超过5%；而IC处于拐点电流附近时，误差较大。

图9 BP 神经网络预测结果

表1 IC 小于分界值时的部分训练数据及神经网络结温预测结果

表2 IC 大于分界值时的部分训练数据及神经网络结温预测结果

4 结语

精确获取IGBT 的结温始终是一个具有挑战性的问题。采用集射极饱和压降VCE的热敏感电参数法作为结温评估中最有潜力的方法，其精度却受到电气参数与结温之间复杂的非线性关系的限制。本文基于恒温加热试验平台的测试数据，分析了热敏感电参数与芯片结温的映射，从人工智能的角度解决这个问题，提出了一种基于BP神经网络的结温预测模型，实现了对额定范围内各种输出条件下的IGBT 结温的有效预测，其精度在可接受范围内。

结温的预测可应用于诸多研究领域，尤其在IGBT 模块的可靠性分析中不可或缺。至于IGBT模块可靠性分析中非常重要的寿命预测，也很有利于工作的展开。目前寿命预测的主要研究方法包括物理模型法与解析式法，本文的工作解决了解析式法预测模块寿命中结温参数不便提取的难点。最后，需要指出的是，随着网络训练样本质量的提升与算法的优化，可以使预测精度进一步提高。