基于Bo-BiLSTM網絡的IGBT老化失效預測方法

萬慶祝 于佳松 佟慶彬 閔現娟

基于Bo-BiLSTM網絡的IGBT老化失效預測方法

萬慶祝1于佳松1佟慶彬2閔現娟1

（1. 北方工業大學電氣與控制工程學院，北京 100144； 2. 北京交通大學電氣工程學院，北京 100044）

針對絕緣柵雙極型晶體管（IGBT）受熱應力沖擊后對其進行老化失效預測精度不高的情況，提出一種基于貝葉斯優化（Bo）-雙向長短期記憶（BiLSTM）網絡的IGBT老化失效預測方法。首先分析IGBT模塊老化失效原理，然后基于NASA老化實驗數據集建立失效特征數據庫，最后利用Matlab軟件構造Bo-BiLSTM網絡預測失效特征參數數據。選取常用回歸預測性能評估指標將長短期記憶（LSTM）網絡模型、BiLSTM網絡模型與Bo-BiLSTM網絡模型的預測結果進行對比分析。結果表明，Bo-BiLSTM網絡的模型擬合精度更高，基于Bo-BiLSTM網絡的IGBT老化失效預測方法具有較好的預測效果，能夠應用于IGBT的失效預測。

絕緣柵雙極型晶體管（IGBT）；貝葉斯優化；雙向長短期記憶（BiLSTM）網絡；老化失效預測

0 引言

絕緣柵雙極型晶體管（insulated gate bipolar transistor, IGBT）模塊在風力發電、柔性交流輸電、電機牽引及航空等高壓大功率變流器系統中被廣泛應用[1]。作為電力電子系統中最易發生故障的器件之一，IGBT故障可分為突發性失效和老化失效[2]，若IGBT老化失效不能被提前發現，就會導致系統發生故障，使整個系統陷入癱瘓狀態，造成不可預估的損失。因此，對IGBT模塊進行失效預測是提高其工作可靠性的一種重要手段。

從IGBT失效預測模型和機理的角度分析，IGBT模塊失效預測方法可分為三類：基于解析模型的方法、基于物理模型的方法及基于數據驅動的方法[3]。基于解析模型的方法通過建立數學模型來描述IGBT的工作特性和行為，進而實現失效預測。基于物理模型的方法通過構建IGBT有限元模型實現對模塊的失效預測[4]。基于數據驅動的方法與其他兩類方法不同，其僅利用IGBT模塊的歷史老化失效數據便可完成對模塊的失效預測分析。常見的幾種失效特征參數主要包括集電極-發射極電壓、集電極電流、門極-發射極電壓及IGBT結溫[5]。文獻[6]通過對IGBT失效機理進行分析，建立了考慮耦合效應的IGBT仿真模型，并對IGBT進行了失效預測，但模塊失效預測過程中的參數計算和變量獲取較復雜。文獻[7]基于IGBT物理模型內部的參數結構，利用有限元仿真方法對IGBT模塊鍵合線和焊料層進行老化失效分析，但由于IGBT內部材料復雜，失效位置難以精確定位，導致模型搭建較為困難，并且還需要綜合考慮焊料層、鍵合線及其他失效因素的影響。文獻[8]通過長短期記憶（long short term memory, LSTM）網絡進行IGBT失效預測，但傳統的LSTM網絡參數較多，動態適應度低。文獻[9]基于優化長短期記憶神經網絡，利用IGBT加速老化實驗數據完成了模塊的失效預測，但由于僅對一種失效數據進行預測，因此預測模型存在偶然性。

本文采用基于數據驅動的方法，提出一種基于貝葉斯優化（Bayesian optimization, Bo）-雙向長短期記憶（bi-directional long short term memory, BiLSTM）網絡的IGBT老化失效預測方法，以集電極-發射極電壓、封裝溫度、集電極電流作為失效特征參數，搭建BiLSTM網絡，并利用Bo算法對網絡進行優化，以降低預測模型的不確定性及系統噪聲干擾，提高網絡的動態適應性，實現失效數據的高精度預測。

1 IGBT模塊老化失效原理

IGBT由芯片層、焊錫層、DBC（directed bonding copper）層與銅基板組成[10]。IGBT模塊主要的失效位置包含鍵合線根部、芯片金屬化層及材料之間的焊接層。IGBT模塊封裝結構如圖1所示。

IGBT的失效主要與以下幾個因素有關：

1）過熱。當IGBT的結溫超過其最大允許溫度時，會導致器件性能退化，甚至燒毀。過熱通常由電流過大、散熱不良或驅動電路問題引起。

圖1 IGBT模塊封裝結構

2）過電流。流經IGBT的電流超過其額定電流時，會產生大量的熱量，導致器件溫度升高，可能引發失效。過電流通常由負載短路、驅動電路故障或電路設計不當等原因引起。

3）過電壓。當IGBT承受的電壓超過其額定電壓時，會導致器件擊穿和損壞。過電壓可能由開關操作過程中的瞬態過電壓、雷擊等引起。

4）瞬態過電流。在運行過程中，IGBT可能承受瞬態過電流，如續流二極管的反向恢復電流、緩沖電容器的放電電流等。雖然這些瞬態過電流持續時間較短，但如果不采取措施，會增加IGBT的負擔，導致器件失效。

5）驅動電路。驅動電路的工作頻率、輸出電壓的上升/下降沿速率與IGBT開關速率不匹配，或輔助電源平均輸出功率、峰值功率不足等，都可能導致IGBT無法正常工作，出現失效。

6）制造工藝、材料及使用環境。如果在制造過程中存在工藝控制問題或使用了不合格的材料，可能導致IGBT的早期失效。溫度、濕度、機械應力等環境因素也可能影響IGBT的性能和使用壽命，從而引發失效。

1.1 物理失效分析

物理失效是指IGBT正常工作時受內部熱應力影響導致材料發生變形，最終導致其無法正常使用。物理失效主要有鍵合線老化、金屬化層重構及焊接層退化[11]。

1）鍵合線老化

鍵合線老化主要有鍵合線脫落和鍵合線斷裂兩種情況，如圖2所示。在正常工作時，IGBT受溫度變換產生的熱應力的影響，鍵合線會發生剝離現象而引發故障，從而導致IGBT模塊老化失效。

2）金屬化層重構

隨著IGBT功率循環次數的增加，芯片表面鋁金屬層出現退化、晶粒增大、鋁層擠壓的現象，金屬化層重構會造成層電阻增加，從而導致飽和壓降參數上升，造成局部熱點或燒熔。IGBT金屬化層重構情況如圖3所示。

圖2 IGBT鍵合線老化

圖3 IGBT金屬化層重構情況

3）焊接層退化

IGBT模塊內部，DBC與芯片、DBC與基板之間的連接目前大多通過焊接完成，長期的熱循環應力會導致焊接層脆化、開裂。IGBT焊接層破裂情況如圖4所示。

圖4 IGBT焊接層破裂情況

1.2 電氣失效分析

IGBT的電氣失效是指在IGBT工作過程中，受元件內部的電壓和電流等作用，致使IGBT失效。電氣失效的形式有電氣過應力失效、靜電荷放電失效和閂鎖效應失效[12]。

1）電氣過應力失效

IGBT電氣過應力失效是指由于過電壓、過電流等電氣應力超過IGBT的承受能力而導致的失效。IGBT在關斷過程中會產生集電極-發射極過電壓尖峰，導致器件發生短路，無法正常運行。

產生過電壓尖峰的IGBT關斷過程可分為換流過程和振蕩過程兩部分[13]。關斷過程的吸收電路如圖5所示，圖中dc為直流支撐電容，c為直流支撐電容器的寄生電感，s為直流母線雜散電感，Q1、Q2分別為IGBT上、下橋臂，VD1、VD2為上、下橋臂的續流二極管，Q1、Q2為IGBT上下橋臂的寄生電感，snb為吸收電容，snb為吸收電路的寄生電感。

圖5 關斷過程吸收電路

對于換流過程，IGBT在關斷過程中，主電流dc分流為流過電感Q1的電流1和流過電容snb的電流c兩部分，橋臂Q1、Q2與snb構成回路，snb產生關斷尖峰電壓Dp1。

式中，2為流過電感Q2的電流。

對于振蕩過程，當換流過程結束后，開關管Q1完全截止，吸收電容snb與直流支撐電容器的寄生電感c、直流母線雜散電感s及吸收電路寄生電感snb產生諧振，由此產生第二個電壓尖峰Dp2。

2）靜電荷放電失效

器件正常工作情況下會累積電荷，在電荷放電過程中可能擊穿器件材料層，此時當IGBT的門極或輸入端受到靜電荷沖擊時，可能會導致其內部的電路或元件損壞，從而引發失效。

3）閂鎖效應失效

當集電極電流增大到一定程度時，寄生晶閘管受正向偏置電壓影響導通，門極失去控制作用，形成自鎖現象，由此導致集電極電流上升，引起較大的功率損耗，加速失效現象發生。

1.3 IGBT失效延遲方法

延遲IGBT失效的方法可以從多個方面入手，具體包括：

1）散熱管理。過熱是導致IGBT失效的主要因素之一，因此散熱管理至關重要。可以采用更有效的散熱方案，如優化散熱器設計、增加散熱面積、提高散熱效率等，以降低IGBT的工作溫度，避免過熱損壞。

2）電流控制。合理控制IGBT的電流大小和變化率，避免超出IGBT的額定電流和電流變化率的范圍。可以采用適當的驅動電路和驅動參數，以保證IGBT工作在安全范圍內。

3）電壓控制。避免IGBT承受超出其額定電壓的過電壓或浪涌電壓，可以在IGBT兩端并聯適當的吸收電路或采用適當的保護措施，以吸收過電壓或浪涌電壓。

4）可靠性設計。在IGBT的可靠性設計方面，可以采用冗余設計、故障診斷和隔離等技術，提高IGBT的可靠性和穩定性。

5）制造工藝控制。加強制造過程中的質量控制和工藝控制，保證IGBT的質量和性能。可以采用適當的篩選和測試方法，剔除早期失效的IGBT器件。

6）使用環境控制。確保IGBT在使用環境中不會受到過大的溫度、濕度、壓力等環境因素的影響，避免環境因素對IGBT的性能和使用壽命產生不良影響。

1.4 IGBT失效參數選擇

1）集電極-發射極電壓

IGBT集電極-發射極的瞬時尖峰電壓是由于開關過程中集電極電流的變化率在集電極引線上產生的電壓振蕩導致的。河北工業大學孔梅娟等學者通過老化實驗分析表明，隨著IGBT退化，尖峰電壓趨勢逐漸衰減[14]。北京交通大學孫梓涵[15]、合肥工業大學劉嘉誠[16]等學者基于NASA的通過老化實驗分析了尖峰電壓的衰減趨勢：在IGBT完全老化失效時，尖峰電壓最終衰減到某一穩定值。集電極-發射極關斷瞬時尖峰電壓衰減波形如圖6所示。

2）集電極電流

由于集電極-發射極瞬時尖峰電壓的存在，導致關斷電流迅速下降，隨著IGBT老化，集電極電流下降趨勢受關斷時間的影響陡度逐漸變大。武漢大學王晨苑[17]、華北電力大學范迦羽[18]等學者設計功率循環加速老化試驗得到：隨著循環次數的上升，集電極拖尾電流變高，拖尾現象惡化。集電極電流變化波形如圖7所示。

圖6 集電極-發射極關斷瞬時尖峰電壓衰減波形

圖7 循環次數增加對IGBT集電極電流拖尾現象的影響

3）IGBT封裝溫度

伴隨IGBT的老化失效，其溫度值波動逐漸增大，進一步加速器件老化失效。河北工業大學劉伯穎[19]、重慶大學劉人寬[20]等學者通過IGBT加速老化實驗得到：隨著IGBT老化失效，封裝溫度波動逐漸增大，當IGBT完全老化失效時，溫度值不斷攀升趨近于無窮直到試驗結束。IGBT的老化失效模塊溫度變化如圖8所示。

圖8 不同循環次數下模塊溫度隨時間的變化曲線

以上對IGBT器件老化失效的三種特征參數的分析表明，集電極-發射極電壓、集電極電流及封裝溫度與IGBT器件老化失效之間存在聯系，并且三種特征參數在工作情況下便于提取，可以作為IGBT老化失效預測的特征參數。

2 IGBT加速老化試驗分析

2.1 加速老化試驗裝置及試驗參數

NASA中心通過進行加速老化試驗來探究IGBT的老化失效過程，并為其失效診斷提供試驗依據。IGBT加速老化試驗裝置如圖9所示。該試驗對類型為IRF—G4BC30KD的IGBT施加門極高壓，直到包裝溫度高于上限值。加速老化試驗參數見表1。

圖9 IGBT加速老化試驗裝置

表1 加速老化試驗參數

2.2 NASA加速老化試驗數據

NASA中心公布的加速老化試驗數據集變化過程如圖10～圖12所示。根據NASA實驗室所提供的加速老化試驗數據可以看出，集電極-發射極電壓、封裝溫度及集電極電流都有明顯的變化趨勢。

1）集電極-發射極電壓

加速老化試驗末期的集電極-發射極電壓曲線如圖10所示。隨著溫度升高，IGBT內部PNP晶體管的電流增益變大，逐漸增加模塊的開關時間，并且集電極-發射極關斷瞬時尖峰電壓上升趨勢也逐漸衰減。在IGBT老化末期，其集電極-發射極關斷瞬時尖峰電壓發生變化，IGBT逐漸趨于失效狀態。

2）封裝溫度

加速老化試驗末期的封裝溫度曲線如圖11所示。隨著老化試驗的進行，IGBT長時間工作在高溫、高壓的環境下，致使其材料層發生膨脹斷裂現象，導致IGBT逐漸老化失效。圖11中從第300 000個樣本點開始，模塊溫度波動不斷增大，器件逐步老化失效。

圖10 加速老化試驗末期集電極-發射極電壓曲線

圖11 加速老化試驗末期封裝溫度曲線

圖12 加速老化試驗末期集電極電流曲線

3）集電極電流

加速老化試驗末期的集電極電流曲線如圖12所示，隨著IGBT逐漸退化失效，IGBT關斷后的集電極電流波形發生改變。圖12中在300 000個樣本點之后，IGBT模塊逐漸老化失效，最終形成拖尾電流曲線。

2.3 建立失效特征數據庫

對上述失效特征分別構建集電極-發射極電壓值ce、封裝溫度p及集電極電流ce三種失效特征數據庫。分別選取老化結束時的4 000個瞬態數據作為樣本數據，特征數據庫見表2。

表2 特征數據庫

3 基于貝葉斯優化的BiLSTM預測模型

3.1 BiLSTM網絡模型結構

LSTM算法用于處理和預測高度時間相關的強耦合事件，但LSTM網絡模型適應性較低。不同于LSTM網絡，BiLSTM的主體結構由2個獨立的正、反向LSTM構成，可對樣本失效數據進行雙向訓練。BiLSTM結構示意圖如圖13所示。

圖13 BiLSTM結構示意圖

3.2 貝葉斯優化

貝葉斯優化分為高斯過程回歸（Gaussian process regression, GPR）與采集函數計算。高斯過程回歸可得到函數值的均值和方差，根據均值和方差構造采集函數，用于決定本次迭代采樣點。

1）高斯過程回歸

高斯過程回歸是使用高斯過程先驗對數據進行回歸分析的非參數模型，其模型假設包括噪聲和高斯過程先驗兩部分，其求解按貝葉斯推斷進行。

2）采集函數

采集函數用于產生下次待預測的觀測點，該函數根據高斯過程回歸算得的均值和協方差數據集，確定迭代后的下一個樣本點。

3.3 Bo-BiLSTM網絡參數優化

由于BiLSTM網絡中參數較多，為了使其達到參數最優狀態，采用Bo算法優化網絡中的幾個重要參數，使優化過的參數與網絡能夠最佳契合，實現高精度預測。

貝葉斯優化的超參數選取公式為

設Error函數為BiLSTM模型的預測誤差率函數，有

式中：為樣本總組數；為所有樣本中預測值與真實值一致的樣本組數。

BiLSTM權重更新公式為

3.4 基于Bo-BiLSTM網絡的IGBT老化失效預測方法

Bo-BiLSTM網絡的建模與預測流程如圖14所示。首先，獲取IGBT加速老化試驗中的老化失效數據，經數據平滑處理后分為訓練集和測試集。其次，通過Bo算法對訓練集數據進行超參數調整，得到最優超參數反饋至BiLSTM網絡，對其進行重構。最后，對測試集數據進行預測。

圖14 Bo-BiLSTM網絡的建模與預測流程

模型的優化過程可分為以下幾步：

2）選取BiLSTM模型失效預測誤差率來得到貝葉斯算法的初始觀測值。

3）運用高斯過程回歸對得到的初始觀測值進行估計，確定下一個觀測點。

4）根據采集函數進行最優參數的選取，直到迭代結束。

5）將由貝葉斯優化算法所得到的最優參數代入BiLSTM網絡進行參數重構。

6）將最優參數代入BiLSTM模型，對測試集數據進行預測，獲得預測結果并加以分析。

4 結果分析

4.1 模型預測標準

模型擬合優度2、方均根誤差（root mean square error, RMSE）與平均絕對誤差（mean absolute error, MAE）可以評估IGBT老化失效預測算法的性能。2顯示數據與回歸模型的擬合程度；RMSE表示誤差的平均值，反映模型的穩定性；MAE能夠準確反映實際預測誤差的大小。其表達式分別為

4.2 貝葉斯優化尋優結果

貝葉斯優化尋優結果如圖15所示。貝葉斯優化算法通過采集函數計算不斷迭代更新，采集函數的計算次數為50次，迭代到50次時觀測到的最小目標值與估計的最小目標值的差值基本穩定在0.002左右，根據采集函數的結果選擇新的超參數組合進行評估，使BiLSTM網絡模型達到最優，所預測結果更準確。

圖15 貝葉斯優化尋優結果

4.3 失效預測結果

將三種失效特征數據序列的前60%作為訓練集，后40%作為測試集，延時步長設置為30，最大訓練次數為500。

1）集電極-發射極電壓

三種網絡模型的集電極-發射極電壓預測結果分別如圖16～圖18所示，預測指標對比見表3。

由表3可知，Bo-BiLSTM網絡的模型擬合優度2為0.992 0，比BiLSTM網絡和LSTM網絡分別提高了0.030 1和0.032 0；Bo-BiLSTM網絡的方均根誤差為0.263 1V，比BiLSTM網絡和LSTM網絡分別降低了0.084 1V和0.137 7V；Bo-BiLSTM網絡的平均絕對誤差為0.117 1V，比BiLSTM網絡和LSTM網絡分別降低了0.059 9V和0.135 0V。

圖16 Bo-BiLSTM網絡模型的集電極-發射極電壓預測結果

圖17 BiLSTM網絡模型的集電極-發射極電壓預測結果

圖18 LSTM網絡模型的集電極-發射極電壓預測結果

表3 集電極-發射極電壓預測模型預測指標對比

2）封裝溫度

三種網絡模型的封裝溫度預測結果分別如圖19～圖21所示，預測指標對比見表4。

圖19 Bo-BiLSTM網絡模型的封裝溫度預測結果

圖20 BiLSTM網絡模型的封裝溫度預測結果

圖21 LSTM網絡模型的封裝溫度預測結果

表4 封裝溫度預測模型預測指標對比

由表4可知，Bo-BiLSTM網絡的模型擬合優度2為0.996 6，比BiLSTM網絡和LSTM網絡分別提高了0.076 4和0.092 4；Bo-BiLSTM網絡的方均根誤差為0.280 6℃，比BiLSTM網絡和LSTM網絡分別降低了0.075 3℃和0.120 2℃；Bo-BiLSTM網絡的平均絕對誤差為0.043 8℃，比BiLSTM網絡和LSTM網絡分別降低了0.028 4℃和0.083 7℃。

3）集電極電流

三種網絡模型的集電極電流預測結果分別如圖22～圖24所示，預測指標對比見表5。

圖22 Bo-BiLSTM網絡模型的集電極電流預測結果

圖23 BiLSTM網絡模型的集電極電流預測結果

圖24 LSTM網絡模型的集電極電流預測結果

表5 集電極電流預測模型預測指標對比

由表5可知，Bo-BiLSTM網絡的模型擬合優度2為0.998 7，比BiLSTM網絡和LSTM網絡分別提高了0.029 1和0.063 4；Bo-BiLSTM網絡的方均根誤差為0.262 5A，比BiLSTM網絡和LSTM網絡分別降低了0.147 6A和0.250 6A；Bo-BiLSTM網絡的平均絕對誤差為0.043 8A，比BiLSTM網絡和LSTM網絡分別降低了0.028 4A和0.116 8A。

從三種網絡模型的預測結果可以看出，失效特征數據曲線在第1 300個樣本點的變化最為明顯，表明此時IGBT已經完全老化失效，對第1 300個樣本點的失效特征數據預測值與真實值進行誤差計算，不同網絡模型下的失效特征數據預測誤差分別見表6～表8。

表6 Bo-BiLSTM網絡模型預測誤差

表7 BiLSTM網絡模型預測誤差

表8 LSTM網絡模型預測誤差

從表6～表8的數據可知，三種網絡模型的平均誤差分別為0.006 4、0.097 3和0.146 6，Bo- BiLSTM網絡的模型預測平均誤差最小，比BiLSTM及LSTM網絡的模型預測效果更好。

5 結論

本文以NASA的三種加速老化試驗數據作為失效特征參數，通過構建Bo-BiLSTM網絡對所選取的失效特征參數進行預測，驗證了本文所提方法的有效性。得到結論如下：

1）該方法無需考慮物理模型內部的參數結構，避免了建立復雜的物理模型，只從實際測量數據出發便可實現對IGBT老化失效的預測。

2）與LSTM和BiLSTM網絡相比，采用Bo算法對BiLSTM網絡的隱含層、初始學習率及訓練次數進行優化，能夠更加精準地預測IGBT的失效數據，有利于預測IGBT的運行狀態。

3）所構建網絡對三種失效數據進行預測，克服了單一數據預測模型存在的偶然性，數據預測結果更具說服力。

[1] 郝良收, 王豐, 李寧, 等. 一種適用于柔直換流閥功率模塊的改進型測試裝置[J]. 電氣技術, 2020, 21(6): 102-105, 110.

[2] 丁雪妮, 陳民鈾, 賴偉, 等. 多芯片并聯IGBT模塊老化特征參量甄選研究[J]. 電工技術學報, 2022, 37(13): 3304-3316.

[3] 陳雨晨, 陳凱楠, 鄭樹軒, 等. 無線電能傳輸磁耦合機構磁心解析模型與設計方法[J]. 電氣技術, 2022, 23(6): 83-92.

[4] JIA Yingjie, XIAO Fei, DUAN Yaoqiang, et al. PSpice-COMSOL-based 3-D electrothermal-mechanical modeling of IGBT power module[J]. IEEE Journal of Emerging and Selected Topics in Power Electronics, 2020, 8(4): 4173-4185.

[5] SHI Yunming, AI Yu, CHEN Shaoyong, et al. A health state prediction method of traction converter IGBT based on optimized particle filter[J]. Microelectronics Reliability, 2022, 139: 114840.

[6] 張經緯, 鄧二平, 趙志斌, 等. 壓接型IGBT器件單芯片子模組疲勞失效的仿真[J]. 電工技術學報, 2018, 33(18): 4277-4285.

[7] WU Xinlong, YANG Xin, DAI Xingyu, et al. A physical lifetime prediction methodology for IGBT module by explicit emulation of solder layer degradation[J]. Microelectronics Reliability, 2021, 127: 114384.

[8] LI Wanpihng, WANG Bixuan, LIU Jingcun, et al. IGBT aging monitoring and remaining lifetime prediction based on long short-term memory (LSTM) networks[J]. Microelectronics Reliability, 2020, 114: 113902.

[9] 任宏宇, 余瑤怡, 杜雄, 等. 基于優化長短期記憶神經網絡的IGBT壽命預測模型[J]. 電工技術學報, 2024, 39(4): 1074-1086.

[10] 羅哲雄, 周望君, 陸金輝, 等. 雙面散熱汽車IGBT模塊熱測試方法研究[J]. 電氣技術, 2022, 23(12): 24-30.

[11] CHU Chengpeng, DONG Chao, DU Mingxing, et al. Aging monitoring of bond wires based on differential mode conducted interference spectrum for IGBT module[J]. IEEE Transactions on Electromagnetic Compatibility, 2021, 63(4): 1274-1283.

[12] 韓恒貴. 基于深度學習的IGBT故障預測研究[D]. 北京: 北京交通大學, 2019.

[13] 蔣林, 蒲曉珉, 邊曉光, 等. 背靠背功率模塊中IGBT的關斷過電壓抑制[J]. 東方電氣評論, 2021, 35(2): 11-14.

[14] 孔梅娟, 李志剛, 李雄, 等. IGBT功率模塊狀態監測技術研究現狀[J]. 半導體技術, 2017, 42(2): 145- 152.

[15] 孫梓涵. 基于數據驅動的IGBT壽命預測研究[D]. 北京: 北京交通大學, 2020.

[16] 劉嘉誠. 基于機器學習算法的IGBT壽命預測研究[D]. 合肥: 合肥工業大學, 2020.

[17] 王晨苑, 何怡剛, 王傳坤, 等. 高壓多芯片并聯IGBT模塊故障監測方法[J]. 電子測量與儀器學報, 2020, 34(10): 98-106.

[18] 范迦羽, 李恬晨, 和峰, 等. IGBT器件關斷能力提升的參數篩選方法研究[J/OL]. 華北電力大學學報(自然科學版), 1-9 [2024-02-06]. http://kns.cnki.net/kcms/ detail/13.1212.TM.20230105.2129.002.html.

[19] 劉伯穎, 胡佳程, 李玲玲, 等. IGBT老化狀態下基于BAS-SVM模型的結溫預測方法[J]. 微電子學, 2020, 50(5): 664-668, 682.

[20] 劉人寬, 李輝, 于凱, 等. 焊接型IGBT器件封裝狀態監測方法分析[J]. 電工技術, 2022(15): 71-78, 82.

IGBT aging failure prediction method based on Bo-BiLSTM network

WAN Qingzhu1YU Jiasong1TONG Qingbin2MIN Xianjuan1

(1. School of Electric and Control Engineering, North China University of Technology, Beijing 100144; 2. School of Electrical Engineering, Beijing Jiaotong University, Beijing 100044)

Aiming at the low accuracy of aging failure prediction for insulated gate bipolar transistor (IGBT) after thermal stress impact, a bi-directional long short term memory (BiLSTM) network based on Bayesian optimization (Bo) is proposed to predict the aging failure of IGBTs. Firstly, the aging failure principle of IGBT module is analyzed, the failure characteristic database is established based on NASA aging experiment data set, and finally the Bo-BiLSTM network is constructed to predict the failure characteristic parameters by using Matlab software. Commonly used regression prediction performance evaluation indexes are selected to compare and analyze the prediction results of long short term memory (LSTM) network model, BiLSTM network model and Bo-BiLSTM network model. The results show that the model fitting accuracy of Bo-BiLSTM network is higher, so the IGBT aging failure prediction method based on Bo-BiLSTM network has better prediction effect and can be applied to IGBT failure prediction.

insulated gate bipolar transistor (IGBT); Bayesian optimization; bi-directional long short term memory (BiLSTM) network; aging failure prediction

北京市教育委員會基金項目（110052972027/067）

北京市自然科學基金項目（21C30037）

2023-12-11

2024-01-12

萬慶祝（1975—），男，副教授，碩士生導師，主要研究方向為微電網運行優化調度、基于大數據的電網故障分析診斷。