基于數據驅動的換流閥用IGBT模塊芯片焊料層狀態評估

DOI：10.3969/j.issn.10001565.2025.01.002

摘" 要：換流閥用絕緣柵雙極型晶體管（IGBT）模塊在風電輸送與電網互聯等領域得到廣泛應用，隨著運行時間的增長，IGBT芯片焊料層易發生熱疲勞損傷，導致模塊可靠性降低，因此實現IGBT模塊芯片焊料層狀態評估尤為關鍵.為此，提出一種基于數據驅動的換流閥用IGBT模塊芯片焊料層狀態評估方法.首先，分析焊料層的疲勞機理，并從數據的表征能力和獲取難易程度出發，選取能夠反映芯片焊料層疲勞狀態的評估參數；其次，建立不同焊料層疲勞損傷狀態的IGBT模塊電熱耦合模型，并通過有限元計算獲得“疲勞狀態-評估參數”數據；最后，考慮芯片焊料層疲勞狀態與評估參數之間的非線性、相互交叉等問題，選取多種算法共同實現由評估參數到芯片焊料層的疲勞狀態的映射，并對評估參數發展趨勢進行預測.結果表明本評估方法準確性、實時性均滿足工程需要，可為IGBT模塊運維提供可靠依據.

關鍵詞：芯片焊料層；狀態評估；數據驅動；評估參數；電熱耦合模型

中圖分類號：TP181""" 文獻標志碼：A""" 文章編號：10001565（2025）01001010

Data driven solder layer state evaluation of IGBT module chip for converter valve

HUANG Xiongfeng1， DUAN Xiyao1， HUANG Ming1， CHEN Zhong2， ZHU Lin2， ZHANG Yujiao1

（1.Anhui Province Key Laboratory of Semiconductor Packaging and Reliability， School of Electrical and Automation Engineering， Hefei University of Technology，Hefei 230009，China;2.Electric Power Research Institute，State Grid Anhui Electric Power Co.， Ltd.， Hefei 230601，China）

Abstract： Insulated gate bipolar transistor （IGBT） modules for converter valves are widely used in fields such as wind power transmission and grid interconnection. IGBT modules for converter valves have been widely used in wind power transmission and grid interconnection. As the operating time increases， the IGBT chip solder layer is prone to thermal fatigue damage， leading to a decrease in module reliability. Therefore， it is particularly critical to evaluate the state of the IGBT module chip solder layer. To this end， this paper proposes a data-driven method for evaluating the state of the IGBT module chip solder layer for converter valves. Firstly， the fatigue mechanism of the solder layer is analyzed， and evaluation parameters that can reflect the fatigue state of the chip solder layer are selected based on their ability to represent data and the ease of acquisition. Secondly， an electro-thermal coupling model of the IGBT module

收稿日期：20240614;修回日期：20240912

基金項目：

安徽省自然科學基金資助項目（JZ2023GJDQ0018）

第一作者：黃雄峰（1980—），男，合肥工業大學副教授，博士，主要從事檢測技術與自動化裝置應用方向研究.E-mail： hfut_huangxf@hfut.edu.cn

通信作者：張宇嬌（1978—），女，合肥工業大學教授，博士生導師，主要從事電氣設備多物理場建模與仿真、基于數字孿生技術的電氣設備故障診斷與健康壽命管理方向研究.E-mail： zhangyujiao@hfut.edu.cn

河北大學學報（自然科學版）第45卷

with different fatigue damage states of the solder layer is established， and finite element calculations are performed to obtain ‘fatigue state-evaluation parameter data. Finally， considering the non-linearity and cross-correlation issues between the fatigue state of the chip solder layer and the evaluation parameters， multiple algorithms are selected to jointly achieve the mapping from the evaluation parameters to the fatigue state of the chip solder layer and predict the development trend of the evaluation parameters. The results show that the accuracy and real-time performance of this evaluation method can meet the engineering needs， providing a reliable basis for the operation and maintenance of IGBT modules.

Key words： chip solder layer;state assessment; data-driven; evaluation parameter; electrothermal coupling model

絕緣柵雙極型晶體管（insulated gate bipolar transistor，IGBT）作為換流閥中的核心部件，其可靠性直接影響到柔性直流輸電的安全運行［1］.數據表明變流器故障中31%由功率器件故障引起，而功率器件故障大部分是器件熱問題所導致［2-3］.IGBT熱問題主要發生在鍵合線與焊料層，相較于鍵合線，焊料層往往會率先出現損傷［4］，且同等情況下芯片焊料層熱問題比基板焊料層熱問題影響更大［5］.因此，實現IGBT模塊芯片焊料層狀態評估尤為關鍵.

目前國內外學者基于數據驅動對IGBT模塊焊料層疲勞狀態進行評估的研究已經相當普遍.文獻［6］基于IGBT模塊電熱耦合仿真和老化實驗，探究了IGBT模塊焊料層空洞生長融合規律，并給出了5個等級的空洞評估方法；文獻［7］通過有限元仿真探究了焊料層裂紋和熱阻之間的關系，并基于結構函數實現了對裂紋位置和程度的識別；文獻［8］建立了基于磁感應強度比值的多芯片并聯IGBT模塊健康狀態評估模型，實現對多芯片并聯IGBT模塊焊料層脫落狀態的量化評估.但是，目前對IGBT模塊焊料層的狀態評估大多停留在單一疲勞前提下的定量評估，缺乏對其內部疲勞類型的定性判斷.

相較于傳統模型驅動的狀態評估方法，數據驅動方法避免了復雜的物理建模與機理分析，它通過算法直接從器件相關數據中提取隱藏的狀態信息，特別適合處理如IGBT模塊這類電力電子設備的狀態評估問題.IGBT模塊是一個復雜的功率器件，單一參量難以反應器件內部真實狀態，通過多變量共同判斷IGBT模塊的狀態信息逐漸成為主流.文獻［9］從電學、熱學和絕緣參量的角度分析了近年來國內外高壓IGBT狀態檢測領域的研究現狀.文獻［10］為了解決溫度與飽和壓降的耦合影響問題，采用飽和壓降和集電極電流多數據驅動方法精確估算IGBT模塊的結溫.文獻［11］將傳導電流、冷卻水溫度和冷卻水流量作為輸入變量，使用BP神經網絡預測溫度.但當前針對IGBT模塊芯片焊料層疲勞狀態評估的參數選擇研究較少.

本文以換流閥用IGBT模塊為研究對象，基于數據驅動方法選擇多個參數實現其芯片焊料層的

疲勞類型判斷、疲勞程度識別及健康預測.該方法可以實現對IGBT模塊芯片焊料層疲勞狀態的全面

感知、精確評估和主動預測，為模塊運維提供可靠依據.

1" 評估方法架構設計

針對芯片焊料層疲勞時IGBT模塊運行的相關數據，基于智能算法實現數據信息到芯片焊料層疲勞

狀態的映射，亟須解決如下問題：

1）評估IGBT模塊芯片焊料層疲勞狀態的參數選擇問題；2）

芯片焊料層處于不同疲勞類型不同疲勞程度時IGBT模塊評估參數獲取問題；3）選擇何種算法實現從“評估參數”到“疲勞狀態”的映射.

圖1為基于數據驅動的換流閥用IGBT芯片焊料層狀態評估方法架構.

評估方法中關鍵性技術包括特征參數的選取、特征參數數據的獲取、數據分析方法的選取.特征參數

的選取是否合理直接決定了評估方法的可行度；特征參數的數據獲取方法很大程度上決定了該評估方法的時間成本、經濟成本和準確性；數據分析方法的選取決定了能否有效且快速地利用特征參數中蘊含的器件信息.三者共同決定了該評估方法的可行性、準確性與實時性.

綜上所述，該評估方法具體步驟如下：首先，針對IGBT模塊芯片焊料層狀態評估參數選擇問題，通過分析芯片焊料層疲勞失效機理和擴展機制，根據參數的表征能力、可監測性與數據獲取難易程度，在常用的IGBT老化參數中選定模塊運行時的最高溫度、最低溫度與集射極壓降共同作為芯片焊料層的狀態評估參

數；其次，針對芯片焊料層不同疲勞狀態下IGBT模塊評估參數數據獲取問題，建立考慮不同芯片焊料層疲勞損傷狀態下的IGBT模塊電熱耦合模型，利用仿真軟件模擬IGBT模塊芯片焊料層不同類型疲勞的萌生及擴展，通過有限元計算獲取芯片焊料層不同疲勞類型、不同疲勞程度時對應的IGBT模塊評估參數；最后，針對芯片焊料層疲勞狀態與評估參數之間呈現非線性、相互交叉等問題，借助支持向量機（support vector machine，SVM）在小規模數據集下分類精度高、集成學習算法泛化能力強、長短期記憶網絡（long short-term memory，LSTM）在時間序列建模上的優勢，提出使用上述3種算法共同實現IGBT模塊芯片焊料層的疲勞狀態評估.

2" 芯片焊料層疲勞分析與評估參數選擇

IGBT模塊芯片焊料層疲勞具有空洞、裂紋、脫落等不同類型，不同類型疲勞的損傷機理有所差異.因此，從芯片焊料層疲勞失效機理出發，分析不同類型疲勞的產生原因及擴展機制，考慮特征參數的疲勞表征能力、可監測性與數據獲取難易程度，在常用的IGBT老化參數中選定模塊運行時最高溫度、最低溫度與集射極壓降共同作為芯片焊料層的狀態評估參數.

2.1" 芯片焊料層疲勞分析

圖2是焊接型IGBT的封裝結構及其對應結構材料的熱膨脹系數.由圖2可知芯片與芯片焊料層之間的熱膨脹系數之差高達18.8×106/℃.結合IGBT模塊封裝結構，芯片焊料層的厚度最小，層對角線長度也最短，且相比于其他結構更靠近熱源，所以芯片焊料層的熱切應變最大，其在功率循環受到交變熱應力的影響更大，因此更易發生熱疲勞損傷.

焊料層熱疲勞損傷主要包括空洞、裂紋與脫落，其產生原因不盡相同，其擴展機制也有所差異.空洞的形成原因主要有生產過程中焊料與基體不匹配、焊膏揮發及焊料不均勻收縮，以及熱應力引起的晶粒長大和缺陷聚集.健康的焊料層中存在許多極小的圓形空洞，隨著疲勞進程，空洞會擴展并相互融合形成大空洞［12］.而裂紋的形成是由于焊料層熔點較低，在工作溫度下受熱應力影響發生塑性形變，導致錯位聚集和原子鍵斷裂，裂紋多發生于邊角位置，并逐漸向內部延伸［13］.脫落則發生在芯片與焊料層之間，由于加入了薄鋁層，材料復雜性增加導致塑性形變，焊料層表面出現脫落，并逐漸從邊緣向內部擴展［14］.

2.2" 評估參數選擇

在評估IGBT芯片焊料層的疲勞狀態時，選擇合適的參數至關重要.目前在IGBT狀態評估方面常用的評估參數包括器件結溫、集射極壓降、結殼熱阻、關斷時間和門極導通閾值電壓.為了選取合適的特征參數作為芯片焊料層的狀態評估參數，需要從疲勞表征能力、可監測性以及數據獲取難易程度等角度進行綜合考慮.

在IGBT模塊運行過程中，芯片焊料層的疲勞通常表現為模塊運行時器件結溫（最高溫度和最低溫度）的上升.疲勞損傷會減小芯片與焊料層之間的接觸面積，導致散熱性能下降，因此結溫參數不僅直接反映出焊料層的疲勞狀況，而且也是影響疲勞進程的關鍵因素［15］.除此之外，集射極壓降是另一個重要的評估指標，它表示IGBT模塊在飽和區工作時集射極兩端的壓降差.焊料層的疲勞會引起結構和溫度的變化，進而影響材料的電阻值，使得集射極壓降在IGBT退化過程中呈現上升趨勢.由于其易于監測且靈敏度高，目前集射極壓降已被廣泛用于IGBT狀態評估工作.結殼穩態熱阻在疲勞過程中也會升高，通過監測結溫與殼溫，可以評估焊料層的疲勞情況.然而，由于該方法對溫度傳感器的要求較高，且功率損耗受工作環境的影響較大，其應用受到一定限制［16］，相比之下，關斷時間和門極導通閾值電壓雖然在焊料層老化過程中會發生變化，但其對疲勞的敏感性較低，且監測難度較大，因此不適合作為主要評估參數［17-18］.

綜上所述，基于參數的表征能力、可監測性以及數據獲取難易程度，最終選擇IGBT模塊運行時的最高溫度、最低溫度和集射極壓降作為評估芯片焊料層疲勞狀態的關鍵參數.

3" 不同疲勞狀態下IGBT模塊電熱耦合仿真

由于IGBT焊料層在長期運行中因熱疲勞可能產生空洞、裂紋和脫落等損傷，不同疲勞類型下的評估參數雖然整體呈現增大趨勢，但空洞、裂紋和脫落對參數的影響模式各異，評估參數的增長形式存在著顯著差異.為準確評估焊料層的疲勞狀態，需通過電熱耦合有限元模型仿真焊料層在不同疲勞類型和疲勞程度下的行為，提取評估參數，并分析其在空洞、裂紋和脫落等疲勞模式下的變化趨勢，為更加精準地評估焊料層狀態提供數據基礎.

3.1" 健康IGBT模塊電熱耦合仿真

3.1.1" 健康IGBT模塊三維模型建立

為探究芯片界料層疲勞對IGBT模塊電熱特性的影響，本文選用了ABB公司2 000 A、3.3 kV的SSNA080N3300IG型號模塊進行IGBT模塊建模分析.為提高有限元仿真的計算效率，結合器件的工作特點對模型進行了如下簡化：

1）IGBT模塊的外殼、引腳、二極管等部分對模塊散熱影響較小，因此予以忽略.硅膠與基板散熱器可以通過施加邊界條件代替［4］，故不進行幾何建模.

2）該模塊由4個完全相同的單元并聯而成，出于減少計算量的考慮，只建立其中1個IGBT單元的三維仿真模型并進行分析［4］.

3）IGBT模塊柵極主要負責控制IGBT模塊通斷，驅動器流經柵極電流遠小于集電極電流，柵極鍵合線發熱可忽略不計，故忽略柵極鍵合線［19］.

4）續流二極管（FWD）芯片主要起續流和抑制過壓作用，正向導通時無電流經過，故FWD芯片上鍵合線也予以忽略［20］.

根據該型號IGBT模塊建立如圖3所示的IGBT模塊三維仿真模型.

3.1.2" 有限元計算

換流閥閥廳內溫度在10～50 ℃，散熱方式為水冷放熱，冷卻液溫度不低于10 ℃且模塊散熱功率取決于IGBT功率.荷載與邊界條件如下：

1）IGBT額定電流為800 A，由4個相同的單元并聯而成，故每個單元施加電流為200 A.

2）散熱方式為自上而下通過基底散熱板散熱，故除基板下表面以外的其余祼露部分均設為絕熱，參考文獻［21］，在基板下表面設置對流換熱系數，大小為9 000 W/（m2·K）.

3）室溫取平均溫度25 ℃，故初始溫度為25 ℃.

4）模塊通過基板與散熱器固定，故基板的固定位置設置為水平參考面.

通過上述分析，首先，根據該型號IGBT模塊真實尺寸進行結構簡化并建立三維仿真模型；其次，根據電熱耦合計算所需材料參數對模型添加相應屬性，并進行網格剖分；最后，依據真實工作環境與工作特點對IGBT模塊進行載荷與邊界條件的設定，實現對健康IGBT模塊電熱耦合穩態計算，結果如圖4所示.

由圖4可知，穩態時IGBT模塊最高溫度為123.26 ℃，最低溫度為88.02 ℃，集射極壓降為2.546 2 V.該型號IGBT模塊的Datasheet手冊上標明正常模塊工作最高溫度為125 ℃，仿真誤差為1.4%.

3.2" 芯片焊料層不同疲勞類型的模擬仿真

3.2.1" 空洞仿真模擬

選擇最具代表性的中間貫穿空洞［7］來探究IGBT模塊評估參數隨芯片焊料層空洞率變化規律.IGBT模塊芯片焊料層中間貫穿空洞示意如圖5所示，在健康IGBT模塊三維模型的4個芯片焊料層中心位置挖空一個圓柱用以模擬空洞疲勞，空洞半徑為r，空洞高度等于芯片焊料層厚度.

根據文獻［28］方法定義空洞率為空洞與芯片焊料層面積之比.芯片焊料層上表面為邊長14 mm的正方形.通過逐漸增大r來模擬芯片焊料層空洞疲勞愈發嚴重的情況，

其中空洞率V與空洞半徑r的對應關系為

V= πr2/196×100%.（1）

3.2.2" 裂紋仿真模擬

選擇最具代表性的橫向貫穿裂紋［22］探究IGBT模塊評估參數隨芯片焊料層裂紋率變化規律.

IGBT模塊芯片焊料層橫向貫穿裂紋示意如圖6所示，在健康IGBT模塊三維模型的4個芯片焊料層的邊緣對稱位置挖出長方體以模擬裂紋.裂紋位于芯片焊料層上表面，長L，寬等于芯片焊料層寬度，厚度等于芯片焊料層厚度的1/5.

規定裂紋長度與芯片焊料層邊長之比為裂紋率，可以通過增長L模擬裂紋愈發嚴重的情況，

其中裂紋率C與裂紋長度L的對應關系可表示為

C=L/14×100%.（2）

3.2.3" 脫落仿真模擬

選擇最具代表性的圓形邊緣脫落［23］探究IGBT模塊評估參數隨芯片焊料層脫落度變化規律.

IGBT模塊芯片焊料層圓形脫落示意如圖7所示，在健康IGBT模塊三維模型的4個芯片焊料層中心位置做一個脫落剩余半徑為R、高度等同于焊料層厚度的圓柱體，芯片焊料層與圓相交的部分為脫落剩余部分，挖去脫落剩余以外部分以模擬脫落.規定脫落面積與芯片焊料層面積之比為脫落度，通過減小R來模擬脫落愈發嚴重的情況，其中，脫落度D與脫落剩余半徑R的對應關系為

D=196+πR2" arccos7R45°-πR2-28R2-49/196×100%，7≤R≤72，

（196-πR2）/196×100%，0≤R＜7.（3）

3.2.4" “疲勞狀態-評估參數”數據提取

在上述芯片焊料層空洞、裂紋與脫落仿真模擬的基礎上，為了獲取芯片焊料層在不同疲勞類型和不同疲勞程度下的IGBT模塊評估參數，采取如下仿真步驟：

在健康IGBT模塊三維模型的基礎上，保持荷載與邊界條件不變，挖去部分不參與有限元計算的區域.分別建立芯片焊料層空洞、裂紋、脫落時的IGBT模塊三維模型，通過逐步調整r、L、R來模擬疲勞損傷逐漸加劇的情況.進行多組仿真計算，以獲得IGBT模塊在不同疲勞類型和疲勞程度下的評估參數，直到仿真計算出的IGBT模塊最高溫度超過模塊安全運行的最高規定溫度150 ℃為止.

圖8、圖9、圖10分別為IGBT模塊評估參數隨芯片焊料層空洞率、裂紋率、脫落度的變化曲線，由圖8～10可知，IGBT模塊在工作穩定時的最高溫度、最低溫度、集射極壓降隨著芯片焊料層疲勞程度的加劇呈上升趨勢.與焊料層邊緣的裂紋疲勞和脫落疲勞相比，中間貫穿空洞隨其疲勞程度（空洞率）的增加變化更顯著，中間貫穿空洞對模塊的影響更為嚴重.然而，“疲勞狀態-評估參數”呈現非線性和相互交叉.因此，需要借助算法來進一步明確兩者之間的映射關系.

4" 基于SVM-Bagging-LSTM的芯片焊料層狀態評估

盡管有限元仿真能夠獲取焊料層在不同疲勞程度下的評估參數隨退化進程的變化趨勢，但在實際應用中，芯片焊料層的疲勞狀態與多個評估參數之間呈現復雜的非線性關系和多重交互影響.狀態評估算法可以根據評估參數實現對疲勞狀態的劃分，為設備維護提供精確的決策支持.為進一步提高疲勞狀態評估的精確性和可靠性，本文采用多種算法共同實現由評估參數到芯片焊料層的疲勞狀態評估.

4.1" 基于SVM的芯片焊料層疲勞類型判斷

芯片焊料層疲勞類型判斷是機器學習中典型的分類問題，目前常見的分類算法有決策樹、支持向量機（SVM）和神經網絡算法.決策樹算法在數據量小時容易出現過擬合［24］，SVM和神經網絡算法理論上都適用于小數據的分類問題，本節通過比較SVM和BP神經網絡算法，最終選擇SVM算法對IGBT模塊芯片焊料層疲勞類型進行判斷.

首先構建一個包含150個樣本的數據集，其中80%作為訓練集，剩余的20%作為測試集，每個樣本的輸入特征參數為芯片焊料層的疲勞評估參數，輸出標簽值為對應疲勞評估參數下的疲勞類型.隨后采用支持向量機（support vector machine，SVM）算法對芯片焊料層的疲勞類型進行劃分，選擇徑向基函數（radial basis function，RBF）作為SVM由低維空間向高維映射的核函數（C-support vector classification，SVC）作為損失函數，最后通過網格搜索和交叉驗證的方法來優化SVM的參數，以實現模型的

最佳性能.為了驗證SVM算法的有效性，將其與經典的反向傳播BP神經網絡算法在測試集上的預測效果進行了比較.從圖11中2種算法的混淆矩陣中可以看出，2種算法的總體精度均達到了90%.具體而言，SVM算法在芯片焊料層疲勞分類上的精度達到了96.7%，這一結果明顯高于BP算法，表明SVM算法在判斷芯片焊料層疲勞類型方面更為有效.

4.2" 基于Bagging集成學習的芯片焊料層疲勞程度識別

芯片焊料層疲勞程度識別問題在機器學習領域被視為一個典型的回歸問題，而單一算法在處理此類問題時往往表現出泛化性能的不足.為了提升模型的泛化能力，本節采用Bagging（bootstrap aggregating）集成學習算法［26］來進行IGBT模塊芯片焊料層的疲勞程度識別，并與決策樹等傳統單一算法進行比較.

Bagging作為一種高效的集成學習方法，通過從原始數據集中進行多次有放回的抽樣構建多個不同的訓練集，針對每個訓練集獨立訓練基學習器，并通過投票或平均等方式綜合這些基學習器的預測結果.以芯片焊料層空洞疲勞為例，首先通過仿真計算收集芯片焊料層在不同疲勞程度下的評估參數，并將這些參數整合成一個4×50的標注數據集，其中數據集下的每個樣本包含IGBT模塊在穩態運行條件下的最高溫度、最低溫度以及集射極壓降3個輸入特征量以及1個對應的疲勞程度標簽值-空洞率.接下來，采用Bagging算法對原始數據集進行有放回的子抽樣以構建訓練集，并選用線性回歸、決策樹、SVM以及神經元網絡（NET）這4種基學習器，通過加權投票法進行模型集成.

其中，NET是MATLAB中自帶的神經結構網絡模型，可以通過FITNET函數執行數據擬合任務.本文還將售成學習模型單一的線性回歸、決策樹、SVM、NET模型進行了對比.不同算法的平均絕對誤差（MAE）、均方誤差（MSE）、擬合優度（R2）見表1，擬合結果如圖12所示.

從表1和圖12可知集成學習算法擬合效果更佳，可以更準確地識別IGBT模塊芯片焊料層疲勞程度.

4.3" 基于長短期記憶網絡LSTM的芯片焊料層健康預測

芯片焊料層健康預測是為了評估參數的發展趨勢，是機器學習中典型的時間序列問題.LSTM能夠

有效捕捉連續數據中的時間依賴性并建立模型，相較于自回歸滑動平均模型，能夠處理更多變

量；相較于循環神經網絡，避免了梯度消失問題［28］，從而更適合長時間依賴性地數據建模.

1）確定輸入輸出并制作數據集

利用所建立的IGBT電熱耦合模型，依據焊料層不同疲勞程度由輕微到嚴重進行排序，逐步提取疲勞程度加劇下的IGBT模塊評估參數，其中包括模塊的最高溫度、最低溫度以及集射集壓降.最終，得到一個3×50的數據集，用于疲勞狀態的預測建模.以焊料層空洞疲勞為例，為獲取評估參數在

疲勞程度加劇過程中的退化特征，仿真模擬了芯片焊料層空洞率隨疲勞程度增加的演變過程，并提取了相應的評估參數變化數據，為模型預測提供了準確的輸入.

2）模型建立及預測結果對比

參數設置：訓練集與測試集數目分別為40、10；滑窗長度為40；時間步長為1；輸入層、輸出層特征為3；最大迭代次數為250；選擇Adam梯度下降；初始學習率為0.005，學習率下降因子為0.2，學習率下降周期

為125.使用預測值更新網絡，首先利用

前40個數據預測第41個數據，然后利用第2～40個數據和預測的第41個數據預測第42個數據，以此

類推；使用真實值更新網絡同樣利用前40個數據預測第41個數據，但之后利用第2～40個數據和真

實的第41個數據預測第42個數據，以此類推.2種預測方式可運用于不同的場景，預測值預測適用于IGBT模塊未來一段時間內的評估參數；使用真實值預測適用于下一時刻的評估參數預測.空洞時

最高溫度數據預測結果如圖13所示，可以看出相較于預測值更新網絡，采用真實值更新網絡進行

預測會更加準確.但是真實值更新網絡方法在實際運用中需要不斷地輸入真實數據，條件更加苛刻.相比之下，使用預測值更新網絡適用于預測模塊未來一段時間的數據發展趨勢，更加符合工程需要.

5" 結論

1）通過不同疲勞狀態下IGBT模塊電熱耦合仿真，研究發現IGBT模塊工作穩定時的最高溫度、最低溫度、集射極壓降會隨著芯片焊料層疲勞進程呈上升趨勢.相較于裂紋和脫落，中間貫穿空洞對模塊性能的影響更加嚴重，但是“疲勞狀態”與“評估參數”之間關系不夠明確，呈現非線性、相互交叉.

2）針對芯片焊料層“疲勞狀態-評估參數”數據之間呈現非線性、相互交叉等問題，本文綜合SVM、Bagging集成學習算法和LSTM等多種算法，實現了對芯片焊料層疲勞類型、疲勞程度和健康狀態的全面感知、精確評估和主動預測，有效地提高了評估的準確性和實時性，為IGBT模塊的運維管理提供了可靠的科學依據.

參" 考" 文" 獻：

［1］" 趙智強， 帕孜來·馬合木提，劉行行，等.光伏逆變器IGBT器件接線故障診斷方法［J］.河北大學學報（自然科學版）， 2024，44（1）： 17-26. DOI： 10.3969/j.issn.1000-1565.2024.01.003.

［2］" 張艷梅，雒雯霞，孫小平，等.基于壓接型IGBT器件的柔直換流閥功率模塊多物理場耦合仿真分析［J］.高壓電器， 2021，57（11）： 84-92. DOI： 10.13296/j.1001-1609.hva.2021.11.011.

［3］" 王爭東，羅盟，成永紅.高壓大功率IGBT失效機理和耐高溫改性有機硅灌封材料研究綜述［J］.高電壓技術， 2023，49（4）： 1632-1644. DOI： 10.13336/j.1003-6520.hve.20221925.

［4］" 張宇嬌，范虹興，張炫焜，等.柔性直流輸電換流閥用IGBT模塊焊料層疲勞壽命研究［J］.高電壓技術， 2020，46（10）： 3381-3389. DOI： 10.13336/j.1003-6520.hve.20200596.

［5］" 陳民鈾，陳一高，高兵，等.計及焊料層疲勞累積效應的IGBT模塊壽命評估［J］.中國電機工程學報， 2018，38（20）： 6053-6061. DOI： 10.13334/j.0258-8013.pcsee.172213.

［6］" 唐圣學，馬強，陳冬，等.IGBT模塊焊料層空洞生長分析與評估方法［J］.儀器儀表學報， 2020，41（8）： 244-254. DOI： 10.19650/j.cnki.cjsi.J2006505.

［7］" DUM X， GUOQ Y， WANGH B， et al. An improved cauer model of IGBT module： inclusive void fraction in solder layer［J］. IEEE Trans Compon， Packag Manufa Technol， 2020， 10（8）： 1401-1410. DOI： 10.1109/tcpmt.2020.3010064.

［8］" 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. DOI： 10.19595/j.cnki.1000-6753.tces.210792.

［9］" 祝令瑜，占草，劉琛碩，等.高壓IGBT劣化機理分析及狀態監測技術研究綜述［J］.高電壓技術， 2021，47（3）： 903-916. DOI： 10.13336/j.1003-6520.hve.20191819.

［10］" 趙澤宇，杜明星.多數據驅動人工神經網絡的IGBT結溫在線估計方法［J］.電子測量與儀器學報， 2022，36（7）： 223-229. DOI： 10.13382/j.jemi.B2104628.

［11］" HUY G， SHIP P， LIH， et al. Health condition assessment of base-plate solder for multi-chip IGBT module in wind power converter［J］. IEEE Access， 2019， 7： 72134-72142. DOI： 10.1109/ACCESS.2019.2918029.

［12］" HUANGY L， DENGH F， LUOY F， et al. Fatigue mechanism of die-attach joints in IGBTs under low-amplitude temperatureswings based on 3D electro-thermal-mechanical FE simulations［J］. IEEE Trans Ind Electron， 2021， 68（4）： 3033-3043. DOI： 10.1109/TIE.2020.2977563.

［13］" WEIK X， WANGW B， HUZ， et al. Condition monitoring of IGBT modules based on changes of thermal characteristics［J］. IEEE Access， 2019， 7： 47525-47534. DOI： 10.1109/ACCESS.2019.2909928.

［14］" DANGL Z， YANGK， ZHANGQ P， et al. Research on failure mechanism and health evaluation index system of welding IGBT module［C］//2022 3rd International Conference on Advanced Electrical and Energy Systems （AEES）. IEEE， Lanzhou， 2022： 186-190. DOI： 10.1109/AEES56284.2022.10079292.

［15］" HU R， XIAD H， HEZ G， et al. Experiment and simulation study of IGBT failure in IH heater［C］//2022 IEEE 17th Conference on Industrial Electronics and Applications （ICIEA）. IEEE， Chengdu， 2022： 434-438. DOI： 10.1109/ICIEA54703.2022.10006145.

［16］" 柯燦.考慮多特征參數的IGBT服役性能評估研究［D］.北京： 北京交通大學， 2022.

［17］" XIANGD W， ZHAON， LIH， et al. Noncontact monitoring of IGBT turn-OFF time using PWM switching ringing for inverter-fed machine systems［J］. IEEE Trans Power Electron， 2021， 36（10）： 11055-11067. DOI： 10.1109/TPEL.2021.3070354.

［18］" HAQUEMS， CHOI S， BAEKJ. Auxiliary particle filtering-based estimation of remaining useful life of IGBT［J］. IEEE Trans Ind Electron， 2018， 65（3）： 2693-2703. DOI： 10.1109/TIE.2017.2740856.

［19］" CHENJ B， LIUB W， HUM H， et al. Study of the solder characteristics of IGBT modules based on thermal-mechanical coupling simulation［J］. Materials （Basel）， 2023， 16（9）： 3504. DOI： 10.3390/ma16093504.

［20］" JIANGM G， FUGC， CECCARELLI L， et al. Finite element modeling of IGBT modules to explore the correlation between electric parameters and damage in bond wires［C］.2019 IEEE Energy Conversion Congress and Exposition （ECCE）. 2019： 839-844. DOI： 10.1109/ECCE.2019.8912236.

［21］" 江南，陳民鈾，徐盛友，等.計及裂紋損傷的IGBT模塊熱疲勞失效分析［J］.浙江大學學報（工學版）， 2017，51（4）： 825-833. DOI： 10.3785/j.issn.1008-973X.2017.04.025.

［22］" 周健波.基于IGBT動態模型的電-熱-力多物理場耦合失效分析［D］.合肥： 合肥工業大學，2020. DOI： 10.27101/d.cnki.ghfgu.2020.000521.

［23］" 楊劍鋒，喬佩蕊，李永梅，等.機器學習分類問題及算法研究綜述［J］.統計與決策， 2019，35（6）： 36-40. DOI： 10.13546/j.cnki.tjyjc.2019.06.008.

［24］" 戚元星，崔雙喜.集成學習在電網假數據入侵檢測中的應用［J］.河北大學學報（自然科學版）， 2022， 42（1）：105-112. DOI：10.3969/j.issn.1000-1565.2022.01.015.

［25］" 崔麗娟，李凱，倪志宏.基于分類的集成學習算法研究［J］.河北大學學報（自然科學版）， 2007，27（4）： 423-427. DOI： 10.3969/j.issn.1000-1565.2007.04.020.

［26］" 李佳，郭劍毅，劉艷超，等.基于多分類器加權投票法的越南語組合歧義消歧［J］.計算機科學， 2018，45（1）： 167-172. DOI： 10.11896/j.issn.1002-137X.2018.01.029.

［27］" 柴變芳，楊蕾，王建嶺，等.集成局部和全局關鍵特征的文本情感分類方法［J］.河北大學學報（自然科學版）， 2021，41（2）： 201-211. DOI： 10.3969/j.issn.1000-1565.2021.02.014.

［28］" 唐圣學，馬強，陳冬等.IGBT模塊焊料層空洞生長分析與評估方法［J］.儀器儀表學報，2020，41（8）：244-254.DOI：10.19650/j.cnki.J2006505.

（責任編輯：王蘭英）