功率模塊中的結(jié)溫估算技術(shù)

●結(jié)溫是判定IGBT是否處于安全運行的重要條件，IGBT的工作結(jié)溫限制著控制器的最大輸出能力。如果IGBT過熱，可能會導致?lián)p壞，影響設(shè)備的性能、壽命甚至引發(fā)故障。而過熱損壞可能由多種因素導致，如設(shè)計因素、復雜工況、高震動、溫度沖擊、硅脂的老化等。

●傳統(tǒng)的使用NTC（負溫度系數(shù)熱敏電阻）進行IGBT結(jié)溫保護存在局限性，如在堵轉(zhuǎn)等極端工況下，熱能分布很不均勻，IGBT與NTC存在溫差，且NTC響應時間慢，不能準確及時反映結(jié)溫波動狀態(tài)。因此，更精確的IGBT結(jié)溫估算是必要的。通過IGBT結(jié)溫估算，可以實時監(jiān)控結(jié)溫，既能發(fā)揮出控制器的最大能力，又能保證控制器不會過溫損壞，提高整車的安全性和動力性。精確的IGBT結(jié)溫估算還可以幫助控制器結(jié)合實際運行工況進行一些更前衛(wèi)的算法研究，例如IGBT壽命損傷度實時計算等，從而提高整車的可靠性。

一IGBT結(jié)溫預測流程

IGBT時間序列結(jié)溫預測算法流程

目前市場上功率模塊廠家雖然也有相關(guān)的線上結(jié)溫估算軟件，但軟件計算所得的結(jié)溫還是會與實測結(jié)果存在差異。因此，基于此問題，我司與浙江大學聯(lián)合開發(fā)了結(jié)溫估算的計算程序。通過積累實測結(jié)溫結(jié)果，基于神經(jīng)網(wǎng)絡與機器學習的方法，估算相關(guān)模塊的結(jié)溫，該方法下所獲得的結(jié)溫準確度更高。

二IGBT結(jié)溫預測算法

目前卷積神經(jīng)網(wǎng)絡（CNN）結(jié)溫預測結(jié)果示意圖和時間序列預測結(jié)果示意圖

訓練目標的特征提取受細胞控制門狀態(tài)的控制和影響。可以記住長期信息，而不必要的信息可以被遺忘。與RNN相比，LSTM網(wǎng)絡在長期記憶任務中具有更好的性能。特別是，LSTM網(wǎng)絡的內(nèi)部由多個細胞拼接而成，LSTM細胞的輸入和輸出處使用連接層。網(wǎng)絡的整體結(jié)構(gòu)如圖所示。

LSTM 單元結(jié)構(gòu)示意圖

LSTM訓練過程的損失函數(shù)和誤差

LSTM 網(wǎng)絡訓練結(jié)構(gòu)示意圖

三實驗平臺及熱場測試

大功率半導體模組實驗測試臺

測試電路內(nèi)部組成示意圖

同模塊中IGBT最大結(jié)溫變化曲線

熱場測試電路原理圖

四參數(shù)依賴性測試

散熱器參數(shù)與最大結(jié)溫分布情況

五神經(jīng)網(wǎng)絡預測結(jié)果

與卷積神經(jīng)網(wǎng)絡（CNN）預測方法相比，所采用的LSTM網(wǎng)絡在各種誤差計量方法中誤差更小，誤差相較于CNN網(wǎng)絡平均縮小50%以上。

IGBT結(jié)溫時間序列預測誤差分布

六在線預測以及特殊工況預測

七APP界面的構(gòu)建

目前相關(guān)模塊正在陸續(xù)積累數(shù)據(jù)，計算所得的結(jié)溫與實測結(jié)溫吻合度較好。后期會增加電機臺架的實驗結(jié)溫數(shù)據(jù)的積累，獲得更加貼近實際的工況。