一种IGBT剩余使用寿命预测方法

一种igbt剩余使用寿命预测方法
技术领域
1.本发明属于电力电子可靠性技术领域，特别涉及一种基于融合型老化特征参数粒子滤波的igbt剩余使用寿命预测方法。


背景技术：

2.随着大功率电力电子设备的兴起，igbt作为最常用的一种功率半导体器件，在电力系统、高速铁路、汽车、航空中有着越来越广泛的应用。上述领域复杂的工作环境使得igbt长期在过热、过压和过功率的条件频繁开关，这将加快igbt的失效进程。因此，igbt是能量转换系统中最薄弱和最关键的环节之一。对于电动汽车、海上风机、换流站等高可靠性要求的场景，igbt失效引起的系统故障会带来难以估量的损失。
3.igbt模块两种主要的封装失效——键合引线脱落和焊料层疲劳，均是因igbt模块封装的各物理层材料热膨胀系数的差异，起固定、连接作用的焊料层和键合引线长期承受由于功率波动、温度波动而引起的热机械应力，逐渐产生裂纹，最终导致疲劳失效。
4.目前对于剩余使用寿命(rul)估测的研究主要有三种方法：物理模型分析方法、解析模型分析和数据驱动的方法。
5.第一种：物理模型分析方法。物理模型需要通过耗时的试验或者有限元分析来获取各种材料的应力特性，由于材料以及制作工艺的限制使得物理模型无法通用。且由于igbt结构精密且复杂，其退化过程比大多数机械系统更难检测，物理模型的建立较为复杂。
6.第二种：解析模型分析。解析模型分析方法的主要参数是结温，根据结温的变化范围、均值等参数来对器件进行预测，但是此类方法在提取结温时，其准确性波动很大。基于设备直接测量结温的方法，需要专用设备，测量成本较高，且需要打开igbt模块的外壳，结温测量的实现对igbt是有伤的。另一种获取结温的方法是通过建立热敏感电气参数模型来估计结温。但是，结温计算方法和计算过程复杂，产生不同程度的误差，对igbt模块的剩余寿命预测准确性产生了不利影响。
7.第三种：数据驱动方法。数据驱动方法不需要了解igbt内部的失效机理，同时可以从历史数据中提取模块的健康状况信息。随着加速老化试验的开展，构建igbt老化模型的历史数据可以大量获得，以神经网络为首的数据驱动方法已成为评估和预测igbt寿命的重要手段。
8.目前大多数基于数据驱动预测igbt的rul的方法只选取了一个特征参数作为状态监测参数，忽略了结温对其的影响。而结温会对大多数的特征参数造成影响，使得单一参数所判定的igbt失效往往和实际情况不符。


技术实现要素：

9.要解决的技术问题：现有的igbt的寿命预测方法针对单一参数的状态监测忽略了结温的影响，且没有考虑实际工况和igbt模块个体差异等缺点。本发明提出了一种igbt剩余使用寿命预测方法，基于融合状态监测参数的粒子滤波，解决igbt模块在实际应用中单
个个体的剩余使用寿命的预测问题。
10.为了达成上述目的，本发明采用的技术方案是：一种igbt剩余使用寿命预测方法，包括：
11.步骤1：构建综合考虑结温tj和饱和通态压降v
ce(on)
的融合型老化评价指标v’(v
ce(on)
,tj)并确定失效判据；
12.步骤2：根据加速老化试验得到的v
ce(on)
和tj老化曲线提取出融合型老化评价指标v’(v
ce(on)
,tj)的老化曲线，并对v’(v
ce(on)
,tj)数据进行预处理，所述预处理包括剔除异常数据和数据压缩；
13.步骤3：将预处理后的v’(v
ce(on)
,tj)数据建立两段式回归模型，完成参数估计，并构建以v’(v
ce(on)
,tj)作为特征量的粒子滤波的观测方程和状态转移方程；
14.步骤4：利用粒子滤波算法在状态空间中生成粒子集并预测下一周期即k 1时刻的融合型老化评价指标值v'(v
ce(on)
,tj)
k 1
；
15.步骤5：预测igbt模块的剩余使用寿命；
16.优选的方案中，所述步骤1中融合型老化评价指标v’(v
ce(on)
,tj)的公式为：
17.v'(v
ce(on)
,tj)＝v
ce(on)-q1×
(t
j-t0)
ꢀꢀꢀꢀꢀꢀ
(3)
18.当tj＝t0时，v’(v
ce(on)
,t0)＝v
’0；
19.其中，t0为初始结温，v
’0为融合型老化评价指标初始值，q1为描述v
ce(on)
与tj线性关系的常数系数；
20.当v’(v
ce(on)
,tj)增加至初始值v
’0的预设倍数阈值时，认为igbt功率模块失效。
21.优选的方案中，所述预设倍数阈值取值为1.05～1.2。
22.优选的方案中，所述剔除异常数据包括：通过莱茵达准则来剔除由于实验设计上的误差产生的坏点，对剔除坏点后的数据进行压缩。
23.优选的方案中，所述数据压缩包括：通过将一定循环数目的监测参数数据均值作为其特征值来实现数据压缩。
24.优选的方案中，所述步骤3中两段式回归模型为：
25.前m％的老化数据用一次函数拟合，公式为：
26.v'(v
ce(on)
,tj)＝p1·
n p2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
27.其中，p1、p2均为拟合出的第一阶段的老化模型参数，n为表征igbt在老化过程中经历热循环数目的变量，m∈[50,70]；
[0028]
后(100-m)％的老化数据用双指数退化函数拟合，公式为：
[0029]
v'(v
ce(on)
,tj)＝a
·
exp(b
·
n) c
·
exp(d
·
n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0030]
其中，a、b、c和d均为拟合出的第二阶段的老化模型参数。
[0031]
优选的方案中，所述观测方程为
[0032]
zk＝v'(v
ce(on)
,tj)
,k
wkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0033]
其中，zk为k时刻系统的观测数据，wk为k时刻的测量噪声，v'(v
ce(on)
,tj)
,k
为k时刻的v'(v
ce(on)
,tj)值；
[0034]
所述状态转移方程为：
[0035]
v'(v
ce(on)
,tj)
,k
＝v'(v
ce(on)
,tj)
,k-1
·
exp(b) c
·
exp(d
·
k)(1-exp(b-d)) v
k-1
ꢀꢀ
(8)
[0036]
其中v'(v
ce(on)
,tj)
k-1
为k-1时刻的v'(v
ce(on)
,tj)值，v
k-1
为k-1时刻的过程噪声。
[0037]
优选的方案中，所述步骤5包括：重复执行步骤4，使目标igbt样本的预测值v'(v
ce(on)
,tj)
k 1
不断逼近其失效阈值，直至确定目标igbt样本的剩余使用寿命，并给出该预测结果的后验概率分布。
[0038]
本发明与现有技术相比的优点是：
[0039]
1、本发明将结温tj纳入老化特征参数修正饱和通态压降v
ce(on)
得到新的老化评价指标v’(v
ce(on)
,tj)。以能够根据igbt实际工况，并通过实测数据得到的该融合型老化评价指标构建igbt老化模型，这对于igbt功率模块乃至整个系统的稳定运行具有重要意义。
[0040]
2、该方法考虑了igbt具体生产工艺引起个体差异和实际工况带来的影响。能够根据功率循环加速老化试验建立v’(v
ce(on)
,tj)与功率循环次数的数学模型，可准确预测单个igbt模块的剩余使用寿命。
附图说明
[0041]
图1：本发明中igbt模块剩余使用寿命预测流程图；
[0042]
图2：大电流条件下不同结温对应v
ce(on)
的saber仿真电路图；
[0043]
图3：ic一定，tj变化时v
ce(on)
的saber仿真波形图。
[0044]
图4：本发明中igbt模块剩余使用寿命预测计算机程序流程图。
具体实施方式
[0045]
以下结合附图对本发明基于融合参数监测粒子滤波的igbt剩余使用寿命预测方法进行详细说明，但是应当指出，本发明的实施方式以及实施例是为了解释目的的优选方案，并不是对本发明范围的限制。
[0046]
参见图1，本发明所述的基于融合型老化特征参数粒子滤波的igbt剩余使用寿命预测方法的流程图，接下来对该方法所述步骤做详细说明。
[0047]
步骤1：构建综合考虑结温tj和饱和通态压降v
ce(on)
的融合型老化评价指标v’(v
ce(on)
,tj)并确定失效判据，并确定失效判据。
[0048]
分析igbt模块v
ce(on)
与tj相关性，并在saber仿真软件中进行验证。igbt的饱和导通压降可以表示为式(1)所示
[0049]vce(on)
(tj,ic)＝f(tj,ic)＝[v
0-a1(t
j-t
j0
)] [r0 b1(t
j-t
j0
)]
×
icꢀꢀꢀꢀꢀꢀ
(1)
[0050]
式中，v
ce(on)
、tj和ic分别是igbt功率模块的饱和压降、结温和正向导通电流。v0和r0分别是参考结温t
j0
下igbt功率模块的饱和压降和等效电阻，a1表示饱和压降的负温度系数，b1表示等效电阻的正温度系数。当ic等于大电流阈值i
c(h)
时，式(1)第二项[r0 b(t
j-t
j0
)]
×
ic对v
ce(on)
大小的影响占主导地位，此时v
ce(on)
与tj正相关。通过saber仿真软件研究大电流条件下v
ce(on)
、tj之间的函数关系。
[0051]
如图2所示仿真电路，采用saber软件自带的基于hefner物理模型的igbt模块，此模块的结温输入接口与一个热源相连，热源的值控制结温，调节直流电源使得电流ic和加速老化实验条件下的电流(为大电流)相等，igbt的通断由一脉冲电源控制。采用saber中参数扫描工具仿真结温从120℃增加到200℃(递增幅度为10℃)，仿真得到对应v
ce(on)
。由图3可以看出随着tj递增，v
ce(on)
的变化规律近似线性。记录数据并作出v
ce(on)
与tj的二维关系散点图(v
ce(on)
,tj)，近似为一条直线，说明饱和通态压降v
ce(on)
在大电流下与结温有良好的线
性关系。
[0052]
由上述可知当ic＝i
c(h)
时，igbt的健康基线曲线如下式所示：
[0053]vce(on)
＝f(tj)＝q1*tj q2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0054]
其中，q1、q2为描述v
ce(on)
与tj线性关系的常数系数。
[0055]
为排除加速老化过程中结温对于v
ce(on)
的影响，根据v
ce(on)
与tj之间的关系，将结温作为校正因素将v
ce(on)
归一化到同一个结温值t0下，归一化后得到融合型老化评价指标v’(v
ce(on)
,tj)，公式为：
[0056]
v'(v
ce(on)
,tj)＝v
ce(on)-q1×
(t
j-t0)
ꢀꢀꢀꢀ
(3)
[0057]
当tj＝t0时，v’(v
ce(on)
,t0)＝v
’0；其中，t0为初始结温，v
’0为融合型老化评价指标初始值，q1为描述v
ce(on)
与tj线性关系的常数系数。
[0058]
当v’(v
ce(on)
,tj)增加至初始值v
’0的1.05～1.2倍时时可认为igbt功率模块失效。当本实施例中v
’0选定为1.05时，则失效临界线为
[0059]
v'(v
ce(on)
,tj)＝1.05v0′ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0060]
步骤2:根据加速老化试验得到的v
ce(on)
和tj老化曲线提取出融合型老化评价指标v’(v
ce(on)
,tj)的老化曲线，并对v’(v
ce(on)
,tj)数据进行预处理，包括剔除异常数据，和数据压缩。
[0061]
根据加速老化试验中实测参数得到v
ce(on)
和tj的老化曲线，通过式(3)提取出融合型老化评价指标v’(v
ce(on)
,tj)的老化曲线。通过莱茵达准则来剔除由于实验设计上的误差产生的坏点，对剔除坏点后的数据进行压缩。主要通过将一定循环数目的监测参数数据均值作为其特征值来实现数据压缩，并用于寿命预测。
[0062]
步骤3:根据预处理后的v’(v
ce(on)
,tj)数据建立两段式回归模型，完成参数估计，并构建以v’(v
ce(on)
,tj)作为特征量的粒子滤波的观测方程和状态转移方程。
[0063]
通过回归分析探究老化模型的趋势，发现约前m％(m∈[50,70])的老化数据用一次函数拟合效果较好
[0064]
v'(v
ce(on)
,tj)＝p1·
n p2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0065]
其中，p1、p2均为拟合出的第一阶段的老化模型参数，n为表征igbt在老化过程中经历热循环数目的变量。
[0066]
约后(100-m)％的老化数据用双指数退化函数拟合效果较好
[0067]
v'(v
ce(on)
,tj)＝a
·
exp(b
·
n) c
·
exp(d
·
n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0068]
其中，a、b、c和d均为拟合出的第二阶段的老化模型参数。
[0069]
分别建立观测方程
[0070]
zk＝v'(v
ce(on)
,tj)
,k
wkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0071]
其中，zk为k时刻系统的观测数据，wk为k时刻的测量噪声，v'(v
ce(on)
,tj)
,k
为k时刻的v'(v
ce(on)
,tj)值；
[0072]
再建立状态转移方程
[0073]
v'(v
ce(on)
,tj)
,k
＝v'(v
ce(on)
,tj)
,k-1
·
exp(b) c
·
exp(d
·
k)(1-exp(b-d)) v
k-1
(8)
[0074]
其中v'(v
ce(on)
,tj)
k-1
为k-1时刻的v'(v
ce(on)
,tj)值，v
k-1
为k-1时刻的过程噪声。
[0075]
步骤4:利用粒子滤波算法在状态空间中生成粒子集并预测下一周期即k 1时刻的融合型老化评价指标值v'(v
ce(on)
,tj)
k 1
。
[0076]
对粒子进行重要性采样生成粒子集并计算权重。通过重采样剔除对于状态估计贡献甚微的权重较小的粒子，完成目标igbt样本下一周期v'(v
ce(on)
,tj)
k 1
的均值估计。
[0077]
步骤5:输出igbt的剩余使用寿命及其后验概率分布
[0078]
重复步骤4，使目标igbt样本的预测值v'(v
ce(on)
,tj)
k 1
不断逼近其失效阈值，直至确定目标igbt样本的剩余使用寿命，并给出该预测结果的后验概率分布。如图4所示为本发明中igbt模块剩余使用寿命预测计算机程序流程图。
[0079]
以上所述仅是本发明的优选实施方式。应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。