功率模塊中的結溫估算技術

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

●傳統的使用NTC（負溫度系數熱敏電阻）進行IGBT結溫保護存在局限性，如在堵轉等極端工況下，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溫波動狀態。因此，更精確的IGBT結溫估算是必要的。通過IGBT結溫估算，可以實時監控結溫，既能發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結溫估算還可以幫助控制器結合實際運行工況進行一些更前衛的算法研究，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結溫預測流程

IGBT時間序列結溫預測算法流程

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

二IGBT結溫預測算法

目前卷積神經網絡（CNN）結溫預測結果示意圖和時間序列預測結果示意圖

訓練目標的特征提取受細胞控制門狀態的控制和影響。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網絡在長期記憶任務中具有更好的性能。特別是，LSTM網絡的內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。網絡的整體結構如圖所示。

LSTM 單元結構示意圖

LSTM訓練過程的損失函數和誤差

LSTM 網絡訓練結構示意圖

三實驗平臺及熱場測試

大功率半導體模組實驗測試臺

測試電路內部組成示意圖

同模塊中IGBT最大結溫變化曲線

熱場測試電路原理圖

四參數依賴性測試

散熱器參數與最大結溫分布情況

五神經網絡預測結果

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

IGBT結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界面的構建

目前相關模塊正在陸續積累數據，計算所得的結溫與實測結溫吻合度較好。后期會增加電機臺架的實驗結溫數據的積累，獲得更加貼近實際的工況。