鄭金艷，周利華，李 琳

（1.合肥財經(jīng)職業(yè)學院，安徽 合肥 230601；2.上海大學，上海 200072；3.安徽綠海商務職業(yè)學院，安徽 合肥 230601）

基于MEA-BP的IGBT壽命評估方法研究

鄭金艷1，周利華2，李 琳3

（1.合肥財經(jīng)職業(yè)學院，安徽 合肥 230601；2.上海大學，上海 200072；3.安徽綠海商務職業(yè)學院，安徽 合肥 230601）

隨著半導體技術(shù)的不斷發(fā)展，功率器件在許多領域都得到了廣泛應用.在非平穩(wěn)工況下，IGBT因使用不當、工作周期長而加速器件的老化和失效，降低其使用壽命.根據(jù)IGBT的失效機理和壽命評估方法分析，特征參數(shù)選取IGBT的c-e極（集電極-發(fā)射集）關斷電壓尖峰值，由NASA PCoE研究中心提供的IGBT加速老化數(shù)據(jù)，對相應的數(shù)據(jù)進行平滑處理，利用MEA-BP建立IGBT的壽命評估模型.結(jié)果顯示，數(shù)據(jù)經(jīng)過一次指數(shù)平滑處理的效果一般，對比之下此評估模型的二次指數(shù)平滑處理后的效果最好，由此為IGBT壽命評估的進一步分析提供理論依據(jù).

IGBT；壽命評估；關斷電壓尖峰值；MEA-BP

0 引言

因大多數(shù)功率器件封裝在集成模塊當中，當器件出現(xiàn)故障時，其具體位置及失效方式難以監(jiān)測與分析，導致壽命評估問題不斷出現(xiàn).現(xiàn)階段針對IGBT在加速老化實驗條件下的失效問題，主要采用BP神經(jīng)網(wǎng)絡、MEA-BP神經(jīng)網(wǎng)絡以及NAR動態(tài)神經(jīng)網(wǎng)絡建立IGBT的壽命評估模型.其中，BP神經(jīng)網(wǎng)絡局部極小化問題嚴重，預測輸出與期望輸出誤差較大；NAR動態(tài)神經(jīng)網(wǎng)絡易受IGBT失效問題的影響，預測效果不好；MEA-BP具有高度自學習和自適應的能力，優(yōu)化了數(shù)據(jù)的MEA-BP壽命評估模型的預測結(jié)果.

針對IGBT的失效機理和壽命評估，本文將根據(jù)現(xiàn)有的方法理論，找到IGBT壽命失效的能夠進行特征提取的表征參數(shù)，再用壽命評估的模型來對IGBT進行評估.

1 IGBT的c極-e極關斷尖峰電壓

本次通過NASA加速老化實驗，提取IGBT器件的尖峰電壓數(shù)據(jù).此次加速老化實驗通過對其施加PWM方波信號采集數(shù)據(jù)，共有400多組，每組數(shù)據(jù)包括16380個采樣點，IGBT加速老化實驗環(huán)境的實驗條件和參數(shù)設置如表1所示.

表1 IGBT加速退化試驗實驗環(huán)境

通過提取IGBT的c-e極關斷尖峰電壓數(shù)據(jù)時發(fā)現(xiàn)，400多組數(shù)據(jù)中，每在第5000個采樣點附近都會產(chǎn)生相應的尖峰電壓，然后根據(jù)這些尖峰電壓值繪制出關于c-e極的瞬態(tài)關斷尖峰電壓變化趨勢曲線，這些數(shù)據(jù)都是在IGBT壽命周期內(nèi)的.觀察圖2可知，此變化曲線上的關斷尖峰電壓值經(jīng)過初期的振蕩之后，呈現(xiàn)出下降的趨勢，因此可以把IGBT的c-e極關斷尖峰電壓值作為表征其壽命評估的有效參數(shù).

圖2 IGBT壽命周期內(nèi)的集電極-發(fā)射極關斷電壓峰值變化曲線

2 思維進化算法優(yōu)化BP神經(jīng)網(wǎng)絡

2.1 MEA算法

MEA算法是通過不斷的迭代，然后從每一次迭代過程產(chǎn)生的多個個體中獲得最優(yōu)的個體，這些最有個體形成子群體，進而組成群體.IGBT的壽命評估主要是通過個體和子群體的優(yōu)化來描述二者的位置，進一步把樣本MSE（均方誤差）的倒數(shù)作為其得分函數(shù)，由此得到MEA算法優(yōu)化后的BP神經(jīng)網(wǎng)絡初始權(quán)值與閾值，即MEA-BP神經(jīng)網(wǎng)絡.MEA的系統(tǒng)結(jié)構(gòu)圖如圖3所示.

圖3 思維進化算法系統(tǒng)結(jié)構(gòu)圖

2.2 MEA-BP網(wǎng)絡在IGBT壽命評估中的應用

MEA-BP網(wǎng)絡對思維進化算法的一些參數(shù)進行設置，初始種群和優(yōu)勝子種群分別用函數(shù)initpop_generate和subpop_generate來生成：

初始種群式中popsize表示原始種群的大小，S1，S2，S3分別表示輸入層、隱含層和輸出層的節(jié)點個數(shù)，P和T分別表示訓練數(shù)據(jù)的輸入矩陣和輸出矩陣；優(yōu)勝子種群式中center表示子種群的中心位置，SG表示子種群的個數(shù).

臨時子種群同樣用函數(shù)subpop_generate來生成.種群是否成熟，通過matlab仿真軟件調(diào)用函數(shù)ismature來判別.

IGBT壽命評估通過MEA-BP神經(jīng)網(wǎng)絡訓練時，要對相關參數(shù)進行設置.包括種群大小、優(yōu)勝子種群數(shù)、臨時子種群數(shù)以及迭代次數(shù)，分別設置為100、5、5和10次循環(huán)迭代.對迭代過程中產(chǎn)生的最優(yōu)解進行解碼，最終得到MEA算法優(yōu)化后的BP神經(jīng)網(wǎng)絡初始權(quán)值與閾值，從而實現(xiàn)MEA-BP神經(jīng)網(wǎng)絡的有效預測.

3 IGBT的NASA加速老化實驗數(shù)據(jù)分析與評價指標

3.1 評價指標

本文主要采用均方誤差MSE和決定系數(shù)R2兩個衡量指標，根據(jù)NASA PCoE研究中心的加速熱老化實驗數(shù)據(jù)，這兩個指標對IGBT的壽命評估分析結(jié)果的準確性和有效性較高.

1.MSE

MSE是指預測目標參數(shù)估計值與參數(shù)真值之差平方的期望值，即均方誤差.可表示為：

MSE用來衡量平均誤差和評價預測數(shù)據(jù)的變化程度，MSE值越小，則表明預測模型的訓練效果好，描述實驗數(shù)據(jù)具有更好的精確度.

2.決定系數(shù)R2

R2是指在Y的總平方和中，由X引起的平方和所占的比例，即決定系數(shù)，也稱擬合優(yōu)度.可表示為：

R2的大小決定了關系的密切程度，當R2越接近于1時，相關方程式參考價值越高，關系越密切，它能夠?qū)δＰ偷臄M合效果進行直接的分析.

3.2 基于MEA-BP的IGBT壽命評估結(jié)果

MEA-BP神經(jīng)網(wǎng)絡在通過多次實驗反復訓練后，得到了MEA-BP對IGBT壽命評估的最佳效果.通過實驗可以看出，IGBT的c-e極關斷尖峰電壓值通過實驗顯示，MEA-BP模型的原始數(shù)據(jù)回歸分析是0.93132，對數(shù)據(jù)進行一次指數(shù)平滑處理后的回歸分析是0.94376、經(jīng)過二次指數(shù)平滑處理后的回歸分析是0.99891，因此，MEA-BP模型訓練的效果較好.

由IGBT的c-e極關斷尖峰電壓MEA-BP原始數(shù)據(jù)的預測輸出曲線與期望輸出曲線之間重合度較低，存在一定的誤差.對數(shù)據(jù)進行MEA-BP一次指數(shù)平滑處理后，輸出曲線之間重合度明顯提高，誤差減小.特別是在經(jīng)過MEA-BP二次指數(shù)平滑處理后的輸出曲線之間重合度又進一步提高，誤差進一步減小，預測效果最好.

3 結(jié)論

表4 BP與MEA-BP的IGBT壽命評估模型預測結(jié)果對比

BP神經(jīng)網(wǎng)絡與MEA-BP神經(jīng)網(wǎng)絡的IGBT壽命評估模型預測結(jié)果對比如上表4所示，MEA-BP神經(jīng)網(wǎng)絡整體上比BP神經(jīng)網(wǎng)絡的預測結(jié)果要好.兩個神經(jīng)網(wǎng)絡原始數(shù)據(jù)的均方誤差MSE和決定系數(shù)大小相近，MEA-BP神經(jīng)網(wǎng)絡經(jīng)過一次指數(shù)平滑處理后的均方誤差比BP神經(jīng)網(wǎng)絡的小，決定系數(shù)比BP神經(jīng)網(wǎng)絡的要高，其預測效果較好.但是數(shù)據(jù)經(jīng)過二次指數(shù)平滑后，MEA-BP神經(jīng)網(wǎng)絡的均方誤差比BP神經(jīng)網(wǎng)絡有明顯降低，對應的決定系數(shù)又比BP神經(jīng)網(wǎng)絡的明顯提升很多，其回歸分析最接近于1.由此可見，MEA-BP神經(jīng)網(wǎng)絡的IGBT壽命評估模型改善效果明顯，網(wǎng)絡的預測能力效果最好.

〔1〕方鑫，周雒維，姚丹,等.IGBT模塊壽命預測模型綜述[J].電源學報，2014(03):14-21.

〔2〕SongY,Wang B.Survey on Reliability ofPower Electronic Systems[J].IEEE Transactionson Power Electronics,2013,28(1):591-604.

〔3〕王瑞.IGBT功率模塊壽命預測的研究與設計[J].電子測試，2013(21):5-7.

〔4〕Wu J,Zhou L,Du X,et al.Junction Temperature Prediction ofIGBT PowerModuleBased on BP Neural Network[J].Journal of Electrical Engineering and Technology,2014,9(3):970-977.

〔5〕Barnes,M.J.,et al.,Analysis of high-power IGBT short circuit failures[J].IEEE Transactions on Plasma Science,2005.33(4):1252-1261.

〔6〕杜曉.基于MEA-BP模型的股票預測研究[D].蘭州：蘭州大學，2015.

〔7〕王小川.TATLAB神經(jīng)網(wǎng)絡43個案例分析[M].北京：北京航天航空大學出版社，2013：269.

〔8〕岳新征，李磊民，孫飛.基于NAR動態(tài)神經(jīng)網(wǎng)絡的石英撓性加速度表參數(shù)建模與預測 [J].西南科技大學學報，2016(01):88-92.

〔9〕張穎.新型IGBT引線鍵合故障診斷與預測方法[J].半導體技術(shù)，2013,38(12):942-945.

〔10〕楊磊，張志峰，敬小勇.IGBT關斷尖峰電壓抑制方法的研究[J].船電技術(shù)，2009(04):5-8.

TN322

A

1673-260X（2017）12-0023-02

2017-09-03

安徽省教育廳自然科學基金(KJ2016A306)