(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210973862.7 (22)申请日 2022.08.15 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 申请人 三峡大学 (72)发明人 张宇娇　黄明　黄雄峰　陈志伟　 智李　 (74)专利代理 机构 武汉市首臻知识产权代理有 限公司 42 229 专利代理师 章辉　马惠丹 (51)Int.Cl. G01R 31/26(2014.01) G01N 27/416(2006.01) G06F 30/23(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种IGBT芯片焊料层故障的在线监测方法 (57)摘要 一种IGBT芯片焊料层故障的在线监测方法， 先建立IGBT模块三维仿真模型， 然后根据芯片焊 接层的故障类型以及严重程度对三维仿真模型 进行故障模拟， 随后通过仿真计算得到I GBT模块 的健康因子， 健康因子包括IGBT模块最大温度、 最小温度、 集电极与发射极的压降差， 汇总在不 同故障类型和故障严重程度下得到的健康因子， 建立健康因子 ‑故障类型 ‑故障严重程度三维数 据集， 通过分类算法建立故障分类诊断模型、 通 过拟合算法建立故障严重程度评估模 型， 最后代 入实测的IGBT模块健康因子得到实际故障类型 和故障严重程度。 本方法能够对IGBT芯片焊接层 故障进行故障分类以及对故障程度进行评估。 权利要求书3页 说明书6页 附图1页 CN 115291074 A 2022.11.04 CN 115291074 A 1.一种IGBT芯片焊料层故障的在线监测方法， 其特 征在于： 所述在线监测方法依次按照以下步骤进行： S1、 建立IGBT模块的三维仿真模型； S2、 先根据芯片焊接层的故障类型以及故障严重程度对三维仿真模型进行故障模拟， 再对经故障模拟后的三维仿真模型进行条件加载， 通过电磁场 ‑温度场耦合计算得到IGBT 模块的健康因子； 其中， 所述故障类型为芯片焊接层出现空洞、 裂纹或脱落， 所述故障严重程度为空洞 率、 裂纹率或脱落度， 所述健康因子包括IGBT模块的最大温度、 最小温度、 集电极与 发射极 的压降差； S3、 先汇总芯片焊接层处于不同故障类型和故障严重程度下的健康因子， 并建立健康 因子‑故障类型 ‑故障严重程度三 维数据集， 然后根据该三 维数据集通过分类算法建立 故障 分类诊断模型、 通过拟合 算法建立故障严重程度评估 模型； S4、 将由实时采集得到的IGBT模块健康因子代入到故障分类诊断模型和故障严重程度 评估模型中， 得到IGBT模块焊料层的实际故障类型和实际故障严重程度。 2.根据权利要求1所述的一种IGBT芯片焊料层故障的在线监测方法， 其特 征在于： 步骤S3中， 在分类算法中以三维数据集中的健康因子作为输入数据、 故障类型作为输 出数据， 建立IGBT芯片焊接层的故障分类诊断模型， 在拟合算法中以三维数据集中的健康 因子作为输入数据、 故障严重程度作为输出数据进行数据拟合， 建立IGBT芯片焊接层的故 障严重程度评估 模型。 3.根据权利要求1或2所述的一种IGBT芯片焊料层故障的在线监测方法， 其特 征在于： 步骤S2中， 所述电磁场 ‑温度场耦合计算步骤具体为： 先计算得到IGBT模块工作稳定时 温升分布和电势分布， 再根据温升 分布和电势分布得到IGB T模块的最大温度、 最小温度、 集 电极与发射极的压降差， 其中， 所述温升分布和电势分布根据以下公式计算得到： q0＝h(Text‑T)； 上式中， 为散度算子， 为电流密度， Qj， v为自由电荷， σ 为介电常数， 为电场， j为 电流密度， ω为角速度， 为电位移场， 为外部电流， V为电势分布， 为热流密度， k为 导热系数， 为温度分布， ρ 为密度， Cp为恒压热容， 为三维仿真模型部分在物质框架内权　利　要　求　书 1/3 页 2 CN 115291074 A 2运动时由平移运动子节点定义的速度场， Q为热流， n为法面向量， q0为边界热通量， h为传热 系数， Text为内部温度， T为外 部温度。 4.根据权利要求1或2所述的一种IGBT芯片焊料层故障的在线监测方法， 其特 征在于： 步骤S2中， 先在三维仿真模型的芯片焊料层中部开设圆柱形空洞， 以模拟芯片焊料层 出现空洞故障， 然后令圆柱形空洞高度与芯片焊料层厚度相等， 逐渐增大圆柱形空洞的半 径从而逐渐增大空洞率， 以模拟空洞故障程度逐渐增大， 直至三维仿真模型中器件最高温 度超过最高规定温度， 所述空洞率的表达式为： 空洞率＝圆柱形空洞的上表面积/芯片焊料层未 出现空洞时的上表面积。 5.根据权利要求1或2所述的一种IGBT芯片焊料层故障的在线监测方法， 其特 征在于： 步骤S2中， 先通过在三维仿真模型中部开设长方体形空洞， 以模拟芯片焊料层出现裂 纹故障， 然后令长方体形空洞的宽度与芯片焊料层宽度相等、 高度为芯片焊料层厚度的 0.1‑0.3倍， 逐渐增大长方体形空洞的长度从而 逐渐增大裂纹率， 以模拟裂纹故障程度逐渐 增大， 直至三维仿真模型中器件最高温度超过最高规定温度， 所述裂纹率的表达式为： 裂纹率＝长方体形空洞的长度/芯片焊料层未 出现裂纹时的长度。 6.根据权利要求1或2所述的一种IGBT芯片焊料层故障的在线监测方法， 其特 征在于： 步骤S2中， 先在三维仿真模型的芯片焊料层中部设置圆柱体， 并以该圆柱体部分作为 芯片焊接层发生脱落故障后的脱落剩余部分， 然后令圆柱体的高度与芯片焊料层厚度相 等， 通过逐渐减小圆柱体的半径从而逐渐增大脱落度， 以模拟脱落 故障程度逐渐增大， 直至 三维仿真模型中器件最高温度超过最高规定温度， 所述脱落度的表达式为： 脱落度＝(芯片焊料层未出现脱落时的上表面积 ‑脱落剩余部分的上表面积)/芯片焊 料层未出现脱落时的上表面积。 7.根据权利要求2所述的一种IGBT芯片焊料层故障的在线监测方法， 其特 征在于： 所述分类算法为BP神经网络， 采用BP神经网络建立故障分类诊断模型的过程为： 先搭 建三层神经网络拓扑模型， 所述三层神经网络拓扑模型中的输入层、 隐含层、 输出层各设置 为一层， 所述输出层节点数设置为3、 输出层节点数设置为 1、 隐藏层节 点设置为3， 然后将三 维数据集划分为训练集和测试集， 通过数据训练和测试以及不断调整训练集和测试集划分 比例以获得诊断精度最高的BP神经网络模型， 该BP神经网络模型即为故障分类诊断模型。 8.根据权利要求2所述的一种IGBT芯片焊料层故障的在线监测方法， 其特 征在于： 所述拟合算法为MATLAB中的FITNET函数拟合神经网络， 采用FITNET函数拟合神经网络 建立故障严重程度评估模型 的过程为： 先搭建四层神经网络拓扑结构模型， 所述神经网络 拓扑模型中输入层、 隐含层、 输出层各设置为一层、 两层、 一层， 所述两层隐藏层节点数分别 为20、 10， 然后将三维数据集中的数据乱序排列后按8:2比例划分为训练集和测试集， 通过 数据训练和测试得到FITNET函数拟合神经网络模 型， 该FITNET函数拟合神经网络模 型即为 故障严重程度评估 模型。 9.根据权利要求1或2所述的一种IGBT芯片焊料层故障的在线监测方法， 其特 征在于： 所述步骤一具体为： 先对IGBT模块进行简化， 再在COMSOL  Multiphysics仿真软件中根 据简化后IGBT模块的尺寸和制作材 料建立IGBT模块的三维仿真模型。 10.根据权利要求9所述的一种IGBT芯片焊料层故障的在线监测方法， 其特 征在于： 所述简化步骤为： 选取IGBT模块中的一个IGBT单元作为仿真建模对象， 仿真建模时忽权　利　要　求　书 2/3 页 3 CN 115291074 A 3