基于MEA-BP的IGBT寿命评估方法研究

郑金艳，周利华，李 琳

（1.合肥财经职业学院，安徽 合肥 230601；2.上海大学，上海 200072；3.安徽绿海商务职业学院，安徽 合肥 230601）

基于MEA-BP的IGBT寿命评估方法研究

郑金艳1，周利华2，李 琳3

（1.合肥财经职业学院，安徽 合肥 230601；2.上海大学，上海 200072；3.安徽绿海商务职业学院，安徽 合肥 230601）

随着半导体技术的不断发展，功率器件在许多领域都得到了广泛应用.在非平稳工况下，IGBT因使用不当、工作周期长而加速器件的老化和失效，降低其使用寿命.根据IGBT的失效机理和寿命评估方法分析，特征参数选取IGBT的c-e极（集电极-发射集）关断电压尖峰值，由NASA PCoE研究中心提供的IGBT加速老化数据，对相应的数据进行平滑处理，利用MEA-BP建立IGBT的寿命评估模型.结果显示，数据经过一次指数平滑处理的效果一般，对比之下此评估模型的二次指数平滑处理后的效果最好，由此为IGBT寿命评估的进一步分析提供理论依据.

IGBT；寿命评估；关断电压尖峰值；MEA-BP

0 引言

因大多数功率器件封装在集成模块当中，当器件出现故障时，其具体位置及失效方式难以监测与分析，导致寿命评估问题不断出现.现阶段针对IGBT在加速老化实验条件下的失效问题，主要采用BP神经网络、MEA-BP神经网络以及NAR动态神经网络建立IGBT的寿命评估模型.其中，BP神经网络局部极小化问题严重，预测输出与期望输出误差较大；NAR动态神经网络易受IGBT失效问题的影响，预测效果不好；MEA-BP具有高度自学习和自适应的能力，优化了数据的MEA-BP寿命评估模型的预测结果.

针对IGBT的失效机理和寿命评估，本文将根据现有的方法理论，找到IGBT寿命失效的能够进行特征提取的表征参数，再用寿命评估的模型来对IGBT进行评估.

1 IGBT的c极-e极关断尖峰电压

本次通过NASA加速老化实验，提取IGBT器件的尖峰电压数据.此次加速老化实验通过对其施加PWM方波信号采集数据，共有400多组，每组数据包括16380个采样点，IGBT加速老化实验环境的实验条件和参数设置如表1所示.

表1 IGBT加速退化试验实验环境

通过提取IGBT的c-e极关断尖峰电压数据时发现，400多组数据中，每在第5000个采样点附近都会产生相应的尖峰电压，然后根据这些尖峰电压值绘制出关于c-e极的瞬态关断尖峰电压变化趋势曲线，这些数据都是在IGBT寿命周期内的.观察图2可知，此变化曲线上的关断尖峰电压值经过初期的振荡之后，呈现出下降的趋势，因此可以把IGBT的c-e极关断尖峰电压值作为表征其寿命评估的有效参数.

图2 IGBT寿命周期内的集电极-发射极关断电压峰值变化曲线

2 思维进化算法优化BP神经网络

2.1 MEA算法

MEA算法是通过不断的迭代，然后从每一次迭代过程产生的多个个体中获得最优的个体，这些最有个体形成子群体，进而组成群体.IGBT的寿命评估主要是通过个体和子群体的优化来描述二者的位置，进一步把样本MSE（均方误差）的倒数作为其得分函数，由此得到MEA算法优化后的BP神经网络初始权值与阈值，即MEA-BP神经网络.MEA的系统结构图如图3所示.

图3 思维进化算法系统结构图

2.2 MEA-BP网络在IGBT寿命评估中的应用

MEA-BP网络对思维进化算法的一些参数进行设置，初始种群和优胜子种群分别用函数initpop_generate和subpop_generate来生成：

初始种群式中popsize表示原始种群的大小，S1，S2，S3分别表示输入层、隐含层和输出层的节点个数，P和T分别表示训练数据的输入矩阵和输出矩阵；优胜子种群式中center表示子种群的中心位置，SG表示子种群的个数.

临时子种群同样用函数subpop_generate来生成.种群是否成熟，通过matlab仿真软件调用函数ismature来判别.

IGBT寿命评估通过MEA-BP神经网络训练时，要对相关参数进行设置.包括种群大小、优胜子种群数、临时子种群数以及迭代次数，分别设置为100、5、5和10次循环迭代.对迭代过程中产生的最优解进行解码，最终得到MEA算法优化后的BP神经网络初始权值与阈值，从而实现MEA-BP神经网络的有效预测.

3 IGBT的NASA加速老化实验数据分析与评价指标

3.1 评价指标

本文主要采用均方误差MSE和决定系数R2两个衡量指标，根据NASA PCoE研究中心的加速热老化实验数据，这两个指标对IGBT的寿命评估分析结果的准确性和有效性较高.

1.MSE

MSE是指预测目标参数估计值与参数真值之差平方的期望值，即均方误差.可表示为：

MSE用来衡量平均误差和评价预测数据的变化程度，MSE值越小，则表明预测模型的训练效果好，描述实验数据具有更好的精确度.

2.决定系数R2

R2是指在Y的总平方和中，由X引起的平方和所占的比例，即决定系数，也称拟合优度.可表示为：

R2的大小决定了关系的密切程度，当R2越接近于1时，相关方程式参考价值越高，关系越密切，它能够对模型的拟合效果进行直接的分析.

3.2 基于MEA-BP的IGBT寿命评估结果

MEA-BP神经网络在通过多次实验反复训练后，得到了MEA-BP对IGBT寿命评估的最佳效果.通过实验可以看出，IGBT的c-e极关断尖峰电压值通过实验显示，MEA-BP模型的原始数据回归分析是0.93132，对数据进行一次指数平滑处理后的回归分析是0.94376、经过二次指数平滑处理后的回归分析是0.99891，因此，MEA-BP模型训练的效果较好.

由IGBT的c-e极关断尖峰电压MEA-BP原始数据的预测输出曲线与期望输出曲线之间重合度较低，存在一定的误差.对数据进行MEA-BP一次指数平滑处理后，输出曲线之间重合度明显提高，误差减小.特别是在经过MEA-BP二次指数平滑处理后的输出曲线之间重合度又进一步提高，误差进一步减小，预测效果最好.

3 结论

表4 BP与MEA-BP的IGBT寿命评估模型预测结果对比

BP神经网络与MEA-BP神经网络的IGBT寿命评估模型预测结果对比如上表4所示，MEA-BP神经网络整体上比BP神经网络的预测结果要好.两个神经网络原始数据的均方误差MSE和决定系数大小相近，MEA-BP神经网络经过一次指数平滑处理后的均方误差比BP神经网络的小，决定系数比BP神经网络的要高，其预测效果较好.但是数据经过二次指数平滑后，MEA-BP神经网络的均方误差比BP神经网络有明显降低，对应的决定系数又比BP神经网络的明显提升很多，其回归分析最接近于1.由此可见，MEA-BP神经网络的IGBT寿命评估模型改善效果明显，网络的预测能力效果最好.

〔1〕方鑫，周雒维，姚丹,等.IGBT模块寿命预测模型综述[J].电源学报，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功率模块寿命预测的研究与设计[J].电子测试，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〕杜晓.基于MEA-BP模型的股票预测研究[D].兰州：兰州大学，2015.

〔7〕王小川.TATLAB神经网络43个案例分析[M].北京：北京航天航空大学出版社，2013：269.

〔8〕岳新征，李磊民，孙飞.基于NAR动态神经网络的石英挠性加速度表参数建模与预测 [J].西南科技大学学报，2016(01):88-92.

〔9〕张颖.新型IGBT引线键合故障诊断与预测方法[J].半导体技术，2013,38(12):942-945.

〔10〕杨磊，张志峰，敬小勇.IGBT关断尖峰电压抑制方法的研究[J].船电技术，2009(04):5-8.

TN322

A

1673-260X（2017）12-0023-02

2017-09-03

安徽省教育厅自然科学基金(KJ2016A306)