文章列表
联系2021竞彩欧洲杯 2021竞彩欧洲杯咨询

联系人:吴海丽
电话:0755-2349 0212
手机:157-1205-5037
邮箱:[email protected]
地址:广东省深圳市龙华新区民治街道向南四区松花大厦

基于热敏感电参数法的IGBT?榻嵛录觳

作者:海飞乐技术 时间:2020-06-10 11:37

1. 热敏感电参数法
  物质的物理特性与温度有密切关系,如尺寸、体积、电导率、热电势、辐射功率等都随着温度的不同而改变,所以可通过物质随温度变化的某些特性来间接测量温度[6]。IGBT?橛砂氲继迤骷钩桑庑┢骷耐獠康缙问ǔS胛露染哂幸欢ǖ挠成涔叵担从车轿⒐墼蛱逑衷谠亓髯拥那ㄒ坡视胛露认喙亍U庵质芷骷诓拷嵛掠跋斓耐獠康缙卣鞑问莆让舾械绮问K孀旁诵泄た龅谋浠琁GBT?榈男酒嵛乱不岱⑸浠蚰?橄嘤Φ耐獠康缙问不崴之变化。通过对热敏感电参数的测量,即可对芯片结温进行逆向检测。该技术无需改变?榉庾敖峁梗移湎煊λ俣瓤臁⒕雀摺⒊杀镜停哂泻芎玫墓こ逃τ眉壑怠
 
2. 饱和压降测试平台
2.1 热敏感电参数法的参数选取
  目前常用的热敏感电参数包括饱和压降VCE、栅极开通延时时间tdon、阈值电压Vge、集电极电流最大变化率(dic/dt)max以及集射极电压变化率dVCE/dt等。根据经验,栅极开通延时时间tdon非常短,约为几百纳秒至一个微秒左右,过短的反应时间对测试设备的硬件水平要求很高,从成本和测量精度上来讲不宜选取该参数。IGBT?橹幸虿枷叩仍虼嬖谧糯罅康募纳问庑┘纳问岫约缂缌髯畲蟊浠剩╠ic/dt)max和集射极电压变化率dVCE/dt造成干扰,使波形产生一定的振荡,误差较大。阈值电压Vge随温度的变化情况并不明显,敏感性不高。因此,综合考虑目前实验室的条件以及测量结果的准确性,本文选用饱和压降VCE来反映温度变化。
 
2.2 测试原理
  当IGBT?樽⑷胄〉缌魇保≤100mA),饱和压降VCE与结温TJ具有优越的线性关系。然而实际工况条件下,IGBT?榧缂缌鱅C通?纱锛甘踔良赴侔才啵洞笥谛〉缌鞯囊螅?楣ぷ髟诖蟮缌飨陆匀龋贡ズ脱菇礦CE与结温TJ不再具备线性关系。研究表明,IGBT?橥ü缂缌髀隹硇∮1ms时,?槲拮匀刃вΓ峥俏露冉葡嗟取R虼耍朔乐笽GBT的自热效应,采用1ms的单脉冲栅极电压来驱动IGBT,使芯片产生的热量足够小以至可被忽略不计。如此,便可在长时间对IGBT?榧尤却绕胶夂螅尤任露仁游?榻嵛拢欢笤诩缂俗⑷牒愣ǖ缌鳎蒙窬缪罢医嵛潞图缂缌饕阎跫掠氪耸钡谋ズ脱菇档挠成涔叵怠
  BP神经网络的预测精度依赖于大量的实验数据,数据集的质量对神经网络的预测结果至关重要,1000个样本包含的信息可能没有100个样本所含的信息量大。为便于测试,应考虑采用适当集电极电流的IGBT。本着力求准确、结合实际的原则,本文选取富士电机1200V/75A的2MBI75S-120型半桥结构IGBT?樽魑馐远韵螅悸堑缴窬绲穆嘲粜裕】赡芙臼莞哺悄?樵谑导视τ弥械娜勘浠段АN耍疚拇罱薎GBT?楸ズ脱菇挡馐云教ā8貌馐韵低持饕↖GBT驱动电路、可程控直流电源、信号控制、功率负载、温控平台以及示波器6个部分,测试系统原理图见图1。

测试系统原理图 
图1 测试系统原理图
  图1中,IS代表可控直流电源;VDC为直流开关电源;R为功率电阻,充当负载;Vg表示脉冲信号;IGBT的下管是测试对象(虚线部分)。将?樯瞎艿拿偶痈貉构囟希苊馕蟮纪ǎ瞎艿募浼沧龆探哟怼R勒赵硗即罱ㄊ匝榈缏罚馐云教ㄊ滴锛2。
测试平台装置 
图2 测试平台装置
 
2.3 测试过程
  首先,将处理后的IGBT?橹糜诩尤忍冢诨逵爰尤忍ǖ慕哟ッ嫱克⒌既裙柚黾邮苋让婊氪刃阅堋H缓笊瓒尤忍ㄎ露龋诟梦露认陆獻GBT加热足够的时间,使得?榇锏酵耆娜绕胶狻4耸笨梢匀衔琁GBT?榈谋砜俏露扔胄酒嵛率且恢碌模簿褪撬岛阄录尤忍ㄉ瓒ㄎ露燃次耸蹦?樾酒琍N结的温度。根据加热温度的不同,达到热平衡的时间也不同,设定温度越高,达到热平衡的速度也就越慢,可从20min延长至90min。具体的评判方法可以利用热成像仪辅助参考。加热状态中?榈谋砜俏露瘸》植既瘸上袢缤3所示,其测量点温度为70.3℃,底部较顶部颜色深,说明底部温度高。
IGBT?楸砜俏露瘸》植既瘸上 
图3 IGBT?楸砜俏露瘸》植既瘸上
  ?榇锏饺绕胶夂螅鹘谥绷鞯缭矗缂缌鱅C设定为特定值,同时使用单脉冲驱动IGBT导通并记录下该条件下的饱和压降VCE。待IGBT达到热平衡后,调节直流电压源,改变给定的集电极电流IC,重复上一过程。在该温度下,使集电极电流IC以一定的分度值将额定值覆盖,此为同一温度下的一组样本数据。然后改变恒温加热台的温度,在不同温度条件下重复此步骤,完成样本采集。
 
2.4 测试结果
  IGBT?榈牡缌鞫疃ㄖ岛妥罡吖ぷ鹘嵛路直鹞75A和150℃,实际应用中不得超过此额定值。集电极电流从1A起,结温从25℃起,分别选取测试点,然后2组测试条件相互组合,共计372组实验。利用部分数据制不同集电极电流IC下饱和压降与结温的关系曲线(见图4)。从图中可以发现,当电流值约为13A时,饱和压降VCE几乎不随结温变化,在该点附近出现检测盲区,该电流值称为拐点电流。当集电极电流IC小于拐点电流时,VCE与结温具有负温度系数,大于拐点电流时则具有正温度系数。由图4可见,无论IC低于或是高于此分界值,IGBT在集电极电流IC恒定时,饱和压降VCE均与结温TJ具有优越的线性关系。出现拐点电流是因为IGBT?榈谋ズ脱菇抵饕蒔N结导通压降Vpn、轻掺杂基区压降VB和MOS沟道导通压降VMOS三者构成。当?橹蠵N结的导通压降Vpn占主要作用时,饱和压降VCE表现为负温度系数。当MOS沟道导通压降VMOS占主要作用时,IGBT的饱和压降表现为正温度系数。
不同集电极电流IC下TJ和VCE的关系 
图4 不同集电极电流IC下TJ和VCE的关系
 
3. BP神经网络设计
  传统上,获取热敏感电参数与结温的映射关系采用多项式拟合的方法,但该方法精度低且无法用于在线检测。本文采用的BP神经网络模型适用于非线性且复杂的映射关系预测,已被广泛应用负荷预测、故障诊断等领域,也可以很好地应用到芯片结温在线检测中,但在结温预测方面目前的相关研究还非常少。本文从该角度对半导体芯片温度检测进行探索。
 
3.1 BP神经网络工作原理
  BP神经网络是一种多层前馈神经网络,其主要特点是信号前向传递,误差反向传播。在前向传递中,输入信号从输入层经隐含层逐层处理,直至输出层。如果输出层得不到期望输出,则转入反向传播,根据预测误差调整网络权值和阈值,从而使BP神经网络预测输出不断逼近期望输出。具有自组织和自学习能力强的特点,丰富的改进算法广泛应用于多种非线性预测领域。
  在输入层对神经网络输入变量,在隐含层和输出层进行计算并输出。在神经网络的隐含层中,存在着依靠激励函数来进行运算的“神经元”,也称为“节点”。其工作逻辑是:在输入矩阵进入隐含层前,先要通过一个做数据处理的“桥梁”,隐含层接收到经处理的输入数据后通过激励函数进行“运算加工”,“加工”完成后向输出层移动时也要通过一个做数据处理的“桥梁”,处理完成后最终成为输出矩阵。
  本文将饱和压降VCE与集电极电流IC设置为输入,结温TJ设置为输出,BP神经网络的拓扑结构如图5所示。
BP神经网络的结构 
图5 BP神经网络的结构
 
3.2 结温预测神经网络模型的训练过程
  建立神经网络模型首先需要确定网络的输入变量,即明确哪些因素会对输出产生关键影响。根据前文对热敏感电参数的分析,选取饱和压降与集电极电流作为输入变量。模型预测的目标是IGBT?榈慕嵛拢虼私渥魑涑霰淞俊D壳埃蒙窬缭げ釯GBT?榻嵛碌难芯糠浅I伲欢嗟南喙匚南字惺菅咎辶恳苍200组左右。因此,本文利用饱和压降测试平台所得372组数据在体量上有所进步。数据集测试完毕后,将测试集、验证集和训练集按照1:1:8的比例在全部样本数据集中循环交叉选择数据依次分配到3个集合中。
  输入数据后,对输入数据进行归一化处理。数据归一化是把所有数据都转化为[0,1]之间的数,其目的是取消各维数据间数量级的差别,避免因为输入输出数据数量级差别较大而造成网络预测误差较大,不至于出现部分数据主导输出结果的情况。本文采用MATLAB自带函数mapmin-max对数据进行归一化处理。初始化阈值和权值后设定网络参数配置,调整迭代次数、学习率以及目标。在训练过程中根据网络预测误差调整网络的权值和阈值。模型训练参数的选择需通过大量测试,逐步改进,最终试验出最优值。例如,学习速率从0.1开始测试,而后逐步降低。经过不断试凑,对比各参数调整后的预测性能,最终将隐含层节点数设为100,训练最大次数设为20000,训练误差期望值设为4e-5,学习率设为0.01。图6所示为迭代次数与均方误差的关系曲线,可以看出,BP神经网络算法迭代计算100次时,校正数据达到最佳均方误差。
 
3.3 预测结果与分析
BP神经网络迭代次数与均方误差关系曲线 
图6 BP神经网络迭代次数与均方误差关系曲线
  将372组样本的测试条件输入神经网络,网络输出结温TJ的预测值。图7所示为网络预测结果与目标值的对比。从中选取部分样本的预测结果进行性能分析(见表1、表2),可以看出,当集电极电流IC大于拐点电流时,神经网络模型具有更高的拟合精度,预测结果与目标值非常接近,最大预测误差比率不超过5%;而IC处于拐点电流附近时,误差较大。
BP神经网络预测结果 
图7 BP神经网络预测结果
 
表1 IC小于分界值时的部分训练数据及神经网络结温预测结果
IC小于分界值时的部分训练数据及神经网络结温预测结果 
表2 IC大于分界值时的部分训练数据及神经网络结温预测结果
IC大于分界值时的部分训练数据及神经网络结温预测结果 
 
4. 结语
  精确获取IGBT的结温始终是一个具有挑战性的问题。采用集射极饱和压降VCE的热敏感电参数法作为结温评估中最有潜力的方法,其精度却受到电气参数与结温之间复杂的非线性关系的限制。本文基于恒温加热试验平台的测试数据,分析了热敏感电参数与芯片结温的映射,从人工智能的角度解决这个问题,提出了一种基于BP神经网络的结温预测模型,实现了对额定范围内各种输出条件下的IGBT结温的有效预测,其精度在可接受范围内。
  结温的预测可应用于诸多研究领域,尤其在IGBT?榈目煽啃苑治鲋胁豢苫蛉薄V劣贗GBT?榭煽啃苑治鲋蟹浅V匾氖倜げ猓埠苡欣诠ぷ鞯恼箍D壳笆倜げ獾闹饕芯糠椒òㄎ锢砟P头ㄓ虢馕鍪椒ǎ疚牡墓ぷ鹘饩隽私馕鍪椒ㄔげ饽?槭倜薪嵛虏问槐闾崛〉哪训恪W詈螅枰赋龅氖牵孀磐缪盗费局柿康奶嵘胨惴ǖ挠呕梢允乖げ饩冉徊教岣摺




上一篇:基于结温补偿的IGBT?榧舷呤Ъ嗖夥椒
下一篇:确定IGBT栅极驱动电阻和电容参数的方法