随着现代社会在电力、石油化工工程和交通运输领域中能源设施的广泛应用，对并联模块的封装技术越来越感兴趣[[1], [2], [3]]。在这些应用中，电子设备可靠性是一个常见但重要的问题，它关系到整个系统的经济成本和安全问题[4,5]。
这种新型封装放弃了引线键合，将电气连接和热散发集成到一个压紧包中。此外，多个单芯片子模块被集成在封装内以提高冗余性。如图1所示，并联模块由多个金属部件组成，即集电极、钼板、芯片、柱子和发射极。这些层通过机械夹紧力压合在一起形成电气连接[[6], [7], [8]]。此外，在实际应用中，如图2所示，多个电子设备串联连接，并配备散热器以提高电压水平。
理想情况下，电气特性（例如峰值电流、开关时间、开关能量）应在并联模块之间均匀分布，以避免高电流击穿的发生。开关时间包括导通时间和关断时间。开关能量包括导通能量和关断能量。Musumeci等人[9]发现，不均匀的稳态电气值分布会导致功率损失和热散发不平衡。在瞬态开关期间，不均匀的电气特性会导致不同的开关时间。具有较高过冲的模块面临击穿风险，甚至危及相邻模块的安全[10,11]。
到目前为止，关于电子设备封装类型的研究表明，电流不平衡可能是由多种因素引起的，例如并联模块之间半导体参数的差异[12]、内部铜柱的寄生电感不匹配[13]以及填充保护气体的特定性质[14,15]。Santonen等人[16]和Jagtap等人[17]还指出，并联模块之间的不均匀温度分布（ITD）是由于硅模块的温度敏感机制而对电气特性产生的另一个不可忽视的影响因素。随着集电极电流的增加，Xu等人[18]通过考虑不同的工作负载分析了并联组件的可靠性和布局优化。Postnikov[19]发现，随着热耦合的加剧，ITD问题变得更加严重，稳态电流的不平衡率随着温差升高而增加。
另一方面，封装结构引入的夹紧不对中也会加剧电气值分布的不均匀性[[20], [21], [22]]。应力较小的模块与接触退化相匹配，这是一种由外部夹紧力和内部热应力共同作用形成的现象。增加的接触电阻和热接触电阻会对电流路径造成严重损害[23,24]。此外，在导电阶段，电流会转化为焦耳热。由于组件之间的热膨胀系数（CTE）不同，热膨胀不匹配使得在模块之间保持相同的应力分布变得更加困难[25]。Xu等人[26]分析了热耦合问题。并联模块中单个分支的故障可能由周围模块的热故障或热冲击触发。除了对封装层面的影响外，机械应力还会通过干扰硅材料的能带结构（如带隙、载流子迁移率和载流子寿命）来改变导通和关断特性[27]。从半导体物理学的角度定性解释了开关特性与应力之间的关系[28]。
在工业设备可靠性领域，随着大规模大数据模型的不断更新，一些研究人员采用了不依赖于特定理论模型的数据驱动模型。通过利用从数据集中训练得到的映射关系来预测工业电子设备的性能[29,30]。然而，在模型训练和拟合过程中，有限的样本数据会导致小样本评估的预测准确性出现显著偏差，从而无法提供可靠的指导[31]。为了进一步提高数据驱动框架内的预测准确性，提高数据集的质量和多样性对于增强模型的鲁棒性和精度至关重要。Phan等人[32]提出了一种人工神经网络（ANN）方法来预测参数，因为它可以描述非线性问题。Zhu等人[33]提出了一种双向长短期记忆（BiLSTM）神经网络方法来预测剩余使用寿命（RUL），该方法使得不同样本与线性RUL标签之间的相关性很高。Fernández等人[34]通过物理引导的贝叶斯循环神经网络解决了复合材料疲劳的数据驱动问题。Castresana等人[35]基于ANN方法建立了一个健康发动机阈值模型，降低了故障检测的最大百分比误差。
总之，数据驱动模型可用于预测和健康管理，在实际工作条件下提供更好的预测准确性和稳定性。这一趋势也为工业设备的可靠性评估提供了新的方法。并联模块内的电气特性同时受到接触状态、热应力和夹紧力的综合影响。因此，应进一步深入分析如何利用数据驱动方法来研究电气性能的退化。
本研究的主要贡献如下：
1.本文从电气接触的角度出发，分析了温度分布、接触应力分布和寄生电感如何改变并联模块的参数。
2.通过结合分位数回归（QR）理论和双向门控循环单元（BiGRU），提出了一种QRBiGRU预测模型。即使原始数据不完整，该模型也能提高预测计算的准确性。
3.展示了在多种工作条件下的开关参数差异。并联模块的电气性能退化在实际工作条件得到了全面反映。
本文的结构如下。由于难以测量密封封装内并联模块的接触状态，第2节进行了电热机械仿真以获得实际条件下的接触状态。第3节利用同步测试平台施加相应的温度和夹紧力来再现接触状态，并比较了电气参数（如峰值电流、开关时间和开关能量）。此外，还提出了一种QRBiGRU预测模型，以解决实验数据不足的问题。第4节展示了如何优化应力分布均匀性以改善电气特性。第5节总结了本文。
