一种基于数据的方法，用于预测空洞特性对IGBT结温的影响

IGBT模块空洞特性与芯片温度的映射关系研究，提出遗传算法- LM-BP神经网络模型预测温度，验证显示最大表面温度预测误差±2°C，平均活性区温度误差±3°C，红外与TSEP方法验证精度达96.7%-97.3%。

　　

摘要：

IGBT功率半导体模块的焊料层中存在空洞可能会导致局部过热现象，并在运行过程中使结温升高，从而威胁到模块的可靠性。因此，准确建立空洞特性与芯片温度之间的映射关系对于可靠性评估具有重要意义。鉴于该任务的复杂性以及遗传算法（GA）出色的全局优化能力，本文采用GA-Levenberg–Marquardt（LM）-反向传播（BP）神经网络作为基本模型框架。同时提出了一种分层智能优化算法来初始化超参数。随后构建了一个温度预测模型。该模型具有优异的拟合度，测试集的决定系数为99.49%。与其他三种优化模型相比，该模型在低误差范围内的预测值占比最高：96.7%的测量值和预测值之间的最大芯片表面温度误差在[-2°C, 2°C]范围内；97.3%的测量值和预测值之间的平均活性区芯片表面温度误差在[-1°C, 1°C]范围内。最后，通过真空回流焊接系统制备了具有不同空洞特性的IGBT模块，并利用红外（IR）相机和热敏电气参数（TSEP）方法验证了该模型的适用性。实验结果表明，Tm和Ta的误差均控制在2°C以内，达到了令人满意的水平。