阅读提示：本文约 3500 字
导语
“十四五”期间，中国科学院电工研究所高密度电磁动力与系统全国重点实验室牵头承担国家重点研发计划新能源汽车专项，聚焦车用电驱系统核心部件，围绕机理建模—在线感知—故障辨识—寿命预判完整技术链，开展健康管理基础理论与关键技术攻关。针对高功率密度、宽域动态载荷及高可靠长寿命的严苛需求，团队以物理机理为基础，厘清故障表征和演化规律，突破多参量解耦与非侵入式在线测量难题；以AI赋能为杠杆，将智能算法融入物理模型，驱动全生命周期健康管理效能的质变，构建了监测、诊断与寿命评估三位一体的完整技术体系。后续本公众号将对该系列代表性成果进行连载报道。
近日，团队一项代表性原创成果于电力电子顶刊IEEE Transactions on Power Electronics线上首发。本研究围绕大电流IGBT模块在非恒定应力下的键合线退化与剩余寿命预测开展研究，搭建改进型非恒定应力直流功率循环平台，获得九只IGBT模块在三种应力模式下的全寿命退化数据，并采用时序融合Transformer（Temporal Fusion Transformer，TFT）建立多步退化轨迹与剩余寿命预测模型。
研究背景与意义
高功率变流器不断向高功率密度和复杂工况发展，IGBT模块在运行中反复经历升温与冷却。由于芯片、键合线和基板等材料的热膨胀特性不同，周期性热应力会促使键合线逐渐产生裂纹、根部开裂或脱落，最终引起导通电阻上升并导致失效。功率循环试验是研究功率半导体封装老化和寿命规律的重要手段。
现有寿命预测研究大多建立在恒定应力和较平滑的退化轨迹上，但实际设备中的负载和热应力会随时间变化，键合线脱落还会造成突发式退化跳变。因此，传统寿命预测方法容易出现预测滞后或寿命偏差。
本研究重点解决三个问题：从负载电流、结温和焊层变化的共同影响中提取主要反映键合线健康状态的退化指标；观察并量化不同应力顺序下的退化轨迹、跳变特征和寿命差异；将历史退化状态与预先给定的应力序列共同引入模型，实现含跳变退化过程的多步轨迹与剩余寿命预测。研究有助于推动IGBT模块由“定期更换”转向“按健康状态维护”，减少提前更换造成的浪费，并降低突发失效导致的非计划停机风险。
图1 非恒定应力直流功率循环：（a）试验电路；（b）实验平台
核心方法与创新
1、构造三种非恒定应力模式，开展九只模块全寿命试验
研究搭建了改进型非恒定应力直流功率循环平台，对九只1200 V、450 A的IGBT模块（DUT）开展全寿命试验。试验设置三档热应力，并构造三种不同的施加顺序，每种应力模式对应三只被测器件。
表1 三种应力水平的配置
三种应力模式采用不同的应力等级顺序和阶段循环数，用于对比应力施加顺序对键合线退化轨迹和失效时刻的影响。
表2 三种应力模式下非恒定应力序列配置
2、周期提取等效导通电阻RCE0，跟踪键合线健康状态
老化过程中，每经过500个老化应力循环后插入一次周期测试，通过多个脉冲电流（200 A、300 A和400 A）下的冷态导通压降提取等效导通电阻RCE0。瞬态热阻和独立的I-V测试表明，在本文秒级功率循环条件下，焊层变化对该指标的影响有限，RCE0可主要用于表征键合线在变应力下的退化。
图2 非恒定应力老化阶段与周期测试阶段的交替实施方案
图3 DUT1在老化前后的瞬态热阻抗曲线的对比
3、融合历史退化状态与预先给定的应力序列，建立TFT预测模型
研究引入时序融合Transformer开展多步退化轨迹与剩余寿命预测。该模型采用循环网络识别应力切换和退化跳变附近的短期规律，利用注意力机制从较长历史中寻找与当前预测最相关的阶段，并通过变量选择网络自动判断不同输入信息的重要程度。
图4 时序融合Transformer算法架构
除历史RCE0'（对RCE0进行归一化处理）外，模型还输入结温波动幅值ΔTj,t、平均结温Tjm,t、应力切换状态sw,t、当前应力等级sl,t、持续时间sD,t和导通时间ton,t等动态应力描述量。采用上述全部动态应力描述量作为输入的模型记为TFT-E。九只器件采用分层三轮交叉验证，每轮将六只器件用于模型训练、内部验证与超参数优化，并在另外三只未参与上述过程的器件上进行独立测试。
试验结果与模型验证
1、应力顺序显著改变退化跳变与失效时刻
试验发现，大电流IGBT模块的键合线退化并不是简单、平滑地增长，而是由缓慢累积和若干突发跳变共同组成。对比应力模式1和应力模式3可见，两者采用相反的应力施加顺序，且中、高应力阶段的循环数相同，但由低到高的应力模式1，其寿命约比由高到低的应力模式3缩短25%。不同应力序列还会改变退化跳变发生的时间、幅值和次数。
图5 三种非恒定应力序列及对应的全寿命退化轨迹
2、完整动态应力输入改善多步退化轨迹预测
在退化轨迹预测中，采用完整动态应力描述量的TFT-E能够在不同预测起点给出总体接近真实退化过程的预测曲线，并对三种应力模式下代表性DUT的失效相关趋势进行跟踪。
图6 TFT-E对三种应力模式下代表性DUT退化轨迹的预测结果：
（a）DUT2；（b）DUT4；（c）DUT8
3、动态应力描述量提高剩余寿命预测能力
将预测曲线达到失效阈值的时刻作为预测失效时刻，并由该时刻与当前预测起点之间的间隔计算剩余使用寿命。对比Transformer、未输入应力信息的TFT-A以及采用完整动态应力描述量的TFT-E可以看出，不包含应力信息的模型在不同应力模式下存在较明显的RUL预测偏差，而TFT-E的预测轨迹总体更接近真实RUL。
图7 三种应力模式下代表性DUT的剩余寿命预测轨迹：
（a）DUT2；（b）DUT4；（c）DUT8
表3 TFT变体的输入配置
九只DUT的结果表明，加入动态应力描述量后，TFT-B、TFT-D和TFT-E的平均RUL预测准确率相比未输入应力信息的单变量模型提高约5至30个百分点。其中，采用完整动态应力描述量的TFT-E取得最佳总体表现。
图8 九只DUT的RUL预测准确率对比
结论
本文围绕大电流IGBT模块在非恒定应力下的键合线退化与剩余寿命预测开展研究。改进的直流功率循环试验表明，周期提取的等效导通电阻RCE0对负载电流和结温变化不敏感，且在本文秒级功率循环条件下受焊层退化影响较小，可用于跟踪键合线健康状态。三种应力模式的全寿命数据进一步表明，应力施加顺序会显著影响失效时刻和退化跳变行为。
针对包含突发跳变的退化轨迹，论文采用时序融合Transformer建立剩余寿命预测模型，并将试验程序预先给定的非恒定应力序列及其状态演化描述量作为条件输入。采用完整动态应力输入的TFT-E取得最佳总体表现；与未输入应力信息的单变量模型相比，平均剩余寿命预测准确率提高约5至30个百分点。
团队介绍
中国科学院电工研究所高功率密度电气驱动及电动汽车技术研究部成立于1997年，是“高密度电磁动力与系统全国重点实验室”的重要组成部分，主要研究方向为电力电子与电力传动，定位于高功率密度发电/驱动系统技术研究及其在电动汽车等电气化交通工具中的应用。
研究部与新能源车行业同步成长，自“九五”以来，主持研发了我国第一台电动轿车用数字化交流电机驱动系统、第一套燃料电池轻型客车用电-电混合能源动力系统；“十三五”、“十四五”期间，在高密度电机系统的拓扑与构型理论、高性能控制方法、健康管理与寿命预测技术等方面取得多项创新成果，持续引领国内高功率密度全SiC电机驱动系统的发展。
近年来，研究部将高功率密度电驱动技术向电气化航空领域延伸，面向新型电动飞行器对动力系统功重比、可靠性与环境适应性的严苛要求，主持研制了中国商飞某型新能源飞机用电驱系统，突破了纯风冷构型下电-磁-热-结构一体化集成、功率模块高载荷热管理、高空机载环境下的电磁兼容等关键技术，支撑飞机完成飞行验证。
温旭辉
中国科学院电工研究所研究员，高密度电磁动力与系统全国重点实验室学术委员会委员，高密度电气驱动及电动汽车技术研究部团队创始人。中国电工技术学会会士，中国电工技术学会电动车辆专委会主任委员。长期从事高密度电力电子集成、永磁电机控制等技术研究，作为项目负责人承担了数十项新能源汽车电驱动相关的国家及部委级项目，研究领域得到国家科技部、基金委、中国科学院、北京市科委和企业的大力资助。
范涛
中国科学院电工研究所研究员，高密度电磁动力与系统全国重点实验室副主任。长期从事高密度电机系统基础理论研究、关键技术攻关和重大装备研制工作。担任某型重要地面突击车辆用飞轮发电系统总师，某型重要飞行平台用涡轮发电系统副总指挥，中国电工技术学会电动车辆专委会委员，中国电源学会交通电气化专业委员会委员。在高密度电机系统方面发表学术论文100余篇，专著1本，SCI他引782次，获得国家发明专利授权90余项。
蒋潇锋
中国科学院电工研究所博士研究生，研究方向为人工智能在功率器件可靠性与寿命预测中的应用。以第一作者在IEEE Transactions系列期刊发表论文5篇，担任IEEE TPEL、JESTPE等期刊审稿人，并作为骨干参与国家重点研发计划项目2项。
本论文标题为"Temporal Fusion Transformer-Based Remaining Useful Lifetime Prediction of IGBTs Under Non-Constant Stress Bond Wire Degradation"。
引用本文
X. Jiang et al., "Temporal Fusion Transformer-Based Remaining Useful Lifetime Prediction of IGBTs Under Non-Constant Stress Bond Wire Degradation," in IEEE Transactions on Power Electronics, doi: 10.1109/TPEL.2026.3718941.
热门跟贴