Virtual Sensing for Solder Layer Degradation and Temperature Monitoring in IGBT Modules

Diese Studie demonstriert, dass maschinelles Lernen als virtuelles Sensorik-Verfahren genutzt werden kann, um den Degradationszustand von Lötverbindungen und vollständige Temperaturkarten in IGBT-Modulen mit hoher Genauigkeit aus einer begrenzten Anzahl physischer Sensoren abzuschätzen.

Das Wesentliche

🛠️ Das Problem: Der unsichtbare Herzinfarkt im Stromnetz

Stellen Sie sich einen IGBT-Modul (eine Art super-starker Schalter für Strom) wie einen hochleistungsfähigen Motor in einem Elektroauto vor. Dieser Motor wird sehr heiß, wenn er arbeitet. Damit er nicht schmilzt, ist er in Schichten aufgebaut, ähnlich wie ein Sandwich.

Das Problem: In der Mitte dieses Sandwiches gibt es eine Lötstelle (eine Art Kleber), die den Chip mit dem Rest verbindet.

• Wenn der Motor zu oft überhitzt, wird dieser "Kleber" müde.
• Er beginnt zu reißen (Delamination) oder es bilden sich kleine Luftbläschen darin (Hohlräume/Voiding).
• Das ist wie ein Herzinfarkt im Inneren: Der Motor funktioniert noch, aber er ist krank. Wenn man das nicht merkt, kann er plötzlich komplett ausfallen.

Das Dilemma: Man kann nicht einfach einen Thermometer oder ein Mikroskop in das Sandwich stecken, um zu sehen, wie der Kleber aussieht. Der Chip ist zu klein, zu heiß und zu gut verpackt. Man sieht nur die Oberfläche.

🕵️‍♂️ Die Lösung: Die "Gedankenleser"-Kamera (Virtuelles Sensing)

Die Forscher aus Graz haben eine clevere Idee entwickelt: Virtuelle Sensoren.

Stellen Sie sich vor, Sie stehen vor einem verschlossenen Haus und wollen wissen, ob im Inneren ein Feuer brennt. Sie können nicht reingehen. Aber Sie können:

1. Die Temperatur an der Tür messen.
2. Die Temperatur am Dach messen.
3. Wissen, wie viel Energie gerade im Haus verbraucht wird.

Mit diesen wenigen Daten und einem sehr klugen Computer-Programm (Künstliche Intelligenz) können Sie nun herausrechnen, wie es im Inneren aussieht. Das ist wie Röntgensehen durch die Wand.

Das Programm lernt aus tausenden von Simulationen: "Aha, wenn die Tür 5 Grad heißer ist als sonst UND der Stromverbrauch hoch ist, dann ist im Inneren wahrscheinlich ein Riss im Kleber."

🔍 Was haben die Forscher genau gemacht?

Sie haben zwei verschiedene "Krankheiten" simuliert und geprüft, wie gut ihre KI sie erkennt:

1. Der "Riss im Kleber" (Delamination)

• Was passiert: Der Kleber löst sich langsam von den Ecken her ab, wie ein abblätternder Lack.
• Die Diagnose: Hier war es relativ einfach. Die KI brauchte nur drei kleine Temperatur-Sensoren (einen oben auf dem Chip, einen unten und einen am Rand) plus die Information, wie viel Strom fließt.
• Das Ergebnis: Die KI konnte den Schaden fast perfekt vorhersagen. Sie sagte sogar genau, wie viel Prozent des Klebers schon weg sind, mit einer Fehlerquote von nur 1,17 %. Das ist so präzise, als würde man mit einem Lineal messen, wie viel Mehl in einem Glas ist.

2. Der "Luftblasen-Käse" (Solder Voiding)

• Was passiert: Hier bilden sich viele kleine Luftbläschen im Kleber, wie in einem Schweizer Käse. Das ist tückischer, weil die Hitze dann unregelmäßig verteilt ist.
• Das Problem: Drei Sensoren reichten hier nicht aus. Es war, als würde man versuchen, ein komplexes Puzzle zu lösen, indem man nur auf drei Ecken schaut. Die KI war verwirrt.
• Die Lösung: Man braucht mehr "Augen". Die Forscher haben getestet, wie viele Sensoren man braucht.
  • 1 Sensor: Viel zu ungenau.
  • 3 Sensoren: Immer noch zu ungenau.
  • Ein 3x3-Raster (9 Sensoren): Das war der "Sweet Spot". Plötzlich konnte die KI den Schaden wieder sehr gut sehen.
  • Zu viele Sensoren (25 Stück): Das war sogar kontraproduktiv! Die KI fing an, sich zu "verwirren" und die Daten zu überanalysieren (wie jemand, der zu viel Kaffee trinkt und anfängt, Dinge zu sehen, die nicht da sind).

🧠 Der Clou: Die KI lernt die Physik

Normalerweise lernen KI-Modelle nur aus Daten (wie ein Kind, das nur Beispiele sieht). Diese Forscher haben der KI aber auch Physik-Gesetze beigebracht.

Stellen Sie sich vor, Sie lehren einem Kind, wie ein Ball fällt.

• Normale KI: Das Kind sieht 1000 Bilder von fallenden Bällen und lernt das Muster.
• Physik-bewusste KI: Das Kind lernt das Muster und bekommt die Regel "Schwerkraft zieht nach unten" mitgegeben.

Die Forscher haben der KI die Wärmegleichung (ein physikalisches Gesetz, das beschreibt, wie Hitze fließt) als "Regelbuch" in den Lernprozess eingebaut.

• Ergebnis: Die KI macht weniger Fehler, besonders wenn der Schaden sehr stark ist. Sie "versteht" die Physik hinter den Zahlen und rutscht nicht in unrealistische Vorhersagen ab.

🚀 Warum ist das wichtig?

1. Sicherheit: In Elektroautos oder Windrädern kann ein plötzlicher Ausfall katastrophal sein. Diese Technik warnt frühzeitig, bevor es kaputtgeht.
2. Kosten: Man muss keine teuren, komplexen Sensoren in den Chip bohren. Man nutzt die wenigen Sensoren, die man ohnehin schon hat, und rechnet den Rest nach.
3. Echtzeit: Die Berechnungen sind so schnell, dass sie direkt auf dem Steuergerät des Autos oder der Anlage laufen können.

📝 Fazit in einem Satz

Die Forscher haben eine digitale Röntgenbrille entwickelt, die mit Hilfe von ein paar Temperaturmessern und einem physik-bewussten KI-Algorithmus genau erkennt, wie krank ein Strom-Chip im Inneren ist – und zwar so genau, dass man ihn retten kann, bevor er stirbt.

Technische Zusammenfassung

1. Problemstellung

Leistungselektronische Systeme, insbesondere IGBT-Module (Insulated Gate Bipolar Transistor), sind kritische Komponenten in industriellen und automotive Anwendungen. Ein Hauptversagensmechanismus ist die Degradation der Lötverbindungen (Solder Layers), die den Silizium-Chip mit dem Substrat und diesem mit der Basisplatte verbinden. Dies äußert sich durch:

• Delamination: Schichtablösung, die oft an den Ecken beginnt und sich ausbreitet.
• Solder Voiding (Hohlraumbildung): Entstehung von Lufteinschlüssen in der Lötstruktur.

Diese Degradation führt zu einer Verschlechterung der Wärmeableitung, was zu lokalen Hotspots und einem thermischen Durchgehen führen kann. Die direkte Messung dieser internen Zustände (z. B. Sperrschichttemperatur $T_j$ oder Ausmaß der Lötdegradation) ist jedoch aufgrund der physischen Unzugänglichkeit der Komponenten und der rauen Betriebsumgebung kaum möglich. Herkömmliche Sensoren können nur begrenzte, externe Punkte erfassen, was eine räumlich hochauflösende Überwachung unmöglich macht.

2. Methodik

Die Autoren schlagen einen virtuellen Sensor-Ansatz vor, der auf maschinellem Lernen (ML) und physikbasierten Regularisierungen beruht, um interne Zustände aus wenigen externen Messungen zu rekonstruieren.

A. Datengenerierung (Synthetische Daten)

Da reale Daten für alle Degradationszustände schwer zu beschaffen sind, wurde ein Datensatz mittels Finite-Elemente-Methode (FEM) mit dem Solver ElmerFEM generiert.

• System: Ein vereinfachtes IGBT-Modell mit Chip, Diode und mehrschichtigem Aufbau (Silizium, SnAgCu-Lötung, DCB, Kupferbasisplatte).
• Szenarien:
  1. Delamination: Geometrische Reduktion der Lötfläche von 0 % bis ca. 30 % Verlust (idealisierte Formen).
  2. Solder Voiding: Zufällige Verteilung zylindrischer Hohlräume in der Lötung, die sich mit dem Degradationsgrad vergrößern.
• Variabilität: Für jede Simulation wurden zufällige Werte für die Verlustleistung ($h$) und die Umgebungstemperatur ($T_{ext}$) gewählt, um eine breite Abdeckung realer Betriebszustände zu gewährleisten. Insgesamt wurden ca. 1700 Simulationen (700 Delamination, 1000 Voiding) durchgeführt.

B. Datenaufbereitung und Graph-Struktur

Um räumliche Informationen zu nutzen, wurde die Chip-Oberfläche in einen Graph umgewandelt:

• Knoten: Repräsentieren spezifische Punkte auf der Chip-Oberfläche (inklusive Referenzsensoren).
• Kanten: Verbinden benachbarte Knoten und kodieren räumliche Beziehungen (Abstände, Richtungen).
• Referenzsensoren: Drei physikalisch zugängliche Punkte ($T_1, T_2, T_3$) wurden definiert (Chip-Mitte, Basisplatte, DCB-Rand), um reale Messbedingungen zu simulieren.

C. Machine Learning Modelle

Es wurden verschiedene Architekturen verglichen:

1. Basislinien: Lineare Regression, Random Forest, XGBoost.
2. Neuronale Netze (FFNN): Feed-Forward-Netze für die Vorhersage des Lötflächenanteils und der Maximaltemperatur basierend auf den Referenzsensoren.
3. Graph Neural Networks (GNN): Speziell Attention-basierte Graph-Netzwerke (GAT), um die räumliche Verteilung der Temperatur auf dem Chip zu modellieren.
4. Physik-informiertes Lernen (Grey-Box): Ein entscheidender Aspekt ist die Einführung eines Regularisierungsterms in die Verlustfunktion. Dieser Term bestraft Abweichungen von der stationären Wärmeleitungsgleichung (basierend auf dem Integral des Wärmestroms). Dies zwingt das Modell, physikalisch konsistente Vorhersagen zu treffen, auch wenn die Trainingsdaten begrenzt sind.

3. Wichtige Beiträge und Ergebnisse

A. Vorhersage des Lötflächenanteils (Solder Area Fraction)

• Delamination-Szenario: Ein FFNN, der nur die Temperaturen der drei Referenzsensoren und die Verlustleistung als Eingabe nutzt, erreicht eine hohe Genauigkeit.
  • Ergebnis: Mittlere absolute Fehler (MAE) von 1,17 % bei realistischen Rauschpegeln in der $T_j$-Schätzung.
  • Robustheit: Das Modell ist robust gegenüber Rauschen in den Sensordaten.
• Voiding-Szenario: Hier ist die Vorhersage schwieriger, da die Hohlraumverteilung heterogen ist und lokale Temperaturänderungen nicht mehr gut mit dem globalen Flächenverlust korrelieren.
  • Erkenntnis: Drei Sensoren reichen nicht aus. Eine Erhöhung der Sensoranzahl auf ein 3x3-Raster verbessert die Genauigkeit drastisch (MAE sinkt von ~7,7 % auf ~3,8 %). Größere Raster (4x4, 5x5) führen zu Overfitting.

B. Vorhersage der maximalen Chip-Temperatur

• Delamination: Das GAT-Modell mit physikalischem Regularisierungsterm („GAT + Heat Eq.") übertrifft alle anderen Modelle (Lineare Regression, Random Forest, reines GAT).
  • Ergebnis: MAE von 1,44 K und ein maximaler Fehler von 20,88 K.
  • Effekt der Physik: Die Einbindung der Wärmeleitungsgleichung reduziert sowohl den Durchschnittsfehler als auch Ausreißer, insbesondere bei stark degradierten Chips.
• Voiding: Auch hier zeigt sich, dass eine höhere Sensor-Dichte (3x3 Raster) notwendig ist, um die Temperaturverteilung korrekt zu erfassen. Ein FFNN mit dem geschätzten Lötflächenanteil als zusätzlichem Feature liefert die besten Ergebnisse.

C. Implementierungsfähigkeit

Die Studie zeigt, dass die Modelle für den Einsatz auf Embedded-Systemen geeignet sind:

• Der Lötflächen-Vorhersager benötigt nur ca. 0,53 MB RAM und eine Inferenzzeit von 0,053 ms pro Chip.
• Das temperaturbasierte GAT-Modell ist etwas aufwendiger, bleibt aber im Bereich moderner Edge-Prozessoren (ca. 2,4 MB RAM).
• Das Training erfolgt offline auf Hochleistungs-Hardware, während die Inferenz in Echtzeit auf dem Gerät laufen kann.

4. Bedeutung und Fazit

Dieses Paper demonstriert erfolgreich, dass virtuelle Sensoren eine praktikable Alternative zu invasiven Messungen in IGBT-Modulen darstellen.

• Haupterkenntnis: Die Beobachtbarkeit der Degradation hängt stark von der räumlichen Anordnung der Sensoren ab. Während bei homogenen Degradationsmustern (Delamination) wenige Sensoren ausreichen, erfordern heterogene Muster (Voiding) eine dichtere Sensorabdeckung (z. B. Dünnschichtsensoren auf der DCB-Schicht).
• Physik-Informiertes ML: Die Kombination von Datengetriebenem Lernen mit physikalischen Gesetzen (Wärmeleitungsgleichung) erhöht die Robustheit und Generalisierungsfähigkeit der Modelle erheblich, besonders in kritischen Zuständen.
• Anwendungspotenzial: Der vorgeschlagene zweistufige Ansatz (Zuerst Degradationszustand schätzen, dann Temperaturfeld rekonstruieren) ermöglicht eine präzise, nicht-invasive Zustandsüberwachung und vorausschauende Wartung (Predictive Maintenance) in sicherheitskritischen Anwendungen, ohne die Hardware zu modifizieren.

Zukünftige Arbeiten sollen die Validierung an realer Hardware, die Erweiterung auf Multi-Chip-Module und die Untersuchung weiterer Degradationsmechanismen (z. B. Bonddraht-Lift-off) umfassen.