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

Questo articolo propone un approccio di sensing virtuale basato sull'apprendimento automatico per stimare con elevata precisione lo stato di degradazione dello strato di saldatura e le mappe termiche complete nei moduli IGBT, utilizzando un numero limitato di sensori fisici e dati sintetici.

L'essenziale

Immagina di avere un motore d'auto molto potente e sofisticato, ma non puoi aprirlo per guardare cosa succede all'interno. Se il motore si surriscalda o se un pezzo interno inizia a rompersi, rischi di rimanere a piedi o, peggio, di avere un incidente.

Questo è esattamente il problema che affrontano gli autori di questo articolo, ma invece di un'auto, parlano di moduli elettronici di potenza (chiamati IGBT), che sono il "cuore" di molte macchine industriali, auto elettriche e sistemi energetici.

Ecco una spiegazione semplice di cosa hanno fatto, usando delle analogie:

1. Il Problema: Il "Cuore" Nascosto

All'interno di questi moduli elettronici c'è un pezzo di silicio (il chip) che lavora sodo e si scalda molto. Per funzionare, è incollato a una base metallica con uno strato di saldatura (come una colla metallica).

• Il guasto: Nel tempo, questa "colla" si indebolisce, si spacca o si stacca (come se la colla si seccasse o si formassero bolle d'aria). Questo fa sì che il calore non si disperda bene e il chip si surriscalda, rischiando di bruciarsi.
• Il dilemma: Non possiamo mettere un termometro o un sensore dentro il chip. È come cercare di misurare la temperatura del cuore di una persona senza aprirle il petto. I sensori esterni vedono solo la superficie, ma il danno avviene in profondità, nascosto.

2. La Soluzione: Il "Sensore Virtuale" (L'Indovino AI)

Gli autori hanno creato un sistema intelligente basato sull'Intelligenza Artificiale che fa da "sensore virtuale".

• Come funziona: Invece di misurare direttamente il danno nascosto, l'AI osserva pochi punti accessibili (come la temperatura sulla superficie esterna e quanta energia sta consumando il dispositivo).
• L'analogia: Immagina di essere un medico che non può vedere dentro il corpo del paziente, ma può sentire il battito cardiaco, la temperatura della pelle e la pressione. Usando la sua esperienza (in questo caso, un modello matematico addestrato), il medico può dedurre: "Ah, il paziente ha la febbre alta e il battito è irregolare, quindi probabilmente ha un'infiammazione interna specifica".
• L'AI fa lo stesso: guarda i dati esterni e immagina (ricostruisce) esattamente quanto è danneggiata la "colla" interna e qual è la mappa completa delle temperature all'interno.

3. Due Tipi di "Malattie"

Hanno testato il sistema su due scenari diversi, come se fossero due tipi di malattie:

• Scenario A: La "Rottura da Angolo" (Delaminazione)
  Immagina che la colla interna inizi a staccarsi partendo dagli angoli, come se una pizza si stesse staccando dal piatto. Questo danno è ordinato e prevedibile.

  • Risultato: L'AI è bravissima qui. Con solo 3 sensori (come se avessi solo 3 punti di controllo sulla pelle), riesce a indovinare il danno con una precisione incredibile (sbaglia meno dell'1,2%). È come se l'AI avesse un "sesto senso" per questo tipo di problema.

• Scenario B: Le "Bolle d'Aria" (Voids)
  Qui il danno è caotico. Immagina che nella colla si formino centinaia di piccole bolle d'aria sparse ovunque, come un formaggio svizzero. Questo rende il calore molto difficile da prevedere perché si muove in modo disordinato.

  • Risultato: Con soli 3 sensori, l'AI è confusa e sbaglia molto. Per vedere le bolle nascoste, ha bisogno di più occhi. Hanno scoperto che serve una "griglia" di sensori (come una rete di 3x3 punti) sulla superficie per vedere abbastanza dettagli da capire dove sono le bolle. Se metti troppi sensori, però, l'AI si confonde ancora di più (si "sovraccarica"), quindi la via di mezzo è quella giusta.

4. Il Trucco Magico: La "Legge della Fisica"

C'è un dettaglio importante. L'AI non impara solo guardando i dati (come un bambino che impara per tentativi ed errori). Gli autori hanno insegnato all'AI anche le leggi della fisica (in particolare come il calore si muove).

• L'analogia: È come se insegnessimo a un detective non solo a guardare le prove, ma anche a conoscere le leggi della natura. Se il detective vede qualcosa che viola le leggi della fisica (es. il calore che va dal freddo al caldo senza motivo), sa che c'è un errore.
• Questo ha reso l'AI molto più affidabile, specialmente quando il danno è grave, impedendole di fare previsioni "strane" o impossibili.

5. Perché è Importante?

Questa tecnologia è rivoluzionaria perché:

1. Previene i guasti: Possiamo sapere quando un componente sta per rompersi prima che accada, permettendo la manutenzione predittiva (aggiustare prima che si rompa).
2. È economica: Non serve smontare tutto o mettere sensori costosi ovunque. Basta un software intelligente e pochi sensori esistenti.
3. È veloce: Il sistema è così leggero che può girare direttamente sul dispositivo stesso, in tempo reale, senza bisogno di computer enormi.

In sintesi: Hanno creato un "super-detective digitale" che, guardando solo la superficie di un componente elettronico, riesce a "vedere" i danni nascosti all'interno e a prevedere se si sta surriscaldando, aiutando a evitare guasti costosi e pericolosi.

Sommario tecnico

Titolo: Virtual Sensing per il Monitoraggio del Degrado dello Strato di Saldatura e della Temperatura nei Moduli IGBT

1. Il Problema

I moduli a transistor bipolare a gate isolato (IGBT) sono componenti critici nei sistemi di potenza industriali e automotive. La loro affidabilità e longevità dipendono fortemente dallo stato di salute degli strati di saldatura che collegano il die di silicio al substrato e il substrato alla piastra di base.

• Sfide principali: I meccanismi di degrado, come la fatica della saldatura, il distacco (delaminazione) e la formazione di vuoti (voiding), sono difficili da monitorare direttamente. Le regioni critiche sono fisicamente inaccessibili ai sensori convenzionali a causa dell'ambiente operativo ostile e dei vincoli spaziali.
• Limiti delle attuali soluzioni: I metodi basati su modelli fisici o dati storici spesso mancano della risoluzione spaziale necessaria per tracciare fenomeni di degrado localizzati (es. distacco parziale o distribuzione non uniforme del calore).
• Obiettivo: Sviluppare un sistema di "Virtual Sensing" basato sull'apprendimento automatico (Machine Learning - ML) per stimare lo stato di degrado degli strati di saldatura e mappare le temperature interne utilizzando un numero limitato di sensori fisici accessibili esternamente.

2. Metodologia

L'approccio proposto combina la generazione di dati sintetici tramite simulazioni agli elementi finiti (FEM) con modelli di apprendimento supervisionato, inclusi approcci ibridi (grey-box).

• Generazione del Dataset (Simulazione FEM):

  • È stato creato un sistema IGBT generico (un chip e un diodo) simulato in regime stazionario utilizzando il solver open-source ElmerFEM.
  • Sono stati simulati due scenari di degrado principali variando la geometria dello strato di saldatura:
    1. Delaminazione: Riduzione progressiva dell'area della saldatura (da 0% a ~30% di perdita), modellata come un restringimento geometrico.
    2. Voiding (Formazione di vuoti): Creazione di vuoti cilindrici casuali all'interno dello strato di saldatura, simulando una degradazione eterogenea.
  • Il dataset di addestramento include centinaia di configurazioni diverse con variazioni casuali della potenza dissipata ($h$) e della temperatura esterna ($T_{ext}$).

• Architettura dei Modelli ML:

  • Input: Letture di temperatura da sensori fisici accessibili (3 punti di riferimento: temperatura del giunto $T_j$, base del modulo e periferia del substrato DCB) e la potenza dissipata.
  • Task 1: Predizione della frazione di area degradata. Utilizzo di modelli di regressione (Linear Regression, Random Forest, XGBoost) e una Feed-Forward Neural Network (FFNN).
  • Task 2: Mappatura della temperatura. Utilizzo di Graph Neural Networks (GNN), specificamente architetture Graph Attention Network (GAT), che sfruttano la struttura spaziale dei dati sulla superficie del chip.
  • Approccio Ibrido (Physics-Informed): Per migliorare la robustezza, è stata introdotta una funzione di regolarizzazione basata sull'equazione del calore stazionario. Questo termine di perdita penalizza le discrepanze tra il flusso di calore previsto dal modello e quello calcolato fisicamente, trasformando il modello da "black-box" a "grey-box".

• Estrazione dei Dati:

  • I dati sono stati estratti dalle simulazioni FEM per costruire grafi dove i nodi rappresentano posizioni sulla superficie del chip e gli archi rappresentano le connessioni spaziali. Sono stati inclusi anche i punti di riferimento dei sensori fisici.

3. Contributi Chiave

1. Validazione del Virtual Sensing: Dimostrazione che è possibile ricostruire con alta precisione lo stato di degrado interno e le mappe termiche complete partendo da un numero molto limitato di sensori esterni.
2. Analisi della Sensibilità dei Sensori: Identificazione di una differenza fondamentale tra i due scenari di degrado:
   • Per la delaminazione (degradazione coerente/spazialmente omogenea), un set minimo di 3 sensori è sufficiente.
   • Per il voiding (degradazione eterogenea/localizzata), è necessaria una maggiore densità di sensori (es. una griglia 2x2 o 3x3) per catturare le anomalie termiche locali. Griglie troppo dense (4x4, 5x5) portano a overfitting senza migliorare l'accuratezza.
3. Integrazione della Fisica: Sviluppo e validazione di una regolarizzazione basata sull'equazione del calore che migliora significativamente l'accuratezza e la stabilità delle previsioni, specialmente per i chip altamente degradati, riducendo gli errori di picco.
4. Pipeline a Due Stadi: Proposta di un flusso di lavoro modulare: prima si stima la frazione di area degradata, che viene poi utilizzata come feature di input per la predizione della temperatura massima.

4. Risultati

• Predizione del Degrado (Delaminazione):

  • Il modello FFNN ha raggiunto un errore assoluto medio (MAE) dello 1.17% sulla frazione di area degradata.
  • L'errore massimo è rimasto inferiore al 3.89%, anche in presenza di rumore simulato nelle letture della temperatura del giunto ($T_j$).
  • Il modello FFNN ha superato nettamente i modelli di baseline (Lineare, Random Forest, XGBoost).

• Predizione della Temperatura (Delaminazione):

  • Il modello GAT regolarizzato con l'equazione del calore ha ottenuto il miglior risultato: MAE di 1.44 K e errore massimo di 20.88 K.
  • L'aggiunta della regolarizzazione fisica ha ridotto l'errore medio e massimale rispetto ai modelli GAT puri o agli ensemble basati su alberi decisionali.
  • L'errore relativo medio sulla temperatura superficiale è stato dello 0.37%, con un massimo del 4.56%.

• Scenario Voiding:

  • L'uso di soli 3 sensori ha portato a prestazioni scarse (MAE > 6-7% per il degrado, MAE > 9 K per la temperatura).
  • L'uso di una griglia di sensori 3x3 ha ottimizzato le prestazioni, riducendo l'errore in modo significativo. Griglie più grandi non hanno portato benefici aggiuntivi a causa dell'overfitting.

• Efficienza Computazionale:

  • I modelli sono leggeri: il predittore di frazione di saldatura richiede ~0.053 ms di inferenza e 0.53 MB di RAM, rendendolo adatto per l'esecuzione in tempo reale su microcontrollori embedded.

5. Significato e Implicazioni

Questo lavoro offre una via praticabile per il monitoraggio della salute (PHM - Prognostics and Health Management) nei sistemi di potenza senza richiedere sensori invasivi o costosi all'interno del modulo.

• Manutenzione Predittiva: Permette di stimare la vita utile residua e prevenire guasti catastrofici monitorando parametri critici altrimenti invisibili.
• Progettazione dei Sensori: Fornisce linee guida chiare per l'ingegnerizzazione dei sistemi di monitoraggio: per difetti localizzati come i vuoti, è necessario progettare reti di sensori con una copertura spaziale adeguata (es. sensori a film sottile sul substrato DCB), mentre per difetti globali bastano pochi punti di misura.
• Affidabilità dei Modelli: L'approccio "physics-informed" dimostra come l'integrazione di conoscenze fisiche nei modelli di ML possa mitigare i rischi di generalizzazione su dati sintetici e migliorare la robustezza in scenari reali complessi.
• Scalabilità: La metodologia è progettata per essere implementata su piattaforme edge, facilitando l'adozione industriale di sistemi di monitoraggio autonomi e in tempo reale.