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

Dit artikel presenteert een machine learning-gebaseerde virtuele sensortechniek die met hoge nauwkeurigheid de degradatie van soldeerverbindingen en volledige temperatuurkaarten van IGBT-modules schat op basis van een beperkt aantal fysieke sensoren, waarmee de uitdaging van het monitoren van onbereikbare interne componenten wordt overwonnen.

De kern

Stel je voor dat een IGBT-module (een belangrijk onderdeel in elektrische auto's of industriële machines) een hoge berg is. Deze berg moet warmte afvoeren die ontstaat tijdens het werk, net zoals een mens zweet om niet oververhit te raken.

Het probleem is dat de "berg" van binnen bestaat uit lagen, en de belangrijkste laag is de soldeerverbinding (een soort lijm). Na verloop van tijd kan deze lijm beschadigen:

1. Delaminatie: De lijm begint los te laten, alsof er een stukje van de berg is afgebroken.
2. Voids (Holtes): Er ontstaan kleine luchtbellen in de lijm, alsof er gaatjes in de berg zijn geboord.

Als deze schade te groot wordt, kan de berg oververhit raken en instorten (de machine valt uit).

Het Probleem: "Blind Vliegen"

Je wilt weten hoe gezond deze berg is, maar je mag hem niet openbreken. De belangrijkste plekken om te kijken (de lijmlaag en de kern van de chip) zitten diep van binnen en zijn onbereikbaar voor sensoren. Je kunt alleen meten aan de buitenkant, zoals de temperatuur van de "top" van de berg of de "voeten" (de basis).

Het is alsof je probeert te raden of een mens koorts heeft of een gebroken been, terwijl je alleen naar de temperatuur van hun handpalm mag kijken.

De Oplossing: "Virtuele Sensoren" (De Digitale Voorspeller)

De auteurs van dit papier hebben een slimme oplossing bedacht: Virtuele Sensoren.

In plaats van fysieke sensoren te plaatsen waar je ze niet kunt plaatsen, bouwen ze een slim computerprogramma (een kunstmatige intelligentie). Dit programma is opgeleid met duizenden virtuele simulaties.

• De Oefening: Ze lieten de computer duizenden keren een berg "beschadigen" in een virtuele wereld. Ze keken hoe de temperatuur aan de buitenkant veranderde als er van binnen een stuk lijm wegviel of een gat ontstond.
• Het Leren: De computer leerde de patronen. "Ah, als de handpalm 2 graden warmer is en de voeten 1 graad kouder, dan betekent dat waarschijnlijk dat er een gat in de lijm zit."

Hoe werkt het in de praktijk?

Het systeem werkt in twee stappen, net als een detective die een zaak oplost:

1. Stap 1: De Diagnose (Hoeveel schade is er?)
   De computer kijkt naar de temperatuur van slechts drie meetpunten (de handpalm, de voeten en een punt ernaast) en de hoeveelheid stroom die er doorheen gaat.

   • Resultaat: De computer kan met enorme precisie zeggen: "Er is 10% van de lijmlaag beschadigd."
   • Analogie: Het is alsof je op basis van een paar vragen aan een patiënt (hoofdpijn, koorts) precies kunt zeggen welk virus hij heeft, zonder een bloedtest te doen.

2. Stap 2: De Voorspelling (Hoe heet wordt het nu?)
   Zodra de computer weet waar en hoeveel schade er is, kan hij de temperatuurkaart van de hele berg reconstrueren.

   • Resultaat: Hij tekent een volledige warmtekaart van de binnenkant, ook al meet je daar niets. Hij weet precies waar het heetste punt is.
   • Analogie: Als je weet dat er een gat in de dakpan is, kun je precies voorspellen waar het dak lek zal lopen en waar het water naartoe stroomt, zonder dat je het dak hoeft te openen.

Twee Soorten Schade, Twee Soorten Oplossingen

Het papier maakt een belangrijk onderscheid tussen twee soorten schade:

• Soort A: Het "Grote Gebrek" (Delaminatie)
  Dit is als een groot stuk lijm dat loslaat. Dit is makkelijk te zien, zelfs met maar een paar sensoren. De computer heeft hier maar een paar meetpunten nodig om het precies te weten.

  • Vergelijking: Als er een groot gat in je jas zit, zie je dat ook al kijk je maar door één gaatje.

• Soort B: Het "Gatjespatroon" (Voids)
  Dit is als honderden kleine luchtbellen die willekeurig verspreid zijn. Dit is lastiger. Als je maar één sensor hebt, mis je de meeste gaten.

  • Oplossing: Hier moet je meer sensoren hebben. Het papier toont aan dat je een rooster van sensoren (bijvoorbeeld een 3x3 raster) nodig hebt op de buitenkant om deze kleine gaten te detecteren.
  • Vergelijking: Als je honderden kleine mieren in je huis hebt, zie je ze niet als je alleen naar de voordeur kijkt. Je moet overal kijken om ze te vinden.

Waarom is dit geweldig?

1. Geen ingrijpen nodig: Je hoeft de machine niet open te maken of sensoren in de lijm te prikken.
2. Veiligheid: Je kunt zien hoe heet het echt is van binnen, voordat het te laat is. Dit voorkomt brand of crashes.
3. Slimme Wiskunde: Ze gebruiken een trucje waarbij ze de computer ook natuurwetten (de warmtewet) laten leren. Het is alsof je de computer niet alleen laat kijken, maar ook laat begrijpen hoe warmte zich verplaatst. Hierdoor maakt de computer minder fouten, zelfs als de data niet perfect is.

Kortom: Dit papier laat zien dat we met slimme software en een paar slimme meetpunten kunnen "röntgen" wat er binnenin onze krachtige elektronica gebeurt, zodat we machines veiliger en langer kunnen laten draaien.

Technische samenvatting

Titel: Virtuele Sensing voor Degradatie van Soldeerverbindingen en Temperatuurmonitoring in IGBT-modules

Auteurs: Andrea Urgolo, Monika Stipsitz, Hèlios Sanchis-Alepuz (Silicon Austria Labs, Graz, Oostenrijk)
Publicatie: 2025 9th International Conference on System Reliability and Safety (ICSRS)

---

1. Probleemstelling

Insulated Gate Bipolar Transistor (IGBT)-modules zijn cruciaal voor krachtige elektronische systemen in industriële en automobieltoepassingen. Hun betrouwbaarheid en levensduur worden echter beperkt door degradatiemechanismen, met name in de soldeerverbindingen die de siliciumchips verbinden met het substraat en de basisplaat. Twee veelvoorkomende foutmodi zijn:

1. Delaminatie: Het loslaten van de soldeellaag, beginnend bij de hoeken en leidend tot een cirkelvormige vermindering van het contactoppervlak.
2. Soldeerholtes (Voiding): Het ontstaan van willekeurig verdeelde holtes (voids) in de soldeellaag.

Uitdagingen:

• Toegankelijkheid: Kritieke parameters zoals de junction-temperatuur ($T_j$) en de staat van de soldeerlaag zijn fysiek onbereikbaar voor directe meting vanwege de harde werkomgeving en de constructie van de module.
• Ruimtelijke resolutie: Bestaande methoden (model- of datagedreven) missen vaak de ruimtelijke resolutie om lokale degradatie (zoals partiële delaminatie of niet-uniforme warmteverspreiding) te detecteren.
• Sensorbeperkingen: Het plaatsen van sensoren op de juiste interne locaties is onpraktisch of onmogelijk.

Doel: Het ontwikkelen van een virtuele sensor op basis van machine learning (ML) die de staat van degradatie en de volledige temperatuurkaart kan schatten op basis van een beperkt aantal fysiek toegankelijke sensormetingen.

---

2. Methodologie

De auteurs hanteren een tweestapsbenadering waarbij synthetische data wordt gebruikt om ML-modellen te trainen.

A. Datageneratie (Synthetische Dataset)

• Simulatie: Er werden stilstaande Finite Element (FE) simulaties uitgevoerd met de open-source solver ElmerFEM.
• Model: Een vereenvoudigd IGBT-systeem met één chip en één diode, met gedefinieerde materialen (Si, SnAgCu, Cu, Al2O3) en randvoorwaarden (gedwongen koeling).
• Scenario's:
  • Delaminatie: 55 verschillende geometrieën gesimuleerd, variërend van intact tot ~30% verlies van soldeeroppervlak.
  • Voiding: Holtes worden willekeurig gegenereerd met een lognormale verdeling, variërend in grootte en aantal tot een totaal verlies van 30%.
• Variabiliteit: De dataset omvat variaties in vermogensverlies ($h$) en externe temperatuur ($T_{ext}$) om realistische operationele omstandigheden te dekken. In totaal werden ~700 simulaties voor delaminatie en ~1000 voor voiding gegenereerd.

B. Data-extractie en Representatie

• Referentiesensoren: Drie fysiek toegankelijke temperatuurpunten ($T_1, T_2, T_3$) worden gedefinieerd (o.a. geschatte $T_j$, bodemtemperatuur, en DCB-oppervlak).
• Grafische Representatie: Voor ruimtelijke analyses wordt het chipoppervlak omgezet in een graf (nodes en edges). Nodes vertegenwoordigen sensorlocaties en oppervlaktepunten; edges coderen ruimtelijke relaties.

C. Machine Learning Modellen

De auteurs vergelijken verschillende regressiemodellen:

1. Basislijnen: Lineaire regressie, Random Forest, XGBoost.
2. Neurale Netwerken:
   • FFNN (Feed-Forward Neural Network): Voor het voorspellen van het soldeeroppervlak en maximale temperatuur op basis van puntmetingen.
   • GNN (Graph Neural Network): Specifiek een GATv2 (Graph Attention Network) voor het voorspellen van temperatuurverdelingen over het hele oppervlak, gebruikmakend van de grafstructuur.
3. Physics-Informed Learning: Een hybride aanpak waarbij een regularisatieterm wordt toegevoegd aan de verliesfunctie (loss function). Deze term straft afwijkingen van de stationaire warmtevergelijking (2D-Laplace) af, waardoor het model fysisch consistente voorspellingen maakt.

---

3. Belangrijkste Resultaten

A. Voorspelling van Soldeeroppervlak (Delaminatie)

• Prestatie: Het FFNN-model presteerde aanzienlijk beter dan de basislijnen.
• Nauwkeurigheid: Bij een realistische ruisniveaus voor $T_j$ (standaarddeviatie $\gamma = 0.5$ K) werd een gemiddelde absolute fout (MAE) van 1,17% bereikt.
• Robuustheid: Zelfs bij hogere ruis ($\gamma = 2.0$) bleef de fout onder de 2,13%, wat aantoont dat de methode robuust is tegen meetonzekerheid.

B. Voorspelling van Maximale Chiptemperatuur (Delaminatie)

• Prestatie: De GAT-modellen met physics-informed regularisatie leverden de beste resultaten op.
• Nauwkeurigheid: De physics-geregulariseerde GAT bereikte een MAE van 1,44 K en een maximale fout van 20,88 K.
• Vergelijking: Dit is een significante verbetering ten opzichte van standaard GAT (MAE 4,49 K) en traditionele regressiemodellen (Linear Reg. MAE 14,96 K). De physics-term vermindert vooral de fouten bij sterk gedegradeerde chips.

C. Uitdagingen bij Soldeerholtes (Voiding)

• Observatie: Bij willekeurig verdeelde holtes is degradatie veel moeilijker te detecteren met slechts 3 sensoren. De correlatie tussen lokale temperatuur en totale oppervlakteverlies is zwak.
• Sensordichtheid:
  • Met slechts 1 of 3 sensoren was de voorspelling onnauwkeurig (MAE > 6-7%).
  • Een 2x2 of 3x3 sensorrooster op het DCB-oppervlak verbeterde de nauwkeurigheid drastisch (MAE daalde naar ~3,7-4,1%).
  • Verdere verdichting (4x4, 5x5) leidde tot overfitting en geen verdere verbetering.
• Conclusie: Voor heterogene foutmodi (voiding) is een dichter sensornetwerk noodzakelijk dan voor homogene foutmodi (delaminatie).

---

4. Bijdragen en Significatie

1. Haalbaarheid van Virtuele Sensing: Het artikel bewijst dat het mogelijk is om interne degradatiestaten en complexe temperatuurkaarten nauwkeurig te reconstrueren met slechts een beperkt aantal externe sensoren, mits de juiste ML-architectuur wordt gebruikt.
2. Tweestaps-Architectuur: De scheiding tussen het schatten van de degradatie (soldeeroppervlak) en het voorspellen van de temperatuurverdeling biedt modulariteit en betere diagnostiek.
3. Physics-Informed Learning: De integratie van de warmtevergelijking als regularisatieterm verbetert de generalisatie en stabiliteit van het model, vooral in kritieke situaties met ernstige degradatie.
4. Praktische Implementatie:
   • De modellen zijn lichtgewicht en geschikt voor embedded systemen (inference tijd < 0,06 ms per chip, RAM < 2,5 MB).
   • Het onderzoek biedt richtlijnen voor het ontwerp van sensornetwerken: voor uniforme degradatie volstaan minimale sensoren, terwijl voor lokale holtes een 2x2 of 3x3 rooster op het DCB-niveau vereist is.
5. Toekomstperspectief: De methode vormt een solide basis voor predictief onderhoud (PdM) in veiligheidskritieke toepassingen, met potentieel voor uitbreiding naar multi-chip modules en experimentele validatie in de toekomst.

Conclusie:
De studie toont aan dat machine learning, gecombineerd met fysische kennis en synthetische data, een krachtig instrument is om de "black box" van IGBT-modules te openen. Het stelt ontwikkelaars in staat om de gezondheid van vermogenselektronica te monitoren zonder ingrijpende hardware-aanpassingen, wat essentieel is voor de betrouwbaarheid van toekomstige elektrische systemen.