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

本文提出了一种基于机器学习的虚拟传感方法，利用少量物理传感器数据成功实现了对 IGBT 模块焊层退化状态及表面温度分布的高精度估计。

要点

这篇文章介绍了一种利用**人工智能（AI）和“虚拟传感器”**来给电力电子设备的“心脏”做体检的新技术。

想象一下，你开着一辆高性能的电动汽车，或者运行着一座巨大的风力发电站。这些设备里都有核心的部件叫IGBT 模块（绝缘栅双极型晶体管），它们就像电路系统中的“超级开关”，负责控制巨大的电流。

但是，这些“超级开关”在长期高温、高压的恶劣环境下工作，内部会慢慢“生病”。最常见的两种病是：

1. 焊锡层分层（Delamination）： 就像墙皮受潮脱落，芯片和底座之间的连接层开始分离。
2. 焊锡空洞（Voiding）： 就像面包里出现了很多小气孔，导致热量散不出去。

核心难题：看不见、摸不着

这些“生病”的地方都在芯片的最深处，被层层包裹。就像你无法直接把手伸进发动机内部去摸活塞一样，工程师无法在芯片内部安装温度计或摄像头。传统的传感器只能装在表面，但表面的温度往往无法准确反映内部深处的“病情”。

解决方案：AI 充当“读心术”专家

这篇论文提出了一种聪明的办法：虚拟传感（Virtual Sensing）。

这就好比一位经验丰富的老中医，他不需要切开你的肚子，只需要摸摸你的脉搏（表面温度）、问问你的饮食（功率消耗），就能精准地推断出你内脏的健康状况。

在这个研究中，科学家们做了以下几步：

1. 制造“虚拟病人”（生成合成数据）

既然不能拿真机器做破坏性实验，他们就用超级计算机（有限元模拟）制造了成千上万个“虚拟 IGBT 模块”。

• 他们在这些虚拟模块里人为地制造各种程度的“病”（比如让焊锡层脱落 10%、20%，或者制造不同大小的气孔）。
• 然后模拟它们在不同温度、不同功率下的表现，记录下表面的温度数据。
• 这就相当于给 AI 医生看了一万本“病历”，让它学会“表面温度”和“内部病情”之间的对应关系。

2. 训练 AI 医生（机器学习模型）

他们训练了两种类型的 AI 模型：

• 普通 AI（FFNN）： 像是一个聪明的学生，通过死记硬背大量的数据规律来学习。
• 物理感知 AI（Physics-Informed）： 这是一个更高级的医生。它不仅看数据，还懂“物理定律”（热力学方程）。它知道热量是怎么流动的，如果 AI 的预测违背了物理常识（比如热量凭空消失），它就会自我纠正。这就像给 AI 加了一个“物理常识过滤器”，让它更靠谱。

3. 两种“病情”的不同诊断策略

研究发现，针对两种不同的“病”，需要的“听诊器”（传感器）数量是不一样的：

• 对于“分层”（像墙皮脱落）：

  • 特点： 这种病通常是从边缘开始，慢慢向中心蔓延，比较均匀。
  • 诊断： 只需要3 个简单的温度传感器（就像只摸三个脉搏点），AI 就能非常准确地算出内部坏了多少（误差不到 1.2%）。
  • 比喻： 就像看一棵树叶子黄了，你只需要看树梢和树干，就能知道整棵树大概枯了多少。

• 对于“空洞”（像面包里的气孔）：

  • 特点： 这种病是随机出现的，可能这里有个洞，那里有个洞，非常杂乱。
  • 诊断： 3 个传感器不够用了！因为气孔太随机，单点温度测不准。必须要在芯片表面铺一层传感器网格（比如 3x3 的九宫格），像铺地毯一样覆盖更多区域，AI 才能看清全貌。
  • 比喻： 就像要在一个巨大的广场上找几个随机掉落的硬币，如果你只盯着广场的一个角落看，永远找不到；你得派几个人分散在广场各处一起找才行。

这项技术的意义

1. 不用拆机： 不需要把设备拆开，也不用在内部安装昂贵的传感器，只需要在表面贴几个小传感器。
2. 实时预警： 系统可以实时计算：“嘿，虽然表面温度还行，但根据我的计算，内部焊锡层已经坏了 20%，再这样下去要出大事了！”
3. 省钱又安全： 这能防止设备突然坏掉（特别是在汽车或电网这种安全至上的领域），还能延长设备寿命，实现“预测性维护”（在坏之前修好）。

总结

简单来说，这篇论文就是教 AI 如何透过现象看本质。它利用物理定律和大量模拟数据，让 AI 学会了通过表面的一点点温度线索，精准地“透视”出芯片内部复杂的损坏情况。这就像给电力设备装上了一个智能的“透视眼”，让未来的电网和电动车更安全、更长寿。

技术摘要

论文技术总结：IGBT 模块焊层退化与温度监测的虚拟传感

论文标题：Virtual Sensing for Solder Layer Degradation and Temperature Monitoring in IGBT Modules
作者：Andrea Urgolo, Monika Stipsitz, Hèlios Sanchis-Alepuz (Silicon Austria Labs)
发表会议：2025 9th International Conference on System Reliability and Safety (ICSRS)

---

1. 研究背景与问题 (Problem)

绝缘栅双极型晶体管（IGBT）模块是电力电子系统的核心组件，其可靠性直接关系到系统的安全与寿命。IGBT 模块内部的焊层（Solder Layer）（连接硅芯片与基板、基板与底座）极易发生退化，主要表现为分层（Delamination）和空洞（Voiding）。

• 核心挑战：
  • 物理不可达性：关键的退化区域位于模块内部，无法直接安装传感器。
  • 环境恶劣：高温、高功率密度使得直接测量结温（Junction Temperature）或焊层状态极具挑战性。
  • 现有方法局限：传统的基于模型或纯数据驱动的方法通常缺乏足够的空间分辨率，难以捕捉局部退化（如部分焊层剥离或非均匀热扩散）。
• 研究目标：利用机器学习（ML）构建虚拟传感器（Virtual Sensing），仅通过少量外部可访问的物理传感器读数，高精度地重构内部焊层退化状态（退化面积比例）及完整的表面温度分布图。

2. 方法论 (Methodology)

2.1 数据生成 (Dataset Generation)

• 仿真工具：使用开源有限元（FE）求解器 ElmerFEM 进行稳态热仿真。
• 系统模型：简化的 IGBT 系统（包含一个芯片和一个二极管），基于文献和规格书定义的材料属性（Si, SnAgCu, Cu, Al2O3 等）。
• 退化场景：
  1. 分层（Delamination）：模拟焊层从角落开始剥离，逐渐形成圆形截面，覆盖从 0% 到 30% 的焊层面积损失。生成了 55 种不同的几何构型。
  2. 空洞（Voiding）：模拟焊层中随机分布的圆柱形空洞，空洞数量和大小随机增加，直至总损失面积达到 30%。
• 数据集规模：分层场景约 700 个样本，空洞场景约 1000 个样本。每个样本包含随机的热功率（100-700W）和环境温度（15-40°C）。
• 数据提取：将 FE 网格转换为图结构（Graph Structure）。
  • 节点：芯片表面选定的节点（包含 3 个参考传感器位置 $T_1, T_2, T_3$ 和表面网格点）。
  • 边：基于欧几里得距离构建的邻接关系，包含空间位移特征。

2.2 机器学习模型架构

研究采用了**两阶段（Two-stage）**的虚拟传感流程：

1. 阶段一：焊层退化面积预测
   • 输入：3 个参考传感器温度（$T_1$为结温估计，$T_2$为底部温度，$T_3$为表面边缘温度）+ 热功率 $h$。
   • 模型：前馈神经网络（FFNN），包含全连接层、ReLU 激活、BatchNorm 和 Dropout。
   • 对比基线：线性回归、随机森林、XGBoost。
2. 阶段二：温度场/最高温度预测
   • 输入：传感器网格温度读数 + 阶段一预测的焊层退化面积。
   • 模型：
     • 图神经网络（GNN）：采用基于注意力的图卷积层（GATv2Conv），用于处理空间结构数据，预测表面温度分布。
     • 物理信息正则化（Physics-Informed Regularization）：在损失函数中引入**稳态热方程（Heat Equation）**的残差项作为正则化项，强制模型预测符合物理定律（热通量守恒），形成“灰盒”模型。

3. 关键贡献 (Key Contributions)

1. 高保真合成数据与多样化退化场景：构建了包含数百种不同退化状态（分层和空洞）的大规模合成数据集，覆盖了实际系统的变异性，弥补了以往研究中数据单一的问题。
2. 混合建模框架（Grey-box）：创新性地提出了将物理热方程作为正则化项嵌入神经网络训练的方法。这种方法不仅提高了预测精度，还增强了模型在极端退化情况下的泛化能力和物理一致性。
3. 传感器布局优化分析：系统性地研究了传感器密度对退化监测的影响。发现对于分层（全局退化），少量传感器（3 点）即可；而对于空洞（局部随机退化），必须增加传感器密度（如 3x3 网格）才能有效观测。
4. 两阶段推理流程：提出先估计退化状态，再结合退化状态预测温度场的流程，模拟了实际预测性维护的逻辑，提高了系统的可解释性和模块化。

4. 实验结果 (Results)

4.1 焊层退化面积预测

• 分层场景：
  • FFNN 模型表现最佳，平均绝对误差（MAE）仅为 1.17%，最大误差 < 3.89%。
  • 即使在结温估计存在噪声（$\gamma=0.5$ K，模拟实际测量误差）的情况下，模型仍保持高精度。
  • 相比线性回归和树模型，FFNN 具有显著优势。
• 空洞场景：
  • 仅使用 3 个参考传感器时，模型无法有效学习退化与温度的关系（MAE > 7%）。
  • 引入 3x3 传感器网格 后，MAE 显著降低至 3.79%。
  • 过密的网格（4x4, 5x5）导致过拟合，性能反而下降。

4.2 温度场与最高温度预测

• 分层场景：
  • 引入热方程正则化的 GAT 模型（GAT + Heat Eq.）表现最优。
  • MAE：1.44 K（相比无正则化 GAT 的 4.49 K 大幅降低）。
  • 最大相对误差：4.56%（平均相对误差 0.37%）。
  • 物理正则化显著减少了极端退化情况下的异常值误差。
• 空洞场景：
  • 由于热场的高度非均匀性，GNN 训练不稳定，改用 FFNN 配合 3x3 传感器网格。
  • 3x3 网格配置下，最高温度预测 MAE 为 4.15 K，优于其他配置。

4.3 部署可行性

• 计算效率：焊层预测模型推理时间仅 0.053 ms，内存占用 0.53 MB；温度预测模型推理时间 0.022 ms，内存 2.4 MB。
• 模型轻量级，适合部署在嵌入式微控制器或边缘处理器上，实现实时健康监测。

5. 意义与展望 (Significance)

• 理论意义：证明了结合物理先验知识（热方程）的机器学习方法在解决反问题（从边界测量推断内部状态）中的优越性，特别是在数据稀缺或噪声较大的情况下。
• 工程价值：
  • 提供了一种非侵入式的 IGBT 健康监测方案，无需破坏性拆解或内部传感器。
  • 明确了不同退化模式对传感器布局的不同需求，为电力电子模块的传感器设计提供了指导（分层可用稀疏传感，空洞需密集传感）。
  • 验证了基于合成数据训练并在实际场景中迁移的可行性。
• 未来工作：计划在实际硬件上进行实验验证，扩展至多芯片模块，研究更多退化机制（如键合线疲劳），并进一步优化模型以减少对训练数据的依赖。

总结：该论文成功展示了一种基于机器学习和物理信息的虚拟传感框架，能够仅凭少量外部传感器数据，高精度地重构 IGBT 模块内部的焊层退化状态和温度分布，为电力电子系统的预测性维护提供了强有力的技术支撑。