IGBT模塊作為電力電子系統的核心器件, 其在工況應用中的可靠性與安全性對現代車輛系統的健康穩定運行至關重要。本文面向車用IGBT模塊健康管理技術，分別從失效機理、狀態監測、故障診斷、壽命預測四個方面綜述國內外的研究進展，提出當前研究中存在的關鍵問題和技術優缺點，在此基礎上，對車用IGBT模塊健康管理技術今后的發展趨勢做出展望。

 

絕緣柵雙極型晶體管（IGBT）同時具備雙極功率晶體管以及MOSFET功率晶體管的優點，是電力能源變換與傳輸的核心器件，俗稱電力電子裝置的“CPU”，作為國家戰略性新興產業，在軌道交通、智能電網、航空航天、電動汽車與新能源裝備等領域應用極廣。以車輛系統為例，IGBT是軌道車輛牽引變流器和各種輔助變流器的主流電力電子器件，在現代軌道交通交流傳動系統中發揮著關鍵作用；IGBT也成為電動汽車逆變器的首選裝置，用以實現電動汽車加速時的電流輸出，以及制動能量回饋時的電流輸入。

 

由于內部屬性及外部工況作用，車載IGBT工作時不得不承受較大的功率波動以及頻繁工況變化所帶來的累積疲勞損傷。據可靠統計，約有38%的功率變流器系統故障源于IGBT的失效。因此，本文以電動汽車和軌道車輛為應用對象，總結梳理國內外車用大功率IGBT模塊健康管理（PHM）技術的發展狀況，按照失效機理、狀態監測、故障診斷、壽命預測四部分進行綜述，如圖1所示。

圖1 車用IGBT模塊健康管理技術框架

 

典型焊接式IGBT模塊結構圖如圖2所示，從上至下依次是芯片層、芯片焊料層、DBC層、DBC焊料層、銅基板、以及散熱器。在此結構基礎上，車用IGBT模塊通常并聯多個芯片以增強模塊負載電流的能力。在運行過程中，模塊會經歷功率循環、溫度循壞，模塊內部承受電、熱、機械應力的交互作用，產生疲勞損傷，逐漸老化失效，或在過應力作用下發生瞬態失效。

 

圖2 焊接式IGBT模塊結構圖

 

圖3 IGBT模塊失效分類

 

目前研究普遍按失效部位將IGBT模塊失效分為芯片級失效和封裝級失效，詳細的分類如上圖3所示，對應機理分析綜述于表1。

 

表1 IGBT模塊失效機理分析：

 

 

歸納國內外IGBT模塊失效機理相關文獻可知，鍵合線脫落是IGBT模塊實際應用中最普遍的失效模式，也是大部分退化形式下模塊的最終故障形式，因此是失效機理研究的熱點。現有研究大多針對鍵合線脫落和焊料層老化機理，對于芯片級失效機理研究不夠深入，尤其是大功率IGBT模塊多芯片失效耦合作用的研究仍很少。IGBT模塊失效前往往經歷了性能的退化。一般而言，芯片失效往往是瞬時失效，較難通過相應參數表征其退化的情況。但由于柵極氧化層受外界影響后會對芯片產生影響，甚至導致芯片失效，因此可以通過柵極漏電流和柵極閾值電壓兩種表征參數，通過表征IGBT柵極氧化層的退化情況，進而表征芯片的退化情況。

 

 

狀態監測是指利用各種分析檢測方法，直接或間接提取能夠有效表征對象系統運行狀態的參數，通過參數的變化追蹤監測對象系統狀態的變化。按照監測對象，本文將IGBT模塊狀態監測手段劃分為以下四種：結溫監測，鍵合線脫落監測，焊料層老化監測以及芯片氧化層退化監測。根據參閱文獻將各種監測手段以及其特點總結如表2所示。

表2各類IGBT模塊監測參數手段及其優缺點

 

 

車載大功率IGBT主要用于車輛變流裝置如整流器和逆變器等，每個裝置由多個IGBT 組成。根據在車輛運行過程中的故障類型可以將IGBT故障分為突變故障和老化故障，老化故障由于過程緩慢，發生之后不會對系統造成太大的影響，因此該類故障的處理方法主要是對老化特征因子進行提取，從而判斷其健康狀態，對壽命進行預測，與該內容相關的技術在2.4節進行綜述。而突變故障發生之后如若不能及時進行檢測和診斷，并采取被動或主動容錯控制，將會對整個系統造成嚴重損害。

 

通常來說，突變故障又分為短路故障和開路故障。IGBT模塊雪崩、過熱、過壓擊穿等都會導致短路故障，短路故障具有很強的破壞力，一般通過短路保護電路來避免短路故障造成的巨大危害；而開路故障主要是由于焊接脫落、電路失效、器件破裂或者短路故障導致，開路故障發生后短期內并不會對系統造成較大損害，可以持續工作一段時間，但是在工作狀況惡劣的情況下，將會造成災難性二次故障。因此可以通過對故障特征的有效提取以及對故障位置的定位和故障模式的隔離，有效地減輕故障的危害，保證系統的良好運行。

 

近幾年來有學者針對IGBT的故障診斷技術進行了追蹤調研，從基于電流和基于電壓兩個方向、定性和定量兩個角度、從基于模型、基于數據以及基于信號處理三個角度以及比較監督和非監督類型算法展開了逆變器開關管的故障診斷技術綜述。

 

在此基礎上，本文從工程應用角度出發，綜合最新幾年的車載IGBT故障診斷技術，將IGBT故障診斷所需信號種類以及其優缺點總結成表格3如下： 

 

表3故障診斷各類方法所需模型、參數以及其優缺點:

 

 

 

 

采用電流參數，配合信號處理方法，可對故障特征進行提取。當IGBT發生開路故障時，IGBT對應相的電流只有半個周期，且其余相的電流存在一定程度的畸變。以兩電平逆變器T1故障為例，當T1發生開路故障前后，其仿真電流波形如下圖4所示。

 

 

 

圖4. IGBT(T1)故障前后電流對比圖

 

在信號分析技術方面，由于當故障發生時，未故障相的定子電流會有相應的畸變，其諧波含量也會隨之增加，因此可以通過時頻分析方法提取瞬時頻率，從而對開路故障進行檢測。文獻[6]提出了一種基于定子電流的Hilbert-Huang變換（HHT）IGBT開路故障檢測方法，通過計算經過CEEMDAN分解得到的IMF的RMS(均方根)選擇對應的IMF，進而對該IMF信號進行希爾伯特包絡譜分析得到故障的瞬時頻率，但該方法并未提及多管故障。

當故障發生時，電流信號所含的能量發生瞬間變化，因此也可以通過計算對應的熵值或者譜峭度方法，對變化的瞬態信號進行檢測。文獻[7]等針對CRH3型動車組整流器單管故障和雙管故障，采用改進譜峭度方法并結合電流均值法對整流器發出的固定脈沖響應實現故障診斷，改進的譜峭度如公式2計算得到。

通過不同故障特征的提取，采用數據驅動的方法，通過對神經網絡或是分類器進行訓練，最終得到的模型可以對不同故障進行分類，實現故障有效診斷。文獻[8]基于三相變流器輸出的電流信號，提出一種基于集成的隨機分類器來識別三相PWM變換器中的IGBT開路故障。除此之外，Kou Lei等人通過分析三相脈沖整流器的開路故障，提出了一種基于電流暫態綜合特征的深度前反饋神經網絡的診斷和定位方法。

 

基于模型方法上也同樣用于車用IGBT的故障診斷中，主要是采用電流殘差作為分析信號。變流器系統是由連續和離散變化的事件組成，其特征滿足混雜系統的條件。混雜系統建模方法之一即為基于混合邏輯動態模型（MLD） 模型，該方法考慮到了系統的控制、電壓和電流條件，因此基于 MLD 建模的方法被應用到診斷中。文獻[10]研究了一種基于觀測器誤差和電流平均值的自適應閾值方法。考慮到暫態模式和穩態模式，利用產生的殘差的演化及其相應的閾值來檢測故障的發生。然后，利用電流和將IGBT故障與電流傳感器故障區分開來，通過電流平均值實現IGBT故障隔離，具體的技術路線圖如下圖5所示。

 

 

圖5. 基于觀測器電流殘差的故障診斷技術的框圖

 

除了電流殘差作為故障特征之外，由于發生開路故障后，三相電流的波形會發生有規律且明顯的變化（對應相電流半個周期變為零），因此基于模型的電流軌跡方法也用于診斷中。文獻[11]提出一種基于電流形狀因子殘差的IGBT開路故障診斷方法，通過定義自適應閾值進行診斷。另外，文獻[12]對模型故障下的相電流軌跡進行分析，以零故障相電流為故障特征，通過對故障后的電流表達式進行積分，根據積分符號實現故障的定位，利用此方法在不同控制策略下依托半實物仿真平臺進行了驗證。

 

 

對于方便提取電壓的變流裝置而言，將電壓作為故障特征參數可以得到更加穩定和精確的診斷結果。在基于數據的診斷方法中，文獻[13]利用主成分分析（PPCA）和支持向量機（SVM）進行診斷。且當電平數增多時，故障的種類、故障數據的維度等也會隨之增加，一般的分類算法無法較快的對故障進行分類診斷，通過分析開路故障前后的電壓等級的變化，文獻[14]采用基于傅里葉變換對數據進行預處理，并通過主元分析將數據中的特征降維，最后基于貝葉斯網絡的方法對七電平逆變器的IGBT開路故障進行診斷，并采用對變載波和調制波的電壓進行重構容錯。

 

在基于模型方面，文獻[15]提出了一種基于電壓偏差的平均模型診斷方法，該方法通過建立的模型分別得到線電壓和相電壓的估計值，分別與觀測到的真實值計算殘差，進而得到故障特征值，可以對單管開路的IGBT和電流傳感器故障進行診斷。針對于電壓、電流均可采樣的三相逆變器，文獻[41]提出將逆變器橋臂電壓作為故障特征，利用平均模型法分別得到三線制和四線制的逆變器的診斷變量，結合誤差自適應的閾值方法，得到魯棒性強的單管、雙管故障診斷規則。文獻[16]通過建立換流器開關函數模型，利用三相電壓殘差作為故障特征，實現了單橋臂IGBT開路和雙橋臂IGBT開路故障的在線診斷，并進行了實驗驗證了方法的抗干擾性,上下橋臂電壓殘差的閾值如公式3和4所示。

 

 

 

除了單獨利用電流和電壓參數之外，還可以利用電流和電壓組合參數對故障進行診斷。例如，文獻[17]使用高速列車和工業驅動中可獲取的開關指令信號、接觸網電流和直流鏈路電壓作為系統參數，基于MLD模型輸出與實際系統輸出的系統參數連續比較結果得到殘差，用于IGBT故障診斷，非常適合于電力牽引應用。文獻[18]基于級聯H橋（CHB）多電平變換器開路IGBT檢測技術，利用單個電流傳感器和單個電壓傳感器來監測支路的電流和輸出電壓。將實測電壓與期望電壓進行比較，并根據偏差的大小和電流流向確定斷路故障的位置，但該方法需要加裝電流傳感器和電壓傳感器。

 

歸納上述國內外IGBT模塊狀故障診斷相關文獻可知，基于電流的診斷方法獲取可以適用于大部分的車用IGBT故障診斷，相比之下，基于電壓和基于其他或組合參數的診斷方法可以保證有較好的精度；另外多種信號融合技術也會降低診斷的實時性。針對IGBT的故障種類逐漸增多、故障診斷的方法趨于成熟和多樣化，并且開始考慮故障的容錯控制。但是到目前為止，針對于IGBT的故障種類大都停留在單管開路和雙管開路，目前有效的多元信號融合診斷、有效的故障容錯方法以及故障的演化傳遞特性的研究極少。

 

 

除了將電流和電壓作為故障特征參數之外，也有學者嘗試將行為殘差、磁鏈殘差等作為故障特征參數用以診斷相應故障。

 

 

 

在IGBT模塊壽命預測技術研究方面，一些文獻[21-24]對壽命預測的解析模型和物理模型進行較為詳細的介紹和比較，這些文獻對于數據驅動的壽命預測方面少有提及。并且在實際運行過程中，結溫是反映IGBT工作狀態的重要參數，因此對結溫進行有效預測，對IGBT剩余有用壽命的評估有著指導意義。因此本文從基于模型、基于數據的角度，從工程應用的角度對當前IGBT壽命預測和結溫預測技術進行綜述，并總結了各類方法的優缺點，如表4所示。

 

表4壽命預測各類方法所需模型、參數以及其優缺點

 

 

 

 

基于模型的方法主要包括基于解析模型和基于物理模型。解析模型主要通過對老化試驗得到的數據進行擬合，將失效次數與相應的變量（如電流、結溫等）組合成為相應的壽命方程，該方法僅是數學方面的擬合，沒有理論依據做支撐，因此可信度不高，但是方法簡單。基于物理模型則是依據材料失效的機理，從應力應變的角度分析，得到相應的壽命方程，由于建立在失效機理基礎上，因此該類方法具有更高精度，但也伴隨著復雜的建模和計算難度。 

 

 

在汽車IGBT壽命預測方面，文獻[25]通過對IGBT模塊在驅動工況下的工作狀態、功率損耗和結溫波動的分析以及考慮到汽車行駛速度和道路條件對IGBT功率損耗和結溫的影響，建立了一種適用于不同工況下的電動汽車IGBT模塊Lesit壽命預測模型，用于預測給定驅動條件下IGBT模塊的壽命。針對CRH5動車組IGBT壽命預測問題，文獻[26]采用半實物仿真的方法，通過模擬CRH5動車真實工況并結合熱模型得到IGBT的結溫和殼溫分別與電流的關系，采用雨流計數法得到波動數據，再利用Miner損傷累積理論分析，得到整流器側IGBT累積損傷度小于逆變器側，加速工況相比制動和勻速工況更能使IGBT損傷。

 

在不同控制策略層面，文獻[27]針對牽引變流器中的IGBT壽命預測進行了研究，在電流開環弱磁控制和單電流閉環弱磁控制下進行了仿真驗證，并與實際工況相結合，對比不同策略下的IGBT壽命損耗情況，發現采用單電流閉環弱磁控制的策略可以使IGBT壽命延長。

 

 

利用失效物理模型方法進行壽命預測通常是以仿真研究以及驗證為主，文獻[28]通過設計不同試驗條件下的低結溫功率循環試驗和仿真，提出了一種基于功率循環試驗的功率模塊貼片焊料層PoF壽命預測方法，發現損傷的增長率與結溫和結溫平均值成正比，但是該方法只考慮了焊料的疲勞問題。文獻[29]提出一種采用電流變化率來預測結溫變化的方法，通過對IGBT關斷機理和關斷過程中的電流溫度特性進行研究和理論推導，并利用基于Saber仿真平臺建立的IGBT模型搭建了仿真電路進行驗證，得到方法的有效性。

 

 

數據驅動方法是通過分析加速老化過程中各相關參數的變化，提取出老化特征參數，通過訓練模型，將參數與壽命相對應，從而實現壽命的預測。不少文獻結合NASA-ARC加速壽命試驗數據中的集電極發射極關斷電壓尖峰值參數展開相關的研究。利用集電極-發射極關斷電壓尖峰值數據，文獻[30]提出了過程神經網絡的IGBT健康預測方法，文獻[31]提出長短期記憶（LSTM）網絡的壽命預測方法,也有文獻基于 GARCH 模型建立了 IGBT 老化壽命模型，對IGBT剩余壽命進行預測。在結溫預測方面，文獻[32]提出了基于溫敏參數法的結溫預測模型。文獻[34-35]通過改進SVM算法，利用飽和壓降、集電極電流預測結溫。

 

歸納上述國內外IGBT模塊壽命預測以及結溫預測相關文獻可知，大多方法目前停留在仿真和驗證方面。雖然越來越多的智能算法如深度學習等被嘗試運用到壽命預測中，然而文獻大多采用NASA的加速壽命實驗公開測試數據，存在數據源頭單一的情況，且方法的實時性和有效性不能有“突破性的創新和進步”。總體而言，考慮多壽命因子、多工況下、多數據源兼容的壽命預測方法應該是未來努力的方向。

 

 

 

本文面向車用IGBT模塊健康管理，從失效機理、狀態監測、故障診斷以及壽命預測四個方向入手，介紹了現階段國內外IGBT智能運維技術的發展狀況。其中失效機理是IGBT 健康管理的研究基礎，狀態監測、故障診斷和壽命預測則是研究的最終目的。針對IGBT健康管理的技術主要存在以下難點：首先，在失效機理方面，針對IGBT-二極管芯片耦合作用，尤其大功率IGBT模塊內多芯片失效耦合作用的研究很少；其次，在狀態監測方面，當前狀態監測方法多從單一參量與退化狀態的關系入手，且進行了一定的假設，在實際工程應用中，尤其是大功率工況波動的應用具有較大的局限性；第三，在故障診斷層面上，現階段研究并未考慮故障在更高層系統內的傳遞影響，除此之外，診斷的實時性和在線診斷的可行性在多數文獻中并未體現；最后，在壽命預測階段，由于受到監測條件的約束，現階段的預測水平仍停留在基于模型的方法上，基于數據驅動的預測方法所選取的數據也大多源于加速壽命試驗，與現實工況相差甚大。

 

 

基于上述存在的問題，對未來的IGBT健康管理技術提出對應展望：首先，在失效機理研究方面，建議進一步通過相關實驗研究芯片退化的有效表征參數。考慮到在實際工作中，IGBT的運行工況可能發生突變，該情況可能不會導致其立即失效，但是基于失效機理的相關特征參數退化趨勢將會有所改變，因此在失效的研究基礎上，應該增加異常工況的模擬；與此同時，狀態監測技術的發展應緊密聯系失效機理，發展芯片級狀態監測技術，尋求非侵入、高精度、實時性好、實用性強的監測方法，同退化表征參數結合，尋求新的、更有效的壽命預測方法；在故障診斷層面上，未來研究應充分考慮計算分析的時效性和準確性，深入研究面向實際應用的定性與定量、實測數據與知識模型混合的診斷方法，進一步開展IGBT模塊復合故障診斷方法研究以及多IGBT模塊故障隔離方法的研究，尤其是基于模型的故障診斷，閾值的選取應當與系統的各個參數緊密結合，在有效的診斷算法的基礎上，尋求故障特征的在線辨識；最后，建議今后深入開展早期微弱漸變退化的預測方法研究，IGBT故障從出現到失效存在漸進不確定性過程，時間長度根據不同類型的故障及動態激勵有所不同，開展IGBT定量損傷評估和壽命預測，為開展基于預測的可重構健康優化和主動容錯控制做好充分準備。

 

 

 

[1] YANG S, BRYANT A, MAWBY P, etal. An industry based survey of reliability in power electronic converters[J]. IEEE Transactions on Industry Applications, 2011, 47(3): 1441–1451.

[2] 安群濤,孫力,孫立志,等.三相逆變器開關管故障診斷方法研究進展[J].電工技術學報,2011,26(04):135-144.

 

[3] 宋威,施偉鋒,卓金寶,等.多電平逆變器開關管故障診斷方法綜述[J].微電機,2019, 52(10):110-117.

[4] 王霞霞,陳超波,高嵩.逆變器開關管故障診斷方法綜述[J].計算機測量與控制,2019,27(08):1-6.

[5] Moosavi, S.S., A. Kazemi and H. Akbari, A comparison of various open-circuit fault detection methods in the IGBT-based DC/AC inverter used in electric vehicle[J]. Engineering Failure Analysis, 2019. 96: p. 223-235.

[6]Bilal D, Azeddine B ,et al. Diagnosis of an Inverter IGBT Open-circuit Fault by Hilbert-Huang Transform Application[J]. Traitement du Signal.2019.4.127-132

[7] 王英,王丹,陳小強,曹麗,高鋒陽,王庚,王妮.基于改進譜峭度與電流均值的牽引整流器開路故障診斷方法[J].電力自動化設備,2020,40(01):112-118.

[8] Xia, Y., B. Gou and Y. Xu, A new ensemble-based classifier for IGBT open-circuit fault diagnosis in three-phase PWM converter[J]. Protection and Control of Modern Power Systems, 2018. 3(1).

[9] Kou Lei,Liu Chuang,Cai Guo-Wei,Zhang Zhe,Zhou Jia-Ning,Wang Xue-Mei. Fault diagnosis for three-phase PWM rectifier based on deep feedforward network with transient synthetic features.[J]. ISA transactions,2020,101.

[10] Jlassi, I., et al.A Robust Observer-based Method for IGBTs and Current Sensors Fault Diagnosis in Voltage-Source Inverters of PMSM Drives[J]. IEEE Transactions on Industry Applications, 2017. 53(3): p. 2894-2905.

[11] Ben Youssef, A., S. Khojet El Khil and I. Slama Belkhodja, Open-circuit fault diagnosis and voltage sensor fault tolerant control of a single phase pulsed width modulated rectifier[J]. Mathematics and Computers in Simulation, 2017. 131: p. 234-252.

[12] 成庶,趙俊棟,李凱迪,于天劍,伍珣,張志龍.一種基于相電流軌跡的逆變器開路故障診斷方法[J].鐵道科學與工程學報,2019,16(10):2584-2593.

[13] Kuraku, N.V.P., Y. He and M. Ali, Fault Diagnosis of Open Circuit Multiple IGBT's using PPCA-SVM in Single Phase Five-Level Voltage Controlled H-Bridge MLI[J]. IEEJ Journal of Industry Applications, 2020. 9(1): p. 61-72.

[14] 劉卓,王天真,湯天浩,馮頁帆,姚君琦,高迪駒.一種多電平逆變器故障診斷與容錯控制策略[J].山東大學學報(工學版),2017,47(05):229-237.

[15] Li, Z., et al. A Fast Diagnosis Method for Both IGBT Faults and Current Sensor Faults in Grid-Tied Three-Phase Inverters With Two Current Sensors[J]. IEEE Transactions on Power Electronics, 2020. 35(5): p. 5267-5278.

[16]靖永志,廖珍貞,龔倩文,錢程,彭濤,張晨昊.VSC-HVDC送端換流器IGBT開路故障診斷方法[J].電機與控制學報,2021,25(03):104-114.

[17] Gou, B., et al. An Open-Switch Fault Diagnosis Method for Single-Phase PWM Rectifier Using a Model-based Approach in High-Speed Railway Electrical Traction Drive System[J]. IEEE Transactions on Power Electronics, 2016. 31(5): p. 3816-3826.

[18] Lamb, J. and B. Mirafzal, Open-Circuit IGBT Fault Detection and Location Isolation for Cascaded Multilevel Converters[J]. IEEE Transactions on Industrial Electronics, 2017. 64(6): p. 4846-4856.

[19] 胡軻珽,劉志剛,胡冉冉,林雙雙,高松.一種新型基于模型的動車組牽引逆變器開路故障診斷方法[J].鐵道學報,2018,40(02):31-38.HU Ke-ting,

[20] 王亞飛.基于磁鏈觀測器的逆變器開路故障實時診斷[J].電氣化鐵道,2018,29(05):81-85.

[21] 方鑫,周雒維,姚丹,杜雄,孫鵬菊,吳軍科.IGBT模塊壽命預測模型綜述[J].電源學報,2014(03):14-21.

[22] 張樹冰,劉雪婷.功率模塊IGBT失效機理與壽命預測研究綜述[J].電氣開關,2017,55(05): 19-21+26. ,2017,47(03):396-400+419.

[23] Hanif, A., et al. A Comprehensive Review Toward the State-of-the-Art in Failure and Lifetime Predictions of Power Electronic Devices[J]. IEEE Transactions on Power Electronics, 2019. 34(5): p. 4729-4746.

[24] 王彬,曹琳.軌道交通用IGBT器件壽命預測技術綜述[J].機車電傳動,2020(01):9-12.

[25] Li, L., P. Wang and C. Wang, Lifetime prediction model for electric vehicle IGBT modules under driving conditions[J]. Journal of the Chinese Institute of Engineers, 2018. 41(4): p. 308-316.

[26] 曹琳,葉娜,李萍,李碧珊,陳宏,王彩琳.半實物仿真技術在軌道交通用IGBT壽命預測中的應用[J].機車電傳動,2019(05):59-62.

[27] 林帥,方曉春,林飛,楊中平.基于任務剖面的牽引逆變器IGBT壽命預測[J].中國安全科學學報,2019,29(S1):52-57.

[28] Lai, W., et al. Study on lifetime prediction considering fatigue accumulative effect for die-attach solder layer in an IGBT module[J]. IEEJ Transactions on Electrical and Electronic Engineering, 2018. 13(4): p. 613-621.

[29] 郝巧紅,馬文華.基于電流變化率的IGBT結溫預測方法研究[J].電氣傳動,2018,48(10):85-88.

[30] Chen, B., et al. IGBT Neural Network Prediction Method of Radar Transmitter based on Levenberg-Marquard Optimization[J]. International Journal of Future Generation Communication and Networking, 2016. 9(9): p. 1-14.

[31] 史業照,郭斌,鄭永軍.基于LSTM網絡的IGBT壽命預測研究[J/OL].中國測試,2020:1-6.

[32]白梁軍,黃萌,饒臻,潘尚智,查曉明,劉國友.基于GARCH模型的IGBT壽命預測[J].中國電機工程學報,2020,40(18):5787-5796.

[33] 姚芳,胡洋,李錚,黃凱,李志剛.IGBT模塊結溫預測BP神經網絡模型[J].西北大學學報(自然科學版),2017,47(03):367-374.

[34] 劉伯穎,胡佳程,李玲玲,李志剛.IGBT老化狀態下基于BAS-SVM模型的結溫預測方法[J/OL].微電子學:1-6[2020-08-15].https://doi.org/10.13911/j.cnki.1004-3365.190577.

[35] Wang, Z., et al. Distributed Systematic Grid-Connected Inverter Using IGBT Junction Temperature Predictive Control Method: An Optimization Approach[J]. Symmetry, 2020. 12(5): p. 825.

 

 

作者：牛剛、劉崢，余旭濤（同濟大學智能維護與自主系統實驗室）