基于机器学习的SiC MOSFETS寿命预测 (1).docx

《基于机器学习的SiC MOSFETS寿命预测 (1).docx》由会员分享，可在线阅读，更多相关《基于机器学习的SiC MOSFETS寿命预测 (1).docx（59页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、单位代码 xxxxx 学 号 xxxxxxxx 分类号 xxxxx 毕业设计(论文)基于机器学习的SiC MOSFETS寿命预测院（系）名称自动化科学与电气工程学院专业名称电气工程及其自动化学生姓名李炯铮指导教师石景坡2021年5月基于机器学习的SiC MOSFETS寿命预测李炯铮 北京航空航天大学 北京航空航天大学毕业设计(论文)第 V 页基于机器学习的SiC MOSFETS寿命预测学 生：李炯铮指导老师：石景坡摘 要以碳化硅材料、氮化镓材料为代表的第三代半导体材料，具有较大的禁带宽度。其中SiC MOSFET在高功率器件中脱颖而出，具有低损耗、导通压降较小、阻断电压高、耐受温度较高等高性能

2、指标，在高压领域具有广阔的应用前景。在实际的工业应用以及相关开发的过程里，SiC MOSFETS器件的寿命分析对系统的效率有很大影响，但对于其可靠性特征的相关研究还处于起步阶段。本课题针对SiC MOSFETS器件的工作特点，以导通电阻为特征量进行器件的退化分析，以固定温度下多次功率循环后的电阻变化阈值为器件失效的判定标准，对器件进行失效建模。应用机器学习中的长短时记忆神经网络进行模型搭建，用以识别和预测器件寿命。利用开源的SiC MOSFETS加速退化试验数据对预测模型进行训练，输出拟合结果，达到了预定的性能指标。关键词：碳化硅功率管，机器学习，寿命预测，长短时记忆网络SAMPLESAMPL

3、E Based on SAMPLESAMPLESAMPLEAuthor: Li JiongzhengTutor: Shi JingpoAbstractThe third generation semiconductor materials, such as silicon carbide and gallium nitride, have large band gap. Among them, SiC MOSFET stands out in high-power devices, with low loss, small on-off voltage drop, high blocking

4、voltage, high temperature tolerance and other high performance indicators, which has broad application prospects in high-voltage field. In the actual industrial application and related development process, the life analysis of SiC MOSFET devices has a great impact on the efficiency of the system, bu

5、t the research on its reliability characteristics is still in its infancyAccording to the working characteristics of SiC MOSFETs, this paper takes on resistance as the characteristic quantity to analyze the degradation of the device, and takes the resistance change threshold after multiple power cyc

6、les at a fixed temperature as the criterion to determine the device failure, so as to model the device failure. The long-term and short-term memory neural network of machine learning is used to build the model to identify and predict the device life. The prediction model is trained by using the open

7、 source accelerated degradation test data of SiC MOSFETs, and the fitting results are output to achieve the predetermined performance index.Key Words: Silicon carbide power transistor, machine learning, life prediction, long-term and short-term memory network目 录1绪论11.1 研究背景11.2 研究意义21.3 国内外研究现状31.4

8、研究目标与研究内容61.4.1 研究目标61.4.2 研究内容61.5 论文章节安排72SiC MOSFETS疲劳失效建模82.1 SiC MOSFET结构82.2 MOSFET主要参数102.3 建立失效模型112.4 本章小结113数据库及特征量提取123.1 NASA预测数据存储库123.2 滑动平均滤波133.3 特征量提取143.4 本章小结234基于加速寿命测试数据的预测模型训练244.1 机器学习单元架构及算法原理244.1.1 机器学习综述244.1.2 机器学习算法选择254.2.1 长短时记忆（LSTM）单元264.2 预测模型搭建294.2.1 实验环境294.2.2 数

9、据集划分294.2.3 数据预处理294.2.3 训练神经网络304.3 训练结果314.4 本章小结375实物平台385.1 加速老化试验平台介绍385.2 电压采样板38结论40致谢41参考文献42北京航空航天大学毕业设计(论文)第 50 页1 绪论1.1 研究背景 第二次工业革命后，电子器件开始被广泛运用，电气时代正式到来。而电气技术的革新，与电力电子技术的成长和进步密切相关。电力电子技术的关键，在于使用功率半导体器件，组成各式电能模块，变换和控制电能，并最终以负载需要的形式，供给电压和电流，包含斩波，逆变，整流和AC-AC变换等。半导体器件，则是对电能形式及通断进行控制的关键元件，是电

10、力电子技术的重要实现载体。1957年，世界上第一款可控式功率型半导体由通用电气公司设计，在晶闸管问世之后，电力电子驱动技术迎来了快速成长的新时期，而每一次电力电子领域的突破，都与半导体技术的进步密不可分。半导体材料大规模应用，普遍被分成三个时代。以硅（Si）、（Ge）为代表的第一代半导体材料在二十世纪五十年代内兴起，引领了微电子领域的发展。第二代半导体材料，以砷化镓（GaAs）、锑化铟（InSb）为代表。九十年代,互联网快速发展，第二代半导体材料广泛运用于卫星通讯、光通讯等领域，三元化合物半导体如GaAsAl、GaAsP，以及Ge-Si、GaAs-GaP等固溶体半导体也是第二代半导体的一部分。

11、第三代半导体材料也被称为宽禁带半导体材料，主要包括碳化硅（SiC）、氮化镓（GaN）、氧化锌（ZnO）和氮化铝（AlN），在功率器件、短波长光电器件、光显示、光存储、光探测、透明导电等领域有着广阔的应用 王占国. 半导体材料研究进展M. 北京：高等教育出版社，2012.。半导体器件（semiconductor device）是一种独特的电子器件，它利用半导体材料独特的电力特性以实现独特的功能。1950年代，真空管开始被新型双极功率器件取代。GTR、GTO、MOSFET和IGBT等新一代半导体器件，在功率处理和开关频率的性能上不断优化，成功在电力电子系统的体积缩小和成本压缩上起到了极其关键的作用

12、。在20世纪70年代里，硅基功率MOSFETs成为了低压(100kHz)市场的主流，在高电压领域却没有什么重大进展。而硅基半导体器件经过几十年的的研发使用后，材料性能已经趋近其理论极限，通过器件原理的创新、结构的改善及制造工艺的进步已经难以大幅度提升其总体性能，逐渐成为制约未来电力电子技术进一步发展的瓶颈之一 钱照明，张军明，盛况.电力电子器件及其应用的现状和发展J.中国电机工程学报,2014,第29期 严仰光，秦海鸿，龚春英，王慧贞.多电飞机与电力电子J.南京航空航天大学学报,2014,第1期。近些年来基于第三代半导体材料，即用SiC或GaN等宽禁带半导体作为衬底，取代Si基的电力电子器件具

13、有更出众的性能，是未来市场的主流和下一步的研究热点。禁带是指能量间隙，存在于半导体材料的价电子所在能级与自由电子所在能级之间。禁带宽度的指标，直接反映了被束缚的价电子要成为自由电子所必须获得的额外能量。2009年6月，高效功率转换公司(EPC)推出了第一款GaN FET 碳化硅半导体材料与器件M杨银堂，贾护军，段宝兴，译北京:电子工业出版社，2012: 1150。2010年12月，ROHM Co.，Ltd.推出了第一批SiC MOSFETs。从那时起，一些制造商开发了几代SiC功率MOSFETs。碳化硅作为一种化合物半导体，根据其中晶体结构的不同，其禁带宽度可以达到2.3-3.3eV。它的击穿

14、电场强度约比硅基功率半导体器件高10倍，导热系数提升约3倍左右，这使得它对更高功率和更高温度的操作器件具有吸引力，具有更广阔的应用场景。SiC功率模块及其中的功率半导体器件，在可预见的未来内还将继续优化，朝着增大电流和电压容量、减小损耗、增强高温稳定性及加强可靠性分析等方向进一步发展。占据越来越多的半导体市场份额。其中SiC MOSFETs作为碳化硅电力电子器件研究中最受关注的器件之一，在基站、数据中心、服务器光伏、以及能源储存等应用场景中广受欢迎，有多家半导体企业进行积极探索和深入布局,电力电子的一个新时代正在来临。图 1.1 功率半导体器件应用领域1.2 研究意义如今随着4G技术的全面应用

15、与5G技术逐渐普及，转换效率和稳定性的需求与日俱增，SiC MOSFETs以其高临界击穿场强、高开关频率、耐高温等突出优点，更加适合高压、高频、高温等应用场合 王莉娜, 邓洁, 杨军一, 等. Si和SiC功率器件结温提取技术现状及展望J.电工技术学报, 2019,34(4): 703-716.，碳化硅（SiC）器件凭借其优异特性而加速渗透。但对于包含SiC MOSFETs在内的第三代半导体功率器件的可靠性，还缺少体系化的成熟技术和成型的模式识别及预测的模型供工业界使用。SiC器件已经有包括美国Cree公司、德国Infineon公司、Microsemi公司等企业在内的机构已经推出了相关的SiC

16、 SBD产品系列。 2020年2月，Infineon发布了8款SiC MOSFET产品。然而SiC MOSFETs目前仍存在的巨大隐患：低反型层沟道迁移率、SiO2层可靠性差等问题仍然未能妥善解决。在失效机理和解决方案还没有未明晰的时候，我们对可能发生的问题和隐患难以进行排查和预测。标准Si MOSFET 工作在在150C的温度条件下工作时，RDS(on) 导通电阻是25时，其他工况相同时的两倍。采用正确封装时，SiC MOSFET 可获得 200C 甚至更高的额定温度。SiC MOSFET 可以在严苛的温度环境下工作，也优化了功率系统的管理方式。集成电路的外形尺寸得以被缩小，功率系统稳定性也

17、大幅提升。相比较于上一代功率器件和半导体技术发展的年代，现阶段最大的优势在于远超过那个年代的计算能力和计算方法，超算技术的发展给我们建立预测模型提供了无限可能。另外，得益于人工智能技术的飞速发展，我们在模式识别和行为预测上拥有了前所未有的可能性和可行性。现有的运算能力已经可以帮助我们处理由问题和特征参数间构建的黑箱系统，单纯依靠对数据的分析来构建可靠性预测模型，对于可能出现的运行问题进行预测。在此基础上，我们希望从SiC MOSFET中收集到大量第三代半导体功率设备的工作特性参数，包括稳态正常工作参数和特性参数。在多功率循环实验中，我们希望建立相应的设备数据库，并利用人工智能算法进行学习、训练

18、和分析，建立专用的可靠性监测和预测模型，它为电子设备的状态预测和性能评估提供了更多的可靠性信息。在5g时代，提出了一种宽带隙半导体寿命预测的解决方案。1.3 国内外研究现状随着第三代半导体在商业上的广泛应用，关于SiC及GaN功率器件的失效和寿命研究正在升温。关于SiC MOSFETs的失效机理与可靠性研究在近两年来有所增加，张明宇等发表的基于长短时记忆算法的热应力下半导体器件故障预测，对于半导体器件的整体热应力下故障情况做了一定分析和预测。但对于SiC MOSFETs的寿命预测还没有相关已发表的成果。而国内外相关成果关于SiC功率器件失效机制的分析，意义十分重大，这些研究给了我们选取对外表征

19、参数的参考。以下是对SiC失效机理、简要分析。通常，功率半导体中的失效机制可以分为两大类：外在失效和本征失效。外部故障主要在于功率管封装环节上的不足。主要原因有键合线提升、焊料脱落和接触迁移。其中本征故障是指来自器件本身的失效损坏。常见的失效机理包括了热载流子注入效应、电迁移效应、时间相关的电介质击穿效应和因热膨胀系数不匹配引起的器件结构变化 张明宇,王琦,于洋.基于长短时记忆算法的热应力下半导体器件故障预测模型J/OL.兵工学报:1-102021-03-02.。SiC MOSFET器件在功率循环以及热应力环境中，键合电阻会明显上升。而在短路应力条件下，流过键合线的功率流更强，温度梯度变化更大

20、，会加速键合线及键合点的退化，功率器件本身可靠性下降，系统的稳定性也会因此受到影响。器件在功率循环退化实验中，由于材料膨胀系数CTE（Coefficient of Thermal Expansion）不匹配会在内部各层之间产生一个热应力，器件失效容易在此时产生。下面简要介绍热应力下半导体器件的失效机理: 1)热载流子（电子和空穴）注入栅氧化层会引起热载流子注入效应。平衡状态下的载流子相比于热载流子，具有的动能较低。由于此时载流子具有很高的能量，可在硅-二氧化硅面处和栅氧化层中产生大量缺陷，从而导致器件退化乃至失效。2) 高电流密度作用下，金属材料中的原子迁移会引发电迁移效应。电迁移会引起金属互

21、连线短路或开路失效，进而影响半导体器件的寿命。 3)热应力作用下，还会影响时间相关的电介质击穿效应。温度的升高会导致栅氧化层薄膜中的共价键更易断裂，电子破坏作用更明显，击穿所需时间缩短，所需击穿电量减少。4)半导体器件管芯、基板、管壳等部位的材料热膨胀系数不同，当温度快速变化时材料将产生热膨胀和收缩，不同材质交界面处将产生机械应力，最终形成空洞、裂纹，进而影响器件的性能。热膨胀系数的不同，还会使芯片和基板之间的粘接层产生疲劳失效，造成电子器件热性能变差、内部粘接不牢、芯片翘起、热阻增大和功率循环性能变差.热应力对半导体器件性能的影响主要体现在阈值电压、迁移率、漏极电流、延时时间、跨导、漏源导通

22、电阻RDS(on)和逻辑电平等参数上 VICHARE N,PECHT M.Prognostics and health management of ectronicsC/Proceedings of the 11st International Symposium on Advanced Packaging Materials: Processes, Properties and Interface. Atlanta,GA,US：IEEE,2006:222-229. 。RDS(on)，漏源导通电阻，它表示MOSFET在某一条件下导通时，漏源极之间的导通电阻。这个参数与MOSFET结温，驱动电压

23、Vgs相关。在一定范围内，结温越高，Rds越大;驱动电压越高，Rds越小。初始状态下，上述机理并不会对半导体器件的正常运行、开关产生巨大影响，但随着时间和频率的上升，器件性能会逐渐退化导致器件失效。近年来，通过深入机理分析与大量试验研究，学术界对电子器件耗损规律有了初步认识:虽然电子器件故障的产生具有突发性，但超过负载的环境应力会造成器件参数超过正常容差范围，导致产品状态退化，退化程度和退化速度与器件暴露在环境应力中的面积、持续时间有关。美国马里兰大学Dorj DORJ E, CHEN C, PECHT M. A Bayesian hidden Markov model-based appro

24、ach for anomaly detection in electronic systemsC/Proceedings of Aerospace Conference. Big Sky,UK: IEEE, 2013.研究绝缘栅双极型晶体管(IGBT)的故障预测与健康管理。Kunche等 KUNCHE S, CHEN C, PECHT M. Optimized diagnostic model combination for improving diagnostic accuracyC/Proceedings of Aerospace Conference. Big Sky, UK: IEEE

25、,2013.采用滤波算法，以常见滤波器电路作为研究对象，监测电路中元器件如电阻、电容取值的变化，研究电路级的故障预测与健康管理。美国宇航局(NASA)的Saha SAHA B, CELAYA J R, WYSOCKI P F, et al. Towardsprognostics for electronics componentsC/Proceedings ofAerospace Conference.Big Sky, UK: IEEE, 2009.通过采用粒子滤波器算法处理实验数据，研究单个IGBT的故障预测与健康管理。我国电子领域的PHM技术，研究主体以高校和科研院所为主，研究方法也以数据

26、驱动法居多。北京航空航天大学于格等 于格，康锐，林众辉，等.基于确信可靠度的齿轮可靠性建模与分析J.系统工程与电子技术，2019,41(10):2385-2391.、查国清等 查国清，黄小凯，康锐.基于多应力加速试验方法的智能电表寿命评估J.北京航空航天大学学报，2015,41(12):2217-2224. 查国清，井海龙，陈云霞，等.基于故障行为模型的产品寿命分析方法J.北京航空航天大学学报，2016,42(11):2371-2377.蒋旭等 蒋旭，曾志国，康锐，等.基于朴素贝叶斯分类的电子产品可靠性仿真试验效果评价方J.电子科学技术2015,2(1):49-54.提出基于故障行为模型的电子

27、产品寿命分析方法，通过加速试验获取电子产品失效机理，完成电子产品健康状态评估。电子科技大学龙兵等提出了最小二乘支持向量机模型 LONG B, TIAN S, MIAO Q, et al. Research on features for diagnostics of filtered analog circuits based on LS-SVMC/Proceedings of Autotestcom. Baltimore, MD, US: IEEE, 2011: 360-366.、国防科学技术大学吕克洪等 吕克洪，程先哲，李华康，等.电子设备故障预测与健康催理技术发展新动态J.航空学报201

28、9,40(11):18-29. 吕克洪，邱静，刘冠军.基于动态损伤及优化AR模型的电子器件寿命预测方法研究J.兵工学报，2009,30(1):91-95.对电子器件故障预测和健康管理技术发展动态进行阐述，分析损伤与时间应力的关系，提出了基于优化自回归模型的电子器件寿命预测方法。现有对半导体器件的诊断/预测方法，可以解决复杂系统中从设计到运行的可靠性问题，从而实现剩余的使用寿命估算，并降低故障风险。可靠性评估和系统监测的研究主要集中在组件级可靠性，损伤累积，数据分析和基于条件的预测。组件故障方法依赖于从实验室环境和/或历史组件使用中获得的数据得出的统计模型。对于半导体器件故障或失效的预测，目前都

29、基于加速寿命测试（ALT）提供的过去使用历史数据，对大数据提取进行数据分析和基于条件的监控。提出了几种方法用于平均寿命估计，如故障树分析，状态空间和过滤估计。此外，有学者提出了一种新开发的失效物理分析方法，用于识别故障根机制并定量驱动可靠性模型。大多数目前使用的方法都依赖功率/热量下的器件耐受情况。1.4 研究目标与研究内容1.4.1 研究目标(1) 建立SiC MOSFET失效模型(2) 搭建SiC MOSFET长短时记忆寿命预测模型(3) 利用外部数据库的数据集，训练神经网络，完善寿命预测算法(4) 通过SiC MOSFET加速退化试验平台1.4.2 研究内容(1) 数据集的参数选取和采集

30、功率循环测试是模拟模块寿命期的理想选择，因为与MOSFET 模块对应的开关循环次数可根据目标应用预测。此外，对高频功率器件的操作测量的挑战性和巨大的难度使得系统建模非常困难。因此，我们参考了一种新的框架，关联RDS（on）以便表征在物理上不可能在工作状态下的功率器件上测量出的未知参数。(2) 机器学习预测模型的建立和训练在主动监视和预测技术中，基于来自NASA Prognostics Center的开源数据，我们可以推导出用于功率器件的在线模式预测模型。我们对现有状态或系统状态的了解有限，自适应模型可以预测下一个时间范围内的系统特征。寿命预测（模型推导）和自我验证技术的组合（深度学习分析）可以

31、演变为新一代基于物理的诊断/预测方案，以开发用于SiC MOSFET器件寿命预测的自适应模型。计划分为两部分并行进行。首先在前期借助NASA Prognostics Center开源的SiC功率器件的失效实验数据来训练本论文所需要的算法，并对其不断进行参数调整和算法优化。另一方面同时搭建起SiC器件的相关实验平台，并在实验平台符合要求之后，进行试验采集ALT实验数据对算法进行训练，但由于要进行加速退化实验周期较长，生成数据库可能需要漫长的时间，因此实验平台数据暂作参考。(3) 加速寿命试验平台的设计与搭建 参考NASA数据库中的加速退化实验设计，规划中的实验框架包括四个主要部分，基于模拟的测试

32、电路、驱动单元、功率循环电路、温度控制模块。由恒流源施加应力，进行标准的可靠性测试（恒定导通时间、恒定损耗、恒定结温波动）。由功率循环电路进行功率循环实验，由测试电路进行退化参数的检测，主要包括MOSFET导通电阻Rds(on)、体二极管正向压降Vf、阈值电压VGS。1.5 论文章节安排这1论文组织结构如下：第一章 绪论本章对课题进行背景介绍及概括总览。介绍了SiC MOSFET在现代电力电子领域占据重要地位，本课题将用机器学习方法尝试对SiC MOSFET可靠性进行分析，预测器件在功率循环下的寿命。第二章 SiC MOSFETS疲劳失效建模本章介绍了SiC MOSFET的结构和基本原理，确定

33、了本课题要分析的退化参数以及判定器件失效的条件。 第三章 数据库及特征量提取本章重点介绍了NASA Prognostics Center预测数据存储库的基本情况，处理其中SiC MOSFET加速老化试验的数据，使用滑动平均滤波方法进行去噪处理。对数据集进分析了该加速退化试验的器件失效模式。将数据保存为LSTM网络需要的矩阵形式。第四章 基于加速寿命测试数据的预测模型训练本章详细说明了1。第五章 实物平台本章详细说明了1。2 SiC MOSFETS疲劳失效建模2.1 SiC MOSFET结构SiC MOSFET的物理结构图如1所示。在电阻率为几欧姆每厘米的P型硅基衬底上有两个PN结，两个PN结之

34、间有绝缘介质制作的绝缘膜，形成MOS结构。其主要的作用原理，是通过PN结的反向电压来调节耗尽层的厚度，改变导电沟道的宽度，从而控制晶闸管的导电性郭稳. 功率MOSFET剩余使用寿命预测方法及热疲劳建模研究D.华东交通大学,2020.。图 2.1 SiC MOSFET物理结构SiC MOSFET的典型偏置状态如图所示。两个高掺杂的自由电子多的区域，分别引出两个电极：源极（以S表示）和漏极（以D表示），绝缘栅极G跟S极、D极以SiO2隔开。 图 2.2 SiC MOSFET偏置状态 SiC MOSFET结构的导通电阻，就是施加驱动电压使器件导通后，漏源极纸质件的总电阻。功率MOSFET结构的电流传

35、导能力受导通电阻的限制。在导通期间，该结构的功率如式2.1计算: （2.1）上式改写为，以单位面积为基准，如式2.2所示： （2.2）式中，A为器件有源区的面积，为漏极D的通态电流密度, 为该结构下，导通时的特征导通电阻。其内部电阻的各组成部分如图1所示。由于MOSFET之中，各部分电阻在电流通路上是串联的，所以各部分电阻相加即为导通电阻，具体计算由式2.3所示： （2.3） 图 2.3 SiC MOSFET偏置状态2.2 SiC MOSFET导通模式MOSFET的导通模式一般分为正向导通、反向导通及体二极管模式陈杰,邓二平,赵子轩,吴宇轩,黄永章.不同老化试验方法下SiC MOSFET失效机

36、理分析J.电工技术学报,2020,35(24):5105-5114.。图2.4展示的是正向导通模式下，MOSFET的电流流通路径。图 2.4 正向MOSFET模式在正向导通模式下，当栅极电压大于阈值电压时，电流可以通过沟道由漏极流向源极。当MOSFET器件工作在反向导通模式时，其电流流通路径如图2.5所示。图 2.5 反向MOSFET模式此时源极上加载了电压，电流从源极向漏极流动。当MOSFET器件工作在体二极管模式时，其电流流通路径如图2.6所示。图 2.6 体二极管模式2.3 SiC MOSFET主要参数这由于功率器件损耗机理十分复杂，在外部特征与输入变化之间搭建物理黑箱，有助于从困难且尚

37、未研究透彻的故障机理中跳脱出来。黑盒测试，即将已知的程序视为未知的黑盒子，也被叫做功能测试或着数据驱动测试，它是在已知产品所应具有的功能，通过测试来检测每个功能是否都能正常使用。在测试时，实验过程被视作内部未知的黑盒，在忽略实验过程内部结构和内部特性的情况下，测试者在实验程序的接口测量所要考虑的参数。以下是MOSFET的主要参数：VDSS 代表最大漏源电压。在门极和漏极短接时，漏源额定电压(VDSS)是指漏源未发生雪崩击穿前所能施加的最大电压。根据温度的不同，实际雪崩击穿电压可能低于额定VDSS。 VGS 最大栅源电压。VGS 额定电压是栅源两极间可以施加的最大电压。设定该额定电压的主要目的是

38、防止电压过高导致的栅氧化层损伤。实际栅氧化层可承受的电压远高于额定电压，但是会随制造工艺的不同而改变，因此保持VGS 在额定电压以内可以保证应用的可靠性。VGS 是负温度系数，当温度上升时，MOSFET将会在比较低的栅源电压下开启。ID - 连续漏电流。ID定义为芯片在最大额定结温TJ(max)下，管表面温度在25或者更高温度下，可允许的最大连续直流电流。该参数为结与管壳之间额定热阻RJC和管壳温度的函数。 Rds(on)导通电阻Rds(on)是指在特定的漏电流（通常为ID电流的一半）、栅源电压和25的情况下测得的漏-源电阻。可知VGS 、Rds(on)与结温密切相关，且体二极管正向压降Vf与

39、Rds(on)相关且易测得。同时都能代表MOSFET管的工作状态，因此适合作为参考量。选取MOSFET导通电阻Rds(on)、体二极管正向压降Vf、阈值电压VGS 为损耗参数。2.4 建立失效模型通态电阻可以作为模具附加失效机制失效的前兆。随着器件结温的升高而升高。在我们的加速退化设置中，不可能直接测量结温，所以通过监测的增加来观察结温的升高。结温也是外壳温度的函数，外壳温度也是现场测量和记录的。原始条件因设备而异。从原始状态到失效的轨迹代表了功率器件的退化过程，并代表了在退化过程中的增加。导通电阻的变化量超过了0.05的阈值则认为该器件失效。通过(1)式计算，分析热应力和功率循环次数对半导体

40、器件状态的影响： (1) 其中，VDS为漏源电压、ID为漏极电流。2.5 本章小结本章介绍了SiC MOSFET的结构和基本原理，并阐述了MOS管导通电阻的组成部分，以及最大漏源电压，最大栅源电压、漏极电流的含义，确定了本文主要分析的器件退化参数，并给出了判定器件失效的条件。3 数据库及特征量提取3.1 NASA预测数据存储库NASA Prognostics Center预测数据存储库（PCoE）是由各大学，机构或公司捐赠的数据集的集合。数据存储库专注于预测数据集，即可用于开发预测算法的数据集。这些是从一些标称状态到失败状态的时间序列数据，此存储库中的数据收集是一个持续的过程。对于单个设备，不

41、同组别的每个实验数据都存进了对应的mat格式文件。每一组matlab二进制文件的结构都是一致的。数据组织聚集在单个struct上，包含用于稳态测量，瞬态和实验pwm温度控制控制的子结构。除了提供海量的数据库外，NASA Prognostics Center 还提供了大量经过了长期实验室验证甚至是工程实践的预测模型库，可以用作标准模型对我们的模型进行比对和校正。预测模型库是在MATLAB中实现的建模框架，侧重于定义和构建工程系统预测模型，并为在此框架内开发的选定组件提供一组预测模型，适用于这些组件的预测应用。目前发布的组件包括电池，阀门和泵的型号。库中的实现包括一组用于定义模型（指定变量，参数和

42、方程），模拟模型以及将其嵌入到基于模型的通用预测算法中的实用程序。预测算法库是一套用matlab编程语言实现的算法，用于基于模型的预测（剩余寿命计算）。它包括用于状态估计和预测的算法，包括不确定性传播。算法将matlab中开发的组件模型作为输入并执行估计和预测功能。该库允许为给定的组件和系统模型快速开发预测解决方案。 可以容易地交换不同的算法来进行各种算法的比较研究和评估，以便为手头的应用选择最佳算法。这些模型和算法以前都作为伪代码和数学公式在会议和期刊论文中发表，最初是在航空研究任务理事会（ARMD）综合车辆健康管理和全系统安全保障技术项目的支持下开发的。PCoE数据库中就拥有大量的功率器件

43、实验数据，包括SiC器件的加速寿命测试实验结果。该试验为热过应力下SiC MOSFET的运行失败实验。在这个MOSFET加速退化试验系统中，功率循环用于产生温度梯度，并使用高级磁滞控制器进行控制，以在低温和高温设置之间产生一个循环设备的温度。低速进行电压和电流的测量，运用数据采集系统（DAS）来进行稳态测量，记录多个开关周期内的平均数据。 此外，使用高速示波器进行瞬态测量。这些瞬态测量不是连续的，而是每几百毫秒采集一次全周期波形。实验包括42个SiC MOSFET设备，由于存储内存限制，在单个设备上进行了多次实验，并由相应的编号存储。3.2 滑动平均滤波由于数据集中每组退化实验的数据从几千到几

44、万不等，相邻序列数据变化不大，产生的信号噪声较大，因此需要对数据进行滤波处理，减少噪声。滑动平均滤波也被称作滚动平均滤波（moving average filter, MAF）,是一种有限冲激响应型（FIR）低通滤波器 刘牮,楼光海,黄微.结合双树复小波变换和滑动平均滤波的心电信号去噪方法J.电子测量技术,2018,41(19):112-117.。假设含噪声的导通电阻信号的模型如式3.1所示：ft=st+n(t) （3.1）对其进行离散化采样处理后可以得到： （3.2）式中，f表示含有噪声的导通电阻信号；s表示原始信号；n为随机噪声；k是经离散化采样后的样本个数。滑动平均滤波的原理是，为了得到更稳定、平滑的信号，对含噪声的信号在固定长度的窗口中进行做局部平均处理，并保存在最左的窗格中，达到减少随机噪声在中影响的目的。通过对全长为k的数据集，进行逐一的局部平均，可以输出较为平滑稳定的测量数据。一般而言，滑动平均滤波表达式如式3.3所示： （3.3）式中：2n+1=,表示窗口长度。滑动平均滤波去噪信号平滑度由参数决定，在实际应用中要根据含噪声信号的频率特性和测试环境选取值黄凯明.滑动平均数字滤波参数研究J.集美大学学报(自然科学版