基于机器学习的SiC MOSFETS寿命预测 (2).docx

《基于机器学习的SiC MOSFETS寿命预测 (2).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 (2).docx（51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 43 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，三元化合物半导体像GaAsP、GaAsAl、，还有GaAs-GaP、Ge-Si这一类的固溶体半导体都属于第二代半导体

11、。其中第三代半导体材料也有另外一个名字叫做宽禁带半导体材料，像氮化镓、碳化硅、氧化锌、氮化镓以及氮化铝都属于这类半导体材料，他们都广泛作用于短波长光电器件、功率器件、光存储、光显示、透明导电、光探测这一些地方 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）相当于一种独特的电子器件，它是运用了一种特殊的材料，这种材料叫做半导体材料，利用这种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

12、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。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。但是现在的半导体器件已经历经了很多次的改进以及提升，以后的性能提升也不会有很大的空间，尤其是在对这类器件的原理进行创新、对它们的结构进行改善还有让它们的制造工艺变得更加精细已经很难去加强它们的性能了，这就代表了未来这一行业已经到达了一个发展的桎梏 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

13、,第1期。最近几年研究了第三代半导体材料，即以SiC或GaN等这一类的半导体为基础，成为了科学家们研究的重点，因为它们的发展空间远远大于硅基材料，是未来市场的主流和下一步的重点方向。禁带就是通常意义上的能量间隙，它在价电子和自由电子的能级之间广泛的出现。禁带有一个重要的指标就是宽度，这类指标能够很直观的表示出如果一个价电子要挣脱束缚，他所需要吸收的能量。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。

14、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

15、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用它的高开关频率、高临界击穿场强还有耐高温这一类的优良品质，能够在高频、高压以及高温这一类的环境下自由工作 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

16、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器件的发展已经出现了一个高潮期，德国Infineon公司、美国Cree公司还有Microsemi公司这一些公司已经研发出了碳化硅的SBD系列的产品。2020年2月，Infineon发布了8款SiC MOSFET产品。然而SiC MOSFETs系列的产品现在也又很多的不足：比如说SiO2层可靠性差还有低反型层沟道迁移率这些缺点还需要人们不断地去改进完善。当故障系统和解决方案还不清楚时，我们很难调查和预测可能出现的问题和隐患。 一般的Si MOSFET 在150摄氏度的温度下运行的时候，RDS(on) 导通电阻是25时，比其他工况相同时多一

17、倍。正确封装后，SiC MOSFET可能会达到200C或更高。 SiC MOSFET可以在恶劣的环境下工作， 同时对功率系统的管理方式进行了改进。集成电路的外形尺寸得以被缩小，功率系统稳定性也大幅提升。与上一代能源设备和半导体技术的时代相比，如今的取得的最大的进步是不是这类器械本身，而是作为辅助的计算机的计算方式和计算能力有了很大的提升，超级计算机技术的出现使得我们在预测建立模型这方面的工作变得更加的顺利以及光明，除此以外，由于人工智能技术的从无到有的进步，我们在行为预测以及模式分析这两方面拥有空前的潜力和效率。当前的计算能力已经可以帮助我们处理在问题和特征变量之间建立的黑箱系统，并且仅依靠数

18、据分析来构建可靠性预测模型并预测潜在的操作问题。在此基础上，我们能够在SiC MOSFET中收集到很多的第三代半导体功率设备的工作特性参数，包含了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database，并利用AI算法进行训练、学习以及分析，建立专用能够靠得住的监测和预测模型，提供有关电子设备状态和性能评估的更可靠信息。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

19、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。分析碳化硅电气设备的故障机理对国内外性能的影响非常重要，这项研究为我们提供了有关外观参数选择的信息。 以下我们对SiC失效机理所作出的分析。一般来说，半导体电气失效的机制可以分为两类：内在失效与外在失效。大多数外在失效都存在于包装不足的环节中。主要原因是焊接，焊丝提起，去污和触点移位。 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

20、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，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。在装置的力循环退化实验中，因为材料膨胀系数CTE本身的原因造成的相互之间不匹配的问题，会导致在内层之间出现一个相当复杂的反应，就是出现热应力。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

21、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。因为这个时候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。温度越高，就会加速栅氧化层原子之间共价键的断裂，电子与电子之间的相互作用就会变得更加的弱，外部电流击穿零件就会变得更加容易，击穿时外部的电流量也会更小。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

22、，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 Packa

23、ging 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

24、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 approach 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 KUNCH

25、E S, CHEN C, PECHT M. Optimized diagnostic model combination for improving diagnostic accuracyC/Proceedings of Aerospace Conference. Big Sky, UK: IEEE,2013.采用滤波算法，以常见滤波器电路当作我们进行研究的主体，对电路里面的元器件比如说电容和电阻的显示数值的变化，对健康管理和故障预测进行研究。美国宇航局(NASA)的Saha SAHA B, CELAYA J R, WYSOCKI P F, et al. Towardsprognostics

26、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(

27、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 filter

28、ed 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2019,40(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

29、有对半导体器件的诊断/预测的能力，能够使得复杂系统安全的运行，这样才能够达到对剩余的使用寿命进行预测的目的，而且能够对风险进行规避。稳定性评估和系统验证的许多研究都集中在组件级别的可持续性，灾难收集，条件预测以及数据分析上。组件故障方法基于统计模型，该统计模型基于从实验室环境和/或组件的先前使用获得的数据。根据通过快速寿命测试（ALT）提供的历史数据，数据分析和条件验证来预测当前半导体器件的故障或故障。提出了几种估计寿命的方法，例如故障树分析，条件区域和过滤器估计。此外，一些科学家提出了一种新开发的物理分析方法，以确定断裂的根本机理并提出了定量可靠性模型。今天使用的大多数方法取决于设备在功率/

30、热量下的稳定性。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。另外，在测量高频电器的性能时所涉及的问题和巨大挑战使系统建模变得非常困难。 因此，我们参考新框架并向关联RDS解释在运行条件下无法物理和电气设备测量的未知参数。(2) 机器学习预测模

31、型的建立和训练在基于来自NASA预测中心的开源数据的主动监视和预测技术中，可以找到电气设备在线模式预测的模型。我们所掌握的有关系统当前状态的信息有限，自适应模型可以随着时间的推移预测系统的性质。寿命预测（建模）和自我调整技术（深度学习分析）的结合可能会导致新一代基于物理学的诊断/预测，从而开发出定制模型来预测SiC MOSFET器件的寿命，甚至可以做不到。首先，我们使用NASA预测中心的SiC电气设备的实验数据来研究本文使用的算法，并不断优化参数并优化算法。另一方面，还为SiC器件构建了合适的实验平台，如果实验平台满足要求，将进行实验以收集ALT实验数据进行算法训练。但由于要进行加速退化实验周

32、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 关于在NASA数据库上进行的加速降解实验的设计，计划的实验框架包括四个主要部分。 基于模拟的测试电路、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

33、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

34、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），

35、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，施加力时的电阻特性内部电阻成分如图1的MOSFET所示。各部分电阻在电流通路上是串联的，因此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.

36、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，

37、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，在外部属性和输入更改之间创建一个物理黑匣子可以帮助避免困难而晦涩难懂的故障机制。黑盒测试，即将已知的程序视为未知领域，也被叫做功能检测与数据驱动检测，他知道产品有了一定的功能，来通过这些功能来对盒子进行正常与否的检测。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。如果门发生短路和漏极，则VDSS表示在排水塌陷之前施加的最大电压而不会发生雪崩

38、崩溃。因为不同的温度，雪崩破裂的实际严重程度可能低于VDSS。VGS 表示栅源电压。VGS的额定电压表示了我们在平时能够在侧面以及电源之间所加入的最大电压。 调节额定电压的主要目的是防止由于过高的电压而损坏侧氧化层。 实际的侧氧化物可以承受比额定电压高得多的电压，但是它会根据生产过程而变化。 VGS是负温度系数。 随着温度升高，MOSFET将导通相对较低的侧电压。 ID 表示了连续漏电流。ID定义为在高于25C或更高温度的管子的高温结TJ（max）处允许的直流电流连续电流。 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。

39、可知VGS 、Rds(on)与结温密切相关，且体二极管正向压降Vf与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

40、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预报中心的数据库是由大学，机构或公司提供的数据的集合。这些是时间序列数据，开始从标称状态开始，然后是失败状态。 该仓库中的数据收集是一个不间断的过程。对于单个设备，不同组别的每个实验数据都存进了对

41、应的mat格式文件。每一组matlab二进制文件的结构都是相同的。组织将数据收集包含在一个单一的结构中，包括用于可持续瞬态状态测量和PWM温度控制的基础架构，以及为NASA预测中心提供大量数据库以及大量模型库。这已经通过实验室以及长期的工程经验进行了验证，可以用作比较和校准我们模型的标准模型。预测模型库是MATLAB中的一个动作建模框架，其重点是工程系统构建工程的识别和建模，并使用在此框架内开发的适合使用这些元素的一组选定组件的预测模型。现在生产的组件包括电池，泵以及阀门型号。库中的操作包括一组用于识别样本的实用程序（定义变量，参数以及方程式），对模型进行建模，然后根据常规预测算法将其放入样本

42、中。 预测算法库是在MATLAB编程语言中用于模型预测的一组算法。 它包含估计和预测算法，包括不稳定的分布。 使用Matlab组件建模算法作为输入和输出估计以及功能预测。 这类库文件可快速识别预测解决方案，系统组件和模型。 不同的算法可以比较不同的算法，为程序选择最佳算法，可以很容易地被替换用于研究和评估。这些模型和算法以前已在会议和期刊上以人工代码和数学公式的形式发布，最初是在航空研究委员会（ARMD），综合车辆健康管理和系统安全技术项目的支持下开发的。所述PCOE数据库包含大量电气设备的实验数据，包括SiC器件的加速测试的结果。 梯度和由先进的滞后控制器控制以产生低温和高温设置之间的电路装

43、置的温度。 测量电压和低电流的速度使用数据采集系统（DAS），以创纪录的稳定状态和平均数据在各种变量周期。 另外，高速示波器用于临时测量。 这些临时寺庙是不是永久性的。 但波和时间间隔全面塑造让每一个几百毫秒。 试验包括42个SiC-MOSFET元件。 由于在汽车有限的存储空间，几个测试进行，用适当的数字保护。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

44、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。移动平均滤波器的原理是基于对固定长度窗口中的噪声信号使用局部平均值来获得稳定且平滑的信号。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在下图中有所展示： （3.3）在公式中：2n+1=,即窗口的长度。移动平均FILTER去噪信号的平滑度是所有参数。 在实际应用中，应根据测试环境中噪声信号的频率特性来选择该值值黄凯明.滑动平均数字滤波参数研究J.集美大学学报(自然科学版),2006(04):381-384.。在衰减3dB的条件之下，值可以由下式推算： （3.4）公式里面：代表信号截止频率，代表信号采样频率；代表截止频率与采样频率之间的比值。滑动