面向多芯片IGBT功率模块的芯片级结温实时估计方法及系统

本发明属于功率半导体模块热状态监测，涉及面向多芯片igbt功率模块的芯片级结温实时估计方法，还涉及面向多芯片igbt功率模块的芯片级结温实时估计系统。

背景技术：

1、结温是功率半导体器件可靠性、寿命消耗和热保护控制中的关键状态变量。对于多芯片igbt功率模块而言，不同芯片之间存在功率分配不均、散热路径差异、封装层热阻差异以及焊料层退化不一致等问题，模块内部温度场具有显著的空间非均匀性。若仅获取模块平均温度或单一热点温度，难以反映芯片间温差、局部热点迁移和早期封装退化对热状态的影响。

2、现有结温获取方法主要包括热电偶直接测量、红外热成像、电热网络模型、热敏电参数法以及数据驱动估计方法。热电偶直接贴近芯片会破坏封装结构，难以用于长期在线监测；红外热成像需要去除硅凝胶或开窗，适用范围受限；电热网络模型对封装参数、冷却边界和老化状态高度敏感，参数标定成本较高；热敏电参数法容易受到驱动、电流和电磁干扰影响，并且难以在复杂运行工况下同时分辨多个芯片的结温。

3、随着多点温度采集和边缘计算硬件的发展，利用模块外部可测的铜基板温度或壳温对内部结温进行非侵入式估计成为可行方案。然而稀疏测温点数量有限，直接插值往往会造成热点削弱、边界误差和传感器位置误差；纯数据驱动网络虽然能够拟合复杂映射，但缺少热传导物理约束，容易在传感器位置产生测量不一致，也难以保证在未见过功率分配或冷却边界下的泛化性。

4、此外，多芯片模块结温并非仅由当前基板温度决定，还与历史功率输入、热时间常数和热扩散记忆密切相关。传统循环神经网络或普通卷积网络在实时在线估计中存在非因果信息泄漏、热记忆窗口选取经验化以及计算延迟不可控等问题。因此，有必要提出一种能够同时满足稀疏测量一致性、热传导物理约束、严格因果在线推理和芯片级输出分辨能力的结温实时估计方法。

技术实现思路

1、本发明的目的是提供面向多芯片igbt功率模块的芯片级结温实时估计方法，解决了现有技术中存在的多芯片结温难以非侵入式分辨、稀疏测温导致温度场重构误差大、纯数据驱动模型缺乏物理一致性、长期运行误差漂移以及在线部署延迟较高的问题。

2、本发明的另一目的是提供面向多芯片igbt功率模块的芯片级结温实时估计系统。

3、本发明所采用的技术方案是，面向多芯片igbt功率模块的芯片级结温实时估计方法，包括：

4、步骤1、建立热传导观测关系，确定测点布置与重构网格；

5、步骤2、采集并预处理稀疏基板温度数据，构造测量向量；

6、步骤3、构建稀疏测量模型与温度场反问题，设定优化目标；

7、步骤4、构建物理信息深度展开网络，求解得到铜基板二维温度场；

8、步骤5、提取多维度温度场特征，构建结温估计的时序输入序列；

9、步骤6、构建因果时间卷积网络，时序建模输出芯片级结温；

10、步骤7、构造暂态增强与在线校正模型，自适应修正结温输出；

11、步骤8、生成热状态实时估计结果。

12、本发明的特点还在于：

13、步骤1包括：

14、步骤1.1、划定测温区域与空间对应关系；

15、以多芯片igbt功率模块为实施对象，选取铜基板表面、模块壳体表面或散热器接触区域作为稀疏温度测点；

16、步骤1.2、确定测点规模与目标重构网格；

17、根据模块的物理尺寸、内部芯片数量以及散热边界条件，采用多目标优化方法确定稀疏温度测点的数量、具体位置以及目标温度场的重构网格分辨率；

18、步骤1.3、建立铜基板区域的热传导物理模型。

19、步骤2包括：

20、步骤2.1、获取多通道同步温度时序数据作为原始输入；

21、步骤2.2、对原始温度数据进行清洗与标准化：首先进行时间对齐；其次进行异常点剔除；随后进行滤波处理；最后进行归一化处理；

22、步骤2.3、构造稀疏温度测量向量；

23、将同一采样时刻下，所有测点经过预处理的温度值按预设顺序排列，构造形成稀疏温度测量向量。

24、步骤3包括：

25、步骤3.1、建立稀疏测量矩阵模型；

26、将目标二维温度场按网格节点依次展开，形成一维的铜基板温度场向量；定义测点选择矩阵，结合测量噪声向量，建立完整的稀疏测量模型，对应公式为：

27、，

28、式中，为t时刻的稀疏温度测量向量，为按网格展开后的铜基板温度场向量，为测点选择矩阵，为t时刻的测量噪声向量；

29、步骤3.2、构造温度场重构反问题目标函数；

30、将铜基板温度场重构转化为带多约束的反问题优化任务，优化目标函数表达式为：

31、，

32、式中为t时刻重构得到的最优铜基板温度场向量，为待求解的铜基板温度场向量，为t时刻的稀疏温度测量向量，为测点选择矩阵，为离散拉普拉斯算子，为拉普拉斯热传导先验项的权重系数，为总变差正则项的权重系数，为温度场的总变差范数。

33、步骤4包括：

34、步骤4.1搭建多层展开的网络架构；

35、将带正则化的反问题对应的近端梯度迭代求解过程展开为固定k层的物理信息深度展开网络；每一层展开网络均对应一次完整的迭代优化步骤，依次包含物理梯度更新、坐标增强近端映射和硬测量一致性投影；

36、步骤4.2、执行物理梯度更新；

37、在网络的第k层，首先对输入的温度场向量执行物理梯度更新，分别计算目标函数中数据保真项与拉普拉斯热传导先验项的梯度，并通过可学习的步长参数控制更新幅度，得到半步中间温度场向量；

38、物理梯度更新的公式为：

39、，

40、式中，为第k层物理梯度更新后的半步中间温度场向量，为第k层迭代的输入温度场向量，为第k层的可学习步长参数，为测点选择矩阵，为测点选择矩阵的转置，为t时刻的稀疏温度测量向量，为第k层的可学习物理正则权重，为离散拉普拉斯算子矩阵，为离散拉普拉斯算子矩阵的转置；

41、步骤4.3、执行坐标增强近端映射；

42、对梯度更新后的半步中间温度场，执行近端映射操作，用于求解总变差正则项对应的近端算子；

43、近端映射的公式为：

44、，

45、式中，为第k层经近端映射处理后的温度场中间结果向量，为带可训练参数的轻量卷积近端网络，为近端卷积网络的可训练参数集合，为第k层物理梯度更新后的半步中间温度场向量，为归一化横坐标通道，为归一化纵坐标通道，为传感器位置掩码通道；

46、步骤4.4、执行硬测量一致性投影；

47、对近端映射输出的中间温度场，执行硬测量一致性投影操作，通过伪逆计算修正测点位置的温度偏差；当测点选择矩阵的每一行仅包含一个非零元素，即单个测点对应单个网格节点时，该投影操作简化为直接在测点对应的网格节点上覆盖实测温度值，非测点位置则保留近端映射的输出结果；

48、硬测量一致性投影的公式为：

49、，

50、硬测量一致性投影的简化形式为：

51、，

52、式中，为第k层展开网络的最终输出温度场向量，为第k层近端映射输出的中间温度场向量，为测点选择矩阵的moore-penrose伪逆矩阵，为t时刻的稀疏温度测量向量，为测点选择矩阵；简化式中为第k+1步温度场中索引为p的网格节点温度值，为t时刻第p个测点的实测温度值，为温度场网格节点的索引编号，为所有实际温度测点对应的网格索引集合；

53、步骤4.5、输出重构完成的铜基板二维温度场；

54、输入的稀疏测量向量依次经过k层展开网络的物理梯度更新、近端映射与硬测量一致性投影处理后，最终输出重构完成的铜基板二维温度场。

55、步骤5包括：

56、步骤5.1、提取全局温度统计特征；

57、对每一帧重构得到的铜基板温度场，计算全局统计特征；

58、全局统计特征包括温度场最大值、温度场最小值、温度场平均值和温度场标准差；

59、步骤5.2、提取芯片投影区域专属特征；

60、确定每个igbt芯片在铜基板上对应的投影区域，分别计算其投影区域内重构温度场的最大温度值与平均温度值；

61、步骤5.3、提取梯度特征与空间编码特征；

62、计算重构温度场的梯度能量，采用轻量卷积空间编码器，结合温度场数据、坐标通道与传感器掩码信息，提取高阶空间分布特征；

63、步骤5.4、组帧形成时序输入序列；

64、将每个采样时刻提取得到的全局温度特征、芯片投影区域特征、温度梯度特征与空间编码特征拼接为单时刻的特征向量，再按时间先后顺序将各时刻特征向量排列为连续的时序特征序列。

65、步骤6包括：

66、步骤6.1、搭建严格因果的时间卷积基础结构；

67、构建基于时间卷积的时序建模网络，网络中所有卷积运算均采用严格因果卷积模式即卷积核的运算范围仅覆盖当前时刻及历史时刻的输入特征；

68、因果卷积的定义公式为：

69、，

70、式中，为t时刻的因果卷积输出结果，为输入时序信号序列，为时间卷积核的权重序列，为因果卷积运算符号，为当前时刻的时间索引，为卷积核第i个时间位置的权重系数，为输入时序信号在时刻的取值，为卷积核的时间长度；

71、步骤6.2、配置指数膨胀卷积并匹配热时间常数；

72、采用指数膨胀卷积扩大感受野，根据模块热特性匹配记忆窗口；

73、膨胀因果卷积的总感受野计算公式为：

74、，

75、总感受野满足约束条件：

76、，

77、式中，为膨胀因果卷积网络的总感受野，为单层卷积核的时间长度，为膨胀卷积的总层数，为多芯片igbt模块的最大主导热时间常数，为温度数据的采样时间间隔；

78、步骤6.3、配置多头输出结构实现芯片级并行估计；

79、时序网络的主体部分提取得到共享的时序特征，输出端采用多头输出结构，每个输出头对应一个igbt芯片，独立计算对应芯片的结温估计值；通过该结构可一次性并行输出所有芯片的结温向量，同时可直接识别热点芯片索引、计算芯片间最大温差；

80、步骤6.4、输出原始芯片级结温估计结果；

81、将连续的温度场特征序列输入因果时间卷积网络，经过多层因果膨胀卷积与时序特征提取后，通过各输出头分别计算得到每个芯片的原始结温估计值。

82、步骤7包括：

83、步骤7.1、构造暂态增强特征并设置门控触发机制；

84、计算重构温度场的变化率，同时采集模块的功率信号并计算功率变化率，将二者共同作为暂态增强特征；设置功率变化率阈值，当功率变化率的绝对值超过该阈值时，判定为快速功率变化工况，启动暂态增强分支，将暂态增强特征拼接到原始时序特征中共同输入结温估计链路；稳态工况下暂态分支不启用；

85、步骤7.2、构建单芯片独立的递推最小二乘校正模型；

86、为每个芯片分别建立独立的递推最小二乘校正模型，校正模型的输入特征向量包括因果时间卷积网络输出的原始结温估计值、对应芯片投影区域内的重构温度场最大值、常数偏置项；

87、校正输入特征向量的公式为：

88、，

89、校正后的结温输出公式为：

90、，

91、式中，为t时刻第k个芯片的校正输入特征向量，为t时刻第k个芯片由因果时间卷积网络输出的原始结温估计值，为t时刻第k个芯片对应铜基板投影区域内重构温度场的最高温度值，为铜基板重构温度场的二维网格坐标索引，为第k个igbt芯片在铜基板上对应的投影区域，为t时刻重构温度场中坐标为的网格节点温度估计值；为t时刻第k个芯片经在线校正后的结温估计值，为t时刻第k个芯片的在线校正参数向量，为第k个芯片校正参数向量的转置；

92、步骤7.3、在线更新校正参数实现漂移补偿；

93、在模块长期功率循环运行过程中，利用参考结温样本或周期性标定数据，通过递推最小二乘算法在线更新每个芯片的校正参数向量并配置遗忘因子适配慢时变的漂移过程。

94、步骤8包括：

95、步骤8.1、计算多维度热状态监测量；

96、基于校正后的各芯片实时结温，计算得到各芯片的实时结温值、热点芯片索引、芯片间最大温差、估计不确定性或置信区间；

97、步骤8.2、输出热状态反馈与应用支撑；

98、将多维度热状态监测量输出至热状态反馈单元，连续记录热循环数据，当热点芯片结温连续超过设定阈值或芯片间温差异常增大时，自动触发告警、降频或停机建议。

99、本发明所采用的另一技术方案是，面向多芯片igbt功率模块的芯片级结温实时估计系统，包括依次连接的温度采集单元、数据预处理单元、温度场重构单元、芯片级结温时序估计单元、在线校正单元、状态反馈单元、模型迁移与部署单元，模型迁移与部署单元分别与温度场重构单元、芯片级结温时序估计单元、在线校正单元连接。

100、本发明的有益效果是：能够在不破坏功率模块封装的情况下获得芯片级结温，解决多芯片模块内部热不均匀难以在线观测的问题；通过硬测量一致性投影避免重构温度场在传感器位置偏离实测值，提高监测结果可追溯性；通过拉普拉斯热传导先验和总变差正则降低稀疏测温条件下的热点削弱和非物理振荡；通过热时间常数匹配的因果时间卷积减少经验选取历史窗口造成的误差；通过在线校正提高长期功率循环和跨模块应用中的稳定性；网络规模小、推理延迟低，便于边缘侧实时部署。