●结温是判定IGBT是否处于安全运行的重要条件，IGBT的工作结温限制着控制器的最大输出能力。如果IGBT过热，可能会导致损坏，影响设备的性能、寿命甚至引发故障。而过热损坏可能由多种因素导致，如设计因素、复杂工况、高震动、温度冲击、硅脂的老化等。
●传统的使用NTC（负温度系数热敏电阻）进行IGBT结温保护存在局限性，如在堵转等极端工况下，热能分布很不均匀，IGBT与NTC存在温差，且NTC响应时间慢，不能准确及时反映结温波动状态。因此，更精确的IGBT结温估算是必要的。通过IGBT结温估算，可以实时监控结温，既能发挥出控制器的最大能力，又能保证控制器不会过温损坏，提高整车的安全性和动力性。精确的IGBT结温估算还可以帮助控制器结合实际运行工况进行一些更前卫的算法研究，例如IGBT寿命损伤度实时计算等，从而提高整车的可靠性。
IGBT结温预测流程
IGBT时间序列结温预测算法流程
目前市场上功率模块厂家虽然也有相关的线上结温估算软件，但软件计算所得的结温还是会与实测结果存在差异。因此，基于此问题，我司与浙江大学联合开发了结温估算的计算程序。通过积累实测结温结果，基于神经网络与机器学习的方法，估算相关模块的结温，该方法下所获得的结温准确度更高。
IGBT结温预测算法
目前卷积神经网络（CNN）结温预测结果示意图和时间序列预测结果示意图
训练目标的特征提取受细胞控制门状态的控制和影响。可以记住长期信息，而不必要的信息可以被遗忘。与RNN相比，LSTM网络在长期记忆任务中具有更好的性能。特别是，LSTM网络的内部由多个细胞拼接而成，LSTM细胞的输入和输出处使用连接层。网络的整体结构如图所示。
LSTM 单元结构示意图
LSTM训练过程的损失函数和误差
LSTM 网络训练结构示意图
实验平台及热场测试
大功率半导体模组实验测试台
测试电路内部组成示意图
同模块中IGBT最大结温变化曲线
热场测试电路原理图
参数依赖性测试
散热器参数与最大结温分布情况
神经网络预测结果
与卷积神经网络（CNN）预测方法相比，所采用的LSTM网络在各种误差计量方法中误差更小，误差相较于CNN网络平均缩小50%以上。
在线预测以及特殊工况预测
APP界面的构建
原文始发于微信公众号（翠展微电子）：功率模块中的结温估算技术