功率模块循环测试方法与流程

本发明属于半导体器件测试领域，具体涉及功率模块循环测试方法。

背景技术：

1、碳化硅sic模块封装与si基igbt模块相同，通常采用直接敷铜板(dbc)、铝/铜线键合、焊接方式进行。宽禁带半导体sic模块(250℃)的应用温度较高，这对模块焊接层寿命带来极大的挑战，在高温情况下，容易出现开裂的现象，导致模块热阻增加，模块寿命缩短或者失效。

2、对sic模块进行焊层寿命检测时，需要将sic模块配置在单独的设备内进行测量，以确定键合线与芯片焊接可靠性和芯片与底板dbc焊接可靠性。

3、验证键合线与芯片焊接常规实验方式是采用秒级功率循环，验证芯片与底板dbc焊接采用的是分钟级功率循环，然而现有的检测方法存在以下缺点：

4、(1)进行不同级别测试时，需要依序进行，虽然单个设备集成了2个功能， 秒级和分钟级功率循环，但是不能同时测试，因此使测试时间要延长1倍；

5、(2)为了兼顾秒级测试需求，设备一般使用水冷板温度变化很慢，很小，致使测试时使器件本身壳温差△tc变化很小，致使验证效果非常不理想， 所以很难达到验证目的，而且在使用水冷模式进行冷却时，需要等待一定时长，增加了测试时间，影响测试进度。

技术实现思路

1、本发明至少一个方面和优点将在下面的描述中部分地被阐述，或者可以从描述中显而易见，或者可以通过实践本公开的主题来获取。

2、根据本发明的第一个方面，功率模块循环测试方法,包括：

3、对串联或并联的若干个功率模块施加电流，以获得对应于每个功率模块的第一温度序列；根据第一温度序列和热输入序列确定功率模块响应热输入的第二温度序列；

4、根据第二温度序列确定功率模块温度的异常程度值；

5、在异常程度值低于预设值时，基于第一温度序列确定第三温度序列，其中第三温度序列的循环时长高于第一温度序列；

6、所述功率模块和工作界面接触，且工作界面被配置为具有和功率模块测量位对应的温控元件，且多个温控元件的热输出独立调节；

7、所述热输入序列包括功率模块的电流和工作界面的温度。

8、根据本发明的一个实施例，所述第二温度序列的获取过程包括：

9、将功率模块的输入电流、工作界面的温度和功率模块的温度输入作为输入，输入至lstm神经网络，获得功率模块在第一时间窗口后的温度；

10、所述lstm神经网络包含输入层、隐藏层和输出层；所述隐藏层的数目至少为２；

11、所述lstm神经网络的训练数据具有第二时间窗口的间隔，所述第二时间窗口和第一时间窗口一致，或第一时间窗口的尺寸为第二时间窗口的整数倍。

12、根据本发明的一个实施例，所述lstm神经网络的损失函数为连续时间窗口测量的值和预测值之间的均方差。

13、根据本发明的一个实施例，所述基于第一温度序列确定第三温度序列包括：

14、基于第一温度序列和实测温度值对lstm神经网络进行增量训练，得到调整后的lstm神经网络；

15、以预设的测试条件为输入，使用调整后的lstm神经网络获取温度的输出值。

16、根据本发明的一个实施例，所述lstm神经网络的训练集包括输入电流和工作界面的热输入不同时为零的数据，所述训练集的采样时间窗口大小不高于0.05s。

17、根据本发明的一个实施例，所述功率模块温度的异常程度值的确定过程包括：

18、根据第二温度序列和该温度序列实际测量的元件温度值获得预测温度和实际温度的差值序列；

19、使用无监督算法对含有差值序列和参考序列进行异常识别，获取差异序列内异常值，基于异常值和第一参考中心距离的均值或比例确定异常程度；

20、所述第一参考中心基于差值序列内的正常值和参考序列确定。

21、根据本发明的一个实施例，所述无监督算法为离群算法或降维算法。

22、根据本发明的一个实施例，所述功率模块温度的异常程度值的确定过程包括：

23、根据第二温度序列和该温度序列实际测量的元件温度值获得预测温度和实际温度的差值序列；

24、使用无监督算法对含有差值序列和参考序列进行异常识别，获取差异序列内的异常值，基于异常值的比例和绝对值确定整体结果的可靠性；

25、响应于整体可靠性高于预设值，基于第二参考中心确定异常程度；

26、所述第二参考中心基于差值序列内的正常值确定。

27、根据本发明的一个实施例，所述第二温度序列的获取过程包括：

28、将功率模块的输入电流、工作界面的温度和功率模块的温度变化值作为输入，输入至lstm神经网络，获得功率模块在第一时间窗口后的温度变化值；

29、所述lstm神经网络包含输入层、隐藏层和输出层；所述隐藏层的数目至少为２；

30、所述lstm神经网络的训练数据具有第二时间窗口的间隔，所述第二时间窗口和第一时间窗口一致，或第一时间窗口的尺寸为第二时间窗口的整数倍。

31、根据本发明的一个实施例，所述lstm神经网络的损失函数为连续时间窗口测量的功率模块温度的变化值和预测值之间的均方差。

32、根据本发明的一个实施例，所述第二温度序列的获取过程包括：

33、将功率模块的输入电流、功率模块的输入电流变化值、工作界面的温度和功率模块的温度变化值作为输入，输入至lstm神经网络，获得功率模块在第一时间窗口后的温度变化值；

34、所述lstm神经网络包含输入层、隐藏层和输出层；所述隐藏层的数目至少为２；

35、所述lstm神经网络的训练数据具有第二时间窗口的间隔，所述第二时间窗口和第一时间窗口一致，或第一时间窗口的尺寸为第二时间窗口的整数倍。

36、根据本发明的一个实施例，所述第一温度序列的获取步骤包括：

37、向功率模块施加方波或具有斜率的电流和/或使用，使功率模块升温至第一温度，之后调节工作界面为第二温度，使功率模块的温度下降；并记录此过程中功率模块的温度，得到第一温度序列；

38、所述第一温度序列高于第二温度序列。

39、根据本发明的第二个方面，一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序执行所述功率模块循环测试方法。

技术特征：

1.功率模块循环测试方法，其特征在于，包括：

2.如权利要求1所述的功率模块循环测试方法，其特征在于，所述第二温度序列的获取过程包括：

3.如权利要求2所述的功率模块循环测试方法，其特征在于，所述lstm神经网络的损失函数为连续时间窗口测量的值和预测值之间的均方差。

4.如权利要求2所述的功率模块循环测试方法，其特征在于，所述基于第一温度序列确定第三温度序列包括：

5.如权利要求2所述的功率模块循环测试方法，其特征在于，所述lstm神经网络的训练集包括输入电流和工作界面的热输入不同时为零的数据，所述训练集的采样时间窗口大小不高于0.05s。

6.如权利要求1所述的功率模块循环测试方法，其特征在于，所述功率模块温度的异常程度值的确定过程包括：

7.如权利要求6所述的功率模块循环测试方法，其特征在于，所述无监督算法为离群算法或降维算法。

8.如权利要求1所述的功率模块循环测试方法，其特征在于，所述功率模块温度的异常程度值的确定过程包括：

9.如权利要求1所述的功率模块循环测试方法，其特征在于，所述第二温度序列的获取过程包括：

10.如权利要求9所述的功率模块循环测试方法，其特征在于，所述lstm神经网络的损失函数为连续时间窗口测量的功率模块温度的变化值和预测值之间的均方差。

技术总结
本发明属于半导体器件测试领域，具体涉及功率模块循环测试方法。本发明公开的功率模块循环测试方法包括：对串联或并联的若干个功率模块施加电流，以获得对应于每个功率模块的第一温度序列；根据第一温度序列和热输入序列确定功率模块响应热输入的第二温度序列；根据第二温度序列确定功率模块温度的异常程度值；在异常程度值低于预设值时，基于第一温度序列确定第三温度序列，其中第三温度序列的循环时长高于第一温度序列；所述功率模块和工作界面接触，且工作界面被配置为具有和功率模块测量位对应的温控元件，且多个温控元件的热输出独立调节。本发明可以降低功率模块循环测试的时间成本。

技术研发人员：朱永兵
受保护的技术使用者：天津海瑞电子科技有限公司
技术研发日：
技术公布日：2024/6/18