CN110245386A - 一种功率器件可靠性的评估方法、装置以及存储介质 - Google Patents
一种功率器件可靠性的评估方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN110245386A CN110245386A CN201910415255.7A CN201910415255A CN110245386A CN 110245386 A CN110245386 A CN 110245386A CN 201910415255 A CN201910415255 A CN 201910415255A CN 110245386 A CN110245386 A CN 110245386A
- Authority
- CN
- China
- Prior art keywords
- power device
- reliability
- factor
- research
- evaluation model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000011160 research Methods 0.000 claims abstract description 99
- 238000013210 evaluation model Methods 0.000 claims abstract description 58
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims description 50
- 239000002245 particle Substances 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000005484 gravity Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种功率器件可靠性的评估方法、装置以及存储介质，涉及半导体器件可靠性评估领域，该方法包括以下步骤：获取待评估的功率器件的属性；基于所述功率器件的属性确定研究因子，并根据所述研究因子建立可靠性评估模型；基于所述可靠性评估模型评估所述功率器件的可靠性。同时还提出一种功率器件可靠性的评估装置，以及提出一种计算机可读存储介质用于实现一种功率器件可靠性的评估方法的步骤。本发明使得所述可靠性评估模型能够专注所述研究因子对功率器件的影响进行可靠性评估，能够准确对功率器件的可靠性进行评估。
Description
技术领域
本发明涉及半导体器件可靠性评估领域，尤其涉及一种功率器件可靠性的评估方法、装置以及存储介质。
背景技术
作为电力电子重要大功率主流器件之一，功率器件已经广泛应用于家用电器、交通运输、电力工程、可再生能源和智能电网等领域，功率器件的可靠性是器件制造商以及产品使用者密切关注的问题。
可靠性是功率器件的固有属性，通过实验无法改变，对功率器件的可靠性进行评估能够评判产品是否符合标准，而且也能够为功率器件的设计、工艺或封装等找到提高可靠性的方向。因此，如何对功率器件的可靠性进行准确的评估是亟需解决的技术问题。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种功率器件可靠性的评估方法、装置以及存储介质。
为解决上述技术问题，本发明提供一种功率器件可靠性的评估方法，包括以下步骤：
获取待评估的功率器件的属性；
基于所述功率器件的属性确定研究因子，并根据所述研究因子建立可靠性评估模型；
基于所述可靠性评估模型评估所述功率器件的可靠性。
本发明的有益效果是：通过从功率器件要评估的研究因子来建立所述可靠性评估模型，使得所述可靠性评估模型能够专注所述研究因子对功率器件的影响进行可靠性评估，能够准确对功率器件的可靠性进行评估。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步地，所述基于所述功率器件的属性确定研究因子，并根据所述研究因子建立可靠性评估模型，之后还包括：
对所述可靠性评估模型中的研究因子的权重比例进行稀疏优化，得到稀疏优化后的可靠性评估模型。
采用上述进一步方案的有益效果是：通过对研究因子的权重比例进行稀疏优化，可以去除所述可靠性评估模型的冗余信息，能够更加准确地评估功率器件的可靠性，并提高可靠性评估的速度。
进一步地，所述对所述可靠性评估模型中的研究因子的权重比例进行稀疏优化，得到稀疏优化后的可靠性评估模型，具体包括：
将所述研究因子作为输入信号输入至字典中进行稀疏优化，得到稀疏优化后的字典；
利用粒子群优化算法对所述稀疏优化后的字典进行求解，获得最优的研究因子的权重比例；
基于所述最优的研究因子的权重比例，得到所述稀疏优化后的可靠性评估模型。
采用上述进一步方案的有益效果是：通过所述粒子群优化算法对所述稀疏优化后的字典进行求解，可以获得最优的研究因子的权重比例，进而对所述可靠性评估模型来进行的优化，从而去除冗余信息，以提高可靠性评估模型评估功率器件的可靠性的精确度以及速度。
进一步地，所述寿命预测方程的表达式为：
其中，a1、a2以及an分别为所述研究因子中的第一研究因子、第二研究因子以及第n研究因子所占的比重，且满足a1+a2+…an＝1；n1、n2以及nn分别为实验时间内第一研究因子、第二研究因子以及第n研究因子所累积下的循环次数，N1、N2以及Nn分别为第一研究因子、第二研究因子以及第n研究因子引起所述功率器件失效的疲劳可靠性循环次数；且当D<1时，表示功率器件未失效，当D≥1时功率器件失效。
采用上述进一步方案的有益效果是：根据所述研究因子建立可靠性评估模型，所述可靠性模型通过计算N1、N2、Nn，然后通过调整n1，n2，n3使得D的值≥1时，功率器件失效，即可对功率器件的可靠性进行评估。
进一步地，所述研究因子包括温度、湿度以及振动中的至少一种。
进一步地，所述基于所述可靠性评估模型评估所述功率器件的可靠性，具体包括：
将所述研究因子对所述功率器件的影响转换为等效应力对所述功率器件的影响；
根据寿命预测方程，获得所述研究因子引起所述功率器件失效的疲劳可靠性循环次数；
将所述疲劳可靠性循环次数代入所述可靠性评估模型中，获取所述可靠性评估模型的结果，以评估所述功率器件的可靠性。
采用上述进一步方案的有益效果是：通过将研究因子对功率器件的影响，例如将温度、湿度或振动对功率器件的影响，转换成等效应力对功率器件的影响，进而计算得到所述疲劳可靠性循环次数。使得不必实际创造相似的温度、湿度环境，从而使得待评估的功率器件在短时间、高应力作用下表现出的特性与产品在长时间、低应力作用下表现出来的特性是一致的，来缩短功率器件的评估时间。
进一步地，所述寿命预测方程的表达式为：
其中，为应变大小，σu为等效应力，E为弹性模量，εf为疲劳塑性系数，Nf为疲劳可靠性循环次数。
为解决上述技术问题，本发明还提出一种功率器件可靠性的评估装置，包括：
获取模块，用于获取待评估的功率器件的属性；
可靠性评估模型建立模块，用于根据所述功率器件的属性确定研究因子，并根据所述研究因子建立可靠性评估模型；
评估模块，用于根据所述可靠性评估模型评估所述功率器件的可靠性。
为解决上述技术问题，本发明还提出一种功率器件可靠性的评估装置，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例任一项所述的功率器件可靠性的评估方法。
为解决上述技术问题，本发明还提出一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行上述实施例任一项所述的功率器件可靠性的评估方法。
附图说明
图1为本发明实施例提供的一种功率器件可靠性的评估方法的流程示意图；
图2为本发明实施例提供的一种功率器件可靠性的评估装置的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1给出了本发明实施例提供的一种功率器件可靠性的评估方法的流程示意图，如图1所示，本实施例中，一种功率器件可靠性的评估方法，包括以下步骤：
获取待评估的功率器件的属性；
基于所述功率器件的属性确定研究因子，并根据所述研究因子建立可靠性评估模型；
基于所述可靠性评估模型评估所述功率器件的可靠性。
首先，根据所述待评估的器件的属性确定所述功率器件的研究因子，所述功率器件的属性包括使用要求、使用场所以及型号等。以车用功率器件为例，汽车在运行中，功率器件受到高温、高湿度、高振动频率或者灰尘的影响。而车用功率器件因温度、湿度、振动导致的失效占失效总数的80％，因此可以确定车用功率器件的研究因子为温度、湿度和振动，基于温度、湿度和振动的研究因子建立可靠性评估模型。然后基于所述可靠性评估模型进行加速寿命实验来对所述待评估的功率器件的可靠性进行评估。
需要说明的是，加速寿命试验，是指在进行合理工程及统计假设的基础上，利用与物理失效规律相关的统计模型对超出正常应力水平的加速环境下获得的可靠性信息进行转换，得到时间在额定应力水平下可靠性特征的可复现的数值估计的一种实验方法。
上述实施例中，通过获取待评估的功率器件的属性，以确定引起功率器件失效的研究因子，然后基于所述功率器件的属性确定研究因子，并根据所述研究因子建立可靠性评估模型，基于所述可靠性评估模型评估所述功率器件的可靠性。使得所述可靠性评估模型能够专注所述研究因子对功率器件的影响进行可靠性评估，能够更加准确对功率器件的可靠性进行评估。可选地，所述基于所述功率器件的属性确定研究因子，并根据所述研究因子建立可靠性评估模型，之后还包括：
对所述可靠性评估模型中的研究因子的权重比例进行稀疏优化，得到稀疏优化后的可靠性评估模型。
需要说明的是，稀疏优化是对“稀疏”进行数学或逻辑上的优化以及处理。由于信号在时域或频域是稀疏的，也就是说在大多数情况下，信息会存在冗余。例如，原始信号或图像的某一个正交变换是稀疏的，则可以运用合适的算法，根据较少的采样值来构建信号或图像。
由于所述可靠性评估模型中的研究因子的权重比例不同，测试的准确度也会出现差异，而且所述可靠性评估模型中的研究因子的权重比例存在的情况也是多种多样，对每种权重比例的可靠性评估模型进行一一验证，肯定是不现实的。因此，对所述可靠性评估模型中的研究因子进行稀疏优化，可以获得稀疏优化后的研究因子的权重比例，进而对所述可靠性评估模型进行优化，以提高可靠性实验的精确度以及计算速度。
上述实施例中，通过对研究因子的权重比例进行稀疏优化，获得最优的研究因子的权重比例，以去除所述可靠性评估模型的冗余信息，能够更加准确地评估功率器件的可靠性，并提高分析速度。
具体地，所述对所述可靠性评估模型中的研究因子的权重比例进行稀疏优化，得到稀疏优化后的可靠性评估模型，具体包括：
将所述研究因子作为输入信号输入至字典中进行稀疏优化，得到稀疏优化后的字典；
利用粒子群优化算法对所述稀疏优化后的字典进行求解，获得最优的研究因子的权重比例；
基于所述获得最优的研究因子的权重比例，得到所述稀疏优化后的可靠性评估模型。
具体地，所述字典包括完备字典和/或过完备字典。
需要说明的是，字典是一种稀疏表示的模型，包括完备字典与过完备字典，将所述研究因子作为输入信号输入至过完备字典中进行稀疏优化，过完备字典采用超完备的冗余函数***代替传统的正交基函数，能够为信号自适应的稀疏扩展提供极大的灵活性。
将所述研究因子作为输入信号输入至字典中进行稀疏优化，即可以获得y＝Dx，其中y是输入数据，D是字典，x是系数向量的表示。稀疏优化的目的就是要选择最小个数的系数向量，来对信号进行重建。因此，通过粒子群优化算法来求解所述稀疏优化后的字典的全局最优解，可以获取最优的研究因子的权重比例。
需要说明的是，粒子群优化算法是一种群智能算法，其是通过从随机解出发，通过迭代寻找最优解，并通过适应度来评价解的品质的一种算法。通过所述粒子群优化算法对所述稀疏优化后的字典进行求解，可以获得最优的研究因子的权重比例，进而对所述可靠性评估模型来进行优化，以可靠性评估模型评估功率器件的可靠性的精确度以及速度。
所述粒子群优化算法的具体求解过程包括：
初始化粒子群的各项参数，包括设置粒子群规模n，粒子进化次数K，稀疏分解的次数M，搜索范围以及速度范围；
随机生成粒子i的初始位置以及初始速度；
计算粒子i的目标函数f(xi(k))，找到粒子i的当前个体极值pbest(i)，将最大的pbest(i)作为种群最优解gbest；
更新各个粒子的速度以及位置,计算公式为：
vi(k+1)＝w·vi(k)+c1·rand(0,1)·[pb(i)-xi(k)]+c2·rand(0,1)·[gb(i)-xi(k)]xi(k+1)
式中，c1，c2为学习因子；rand()表示(0,1)之间均匀分布的随机数；w为权重因子，满足：
判断粒子速度是否超出范围，若未超出，则根据 继续计算，若超出取边界值作为速度值；判断粒子的位置是否在过完备原子字典中，若不在，则取边界值代替粒子的位置；
计算粒子的适应度值若该值优于极值点pbest(i)，则用当前所处位置的值代替为pbest(i)；若所有粒子中有极值点pbest(i)，优于当前种群最优解gbest，则更新gbest。
进行K次迭代计算，最后输出最优解gbest。
需要说明的是，所述粒子群优化算法最终输出的最优解，即是最优的研究因子的权重比例，基于所述最优的研究因子的权重比例，可以得到一个最佳优化的可靠性评估模型。
另外，所述粒子群优化算法迭代一次的过程就是寻找局部最优解，例如迭代的过程中第二次迭代找到的第二局部最优解如果比第一次迭代的第一局部最优解更好，就会代替第一局部最优解作为全局最优解。
上述实施例中，通过将所述研究因子作为输入信号输入至字典中进行稀疏优化，得到稀疏优化后的字典，然后通过粒子群算法求取全局最优解作为最优的研究因子的比例，可以对所述可靠性评估模型进行优化，以减少计算量，提高可靠性评估的速度和准确度。
具体地，所述可靠性评估模型的表达式为：
其中，a1、a2以及an分别为所述研究因子中的第一研究因子、第二研究因子以及第n研究因子所占的比重，且满足a1+a2+…an＝1；n1、n2以及nn分别为实验时间内第一研究因子、第二研究因子以及第n研究因子所累积下的循环次数，N1、N2以及Nn分别为第一研究因子、第二研究因子以及第n研究因子引起所述功率器件失效的疲劳可靠性循环次数；且当D<1时，表示功率器件未失效，当D≥1时功率器件失效。
具体地，所述研究因子包括温度、湿度以及振动中的至少一种。
需要说明的是，所述研究因子包括温度、湿度以及振动中的至少一种，例如包括温度以及湿度，则所述可靠性评估模型的表达式为其中，a1、a2分别表示温度以及所占的比重，n1、n2分别表示温度、湿度所累积下的循环次数，N1、N2表示温度、湿度引起所述功率器件失效的疲劳可靠性循环次数。
上述实施例中，所述研究因子包括温度、湿度以及振动中的至少一种，根据所述研究因子建立可靠性评估模型，所述可靠性模型通过计算N1，N2，Nn，然后通过调整n1，n2，nn使得D的值≥1时，功率器件失效，即可对功率器件的可靠性进行评估。
具体地，所述基于所述可靠性评估模型评估所述功率器件的可靠性，具体包括：
将所述研究因子对所述功率器件的影响转换为等效应力对所述功率器件的影响；
根据寿命预测方程，获得所述研究因子引起所述功率器件失效的疲劳可靠性循环次数；
将所述疲劳可靠性循环次数代入所述可靠性评估模型中，获取所述可靠性评估模型的结果，以评估所述功率器件的可靠性。
需要说明的是，通过将研究因子对功率器件的影响，例如温度、湿度以及振动对功率器件的影响，转换成等效应力对功率器件的影响，构建所述可靠性评估模型。不必实际创造相似的温度、湿度环境，从而使得待评估的功率器件在短时间、高应力作用下表现出的特性与产品在长时间、低应力作用下表现出来的特性是一致的，来缩短功率器件的评估时间。
具体地，所述寿命预测方程的表达式为：
其中，为应变大小，σu为等效应力，E为弹性模量，εf为疲劳塑性系数，Nf为疲劳可靠性循环次数。
需要说明的是，基于所述可靠性评估模型评估所述功率器件的可靠性，具体可以包括以下过程：
首先，将所述研究因子对所述功率器件的影响转换为等效应力对所述功率器件的影响具体包括：
温度转化为等效应力计算方法，如下：
式中t为时间，σ(t)为温度的等效应力；E(t-t')为松弛模量；ε为收缩应变，d/dt是一个求导函数。
振动引起等效应力大小可以用压力不均匀度σz值来表述：
式中Pmax为不均匀压力的最大值；Pmin为不均匀压力的最小值；P0为平均压力。
湿度转化为等效湿应力计算方法可以由以下公式计算：
σhygro＝EβCsatΔw
式中，σhygro为湿度的等效应力，E为材料的弹性模量；β为湿膨胀系数；Csat为饱和湿气浓度；Δw为相对湿度变化量。
然后根据所述寿命预测方程可以求取出所述研究因子的N1，N2，N3的值，具体的求解过程包括：
依据寿命预测方程：
忽略塑性项，可以得到经验高周疲劳关系式：
再基于合金材料焊料的Manson经验高周疲劳关系式：
ε＝3.5σu/2EN-0.12(Ai/AD)0.12
式中，ε为应变幅值；E为弹性模量，依据所选择的功率器件IGBT的结构组成不同而不同，将数值分析的应变值代入经验公式Manson经验高周疲劳关系式可以计算出每个研究因子引起的疲劳寿命Ni。将得出的Ni带入公式所述可靠性评估模型的表达式中计算出累计损伤因子D，当D<1时，表示功率器件未失效，当D≥1时，表示功率器件失效，从而达到评估功率器件目的。
如图2所示，本发明实施例还提出一种功率器件可靠性的评估装置，包括：
获取模块，用于获取待评估的功率器件的属性；
可靠性评估模型建立模块，用于根据所述功率器件的属性确定研究因子，并根据所述研究因子建立可靠性评估模型；
评估模块，用于根据所述可靠性评估模型评估所述功率器件的可靠性。
本发明实施例还提出一种功率器件可靠性的评估装置，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现根据上述实施例任一项所述的功率器件可靠性的评估方法。
本发明实施例还提出一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行根据上述实施例任一项所述的功率器件可靠性的评估方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种功率器件可靠性的评估方法，其特征在于，包括以下步骤：
获取待评估的功率器件的属性；
基于所述功率器件的属性确定研究因子，并根据所述研究因子建立可靠性评估模型；
基于所述可靠性评估模型评估所述功率器件的可靠性。
2.根据权利要求1所述的功率器件可靠性的评估方法，其特征在于，所述基于所述功率器件的属性确定研究因子，并根据所述研究因子建立可靠性评估模型，之后还包括：
对所述可靠性评估模型中的研究因子的权重比例进行稀疏优化，得到稀疏优化后的可靠性评估模型。
3.根据权利要求2所述的功率器件可靠性的评估方法，其特征在于，所述对所述可靠性评估模型中的研究因子的权重比例进行稀疏优化，得到稀疏优化后的可靠性评估模型，具体包括：
将所述研究因子作为输入信号输入至字典中进行稀疏优化，得到稀疏优化后的字典；
利用粒子群优化算法对所述稀疏优化后的字典进行求解，获得最优的研究因子的权重比例；
基于所述最优的研究因子的权重比例，得到所述稀疏优化后的可靠性评估模型。
4.根据权利要求1至3任一项所述的功率器件可靠性的评估方法，其特征在于，所述可靠性评估模型的表达式为：
其中，a1、a2以及an分别为所述研究因子中的第一研究因子、第二研究因子以及第n研究因子所占的比重，且满足a1+a2+…an＝1；n1、n2以及nn分别为实验时间内第一研究因子、第二研究因子以及第n研究因子所累积下的循环次数，N1、N2以及Nn分别为第一研究因子、第二研究因子以及第n研究因子引起所述功率器件失效的疲劳可靠性循环次数；且当D<1时，表示功率器件未失效，当D≥1时功率器件失效。
5.根据权利要求1至3任一项所述的功率器件可靠性的评估方法，其特征在于，所述研究因子包括温度、湿度以及振动中的至少一种。
6.根据权利要求4所述的功率器件可靠性的评估方法，其特征在于，所述基于所述可靠性评估模型评估所述功率器件的可靠性，具体包括：
将所述研究因子对所述功率器件的影响转换为等效应力对所述功率器件的影响；
根据寿命预测方程，获得所述研究因子引起所述功率器件失效的疲劳可靠性循环次数；
将所述疲劳可靠性循环次数代入所述可靠性评估模型中，获取所述可靠性评估模型的结果，以评估所述功率器件的可靠性。
7.根据权利要求6所述的功率器件可靠性的评估方法，其特征在于，所述寿命预测方程的表达式为：
其中，为应变大小，σu为等效应力，E为弹性模量，εf为疲劳塑性系数，Nf为疲劳可靠性循环次数。
8.一种功率器件可靠性评估装置，其特征在于，包括：
获取模块，用于获取待评估的功率器件的属性；
可靠性评估模型建立模块，用于根据所述功率器件的属性确定研究因子，并根据所述研究因子建立可靠性评估模型；
评估模块，用于根据所述可靠性评估模型评估所述功率器件的可靠性。
9.一种功率器件可靠性的评估装置，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现根据权利要求1至7任一项所述的功率器件可靠性的评估方法。
10.一种计算机可读存储介质，包括指令，其特征在于，当所述指令在计算机上运行时，使所述计算机执行根据权利要求1至7任一项所述的功率器件可靠性的评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910415255.7A CN110245386B (zh) | 2019-05-17 | 2019-05-17 | 一种功率器件可靠性的评估方法、装置以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910415255.7A CN110245386B (zh) | 2019-05-17 | 2019-05-17 | 一种功率器件可靠性的评估方法、装置以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110245386A true CN110245386A (zh) | 2019-09-17 |
| CN110245386B CN110245386B (zh) | 2022-05-31 |
Family
ID=67884079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910415255.7A Active CN110245386B (zh) | 2019-05-17 | 2019-05-17 | 一种功率器件可靠性的评估方法、装置以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110245386B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111581835A (zh) * | 2020-05-14 | 2020-08-25 | 内蒙古工业大学 | 一种机械结构体的安全信息获取方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090250808A1 (en) * | 2008-04-07 | 2009-10-08 | Northrop Grumman Systems Corporation | Reliability improvement in a compound semiconductor mmic |
| CN104953805A (zh) * | 2014-03-31 | 2015-09-30 | 西门子公司 | 管理变频器中功率单元的方法和设备 |
| CN105260786A (zh) * | 2015-09-08 | 2016-01-20 | 哈尔滨工程大学 | 一种电力推进***仿真可信度评估模型综合优化方法 |
| US20170117841A1 (en) * | 2015-10-26 | 2017-04-27 | Fanuc Corporation | Machine learning apparatus and method learning predicted life of power device, and life prediction apparatus and motor driving apparatus including machine learning apparatus |
| CN108152697A (zh) * | 2017-12-27 | 2018-06-12 | 江苏中科君芯科技有限公司 | Igbt模块功率循环老化试验装置及方法 |
| CN108667284A (zh) * | 2018-05-21 | 2018-10-16 | 武汉科技大学 | 一种模块化多电平换流器环流抑制方法 |
| CN109657937A (zh) * | 2018-11-30 | 2019-04-19 | 西安电子科技大学 | 一种基于退化数据的产品可靠性评估与寿命预测方法 |
-
2019
- 2019-05-17 CN CN201910415255.7A patent/CN110245386B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090250808A1 (en) * | 2008-04-07 | 2009-10-08 | Northrop Grumman Systems Corporation | Reliability improvement in a compound semiconductor mmic |
| CN104953805A (zh) * | 2014-03-31 | 2015-09-30 | 西门子公司 | 管理变频器中功率单元的方法和设备 |
| CN105260786A (zh) * | 2015-09-08 | 2016-01-20 | 哈尔滨工程大学 | 一种电力推进***仿真可信度评估模型综合优化方法 |
| US20170117841A1 (en) * | 2015-10-26 | 2017-04-27 | Fanuc Corporation | Machine learning apparatus and method learning predicted life of power device, and life prediction apparatus and motor driving apparatus including machine learning apparatus |
| CN108152697A (zh) * | 2017-12-27 | 2018-06-12 | 江苏中科君芯科技有限公司 | Igbt模块功率循环老化试验装置及方法 |
| CN108667284A (zh) * | 2018-05-21 | 2018-10-16 | 武汉科技大学 | 一种模块化多电平换流器环流抑制方法 |
| CN109657937A (zh) * | 2018-11-30 | 2019-04-19 | 西安电子科技大学 | 一种基于退化数据的产品可靠性评估与寿命预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| MAHERA MUSALLAM 等: "Real-time life consumption power modules prognosis using on-line rainflow algorithm in metro applications", 《2010 IEEE ENERGY CONVERSION CONGRESS AND EXPOSITION》, 1 November 2010 (2010-11-01), pages 970 - 977 * |
| PRAVIN MACHHINDRA SONWANE 等: "Optimal capacitor placement and sizing for enhancement of distribution system reliability and power quality using PSO", 《INTERNATIONAL CONFERENCE FOR CONVERGENCE FOR TECHNOLOGY-2014》, 23 April 2015 (2015-04-23), pages 1 - 7 * |
| 常艳华: "基于数据驱动模拟电路故障预测算法实现与软件开发", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 02, 15 February 2016 (2016-02-15), pages 135 - 312 * |
| 张经纬: "基于有限元法的压接型IGBT器件单芯片子模组疲劳寿命预测", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 04, 15 April 2019 (2019-04-15), pages 002 - 131 * |
| 江泽申: "压接式IGBT器件功率循环试验及寿命预测", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 04, 15 April 2019 (2019-04-15), pages 135 - 89 * |
| 王浩洁: "多场载荷下功率器件IGBT模块的寿命可靠性研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 02, 15 February 2022 (2022-02-15), pages 135 - 162 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111581835A (zh) * | 2020-05-14 | 2020-08-25 | 内蒙古工业大学 | 一种机械结构体的安全信息获取方法 |
| CN111581835B (zh) * | 2020-05-14 | 2023-07-18 | 内蒙古工业大学 | 一种机械结构体的安全信息获取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110245386B (zh) | 2022-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Pure density functional for strong correlation and the thermodynamic limit from machine learning | |
| Imani et al. | Revisiting hyperdimensional learning for fpga and low-power architectures | |
| Chavan et al. | Vision transformer slimming: Multi-dimension searching in continuous optimization space | |
| Sarmast et al. | Mutual inductance instability of the tip vortices behind a wind turbine | |
| Chapman et al. | Accelerated mesh sampling for the hyper reduction of nonlinear computational models | |
| Chen et al. | A Jacobian-free Newton-GMRES (m) method with adaptive preconditioner and its application for power flow calculations | |
| Örkcü et al. | Estimating the parameters of 3-p Weibull distribution using particle swarm optimization: A comprehensive experimental comparison | |
| Sayadi et al. | Parallel data-driven decomposition algorithm for large-scale datasets: with application to transitional boundary layers | |
| WO2016107246A1 (zh) | 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 | |
| Salamat et al. | Accelerating hyperdimensional computing on fpgas by exploiting computational reuse | |
| CN108986872B (zh) | 用于大数据电子病历约简的多粒度属性权重Spark方法 | |
| Kumar et al. | Improving high-dimensional physics models through Bayesian calibration with uncertain data | |
| Mei et al. | An essential extension of the finite-energy condition for extended Runge-Kutta-Nyström integrators when applied to nonlinear wave equations | |
| JP2017151838A (ja) | 話題推定学習装置及び話題推定学習方法 | |
| US20110219348A1 (en) | Automatic design support apparatus and method | |
| Mirhosseini | A clustering approach using a combination of gravitational search algorithm and k-harmonic means and its application in text document clustering | |
| CN113221475A (zh) | 一种用于高精度流场分析的网格自适应方法 | |
| Huang et al. | Compact and fast machine learning accelerator for IoT devices | |
| CN110245386A (zh) | 一种功率器件可靠性的评估方法、装置以及存储介质 | |
| CN104573726B (zh) | 基于四等分及各成分重构误差最优组合的人脸图像识别方法 | |
| Couckuyt et al. | Towards efficient multiobjective optimization: multiobjective statistical criterions | |
| Yang et al. | Fast poisson solver preconditioned method for robust power grid analysis | |
| Singh et al. | Distributed quadratic programming solver for kernel SVM using genetic algorithm | |
| CN111262248A (zh) | 一种随机潮流解析计算方法和*** | |
| JP2022189626A (ja) | 評価装置、推論装置、評価方法、プログラム及び非一時的コンピュータ可読媒体 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190917 Assignee: Guilin yanchuang Semiconductor Technology Co.,Ltd. Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY Contract record no.: X2023980046590 Denomination of invention: A method, device, and storage medium for evaluating the reliability of power devices Granted publication date: 20220531 License type: Common License Record date: 20231108 |
|
| EE01 | Entry into force of recordation of patent licensing contract |