← 返回
基于数据驱动机器学习框架的功率循环测试下IGBT模块失效模式分类
Failure Mode Classification of IGBT Modules Under Power Cycling Tests Based on Data-Driven Machine Learning Framework
| 作者 | Xin Yang · Yue Zhang · Xinlong Wu · Guoyou Liu |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2023年12月 |
| 技术分类 | 功率器件技术 |
| 技术标签 | IGBT 功率模块 可靠性分析 故障诊断 机器学习 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | IGBT 模块 功率循环测试 失效模式分类 机器学习 寿命预测 失效物理 可靠性 |
语言:
中文摘要
在功率循环测试(PCT)中预先识别IGBT模块的失效模式至关重要,这不仅有助于精确应用失效物理寿命预测方法,还能优化IGBT设计。然而,针对不同IGBT模块建立准确且通用的离线失效模式分类方法仍具挑战。本文提出了一种基于数据驱动机器学习的框架,旨在实现高效、准确的失效模式分类。
English Abstract
Of great significance is knowledge of failure modes of IGBT modules under power cycling test (PCT) in advance. It can not only precisely determine accurate utilization of physics-of-failure lifetime prediction methods but also help optimize IGBT designs. However, establishing an accurate and generic offline failure mode classification method for different IGBT modules remains a challenging problem...
S
SunView 深度解读
IGBT模块是阳光电源组串式/集中式光伏逆变器、PowerTitan/PowerStack储能变流器及风电变流器的核心功率器件。该研究提出的数据驱动失效分类方法,能显著提升公司对核心功率器件在极端工况下的可靠性评估能力。建议将此机器学习框架集成至iSolarCloud智能运维平台或研发测试环节,通过分析PCT数据实现对逆变器/PCS功率模块的早期故障预警,优化产品设计余量,从而降低全生命周期运维成本,提升产品在严苛环境下的长期运行稳定性。