[发明专利]一种基于深度学习的热阻测量方法

说明书

本发明提供一种基于深度学习的热阻测量方法，包括：获取待测器件的结温冷却曲线；获取ANN建模所需的瞬态热阻抗曲线与时间常数谱的样本集；所述ANN表示为人工神经网络；根据所述待测器件的结温冷却曲线，计算器件的瞬态热阻抗曲线，获得瞬态热阻抗曲线与结温冷却曲线的关系；根据所述的瞬态热阻抗曲线与时间常数谱的样本集，获得ANN模型；根据所述器件的瞬态热阻抗曲线作为ANN模型的输入变量，获得器件的时间常数谱曲线；根据所述器件的时间常数谱曲线，计算器件的积分结构函数曲线，获得所述器件的热阻。本发明大大缩减了迭代时间，并拥有很好的去噪能力，对准确获取器件的结构函数曲线具有重要意义。

技术领域

本发明涉及人工智能与半导体器件技术领域，具体涉及一种基于深度学习的热阻测量方法。

背景技术

如今，高效率、低能耗的功率器件如何可靠的发展下去成为整个半导体行业的焦点。其中，由温度引发功率模块失效导致器件热可靠性降低为主要问题。精确测量器件的热阻有助于优化器件的封装散热结构设计，热阻更是评估器件本身寿命和可靠性的一个关键参数。针对获取器件热阻的方法，基于结构函数的热瞬态测试技术是公认的封装器件热特性测量的重要方法。获取器件的结构函数步骤主要包括公式计算、数值求导、反卷积运算、离散化和模型转换等。其中，瞬态热阻抗微分曲线da/dz通过反卷积运算得到的时间常数谱R(z)直接影响着最终得到的模块结构函数是否能够准确反映模块内部的热阻分布。但是目前的反卷积算法都存在一个所谓的不适定问题，即许多不同的函数在允许的误差范围内求解卷积方程。此外，这些数值解对输入数据中的噪声非常敏感，即使在反卷积之前对输入的da/dz进行噪声滤波处理后，时间常数谱的结果和随后推导的结构函数的结果都有分辨率的损失。目前应用于热瞬态测试技术的反卷积算法且拥有较好的去噪能力的只有贝叶斯反卷积法，但是贝叶斯算法仍热存在算法复杂，耗时较长，迭代次数不确定等缺点。

发明内容

为解决上述技术问题，本发明提出了一种基于深度学习的热阻测量方法，利用人工神经网络替代反卷积，以解决反卷积步骤带来的不适定问题。本发明大大缩减了迭代时间，并拥有很好的去噪能力，对准确获取器件的结构函数曲线具有重要意义。

为达到上述目的，本发明采用如下技术方案：

一种基于深度学习的热阻测量方法，包括如下步骤：

步骤1、获取待测器件的结温冷却曲线；

步骤2、获取ANN建模所需的瞬态热阻抗曲线与时间常数谱的样本集；所述ANN表示为人工神经网络；

步骤3、根据所述待测器件的结温冷却曲线，计算器件的瞬态热阻抗曲线，获得瞬态热阻抗曲线与结温冷却曲线的关系；

步骤4、根据所述的瞬态热阻抗曲线与时间常数谱的样本集，获得ANN模型；根据所述器件的瞬态热阻抗曲线作为ANN模型的输入变量，获得器件的时间常数谱曲线；

步骤5、根据所述器件的时间常数谱曲线，计算器件的积分结构函数曲线，获得所述器件的热阻。

进一步地，所述步骤2中，通过实验室的热阻测试仪，测量一批功率器件模块，获取ANN建模所需的瞬态热阻抗曲线与时间常数谱的样本集。

进一步地，所述步骤3中，根据所述结温冷却曲线，瞬态热阻抗曲线与结温冷却曲线的关系为：

其中，Z(t)表示相应时刻的阻抗值；T(0)表示停止加热时的初始结温；T(t)表示相应时刻的结温；ΔP_loss表示器件的耗散功率，在热平衡时等于加热功率。

进一步地，所述步骤4中，对于输入特征变量，瞬态热阻抗曲线由下列分段函数精准拟合：

其中，k，r1，c1，r2，c2，r3，c3为相关参数，t为时间，Zth(t)为瞬态热阻抗；