基于物理约束神经网络的IGBT模块焊料层空洞识别方法OA

绝缘栅双极型晶体管(IGBT)是现代电力电子装置的核心器件,焊料层空洞是影响其热性能和使用寿命的关键因素。针对小样本条件下非侵入式空洞识别困难的问题,提出了一种基于物理约束神经网络的空洞识别方法。该方法以底板上表面温度分布特征为输入,构建嵌入热传导方程约束的卷积神经网络,实现对空洞位置与尺寸的联合识别。通过有限元仿真建立多工况数据集,系统验证了方法的有效性和鲁棒性。结果表明,所提方法在空洞位置与尺寸分级检测中的准确率分别达到84.2%与81.5%,优于所对比的传统机器学习方法和基准深度学习模型;在噪声干扰和不规则空洞条件下仍保持较高的识别精度。该研究为IGBT模块的可靠性监测和预防性维护提供了新的技术方案,对功率电子系统可靠性的提升具有重要意义。