一种新型的SiC金属氧化物半导体场效应管的寿命预测

doi:10.3969/j.issn.1004-132X.2026.04.020

摘要/Abstract

摘要：

为应对碳化硅金属氧化物半导体场效应管（SiC MOSFET）在高频、高温和大功率密度应用中面临的可靠性挑战，提出了一种新型的融合卷积神经网络、高效通道注意力机制与双向长短期记忆网络的SiC MOSFET寿命预测方法。该方法以漏源极导通电压为核心退化特征，结合异常值剔除、归一化和指数平滑等预处理策略，并通过滑动窗口对退化时间序列进行重构，实现小样本条件下的有效建模。实验对比结果表明，所提方法在预测精度、稳定性和鲁棒性方面均具有明显优势。

关键词: 碳化硅金属氧化物半导体场效应管, 寿命预测, 卷积神经网络, 双向长短期记忆网络, 高效通道注意力, 功率循环

Abstract:

To address the reliability challenges faced by SiC MOSFETs in high-frequency， high-temperature， and high-power density applications， a novel lifetime prediction method was proposed that integrated a CNN， an ECA mechanism， and a BiLSTM. This method used the drain-source on-state voltage drop as the core degradation feature， incorporated preprocessing strategies such as outlier removal， normalization， and exponential smoothing， and reconstructed the degradation time series through a sliding window to achieve effective modeling under small sample conditions. Comparative experimental results demonstrate that the proposed method offers significant advantages in prediction accuracy， stability， and robustness.

Key words: SiC metal-oxide-semiconductor field-effect transistors（MOSFET）, lifetime prediction, convolutional neural network（CNN）, bidirectional long short-term memory（BiLSTM）, efficient channel attention（ECA）, power cycling

中图分类号:

TH17

胡娅维, 方响, 尹传安, 林子俊, 林小卫. 一种新型的SiC金属氧化物半导体场效应管的寿命预测[J]. 中国机械工程, 2026, 37(4): 959-966.

HU Yawei, FANG Xiang, YIN Chuanan, LIN Zijun, LIN Xiaowei. A Novel SiC MOSFET Lifetime Prediction[J]. China Mechanical Engineering, 2026, 37(4): 959-966.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.04.020

https://www.cmemo.org.cn/CN/Y2026/V37/I4/959

图/表 15

图1 SiC MOSFET功率循环实验平台

Fig.1 SiC MOSFET power cycle test platform

图2 功率循环系统控制框架

Fig.2 Power cycle system control framework

图3 相同壳温下DUT1~DUT5的实验结果

Fig.3 The experimental results of DUT1-DUT5 at the same shell temperature

图4 归一化处理后的老化曲线

Fig.4 The aging curve after normalization processing

图5 归一化和指数平滑处理后的老化曲线

Fig.5 Aging curve after normalization and exponential smoothing

图6 滑动窗口函数处理示意图

Fig.6 Sliding window function processing diagram

图7 CNN-ECA-BiLSTM模型总体结构框架

Fig.7 The overall structure framework of CNN-ECA-BiLSTM model

表1 基于CNN-ECA-BiLSTM模型的寿命预测过程

Tal.1　Life prediction process based on CNN-ECA-BiLSTM model

Algorithm	提出的CNN-ECA-BiLSTM模型 Input：模型的超参数（epoch， Window size， etc.）， training set Output：用于寿命预测的训练完成的CNN-ECA-BiLSTM模型
Step 1	Data Preprocessing：失效参数选择、数据标准化、平滑处理、滑动窗口处理
Step 2	Build：建立CNN-ECA-BiLSTM模型
Step 3	Initialize： CNN-ECA-BiLSTM模型的参数由Xavier 统一初始化，偏差初始化为零
Step 4	Model Training： for $i$ in range（epoch）：将 $x$ 输入CNN中，得到输出 $h t$ ，通过ECA注意力机制对特征加权向BiLSTM输入 $h t$ ，为隐状态加权，并输入全连接层获得RUL 利用预测RUL与真实RUL计算MSE，使用Adam优化器更新模型参数用RMSE和Score评分函数对模型进行评估 end

表1 基于CNN-ECA-BiLSTM模型的寿命预测过程

Tal.1　Life prediction process based on CNN-ECA-BiLSTM model

Algorithm	提出的CNN-ECA-BiLSTM模型 Input：模型的超参数（epoch， Window size， etc.）， training set Output：用于寿命预测的训练完成的CNN-ECA-BiLSTM模型
Step 1	Data Preprocessing：失效参数选择、数据标准化、平滑处理、滑动窗口处理
Step 2	Build：建立CNN-ECA-BiLSTM模型
Step 3	Initialize： CNN-ECA-BiLSTM模型的参数由Xavier 统一初始化，偏差初始化为零
Step 4	Model Training： for $i$ in range（epoch）：将 $x$ 输入CNN中，得到输出 $h t$ ，通过ECA注意力机制对特征加权向BiLSTM输入 $h t$ ，为隐状态加权，并输入全连接层获得RUL 利用预测RUL与真实RUL计算MSE，使用Adam优化器更新模型参数用RMSE和Score评分函数对模型进行评估 end

图8 DUT1的模型预测结果

Fig.8 The model prediction results of DUT1

图9 DUT1不同方法的寿命预测结果对比

Fig.9 Comparison of life prediction results using different methods for DUT1

表2 不同寿命预测方法的结果

Tab.2 Results of different life prediction methods

预测方法	RMSE	Score
CNN-BiLSTM-Attention	0.0443	0.9575
PSO-BP神经网络	0.1611	0.8612
卡尔曼滤波	0.0684	0.9359
粒子滤波	0.0558	0.9471
本文所提模型	0.0342	0.9669

图10 消融研究的实验结果

Fig.10 Experimental results of ablation studies

表3 消融实验结果

Tab.3 Ablation experimental results

方法	RMSE	Score
本文所提模型	0.0342	0.9669
CNN-BiLSTM	0.1450	0.8733
CNN-ECA	0.0966	0.9100
BiLSTM-ECA	0.0756	0.9297

图11 ECA注意力机制与普通注意力机制的对比

Fig.11 Comparison of ECA attention mechanism and general attention mechanism

表4 不同训练数据规模下的预测结果

Tab.4 Prediction results under different training data scales

训练集比例	RMSE	Score
60%	0.0733	0.9316
70%	0.0580	0.9451
80%	0.0342	0.9669
90%	0.0244	0.9761

参考文献 14

[1]	胡汶金. 一种具有低密勒电容的IGBT新结构设计［D］. 成都：电子科技大学， 2022.
	HU Wenjin. A New Structure Design of IGBT with Low Miller Capacitance［D］. Chengdu： University of Electronic Science and Technology of China， 2022.
[2]	ZOLPER J C. Emerging Silicon Carbide Power Electronics Components［C］∥Twentieth Annual IEEE Applied Power Electronics Conference and Exposition （APEC）. 2005： 11-17.
[3]	ZHANG Z， FU G， WAN B， et al. A High-efficiency IGBT Health Status Assessment Method Based on Data Driven［J］. IEEE Transactions on Electron Devices， 2021， 68（1）： 168-174.
[4]	郭稳. 功率MOSFET剩余使用寿命预测方法及热疲劳建模研究［D］. 南昌：华东交通大学， 2020.
	GUO Wen. Research on Prediction Method of Remaining Useful Life and Thermal Fatigue Model of Power MOSFET［D］. Nanchang： East China Jiaotong University， 2020.
[5]	古湧乾. 大功率SiC MOSFET器件寿命预测方法研究［D］. 成都：电子科技大学， 2022.
	GU Yongqian. Research on Life Prediction Method of High Power SiC MOSFET［D］. Chengdu： University of Electronic Science and Technology of China， 2022.
[6]	曹建生，李凯群. 基于改进粒子群优化算法nMOSFET寿命预测［J］. 电子器件， 2018， 41（5）： 1119-1123.
	CAO Jiansheng， LI Kaiqun. Life Prediction of nMOSFET Based on MPSO BP Neural Network［J］. Chinese Journal of Electron Devices， 2018， 41（5）： 1119-1123.
[7]	毛明波，孟昭亮，高勇，等. 基于PSO-BP神经网络的SiC MOSFET模块寿命预测方法研究与实现［J］. 电源学报， 2025， 23（1）： 229-235.
	MAO Mingbo， MENG Zhaoliang， GAO Yong， et al. Research and Implementation of Life Prediction Method for SiC MOSFET Module Based on PSO-BP Neural Network［J］. Journal of Power Supply， 2025， 23（1）： 229-235.
[8]	曾大懿，杨基宏，邹益胜，等. 基于并行多通道卷积长短时记忆网络的轴承寿命预测方法［J］. 中国机械工程， 2020， 31（20）： 2454-2462.
	ZENG Dayi， YANG Jihong， ZOU Yisheng， et al. Bearing Life Prediction Method Based on Parallel Multi-channel Convolutional Long Short-Term Memory Network［J］. China Mechanical Engineering， 2020， 31（20）： 2454-2462.
[9]	宋李俊，刘松林，辛玉，等. 基于轴承退化状态评估和改进图注意力双向门控循环单元网络的轴承剩余寿命预测［J］. 中国机械工程， 2025， 36（7）： 1562-1572.
	SONG Lijun， LIU Songlin， XIN Yu， et al. Residual Life Prediction for Bearings Based on Bearing Degradation State Assessment and IGAT-BiGRU Network［J］. China Mechanical Engineering， 2025， 36（7）： 1562-1572.
[10]	WANG Q， WU B， ZHU P， et al. ECA-Net： Efficient Channel Attention for Deep Convolutional Neural Networks［C］∥2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.2020： 11531-11539.
[11]	XIANG X， LI X， ZHANG Y， et al. A Short-term Forecasting Method for Photovoltaic Power Generation Based on the TCN-ECA Net-GRU Hybrid Model［J］. Scientific Reports， 2024， 14： 6744.
[12]	沈雨桐. 宽禁带半导体功率器件关态应力退化机理及寿命建模研究［D］. 西安：西安电子科技大学， 2023.
	SHEN Yutong. Study on Off-state Stress Degradation Mechanism and Life Modeling of Wide Bandgap Semiconductor Power Devices［D］. Xian： Xidian University， 2023.
[13]	YUN M， YANG D， HE S， et al. Failure Quantitative Assessment Approach to MOSFET Power Device by Detecting Parasitic Parameters［J］. Frontiers in Physics， 2022， 10： 1050678.
[14]	ZAHRA S T， IMDAD S K， KHAN S， et al. Power Transformer Health Index and Life Span Assessment： a Comprehensive Review of Conventional and Machine Learning Based Approaches［J］. Engineering Applications of Artificial Intelligence， 2025， 139： 109474.

[1]	李宪华, 尹胜, 邱洵, 杜鹏飞, 宋韬. 基于双流卷积神经网络的表面肌电信号上肢动作识别[J]. 中国机械工程, 2026, 37(3): 697-707.
[2]	彭才华, 李建华, 任丽娜, 贾世琳. 带测量误差的设备非线性退化建模与剩余寿命在线预测[J]. 中国机械工程, 2026, 37(1): 147-161.
[3]	崔硕, 刘秀丽, 李相杰, 吴国新. 高端旋转机械剩余使用寿命预测及其不确定性量化评估方法[J]. 中国机械工程, 2026, 37(1): 209-222.
[4]	包振科, 曹华军, 秦逢泽, 陈志祥, 陶桂宝. 基于IWOA-IECA-BiLSTM模型的刀具磨损监测[J]. 中国机械工程, 2025, 36(12): 2936-2943.
[5]	张雄, 董乐聪, 王文强, 渠伟瀅, 万书亭. 融合二维卷积与门控循环神经网络的滚动轴承多故障诊断方法[J]. 中国机械工程, 2025, 36(12): 2978-2985.
[6]	王坚坚, 廖与禾, 杨磊, 薛久涛. 基于多维复向特征融合与CNN-GRU的转子不平衡量识别方法[J]. 中国机械工程, 2025, 36(09): 1905-1915.
[7]	杨慧明, 杨霞, 黄宇齐. 基于Paris模型的滚动轴承全周期疲劳寿命预测[J]. 中国机械工程, 2025, 36(09): 2003-2010.
[8]	周思柱, 向琼垚, 曾云. 考虑材料动态记忆特性的疲劳累积损伤模型[J]. 中国机械工程, 2025, 36(08): 1740-1748.
[9]	岳子桐, 李艳婷, 赵宇. 基于神经网络和稳健估计的风电机组状态监测[J]. 中国机械工程, 2025, 36(08): 1842-1852.
[10]	张建宇, 王留震, 肖勇, 马雅楠. 滚动轴承的退化特征信息融合与剩余寿命预测[J]. 中国机械工程, 2025, 36(07): 1553-1561.
[11]	宋李俊, 刘松林, 辛玉, 马婧华, 谢正邱. 基于轴承退化状态评估和改进图注意力双向门控循环单元网络的轴承剩余寿命预测[J]. 中国机械工程, 2025, 36(07): 1562-1572.
[12]	杨赫然1, 2, 张培杰1, 2, 孙兴伟1, 2, 潘飞1, 2, 刘寅1, 2. 利用改进卷积神经网络的螺杆砂带磨削表面粗糙度预测[J]. 中国机械工程, 2025, 36(02): 325-332.
[13]	李牧衡, 范海贵, 杨斌, 吴东晓. 316不锈钢低周疲劳响应与寿命预测改进方法研究[J]. 中国机械工程, 2024, 35(12): 2259-2267.
[14]	郭海宇1, 邹圣公1, 张晓光2, 3, 4, 陆凡凡2, 陈洋2, 王涵2, 徐新志2. 基于多源小波变换神经网络的旋转机械轴承故障诊断[J]. 中国机械工程, 2024, 35(11): 2026-2034.
[15]	祖海英, 孙金山, 叶卫东, 李大奇. 采油单螺杆泵动态力学特性及疲劳寿命预测研究[J]. 中国机械工程, 2024, 35(08): 1358-1365.