Verification of the die Temperature of a SiC Transistor Based on the Thermal Imaging and Machine Learning

eng Article in English DOI: 10.14313/PAR_257/119

send Krzysztof Dziarski *, Arkadiusz Hulewicz ** * Poznań University of Technology, Institute of Electric Power Engineering, Piotrowo 3A, 60-965 Poznań, Poland ** Poznań University of Technology, Institute of Electrical Engineering and Electronics, Piotrowo 3A, 60-965 Poznan, Poland

Download Article

Abstract

The article presents a method for the automatic verification of the thermograms of the transistor packages, enabling the differentiation between those in which the die temperature is correct and those in which it is too high. This method is based on an indirect thermographic measurement of the transistor die temperature. The paper describes a measurement methodology that provides a reliable temperature assessment, based on simulations using the Finite Element Method (FEM). A transistor operating in pulsed mode (switching at a specific frequency, rather than in the active state) was used. The procedure for determining the coefficients required for these simulations is also presented. Additionally, the article includes an algorithm for analyzing thermograms of the investigated transistor packages and the results of this analysis, which allow for distinguishing components operating at the correct and excessive temperatures.

Keywords

artificial neural network, convolutional neural network, thermography

Weryfikacja temperatury struktury półprzewodnikowej tranzystora SiC na podstawie obrazowania termowizyjnego i uczenia maszynowego

Streszczenie

W artykule przedstawiono metodę automatycznej weryfikacji termogramów obudów tranzystorów. Umożliwia rozróżnienie tych, które przedstawiają strukturę półprzewodnikową o właściwej temperaturze od tych przedstawiających strukturę półprzewodnikową o niewłaściwej temperaturze. Metoda ta opiera się na pośrednim termograficznym pomiarze temperatury struktury półprzewodnikowej tranzystora. W pracy opisano metodykę pomiaru, która zapewnia wiarygodną ocenę temperatury struktury przewodnikowej struktury półprzewodnikowej tranzystora. Zaproponowana metoda bazuje na pracach symulacyjnych z wykorzystaniem Metody Elementów Skończonych (MES). W badaniach zastosowano tranzystor pracujący w trybie impulsowym (przełączanie z określoną częstotliwością). Przedstawiono również metodę wyznaczania współczynników niezbędnych do wykonania prac symulacyjnych. Dodatkowo artykuł zawiera algorytm analizy termogramów obudów badanych tranzystorów oraz wyniki tej analizy. W konsekwencji możliwe jest rozróżnienie tranzystorów ze strukturą półprzewodnikową o właściwej temperaturze od tranzystorów ze strukturą półprzewodnikową w niewłaściwej temperaturze.

Słowa kluczowe

konwolucyjna sieć neuronowa, sztuczna sieć neuronowa, termografia

Bibliography

  1. Morel C., Rizoug N., Electro-Thermal Modeling, Aging and Lifetime Estimation of Power Electronic MOSFETs, “Civil Engineering Research Journal”, Vol. 14, No. 1, 2023, DOI: 10.19080/CERJ.2023.14.555879.
  2. Morel C., Morel J., Chaos Anticontrol and Switching Frequency Impact on MOSFET Junction Temperature and Lifetime, “Actuators”, Vol. 14, No. 5, 2025, DOI: 10.3390/act14050203.
  3. Lelis A.J., Habersat D.B., Green R., Goldsman N., Temperature-Dependence of SiC MOSFET Threshold-Voltage Instability, “Materials Science Forum”, Vols. 600–603, 2008, 807–810, DOI: 10.4028/www.scientific.net/msf.600-603.807.
  4. Davidson J.N., Stone D.A., Foster M.P., Gladwin D.T., Measurement and characterization technique for real-time die temperature prediction of MOSFET-based power electronics, “IEEE Transactions on Power Electronics”, Vol. 31, No. 6, 2016, 4378–4388, DOI: 10.1109/TPEL.2015.2476557.
  5. Dziarski K., Hulewicz A., Kuwałek P., Wiczyński G., Methods of Measurement of Die Temperature of Semiconductor Elements: A Review, “Energies”, Vol. 16, No. 6, 2023, DOI: 10.3390/en16062559.
  6. Sathik M.H.M., Pou J., Prasanth S., Muthu V., Simanjorang R., Gupta A.K., Comparison of IGBT junction temperature measurement and estimation methods-a review, [In:] Asian Conference on Energy, Power and Transportation Electrification (ACEPT), 2017, DOI: 10.1109/ACEPT.2017.8168600.
  7. Minkina W., Theoretical basics of radiant heat transfer-practical examples of calculation for the infrared (IR) used in infrared thermography measurements, “Quantitative InfraRed Thermography Journal”, Vol. 18, No. 4, 2021, 269–282, DOI: 10.1080/17686733.2020.1738164.
  8. Dziarski K., Hulewicz A., Skrzypczak S., Indirect thermographic die temperature measurement of a SiC-based semiconductor diode under the conditions of natural and forced convection, “Quantitative InfraRed Thermography Journal”, Vol. 22, No. 3, 2024, 210–234, DOI: 10.1080/17686733.2024.2360254.
  9. Rabczuk T., Xiao S.P., Sauer M., Coupling of mesh‐free methods with finite elements: basic concepts and test results, “Communications in Numerical Methods in Engineering”, Vol. 22, No. 10, 2006, 1031–1065, DOI: 10.1002/cnm.871.
  10. Kawor E.T., Mattei S., Emissivity measurements for Nextel Velvet Coating 811-21 between –36 °C and 82 °C, [In:] 15th European Conference on Thermophysical Properties, Vol. 33, 551–556, DOI: 10.1068/htwu385.
  11. Baillis  D., Coquard R., Randrianalisoa J., Dombrovsky L., Viskanta R., Thermal radiation properties of highly porous cellular foams, “Special Topics & Reviews in Porous Media: An International Journal”, Vol. 4, No. 2, 2013, 111–136, DOI: 10.1615/SpecialTopicsRevPorousMedia.v4.i2.20.
  12. Feng S.Z., Cui X.Y., Li G.Y., Transient thermal mechanical analyses using a face-based smoothed finite element method (FS-FEM), “International Journal of Thermal Sciences”, Vol. 74, 2013, 95–103, DOI: 10.1016/j.ijthermalsci.2013.07.002
  13. Dziarski K., Hulewicz A., Dombek G., Drużyński Ł., Indirect Thermographic Temperature Measurement of a Power-Rectifying Diode Die, “Energies”, Vol. 15, No. 9, 2022, DOI: 10.3390/en15093203.
  14. Mingxing T., Quoc V.L., EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks, International Conference on Machine Learning ICML 2019, DOI: 10.48550/arXiv.1905.11946.
  15. Taye M.M., Theoretical Understanding of Convolutional Neural Network: Concepts, Architectures, Applications, Future Directions, “Computation”, Vol. 11, No. 3, 2023, DOI: 10.3390/computation11030052.