Sviluppo di modelli avanzati basati su IA per il monitoraggio della vita utile di dispositivi elettronici di potenza

In the current era, reliance on modern technologies is steadily increasing. Over the past fifty years these technologies have become indispensable in everyday life and in the workplace. Consequently, minimizing failures is a priority — especially failures of critical infrastructures, whose unavailability causes significant disruption. At the same time, sustainability has become an essential constraint: improving component reliability and extending their useful life reduce the environmental impact of electronic boards. As a result, and particularly in recent years, interest in reliability in power electronics has grown considerably. This thesis focuses on power electronic devices. They are subject to various types of stress, such as high voltages, high currents, mechanical vibrations, dust, humidity, and large temperature variations. All of these stresses can lead to device failure. The number of devices integrated within a system is increasing, which raises the probability of failures. Among the components of power electronic boards, the power transistor is one of the most critical elements. A commonly used technology is the IGBT (Insulated Gate Bipolar Transistor), which is particularly well suited to medium-to-high voltages and currents. The aim of this thesis is to evaluate the use of a neural network capable of estimating the Remaining Useful Lifetime (RUL) of an IGBT subjected to power cycling, based on estimates of electrical quantities (such as the voltage and current across the device) and thermal quantities (such as junction temperature). In particular, the model has been prepared to operate under time-varying temperature stress — that is, with the device subjected to a generic “mission profile.” The first chapter of the thesis introduces all the concepts necessary to understand the case study; in particular, section 1.1 covers the devices typically used in power applications, while section 1.2 is devoted to an analysis of deep learning techniques. The second chapter describes the laboratory experimental setup used to collect the data. The third chapter describes the method for generating synthetic profiles used to train the neural network; these profiles expose the model to multiple degradation profiles and different stress levels, avoiding long and costly experimental tests. The fourth chapter motivates and presents the design choices for the network (for example, architecture, number of layers and units, activation functions). The fifth chapter presents the results obtained on two different experimental datasets. The thesis concludes with final remarks and suggestions for possible improvements.

Nell’epoca attuale l’affidamento alle moderne tecnologie è in costante crescita. Negli ultimi cinquant’anni queste tecnologie sono diventate imprescindibili nella vita di tutti i giorni ed anche nelle attività lavorative. Di conseguenza è prioritario ridurre al minimo i guasti, e soprattutto quelle di infrastrutture critiche, la cui indisponibilità comporta notevoli disagi. Parallelamente, la sostenibilità è diventata un vincolo imprescindibile: il miglioramento dell’affidabilità dei componenti e l’estensione della loro vita utile permettono di abbattere l’impatto ambientale delle schede elettroniche. Ne consegue che, soprattutto negli ultimi anni, è cresciuto notevolmente l’interesse per l’affidabilità nell’elettronica di potenza. In particolare nell’ambito di questo elaborato ci si concentra sui dispositivi elettronici di potenza. Essi sono soggetti a diverse tipologie di stress, come elevate tensioni, elevate correnti, vibrazioni meccaniche, polveri, umidità, variazioni di temperatura elevate. Tutte queste sollecitazioni possono portare al guasto del dispositivo. Il numero di dispositivi integrati all’interno di un sistema è in aumento, e ciò accresce la probabilità di guasti.Tra i compontenti delle schede elettroniche di potenza il transistore di potenza è uno degli elementi più critici. Una tecnologia comunemente impiegata è l’IGBT (Insulated Gate Bipolar Transistor), essendo particolamente adatta a tensioni e correnti medio-alte. L’obiettivo di questa tesi è valutare l’utilizzo di una rete neurale in grado di stimare la vita utile residua (RUL, Remaining Useful Lifetime) di un IGBT sottoposto a power cycling a partire dalla stima di grandezze elettriche (quali tensione e corrente ai capi del dispositivo) e grandezze termiche (come la temperatura di giunzione); in particolare si è predisposto il modello per funzionare anche in condizioni di stress di temperatura variabili nel tempo, ovvero con il dispositivo soggetto ad un generico "mission profile". Nel primo capitolo dell’elaborato si introducono tutte le nozioni necessarie per comprendere il caso studio; in particolare la sezione 1.1 tratta dei dispositivi elettronici tipicamente utilizzati in applicazioni di potenza mentre la 1.2 è dedicata all’analisi delle tecniche di deep learning. Il secondo capitolo descrive il setup sperimentale di laboratorio utilizzato per ottenere la raccolta dei dati. Il terzo capitolo descrive il metodo per generare profili sintetici usati nell’addestramento della rete neurale; questi profili permettono di esporre il modello a molteplici profili di degradazione e a diversi livelli di stress, evitando test sperimentali lunghi e costosi. Il quarto capitolo motiva e mostra le scelte progettuali della rete (come ad esempio architettura, numero di layer e unità, funzioni di attivazione). Il quinto capitolo presenta i risultati ottenuti su due diversi dataset sperimentali. Alla fine dell’elaborato si riportano le conclusioni e i miglioramenti applicabili.