一种新型的SiC金属氧化物半导体场效应管的寿命预测

A Novel SiC MOSFET Lifetime Prediction

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。

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.

Graphical abstract

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

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

0 引言

电力电子系统广泛应用于可再生能源发电、船舶推进、航空航天等领域，其中功率半导体器件是实现电能高效传输与转换的核心^［1］。随着高功率密度、高效率应用需求的不断提升，传统硅基器件已逐渐难以满足现代电力电子系统的发展要求^［2］。相比之下，碳化硅金属氧化物半导体场效应管（SiC MOSFET）凭借高击穿场强、低导通电阻和优异热稳定性，正成为电动汽车、轨道交通和工业驱动等领域的重要开关器件。

然而，SiC MOSFET在长期运行过程中仍面临显著的可靠性问题，在反复热-机械应力作用下，其焊层、键合线等封装结构易发生疲劳失效，进而引起导通电阻增大、性能退化甚至器件失效，因此，围绕器件退化过程开展寿命预测对保障电力电子系统长期稳定运行具有重要意义^［3］。

现有寿命预测方法主要包括基于物理模型、统计分析和数据驱动三类。物理模型和统计方法虽具有一定可解释性，但在处理高维、非线性且具有强时序相关性的退化数据时预测精度往往受限。基于数据驱动的寿命预测方法可通过分析从器件历史运行数据中提取的健康状态指标（HI）来进行剩余寿命（RUL）预测。这些退化数据通常包括器件老化过程中的性能退化特征，如导通电阻、漏电流等^［4］。古湧乾^［5］融合重采样技术与卡尔曼滤波算法构建了一种混合预测模型，并验证了模型在预测精度方面的优越性。曹剑生等^［6］结合粒子群优化（PSO）算法与反向传播神经网络（BPNN）开展MOSFET器件的RUL预测。毛明波等^［7］进一步优化了神经网络拓扑结构，提出了PSO-BPNN改进方法，有效增强了模型的非线性映射能力与鲁棒性。然而，在SiC MOSFET实际应用中可获取的寿命退化数据样本极为有限，导致模型训练和泛化的难度进一步增加。近年来，卷积神经网络（CNN）、长短期记忆网络（LSTM）及其变体等深度学习方法在退化建模中取得了较好效果，其中，CNN擅长提取局部特征^［8］，双向长短期记忆网络（BiLSTM）能够刻画时序演化规律^［9］，但单一模型在小样本、器件个体差异明显的场景下仍存在局限。

针对上述问题，本文提出一种CNN-ECA-BiLSTM混合模型用于SiC MOSFET寿命预测。该方法首先利用CNN提取局部空间特征，然后引入高效通道注意力机制（ECA）对关键退化信息进行自适应加权，从而筛选出对退化敏感的深层特征，最后结合BiLSTM建模退化序列的时序演化特征。ECA因其轻量化和避免降维的特性^［10］，近年来被用于提高其他时序预测任务的模型判别力^［11］。然而，将ECA与CNN-BiLSTM进行深度融合以用于SiC MOSFET寿命预测，需解决三个关键技术难点：一是如何在有限样本下设计注意力模块以避免过拟合并准确聚焦于与退化强相关的局部电压波动特征；二是如何实现CNN提取的空间化特征与BiLSTM所需的序列化输入之间的高效信息无损转换；三是如何优化整体训练策略，使注意力机制、CNN与BiLSTM三者能协同学习，共同增强对退化趋势早期微弱拐点的辨识能力。针对这些难点，本文通过设计一种滑动窗口的数据增强方法，结合分层特征重标定与序列重塑策略，构建了CNN-ECA-BiLSTM混合模型。该模型旨在增强小样本条件下关键退化模式的敏感性，最终实现更高精度与鲁棒性的寿命预测。需要指出的是，本文所述数据驱动方法并不以大规模寿命样本为前提，而是面向功率器件实际工程中“单器件、少样本、长退化序列”的典型应用场景。通过滑动窗口的数据重构策略与具有结构归纳偏置的轻量化网络设计，模型能够在有限样本条件下有效学习退化演化规律。

1 实验平台与数据预处理方法

1.1 SiC MOSFET 疲劳老化特征量

SiC MOSFET是一种基于碳化硅材料的单极性功率半导体器件，采用绝缘栅结构设计。在长期工作过程中，工作温度的波动以及热循环应力可能导致器件芯片或封装出现失效。根据失效发生部位的不同，SiC MOSFET的失效模式分为芯片失效和封装失效两类^［12］。其中，与器件磨损老化相关的失效模式是寿命预测研究的重点对象。一些能够反映SiC MOSFET器件可靠性退化的关键电学参数常被选作退化特征量，包括阈值电压V_{\mathrm{t}\mathrm{h}}、结温T_{\mathrm{j}}、漏源极导通电阻R_{\mathrm{d}\mathrm{s},\mathrm{o}\mathrm{n}}、漏源极导通电压V_{\mathrm{d}\mathrm{s},\mathrm{o}\mathrm{n}}、米勒平台电压V_{\mathrm{M}\mathrm{P}}等。为判定器件是否达到失效状态，通常需要设定相应的失效判据，即各参数相对于初始值允许的最大变化幅度。失效判据通常以参数相对漂移量达到某一阈值来量化定义，其通用表达式为

\lambda =\mathrm{\Delta }X/X_{\mathrm{0}}\ge \eta（1）

\mathrm{\Delta }X=X-X_{\mathrm{0}}

式中：λ为失效判据；X为参数的当前值；X₀为初始值；ΔX为参数的绝对变化量；η为预先设定的百分比阈值。

这一量化方法被广泛应用于功率器件可靠性评估中^［13］。例如，阈值电压的漂移阈值设定为增加20%（即\mathrm{\Delta }{V}_{\mathrm{t}\mathrm{h}}/V_{\mathrm{t}\mathrm{h}\mathrm{0}}\ge \mathrm{20}\mathrm{\%}），漏源极导通电阻的增大阈值设定为15%（即\mathrm{\Delta }{R}_{\mathrm{d}\mathrm{s},\mathrm{o}\mathrm{n}}/R_{\mathrm{d}\mathrm{s},\mathrm{o}\mathrm{n}\mathrm{0}}\ge \mathrm{15}\mathrm{\%}），漏源极导通电压的升高阈值设定为20%（即\mathrm{\Delta }{V}_{\mathrm{d}\mathrm{s},\mathrm{o}\mathrm{n}}/V_{\mathrm{d}\mathrm{s},\mathrm{o}\mathrm{n}\mathrm{0}}\ge \mathrm{20}\mathrm{\%}）。当器件在使用过程中出现退化，导致上述任一特征参数的变化超过其设定阈值时，即可判定该器件已达到失效状态。

碳化硅材料具有优异的电学性能，使得SiC MOSFET的导通电阻显著低于传统硅基器件。其中，漏源极导通电压仅需通过电压传感器即可实时采集，具有测量误差小、精度高、便于在线测量等优势，因此，本文选择漏源极导通电压V_{\mathrm{d}\mathrm{s},\mathrm{o}\mathrm{n}}作为SiC MOSFET寿命预测的核心退化特征参数。V_{\mathrm{d}\mathrm{s},\mathrm{o}\mathrm{n}}表示器件在导通状态下漏极与源极之间的电压降，其数值会随着器件老化而逐步增大，其相对变化量可直接反映器件的退化程度。本文遵循前述工程实践，将\mathrm{\Delta }{V}_{\mathrm{d}\mathrm{s},\mathrm{o}\mathrm{n}}/V_{\mathrm{d}\mathrm{s},\mathrm{o}\mathrm{n}\mathrm{0}}\ge \mathrm{20}\mathrm{\%}设定为器件失效的判定标准。

1.2 SiC MOSFET功率循环老化实验

为获取SiC MOSFET在功率循环热应力作用下的老化退化特征数据，本文搭建了一套基于恒导通工作模式的功率循环加速老化实验平台，如图1所示。该实验平台主要由恒流主功率回路、IGBT控制驱动单元、待测SiC MOSFET器件、壳温监测与水冷散热装置、双脉冲测试单元以及数据采集系统等模块组成，各功能模块协同运行，实现对器件老化过程的稳定加载与综合在线监测。

实验选用英飞凌（Infineon）公司生产的IMW120R220M1HXKSA1型SiC MOSFET作为被测对象，采用TO-247-3封装形式。该器件额定耐压为1200 V，额定电流为9.5 A，最高结温为175℃，阈值电压约为5 V，室温条件下导通电阻范围为220~294 mΩ。该器件具有较小的内部栅极电阻和反向传输电容，在导通状态下表现出较低的导通损耗和优良的高速开关特性，适用于高温、高功率密度运行环境，能够满足功率循环老化实验对稳定性与可靠性的要求。

主功率回路使用直流恒流加热电流源向待测SiC MOSFET施加恒定负载电流，在器件导通状态下产生热功耗，使器件的温度逐渐升高。功率循环过程中，器件的通断状态由IGBT模块控制，通过对漏极电流的周期性通断来实现主功率回路的循环切换。当器件壳温升高至预设的上限阈值时，系统关闭驱动信号并启动水冷散热装置；当壳温降低至设定的下限阈值后，系统重新施加驱动电压，使器件再次进入导通状态，从而形成受控、可重复的功率循环热应力加载过程。该恒导通型功率循环方式结构简单、控制稳定，适于长时间加速老化实验的持续运行。

在温度监测方面，本文采用壳温作为温度控制与评估指标。通过将超细K型热电偶紧密贴合于被测SiC MOSFET器件底部的铜基板表面实现对器件壳温的实时监测。与传统仅在器件底板边缘测温的方法相比，该测量方式能够更真实地反映器件的热状态，有效减小测点位置差异引起的测量误差，提高温度监测结果的稳定性与一致性。为保证器件在高温、低温循环条件下的可靠运行，设计了一套高效水冷散热系统，该系统在器件关断阶段启动，可快速降低器件温度，使壳温在设定区间内实现稳定、可控的周期性波动，从而为功率循环老化实验提供一致的热应力条件。

在器件电参数测试方面，实验平台同时配置了稳态参数在线监测与动态特性测试单元。在功率循环过程中，系统持续在线采集SiC MOSFET的漏源极导通电压，用于表征器件导通特性的变化情况，并以导通电压相对于初始值显著升高（如达到初始值的1.2倍）作为器件老化失效的预警判据之一。此外，通过双脉冲测试单元对器件进行定期测试，获取其开通与关断过程中的电压、电流波形，用于分析器件动态特性及其随老化过程的演化规律，为器件老化状态评估及后续特征提取提供重要依据。

数据采集系统采用National Instruments（NI）公司的多通道采集设备，其中NI USB-6501用于数字信号采集，NI-9215高速模拟采集卡用于采集每个通断周期内的漏源极电压波形并提取V_{\mathrm{d}\mathrm{s},\mathrm{o}\mathrm{n}}值，NI-9210温度采集卡用于同步记录器件壳温变化。上述硬件配置可实现对老化过程中关键参数的高精度、高时间分辨率采集。所有采集卡均与计算机系统实时连接，并通过LabVIEW上位机平台实现信号的同步采集、实时显示与自动存储，为功率循环老化特征分析及寿命预测模型的构建提供可靠的数据支撑。

加速老化实验及其数据采集过程均由LabVIEW上位机程序实现自动化控制，整体控制框架如图2所示。系统初始化完成后，加热电流源和低压源启动，向IGBT驱动模块输出高电平信号，使加热电流源向待测器件输出恒定电流，器件进入导通状态并开始升温。系统实时监测壳温变化，当壳温达到预设上限阈值时，IGBT驱动模块输出低电平信号，漏极电流归零，器件切换至关断状态。随即水冷系统启动，快速将器件温度降至预设下限阈值。当检测到壳温达到下限时，系统重新施加驱动信号，器件再次进入导通状态，完成一次完整的功率循环。该循环过程持续进行，直至器件的退化特征量达到失效预警标准。

1.3 SiC MOSFET实验数据预处理

对功率循环过程中采集的SiC MOSFET漏源极导通电压老化数据进行处理分析。共采集了5组数据（DUT1~DUT5），每组约1200个测量点。图3所示为相同壳温条件下DUT1~DUT5器件的实验结果，可以看出，尽管不同器件因制造工艺差异导致老化曲线存在一定程度的离散性，但各器件漏源极导通电压的整体退化趋势呈现良好的一致性，这表明器件在功率循环应力作用下具有相同的疲劳退化机理。

在训练预测模型之前，为提高数据质量并增强模型对退化特征的敏感性，进行了若干数据预处理步骤。

1）异常值剔除。采用四分位距（IQR）方法对V_{\mathrm{d}\mathrm{s},\mathrm{o}\mathrm{n}}数据进行离群值检测并将超出正常范围的异常测量值去除。通过计算数据的IQR并设定合理阈值，可以有效识别并去除因测量误差或瞬态扰动引起的异常点，确保训练数据的可靠性和准确性。

2）数据归一化处理。为避免不同量纲的特征对模型训练产生不均衡影响，采用Min-Max标准化方法将所有特征值线性映射至［0，1］区间。归一化处理后的老化曲线见图4，计算公式为

X^{\mathrm{\text{'}}}=\frac{X-X_{\mathrm{m}\mathrm{i}\mathrm{n}}}{X_{\mathrm{m}\mathrm{a}\mathrm{x}}-X_{\mathrm{m}\mathrm{i}\mathrm{n}}}（2）

3）考虑到实际采集的退化序列中可能含有高频噪声干扰，采用一阶指数平滑方法对V_{\mathrm{d}\mathrm{s},\mathrm{o}\mathrm{n}}序列进行去噪处理，以提高数据的平滑性和稳定性。图5为经过归一化和一阶指数平滑处理后的老化曲线，计算公式为

S_t=\alpha X_t+(\mathrm{1}-\alpha )S_{t-\mathrm{1}}（3）

式中：S_t为平滑后的值；S_{t-\mathrm{1}}为前一时刻的平滑值；\alpha是平滑系数。

完成上述预处理后，为充分挖掘退化序列的时间相关特征并扩充训练样本，引入滑动窗口方法对预处理后的数据进行片段划分。具体而言，设定窗口长度L，以固定步长在完整退化序列上滑动，依次截取多个长度为L的子序列作为模型的输入样本，其对应的预测值（标签）设定为紧随该窗口之后的下一个数据点。上述样本集可用于模型的训练与验证。该方法不仅捕捉了时间维度的特征关联，还实现了数据增强效果^［14］。图6是滑动窗口截取过程的示意图，可见，滑动窗口沿时间轴滚动，将长时间序列分解为多个重叠子序列输入模型，使模型能够在不同时间尺度上学习退化过程的动态变化规律。

2 基于CNN-ECA-BiLSTM的寿命预测模型

2.1 模型框架

图7所示为本文所提CNN-ECA-BiLSTM模型的整体结构框架。整个模型由4个核心部分组成：CNN特征提取模块、ECA通道注意力模块、BiLSTM时序建模模块和预测输出层。首先，CNN模块从退化信号中提取局部特征，以捕捉其空间相关性；其次，ECA对特征通道进行自适应加权，强化关键退化信息；然后，BiLSTM模块通过双向结构捕获退化序列的时间依赖关系进行建模，从而获得更加完整的时序特征表示；最后，全连接层输出寿命预测结果。

2.2 CNN-ECA-BiLSTM特征融合架构

在模型总体框架的基础上进一步说明CNN-ECA-BiLSTM融合结构的内部特征传递与建模机理。该融合结构通过在局部特征提取与时序建模之间引入通道注意力机制，实现对退化关键信息的逐级筛选与建模。整体特征融合过程可划分为4个阶段。

第一阶段：CNN局部特征提取。设输入退化时间序列为X\in {\mathbf{R}}^{T\times d}，其中，T为序列长度，d为特征维度。CNN通过卷积操作提取局部特征：

{\mathit{F}}_{\mathrm{C}\mathrm{N}\mathrm{N}}=CNN\left(X\right)\in {\mathbf{R}}^{T^{\text{'}}\times C}（4）

其中，T\mathrm{\text{'}}为池化后的时间步长；C为特征通道数。该特征图保留了原始信号的局部模式信息。

第二阶段：ECA通道注意力筛选。由于不同特征通道对退化建模的贡献不同，本文引入ECA进行通道重标定。ECA通过全局平均池化获取通道统计信息，再利用一维卷积生成注意力权重\mathit{\omega }，最后对CNN特征进行逐通道加权：

{\mathit{F}}_{\mathrm{E}\mathrm{C}\mathrm{A}}=\mathit{\omega }\odot F_{\mathrm{C}\mathrm{N}\mathrm{N}}（5）

式中：⊙表示逐元素乘法运算。

通过上述处理，关键特征通道得到强化，冗余通道被抑制。

第三阶段：BiLSTM双向时序依赖建模。将加权后的特征{\mathit{F}}_{\mathbf{E}\mathbf{C}\mathbf{A}}按时间步展开，输入BiLSTM进行时序建模。BiLSTM分别从正向和反向处理序列：

{\mathit{h}}_t^{\mathrm{f}}=LST{M}_{\mathrm{f}\mathrm{o}\mathrm{r}}({\mathit{e}}_t,{\mathit{h}}_{t-\mathrm{1}}^{\mathrm{f}})（6）

{\mathit{h}}_t^{\mathrm{b}}=LST{M}_{\mathrm{b}\mathrm{a}\mathrm{c}}({\mathit{e}}_t,{\mathit{h}}_{t+\mathrm{1}}^{\mathrm{b}})（7）

式中：{\mathit{e}}_t为第t时刻的输入特征向量（即{\mathit{F}}_{\mathrm{E}\mathrm{C}\mathrm{A}}按时间步展开后的第t步特征）；{\mathit{h}}_{t-\mathrm{1}}^{\mathrm{f}}为前一时刻的正向隐藏状态；{\mathit{h}}_{t+\mathrm{1}}^{\mathrm{b}}为后一时刻的反向隐藏状态。

将双向隐状态拼接得到综合时序特征

{\mathit{h}}_t=\left[{\mathit{h}}_t^{\mathrm{f}}{\mathit{h}}_t^{\mathrm{b}}\right]（8）

该双向结构能同时利用历史趋势和未来演化信息。

第四阶段：特征映射与寿命预测。采用全连接层对BiLSTM最后时刻的输出进行映射，得到寿命预测值

\widehat{y}={\mathit{W}}_{\mathrm{f}\mathrm{c}}\cdot {\mathit{h}}_{T^{\mathrm{\text{'}}}}+b_{\mathrm{f}\mathrm{c}}（9）

式中：{\mathit{W}}_{\mathrm{f}\mathrm{c}}为全连接层的权重矩阵；b_{\mathrm{f}\mathrm{c}}为全连接层的偏置项；{\mathit{h}}_{T^{\mathrm{\text{'}}}}为最后一个时间步的拼接隐状态向量。

该架构具有以下技术优势：①CNN-ECA级联在特征提取阶段即完成通道筛选，使BiLSTM能够专注于高判别力特征的时序建模；②ECA采用轻量化设计，适用于小样本条件下的高效训练；③双向时序建模增强了对退化趋势早期拐点的辨识能力。

2.3 损失函数与模型训练

模型采用均方误差（MSE）作为损失函数：

L_{\mathrm{M}\mathrm{S}\mathrm{E}}=\frac{\mathrm{1}}{N}{\displaystyle \sum _{i=\mathrm{1}}^N}(y_i-{\widehat{y}}_i{)}^{\mathrm{2}}（10）

其中，N为训练样本数量；y_i为第i个样本的真实寿命标签；{\widehat{y}}_i为模型预测输出值。通过最小化MSE损失，可使模型预测值尽可能逼近真实寿命。

综上所述，本文提出的CNN-ECA-BiLSTM混合模型通过结合局部特征提取、通道注意力增强以及双向时序依赖建模等机制，实现了对SiC MOSFET退化过程的深层次表征与高精度寿命预测。该模型的预测精度与泛化能力将在后续实验中进行详细验证与分析。

3 实验结果分析

3.1 实验设计

为了验证所提出的寿命预测模型的有效性，基于第1节所述的功率循环实验平台获取了SiC MOSFET的退化数据集。该数据集包括5个相同型号的SiC MOSFET器件（DUT1~DUT5）在恒定应力功率循环条件下，从初始状态至失效的完整老化过程数据，单组数据包含约1200个功率循环测量点。本文以DUT1器件作为实验对象进行验证分析。

在数据集构建和预处理过程中，采用前述滑动窗口方法将每个器件的退化序列划分为多个子序列样本，使模型能够利用这些样本进行训练和验证。在模型训练过程中，数据集按80%的比例划分为训练集，20%的比例作为测试集。模型的超参数设置为：CNN采用一维卷积层，卷积核数量为32，卷积核大小为3；BiLSTM层数为1，隐藏层维度为32，迭代次数为50，学习率为0.001，Dropout为0.2，滑动窗口大小为10。采用Adam优化器训练模型，提高深度网络的收敛速度。选用均方根误差（RMSE）和Score评分函数作为寿命预测的评估指标。

RMSE表示预测值与实际值之间均方误差的平方根，其值T_{\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}}越小，则模型拟合效果越优。计算公式如下：

T_{\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}}=\sqrt[]{\frac{\mathrm{1}}{N}{\displaystyle \sum _{i=\mathrm{1}}^N}(y_i-{\widehat{y}}_i{)}^{\mathrm{2}}}（11）

Score评分函数是评价模型预测能力的一个归一化指标。Score值T_{\mathrm{S}\mathrm{c}\mathrm{o}\mathrm{r}\mathrm{e}}越接近1，说明模型误差越小，效果越好。计算公式如下：

T_{\mathrm{S}\mathrm{c}\mathrm{o}\mathrm{r}\mathrm{e}}=\frac{\mathrm{1}}{\mathrm{1}+T_{\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}}}（12）

SiC MOSFET器件寿命预测具体流程见表1。

基于最优超参数组合对DUT1器件进行预测，预测结果见图8。

3.2 实验对比

为保证对比实验的可比性与结果的客观性，各方法均采用一致的数据预处理流程，数据集按8∶2划分为训练集与测试集，并统一以RMSE与Score作为评价指标。各对比方法的参数配置如下：CNN-BiLSTM-Attention 模型的卷积核尺寸设为3，BiLSTM 隐藏层维度为32，采用单头注意力机制，学习率设为0.001；PSO-BP神经网络的隐藏层神经元数为10，粒子数为30，最大迭代次数为100；卡尔曼滤波（KF）中，过程噪声协方差矩阵\mathit{Q}=\mathrm{0.001}\mathit{I}，观测噪声协方差矩阵\mathit{R}=\mathrm{0.01}\mathit{I}，初始估计误差协方差矩阵{\mathit{P}}_{\mathrm{0}}=\mathrm{1}\mathit{I}，其中 I 为单位矩阵；粒子滤波（PF）中，粒子数设为200，重采样阈值设为100，过程噪声与观测噪声均服从零均值高斯分布，方差分别设为0.01与0.05。图9给出了DUT1在不同预测方法下的寿命预测曲线对比，表2给出了不同预测方法下SiC MOSFET的寿命预测结果。

由表2可知，所提模型在RMSE和Score两个指标上均取得了最优结果，相较其他寿命预测方法展现出显著的精度提高。其中，本文所提模型的RMSE仅为0.0342，比PSO-BP神经网络降低了约79%，比卡尔曼滤波降低了约50%，比粒子滤波降低了约39%，比CNN-BiLSTM-Attention降低了约23%。同时，所提模型的Score达到0.9669，接近于1，明显高于其他方法（如PSO-BP神经网络的0.8612），表明其对退化曲线的拟合程度更好、整体误差更小。

3.3 消融实验

为进一步验证所提出模型的有效性与各模块的贡献，本文开展了消融实验，对比分析了4种不同结构的模型变体：完整模型（所提模型）、CNN-BiLSTM组合模型、CNN与ECA结合的模型、BiLSTM与ECA结合的模型。模型消融实验的结果如图10和表3所示。

由表3可知，完整模型（所提模型）的RMSE最低，仅为0.0342，预测误差显著低于其他变体模型；同时，其Score指标接近1，表明整体预测精度最优。相比之下，当移除ECA（CNN-BiLSTM模型）后，RMSE显著上升至0.145，预测性能明显下降。这一结果表明，引入ECA能够显著提高模型的整体预测性能。ECA模块通过自适应地强化输入特征中的关键信息通道，有效抑制冗余特征的干扰，从而增强了模型的判别能力。

进一步比较仅包含ECA模块的两种模型可发现，BiLSTM-ECA的表现优于CNN-ECA，其RMSE分别为0.0756和0.0966，Score分别为0.9297和0.9100。这表明，在RUL预测任务中，BiLSTM能够更有效地建模退化序列中的时序依赖关系，相较之下，仅依赖CNN提取局部特征难以获得同等效果。综上所述，消融实验从定量角度验证了各模块设计的有效性，其中ECA对模型性能提高尤为关键。

为了进一步直观展示ECA带来的性能提高，图11展示了DUT1器件上不同模型预测结果与真实退化曲线的对比。结果显示，ECA机制显著提高了模型预测精度，预测曲线更贴合真实数据变化，而使用普通注意力的模型偏差较大。分析表明，ECA模型在该器件上的预测精度比普通注意力模型提高约23%，验证了CNN-ECA-BiLSTM方法的有效性和优越性。

3.4 不同训练样本比例下的预测性能分析

为进一步验证所提CNN-ECA-BiLSTM模型在单器件小样本条件下对训练数据充分性的敏感性及其预测鲁棒性，本文基于DUT1器件的完整退化序列开展了不同训练样本比例的对比实验。在保持模型结构、超参数设置、数据预处理流程及评价指标一致的前提下，分别选取DUT1退化序列中前60%、70%、80% 和90%的数据构建训练样本，其余数据作为测试集，对模型进行训练与验证，不同训练样本比例条件下的预测结果如表4所示。

由表4可知，随着训练数据比例的增加，模型的预测精度整体呈现上升趋势。值得注意的是，即使在训练集比例仅为60%的极端小样本条件下，所提模型仍能保持较低的RMSE值（0.0733）和较高的Score值（0.9316），表明该方法在数据稀缺情况下仍具备良好的预测能力。当训练集比例由60%增加到80%时，RMSE降低约53.3%，由0.0733降至0.0342，Score提高约3.8%，由0.9316增至0.9669，说明训练样本规模的提高能够显著降低预测误差并改善模型整体表现。当训练集比例由80%增至90%时，模型性能增益趋于饱和，说明继续增加训练数据对预测精度的贡献有限，80%的训练集比例已可在模型精度与数据效率之间实现合理权衡。上述结果充分证明了本文所提方法在不同数据规模条件下的适用性和鲁棒性，特别是在小样本场景下仍能保持稳定的预测性能。

4 结论

本文针对SiC MOSFET在严苛工况下的寿命预测问题，提出了一种结合卷积神经网络、高效通道注意力机制和双向长短期记忆网络的深度学习模型。该模型能够高精度地模拟器件的退化过程，并实现器件寿命的预测。在保证模型轻量化、易于部署的前提下，实验结果表明，本方法在小样本条件下具有显著的预测性能。与若干代表性模型相比，本文提出的方法在均方根误差（RMSE）方面表现出显著的下降。相较于PSO-BP神经网络方法，本文提出的方法RMSE降低约78.8%；相较于卡尔曼滤波法，RMSE降低约50.0%；相较于粒子滤波法，RMSE降低约39%；相较于采用普通注意力机制的CNN-BiLSTM模型，RMSE降低约23%。消融实验进一步验证了ECA模块在提高性能方面的关键作用。与采用普通注意力机制的CNN-BiLSTM模型（RMSE约为0.0443）相比，引入ECA模块后，RMSE降至约0.0342，ECA方案显著提高了模型的预测精度。

从工程应用角度来看，本文所提出的方法具有较强的实用性与推广潜力。一方面，该方法选取的漏源极导通电压参数易于在线测量，无需额外引入复杂传感器或测试手段，适合在电动汽车驱动系统、轨道交通牵引系统、新能源并网变流器等典型应用场景中实现SiC MOSFET器件的在线健康监测与寿命预测；另一方面，ECA具备轻量化特性，在保证预测精度的同时降低了模型参数规模，使其在计算资源受限的嵌入式控制平台中具备一定的部署可行性。尤其在实际工程中常见的小样本、器件个体差异较大的工况条件下，该方法仍能够保持较好的预测鲁棒性，为功率半导体器件的状态评估与预防性维护提供了有效的技术支撑。

研究结果表明，该模型在数据样本量较少的情况下依然能够实现较好的预测性能。尽管取得了一定的成果，但仍然存在许多值得进一步完善和拓展的研究空间。未来的研究可以进一步拓展输入数据的维度，结合多个疲劳老化特征参数（如栅极阈值电压漂移、漏源电流等）构建多变量寿命预测模型，以更全面地表征器件退化状态，进一步提高预测的精度和可靠性。

参考文献

[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.

[2] HU Wenjin. A New Structure Design of IGBT with Low Miller Capacitance［D］. Chengdu： University of Electronic Science and Technology of China， 2022.

[3] ZOLPER J C. Emerging Silicon Carbide Power Electronics Components［C］∥Twentieth Annual IEEE Applied Power Electronics Conference and Exposition （APEC）. 2005： 11-17.

[4] 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.

[5] 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.

[6] GUO Wen. Research on Prediction Method of Remaining Useful Life and Thermal Fatigue Model of Power MOSFET［D］. Nanchang： East China Jiaotong University， 2020.

[7] 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.

[8] GU Yongqian. Research on Life Prediction Method of High Power SiC MOSFET［D］. Chengdu： University of Electronic Science and Technology of China， 2022.

[9] 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.

[10] 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.

[11] 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.

[12] 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.

[13] 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.

[14] 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.

[15] 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.

[16] 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.

[17] 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.

[18] 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.

[19] 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.

[20] SHEN Yutong. Study on Off-state Stress Degradation Mechanism and Life Modeling of Wide Bandgap Semiconductor Power Devices［D］. Xian： Xidian University， 2023.

[21] 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.

[22] 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.

基金资助

国家自然科学基金(52377035)

安徽省先进电力电子与电能变换工程研究中心开放课题(APE202504)