0 引言
电力电子器件/模块是实现高效高质量电力电子电能变换技术的基石，在智能电网、特种电源、电机驱动、高铁牵引、新能源发电、电动汽车等领域应用越来越广泛[1-3]。电力电子器件/模块一旦发生故障或者性能弱化，会对整个装置乃至系统的正常运行造成极大危害[4-5]。测试与检测是保证与提高电力电子器件/模块可靠性的关键技术，贯穿于器件/模块的研发、生产、服役和维修等过程。现有检测技术主要建立在测量电、磁、热物理信息上[6-10]，这些方法均可以实现器件/模块的健康状态检测和故障诊断，提升其可靠性，具有一定的使用价值。电应力信息提取方法包括直接提取法和间接提取法，直接提取法直接检测电力电子器件关键位置的电压或电流，实现截压、截流控制及过电压、过电流保护；间接提取法对测量的电信号进行数据处理，利用处理后的信号判断电力电子器件/模块的故障状态，目前大部分工作处于仿真阶段；磁应力信息提取方法利用巨磁阻效应，借助内埋于器件和模块内部的巨磁阻磁场传感器来获取电气信号，需要对干扰信号进行准确解耦并改造器件/模块的内部结构；热应力信息的提取方法包含光学非接触式测量法、物理接触式测量法、热敏感电参数法和热阻抗模型法[11]。其中，光学非接触测量法一般采用红外热像仪来测量器件和模块内部的结温，需要打开器件和模块的封装，难以实现在线检测；物理接触式测量法通常在器件和模块内部预埋热敏电阻来测温，响应速度慢，需要改变器件/模块的结构；热敏感电参数提取法利用与电力电子器件/模块结温密切相关的电学特性来间接测量器件的结温，能够实现快速、非侵入和在线监测；热阻抗模型预测法通过仿真技术，利用器件/模块的功耗和热阻模型来计算芯片的结温。
但是，基于机械应力的电力电子器件/模块状态监测方法没有得到广泛的研究和关注，尚处于初始发展阶段。目前，急需扩展该方面的研究内容来完善电力电子器件/模块的状态监测体系，从而保障电力电子装备的运行可靠性。利用材料内能量快速释放产生瞬态弹性波的声发射（Acoustic Emission,AE）检测技术具有快速、实时、在线等特点[12]，已应用于绝缘子污秽放电检测、变压器局部放电检测、风机叶片健康监测等。电力电子器件/模块氧化层裂纹的产生、金属疲劳裂纹的产生及焊点的脱落等动态行为也会产生弹性波[13-14]，属于传统声发射（Traditional Acoustic Emission, TAE），由故障或缺陷直接产生。电力电子器件/模块在正常工作时有载流子变化，由此引起的电磁力与结构相互耦合会产生电磁声发射（Electromagnetic Acoustic Emission,EMAE），这种电磁声发射即机械应力波（Mechanical Stress Wave, MSW），与传统声发射是不同的，伴随着器件/模块的正常工作产生[15-16]。近年来，芬兰拉普兰塔理工大学、德国开姆尼茨工业大学、丹麦奥尔堡大学、波兰什切青海事大学、湖南大学的学者都对电力电子器件/模块中的机械应力波进行了试验研究，发现器件/模块在开关切换时可以产生机械应力波[17]，分析机械应力波的组成模式和对应源机制[18]，探索器件/模块老化与机械应力波参数之间的关系[19]，发现机械应力波参数与集-射极饱和压降的变化趋势相一致[20]。因此，电力电子器件/模块开关时产生的机械应力波具有重要研究价值和广阔应用前景。目前，尚没有文献对电力电子器件/模块的机械应力波进行系统的归纳和总结，因而不利于该内容的进一步研究。
本文将总结适用于电力电子器件/模块机械应力波的机理、检测方法、测试检测电路、声发射传感器和信号处理方法，分析国内外电力电子器件/模块机械应力波的发展现状，提出电力电子器件/模块机械应力波存在的关键问题，展望电力电子器件/模块机械应力波的未来研究方向。因此，本文将有助于以机械应力波为基础的电力电子器件/模块状态监测方法的进一步发展。
1 机械应力波基础内容
1.1 机理
在开关过程中，电力电子器件/模块处于电气瞬态，电气参数（如驱动信号、开关电压、开关电流）在很短的时间内发生变化，引起内部电磁场的变化，从而形成变化的电磁力，释放机械应力波。因此，机械应力波与电参数引起的电磁场变化是耦合的。以硅基绝缘栅双极型晶体管（Insulated Gate Bipolar Transistor, IGBT）和金属氧化物半导体场效应晶体管（Metal Oxide Semiconductor Field-Effect Transistor, MOSFET）为例，开关过程产生的机械应力波由高频分量和低频分量组成，高频分量与开关电压有关，低频分量与驱动信号和开关电流有关[16,18,21]。
1.2 检测方法
基于机械应力波的电力电子器件/模块状态检测方法如图1 所示[11]，使用测试电路、声发射压电传感器、前置放大器和声发射测量仪来提取电力电子器件/模块的机械应力波，测试检测电路将在1.3节中介绍；使用时域、频域和时频分析等方法来处理机械应力波，获取其特征参数，信号处理方法将在1.5 节中介绍；使用人工神经网络和深度智能学习方法建立特征参数与器件/模块状态的对应关系，利用这些对应关系评估电力电子器件/模块的健康状态。
图1 基于机械应力波的电力电子器件/模块状态监测方法
Fig.1 Condition monitoring method of power electronics device/module based on mechanical stress wave
1.3 测试检测电路
测试检测电路包含功率器件测试电路和机械应力波检测电路，测试电路用于产生机械应力波，检测电路主要用于捕获机械应力波。
功率器件/模块典型测试电路如图2 所示，包括脉冲测试电路和功率循环测试电路。脉冲测试电路通过控制开关频率、驱动信号、开关电流、开关电压和负载类型，在不同条件下产生机械应力波；功率循环电路使用直流加热源和散热装置反复加热和冷却功率器件/模块，使器件/模块内部的键合线脱落或焊料层疲劳，导致其电气性能退化。功率循环的控制方式包括恒定开通和关断时间、恒定壳温波动、恒定功率损耗和恒定结温波动四种，具体控制策略详见文献[22-23]，试验人员可根据试验条件，采用适合的控制方式来老化功率器件/模块。
图2 电力电子器件/模块测试电路
Fig.2 Test circuits of power electronics device/module
机械应力波检测电路一般由声发射传感器、前置放大器和记录装置组成，声发射传感器用于测量机械应力波，将在1.4 节中进行描述；前置放大器用于放大机械应力波、匹配传感器与记录装置的阻抗，从而增大信号的传输距离、减小信号衰减；记录装置通常包含示波器[17,20,24-26]、声发射采集卡[21,27]和声发射测量仪[15-16,18-19,28]三种类型。直接使用示波器观测机械应力波，测量方式简单便捷，但机械应力波信号会包含大量干扰，在强电磁干扰环境下，难以直接测量机械应力波；声发射采集卡由模拟信号调制滤波单元、模/数转换单元、数字信号处理单元等组成，模拟信号调理滤波单元将模拟信号调制成模/数转换单元能够处理的信号，数字信号处理单元能够对模/数转换后的数字信号进行滤波处理，从而准确测量机械应力波信号[29]；声发射测量仪一般由多通道采集卡、外参数采集卡、高精度电源、主板和工业专用机箱组成，能够同时采集多通道机械应力波信号，独立处理机械应力波及其特征参数，适应严苛现场环境、并排除市电对测量干扰[30]。预算不充足推荐购置声发射采集卡，预算充足推荐购置声发射测量仪。
1.4 传感器
用于测量电力电子器件/模块机械应力波的传感器主要为声发射压电传感器。压电传感器的工作原理如下：材料内部应力变化释放的弹性应力波到达材料表面时，对紧贴在材料表面传感器的内部压电元件施加压力，压电效应将机械信号转换为易于处理的电信号[31-32]。声发射压电传感器的压电材料主要为锆钛酸铅（Lead Zirconate Titanate, PZT），具有低成本和高灵敏度的特点。目前，市售的声发射压电传感器主要为谐振型和宽带型，谐振型压电传感器在低频（10～100kHz）、标准（100～450kHz）和高频（400～1 000kHz）段内具有高灵敏度[33]；宽带型压电传感器在典型频带内（20～450kHz、100～1 000kHz、100～2 500kHz、300～2 200kHz和500～4 000kHz）具有平坦的频率响应[34-35]。由于电力电子器件/模块的电磁声发射包含电磁波和高频声波，覆盖频带较宽，推荐使用宽带型压电传感器。
1.5 信号处理方法
机械应力波属于mV 级微弱信号，易受背景噪声的干扰。需对其进行处理来提升信噪比，从而有效提取其特征参数。检测过程中根据背景噪声的幅值和带宽，在声发射测量仪中设置检测阈值和滤波频段来抑制噪声。随后，对滤波的机械应力波进行时域、频域和时频分析，提取特征参数并分析源机制。使用时域特征参数法对机械应力波进行分析，机械应力波可以简化为如幅值、上升时间、持续时间、计数、命中等特征参数，通过相关分析、分布分析和经历分析等方法，形成基于时域特征参数的直方图和趋势图，研究机械应力波源的时域特性。基于特征参数分析的时域分析法便于在线监测，已成为声发射检测技术的主要信号处理手段，但该方法简化了声发射信号的时域波形，忽略了声发射源的部分信息[36]。使用快速傅里叶变换获得机械应力波的幅频特性曲线，或借助自相关函数和傅里叶变化获得机械应力波的功率谱密度后，可提取峰值频率、质心频率、频带和频谱峰度等频域特征参数，研究机械应力波源的频域特性。频域分析法利用信号的完整信息，反映了机械应力波时间平均的频域分布，能够有效识别不同种类的源机制，传统傅里叶变换结果受频域分辨率影响，功率谱密度分析结果不受频域分辨率影响，但基于传统傅里叶变换和功率谱密度的频域分析法都难以有效捕获信号的局部特征[19,28]。使用短时傅里叶变换、小波变换、希尔伯特-黄变换等方法可提取机械应力波的时频谱，时频谱使用颜色编码显示幅度，在二维图中显示信号随时间变化的频谱信息，便于研究机械应力波源的时频特性。时频分析方法具有更强的信号处理能力，能够同时在时域和频域上表征机械应力波的局部特征，从而获得有关源机制的更多信息，但时频分析算法相对复杂，需要更多的运算时间[37-39]。
2 机械应力波的研究现状
2.1 健康状态
电力电子器件/模块开关产生的机械应力波在近几年才得到研究和关注。
2014～2017 年，芬兰拉普兰塔理工大学T. J.Kärkkäinenal 等在高低压带电感负载条件（开关电压30～600V、开关电流75A）下，首次检测到了IGBT 模块（SK80GB125T）的关断机械应力波及其传播延时[17]，如图3 所示。探究了声发射传感器和测试电压对关断机械应力波测量的影响[24-25]；给出了关断机械应力波测量的注意事项[26]。如图3a 所示，当传感器逐渐远离功率模块时，机械应力波传播延时不断增加，证明了关断机械应力波来自IGBT模块内部。KRNBB-PC（宽带型、100～1 000kHz）和Kistler 8152B111（谐振型、50～400kHz）声发射传感器测量的关断机械应力如图3b 和图3c 所示，宽带型传感器在时域上响应较慢，测量的机械应力波频谱显著低于传感器的测量带宽；谐振型传感器在时域上响应快，测量的机械应力波频谱位于传感器测量带宽内。SK80GB125T 模块的机械应力波时频谱如图4 所示，测试电压对机械应力波影响显著，高电压使机械应力波出现更多的干扰、更宽的频率分量和更短的持续时间。此外，声发射传感器通常安装在模块基板封装侧，声发射传感器的最高工作温度应大于80℃。
图3 SK80GB125T 模块机械应力波及其传播延时（集-射极电压30V 和集电极电流75A）
Fig.3 Mechanical stress waves and propagation delays of SK80GB125T module (collector-emitter voltage of 30V and collector current of 75A)
图4 SK80GB125T 模块的机械应力波时频谱
Fig.4 Time-frequency spectra of mechanical stress waves for SK80GB125T module
2018～2019 年，波兰什切青海事大学R. Gordon等在低压带电阻负载条件（1Hz 开关频率、20V 开关电压、2.2A 开关电流条件）下，分析了IGBT 器件连续开关产生的机械应力波[21,27]，如图5 所示。如图5a 所示，IRG4BC40S 器件每间隔0.5s 都会出现机械应力波，表明功率器件的开关状态切换是产生机械应力波的主要原因；图5b 显示了IRG4BC40S器件在开通时刻的机械应力波，其波形与驱动信号（二阶RLC 电路的欠阻尼状态）高度相似、呈正弦衰减振荡状。
图5 低压下IRG4BC40S 器件的机械应力波（集-射极电压20V 和集电极电流2.2A）
Fig.5 Mechanical stress waves of IRG4BC40S device under low voltage (collector-emitter voltage of 20V and collector current of 2.2A)
2018～2020 年，湖南大学李孟川、邹翔等在高低压带电感负载条件（开关电压10～400V、开关电流2～50A）下，提取并分析了硅（Silicon, Si）基IGBT、Si 基MOSFET、碳化硅（Silicon Carbide, SiC）MOSFET 器件开关过程产生的机械应力波[15]，首次发现了机械应力波的组成模式，探究了应力波不同分量的产生和传播机制[16,18]，如图6～图8 所示。图中，电力电子器件的机械应力波由低频分量和高频分量组成。高频分量包含两个脉冲波，两脉冲波相位相反，时间间隔与驱动信号宽度相等，其特征参数与开关电压呈线性关系；低频分量的特征参数与集电极电流和驱动信号呈较强线性关系。此外，通过改变传感器的耦合方式，发现高频分量主要通过空气传播，低频分量主要通过耦合剂传播，低压下STW58N60DM2AG 器件不同耦合条件如图7所示。
图6 高压下IRG4PC40FDPBF 器件机械应力波组成模式（集-射极电压300V 和集电极电流50A）
Fig.6 Composition mode of mechanical stress wave in IRG4PC40FDPBF device under high voltage(collector-emitter voltage of 300V and collector current of 50A)
图7 低压下STW58N60DM2AG 器件不同耦合条件机械应力波（驱动电压10V 和漏源电压10V）
Fig.7 Mechanical stress waves of STW58N60DM2AG device under different coupling conditions (gate voltage of 10V and drain-source voltage of 10V)
图8 高压下IMZ120R045M1 器件机械应力波及其时频谱（漏源电压400V 和漏源电流40A）
Fig.8 Mechanical stress waves and time-frequency spectra of IMZ120R045M1device under high voltage (drain-source voltage of 400V and drain-source current of 40A)
上述研究表明，即使对于同一器件，机械应力波受测试条件、测试电路、检测电路等条件影响，不利于机械应力波测量分析。但是通过上述研究可以确定以下内容：即使在低电压电流条件下，仍有足够强度的机械应力波被声发射测量装置捕获；开关机械应力波包含了不同频率分量，其中高频分量出现在开关时刻，主要成分为电磁波，信号波形呈脉冲状，传播介质为空气，传播速度快，持续时间短，与开关电压线性度高；低频分量出现在开关时刻后，是开关切换过程中器件/模块内部能量释放在介质中传播形成的声波，这种声波不同于人耳可听的声音，频率一般高于20kHz，波形呈衰减振荡状，传播介质为耦合剂，传播速度慢，持续时间长，与开关电流和驱动信号线性度高。目前，涉及的机械应力波机理分析较浅，没有从器件/模块内部电磁瞬态和电-力-结构耦合机制等方面分析。
2.2 老化状态
随着开关次数的增加，电力电子器件/模块内部键合线发生脱落、焊料层产生疲劳，导致功率器件/模块性能退化。因此器件/模块内部的机械参数发生变化，使开关机械应力波发生变化。
2018 年，德国开姆尼茨工业大学S. Müller 将单次开关机械应力波与模块健康状态相关联[19]。不同状态下IGBT 模块机械应力波的频谱如图9 所示。老化使模块单次开关产生的机械应力波在主频率的频域幅值明显增强，谐振频率的频域幅值明显降低，即机械缺陷对声波调制的非线性现象。丹麦奥尔堡大学F. Iannuzzo 等将连续开关机械应力波频域特征参数和IGBT 模块集-射极导通压降相关联[20]，频域幅值差值与DP25F1200 模块集-射极导通压降的关系如图10 所示，不同状态的IGBT 模块在开关频率处出现明显频域幅值差值（Maximum Absolute Error,MAE），并与集-射极导通压降的变化趋势一致，都随功率循环而明显增加。此外，图10a 显示的频谱也出现了机械缺陷对机械应力波调制的非线性现象，即主频率的频域幅值降低，谐振频率的频域幅值升高。2020 年，不同状态IRG4PC40S 器件机械应力波的功率谱密度如图11 所示，波兰什切青海事大学的A. Bejger 等发现，IGBT 器件状态的改变使机械应力波功率谱密度的分布特性发生变化，但没有对功率谱密度变化特征进行描述[28]。
图9 不同状态下IGBT 模块机械应力波的频谱
Fig.9 Frequency spectra of mechanical stress waves in IGBT module under different conditions
图10 频域幅值差值与DP25F1200 模块集射极导通压降的关系
Fig.10 Relationship between difference value of frequency domain peak and collector-emitter conduction voltage drop of DP25F1200 module
图11 不同状态IRG4PC40S 器件机械应力波的功率谱密度
Fig.11 Power spectral densities of mechanical stress waves in IRG4PC40S device under different conditions
上述研究表明，老化使功率器件/模块内部的机械参数发生变化，并可能在其内部出现机械缺陷，使机械应力波出现非线性超声调制现象（主频率峰值增强谐振频率峰值减小或主频率峰值减小谐振频率峰值增强）[40]。因此，可以利用老化状态对机械应力波的非线性调制现象来监测功率器件/模块的健康状态。但是，目前研究没有涉及机械应力波与器件/模块机械损伤的定量关系分析，无法评估损伤属性。
3 讨论与展望
相较于其他检测技术，声发射技术能够更快地检测物体内部的机械损伤，为设备的维护决策提供更长的响应时间，并具备快速、在线和非侵入的优点，在电力电子器件/模块状态检测方面具有巨大的发展潜力。但现有研究距离形成基于机械应力波的电力电子器件/模块状态监测方法还有一定的距离，主要体现在以下五个方面：
（1）机械应力波的理论研究刚刚起步。现有仿真模型不能同时考虑微观载流子与宏观电磁力，也缺少耦合电磁热力多物理场的器件模型，导致不能深入研究功率器件/模块机械应力波机理。
（2）现有研究主要集中在Si 基器件/模块，很少涉及碳化硅和氮化镓等宽禁带功率器件/模块，急需完善该方面的研究来扩展机械应力波的检测范围。
（3）多数研究以实验获得的信号分析为主，测量的信号混合了瞬态电磁场信号与电磁干扰，给机械应力波测量、分析和特征提取造成了困难。
（4）机械应力波特征值尚没有与器件/模块内部损伤对应起来，不能用于反演损伤属性，更没有建立智能损伤诊断模型。
（5）现有声发射压电传感器尺寸较大，通常安装在器件/模块封装或散热器上，难以集成在功率器件/模块内部，且难以满足现场严苛条件的应用需求。
基于现有研究存在的问题，功率器件/模块机械应力波的发展趋势主要集中在以下五个方面：
（1）电力电子器件/模块开关产生的电磁声发射信号由两部分组成，高频分量反映了电磁瞬态过程，低频分量反映了电-力-结构间的耦合信息。因此，高频分量可通过SIwave/HFSS[41]、CST MWS[42]等电磁和射频仿真软件研究其产生与传播机制；低频分量可通过TCAD 与Ansys 结合[43]、COMSOL[44]、ABAQUS[45]等有限元仿真软件研究其产生与传播机制。
（2）需要探索适用于宽禁带功率器件/模块的测量装置和测量方案研究其内部的机械应力波，形成较为通用的功率器件/模块机械应力波检测方法。
（3）使用强大的信号处理算法来抑制干扰信号，盲源分离和自适应滤波技术似乎是合适的选择，因为在现场测试强干扰条件下，这些算法能够在复合材料[46]、混凝土[47]和钢轨[48]中有效提取机械损坏产生的声发射信号特征。
（4）借助维卷积神经网络、循环神经网络、长短期记忆网络等深度学习模型，建立基于时间序列深度学习的损伤智能评估模型。 目的是为器件损伤提供可靠的诊断模型。在强噪声干扰和大量无序信号的条件下，这些算法在桥梁[49]和压力容器[50]缺陷识别方面，仍具有很高的识别精度。
（5）基于MEMS 传感器[51]和光纤传感器[52]尺寸小和可嵌入的特点，利用新型制造工艺将其嵌入功率器件/模块内部，便于在恶劣的现场测试条件下测量机械应力波，扩展机械应力波检测技术的应用范围。
4 结论
电力电子器件/模块在开关切换时产生的电磁声发射不同于传统声发射，其伴随着器件/模块的正常工作产生，具有很强的研究价值。现有研究已经证明了机械应力波检测技术的高灵敏度，初步形成了机械应力波产生与传播的机理，发现了功率器件/模块老化对机械应力波的非线性调制现象，证明了基于机械应力波的电力电子器件/模块状态监测技术的可行性。
但现有研究距离形成功率器件/模块的机械应力波状态监测方法还有很长的距离，特别是在机理完善分析、特征参数有效提取和诊断模型准确构建方面。随着电力电子装备多物理场仿真建模技术、智能滤波技术和深度学习算法快速发展，填补这些研究空白只是时间问题。相信在不远的未来，机械应力波状态监测方法能够快速、在线和非侵入地检测功率器件/模块内部的机械损伤，完善电力电子装备状态监测体系，保障电力电子装备的服役可靠性。
[1] 赵争鸣, 袁立强, 鲁挺, 等. 我国大容量电力电子技术与应用发展综述[J]. 电气工程学报, 2015,10(4): 26-34.Zhao Zhengming, Yuan Liqiang, Lu Ting, et al.Overview of the developments on high power electronic technologies and applications in China[J].Journal of Electrical Engineering, 2015, 10(4): 26-34.
[2] 王兆安, 刘进军. 电力电子技术[M]. 北京: 机械工业出版社, 2009.
[3] Ding Xiaofeng, Zhou Yang, Cheng Jiawei. A review of gallium nitride power device and its applications in motor drive[J]. CES Transactions on Electrical Machines and Systems, 2019, 3(1): 54-64.
[4] 陈杰, 邓二平, 赵子轩, 等. 不同老化试验方法下SiC MOSFET 失效机理分析[J]. 电工技术学报,2020, 35(24): 5105-5114.Chen Jie, Deng Erping, Zhao Zixuan, et al. Failure mechanism analysis of SiC MOSFET under different aging test methods[J]. Transactions of China Electrotechnical Society, 2020, 35(24): 5105-5114.
[5] 王学梅, 张波, 吴海平. 基于失效物理的功率器件疲劳失效机理[J]. 电工技术学报, 2019, 34(4): 717-727.Wang Xuemei, Zhang Bo, Wu Haiping. A review of fatigue mechanism of power devices based on physics-of-failure[J]. Transactions of China Electrotechnical Society, 2019, 34(4): 717-727.
[6] 李辉, 胡玉, 王坤, 等. 考虑杂散电感影响的风电变流器 IGBT 功率模块动态结温计算及热分布[J].电工技术学报, 2019, 34(20): 4242-4250.Li Hui, Hu Yu, Wang Kun, et al. Thermal distribution and dynamic junction temperature calculation of IGBT power modules for wind turbine converters considering the influence of stray inductances[J].Transactions of China Electrotechnical Society, 2019,34(20): 4242-4250.
[7] 吴海富, 张建忠, 赵进, 等. SiC MOSFET 短路检测与保护研究综述[J]. 电工技术学报, 2019, 34(21):4519-4528.Wu Haifu, Zhang Jianzhong，Zhao Jin, et al. Review of short-circuit detection and protection of silicon carbide MOSFETs[J]. Transactions of China Electrotechnical Society, 2019, 34(21): 4519-4528.
[8] 王莉娜, 邓洁, 杨军一, 等. Si 和SiC 功率器件结温提取技术现状及展望[J]. 电工技术学报, 2019,34(4): 703-716.Wang Lina, Deng Jie, Yang Junyi, et al. Junction temperature extraction methods for Si and SiC power devices-a review and possible alternatives[J]. Transactions of China Electrotechnical Society, 2019, 34(4):703-716.
[9] 王振, 任孟干, 国建宝, 等. 直流输电换流阀晶闸管过电压保护研究[J]. 电力系统保护与控制, 2020,48(10): 182-187.Wang Zhen, Ren Menggan, Guo Jianbao, et al.Research on overvoltage protection of a thyristor on DC converter valves[J]. Power System Protection and Control, 2020, 48(10): 182-187.
[10] 周雒维, 张益, 王博. 一种基于调节缓冲电容的IGBT 热管理方法[J]. 电机与控制学报, 2019, 23(4):28-36.Zhou Luowei, Zhang Yi, Wang Bo. IGBT thermal management method based on snubber capacitor[J].Electric Machines and Control, 2019, 23(4): 28-36.
[11] 李武华, 陈玉香, 罗皓泽, 等. 大容量电力电子器件结温提取原理综述及展望[J]. 中国电机工程学报,2016, 36(13): 3546-3557.Li Wuhua, Chen Yuxiang, Luo Haoze, et al. Review and prospect of junction temperature extraction principle of high power semiconductor devices[J].Proceedings of the CSEE, 2016, 36(13): 3546-3557.
[12] 沈功田. 声发射检测技术及应用[M]. 北京: 科学出版社, 2015.
[13] Van De Wal B J, Kendall G, Sammakia B, et al.Acoustic emission analysis for fatigue prediction of lap solder joints in mode two shear[J]. International Journal of Damage Mechanics, 2001, 10(3): 256-276.
[14] Bansal A, Guirguis C, Liu K. Investigation of pad cratering in large flip-chip BGA using acoustic emission[C]//IPC/APEX Conference, San Diego,2012: 1-12.
[15] 李孟川, 孟志强, 胡毅, 等. 电力电子器件机械应力波的试验研究[J]. 湖南大学学报(自然科学版),2019, 46(4): 74-79.Li Mengchuan, Meng Zhiqiang, Hu Yi, et al.Experimental study of mechanical stress wave in power electronics device[J]. Journal of Hunan University (Natural Sciences), 2019, 46(4): 74-79.
[16] 邹翔, 何赟泽, 胡毅, 等. 低压条件下功率MOSFET应力波产生理论与试验研究[C]//第十五届中国电工技术学会学术年会, 昆明, 2019: 173-181.
[17] Kärkkäinen T J, Talvitie J P, Kuisma M, et al.Acoustic emission in power semiconductor modulesfirst observations[J]. IEEE Transactions on Power Electronics, 2014, 29(11): 6081-6086.
[18] Li Mengchuan, He Yunze, Meng Zhiqiang, et al.Acoustic emission-based experimental analysis of mechanical stress wave in IGBT device[J]. IEEE Sensors Journal, 2020, 20(11): 6064-6074.
[19] Müller S, Drechsler C, Heinkel U, et al. Acoustic emission for state-of-health determination in power modules[C]//13th International Multi-Conference on Systems, Signals & Devices (SSD), Leipzig, 2016:468-471.
[20] Davari P, Kristensen O, Iannuzzo F. Investigation of acoustic emission as a non-invasive method for detection of power semiconductor aging[J]. Microelectronics Reliability, 2018, 88-90: 545-549.
[21] Kozak M, Gordon R. Experimental investigations of monolithic IGBT transistor acoustic emission phenomena[J]. Poznan University of Technology Academic Journals, 2019, 99: 19-28.
[22] Choi U, Blaabjerg F, Jørgensen S. Study on effect of junction temperature swing duration on lifetime of transfer molded power IGBT modules[J]. IEEE Transactions on Power Electronics, 2017, 32(8):6434-6443.
[23] Schuler S, Scheuermann U. Impact of test control strategy on power cycling lifetime[C]//PCIM Europe,Nuremberg, 2010: 331-336.
[24] Kärkkäinen T J, Talvitie J P, Ikonen O, et al. Sounds from semiconductors-acoustic emission experiment with a power module[C]//16th European Conference on Power Electronics and Applications, Lappeenranta,2014: 1-6.
[25] Kärkkäinen T J. Observations of acoustic emission in power semiconductors[D]. Finland: Lappeenranta University of Technology, 2015.
[26] Kärkkäinen T J, Talvitie J P, Kuisma M, et al.Measurement challenges in acoustic emission research of semiconductors[C]//17th European Conference on Power Electronics and Applications, Geneva, 2015:1-6.
[27] Kozak M, Gordon R. Experimental investigations of monolithic IGBT transistor acoustic emission phenomena[J]. ITM Web of Conferences, 2019, 28: 01036.
[28] Bejger A, Kozak M, Gordon R. The use of acoustic emission elastic waves as diagnosis method for insulated-gate bipolar transistor[J]. Journal of Marine Engineering & Technology, 2020, 19(4): 186-196.
[29] 鹏翔科技(中国). PXDAQ18373E 高精度(18bit)高速率(30M)8 通道PCIE 声发射卡[EB/OL]. http://www.ndttech.net/ae/dataacquisition/pxdaq18373e-ae-card.html/.
[30] Vallen AE (Germany). AMSY-6 system description[EB/OL]. https://www.vallen.de/zdownload/pdf/AMSY-6_Description.pdf/.
[31] 梁家惠. 声发射检测中的压电换能器[J]. 无损检测,2002, 24(12): 526-531.Liang Jiahui. Piezoelectric transducers for acoustic emission testing[J]. Nondestructive Testing, 2002,24(12): 526-531.
[32] 时书丽, 赵国兴. 声发射传感器技术与应用[J]. 仪表技术与传感器, 1998(2): 36-39.Shi Shuli, Zhao Guoxing. Technology and application of admeasuring echo sensor[J]. Instrument Technique and Sensor, 1998(2): 36-39.
[33] Vallen AE (Germany). Vallen systeme sensors[EB/OL].https://www.vallen.de/sensors/.
[34] MISTRAS Group (United States). Physical acoustics sensors[EB/OL]. https://www.physicalacoustics.com/sensors/.
[35] Fuji Ceramics Corporation (Japan). Wide bandwidth AE sensors[EB/OL]. http://www.fujicera.co.jp/en/product/ae/wide/.
[36] 耿荣生, 沈功田, 刘时风. 声发射信号处理和分析技术[J]. 无损检测, 2002, 24(1): 23-28.Geng Rongsheng, Shen Gongtian, Liu Shifeng. An overview on the development of acoustic emission signal processing and analysis technique[J]. Nondestructive Testing, 2002, 24(1): 23-28.
[37] Bashir I, Walsh J, Thies P R, et al. Underwater acoustic emission monitoring-experimental investigations and acoustic signature recognition of synthetic mooring ropes[J]. Applied Acoustics, 2017,121: 95-103.
[38] Boczar T, Zmarzly D. Application of wavelet analysis to acoustic emission pulses generated by partial discharges[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2004, 11(3): 433-449.
[39] Gu Fengchang, Chang Hongchan, Chen Fu, et al.Application of the Hilbert-Huang transform with fractal feature enhancement on partial discharge recognition of power cable joints[J]. IET Science,Measurement & Technology, 2012, 6(6): 440-448.
[40] He Yunze, Chen Sheng, Zhou Deqiang, et al. Shared excitation based nonlinear ultrasound and vibrothermography testing for CFRP barely visible impact damage inspection[J]. IEEE Transactions on Industrial Informatics, 2018, 14(12): 5575-5584.
[41] 陈凯凯. 光伏功率优化器电磁辐射建模及抑制[D].杭州: 浙江大学, 2019.
[42] 何莹. 功率驱动电路开关噪声的电磁干扰特性研究[D]. 南京: 东南大学, 2015.
[43] 杜志娟. GaN 基HEMT 红外探测器力电耦合机制理论模型的仿真研究[D]. 北京: 北京工业大学, 2016.
[44] 张迪, 吴先梅. 基于有限元的空耦超声相控阵Lamb波激发与检测[J]. 应用声学, 2015, 34(3): 201-206.Zhang Di, Wu Xianmei. The numerical simulation of the excitation and detection of Lamb waves using air-coupled ultrasonic phased array with finite element method[J]. Journal of Applied Acoustics,2015, 34(3): 201-206.
[45] 章欣, 冯乃章, 王艳, 等. 钢轨裂纹伤损声发射源的建模仿真与特征分析[J]. 声学学报, 2015, 40(4):537-545.Zhang Xin, Feng Naizhang, Wang Yan, et al. Feature analysis of acoustic emission sources for the rail defect detection by the finite element method[J].ACTA Acustica, 2015, 40(4): 537-545.
[46] Beale C, Niezrecki C, Inalpolat M. An adaptive wavelet packet denoising algorithm for enhanced active acoustic damage detection from wind turbine blades[J]. Mechanical Systems and Signal Processing,2020, 142: 106754.
[47] Prajna K, Mukhopadhyay C K. Fractional fourier transform based adaptive filtering techniques for acoustic emission signal enhancement[J]. Journal of Nondestructive Evaluation, 2020, 39(1): 1-14.
[48] Wang Kangwei, Hao Qiushi, Zhang Xin, et al. Blind source extraction of acoustic emission signals for rail cracks based on ensemble empirical mode decomposition and constrained independent component analysis[J]. Measurement, 2020, 157: 107653.
[49] Bao Yuequan, Tang Zhiyi, Li Hui, et al. Computer vision and deep learning-based data anomaly detection method for structural health monitoring[J].Structural Health Monitoring, 2019, 18(2): 401-421.
[50] Islam M, Sohaib M, Kim J, et al. Crack classification of a pressure vessel using feature selection and deep learning methods[J]. Sensors, 2018, 18(12): 4379.
[51] Auerswald C, Sorger A, Dienel M, et al. MEMS acoustic emission sensor with mechanical noise rejection[C]//International Multi-Conference on Systems,Signals & Devices, Chemnitz, 2012: 1-6.
[52] Búa-núñez I, Posada-román J E, Rubio-serrano J, et al.Instrumentation system for location of partial discharges using acoustic detection with piezoelectric transducers and optical fiber sensors[J]. IEEE Transactions on Instrumentation and Measurement, 2014,63(5): 1002-1013.