Contact
catherine.nizery [at] ens-paris-saclay.fr (SATIE)

Soutenance de thèse de Mohamad Nazar (SATIE)

Crédits photo : Jérôme Foubert
La soutenance de thèse "Online prediction of the remaining life of igbts semiconductor modules" de Mohamad Nazar du laboratoire SATIE a lieu mercredi 25 janvier 2023 à 10h, salle ALCYONE (2ème étage), Université Gustave Eiffel, à Versailles.
Soutenance de thèse et HDR
Ajouter à mon agenda 2025-05-12 19:45:24 2025-05-12 19:45:24 Soutenance de thèse de Mohamad Nazar (SATIE) La soutenance de thèse "Online prediction of the remaining life of igbts semiconductor modules" de Mohamad Nazar du laboratoire SATIE a lieu mercredi 25 janvier 2023 à 10h, salle ALCYONE (2ème étage), Université Gustave Eiffel, à Versailles. 25 allée des marronniers, 78000 Versailles ENS-PARIS-SACLAY webmaster@ens-paris-saclay.fr Europe/Paris public

Thèse

"Online prediction of the remaining life of igbts semiconductor modules" de Mohamad Nazar

Jury

  • Rapporteur et examinateur : Antoine Grall, professeur des Universités LIST3N-UTT
  • Rapporteur et examinateur : Cyril Buttay, Directeur de Recherche, CNRS
  • Examinateur : Loic Theolier, maître de conférences, IUT GEII de Bordeaux
  • Examinateur : Pauline Ribot, maître de conférences, LAAS-CNRS

 
Encadrement

  • Directeur de thèse : Zoubir Khatir, directeur de la Recherche, Univ. Gustave Eiffel
  • Encadrant : Ali Ibrahim, ingénieur de recherche, Univ. Gustave Eiffel
  • Encadrant : Zeina Almasry, maître de conférences, Femto-St
  • Encadrant : Nicolas Degrenne, Docteur, MERCE 

Résumé

Cette thèse est une collaboration entre le laboratoire SATIE, Mitsubishi Electric R&D Centre Europe et le laboratoire FEMTO-ST. La collaboration est formée pour répondre aux questions multidisciplinaires existant dans le défi de la thèse. Dans cette thèse, le concept de prédiction de la durée de vie restante d'un module de puissance IGBT est étudié pour assurer la fiabilité du dispositif. Dans un premier temps, les dégradations du dispositif sont analysées, et le meilleur paramètre de santé (Tension Collecteur-Emetteur) reflétant ces dégradations est suivi lors de tests de vieillissement accéléré du début jusqu'à la panne. Ensuite, les données de tension collecteur-émetteur sont utilisées pour développer un modèle de processus gamma et l'utiliser pour prédire un RUL avec un intervalle de confiance et dans une simulation en ligne. Après cela, une approche hybride est construite qui combine l'acquisition de données avec deux modèles physiques. L'un exprime la relation de résistance de contact avec la longueur de la zone de contact, et un autre exprime la propagation des fissures de l'interconnexion filaire du dispositif IGBT. Cette combinaison développe un hybride et lui fait prédire RUL dans une simulation en ligne. Enfin, les incertitudes sur les paramètres du modèle physique sont incluses dans l'approche hybride, ce qui lui permet de prédire un RUL avec un intervalle de confiance.

Abstract

This thesis is a collaboration between SATIE lab of the ENS Paris Saclay, Mitsubishi Electric R&D Centre Europe and, FEMTO- ST Lab. The collaboration is formed to answer the multidisciplinary questions existing in the thesis challenge. In this thesis, the concept of predicting the remaining lifetime of an IGBT power module is investigated to ensure the device's reliability. Firstly, the device's degradations are analyzed, and the best health parameter (Collector-Emitter voltage) reflecting these degradations is monitored during accelerated aging tests from the beginning until failure. Then, the data of collector-emitter voltage are used to develop a gamma process model and use it to predict a RUL with confidence interval and in an online simulation. After that, a hybrid approach is built that combines data acquisition with two physical models. One expresses the contact resistance relation with contact area length, and another expresses the crack propagation of the wire-bond interconnection of the IGBT device. This combination develops a hybrid and makes it predict RUL in an online simulation. Finally, the uncertainties in physical model parameters are included in the hybrid approach, making it predict a RUL with a confidence interval.