CN109143014A - 一种内嵌SiC-GTO器件正向阻断特性监测与诊断方法 - Google Patents
一种内嵌SiC-GTO器件正向阻断特性监测与诊断方法 Download PDFInfo
- Publication number
- CN109143014A CN109143014A CN201810730895.2A CN201810730895A CN109143014A CN 109143014 A CN109143014 A CN 109143014A CN 201810730895 A CN201810730895 A CN 201810730895A CN 109143014 A CN109143014 A CN 109143014A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- sic
- forward blocking
- gto
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000000903 blocking effect Effects 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 34
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 6
- 230000032683 aging Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 239000007787 solid Substances 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 230000000087 stabilizing effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 208000032750 Device leakage Diseases 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 abstract description 7
- 238000011160 research Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000001595 flow curve Methods 0.000 description 4
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 229910010271 silicon carbide Inorganic materials 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007850 degeneration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000518 rheometry Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2601—Apparatus or methods therefor
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明公开了一种内嵌SiC‑GTO器件正向阻断特性监测与诊断方法，该方法在高温反偏试验的基础上，针对SiC‑GTO功率器件提出以AG结电学特性作为器件阻断电压的间接表征参数，并基于所设计监测采样电路和相关向量机算法对器件的正向阻断性能进行评估，整套方法可有效的对SiC‑GTO器件正向阻断特性进行在线监测；该方法填补了目前对SiC‑GTO正向特性阻断内嵌监测与诊断方法研究的空白，通过选取低压特征参数对正向阻断特性进行间接表征，克服了目前器件阻断特性测试过程中对专用高压设备的依赖性，并通过内嵌监测电路可在线对SiC‑GTO器件正向阻断特性监测，实现监测电路与功率电路本身的高度集成，应用场合灵活，节约经济成本和人力成本。
Description
技术领域
本发明涉及SiC-GTO功率器件健康状态的内嵌监测与诊断技术领域，具体是一种内嵌SiC-GTO器件正向阻断特性监测与诊断方法。
背景技术
近年来，基于宽禁带半导体材料碳化硅(SiC)的高压功率器件迅速发展。SiC-GTO功率器件具有高阻断电压、大电流、快速关断、低正向导通压降以及耐高温等优点，同时具有比SiC MOSFET更低的导通电阻，比Si IGBT和SiC IGBT更低的导通压降、更低的功耗和更高的工作温度，使得SiC-GTO功率器件成为高压、大功率应用的研究热点。功率器件是影响电力电子系统可靠性的最主要部件之一，其性能的优劣直接影响电力电子系统的整体可靠性，因此对SiC-GTO器件可靠性及在线监测方法的研究极其必要。电力电子功率器件应用的主要特性就是耐高压、大电流及高温，由这些综合应力导致SiC-GTO 的阻断电压产生退化。而器件的阻断电压作为衡量其性能的重要参数，由于高达几千伏，测量过程中需采用专门高压设备(如半导体参数测试仪等)进行移位测量，由于该类设备制造成本高，设备占据空间体积较大，且测试设备需要精度高，不适合搬移，无法在实际电路器件工作电路中或器件工作状态下对其进行在线监测，需要从系统中将器件拆除才能够进行测试，因此难以在器件工作电路中对其阻断特性进行直接测量或者在不同应用场地进行就地灵活测试，且人工操作测试设备进行测试分析，效率较低，所以极大限制了该器件监测的应用。从而，研究SiC-GTO在低压条件下的阻断特性表征参数并通过内嵌监测电路对其特性进行在线监测在实际应用中具有重要意义。
发明内容
本发明提供了一种内嵌SiC-GTO器件正向阻断特性监测与诊断方法，该方法以SiC-GTO AG结电压电流特性的内嵌采集并结合信号处理算法来间接表征器件阻断特性退化(AG结电学特性内嵌只需低压，不需要高压，具有可测性)，整体思路为：以功率器件SiC-GTO为对象，通过高温反偏加速试验，基于外部高压测试设备对器件在高温高压工作条件下的正向阻断特性进行监测，梳理其正向阻断电压(Blocking voltage,BV) 和器件静态特性间的对应关系，并选取器件GA两端(器件栅极Gate与阳极Anode之间) 在低压条件下的漏电流作为器件正向阻断特性的表征参数，基于监测采样电路对GA的伏安特性曲线进行采集，然后采用信号处理方法如三次指数平滑法对GA的漏电流曲线进行处理，最后采用相关向量机方法针对GA端处理后的漏电流曲线对器件的BV进行评估，实现SiC-GTO器件正向阻断特性的内嵌监测。
SiC-GTO器件正向阻断特性监测主要是在低压条件下获得表征器件正向阻断特性的特征参数，并通过信号处理和相应的评估算法对器件的正向阻断特性进行监测与诊断。常用的评估方法主要有神经网络、支持向量机和相关向量机等，每种方法都有其特点及适用范围。其中，相关向量机是一种基于贝叶斯理论的稀疏概率的机器学习方法，是对 SiC-GTO器件正向阻断特性进行状态评估的有效方法。相关向量机运用主动相关决策理论实现了模型的稀疏化，提供概率式的预测并减少模型预测时间，同时一部分模型参数可以通过自适应的迭代获取最优解，调节参数较少，便于模型优化，在处理小样本问题时具有较高的运算精度，是针对SiC-GTO器件的阻断特性监测的理想选择。下面具体描述结合相关向量机有效进行检测的本发明的技术方案。
本发明的技术方案如下：
一种内嵌SiC-GTO器件正向阻断特性监测与诊断方法，具体方法步骤如下：
步骤一：通过高温反偏试验对SiC-GTO器件进行老化加速试验，并观测其正向阻断电压和所述器件静态特性间的对应关系，并根据老化加速试验的测试结果选取器件GA 两端漏电流作为所述器件正向阻断特性表征参数；
步骤二：基于所设计器件的监测采样电路对GA的伏安特性曲线进行采集，所述器件在正常情况下漏电流为nA级别，采集不同试验时长(不同试验时长主要为采集其不同工作时长下的器件特性曲线)下对AG和GA端的伏安特性曲线；
所述正常情况指器件功能正常，且未出现老化、退化或损坏的情况即为正常情况；
步骤三：采用信号处理方法对GA的伏安特性曲线进行处理，提取其特征参数；
步骤四：将处理后的伏安特性曲线作为样本，相应正向阻断电压值作为预测值，将样本分为训练样本和测试样本，并选取训练样本对相关向量机预测模型进行训练；
步骤五：基于所训练好的相关向量机模型对步骤四选取的测试样本进行评估，实现 SiC-GTO器件正向阻断特性的状态监测。
本发明在高温反偏试验的基础上，针对SiC-GTO功率器件，提出将GA端漏电流特性作为表征器件正向阻断性能的特征参数，并基于所设计监测采样电路和相关向量机算法对器件的正向阻断性能进行评估，可有效的对器件正向阻断特性进行在线监测。
进一步，在步骤一中通过高温反偏试验对SiC-GTO器件进行老化加速试验，并测试不同试验时长下器件正向阻断特性与静态特性间的关系。随着试验时长的增加，器件AG 端的伏安特性及导通特性均无明显变化，器件正向阻断漏电流逐步增加，器件GA端漏电流变化明显，因此，选取器件GA两端漏电流作为器件正向阻断特性表征参数。
进一步，在步骤二中具体包括以下步骤：所述设计器件监测采样电路对GA端的伏安特性曲线进行采集，其中监测采样电路从0V到5V以小于0.1V的步进间隔不断增大GA 间电压，并基于所述监测采样电路中的采样电阻将nA级的电流信号转换为电压信号，通过控制器对监测采样电路中的输出电压进行调节，由控制器的AD采集模块对器件的电压、电流进行采集。
在所述监测采样电路中，是通过有可调稳压芯片与数字可调电阻相结合为SiC-GTO 器件GA端提供逐步增大供电电压，通过控制器控制数字可调电阻的阻值变化，可调稳压芯片为所述器件GA端提供逐步增大的供电电压，器件GA两端在不同电压下的漏电流经跨阻放大电路转换为电压值，最后通过控制器的AD采集模块采集器件GA端的电压、电流特性。
所述AD采集模块可以是内置于控制器内，也可以是外接。
进一步，在步骤三中对GA端的伏安特性曲线进行信号处理并提取其特征参数，所述信号处理可采用三次指数平滑法进行信号处理。
进一步，在步骤四中具体包括以下步骤：按上述步骤获取不同高温反偏试验时长下 SiC-GTO器件的特征参数，将经过步骤三处理后的漏电流曲线作为样本，相应正向阻断电压值作为预测值，并将样本分为训练样本和测试样本；针对训练样本基于RVM方法的核函数映射将低维空间的非线性问题转化为高维空间线性问题，建立最优非线性回归函数。
进一步，在步骤五中具体包括以下步骤：基于训练好的RVM回归模型对测试样本进行预测，实现SiC-GTO器件正向阻断特性的监测。
本发明的有益效果在于：
本发明以功率器件SiC-GTO为对象，而目前，针对SiC GTO器件的研究主要集中在器件各性能参数的优化设计上，对其正向阻断特性的监测研究较少，本发明首次提出以 AG结特性作为阻断电压的间接表征，具备创新性；同时，本发明针对内嵌应用，可直接设计集成在功率电路内，具备实时、在线、且自动化监测的优点，节约人力成本和经济成本。
本发明提出以AG结电学特性作为器件阻断电压的间接表征参数，并提出了内嵌电路设计、信号处理算法和评估诊断方法，整套方法可有效的对新型SiC-GTO器件正向阻断特性进行在线监测。该方法填补了目前对SiC-GTO正向特性阻断内嵌监测与诊断方法研究的空白，通过选取低压特征参数对正向阻断特性进行间接表征，克服了目前器件阻断特性测试过程中对专用高压设备的依赖性，并通过内嵌监测电路可在线对SiC-GTO器件正向阻断特性监测，实现监测电路与功率电路本身的高度集成，应用场合灵活，节约经济成本和人力成本。
附图说明
图1为本发明的监测诊断流程示意图。
图2(a)为本发明器件AG端伏安特性曲线示意图。
图2(b)为本发明器件导通特性曲线示意图。
图2(c)为本发明器件GA端伏安特性曲线示意图。
图2(d)为本发明器件正向阻断特性曲线示意图。
图3为本发明所采用的SiC-GTO器件监测采样电路示意图。
图4为本发明步骤三中基于三次指数平滑法处理的GA漏电流特性曲线示意图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
图1为本发明所述方法的流程图，该方法包括以下步骤：
步骤一中，通过高温反偏试验对SiC-GTO器件进行加速试验，并通过专用设备(如半导体参数测试仪等)测试不同试验时长下器件正向阻断特性与静态特性之间的关系，如图2所示。在图2中可以看出随着试验时长的增加，器件AG端伏安特性及导通特性均无明显变化，器件正向阻断漏电流逐步增加，器件GA端漏电流变化明显，因此选取器件GA两端漏电流作为器件正向阻断特性表征参数。
步骤二中，设计器件的监测采样电路对GA端的伏安特性曲线进行采集，其中监测采样电路从0V到5V以小于0.1V的步进间隔不断增大GA间电压，并基于采样电阻将nA级的电流信号转换为电压信号，通过控制器内置AD采集器或外接AD模块对器件的电压、电流进行采集，具体电路如图3所示。其中，可调稳压芯片为GA两端提供逐步增大供电电压，功能与MCP1826型号芯片类似，数字可调电阻芯片由控制器控制其电阻阻值的变化，功能与AD5220BR100型号芯片类似。器件GA两端在不同电压下的漏电流经跨阻放大电路转换为电压值，最后通过控制器内置AD采集器或外接AD模块对器件GA端的电压、电流特性进行采集。
步骤三中，对GA端漏电流特性进行处理并提取其特征参数，采用三次指数平滑法进行信号处理。
具体的处理数学方法如下：
设GA漏电流时间序列为X1,X2,…,Xt,…，第t期一次指数平滑值记为二次指数平滑值记为三次指数平滑值记为指数平滑值计算公式为：
式中，Xt为第t期指标实际值，α为平滑系数(0＜α＜1)。
三次指数平滑法的数学模型为：
Xt+T＝at+bt×T+ct×T2
T为预测周期，Xt+T为t+T时刻的预测值，at,bt,ct均为平滑系数，计算公式为：
基于三次指数平滑法对GA漏电流时间序列进行处理，其结果如图4所示。
步骤四中，将经过步骤三处理后的漏电流曲线作为样本，相应正向阻断电压值作为预测值，并将样本分为训练样本和测试样本；针对训练样本基于RVM方法的核函数映射将低维空间的非线性问题转化为高维空间线性问题，建立最优非线性回归函数。
RVM回归函数为：
其中，w＝(w0,w1,…,wN)T为权值，xi＝(x0,x1,…,xN)T为训练样本集，K(x,xi)为核函数，训练RVM本质为贝叶斯框架下为核函数估计适当的权值wj。为预测模型的每个权重建立一个先验分布，表示权重取某个特定值的可信度，权重的先验分布为：
式中，向量α＝(α0,α1…αN)T含有N+1个超级参数，每个超级参数αi对应权值wi负责调整权值的大小。
RVM技术采用贝叶斯框架对不确定性进行管理，通过训练数据的学习，即是对权重后验分布的推理，权重的后验分布为：
基于RVM技术的预测，即基于已知对的训练集目标数据t和新的输入数据x*，对新的目标数据t*进行预测，预测模型为：
通过训练数据得到模型参数后，对于新的输入向量，目标值y*的分布密度为：
p(t*|t)＝∫p(t*|w,σ2)p(w,α,σ2|t)dwdαdσ2
在步骤五中具体包括以下步骤：基于训练好的RVM回归模型对测试样本进行预测，实现SiC-GTO器件正向阻断特性的监测。
通过以上步骤，能够在高温反偏应力下实现对SiC-GTO器件正向阻断特性的状态监测。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过上述实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。
Claims (6)
1.一种内嵌SiC-GTO器件正向阻断特性监测与诊断方法，其特征在于包括下述步骤：
步骤一，通过高温反偏试验对SiC-GTO器件进行老化加速试验，并测试不同试验时长下器件正向阻断特性与静态特性间的关系，根据测试结果选取器件GA两端漏电流作为所述器件正向阻断特性表征参数；
步骤二，基于所设计器件的监测采样电路对GA端的伏安特性曲线进行采集，所述器件在正常情况下漏电流为nA级别，采集不同试验时长下对AG和GA端的伏安特性曲线；
步骤三，对GA端的伏安特性曲线进行信号处理，提取其特征参数；
步骤四，将处理后的伏安特性曲线作为样本，相应正向阻断电压值作为预测值，将样本分为训练样本和测试样本，并基于训练样本对相关向量机预测模型进行训练；
步骤五，基于所训练好的相关向量机模型对步骤四选取的测试样本进行评估，实现SiC-GTO器件正向阻断特性的状态监测。
2.根据权利要求1所述的一种内嵌SiC-GTO器件正向阻断特性监测方法，其特征在于：在步骤二中，所述监测采样电路从0V到5V之间以小于0.1V的步进间隔不断增大GA间电压，并基于监测采样电路中的采样电阻将nA级的电流信号转换为电压信号，通过控制器对监测采样电路中的输出电压进行调节，由控制器的AD采集模块对器件的电压、电流进行采集。
3.根据权利要求1所述的一种内嵌SiC-GTO器件正向阻断特性监测方法，其特征在于：在步骤三中对GA端伏安特性曲线进行信号处理并提取其特征参数，所述信号处理采用三次指数平滑法进行信号处理。
4.根据权利要求1所述的一种内嵌SiC-GTO器件正向阻断特性监测方法，其特征在于：在步骤四中，对所述训练样本基于RVM方法的核函数映射将低维空间的非线性问题转化为高维空间线性问题，建立最优非线性回归函数。
5.根据权利要求1所述的一种内嵌SiC-GTO器件正向阻断特性监测方法，其特征在于：在步骤五中，基于训练好的RVM回归模型对测试样本进行预测，实现SiC-GTO器件正向阻断特性的监测。
6.根据权利要求2所述的一种内嵌SiC-GTO器件正向阻断特性监测方法，其特征在于：所述监测采样电路中设置有可调稳压芯片与数字可调电阻，通过控制器控制数字可调电阻的阻值变化，可调稳压芯片为所述器件GA端提供逐步增大的供电电压，器件GA两端在不同电压下的漏电流经跨阻放大电路转换为电压值，最后通过控制器的AD采集模块采集器件GA端的电压、电流特性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810730895.2A CN109143014B (zh) | 2018-07-05 | 2018-07-05 | 一种内嵌SiC-GTO器件正向阻断特性监测与诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810730895.2A CN109143014B (zh) | 2018-07-05 | 2018-07-05 | 一种内嵌SiC-GTO器件正向阻断特性监测与诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109143014A true CN109143014A (zh) | 2019-01-04 |
| CN109143014B CN109143014B (zh) | 2020-10-27 |
Family
ID=64799654
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810730895.2A Expired - Fee Related CN109143014B (zh) | 2018-07-05 | 2018-07-05 | 一种内嵌SiC-GTO器件正向阻断特性监测与诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109143014B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112685958A (zh) * | 2020-12-30 | 2021-04-20 | 西南交通大学 | 一种基于神经网络的SiC MOSFET阻断电压确定方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820747A (zh) * | 2015-05-06 | 2015-08-05 | 北京航空航天大学 | 一种基于仿真的dc-dc开关电源故障预测方法 |
| CN104849645A (zh) * | 2015-06-08 | 2015-08-19 | 哈尔滨工业大学 | 基于米勒平台电压的mosfet退化评估方法及采用该方法的mosfet剩余寿命预测方法 |
| CN106124957A (zh) * | 2016-07-19 | 2016-11-16 | 浙江大学 | 一种绝缘栅双极型晶体管退化的在线监测方法 |
| US20170123014A1 (en) * | 2014-06-13 | 2017-05-04 | Dr. Ing. H.C. F . Porsche Aktiengesellschaft | Electronic circuit for easier operation of multilevel converters |
| CN107315138A (zh) * | 2016-04-21 | 2017-11-03 | 深圳市智鼎自动化技术有限公司 | 功率mosfet的故障预测和健康处理方法及测试系统 |
-
2018
- 2018-07-05 CN CN201810730895.2A patent/CN109143014B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170123014A1 (en) * | 2014-06-13 | 2017-05-04 | Dr. Ing. H.C. F . Porsche Aktiengesellschaft | Electronic circuit for easier operation of multilevel converters |
| CN104820747A (zh) * | 2015-05-06 | 2015-08-05 | 北京航空航天大学 | 一种基于仿真的dc-dc开关电源故障预测方法 |
| CN104849645A (zh) * | 2015-06-08 | 2015-08-19 | 哈尔滨工业大学 | 基于米勒平台电压的mosfet退化评估方法及采用该方法的mosfet剩余寿命预测方法 |
| CN107315138A (zh) * | 2016-04-21 | 2017-11-03 | 深圳市智鼎自动化技术有限公司 | 功率mosfet的故障预测和健康处理方法及测试系统 |
| CN106124957A (zh) * | 2016-07-19 | 2016-11-16 | 浙江大学 | 一种绝缘栅双极型晶体管退化的在线监测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112685958A (zh) * | 2020-12-30 | 2021-04-20 | 西南交通大学 | 一种基于神经网络的SiC MOSFET阻断电压确定方法 |
| CN112685958B (zh) * | 2020-12-30 | 2022-11-01 | 西南交通大学 | 一种基于神经网络的SiC MOSFET阻断电压确定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109143014B (zh) | 2020-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109738773A (zh) | 一种非平稳工况下igbt模块寿命预测方法 | |
| CN103063995B (zh) | 一种预测soi mosfet器件可靠性寿命的方法 | |
| CN107621599B (zh) | 一种测量igbt在高温反偏试验中结温变化的方法 | |
| CN110376500B (zh) | 一种功率mos器件开启过程中瞬态温升在线测量方法 | |
| CN104569844B (zh) | 阀控密封式铅酸蓄电池健康状态监测方法 | |
| CN110502777A (zh) | 基于神经网络预测的igbt模块状态检测系统及方法 | |
| KR20140111920A (ko) | 이산 웨이블릿 변환을 이용하여 배터리 팩의 soh를 예측하는 장치 | |
| CN113759225A (zh) | Igbt剩余寿命预测和状态评估实现方法 | |
| CN105116009B (zh) | 一种发热模拟装置和热管散热性能检测装置 | |
| US9515602B2 (en) | Solar array condition monitoring through controlled inverter voltage sweeping | |
| CN106124957A (zh) | 一种绝缘栅双极型晶体管退化的在线监测方法 | |
| CN109885884B (zh) | Igbt模块疲劳分析处理方法及半导体器件处理方法 | |
| KR20170107304A (ko) | 직류 배전 선로의 전압 제어 시스템 및 방법 | |
| CN106950507A (zh) | 一种智能时钟电池用高可靠性寿命评估方法 | |
| CN109284543A (zh) | 基于最优尺度高斯过程模型的igbt剩余寿命预测方法 | |
| CN109143014A (zh) | 一种内嵌SiC-GTO器件正向阻断特性监测与诊断方法 | |
| CN110794216B (zh) | 一种接地状态检测装置及其检测方法 | |
| CN105891625A (zh) | 基于能量流的电力系统次同步振荡扰动源辨别方法 | |
| CN110489790B (zh) | 基于改进abc-svr的igbt结温预测方法 | |
| CN107544008B (zh) | 车载igbt状态监测方法及装置 | |
| CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
| CN104122492B (zh) | 一种预测半导体器件10年寿命对应的工作电压的方法 | |
| CN105260558A (zh) | 一种高压直流换流阀元件的宽频模型建模方法 | |
| CN111458672B (zh) | 基于机器学习的多量程电流测量校准系统 | |
| CN108229727A (zh) | 医疗器械整机寿命分布预测方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201027 |