CN110232207B - 一种基于人工神经网络的电磁干扰滤波器设计方法 - Google Patents

一种基于人工神经网络的电磁干扰滤波器设计方法 Download PDF

Info

Publication number
CN110232207B
CN110232207B CN201910357889.1A CN201910357889A CN110232207B CN 110232207 B CN110232207 B CN 110232207B CN 201910357889 A CN201910357889 A CN 201910357889A CN 110232207 B CN110232207 B CN 110232207B
Authority
CN
China
Prior art keywords
electromagnetic interference
interference filter
filter
neural network
artificial neural
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.)
Active
Application number
CN201910357889.1A
Other languages
English (en)
Other versions
CN110232207A (zh
Inventor
陈恒林
叶世泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910357889.1A priority Critical patent/CN110232207B/zh
Publication of CN110232207A publication Critical patent/CN110232207A/zh
Application granted granted Critical
Publication of CN110232207B publication Critical patent/CN110232207B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Filters And Equalizers (AREA)

Abstract

本发明公开了一种基于人工神经网络的电磁干扰滤波器设计方法，该方法能实现电磁干扰滤波器的快速建模，并基于此模型，实现电磁干扰滤波器的快速设计。相比于传统设计方法，本发明设计方法使用了人工神经网络对电磁干扰滤波器进行高频建模，这种模型可以实现对滤波器插入损耗的快速准确建模，基于此模型，本发明设计方法使用遗传算法计算最优的滤波器元器件组合，该方法避免复杂的高频耦合效应建模，进而实现快速高效地得到电磁干扰滤波器的最优设计方案。

Description

一种基于人工神经网络的电磁干扰滤波器设计方法
技术领域
本发明属于电力电子电磁兼容技术领域，具体涉及一种基于人工神经网络的电磁干扰滤波器设计方法。
背景技术
随着电力电子技术和半导体材料的发展，电力电子设备被广泛应用于现代工业、航空航天、电源供应、交通运输等诸多领域。然而，电力电子装置内部的电力电子器件的高频开关动作，会产生很强的电磁干扰，进而引发严重的电磁干扰问题。为了解决这些电磁干扰问题，电磁干扰滤波器，尤其是无源电磁干扰滤波器被广泛应用。因此，研究电磁干扰滤波器的设计方法，具有重要意义。
在实际工业应用中，电磁干扰滤波器的设计往往是基于理想电路模型，然而，这种模型没有考虑高频寄生参数和高频耦合效应，导致设计出来的电磁干扰滤波器往往无法符合指标要求，需要通过昂贵且耗时的电磁兼容标准实验来修改和调整电磁干扰滤波器参数。为了降低电磁干扰滤波器的设计成本，有必要发展电磁干扰滤波器的建模技术。
现有的电磁干扰滤波器模型主要分为电磁模型和等效电路模型。电磁模型基于电磁干扰滤波器的三维模型，利用电磁场仿真软件，直接计算电磁干扰滤波器的插入损耗等指标，这种模型需要知道电磁干扰滤波器的结构参数和电磁参数，实现较为困难，并且电磁模型的仿真时间较长，利用电磁模型设计滤波器需要很大的计算资源。等效电路模型是利用电阻电容电感网络，模拟各滤波元器件的高频阻抗特性以及元器件之间的高频耦合特性，利用阻抗测试或者网络测试，提取模型参数。
然而由于实际电磁干扰滤波器结构复杂，电磁干扰滤波器的频率范围很大，很难找到合适的电阻电容电感网络来准确模拟电磁干扰滤波器的外特性，因此亟须研究，电磁干扰滤波器的快速建模和快速设计方法。
发明内容
鉴于上述，本发明提供了一种基于人工神经网络的电磁干扰滤波器设计方法，该方法能实现电磁干扰滤波器的快速建模，并基于此模型，实现电磁干扰滤波器的快速设计。
一种基于人工神经网络的电磁干扰滤波器设计方法，包括如下步骤：
(1)依据电力电子系统的限制因素，确定电磁干扰滤波器的拓扑结构以及拓扑结构中包括电容、电感等元器件的多个可选用的型号；
(2)利用阻抗分析仪测试拓扑结构中各电容、电感的所有可选用型号对应的高频阻抗特性曲线，以计算提取各电容、电感对应的容值和感值以及等效串联电感、等效串联电阻、等效并联电容、等效并联电阻等阻抗参数；
(3)制造电磁干扰滤波器样机，多次改变样机中电容、电感等元器件的型号，并测试电磁干扰滤波器样机对应的插入损耗；
(4)以电容电感的阻抗参数为输入变量，以电磁干扰滤波器样机的插入损耗为输出变量，根据步骤(3)得到的结果构建对应各次不同型号条件下的样本(包含对应的输入变量和输出变量)；
选择合适的人工神经网络结构，利用上述样本训练人工神经网络，从而得到基于人工神经网络的电磁干扰滤波器模型；
(5)测试不接入电磁干扰滤波器情况下电力电子系统的电磁干扰频谱，结合标准限值要求计算得到电磁干扰滤波器的性能设计指标；
(6)以电磁干扰滤波器的性能设计指标为优化目标，利用数值优化算法从所有设计方案(每一套方案包含了电容、电感等元器件确定的型号)中计算选取得到电磁干扰滤波器最优的设计方案。
进一步地，所述步骤(1)中电力电子系统的限制因素包括功率等级、空间限制、散热、所需的插入损耗等。
进一步地，所述步骤(2)中采用蒙特卡罗法计算提取各电容、电感对应的容值和感值以及等效串联电感、等效串联电阻、等效并联电容、等效并联电阻等阻抗参数。
进一步地，所述步骤(4)中所选用的人工神经网络结构为多层感知器。
进一步地，所述步骤(5)中通过以下公式计算电磁干扰滤波器的性能设计指标；
Figure BDA0002045989310000031
Figure BDA0002045989310000032
d(fk)＝R(fk)-G(fk)
其中：QEI为电磁干扰滤波器的性能设计指标，fk表示将整个标准限值要求的频段按对数均匀分割为301个频点后其中第k个频点的频率值，R(fk)表示在fk频率下对电磁干扰滤波器要求的插入损耗限值，G(fk)表示在fk频率下电磁干扰滤波器的插入损耗值，F(fk)表示在fk频率下电磁干扰滤波器的性能指标函数值。
进一步地，所述步骤(6)中选用遗传算法作为数值优化算法求解电磁干扰滤波器最优的设计方案。
进一步地，所述步骤(6)的具体实现过程为：对于任一套设计方案，基于人工神经网络模型计算其对应的电磁干扰滤波器性能设计指标，即首先通过步骤(2)得到电磁干扰滤波器的阻抗参数，然后将其输入至训练好的电磁干扰滤波器模型中得到对应的插入损耗，最后通过步骤(5)计算得到电磁干扰滤波器的性能设计指标；
结合上述计算方法，采用遗传算法搜索电磁干扰滤波器最优的设计方案，该算法以电磁干扰滤波器的性能设计指标为适应度函数，以电容、电感等元器件的型号为染色体。
相比于传统设计方法，本发明设计方法使用了人工神经网络对电磁干扰滤波器进行高频建模，这种模型可以实现对滤波器插入损耗的快速准确建模，基于此模型，本发明设计方法使用遗传算法计算最优的滤波器元器件组合，该方法避免复杂的高频耦合效应建模，进而实现快速高效地得到电磁干扰滤波器的最优设计方案。
附图说明
图1为本发明基于人工神经网络电磁干扰滤波器设计方法的流程示意图。
图2为二阶π型LC共模滤波器的拓扑结构示意图。
图3为利用网络分析仪对电磁干扰滤波器的测试接线图。
图4为本发明所采用的人工神经网络结构示意图。
图5为训练样本1通过仿真与测试得到的插入损耗对比示意图。
图6为检验样本39通过仿真与测试得到的插入损耗对比示意图。
图7为本发明最终得到的滤波器插入损耗对比示意图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示，本发明基于人工神经网络的电磁干扰滤波器设计方法，包括如下具体步骤：
(1)依据电力电子系统的功率等级、空间限制、散热、所需的插入损耗等限制因素，确定电磁干扰滤波器的拓扑和结构，以及确定可以选用的电容、电感等元器件的型号。
本实施例中，滤波器是用以抑制电动汽车电机驱动器直流母线的共模干扰，由于空间限制，选用了二阶π型LC共模滤波器，如图2所示，该滤波器使用了共模电容、共模电感两种滤波元器件。可供选用的共模电容有18种，其容值从1nF到1μF不等，可供选用的共模电感有7种，其容值从11μH到43μH不等。
(2)利用阻抗分析仪，测试各个型号电容电感的高频阻抗特性曲线，进而提取各型号电容电感的容值、感值、等效串联电感、等效串联电阻、等效并联电容、等效并联电阻等阻抗参数。
本实施例中，首先阻抗分析仪测试了18种共模电容和7中共模电感的阻抗特性曲线，随后使用了蒙特卡罗法，计算了这些共模电容的容值、等效串联电感、等效串联电阻，共模电感的感值、等效并联电容、等效并联电阻等参数，得到的参数如表1所示。
表1
Figure BDA0002045989310000051
(3)制造电磁干扰滤波器样机，多次改变样机的电容电感等元器件的型号，并测试电磁干扰滤波器样机的插入损耗。
本实施案例中，通过选用不同的共模电容和共模电感，共改变电磁干扰滤波器样机42次，并通过网络分析仪测试了电磁干扰滤波器的在10kHz到108MHz频率范围内的插入损耗，测试接线如图3所示，每次测试对应的电容、电感的容值、感值如表2所示。
(4)以电容电感的阻抗参数为输入变量，以电磁干扰滤波器的插入损耗为输出变量，构建训练和校验样本，选择合适的人工神经网络结构，利用上述的训练样本，训练该人工神经网络，使其具有高的精准度，进而建立基于人工神经网络的电磁干扰滤波器模型。
本实施案例中，以表2所示的第1～38组数据为训练样本，以第39～42组数据为校验样本，并选用如图4所示的人工神经网络结构(选用k＝2，n＝4)，即部分连接的多层感知器，该结构包含三层神经元，以各电容电感的阻抗参数为输入变量，以电磁干扰滤波器在151个对数均匀分布的频点上的插入损耗值为输出变量；随后，使用训练样本训练神经网络，使其达到很高的精准度，并使用检验样本校验该神经网络。对于训练样本1和校验样本39，使用神经网络预测得到的插入损耗和实测得到的插入损耗分别如图5和图6所示，由图5及图6可知，该人工神经网络已经具有了很高的精度，故基于该人工神经网络建立电磁干扰滤波器的模型。
表2
Figure BDA0002045989310000061
(5)测试不接入电磁干扰滤波器情况下，电力电子系统的电磁干扰频谱，结合标准限值，得到电磁干扰滤波器的性能设计指标；
本实施案例中，首先测试了不接入电磁干扰滤波器时，电动汽车电机驱动器直流母线上的共模干扰，此处干扰需要满足标准CISPR 25电流法测试class 4的限值要求，对比此标准，得到对电磁干扰滤波器的插入损耗要求，如图7中虚线所示。对于电磁干扰滤波器来说，其插入损耗必须达到这个标准限制要求，进一步地，最好能保持6dB的裕量，因此使用下式作为电磁干扰滤波器的性能设计指标。
Figure BDA0002045989310000071
Figure BDA0002045989310000072
d(fk)＝R(fk)-G(fk)
其中：QEI为电磁干扰滤波器的性能设计指标，fk表示将整个标准限值要求的频段按对数均匀分割为301个频点后其中第k个频点的频率值，R(fk)表示在fk频率下对电磁干扰滤波器要求的插入损耗限值，G(fk)表示在fk频率下电磁干扰滤波器的插入损耗值，F(fk)表示在fk频率下电磁干扰滤波器的性能指标函数值。
(6)以使电磁干扰滤波器符合性能设计指标为优化目标，利用遗传算法等数值优化算法，在待选用的电容电感元器件中，找出最优的组合，最终得到电磁干扰滤波器的设计方案。
本实施案例中，使用遗传算法求解最优的电容电感组合，该算法以QEI为适应度函数，以各电容、电感的型号为染色体。由电容电感型号得到QEI的具体过程为：首先根据电容、电感的型号，根据图2得到对应的阻抗参数；然后，将这些参数输入给如图4所示的神经网络，计算对应的电磁干扰滤波器在151个频点上的插入损耗；随后，使用插值算法计算整个标准限值要求的频段中301个频点对应的插入损耗；最后利用步骤(5)中的公式计算QEI。
利用遗传算法求解得到的最优电磁干扰滤波器设计方案，其中共模电容C1、C2、C3，共模电感L1、L2分别选用的容值1μF、47nF、220nF的电容和感值为26μH、26μH的电感，该电磁干扰滤波器的插入损耗，其实验测试得到的曲线和利用神经网络模型计算得到的曲线如图7所示，图7表明通过本发明方法设计得到的电磁干扰滤波器，其插入损耗能很好地符合要求，并且能保持6dB的裕量。
上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (7)

1.一种基于人工神经网络的电磁干扰滤波器设计方法，包括如下步骤：
(1)依据电力电子系统的限制因素，确定电磁干扰滤波器的拓扑结构以及拓扑结构中包括电容、电感元器件的多个可选用的型号；
(2)利用阻抗分析仪测试拓扑结构中各电容、电感的所有可选用型号对应的高频阻抗特性曲线，以计算提取各电容、电感对应的容值和感值以及等效串联电感、等效串联电阻、等效并联电容以及等效并联电阻；
(3)制造电磁干扰滤波器样机，多次改变样机中电容、电感元器件的型号，并测试电磁干扰滤波器样机对应的插入损耗；
(4)以电容电感的阻抗参数为输入变量，以电磁干扰滤波器样机的插入损耗为输出变量，根据步骤(3)得到的结果构建对应各次不同型号条件下的样本；
选择合适的人工神经网络结构，利用上述样本训练人工神经网络，从而得到基于人工神经网络的电磁干扰滤波器模型；
(5)测试不接入电磁干扰滤波器情况下电力电子系统的电磁干扰频谱，结合标准限值要求计算得到电磁干扰滤波器的性能设计指标；
(6)以电磁干扰滤波器的性能设计指标为优化目标，利用数值优化算法从所有设计方案中计算选取得到电磁干扰滤波器最优的设计方案。
2.根据权利要求1所述的电磁干扰滤波器设计方法，其特征在于：所述步骤(1)中电力电子系统的限制因素包括功率等级、空间限制、散热以及所需的插入损耗。
3.根据权利要求1所述的电磁干扰滤波器设计方法，其特征在于：所述步骤(2)中采用蒙特卡罗法计算提取各电容、电感对应的容值和感值以及等效串联电感、等效串联电阻、等效并联电容以及等效并联电阻。
4.根据权利要求1所述的电磁干扰滤波器设计方法，其特征在于：所述步骤(4)中所选用的人工神经网络结构为多层感知器。
5.根据权利要求1所述的电磁干扰滤波器设计方法，其特征在于：所述步骤(5)中通过以下公式计算电磁干扰滤波器的性能设计指标；
Figure FDA0002549823270000021
Figure FDA0002549823270000022
d(fk)＝R(fk)-G(fk)
其中：QEI为电磁干扰滤波器的性能设计指标，fk表示将整个标准限值要求的频段按对数均匀分割为301个频点后其中第k个频点的频率值，R(fk)表示在fk频率下对电磁干扰滤波器要求的插入损耗限值，G(fk)表示在fk频率下电磁干扰滤波器的插入损耗值，F(fk)表示在fk频率下电磁干扰滤波器的性能指标函数值，d(fk)为中间变量。
6.根据权利要求1所述的电磁干扰滤波器设计方法，其特征在于：所述步骤(6)中选用遗传算法作为数值优化算法求解电磁干扰滤波器最优的设计方案。
7.根据权利要求1所述的电磁干扰滤波器设计方法，其特征在于：所述步骤(6)的具体实现过程为：对于任一套设计方案，基于人工神经网络模型计算其对应的电磁干扰滤波器性能设计指标，即首先通过步骤(2)得到电磁干扰滤波器的阻抗参数，然后将其输入至训练好的电磁干扰滤波器模型中得到对应的插入损耗，最后通过步骤(5)计算得到电磁干扰滤波器的性能设计指标；
结合上述计算方法，采用遗传算法搜索电磁干扰滤波器最优的设计方案，该算法以电磁干扰滤波器的性能设计指标为适应度函数，以电容、电感元器件的型号为染色体。
CN201910357889.1A 2019-04-30 2019-04-30 一种基于人工神经网络的电磁干扰滤波器设计方法 Active CN110232207B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910357889.1A CN110232207B (zh) 2019-04-30 2019-04-30 一种基于人工神经网络的电磁干扰滤波器设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910357889.1A CN110232207B (zh) 2019-04-30 2019-04-30 一种基于人工神经网络的电磁干扰滤波器设计方法

Publications (2)

Publication Number Publication Date
CN110232207A CN110232207A (zh) 2019-09-13
CN110232207B true CN110232207B (zh) 2020-08-25

Family

ID=67861000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910357889.1A Active CN110232207B (zh) 2019-04-30 2019-04-30 一种基于人工神经网络的电磁干扰滤波器设计方法

Country Status (1)

Country Link
CN (1) CN110232207B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110719021B (zh) * 2019-10-31 2021-03-30 北京交通大学 并网三相逆变器共模emi滤波器优化设计方法
CN111478576B (zh) * 2020-04-30 2021-05-25 北京理工大学 一种滤波器设计方法
CN111478575B (zh) * 2020-04-30 2021-05-25 北京理工大学 一种高压电源电磁干扰滤波器设计方法
CN111581902B (zh) * 2020-05-06 2022-04-26 浙江大学 可抑制谐振的电磁干扰滤波器设计方法
CN111639471B (zh) * 2020-06-01 2022-05-27 浙江大学 一种基于循环神经网络的电磁干扰滤波器设计方法
CN112149371B (zh) * 2020-08-19 2022-12-09 西安交通大学 一种基于振铃效应的电磁干扰预测算法
CN113629780B (zh) * 2021-08-11 2023-03-24 山东大学 微电网功率转换器控制方法、系统、存储介质及设备
CN113792156A (zh) * 2021-08-31 2021-12-14 国营芜湖机械厂 一种基于人工智能的飞机电磁兼容分级管理方法
CN114611443B (zh) * 2022-02-21 2024-07-12 浙江大学 一种基于等效电路空间映射的片上滤波器逆向设计方法
CN116050185B (zh) * 2023-03-28 2023-08-18 敏业信息科技（上海）有限公司 电磁干扰滤波器仿真和验证方法、装置和计算机可读介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101262131A (zh) * 2007-03-08 2008-09-10 北京博旺天成科技发展有限公司 一种控制器参数在线可调的混合型有源电力滤波器
WO2014080610A1 (ja) * 2012-11-21 2014-05-30 日本電気株式会社 回路基板設計システム、回路基板設計方法及びプログラム記録媒体
CN106255259A (zh) * 2016-07-26 2016-12-21 浙江大学 一种基于bp神经网络pi控制方法的反激式led驱动电路

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256579A (zh) * 2018-01-19 2018-07-06 中央民族大学 一种基于先验知识的多模态民族认同感量化测量方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101262131A (zh) * 2007-03-08 2008-09-10 北京博旺天成科技发展有限公司 一种控制器参数在线可调的混合型有源电力滤波器
WO2014080610A1 (ja) * 2012-11-21 2014-05-30 日本電気株式会社 回路基板設計システム、回路基板設計方法及びプログラム記録媒体
CN106255259A (zh) * 2016-07-26 2016-12-21 浙江大学 一种基于bp神经网络pi控制方法的反激式led驱动电路

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于神经网络控制的有源滤波器的研究;刘晓红，等;《沈阳工业大学学报》;20050430;第27卷(第2期);192-195，199 *

Also Published As

Publication number Publication date
CN110232207A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
CN110232207B (zh) 一种基于人工神经网络的电磁干扰滤波器设计方法
Kartci et al. Synthesis and optimization of fractional-order elements using a genetic algorithm
Chen et al. Modeling and optimization of EMI filter by using artificial neural network
Kotny et al. EMI Filter design using high frequency models of the passive components
CN111581902A (zh) 可抑制谐振的电磁干扰滤波器设计方法
CN111639471B (zh) 一种基于循环神经网络的电磁干扰滤波器设计方法
CN116050185B (zh) 电磁干扰滤波器仿真和验证方法、装置和计算机可读介质
CN111931329A (zh) 一种干扰处理装置、电器设备及其干扰处理方法
McDowell et al. Parasitic inductance cancellation for surface mount shunt capacitor filters
CN111783376A (zh) 一种基于机器学习的3d芯片信号耦合性分析系统及方法
CN116681018A (zh) 一种周期性结构的阻抗模拟电路及其参数整定方法
Ojeda-Rodríguez et al. Modal theory and approach for accurate characterization of common-mode chokes
Lissner et al. Predicting the influence of placement of passive components on EMI behaviour
Rostamzadeh et al. Modeling SMT ferrite beads for SPICE simulation
Schierholz et al. Data-Efficient Supervised Machine Learning Technique for Practical PCB Noise Decoupling
Illia et al. Finite element method based electromagnetic modeling of three-phase EMI filters
De Oliveira et al. Optimized layout for an EMC filter: Analysis and validations
Rimolo-Donadio Development, validation, and application of semi-analytical interconnect models for efficient simulation of multilayer substrates
CN113191036B (zh) 一种共面波导等效电路结构及其参数提取方法
Tan Modeling and design of passive planar components for EMI filters
JP6604802B2 (ja) 半導体集積回路の設計支援装置、半導体集積回路の不要輻射の対策方法、コンピュータプログラム
Mueller et al. Automated filter optimization for high-voltage cable harness based on circuit simulations for conducted emissions prediction
Wang et al. Studying the effect of drilling uncertainty on signal propagation through vias
Tan et al. Automatic identification of magnetic component equivalent circuits using impedance measurements
Schefler et al. Systemsimulations with EMI-Filter in an Automotive HighVolt Environment

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