CN111460617B - 一种基于神经网络的igbt结温预测方法 - Google Patents

一种基于神经网络的igbt结温预测方法 Download PDF

Info

Publication number
CN111460617B
CN111460617B CN202010142434.0A CN202010142434A CN111460617B CN 111460617 B CN111460617 B CN 111460617B CN 202010142434 A CN202010142434 A CN 202010142434A CN 111460617 B CN111460617 B CN 111460617B
Authority
CN
China
Prior art keywords
junction temperature
igbt
neural network
temperature prediction
prediction model
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
CN202010142434.0A
Other languages
English (en)
Other versions
CN111460617A (zh
Inventor
王浩
刘洋
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202010142434.0A priority Critical patent/CN111460617B/zh
Publication of CN111460617A publication Critical patent/CN111460617A/zh
Priority to PCT/CN2020/128969 priority patent/WO2021174907A1/zh
Application granted granted Critical
Publication of CN111460617B publication Critical patent/CN111460617B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Inverter Devices (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)
  • Power Conversion In General (AREA)

Abstract

本发明公开了一种基于神经网络的IGBT结温预测方法，基于BP神经网络构建IGBT结温预测模型，该模型具有较强的非线性映射能力，且本发明的结温特征包括相电流峰值、开关频率和环境温度，能够精确的表征结温特征。IGBT结温预测模型可精确反映结温特征与结温之间的关系，将采集到的IGBT的结温特征输入到IGBT结温预测模型中，即可预测得到IGBT结温，实现复杂度低，实时性强，预测精度较高。并且，在训练IGBT结温预测模型时，通过采用ANSYS Icepak软件构建逆变器的3D热仿真模型，并基于所得3D热仿真模型，可以获得不同工况下的IGBT结温数据，采用该IGBT结温数据所构成的训练样本训练IGBT结温预测模型，可广泛用于多种不同的功率器件以及不同的工况，工业实用性较强。

Description

一种基于神经网络的IGBT结温预测方法
技术领域
本发明属于电力电子技术领域，更具体地，涉及一种基于神经网络的IGBT结温预测方法。
背景技术
IGBT是用在逆变器中的功率器件，用于将直流电能转变成交流电。在交直电流转换过程中，由于高频切换，功率半导体器件长期处于功率循环和热循环引起的热脉冲之下，因此由结温变化引起的热机械应力的不断变化对IGBT的内部结构损害很大，从而导致器件失效。研究表明，器件工作结温越高，安全裕度越小；结温波动越大，热循环寿命越短。通过监测IGBT结温，采用适当的控制方法可以减小器件的热应力冲击从而增加IGBT模块使用寿命、降低故障率，故研究IGBT结温预测方法具有重要的意义。
现有的IGBT结温预测方法主要包括：光学方法、物理接触方法和电气方法。其中，光学方法简单易于操作，但由于热成像器材价格昂贵不易安装，因此难以在工程上应用；物理接触方法可以较为准确的测量温度，但是无法直接触封装内的芯片，所测温度有一定的偏差，预测精度较低；电气方法测量速度快、精度高，但是需要复杂的测量电路，在一定程度上还会影响器件的正常工作。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于神经网络的IGBT结温预测方法，其目的在于，解决在满足实现复杂度较低的前提下，由于现有技术无法直接接触封装内的芯片而导致的预测精度较低的技术问题。
为实现上述目的，第一方面，本发明提供了一种基于神经网络的IGBT结温预测方法，包括以下步骤：
S1、采集待测IGBT的结温特征，其中，结温特征为IGBT模块实时运行时的实时参数，包括相电流峰值、开关频率和环境温度；
S2、将所得结温特征输入到预训练好的IGBT结温预测模型，得到待测IGBT的结温；
其中，IGBT结温预测模型为BP神经网络模型，其中，输入层的个数为1，包括三个神经元，分别用于输入相电流峰值、开关频率和环境温度；输出层的个数为1，包括一个神经元，用于输出IGBT结温。
进一步优选地，上述隐含层的个数为1，包括四个神经元。
进一步优选地，上述IGBT结温预测模型的激活函数为Relu，优化算法为拟牛顿法。
进一步优选地，上述IGBT结温预测模型的训练方法，包括以下步骤：
S01、采用ANSYS Icepak软件构建逆变器的3D热仿真模型；
S02、基于所得3D热仿真模型，采集多组IGBT结温以及相应的结温特征，预处理后作为训练样本；其中，结温特征包括：相电流峰值、开关频率和环境温度；
S03、建立BP神经网络，将上述训练样本输入到该BP神经网络中进行训练，得到预训练好的IGBT结温预测模型。
进一步优选地，基于逆变器的物理结构以及数据参数采用ANSYS Icepak软件构建逆变器的3D热仿真模型，并结合逆变器的实际运行工况和环境进行流固耦合仿真，获得逆变器中IGBT的结温；其中，数据参数包括输出电压、输出频率、功率因数。
进一步优选地，上述IGBT的结温Tj＝P×(Rthj-c+Rthc-hs+Rthhs-a)+Ta，其中，P为逆变器中IGBT的功率损耗，Rthj-c为逆变器的结壳热阻，Rthc-hs为逆变器的壳到散热器的热阻，Rthhs-a为逆变器的散热器到环境的热阻，Ta为环境温度，Rthj-c、Rthc-hs和Rthhs-a通过3D热仿真模型求得。
第二方面，本发明还提供了一种存储介质，当计算机读取所述指令时，使所述计算机执行本发明第一方面所提供的基于神经网络的IGBT结温预测方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明提供了一种基于神经网络的IGBT结温预测方法，基于BP神经网络构建IGBT结温预测模型，该模型具有较强的非线性映射能力，且本发明的结温特征包括相电流峰值、开关频率和环境温度，能够精确的表征结温特征。IGBT结温预测模型可精确反映结温特征与结温之间的关系，将采集到的IGBT的结温特征输入到IGBT结温预测模型中，即可预测得到IGBT结温，实现复杂度低，实时性强，预测精度较高。
2、本发明提供了一种基于神经网络的IGBT结温预测方法，基于BP神经网络构建IGBT结温预测模型，具有高度自学习和自适应的能力以及强容错率、高鲁棒性等特点；并且通过采用ANSYS Icepak软件构建逆变器的3D热仿真模型，并基于所得3D热仿真模型，可以获得不同工况下的IGBT结温数据，采用该IGBT结温数据所构成的训练样本训练IGBT结温预测模型，可广泛用于多种不同型号、不同电压、电流等级的功率器件，不同结构的逆变器以及不同的工况，工业实用性较强。
附图说明
图1是本发明实施例1所提出的基于神经网络的IGBT结温预测方法的流程图；
图2是本发明实施例1所提出的BP神经网络模型拓扑结构图；
图3是采用本发明实施例1所提出的IGBT结温预测方法所得的预测结果与真实值的比较结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1、
一种基于神经网络的IGBT结温预测方法，如图1所示，包括以下步骤：
S1、采集待测IGBT的结温特征，其中，结温特征为IGBT模块实时运行时的实时参数，包括相电流峰值、开关频率和环境温度；
S2、将所得结温特征输入到预训练好的IGBT结温预测模型，得到待测IGBT的结温；
其中，IGBT结温预测模型为BP神经网络模型，包括输入层、隐含层和输出层；输入层的个数为1，包括三个神经元，分别用于输入相电流峰值、开关频率和环境温度；输出层的个数为1，包括一个神经元，用于输出IGBT结温。
本发明中的IGBT结温预测模型为BP神经网络模型，神经网络在学习之前不必获悉任何输入样本与对应标记之间的关系，直接对数据进行迭代训练，来不断调整自己的权值矩阵与阈值，逐渐减小损失函数以改善性能。BP神经网络具有较强的非线性映射能力，高度自学习和自适应的能力以及强容错率、高鲁棒性等特点，在基于大数据的非线性系统预测方面具有得天独厚的优势，能够大大提高IGBT结温预测的准确性。
进一步优选地，上述隐含层的个数为1，包括四个神经元。
进一步优选地，上述IGBT结温预测模型的激活函数为Relu，优化算法为拟牛顿法。
进一步优选地，上述IGBT结温预测模型的训练方法，包括以下步骤：
S01、采用ANSYS Icepak软件构建逆变器的3D热仿真模型；
ANSYS Icepak软件是电子行业专业的散热仿真优化分析软件，通过CFD的分析计算，可以显示电子产品实际热分布特性，用户可以在较短的时间内，预测电子产品内的流场、温度场等。通过该软件可获得多种模拟工况下IGBT结温数据，从而作为机器学习算法的数据样本。
S02、基于所得3D热仿真模型，采集多组IGBT结温以及相应的结温特征，预处理后作为训练样本；其中，结温特征包括：相电流峰值、开关频率和环境温度；
优选地，基于逆变器的物理结构以及包括输出电压、输出频率、功率因数的数据参数，采用ANSYS Icepak软件构建逆变器的3D热仿真模型，并结合逆变器的实际运行工况和环境进行流固耦合仿真，获得逆变器中IGBT的结温，具体为：Tj＝P×(Rthj-c+Rthc-hs+Rthhs-a)+Ta，其中，P为逆变器中IGBT的功率损耗，Rthj-c为逆变器的结壳热阻，Rthc-hs为逆变器的壳到散热器的热阻，Rthhs-a为逆变器的散热器到环境的热阻，Ta为环境温度。具体的，在本实施例中，确定散热方式为强迫风冷，根据逆变器的实际物理参数赋予3D热仿真模型相应的材料属性，设置风扇的进气量恒定不变。为了确定相应的结温特征，本实施例分析了与IGBT结温相关的物理参数，主要包括两类，一类是功率模块固有参数，包括IGBT参数Vceo、Ro、Eon、Eoff，二极管参数VDo、RD、Erec，以及厂家测试参数Inom、Vnom，此类参数可以通过器件的数据手册获得；另一类是模块运行时的实时参数，包括峰值电流Ipk、调制比m、功率因数cosφ、开关频率fsw、母线电压Vdc以及环境温度Ta。由于稳态下的IGBT结温主要由逆变器的输出电压、相电流、开关频率和环境温度决定，因此将它们选为初始结温特征。本实施例中，设定逆变器输出的电压的范围是100～400V，电流是5～15A，开关频率是1～10kHz，环境温度是20～50℃，采集多组结温以及相应的初始结温特征，构成数据样本。对于所得的数据样本，若发现存在明显异常，则再次运行3D热仿真模型进行验证，去除掉明显异常的数据。对所得数据样本中的初始结温特征进行归一化处理，并且为了降低特征量之间的相关性，降低计算的复杂度，采用主成分分析法分析初始结温特征中每个特征量的方差贡献率，剔除方差贡献率较小的特征量，从而对结温特征进行降维。结果表明，逆变器的输出电压的方差贡献率最小，本实施例中约为0.067，而相电流的方差贡献最大，故降维后得到相应的结温特征为相电流峰值、开关频率和环境温度。进一步地，使用均方根误差评估特征量降维前后的性能，发现降维前后的性能差异不大，进一步可以确定主成分分析法的效性，可以在不影响性能的前提下，降低计算的复杂度。由于电流对样本标记的影响最大，故使用分层采样法对电流数据进行处理。本实施例中，每1A采集20组数据，收集200组样本，并按8∶2的比例分为训练集和测试集。训练集需要进行预处理并用于训练，测试集用于预测以揭示所提出模型的性能。
S03、建立BP神经网络，将上述训练样本输入到该BP神经网络中进行训练，得到预训练好的IGBT结温预测模型。
具体的，在BP神经网络模型构建时，将相电流峰值、开关频率及环境温度作为输入层的三个神经元，IGBT结温作为输出层的唯一神经元，隐含层数及神经元个数的选取通过试错法分别确定为1和4，如图2所示。神经网络凭借激活函数得以拟合非线性函数，如果没有激活函数，无论多少个神经元相连，其输出都是一个线性的函数。为了确定最优激活函数，在本实施例中，分别选取Sigmoid、Tanh和Relu激活函数进行模型训练，得到的训练结果如下表1所示：
表1
Figure BDA0002399056370000061
Figure BDA0002399056370000071
通过比较，选取均方根误差(RMSE，root mean square error)数值最小的Relu作为训练集最优激活函数，此时BP神经网络的性能最优。激活函数帮助神经网络拟合非线性函数，而优化算法帮助神经网络改善训练方式，其通过计算并更新影响模型训练及输出的网络参数，使参数逼近或达到最优值，实现最小化损失函数的目的。为了确定最优优化算法，在最优激活函数的基础上，本实施例分别采用随机梯度下降(SGD)、梯度下降优化(Adam)和拟牛顿法(quasi-Newton)三种常用优化算法进行模型训练，得到的训练结果如下表2所示：
表2
优化算法 对应激活函数 RMSE
随机梯度下降(SGD) Sigmoid 14.98
梯度下降优化(Adam) Relu 6.78
拟牛顿法(quasi-Newton) Relu 1.22
通过比较随机梯度下降(SGD)、梯度下降优化(Adam)拟牛顿法(quasi-Newton)三种常用优化算法在使用对应最优激活函数后的训练结果，选取RMSE最小的拟牛顿法作为BP神经网络优化算法，此时BP神经网络的性能最优。在分别确定激活函数和优化算法的选取之后，本实施例将迭代次数和学习率的取值分别取值为45和0.3。
得到预训练好的IGBT结温预测模型以后，将待测IGBT的结温特征输入到该预训练好的IGBT结温预测模型，得到待测IGBT的结温。在不同采样点处模型的输出值是相电流峰值、开关频率以及环境温度，输出值是IGBT的结温，每一组相电流峰值、开关频率、环境温度数据对应于一个结温，即一个采样点，将其与相应的结温真实值进行比较，得到如图3所示的结果，其中，横坐标为采样点，纵坐标为IGBT结温，圆点表示真实值，菱形表示采样本发明提出的方法所得的预测值，从图中可以看出，在不同采样点处，采用本发明所提出的IGBT结温预测方法所得的预测结果与真实值非常相近或者重合，预测精度较高。
实施例2、
一种存储介质，当计算机读取所述指令时，使所述计算机执行本发明实施例1所提供的基于神经网络的IGBT结温预测方法。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于神经网络的IGBT结温预测方法，其特征在于，包括以下步骤：
S1、采集待测IGBT的结温特征，其中，结温特征为IGBT模块实时运行时的实时参数，包括IGBT模块所在逆变器的相电流峰值、开关频率和环境温度；
S2、将所得结温特征输入到预训练好的IGBT结温预测模型，得到待测IGBT的结温；
所述IGBT结温预测模型为BP神经网络模型，其中，输入层的个数为1，包括三个神经元，分别用于输入相电流峰值、开关频率和环境温度；输出层的个数为1，包括一个神经元，用于输出IGBT结温；
所述IGBT结温预测模型的训练方法，包括以下步骤：
S01、基于逆变器的物理结构以及数据参数，采用ANSYS Icepak软件构建逆变器的3D热仿真模型；其中，所述数据参数包括输出电压、输出频率和功率因数；
S02、基于所得3D热仿真模型，结合逆变器的实际运行工况和环境进行流固耦合仿真，获得逆变器中IGBT的结温；采集多组IGBT结温以及相应的结温特征，预处理后作为训练样本；
S03、建立BP神经网络，将上述训练样本输入到该BP神经网络中进行训练，得到预训练好的IGBT结温预测模型。
2.根据权利要求1所述的基于神经网络的IGBT结温预测方法，其特征在于，所述BP神经网络模型中隐含层的个数为1，包括四个神经元。
3.根据权利要求1所述的基于神经网络的IGBT结温预测方法，其特征在于，所述IGBT结温预测模型的激活函数为Relu，优化算法为拟牛顿法。
4.根据权利要求1所述的基于神经网络的IGBT结温预测方法，其特征在于，所述IGBT的结温Tj＝P×(Rthj-c+Rthc-hs+Rthhs-a)+Ta，其中，P为逆变器中IGBT的功率损耗，Rthj-c为逆变器的结壳热阻，Rthc-hs为逆变器的壳到散热器的热阻，Rthhs-a为逆变器的散热器到环境的热阻，Ta为环境温度，Rthj-c、Rthc-hs和Rthhs-a通过3D热仿真模型求得。
5.一种存储介质，其特征在于，当计算机读取所述存储介质中存储的指令时，使所述计算机执行权利要求1-4任意一项所述的基于神经网络的IGBT结温预测方法。
CN202010142434.0A 2020-03-03 2020-03-03 一种基于神经网络的igbt结温预测方法 Active CN111460617B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010142434.0A CN111460617B (zh) 2020-03-03 2020-03-03 一种基于神经网络的igbt结温预测方法
PCT/CN2020/128969 WO2021174907A1 (zh) 2020-03-03 2020-11-16 一种基于神经网络的igbt结温预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010142434.0A CN111460617B (zh) 2020-03-03 2020-03-03 一种基于神经网络的igbt结温预测方法

Publications (2)

Publication Number Publication Date
CN111460617A CN111460617A (zh) 2020-07-28
CN111460617B true CN111460617B (zh) 2022-10-14

Family

ID=71684228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010142434.0A Active CN111460617B (zh) 2020-03-03 2020-03-03 一种基于神经网络的igbt结温预测方法

Country Status (2)

Country Link
CN (1) CN111460617B (zh)
WO (1) WO2021174907A1 (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111460617B (zh) * 2020-03-03 2022-10-14 华中科技大学 一种基于神经网络的igbt结温预测方法
CN112036077B (zh) * 2020-08-14 2023-10-24 天地（常州）自动化股份有限公司 无流量传感器的矿用隔爆水冷变频器过热保护方法
CN112098797B (zh) * 2020-09-17 2021-12-14 南方电网科学研究院有限责任公司 一种SiC功率模块热阻测量方法
CN112528569A (zh) * 2020-10-17 2021-03-19 中国石油化工股份有限公司 基于数字孪生的工业加热炉温度场预测方法
CN112926258B (zh) * 2021-02-05 2024-02-20 西安电子科技大学 一种基于bp神经网络模型预测半导体器件结温的方法
CN112926259B (zh) * 2021-02-05 2024-01-26 西安电子科技大学 一种基于rbf神经网络模型预测半导体器件结温的方法
CN114036822B (zh) * 2021-10-25 2023-07-04 中国电子科技集团公司第二十九研究所 一种基于神经网络的快速热模型构建方法
CN114065918A (zh) * 2021-11-12 2022-02-18 福州大学 基于bp曲线反演逆推的高频磁元件绕组实际温升检测方法
CN114415751A (zh) * 2021-11-25 2022-04-29 内蒙古大唐国际托克托发电有限责任公司 一种用于火电机组的主、再热汽温优化系统及方法
CN114239389B (zh) * 2021-12-07 2023-04-25 中国电子科技集团公司第二十九研究所 一种微波射频工艺ip仿真模型高保真建模方法及系统
CN114781079B (zh) * 2022-03-17 2024-09-24 西安交通大学 一种透平机械转子热应力获取方法及系统
CN114781216B (zh) * 2022-04-22 2024-04-02 国网浙江省电力有限公司舟山供电公司 一种高压柔直换流阀igbt模块温度场分布的仿真计算方法与系统
CN114679132B (zh) * 2022-05-30 2022-08-26 锦浪科技股份有限公司 一种光伏逆变器电热工况仿真方法、装置及存储介质
EP4296641A1 (en) * 2022-06-20 2023-12-27 Abb Schweiz Ag System and method to adaptive control switching frequency to extend igbt lifetime
CN115392140B (zh) * 2022-10-28 2023-04-07 北京航空航天大学 功率变换器中功率器件结温预测模型建立方法及装置
CN116776525B (zh) * 2023-03-14 2024-04-26 广西中科蓝谷半导体科技有限公司 一种数据驱动型igbt器件的驱动优化方法
CN116338299B (zh) * 2023-05-29 2023-08-04 广东电网有限责任公司佛山供电局 一种直流系统充电模块输出功率因数测试方法及系统
CN116662763B (zh) * 2023-07-25 2023-10-20 华夏天信智能物联股份有限公司 一种用于变频器温升测试的数据处理方法和系统
CN117034786B (zh) * 2023-10-09 2024-01-05 山东芯赛思电子科技有限公司 一种igbt结温预测方法
CN118094978B (zh) * 2023-12-28 2024-09-27 华中科技大学 一种真空灭弧室触头温度反演及其模型训练方法
CN118655440A (zh) * 2024-08-19 2024-09-17 苏州中瑞宏芯半导体有限公司 一种功率半导体的结温测量方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795894A (zh) * 2019-11-25 2020-02-14 上海金脉电子科技有限公司 基于bp神经网络计算igbt模块温度的方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104038080B (zh) * 2014-06-30 2016-09-14 重庆大学 风电变流器igbt模块平均故障间隔时间评估方法
CN104732006B (zh) * 2014-12-31 2019-02-15 国家电网公司 一种igbt模块的稳态温度计算方法
CN104978947B (zh) * 2015-07-17 2018-06-05 京东方科技集团股份有限公司 显示状态的调节方法、显示状态调节装置及显示装置
CN106326532B (zh) * 2016-08-12 2019-07-09 中国人民解放军海军工程大学 Igbt传热多时间尺度模型建模方法
CN110502777A (zh) * 2019-07-03 2019-11-26 国网江苏省电力有限公司南京供电分公司 基于神经网络预测的igbt模块状态检测系统及方法
CN110649855A (zh) * 2019-09-27 2020-01-03 华中科技大学 Pmsm伺服系统电流环系统
CN110807516A (zh) * 2019-10-31 2020-02-18 西安工程大学 一种驱动器用igbt模块的结温预测方法
CN111460617B (zh) * 2020-03-03 2022-10-14 华中科技大学 一种基于神经网络的igbt结温预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795894A (zh) * 2019-11-25 2020-02-14 上海金脉电子科技有限公司 基于bp神经网络计算igbt模块温度的方法

Also Published As

Publication number Publication date
CN111460617A (zh) 2020-07-28
WO2021174907A1 (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN111460617B (zh) 一种基于神经网络的igbt结温预测方法
CN108593260B (zh) 光缆线路故障定位和检测方法及终端设备
CN111612142B (zh) 一种基于bp神经网络的大功率led寿命预测方法
CN102798535B (zh) 用于估计设备的剩余寿命的系统和方法
CN107238765A (zh) 基于加速性能退化参数的led集成驱动电源可靠性分析方法
JP5607772B2 (ja) 太陽電池パネル監視プログラム、太陽電池パネル監視装置及び太陽電池パネル監視方法
WO2017016021A1 (zh) 一种基于影响增量的状态枚举可靠性评估方法及其装置
Lu et al. Multidimensional data-driven life prediction method for white LEDs based on BP-NN and improved-adaboost algorithm
US11976984B1 (en) Method and system for predicting junction temperature of power semiconductor module in full life cycle, and terminal
Sun et al. Health status assessment for wind turbine with recurrent neural networks
Liu et al. Prediction of IGBT junction temperature using improved cuckoo search-based extreme learning machine
CN110795894A (zh) 基于bp神经网络计算igbt模块温度的方法
He et al. Machine learning based prognostics for predicting remaining useful life of IGBT–NASA IGBT accelerated ageing case study
CN108846489A (zh) 一种基于svm的大型设备健康状况评估方法
Yüce et al. Condition monitoring of power electronic systems through data analysis of measurement signals and control output variables
TW201437476A (zh) 風力發電故障預測系統及其方法
Miao et al. IGBT junction temperature estimation based on machine learning method
CN112560328A (zh) 基于表面微应变信号的igbt键合引线故障诊断方法
Oviedo et al. Artificial-Intelligence-Enabled Lifetime Estimation of Photovoltaic Systems Considering the Mission Profile of the DC–AC Inverter
CN116432524A (zh) 一种变压器油温预测方法、装置、设备及存储介质
US20230160950A1 (en) Systems and methods for remaining useful life prediction in electronics
Huang et al. Predicting the temperature of the electrolytic capacitor based on neural network algorithm
JP6569986B2 (ja) 電力変換装置の制御方法
Liu et al. Nonparametric model-based online junction temperature and state-of-health estimation for insulated gate bipolar transistors
Shterev et al. Prediction of Life Expectancy of Electronic Components Estimated by Neural Network

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