CN112098798A - 一种基于神经网络的碳化硅mos器件结温在线测量方法 - Google Patents

Abstract

一种基于神经网络的碳化硅MOS结温在线测量方法，具体步骤包括：一，建立器件的热模型；二，通过仿真获得神经网络训练集数据；三，依据获得的训练集数据，建立神经网络模型并进行训练；四，通过实时测量获取器件工作状态下的电参数值；五，在上位机软件中调用神经网络，输入电路状态信息，进行结温预测。本发明的目的是满足结温在线测量需求，将测试电流与工作电流合二为一，直接以工作电流作为测试电流，在器件工作状态下实时在线测量结温，更适用于实际工程应用，测量结果较传统电学法更加准确。采用优化的神经网络模型拟合数据关系，给出工程上容易实现的算法。遗传算法对BP网络的权值和阈值进行优化，提高了模型的准确性及稳定性。

Description

一种基于神经网络的碳化硅MOS器件结温在线测量方法

技术领域

本发明属于电力电子器件测试领域，具体涉及一种碳化硅MOS(metal-oxide-semiconductor，金属氧化物半导体)器件结温的测量方法。

背景技术

据报道，功率变换器系统的故障中约三分之一是功率器件引起的。电力电子系统失效中约55％主要由温度因素诱发。在电力电子设备工作期间，需要对结温进行监测，以便有效评估器件的当前状态，及时对可能引发失效的情况采取有效措施进行处理，避免引起故障和事故。大功率器件在工作过程中，准确测量及控制器件结温，不仅可以监测元器件工作状态、保证使用可靠性，同时可以避免烧毁或爆炸等突发事故，保证整机运行可靠性。

然而，在工作状态下，芯片被封装在器件内部，芯片温度难以直接测量。现有的非接触法测温和物理接触测试法需要暴露芯片表面，测温准确性易受环境和模块的发射率的影响，不适用于实时在线测量。电学法是通过测量器件在工作过程中的电学参数的变化来检测结温的方法。开关式电参数法需要从电路工作状态切换为测试状态，改变了器件的工作模式，影响器件的正常工作状态，也不适用于器件芯片温度的实时在线测量。

非开关式电学法是将测试电流与工作电流合二为一，直接以工作电流作为测试电流，在器件工作状态下实时在线测量器件结温，更适用于实际工程应用。其次由于非开关式电学法测量的实时性，其测量结果相较传统电学法更加准确。非开关式电学法能实时监测器件的工作状态，防止结温过高将器件烧毁的同时也避免了开关切换可能造成的结温误差。

近年来，碳化硅材料在物理特性上的优势，如宽禁带、高热导率、高临界击穿场强和高载流子饱和漂移速度等，使其更适合应用在高温、高频以及大功率器件和抗辐射器件的场合。在同等耐压条件下，碳化硅器件相较硅器件，具有更快的开关速度和更小的导通电阻，从而大幅度降低了功率器件的开关损耗和传导损耗。在功率等级一定时，应用电路集成度提高，多种参数均能大幅减小，例如散热器与滤波元件的体积。由于碳化硅器件可以在更极端的条件下工作，适用于硅器件的一些传统结温测量方法将会失效。因此，需要找到适用于碳化硅器件的结温在线测量方法。

本发明提出一种基于神经网络的碳化硅MOS结温在线测量方法。该方法采用优化的神经网络模型建立器件电参数与结温的对应关系，可应用于器件工作状态下结温的实时测量。

发明内容

1.目的

本发明的目的是为了解决现有技术中存在的上述问题或不足，提供一种基于神经网络的碳化硅MOS结温在线测量方法，满足功率器件结温的在线测量需求。

2.技术方案

本发明的一种基于神经网络的碳化硅MOS结温在线测量方法具体步骤如下：

步骤一，建立器件的热模型。

建立器件的SPICE热模型，将暂态热阻特性通过电路进行仿真计算，也就是将暂态热阻转换成等价的电路进行仿真的模型。

参考SPICE语言的器件热模型网络列表，确定器件模型各电路符号与器件各引脚的对应关系，建立热模型。

步骤二，通过仿真获得神经网络训练集数据。

参考器件手册和器件网络模型列表，在仿真软件中设计仿真电路。仿真器件在不同条件下的工作状态，获得神经网络训练集数据。

结合数据手册，选取栅极驱动电压V_GS漏极电流和结温的参数范围，在选定范围内，进行参数直流扫描分析，测定漏极通态电压V_{DS_ON}，得到神经网络的训练集数据。训练集中每组数据都包括栅极驱动电压V_GS、漏极电流I_D、漏极通态电压V_{DS_ON}、结温T_j四个工作状态下的参数。

步骤三，依据获得的训练集数据，建立神经网络模型并进行训练。

初始化神经网络模型，将遗传算法和BP神经网络相结合，形成优化的神经网络模型，并将其应用到碳化硅MOS器件的结温监测。使用MATLAB软件实现神经网络模型的建立和训练。

步骤四，通过实时测量获取器件工作状态下的电参数值。

根据实际应用需求，确定器件工作条件和工作环境的散热条件。在器件实际工作状态下，实时测量获取电路状态信息，即工作状态下的三个电参数值，即栅极驱动电压V_GS、漏极电流I_D和漏极通态电压V_{DS_ON}。

步骤五，在上位机软件中调用神经网络，通过输入电路状态信息，进行结温预测。

使用LabVIEW和MATLAB联合编程，设计上位机软件，通过MATLAB Script节点实现神经网络代码的调用。

软件实现的功能为：输入实时测得的栅极驱动电压V_GS、漏极电流I_D和漏极通态电压V_{DS_ON}，调用优化后的神经网络模型进行结温预测，输出结温数值，并进行高温或低温的判断。

其中，步骤三中所述的遗传算法优化BP神经网络算法流程的具体步骤如下：

S1、首先确定遗传算法的适应度函数Fitness，在神经网络模型中，适应度函数为测试样本的误差精度的倒数。

S2、初始化神经网络的拓扑结构，对网络权值w_i和阈值b_i进行实数编码。

S3、确定群体大小和最大迭代次数。对群体进行交叉，选择和变异操作。达到设定的迭代次数后，解码得到最佳权值w_i与阈值b_i。

S4、将解码所得的最佳权值与阈值应用于BP神经网络，进行网络训练和测试，得到优化的神经网络模型。

3.优点

本发明的一种基于神经网络的碳化硅MOS结温在线测量方法的优点是：

1)将测试电流与工作电流合二为一，直接以工作电流作为测试电流，在器件工作状态下实时在线测量器件结温，更适用于实际工程应用。由于参数测量的实时性，其测量结果相较传统电学法更加准确。同时能实时监测器件的工作状态，防止结温过高将器件烧毁。

2)使用神经网络模型方法进行关系拟合，避免了烦琐的常规建模过程，而且神经网络模型有良好的自适应和自学习能力、较强的抗干扰能力，易于给出工程上容易实现的算法。

3)为了提高模型的准确性及稳定性，又引入遗传算法对BP网络的权值和阈值进行优化，进而避免了应用传统神经网络方法的结果的不稳定性。

附图说明

图1为本发明所涉及碳化硅MOS器件结温在线测量方法的流程图；

图2为本发明的实施例的器件热模型电路符号与引脚示意图；

图3为本发明的实施例的器件spice仿真电路；

图4为本发明的实施例的遗传算法优化BP神经网络方法流程图；

图5为本发明的实施例的器件工作状态仿真；

图6为本发明的实施例的上位机软件前面板交互界面；

图7为本发明的实施例的上位机软件程序框图。

图中符号代号说明如下：

Tj是结温温度；

Tc是壳温温度；

Ta是周围环境温度；

Id(或Ids)是漏极电流；

Vds是漏极电压；

Vg(或Vgs)是栅极电压；

SCT3040KR是碳化硅MOS器件型号。

具体实施方式

下面结合附图及具体实施例，对本发明的技术方案进行进一步详细说明。可以理解的是，此处所描述的具体实施例仅用以解释本发明，而不构成对本发明的限定。

本发明提出了一种基于神经网络的碳化硅MOS结温在线测量方法，包含具体步骤如下：

步骤一，建立器件的热模型。

建立器件的SPICE热模型，将暂态热阻特性通过电路进行仿真计算，也就是将暂态热阻转换成等价的电路进行仿真的模型。

参考SPICE语言的器件热模型网络列表，确定器件模型各电路符号与器件各引脚的对应关系，建立热模型。

本实施例中选取罗姆半导体(ROHM)公司的碳化硅功率MOSFET器件作为研究对象，型号为SCT3040KR。参考基于ROHM官网提供的SPICE语言的器件热模型网络列表，建立热模型。

图2为器件热模型电路符号与引脚示意图。图中，1端子为漏极，2端子为栅极，3端子为电源源极，4端子为驱动器源极。T_j端子是结温温度、T_c端子是壳温温度、T_a端子是周围环境温度。

步骤二，通过仿真获得神经网络训练集数据。

参考器件手册和器件网络模型列表，在仿真软件中设计仿真电路。仿真器件在不同条件下的工作状态，获得神经网络训练集数据。

本实施例中，根据ROHM官网给定的器件手册和器件网络模型列表，在仿真软件中设计仿真电路如图3。

结合数据手册，选取栅极驱动电压参数范围V_GS＝16～20V，在结温为25℃至150℃范围内，进行参数直流扫描分析。设定漏极电流I_D＝5～50A，步长为5，测定通态电压降V_{DS_ON}。得到神经网络的训练集数据。共1720组数据，每组数据都包括栅极驱动电压V_GS、漏极电流I_D、漏极通态电压V_{DS_ON}、结温T_j四个工作状态下的参数。VGS＝16V时的仿真数据如表。

表1 VGS＝16V仿真数据

步骤三，依据获得的训练集数据，建立神经网络模型并进行训练。

将遗传算法和BP神经网络相结合，形成优化的神经网络模型，并将其应用到碳化硅MOSFET器件的结温监测。使用MATLAB软件实现神经网络模型的建立和训练。

本实施例中，BP神经网络模型的输入节点数为3，输出节点数为1。遗传算法优化BP神经网络算法流程如图4所示。具体步骤如下：

S1、首先确定遗传算法的适应度函数Fitness，在神经网络模型中，适应度函数为测试样本的误差精度的倒数。

S2、初始化神经网络的拓扑结构，对网络权值w_i和阈值b_i进行实数编码。

S3、确定群体大小和最大迭代次数，本实施例中初始群体大小为50，迭代100代。对群体进行交叉，选择和变异操作。达到设定的迭代次数后，解码得到最佳权值与阈值。

S4、将解码所得的最佳权值w_i与阈值b_i应用于BP神经网络，进行网络训练和测试，得到优化的神经网络模型。

步骤四，通过实时测量获取器件工作状态下的电参数值。

根据实际应用需求，确定器件工作条件和工作环境的散热条件。在器件实际工作状态下，实时测量获取工作状态下的三个电参数值，即栅极驱动电压V_GS、漏极电流I_D和漏极通态电压V_{DS_ON}。

本实施例中，在Multisim软件平台下仿真器件实际工作状态。

器件工作状态仿真如图5所示。连接到Tc端子的电阻是R₂在外壳和散热器之间的热阻R_thCF，R₃在散热器和周围环境温度之间的热阻R_thFA。另外，R_thCF还含有热界面材料(TIM:Thermal Interface Material)的热阻和接触热阻。C₁是散热器的热容量，R₃和C₁构成散热器。

步骤五，在上位机软件中调用神经网络，通过输入电路状态信息，进行结温预测。

本实施例中，在Multisim软件平台下仿真器件实际工作状态，使用LabVIEW实现神经网络的调用和试验系统的搭建。

使用LabVIEW和MATLAB联合编程，设计上位机软件，通过MATLAB Script节点实现神经网络代码的调用。上位机软件前面板与程序框图如图6、7所示，软件实现的功能为：输入实时测得的栅极驱动电压V_GS、漏极电流I_D和漏极通态电压V_{DS_ON}，调用优化后的神经网络模型进行结温预测，输出结温数值，并进行高温或低温的判断。

Claims (2)

1.一种基于神经网络的碳化硅MOS结温在线测量方法，其特征在于：该方法具体步骤如下：

步骤一，建立器件的热模型。

建立器件的SPICE热模型，将暂态热阻特性通过电路进行仿真计算，也就是将暂态热阻转换成等价的电路进行仿真的模型。

参考SPICE语言的器件热模型网络列表，确定器件模型各电路符号与器件各引脚的对应关系，建立热模型。

步骤二，通过仿真获得神经网络训练集数据。

参考器件手册和器件网络模型列表，在仿真软件中设计仿真电路。仿真器件在不同条件下的工作状态，获得神经网络训练集数据。

结合数据手册，选取栅极驱动电压V_GS漏极电流和结温的参数范围，在选定范围内，进行参数直流扫描分析，测定漏极通态电压V_{DS_ON}，得到神经网络的训练集数据。训练集中每组数据都包括栅极驱动电压V_GS、漏极电流I_D、漏极通态电压V_{DS_ON}、结温T_j四个工作状态下的参数。

步骤三，依据获得的训练集数据，建立神经网络模型并进行训练。

初始化神经网络模型，将遗传算法和BP神经网络相结合，形成优化的神经网络模型，并将其应用到碳化硅MOS器件的结温监测。使用MATLAB软件实现神经网络模型的建立和训练。

步骤四，通过实时测量获取器件工作状态下的电参数值。

根据实际应用需求，确定器件工作条件和工作环境的散热条件。在器件实际工作状态下，实时测量获取电路状态信息，即工作状态下的三个电参数值，即栅极驱动电压V_GS、漏极电流I_D和漏极通态电压V_{DS_ON}。

步骤五，在上位机软件中调用神经网络，通过输入电路状态信息，进行结温预测。

使用LabVIEW和MATLAB联合编程，设计上位机软件，通过MATLAB Script节点实现神经网络代码的调用。

软件实现的功能为：输入实时测得的栅极驱动电压V_GS、漏极电流I_D和漏极通态电压V_{DS_ON}，调用优化后的神经网络模型进行结温预测，输出结温数值，并进行高温或低温的判断。

2.根据权利要求1所述的一种基于神经网络的碳化硅MOS结温在线测量方法，其特征在于：

步骤三中所述的遗传算法优化BP神经网络算法流程的具体步骤如下：

S1、首先确定遗传算法的适应度函数Fitness，在神经网络模型中，适应度函数为测试样本的误差精度的倒数。

S2、初始化神经网络的拓扑结构，对网络权值w_i和阈值b_i进行实数编码。

S3、确定群体大小和最大迭代次数。对群体进行交叉，选择和变异操作。达到设定的迭代次数后，解码得到最佳权值w_i与阈值b_i。

S4、将解码所得的最佳权值与阈值应用于BP神经网络，进行网络训练和测试，得到优化的神经网络模型。

Images