CN112685958B - 一种基于神经网络的SiC MOSFET阻断电压确定方法 - Google Patents
一种基于神经网络的SiC MOSFET阻断电压确定方法 Download PDFInfo
- Publication number
- CN112685958B CN112685958B CN202011617791.4A CN202011617791A CN112685958B CN 112685958 B CN112685958 B CN 112685958B CN 202011617791 A CN202011617791 A CN 202011617791A CN 112685958 B CN112685958 B CN 112685958B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- blocking voltage
- field limiting
- diagnosis
- 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
Links
Images
Landscapes
- Insulated Gate Type Field-Effect Transistor (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明公开了一种基于神经网络的SiC MOSFET阻断电压确定方法,通过设计电压固定的场限环,根据相关的经验公式,并利用仿真软件进行仿真,得到场限环的仿真数据,仿真数据包括结构参数、取值范围以及场限环的实际阻断电压,将仿真数据作为自变量,阻断电压作为因变量,分别带入BP神经网络和RBF神经网络中进行诊断,并对二者的诊断误差进行对比,最终得出一种诊断精度最高的神经网络模型,使用诊断精度最高的神经网络模型对需要确定阻断电压的场限环进行预测,得到预测的阻断电压,解决了在无需仿真的前提下,根据相关参数提前预测器件阻断电压的问题;诊断精度高,可以为仿真设计者确定器件相关结构参数提供了非常好的参考,节约了大量的时间。
Description
技术领域
本发明涉及功率器件阻断电压测量的技术领域,特别是涉及一种基于神经网络的SiC MOSFET阻断电压确定方法。
背景技术
常采用优化终端结构的方式来提高功率器件的耐压能力,终端结构设计已经历了近半个世纪的发展,目前常见的终端设计方法有三种:场板、结终端拓展、场限环(简称SicMOSFET)。其中场板结构简单、制造方便,但终端效率低下和对氧化层质量的高要求限制了实际使用。结终端拓展技术虽然能达到很高的终端效率,但对掺杂剂量容差小,工艺上可重复性差而难以进行大规模生产。与前两者相比,场限环终端结构效率较高,制造工艺简单,且只进行一次离子注入,在实际工业生产中得到了广泛的应用。
功率器件设计者常需要通过器件仿真进行器件终端的设计与优化,但由于仿真结果的未知性,设计者需要逐步调整终端结构等相关参数以使仿真结果(如阻断电压)不断逼近目标值,这耗费了大量的时间。而对于这个问题,目前并没有有效的解决办法。
发明内容
针对现有技术中的上述问题,本发明提供了一种基于神经网络的SiC MOSFET阻断电压确定方法,解决了目前无有效方法在无需仿真的前提下,根据相关参数提前预测器件阻断电压的技术问题。
为了达到上述发明目的,本发明采用的技术方案如下:
提供一种基于神经网络的SiC MOSFET阻断电压确定方法,本发明的基本原理为:通过设计电压固定的场限环,根据相关的经验公式,并利用仿真软件进行仿真,得到场限环的仿真数据,仿真数据包括结构参数、取值范围以及场限环的实际阻断电压,将仿真数据作为自变量,阻断电压作为因变量,分别带入BP神经网络和RBF神经网络中进行诊断,并对二者的诊断误差进行对比,最终得出一种诊断精度最高的神经网络模型,使用诊断精度最高的神经网络模型对需要确定阻断电压的场限环进行预测,得到预测的阻断电压;
具体地,包括如下步骤:
步骤1:获取场限环的仿真数据以及实际阻断电压:
步骤101:根据场限环的耐压力等级VA,计算场限环的设计电压VB;
VB=VA/η
其中,η为设计终端效率;
步骤102:根据场限环的设计电压VB,计算场限环的漂移区厚度TD和掺杂浓度ND;
TD=2.62×10-3VB 1.12
ND=1.10×1020VB-1.27
步骤103:将场限环的漂移区厚度TD和漂移区掺杂浓度ND输入仿真软件中,得到场限环的实际阻断电压BV;
步骤104:根据场限环的实际阻断电压BV,计算第一环间距S1:
步骤105:采用场限环的温度T、环间距S1、缓变系数d、场限环数量N和漂移区掺杂浓度ND作为仿真数据;
仿真数据的取值范围:温度T取值为300K、400K和450K;环间距S1为1至1.3μm;缓变系数d为0、0.05、0.10、0.15;场限环数量N为6、8、10;漂移区掺杂浓度ND为1.0/1016cm-3、1.5/1016cm-3、2.0/1016cm-3、2.5/1016cm-3;
步骤2:构建神经网络模型:将仿真数据作为自变量,实际阻断电压作为因变量输入不同类型的神经网络模型中,经过迭代计算,得到不同类型用于计算阻断电压的神经网络模型;
步骤3:神经网络模型的选择:将相同的仿真数据作为因变量输入不同类型的神经网络模型中,不同类型的神经网络模型输出不同的诊断阻断电压,将不同类型的神经网络模型输出的诊断阻断电压分别与实际阻断电压数据进行对比,选择诊断阻断电压与实际阻断电压数据接近的神经网络模型作为最终计算阻断电压的神经网络模型;
步骤4:神经网络模型的验证:将仿真数据随机分为多组,分别输入最终确定的神经网络模型进行检验,判断确定的神经网络模型输出的诊断阻断电压与实际阻断电压之间的误差,如果在误差范围内,则将当前神经网络模型确定为计算阻断电压的神经网络模型,否则,改变神经网络模型的权重值后,返回步骤2;
步骤5:对待测试的场限环的阻断电压进行预测:将待测场限环的结构参数作为自变量输入神经网络模型中,预测得到待测场限环的阻断电压。
进一步地,神经网络模型包括BP神经网络模型和RBF神经网络模型,BP神经网络模型和RBF神经网络模型均包括输入层、隐含层、判断循环层、输出层,隐含层包括多个子隐含层;
构建神经网络模型的方法步骤如下:
步骤A,将仿真数据温度T、环间距S1、缓变系数d、场限环数量N和漂移区掺杂浓度ND呈多组序列作为自变量,将与多组仿真数据序列对应的实际阻断电压作为因变量输入输入层;输入层将仿真数据传递给隐含层,多组仿真数据序列分别输入多个子隐含层中;
步骤B,多个子隐含层根据仿真数据计算出多个诊断阻断电压,并将多个诊断阻断电压传递给判断循环层;
步骤C,判断循环层计算出的多个子隐含层的诊断阻断电压和对应的实际阻断电压之间的误差值是否在预设误差阈值范围内,若是,则判断循环层将诊断阻断电压传递给输出层,并保留输出诊断阻断电压在误差值范围内的子隐含层;否则,修改子隐含层的权重值,之后返回步骤B;
步骤D,输出层输出诊断阻断电压,完成对神经网络模型的构建。
进一步地,神经网络模型包括BP神经网络模型和RBF神经网络模型,BP神经网络模型输入层的神经元数分别为温度T、环间距S1、缓变系数d、场限环数量N和漂移区掺杂浓度ND;隐含层为诊断计算层;输出层的神经元数诊断阻断电压;
RBF神经网络模型输入层的神经元数分别为温度T、环间距S1、缓变系数d、场限环数量N和漂移区掺杂浓度ND,输出层的神经元数为诊断阻断电压,输入层到隐含层是非线性变化,隐含层到输出层是线性变化。
进一步地,神经网络模型中采用LM算法对仿真数据进行计算以及输出预测阻断电压。
进一步地,神经网络模型的迭代计算次数为5000次,误差阈值为0.0001,学习速率为0.01。
本发明的有益效果为:本方案中一种基于神经网络的SiC MOSFET阻断电压确定方法填补了预测功率器件阻断电压模型的空白,解决了在无需仿真的前提下,根据相关参数提前预测器件阻断电压的问题;诊断精度高,可以为仿真设计者确定器件相关结构参数提供了非常好的参考,而不需要逐步微调参数以接近目标击穿电压,节约了大量的时间。
附图说明
图1为BP神经网络模型的结构示意图。
图2为仿真参数取值图表。
图3为仿真软件输出仿真结果图表。
图4为BP和RBF神经网络模型的诊断结果误差对比示意图。
图5为BP神经网络诊断结果与真实结果对比示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1~5所示,本发明提供了一种基于神经网络的SiC MOSFET阻断电压确定方法,本发明的基本原理为:通过设计电压固定的场限环,根据相关的经验公式,并利用仿真软件进行仿真,得到场限环的仿真数据,仿真数据包括结构参数、取值范围以及场限环的实际阻断电压,将仿真数据作为自变量,阻断电压作为因变量,分别带入BP神经网络和RBF神经网络中进行诊断,并对二者的诊断误差进行对比,最终得出一种诊断精度最高的神经网络模型,使用诊断精度最高的神经网络模型对需要确定阻断电压的场限环进行预测,得到预测的阻断电压;
包括如下步骤:
步骤1:获取场限环的仿真数据以及实际阻断电压:
步骤101:根据场限环的耐压力等级VA,计算场限环的设计电压VB;
VB=VA/η
其中,η为设计终端效率;
步骤102:根据场限环的设计电压VB,计算场限环的漂移区厚度TD和掺杂浓度ND;
TD=2.62×10-3VB 1.12
ND=1.10×1020VB -1.27
步骤103:将场限环的漂移区厚度TD和漂移区掺杂浓度ND输入仿真软件中,得到场限环的实际阻断电压BV;
步骤104:根据场限环的实际阻断电压BV,计算第一环间距S1:
步骤105:采用场限环的温度T、环间距S1、缓变系数d、场限环数量N和漂移区掺杂浓度ND作为仿真数据;温度T取值为300K、400K和450K;环间距S1为1至1.3μm;缓变系数d为0、0.05、0.10、0.15;场限环数量N为6、8、10;漂移区掺杂浓度ND为1.0/1016cm-3、1.5/1016cm-3、2.0/1016cm-3、2.5/1016cm-3;仿真数据以及仿真结果如图2和图3所示。
步骤2:构建神经网络模型:神经网络模型包括BP神经网络模型和RBF神经网络模型,BP神经网络模型和RBF神经网络模型均包括输入层、隐含层、判断循环层、输出层,隐含层包括多个子隐含层;
构建神经网络模型的方法步骤如下:
步骤A,将仿真数据温度T、环间距S1、缓变系数d、场限环数量N和漂移区掺杂浓度ND呈多组序列作为自变量,将与多组仿真数据序列对应的实际阻断电压作为因变量输入输入层;输入层将仿真数据传递给隐含层,多组仿真数据序列分别输入多个子隐含层中;
步骤B,多个子隐含层根据仿真数据计算出多个诊断阻断电压,并将多个诊断阻断电压传递给判断循环层;
步骤C,判断循环层计算出多个子隐含层的诊断阻断电压和对应的实际阻断电压之间的误差值是否在预设误差阈值范围内,若是,则判断循环层将诊断阻断电压传递给输出层,并确定输出诊断阻断电压在误差值范围内的子隐含层;否则,修改子隐含层的权重值,则进入步骤B;
步骤D,输出层输出诊断阻断电压,完成对神经网络模型的构建。
神经网络模型可以为BP神经网络模型,BP神经网络模型输入层的神经元数分别为温度T、环间距S1、缓变系数d、场限环数量N和漂移区掺杂浓度ND;隐含层为诊断计算层;输出层的神经元数诊断阻断电压;
RBF神经网络模型输入层的神经元数分别为温度T、环间距S1、缓变系数d、场限环数量N和漂移区掺杂浓度ND,输出层的神经元数为诊断阻断电压,输入层到隐含层是非线性变化,隐含层到输出层是线性变化。神经网络模型中采用LM算法对仿真数据进行计算以及输出预测阻断电压,神经网络模型的迭代计算的次数为5000次,误差阈值为0.0001,学习速率为0.01。
步骤3:神经网络模型的选择:将相同的仿真数据作为因变量输入不同类型的神经网络模型中,不同类型的神经网络模型输出不同的诊断阻断电压,将不同类型的神经网络模型输出的诊断阻断电压分别与实际阻断电压数据进行对比,选择诊断阻断电压与实际阻断电压数据接近的神经网络模型作为最终计算阻断电压的神经网络模型;
如图4所示,BP神经网络的预测误差明显小于RBF神经网络,诊断精度较高,故选取采用Levenberg–Marquardt(LM)算法的BP神经网络来处理本文的仿真数据。
步骤4:神经网络模型的验证:将仿真数据随机分为多组,分别输入最终确定的神经网络模型进行检验,判断确定的神经网络模型输出的诊断阻断电压与实际阻断电压之间的误差,如果在误差范围内,则将当前神经网络模型确定为计算阻断电压的神经网络模型,否则,改变神经网络模型的权重值后,返回步骤2;
步骤5:对待测试的场限环的阻断电压进行预测:将待测场限环的结构参数作为自变量输入神经网络模型中,预测得到待测场限环的阻断电压。如图5所示,在将被测场限环的温度T、环间距S1、缓变系数d、场限环数量N和漂移区掺杂浓度ND输入神经网络模型后,预测计算出阻断电压,预测阻断电压的诊断精度高达95%,解决了在无需仿真的前提下,根据相关参数提前预测器件阻断电压的问题;诊断精度高,可以为仿真设计者确定器件相关结构参数提供了非常好的参考,而不需要逐步微调参数以接近目标击穿电压,节约了大量的时间。
Claims (5)
1.一种基于神经网络的SiC MOSFET阻断电压确定方法,其特征在于,包括如下步骤:
步骤1:获取场限环的仿真数据以及实际阻断电压:
步骤101:根据场限环的耐压力等级VA,计算场限环的设计电压VB;
VB=VA/η
其中,η为设计终端效率;
步骤102:根据场限环的设计电压VB,计算场限环的漂移区厚度TD和掺杂浓度ND;
TD=2.62×10-3VB 1.12
ND=1.10×1020VB -1.27
步骤103:将场限环的漂移区厚度TD和漂移区掺杂浓度ND输入仿真软件中,得到场限环的实际阻断电压BV;
步骤104:根据场限环的实际阻断电压BV,计算第一环间距S1:
步骤105:采用场限环的温度T、环间距S1、缓变系数d、场限环数量N和漂移区掺杂浓度ND作为仿真数据;
步骤2:构建神经网络模型:将仿真数据作为自变量,实际阻断电压作为因变量输入不同类型的神经网络模型中,经过迭代计算,得到不同类型用于计算阻断电压的神经网络模型;
步骤3:神经网络模型的选择:将相同的仿真数据作为因变量输入不同类型的神经网络模型中,不同类型的神经网络模型输出不同的诊断阻断电压,将不同类型的神经网络模型输出的诊断阻断电压分别与实际阻断电压数据进行对比,选择诊断阻断电压与实际阻断电压数据接近的神经网络模型作为最终计算阻断电压的神经网络模型;
步骤4:神经网络模型的验证:将仿真数据随机分为多组,分别输入最终确定的神经网络模型进行检验,判断确定的神经网络模型输出的诊断阻断电压与实际阻断电压之间的误差,如果在误差范围内,则将当前神经网络模型确定为计算阻断电压的神经网络模型,否则,改变神经网络模型的权重值后,返回步骤2;
步骤5:对待测试的场限环的阻断电压进行预测:将待测场限环的结构参数作为自变量输入神经网络模型中,预测得到待测场限环的阻断电压。
2.根据权利要求1所述的一种基于神经网络的SiC MOSFET阻断电压确定方法,其特征在于,神经网络模型包括BP神经网络模型和RBF神经网络模型,BP神经网络模型和RBF神经网络模型均包括输入层、隐含层、判断循环层、输出层,隐含层包括多个子隐含层;
构建神经网络模型的方法步骤如下:
步骤A,将仿真数据温度T、环间距S1、缓变系数d、场限环数量N和漂移区掺杂浓度ND呈多组序列作为自变量,将与多组仿真数据序列对应的实际阻断电压作为因变量输入输入层;输入层将仿真数据传递给隐含层,多组仿真数据序列分别输入多个子隐含层中;
步骤B,多个子隐含层根据仿真数据计算出多个诊断阻断电压,并将多个诊断阻断电压传递给判断循环层;
步骤C,判断循环层计算出的多个子隐含层的诊断阻断电压和对应的实际阻断电压之间的误差值是否在预设误差阈值范围内,若是,则判断循环层将诊断阻断电压传递给输出层,并保留输出诊断阻断电压在误差值范围内的子隐含层;否则,修改子隐含层的权重值,之后返回步骤B;
步骤D,输出层输出诊断阻断电压,完成对神经网络模型的构建。
3.根据权利要求2所述的一种基于神经网络的SiC MOSFET阻断电压确定方法,其特征在于,BP神经网络模型输入层的神经元数分别为温度T、环间距S1、缓变系数d、场限环数量N和漂移区掺杂浓度ND;隐含层为诊断计算层;输出层的神经元数诊断阻断电压;
RBF神经网络模型输入层的神经元数分别为温度T、环间距S1、缓变系数d、场限环数量N和漂移区掺杂浓度ND,输出层的神经元数为诊断阻断电压,输入层到隐含层是非线性变化,隐含层到输出层是线性变化。
4.根据权利要求2所述的一种基于神经网络的SiC MOSFET阻断电压确定方法,其特征在于,神经网络模型中采用LM算法对仿真数据进行计算以及输出预测阻断电压。
5.根据权利要求3所述的一种基于神经网络的SiC MOSFET阻断电压确定方法,其特征在于,神经网络模型的迭代计算次数为5000次,误差阈值为0.0001,学习速率为0.01。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011617791.4A CN112685958B (zh) | 2020-12-30 | 2020-12-30 | 一种基于神经网络的SiC MOSFET阻断电压确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011617791.4A CN112685958B (zh) | 2020-12-30 | 2020-12-30 | 一种基于神经网络的SiC MOSFET阻断电压确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112685958A CN112685958A (zh) | 2021-04-20 |
CN112685958B true CN112685958B (zh) | 2022-11-01 |
Family
ID=75453707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011617791.4A Active CN112685958B (zh) | 2020-12-30 | 2020-12-30 | 一种基于神经网络的SiC MOSFET阻断电压确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112685958B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505564B (zh) * | 2021-06-30 | 2023-04-18 | 南京邮电大学 | 一种基于深度学习的resurf横向功率器件最优漂移区浓度设计方法 |
CN113985261B (zh) * | 2021-07-07 | 2024-08-09 | 四川大学锦城学院 | 一种基于神经网络的模拟电路故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138741A (zh) * | 2015-08-03 | 2015-12-09 | 重庆大学 | 基于神经网络的igbt模型参数校准系统及方法 |
CN109143014A (zh) * | 2018-07-05 | 2019-01-04 | 中国工程物理研究院电子工程研究所 | 一种内嵌SiC-GTO器件正向阻断特性监测与诊断方法 |
CN109409533A (zh) * | 2018-09-28 | 2019-03-01 | 深圳乐信软件技术有限公司 | 一种机器学习模型的生成方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6501146B2 (ja) * | 2014-03-18 | 2019-04-17 | パナソニックIpマネジメント株式会社 | ニューラルネットワーク回路およびその学習方法 |
-
2020
- 2020-12-30 CN CN202011617791.4A patent/CN112685958B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138741A (zh) * | 2015-08-03 | 2015-12-09 | 重庆大学 | 基于神经网络的igbt模型参数校准系统及方法 |
CN109143014A (zh) * | 2018-07-05 | 2019-01-04 | 中国工程物理研究院电子工程研究所 | 一种内嵌SiC-GTO器件正向阻断特性监测与诊断方法 |
CN109409533A (zh) * | 2018-09-28 | 2019-03-01 | 深圳乐信软件技术有限公司 | 一种机器学习模型的生成方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
"Modeling double gate FinFETs by using artificial neural network";Milad Abtin 等;《2010 IEEE International Conference on Semiconductor Electronics (ICSE2010)》;20100816;第38-40页 * |
"基于MOSFET外特性参量的自适应模糊神经网络状态评估模型";王月月 等;《电工技术学报》;20180930;第33卷(第18期);第4286-4294页 * |
"基于人工神经网络的负荷模型预测";李龙 等;《电工技术学报》;20150430;第30卷(第8期);第225-230页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112685958A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255160B (zh) | 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法 | |
CN112685958B (zh) | 一种基于神经网络的SiC MOSFET阻断电压确定方法 | |
Chen et al. | A long short-term memory neural network based Wiener process model for remaining useful life prediction | |
CN111612142B (zh) | 一种基于bp神经网络的大功率led寿命预测方法 | |
CN104239982A (zh) | 一种基于时间序列和神经网络的建筑节假日能耗预测方法 | |
CN103279794B (zh) | 电力通信网风险评估方法 | |
CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
CN110956312A (zh) | 基于emd-cnn深度神经网络的光伏配电网电压预测方法 | |
CN112733435A (zh) | 一种基于多模型融合的整车尺寸匹配偏差预测方法 | |
CN115308558B (zh) | Cmos器件寿命预测方法、装置、电子设备及介质 | |
CN113591215A (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN111814323B (zh) | 考虑空气对流非线性作用排管单根电缆暂态温升获取方法 | |
CN105046030A (zh) | 基于有限元法的三维传热条件下的铝合金构件淬火过程换热系数的获得方法 | |
CN116070302A (zh) | 一种电缆绝缘状态的预测方法及装置 | |
Tian et al. | An outliers detection method of time series data for soft sensor modeling | |
CN112906331A (zh) | 一种基于对数扩展偏正态分布的标准单元延时模型构建方法 | |
CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
CN113901686A (zh) | 变压器热路模型构建方法与变压器温度场计算方法 | |
CN111210877B (zh) | 一种推断物性参数的方法及装置 | |
CN110333451A (zh) | 一种锂离子电池荷电状态与开路电压模型建立方法 | |
CN106054665B (zh) | 一种大规模光伏逆变器系统的分群等值建模方法 | |
CN116738804A (zh) | 一种基于失效物理的功率模块寿命预测方法 | |
CN114066005B (zh) | 一种基于cnn网络的碳化硅二极管击穿电压的预测方法 | |
CN116090390A (zh) | 基于深度学习的finfet器件直流特性预测方法 | |
CN113361222B (zh) | 一种集成电路制造工艺虚拟仿真方法和装置 |
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 |