CN114266178A - 一种功率器件健康状态评估方法和系统 - Google Patents
一种功率器件健康状态评估方法和系统 Download PDFInfo
- Publication number
- CN114266178A CN114266178A CN202111537342.3A CN202111537342A CN114266178A CN 114266178 A CN114266178 A CN 114266178A CN 202111537342 A CN202111537342 A CN 202111537342A CN 114266178 A CN114266178 A CN 114266178A
- Authority
- CN
- China
- Prior art keywords
- power device
- degradation
- health state
- substep
- evaluation data
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种功率器件健康状态评估方法和系统，以功率器件的健康状态为研究对象，采用仿真产生数据解决样本匮乏问题，采用神经网络算法解决复杂工况下状态快速准确评估问题，利用训练后的神经网络，可以对器件实测数据快速给出功率器件健康状态结论，也可以分析实际变工况下器件的退化程度和退化位置，解决了传统试验样件内部结构退化制样困难、健康状态评估中数据样本小等问题，为客观评价功率器件健康状态提供了一种量化评估方法。
Description
技术领域
本发明属于功率器件健康状态评估技术领域，尤其涉及一种功率器件健康状态评估方法和系统。
背景技术
功率器件广泛应用于工业、军事、航空航天等领域，承担电能变换等重要作用，是电力电子功率电路的核心组成部分。在航空航天等重要领域，功率器件的可靠性对于所在系统的可靠性有非常大的影响，因此，这些重要领域对功率器件的可靠性要求更高。功率器件可靠性和健康状态评价方法主要包括可靠性预计法、失效物理法以及数据驱动法等，其中，数据驱动法可以通过器件的可测得特性参数表征其退化程度。然而，实际开展器件评估过程中，面临着退化试验样品制作困难、数据匮乏等问题。
发明内容
本发明的技术解决问题：克服现有技术的不足，提供一种功率器件健康状态评估方法和系统，通过仿真的方法生成功率器件在不同工作条件下、不同退化程度的电热特征参数数据，提取数据作为数据集进行神经网络训练，用于器件健康状态评估。
为了解决上述技术问题，本发明公开了一种功率器件健康状态评估方法，包括：
步骤1，对功率器件的失效位置和失效模式进行分析，确定功率器件的特征参数与结构退化之间的变化趋势；
步骤2，基于有限元分析方法，开展功率器件的多物理场耦合仿真，得到健康状态功率器件的基准评估数据；
步骤3，根据功率器件的特征参数与结构退化之间的变化趋势，在有限元分析方法中注入不同的结构退化，遍历功率器件的多物理场耦合仿真，得到不同退化状态功率器件的基准评估数据；
步骤4，根据得到的健康状态功率器件的基准评估数据和不同退化状态功率器件的基准评估数据，采用改进的广义回归神经网络算法进行训练，得到健康状态评估模型；
步骤5，根据健康状态评估模型对功率器件的健康状态进行评估。
在上述功率器件健康状态评估方法中，对功率器件的失效位置和失效模式进行分析，确定功率器件的特征参数与结构退化之间的变化趋势，包括：
子步骤11，分析功率器件的薄弱封装结构，包括：焊层结构和键合引线；
子步骤12，根据薄弱封装结构的分析结果，确定退化位置，及各退化位置对应的相关应力；
子步骤13，根据确定的退化位置、及各退化位置对应的相关应力，分析得到功率器件的特征参数与结构退化之间的变化趋势。
在上述功率器件健康状态评估方法中，功率器件的特征参数，包括：端口电压降、器件结-壳热阻。
在上述功率器件健康状态评估方法中，基于有限元分析方法，开展功率器件的多物理场耦合仿真，得到健康状态功率器件的基准评估数据，包括：
子步骤21，在多物理场有限元分析软件中构建功率器件的三维结构模型，并根据功率器件各部分材料赋予三维结构模型相应的材料属性；
子步骤21，基于构建的具有材料属性的三维结构模型，开展电热耦合仿真，将电热耦合仿真得到的结果作为健康状态功率器件的基准评估数据；其中，物理场，包括：电场和温度场。
在上述功率器件健康状态评估方法中，基于构建的具有材料属性的三维结构模型，开展电热耦合仿真，将电热耦合仿真得到的结果作为健康状态功率器件的基准评估数据，包括：
子步骤211，设置耦合方式：电场和温度场之间通过焦耳热效应和材料温度特性进行耦合；
子步骤212，设置温度相关参数：对于随温度变化的材料属性，在多物理场有限元分析软件中设置温度相关参数；
子步骤213，设置边界条件：边界条件根据实际工作条件和应用环境设置；
子步骤214，根据设置的耦合方式、温度相关参数和边界条件，基于构建的具有材料属性的三维结构模型，开展电热耦合仿真，得到功率器件的温度分布和电参数分布；
子步骤215，改变实际工作条件和应用环境，设置不同的边界条件，重复电热耦合仿真过程，得到不同工况条件下功率器件的温度分布和电参数分布；
子步骤216，从不同工况条件下的功率器件的温度分布和电参数分布中，提取得到不同工况条件下的芯片结温、壳温和端口电压，作为健康状态功率器件的基准评估数据。
在上述功率器件健康状态评估方法中，根据功率器件的特征参数与结构退化之间的变化趋势，在有限元分析方法中注入不同的结构退化，遍历功率器件的多物理场耦合仿真，得到不同退化状态功率器件的基准评估数据，包括：
子步骤31，根据功率器件的特征参数与结构退化之间的变化趋势，分析器件在不同工况条件下的主要退化模式和退化位置，并在有限元分析方法中注入不同程度的结构退化；
子步骤32，重复子步骤211～216，提取得到不同程度的结构退化、不同工况条件下的芯片结温、壳温和端口电压，作为不同退化状态功率器件的基准评估数据。
在上述功率器件健康状态评估方法中，根据得到的健康状态功率器件的基准评估数据和不同退化状态功率器件的基准评估数据，采用改进的广义回归神经网络算法进行训练，得到健康状态评估模型，包括：
子步骤41，根据得到的健康状态功率器件的基准评估数据和不同退化状态功率器件的基准评估数据，构建得到模型训练集；
子步骤42，基于构建得到模型训练集，采用改进的广义回归神经网络算法，对神经网络模型进行训练，确定神经网络模型的各权重系数；
子步骤43，将确定的神经网络模型的各权重系数赋值给神经网络模型，得到健康状态评估模型。
相应的，本发明还公开了一种功率器件健康状态评估系统，包括：
分析模块，用于对功率器件的失效位置和失效模式进行分析，确定功率器件的特征参数与结构退化之间的变化趋势；
第一有限元分析模块，用于基于有限元分析方法，开展功率器件的多物理场耦合仿真，得到健康状态功率器件的基准评估数据；
第二有限元分析模块，用于根据功率器件的特征参数与结构退化之间的变化趋势，在有限元分析方法中注入不同的结构退化，遍历功率器件的多物理场耦合仿真，得到不同退化状态功率器件的基准评估数据；
模型训练模块，用于根据得到的健康状态功率器件的基准评估数据和不同退化状态功率器件的基准评估数据，采用改进的广义回归神经网络算法进行训练，得到健康状态评估模型；
评估模块，用于根据健康状态评估模型对功率器件的健康状态进行评估。
本发明具有以下优点：
本发明针对传统试验样件内部结构退化制样困难、健康状态评估中数据样本量小等问题，提出了一种基于仿真和神经网络的功率器件健康状态评估系统，结合功率元器件在功能与电参数、质量与可靠性、抗辐射能力、抗静电能力、设计能力、制造工艺、过程控制能力等各类型信息，建立了一种国产新研宇航功率元器件选型优化方法，为功率元器件薄弱环节的快速定位和改进提升、为航天型号用国产新研宇航功率元器件的选型优化工作提供了完整的、量化的方法支撑。
附图说明
图1是本发明实施例中一种功率器件健康状态评估方法的步骤流程图；
图2是本发明实施例中一种IGBT功率模块器件的结构几何模型示意图；
图3是本发明实施例中一种不同分层程度下的焊层平面示意图；
图4是本发明实施例中一种自适应粒子群优化广义神经网络算法流程图；
图5是本发明实施例中一种IGBT功率模块器件的结构退化程度评估结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明公开的实施方式作进一步详细描述。
如图1，在本实施例中，该功率器件健康状态评估方法，包括：
步骤1，对功率器件的失效位置和失效模式进行分析，确定功率器件的特征参数与结构退化之间的变化趋势。
在本实施例中，可通过分析功率器件的失效位置和失效模式，明确功率器件的特征参数与结构退化之间的变化趋势：
子步骤11，对功率器件的结构进行分析，分析的结构对象包括但不仅限于：功率器件的键合引线、芯片、焊层、封装结构等；根据功率器件的结构分析结果，明确功率器件的薄弱封装结构(如焊层结构和键合引线等薄弱封装结构)，并确定薄弱封装结构在不同工况下的失效模式和失效机理。
子步骤12，根据薄弱封装结构的分析结果，即确定薄弱封装结构在不同工况下的失效模式和失效机理，确定退化位置，及各退化位置对应的相关应力，进而得到功率器件的特征参数(如端口电压降、器件结-壳热阻等)与结构退化之间的变化趋势。
步骤2，基于有限元分析方法，开展功率器件的多物理场耦合仿真，得到健康状态功率器件的基准评估数据。
在本实施例中，采用有限元分析方法开展多物理场耦合仿真，提取得到不同工况条件下端口电压电流、壳温、结温等参数数据：
子步骤21，在多物理场有限元分析软件中，根据功率器件的几何结构，构建功率器件的三维结构模型，并根据功率器件各部分材料赋予三维结构模型相应的材料属性。
子步骤21，基于构建的具有材料属性的三维结构模型，开展电热耦合仿真，将电热耦合仿真得到的结果作为健康状态功率器件的基准评估数据；其中，物理场，包括：电场和温度场。
优选的，电热耦合仿真的具体过程如下：
子步骤211，设置耦合方式：电场和温度场之间通过焦耳热效应和材料温度特性进行耦合。
子步骤212，设置温度相关参数：对于随温度变化的材料属性，在多物理场有限元分析软件中设置温度相关参数。
子步骤213，设置边界条件：边界条件根据实际工作条件和应用环境设置。其中，实际工作条件是指：根据功率器件的使用条件所确定的外部环境温度、对流方式、对流参数、底部散热方式、底部散热参数、施加电流、控制电压等参数及其范围。
子步骤214，根据设置的耦合方式、温度相关参数和边界条件，基于构建的具有材料属性的三维结构模型，开展电热耦合仿真，得到功率器件的温度分布和电参数分布。
子步骤215，改变实际工作条件和应用环境，设置不同的边界条件，重复电热耦合仿真过程，得到不同工况条件下功率器件的温度分布和电参数分布；
子步骤216，从不同工况条件下的功率器件的温度分布和电参数分布中，提取得到不同工况条件下的芯片结温、壳温和端口电压，作为健康状态功率器件的基准评估数据。
步骤3，根据功率器件的特征参数与结构退化之间的变化趋势，在有限元分析方法中注入不同的结构退化，遍历功率器件的多物理场耦合仿真，得到不同退化状态功率器件的基准评估数据。
在本实施例中，可在有限元分析方法中中注入不同的结构退化，遍历电热耦合仿真，得到退化后功率器件不同工况条件下端口电压电流、壳温、结温等参数数据：
子步骤31，根据功率器件的特征参数与结构退化之间的变化趋势，分析器件在不同工况条件下的主要退化模式和退化位置，并在有限元分析方法中注入不同程度的结构退化。
子步骤32，重复子步骤211～216，提取得到不同程度的结构退化、不同工况条件下的芯片结温、壳温和端口电压，作为不同退化状态功率器件的基准评估数据。
步骤4，根据得到的健康状态功率器件的基准评估数据和不同退化状态功率器件的基准评估数据，采用改进的广义回归神经网络算法进行训练，得到健康状态评估模型。
在本实施例中，以仿真得到的数据集为基础，采用改进的广义回归神经网络算法，训练得到健康状态评估模型：
子步骤41，根据得到的健康状态功率器件的基准评估数据和不同退化状态功率器件的基准评估数据，构建得到模型训练集。其中，可将得到的健康状态功率器件的基准评估数据和不同退化状态功率器件的基准评估数据划分为训练集和测试集。
子步骤42，基于构建得到模型训练集，采用改进的广义回归神经网络算法，对神经网络模型进行训练，确定神经网络模型的各权重系数。其中，在训练时，可以结构退化程度构建退化指标，采用粒子群优化广义回归网络。
子步骤43，将确定的神经网络模型的各权重系数赋值给神经网络模型，得到健康状态评估模型。
步骤5，根据健康状态评估模型对功率器件的健康状态进行评估。
在本实施例中，可通过健康状态评估模型对待评估功率器件的退化程度进行评价，实现了对功率器件健康状态的客观评估，为功率器件的选型优化工作提供了完整的、量化的技术支撑。
综上所述，本发明以功率器件的健康状态为研究对象，采用仿真产生数据解决样本匮乏问题，采用神经网络算法解决复杂工况下状态快速准确评估问题，利用训练后的神经网络，可以对器件实测数据快速给出功率器件健康状态结论，也可以分析实际变工况下器件的退化程度和退化位置，解决了传统试验样件内部结构退化制样困难、健康状态评估中数据样本小等问题，为客观评价功率器件健康状态提供了一种量化评估方法。
在上述实施例的基础上，下面结合一个具体实例进行说明。
基于有限元仿真和神经网络的某型功率器件健康状态评估过程如下：
步骤(1)，选取某型IGBT功率模块器件，开展失效模式和失效机理分析，明确薄弱结构。在IGBT功率模块器件实际使用过程中，由于器件周期性开关而引起的反复交替温度循环应力是器件老化的主要原因，IGBT功率模块器件的关键结构为键合引线和芯片下焊层结构，其中，以芯片下焊层结构退化为主要退化模式开展分析。
步骤(2)，选用COMSOL Multiphysics有限元分析软件对步骤(1)中的IGBT功率模块器件进行有限元建模和仿真分析：
21)测量IGBT功率模块器件实际结构中各部分的尺寸，建立IGBT功率模块器件的结构几何模型，如图2所示。
22)对建立的结构几何模型的各部分，按照IGBT功率模块器件的实际材料赋予相应的材料属性。其中，硅芯片的电压、电流与温度的关系通过不同沉浸温度下测量得到，并采用函数拟合的方式建立器件的导电率特性方程。
23)选择物理场并施加边界条件：模型分析涉及的物理场包括电场和温度场，边界条件包括环境温度、基板温度、载荷电流等，按照IGBT功率模块器件实际受到的热电应力在对应的位置施加边界条件。
24)划分网格并开展仿真分析。对模型各部分划分合理密度的网格，仿真得到电势、电流、温度等参数的分布情况。
25)输入参数扫描与特征参数提取。改变环境温度和载荷电流等条件，得到不同工况下的器件端口数据。
步骤(3)，注入结构退化，遍历仿真，得到退化后功率器件不同工况条件下端口电压电流、壳温、结温等参数数据：
31)在步骤(1)中分析得到的关键结构中注入相关的退化形式，以芯片下焊层退化为例进行分析。芯片下焊层在退化过程中，裂纹导致的分层主要是由四周向中心逐渐扩展，不同分层程度下的焊层剩余焊接部分示意图如图3所示。
32)仿真得到不同工况和退化程度下的IGBT功率模块器件电学特性端口数据和结温变化情况，如表1所示：
表1
其中，Ta表示环境温度，Ic表示集电极电流，ΦRthja表示器件热阻退化程度，由热阻变化量除以初始热阻值，热阻值由器件芯片结温与环境温度的差值，除以功耗值计算得到；健康状态等级标签为1、2、3，分别代表退化程度为低、中、高。
步骤(4)，健康状态评估。利用自适应粒子群算法寻找最优的GRNN扩展因子，建立自适应粒子群优化的广义神经网络，避免了手动调整扩展因子的低效和不准确性，通过对IGBT功率模块器件工况信息和外部特征参数的综合分析，对IGBT功率模块器件的健康状态进行评估。其中，建立的自适应粒子群优化广义神经网络算法流程如图4所示。采用优化扩展因子后的GRNN算法对IGBT功率模块器件的退化程度进行预测，所采用的测试集为剩余的45个测试集样本数据，得到的预测值结果如图5所示。
在上述实施例的基础上，本发明还公开了一种功率器件健康状态评估系统，包括：分析模块，用于对功率器件的失效位置和失效模式进行分析，确定功率器件的特征参数与结构退化之间的变化趋势。第一有限元分析模块，用于基于有限元分析方法，开展功率器件的多物理场耦合仿真，得到健康状态功率器件的基准评估数据。第二有限元分析模块，用于根据功率器件的特征参数与结构退化之间的变化趋势，在有限元分析方法中注入不同的结构退化，遍历功率器件的多物理场耦合仿真，得到不同退化状态功率器件的基准评估数据。模型训练模块，用于根据得到的健康状态功率器件的基准评估数据和不同退化状态功率器件的基准评估数据，采用改进的广义回归神经网络算法进行训练，得到健康状态评估模型。评估模块，用于根据健康状态评估模型对功率器件的健康状态进行评估。
对于系统实施例而言，由于其与方法实施例相对应，所以描述的比较简单，相关之处参见方法实施例部分的说明即可。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。
Claims (8)
1.一种功率器件健康状态评估方法，其特征在于，包括：
步骤1，对功率器件的失效位置和失效模式进行分析，确定功率器件的特征参数与结构退化之间的变化趋势；
步骤2，基于有限元分析方法，开展功率器件的多物理场耦合仿真，得到健康状态功率器件的基准评估数据；
步骤3，根据功率器件的特征参数与结构退化之间的变化趋势，在有限元分析方法中注入不同的结构退化，遍历功率器件的多物理场耦合仿真，得到不同退化状态功率器件的基准评估数据；
步骤4，根据得到的健康状态功率器件的基准评估数据和不同退化状态功率器件的基准评估数据，采用改进的广义回归神经网络算法进行训练，得到健康状态评估模型；
步骤5，根据健康状态评估模型对功率器件的健康状态进行评估。
2.根据权利要求1所述的功率器件健康状态评估方法，其特征在于，对功率器件的失效位置和失效模式进行分析，确定功率器件的特征参数与结构退化之间的变化趋势，包括：
子步骤11，分析功率器件的薄弱封装结构，包括：焊层结构和键合引线；
子步骤12，根据薄弱封装结构的分析结果，确定退化位置，及各退化位置对应的相关应力；
子步骤13，根据确定的退化位置、及各退化位置对应的相关应力，分析得到功率器件的特征参数与结构退化之间的变化趋势。
3.根据权利要求1或2所述的功率器件健康状态评估方法，其特征在于，功率器件的特征参数，包括：端口电压降、器件结-壳热阻。
4.根据权利要求1所述的功率器件健康状态评估方法，其特征在于，基于有限元分析方法，开展功率器件的多物理场耦合仿真，得到健康状态功率器件的基准评估数据，包括：
子步骤21，在多物理场有限元分析软件中构建功率器件的三维结构模型，并根据功率器件各部分材料赋予三维结构模型相应的材料属性；
子步骤21，基于构建的具有材料属性的三维结构模型，开展电热耦合仿真，将电热耦合仿真得到的结果作为健康状态功率器件的基准评估数据；其中，物理场，包括：电场和温度场。
5.根据权利要求4所述的功率器件健康状态评估方法，其特征在于，基于构建的具有材料属性的三维结构模型，开展电热耦合仿真，将电热耦合仿真得到的结果作为健康状态功率器件的基准评估数据，包括：
子步骤211，设置耦合方式：电场和温度场之间通过焦耳热效应和材料温度特性进行耦合；
子步骤212，设置温度相关参数：对于随温度变化的材料属性，在多物理场有限元分析软件中设置温度相关参数；
子步骤213，设置边界条件：边界条件根据实际工作条件和应用环境设置；
子步骤214，根据设置的耦合方式、温度相关参数和边界条件，基于构建的具有材料属性的三维结构模型，开展电热耦合仿真，得到功率器件的温度分布和电参数分布；
子步骤215，改变实际工作条件和应用环境，设置不同的边界条件，重复电热耦合仿真过程，得到不同工况条件下功率器件的温度分布和电参数分布；
子步骤216，从不同工况条件下的功率器件的温度分布和电参数分布中，提取得到不同工况条件下的芯片结温、壳温和端口电压，作为健康状态功率器件的基准评估数据。
6.根据权利要求5所述的功率器件健康状态评估方法，其特征在于，根据功率器件的特征参数与结构退化之间的变化趋势，在有限元分析方法中注入不同的结构退化，遍历功率器件的多物理场耦合仿真，得到不同退化状态功率器件的基准评估数据，包括：
子步骤31，根据功率器件的特征参数与结构退化之间的变化趋势，分析器件在不同工况条件下的主要退化模式和退化位置，并在有限元分析方法中注入不同程度的结构退化；
子步骤32，重复子步骤211～216，提取得到不同程度的结构退化、不同工况条件下的芯片结温、壳温和端口电压，作为不同退化状态功率器件的基准评估数据。
7.根据权利要求6所述的功率器件健康状态评估方法，其特征在于，根据得到的健康状态功率器件的基准评估数据和不同退化状态功率器件的基准评估数据，采用改进的广义回归神经网络算法进行训练，得到健康状态评估模型，包括：
子步骤41，根据得到的健康状态功率器件的基准评估数据和不同退化状态功率器件的基准评估数据，构建得到模型训练集；
子步骤42，基于构建得到模型训练集，采用改进的广义回归神经网络算法，对神经网络模型进行训练，确定神经网络模型的各权重系数；
子步骤43，将确定的神经网络模型的各权重系数赋值给神经网络模型，得到健康状态评估模型。
8.一种功率器件健康状态评估系统，其特征在于，包括：
分析模块，用于对功率器件的失效位置和失效模式进行分析，确定功率器件的特征参数与结构退化之间的变化趋势；
第一有限元分析模块，用于基于有限元分析方法，开展功率器件的多物理场耦合仿真，得到健康状态功率器件的基准评估数据；
第二有限元分析模块，用于根据功率器件的特征参数与结构退化之间的变化趋势，在有限元分析方法中注入不同的结构退化，遍历功率器件的多物理场耦合仿真，得到不同退化状态功率器件的基准评估数据；
模型训练模块，用于根据得到的健康状态功率器件的基准评估数据和不同退化状态功率器件的基准评估数据，采用改进的广义回归神经网络算法进行训练，得到健康状态评估模型；
评估模块，用于根据健康状态评估模型对功率器件的健康状态进行评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111537342.3A CN114266178A (zh) | 2021-12-15 | 2021-12-15 | 一种功率器件健康状态评估方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111537342.3A CN114266178A (zh) | 2021-12-15 | 2021-12-15 | 一种功率器件健康状态评估方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114266178A true CN114266178A (zh) | 2022-04-01 |
Family
ID=80827378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111537342.3A Pending CN114266178A (zh) | 2021-12-15 | 2021-12-15 | 一种功率器件健康状态评估方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114266178A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116362174A (zh) * | 2023-05-24 | 2023-06-30 | 湖南大学 | Igbt设计参数全局优化方法及系统 |
-
2021
- 2021-12-15 CN CN202111537342.3A patent/CN114266178A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116362174A (zh) * | 2023-05-24 | 2023-06-30 | 湖南大学 | Igbt设计参数全局优化方法及系统 |
| CN116362174B (zh) * | 2023-05-24 | 2023-08-29 | 湖南大学 | Igbt设计参数全局优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Montecucco et al. | Accurate simulation of thermoelectric power generating systems | |
| CN109783970B (zh) | 一种面向电子产品可靠性仿真分析的热分析方法 | |
| Kovacevic-Badstuebner et al. | Modelling for the lifetime prediction of power semiconductor modules | |
| CN112597628B (zh) | 一种变压器温升估计的方法及系统 | |
| CN114266178A (zh) | 一种功率器件健康状态评估方法和系统 | |
| Shinohara et al. | Fatigue life evaluation accuracy of power devices using finite element method | |
| Piggott | Detailed transient multiphysics model for fast and accurate design, simulation and optimization of a thermoelectric generator (TEG) or thermal energy harvesting device | |
| CN115186592A (zh) | 功率半导体模块的寿命预测方法、终端设备及存储介质 | |
| CN115015723A (zh) | GaN功率器件的状态监测方法、装置、计算机设备和介质 | |
| CN117574176B (zh) | 一种bipv光伏玻璃生产工艺优化方法 | |
| CN117192266A (zh) | 新能源汽车逆变器中功率器件的结温在线监测方法 | |
| Lasance | The European project PROFIT: prediction of temperature gradients influencing the quality of electronic products | |
| CN117350244A (zh) | 基于拉丁超立方抽样的bga封装电迁移可靠性评估方法 | |
| CN117371294A (zh) | 一种压接式igbt的寿命评估方法、装置和计算机设备 | |
| Weber et al. | Lifetime extension of photovoltaic modules by influencing the module temperature using phase change material | |
| Liu et al. | Nonparametric model-based online junction temperature and state-of-health estimation for insulated gate bipolar transistors | |
| CN115291074A (zh) | 一种igbt芯片焊料层故障的在线监测方法 | |
| Sandoz-Rosado | Investigation and development of advanced models of thermoelectric generators for power generation applications | |
| CN114636931A (zh) | 低温高倍率工况下基于等效温度的动力电池建模方法 | |
| Wei et al. | Approach towards accurate modeling of thermal resistance in thermal management of pcb | |
| Sasi et al. | Simulation driven design of novel integrated circuits-Part 1: Selection of the materials based on the Virtual DoE | |
| CN118780133A (zh) | 一种利用传热场耦合的功率器件精细化仿真方法 | |
| Loos et al. | Digital Twin and Virtual Release of Automotive Electronics | |
| CN111400833A (zh) | 一种热式风速传感器Verilog-A宏模型建模方法 | |
| Zhao et al. | Effect of power module layer thickness on reliability |
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 |