CN114641741A - 基于机器学习算法进行温度估计的转换器故障行为预测 - Google Patents

Abstract

公开了一种用于预测电转换器(12)的故障行为的方法，该方法包括：接收指示电转换器(12)的实际操作点的电转换器(12)的操作点指标(I)；接收指示功率半导体器件(18)的实际温度的电转换器(12)的功率半导体器件(18)的测量器件温度(T_d)；将操作点指标(I)作为输入数据输入到机器学习算法(32)中，该算法利用包括操作点指标和相关器件温度的历史数据进行训练；利用机器学习算法对估计器件温度

进行估计；以及通过将估计器件温度

与测量器件温度(T_d)进行比较来预测故障行为(F)。

Description

基于机器学习算法进行温度估计的转换器故障行为预测

技术领域

本发明涉及功率半导体器件的预测性维护领域。特别地，本发明涉及用于预测电转换器的故障行为的方法、计算机程序、计算机可读介质和控制器。此外，本发明涉及具有这种控制器的转换器。

背景技术

可以例如使用集成到容纳半导体器件的半导体模块中的温度传感器来直接测量诸如IGBT的功率半导体器件的外壳温度或模块温度。然而，除了温度过高之外，从测得的温度中几乎没有获得任何有意义的东西。通常，由于使用功率半导体器件的系统的操作点和条件可能会发生变化，因此很难看到总体温度趋势的升高，例如在与以前相同的条件下温度的升高。

另一方面，温度趋势是监测功率半导体器件的静态条件的一种简单方法。突然升高可能被视为部件故障或老化(例如由于电阻增加)、冷却故障(可能出现故障或被阻塞)或环境温度升高(可能导致加速老化)。然而，当温度由于动态操作点和循环部件使用而在短时间内发生很大变化时，这种类型的简单趋势通常不适用，因为可能很难注意到随着时间缓慢发生的有意义的变化，例如更高的最高温度或更慢的冷却时间。

CN 109 101 738A描述了一种用于估计IBGT模块的老化程度的方法。该方法包括利用测量的IGBT模块的电热特性数据(例如电流、电压或温度)来训练人工神经网络的步骤。在进一步的步骤中，将实际测量的电热特性数据输入到训练好的人工神经网络中，并输出老化程度评估结果，该结果可以是老化循环次数或老化程度。

EP 2 941 674 A2描述了一种基于变压器的运动曲线来预测期望负载的变压器油温的方法。该运动曲线基于一种机器学习算法，该算法已使用变压器传感器提供的历史数据进行了训练。

EP 2 600 510 A1描述了一种用于控制具有功率模块的电转换器的方法，该电转化器可以通过产生通过功率模块的循环电流而被加热到目标温度。可以基于功率模块的热模型和环境温度来估计功率模块的实际温度。

AU 2013 260 082 A1描述了一种用于基于功率开关的结温来减少功率转换器中的功率开关的热循环的方法。可以根据环境温度估计结温。

发明内容

本发明的目的是改进功率半导体器件的预测性维护。本发明的另一个目的是更好地预测功率半导体器件的温度趋势。

这些目的通过独立权利要求的主题来实现。进一步的示例性实施例从从属权利要求和以下描述中显而易见。

本发明的第一方面涉及一种用于预测电转换器的故障行为的方法。该方法可以由电转换器的控制器，例如作为存储在控制器中的软件模块自动执行。

根据本发明的实施例，该方法包括：接收指示电气转换器的实际操作点的电气转换器的操作点指标；以及接收指示功率半导体器件的实际温度的功率半导体器件的测量器件温度。

电转换器的操作点可以由电转换器在特定时间点的特性来限定。例如，操作点可以由电转换器处理的电流和/或电压和/或由电转换器的输出功率来限定。操作点指标可以提供为一个值或一组值。操作点指标可以包括与功率半导体器件的温度相关的一个或多个值和/或量。

操作点指标可以根据在电转换器中测量的量和/或由控制电转换器的功率半导体开关的电转换器的控制器产生的量来确定。

功率半导体器件可以是功率半导体开关，例如IGBT。

功率半导体器件的测量温度可以提供为一个值。测量温度可以用附接到功率半导体器件的温度传感器来测量。

操作点指标和测量器件温度可以随时间确定，即，对于多个测量步骤而言，可能存在操作点指标和测量器件温度。可能必须以足够高的频率对操作点指标的一个或多个值进行采样，因为温度变化可能在几秒钟内发生。例如，采样频率和/或连续测量步骤的间距可以在0.1s和5s之间的范围内。

根据本发明的实施例，该方法包括：将操作点指标作为输入数据输入到使用历史数据(或训练数据)训练的机器学习算法中，该历史数据(或训练数据)包括历史操作点指标和相关的历史器件温度；以及使用机器学习算法对所估计的器件温度进行估计。

功率半导体器件的估计器件温度可以用机器学习算法确定，该算法已经用历史数据训练。历史数据可以是在执行该方法之前已经记录的数据。机器学习算法可以基于在训练期间调整的权重。权重可以定义一个函数，其中输入有输入数据并且输出有估计器件温度。

申请人已经发现，与电气转换器的操作点相关的量，即操作点指标，适于训练机器学习算法，该算法对电转换器的功率半导体器件的器件温度进行估计。这可能是因为转换器的操作点与其功率半导体器件上的电应力相关。机器学习算法可用于确定转换器的正常和故障行为并检测异常。对根本原因进行故障排除有助于维护驱动器、延长驱动器有效期并防止驱动器出现意外故障。

由于机器学习算法已使用功率半导体器件正常运行期间记录的历史数据进行训练，因此估计器件温度代表正常操作期间的器件温度，此时半导体器件处于良好状态。

根据本发明的实施例，该方法还包括：通过将估计器件温度与测量器件温度进行比较来预测故障行为。故障行为可以提供为一个值，例如，在一种情况下为“是”/“否”值。

如果机器学习算法训练良好，并且驱动器按照训练数据的描述不断使用，估计器件温度和测量器件温度之间应该只有很小的误差。随着时间的推移对这两个值进行比较，可以看到功率半导体器件的温度升高趋势，显示为估计值和测量值之间的差异。特别地，当测量器件温度高于估计温度时，可以对温度升高趋势进行假设。

温度升高趋势通常是由功率半导体器件或电转换器的其他部件的故障行为引起的。例如，功率半导体器件可能老化并且可能具有增加的电阻。温度升高的其他潜在原因可能是冷却过滤器堵塞或转换器其他部件的部件老化。

故障行为可以是功率半导体器件和/或电转换器的故障行为。通过预测的结果，可以减少意外故障和停机时间，提高安全性并且还可以保护转换器的其他部件。

使用用于估计温度的机器学习算法，可以提供一种有意义且自动化的方式，用于注意到温度升高趋势。所获得的信息可用于了解哪些功率半导体器件和/或哪个转换器可能需要维护和/或需要更详细的分析以查看功率半导体模块中是否存在问题。

根据本发明的实施例，机器学习算法的输入数据包括：针对先前(测量)时间步长的测量器件温度和针对实际时间步长和/或先前时间步长的操作点指标。除了操作点指标之外，还可以将在先前时间步长中的测量测量器件温度输入到机器学习算法中。这可以增加估计温度的预测准确性。在这种情况下，用于训练的历史数据必须包括额外的历史测量器件温度。实际时间步长可以是已经执行测量的最后时间步长，而前一时间步长可以是倒数第二个时间步长。

根据本发明的实施例，通过机器学习算法对针对实际时间步长的估计温度进行估计。如前所述，可以在测量或采样时间步长上定期进行测量。输入数据可以包括：操作点指标的值和至少一个先前(测量)时间步长的可选测量温度。这可能要考虑及时开发这些量。

根据本发明的实施例，输入数据包括针对多个先前时间步长的测量器件温度。输入数据也可能包括针对多个先前时间步长的操作点指标。在这种情况下，机器学习算法直接考虑到这些量的及时行为。

一般而言，输入数据可能包括：仅针对前一个时间步长的测量器件温度和仅针对一个先前时间步长的操作点指标。输入数据可能包括：仅针对一个先前时间步长的测量器件温度和针对多个先前时间步长的操作点指标。输入数据可能包括：仅针对多个先前时间步长的测量器件温度和仅针对一个先前时间步长的操作点指标。输入数据可能包括：仅针对多个先前时间步长的测量器件温度和仅针对多个先前时间步长的操作点指标。

根据本发明的实施例，输入数据包括：针对多个先前时间步长的测量器件温度之间的一个或多个差值。机器学习算法的输入可以是两个连续温度测量值之间的一个或多个温度差。当使用温度测量值的绝对值作为输入时，机器学习算法可以学习预测下一个时间步长的温度与前一个时间步长的温度相同。当使用差值而不是绝对值时，实际温度值可能会被隐藏，输入和输出参数可能会解耦。

根据本发明的实施例，该方法还包括：接收指示功率半导体器件和/或转换器的环境温度的转换器的环境温度。电转换器和/或控制器可以包括环境温度传感器。环境温度可以是转换器内部的温度，例如转换器外壳内部的温度。

根据本发明的实施例，机器学习算法的输入数据还包括环境温度。环境温度可以用作机器学习算法的进一步输入数据。这可以提高估计温度的预测精度，因为功率半导体器件的温度取决于环境温度和功率半导体器件内部产生的热量。

根据本发明的实施例，输入数据中的测量器件温度是相对于环境温度提供的。换言之，在将结果输入机器学习算法之前，可以从测量器件温度中减去环境温度。

根据本发明的实施例，由机器学习算法输出的估计器件温度是相对于环境温度提供的。也可能是机器学习算法的输出，即估计温度，是相对于环境温度的相对值。该相对值可以与环境温度相加以确定绝对温度值。

然而，也可以是将测量温度的一个或多个绝对值输入机器学习算法，和/或可能是机器学习算法输出的估计温度以绝对值形式提供。根据本发明的实施例，该方法还包括：根据测量温度和估计温度的差值确定温度误差；以及将温度误差与用于预测功率半导体器件的故障行为的阈值进行比较。温度误差可能是故障行为的指标，因为当测量温度远高于估计温度时，功率半导体器件和/或转换器的操作与反映了正常操作的历史数据所示的不同。

可以对温度误差求取平均值或确定温度误差的平均值。例如，可以跟踪移动平均误差和/或中值误差以查看测量温度值何时开始偏离估计温度值。当温度误差已经达到阈值并且可选地保持在阈值之上预定义时间段时，则可以预测故障行为。可以假设转换器系统中已发生了一些变化，并且可能会给出警告以及如何进行的说明。

根据本发明的实施例，机器学习算法已经利用同一转换器的历史数据进行了训练。历史数据可能是在转换器的调试阶段记录的，在该阶段可以假定正常运行。这可能是有益的，因为可以为相同的功率半导体器件记录数据，随后用该方法对其进行监督。

根据本发明的实施例，机器学习算法已经利用至少一个不同转换器的历史数据进行了训练，这些转换器可以具有相同和/或相似的拓扑。在这种情况下，可以为所有类似的转换器提供通用温度模型。来自新驱动器的第一次历史数据收集可以省略，但是可以在安装后直接监控温度行为。

然而，还可以使用不同转换器的历史数据训练的机器学习算法额外使用同一转换器的历史数据进行训练。这可以进一步改善预测结果。

根据本发明的实施例，机器学习算法是人工神经网络。人工神经网络通常可以具有三层，例如输入层、隐藏层和输出层。也可能有多个隐藏层(例如用于深度学习)。对于本申请，已经表明只需要一个隐藏层即可获得可接受的性能。

根据本发明的实施例，操作点指标包括以下各项中的至少一项：转换器电流、转换器电压、开关频率、直流链路电压。所有这些量都表示转换器的功率半导体器件产生的热量。

根据本发明的实施例，电转换器连接到旋转电机，用于驱动旋转电机，并且操作点指标包括以下各项中的至少一项：旋转电机的转矩，和旋转电机的转速。诸如扭矩和转速之类的驱动参数可以用作输入数据来训练机器学习算法并估计器件温度。

如果这些参数与器件温度呈正相关，并且可选地以足够高的频率进行采样(例如每秒超过一个样本)，则还可以考虑另一个量以及操作点指标。采样频率可以在0.1s和5s之间的范围内。

本发明的另一方面涉及一种计算机程序，该计算机程序在由处理器执行时适于执行如上文和下文中描述的方法，以及涉及一种存储有此类计算机程序的计算机可读介质。计算机可读介质可以是软盘、硬盘、USB(通用串行总线)存储设备、RAM(随机存取存储器)、ROM(只读存储器)、EPROM(可擦除可编程只读存储器)或闪存。计算机可读介质也可以是数据通信网络(例如，互联网)，它允许下载程序代码。通常，计算机可读介质可以是非暂时性或暂时性介质。

本发明的另一方面涉及电转换器的控制器，该控制器适于执行如上文和下文所述的方法。控制器可以包括处理器和存储器，并且该方法可以实现为控制器中的计算机程序。计算机程序可以作为软件模块存储在控制器中。控制器也可以适于控制电转换器的功率半导体开关。该任务可以由存储在控制器中的另一个软件模块来执行。

本发明的另一方面涉及一种电转换器，包括多个功率半导体器件和至少一个温度传感器，该温度传感器被布置为用于测量至少一个功率半导体器件的器件温度。可以包括半导体开关(例如IGBT)和可选地二极管的多个功率半导体器件可以容纳在一个或多个半导体模块中。半导体模块可以包括用于机械支撑和/或电互连一个或多个功率半导体器件的外壳和/或布线。每个模块还可以包括用于测量一个或多个半导体器件的器件温度的温度传感器。

功率半导体器件可以连接到一个或多个半桥中，这些半桥相互连接以形成特定的转换器拓扑。电转换器可以在电网和旋转电机(例如电动机或发电机)之间互连。

电转换器还可以包括控制器，如上文和下文所述，该控制器适于估计功率半导体器件中的至少一个功率半导体器件的温度。

可以是针对一个、一些或所有功率半导体器件执行该方法。例如，可以针对每个半导体模块的至少一个功率半导体器件执行该方法。当预测模块中的至少一个功率半导体器件的故障行为时，可以关闭和/或更换该半导体模块。

应当理解，上文和下文描述的方法的特征也可以是上文和下文描述的电转换器、计算机程序、计算机可读介质和控制器的特征，反之亦然。

本发明的这些和其他方面将从下文描述的实施例中变得显而易见并且参考下文描述的实施例来阐明。

附图说明

本发明的主题将在下文中参照附图中所示的示例性实施例更详细地解释。

图1示意性地示出了根据本发明实施例的具有电转换器的驱动系统。

图2示出了图示根据本发明实施例的方法和控制器的框图。

图3示出了图示根据本发明另一实施例的方法和控制器的框图。

图4A和图4B示出了功率半导体器件的估计温度和测量温度的图表。

图5A、图5B、图6A、图6B示出了利用根据本发明实施例的方法确定的温度误差的图表。

图7示意性地示出了经过训练以在根据本发明实施例的方法中执行温度估计的神经网络的结构。

附图中使用的参考符号及其含义在参考符号列表中以摘要形式列出。原则上，相同的部件在图中具有相同的附图标记。

具体实施方式

图1示出了驱动系统10，包括电转换器12和旋转电机14(例如电动机或发电机)。电转换器12连接到电网16并且将电网电压转换成提供给旋转电机14的输出电压。

如图1示意性所示，转换器12包括功率半导体器件18，其可以是半导体开关，特别是IGBT。与半导体开关并联的续流二极管也可以视为功率半导体器件。

如图所示，功率半导体器件18可以串联连接以形成半桥20，半桥20可以连接到直流链路22和/或可以在它们之间提供相位输出。一个半桥的功率半导体器件18可以组装成功率半导体模块24。

对于每个功率半导体器件18而言，可以存在温度传感器26，其也可以组装到相应的功率半导体模块24中。然而，也可能每个功率半导体模块24仅存在一个温度传感器26。利用温度传感器26，可以测量相关功率半导体器件18的实际器件温度。

驱动系统10还包括控制器28，其适于控制转换器12以及如所指示的功率半导体开关。为此，用于功率半导体开关的栅极信号可由控制器28产生。如图1所示，控制器28因此可以接收来自转换器12中的电流和/或电压，例如输入电压、直流链路电压、输出电压、输出电流等的测量信号。

除了控制驱动系统10的功率和/或扭矩之外，控制器28还适于基于温度测量值和估计值来预测转换器12和/或其功率半导体器件18的故障行为。

为此，控制器28还适于接收来自温度传感器26的测量信号。转换器12还可以包括环境温度传感器30，其可以设置在转换器12的外壳中。控制器28还可适于接收来自环境温度传感器30的测量信号。

图2和图3示出了控制器28的部件的图示，这些部件可以执行故障行为的预测。关于图2和图3，还描述了一种用于预测电转换器12的故障行为的方法。

该方法和控制器28基于机器学习算法，该算法可以在图2和3所示的模块32中执行。

如图2所示，电气转换器12的操作点指标I作为输入数据输入到机器学习算法32中，所述操作点指标I表示电气转换器12的实际操作点。操作点指标I可以包括转换器电流、转换器电压、开关频率、直流链路电压、旋转电机14的扭矩、旋转电机14的转速等中的至少一项。

一般来说，操作点指标I可以是任何与器件温度正相关的量。

操作点指标I可以由控制器28的其他控制功能提供和/或确定，和/或可以基于转换器12中的电流和/或电压测量值。

根据输入数据，机器学习算法32对估计器件温度

进行估计。一般而言，机器学习算法32可以是可以根据输入数据计算的估计器件温度

的函数。该函数可以包括已经在机器学习算法32的训练阶段期间调整的参数或权重。

特别地，机器学习算法32已经利用包括操作点指标I和相关联的器件温度T_d的历史数据进行了训练，这些历史数据已被记录用于相同转换器12和/或来自不同转换器，这些转换器可能具有相同类型和/或拓扑。在历史数据的帮助下，可以调整机器学习算法32的权重参数，使得该函数针对相似的输入数据输出相似的估计器件温度

例如，历史数据可以在功率半导体器件18的有效期开始时记录并且可以一直使用到这些器件18的有效期结束。

例如，机器学习算法32可以是人工神经网络。已经表明，具有输入层、仅一个隐藏层和一个输出层的简单人工神经网络足以高精度地估计温度。

图4A示出了作为转换器12的一部分的IGBT的测量器件温度T_d，以及由已经相应训练的这种人工神经元网络产生的估计器件温度

温度在垂直轴上以℃表示。图4A是在IGBT有效期开始时针对一组样本时间步长生成的，如右图所示。

图4B是与图4A类似的图，但是在IGBT有效期结束时测量器件温度T_d和估计器件温度

由干人工神经网络是用正常数据训练的，所以它无法正确预测有效期结束时的高温。在图4B中可以清楚地看到更高的测量器件温度T_d。如果估计值和测量值之间的差值清晰可见，则表明与在有效期开始时累积的训练数据相比，温度行为发生了变化。该错误可以例如使用移动错误索引被监控到。

返回到图2，机器学习算法32的输入数据可以包括：针对先前采样和/或测量时间步长t-1的测量器件温度T_d(t-1)和针对先前时间步长t-1的操作点指标I(t-1)。也可以将实际时间步长t的操作点指标I(t)附加地或替代地包括在输入数据中。然后，通过机器学习算法32可以对针对实际时间步长t对估计器件温度

进行估计。

通过从实际估计的器件温度

中减去在实际时间步长t处的实际测量器件温度T_d(t)，可以确定在实际时间步长t处的温度误差E(t)，其被输入到平均和/或比较器模块34中。

平均和/或比较器模块34可以在多个时间步长的时间范围内对温度误差E求取平均值。可以将结果与阈值进行比较，如果平均误差高于阈值，则故障行为信号F可以变为1。否则，故障行为信号F可能为0。

必须注意，可选地，中值误差E(t)可以由平均和/或比较器模块34根据最后测量的器件温度T_d和估计器件温度

来确定。

在图3中，显示了机器学习算法32的输入数据可以包括：针对多个先前时间步长t-1、t-2等的操作点指标I(t-1)，I(t-2)，......。通过使用多于一个的先前操作点指标I，可以提高机器学习算法32的准确性。需要注意的是，在图3中，实际时间步长t的操作点指标I(t)也可以包含在输入数据中。

图3还显示，先前时间步长的测量器件温度T_d(t-1)可能是输入数据的一部分。也可能是机器学习算法32的输入数据包括针对多个先前时间步长t-1、t-2等的测量器件温度T_d(t-1)，T_d(t-2)，......。同样，这可以提高预测准确性。

当测量环境温度T_a时，针对先前时间步长的环境温度T_a(t-1)以及可选地针对多个先前时间步长的环境温度也可以包括在输入数据中。

输入数据也可能包括针对多个先前时间步长t-1、t-2、......，的测量器件温度之间的差值(T_d(t)-T_d(t-1)，T_d(t-1)-T_d(t-2)，......)。如图3所示，机器学习算法32执行的估计可以相对于环境温度T_a执行。在将环境温度T_a输入机器学习算法32之前，可以从测量器件温度T_d中减去环境温度T_a。然后通过机器学习算法相对于环境温度T_d对器件温度进行估计，即输出

必须注意，为了确定温度误差E，还必须减去相对测量温度T_d-T_a。

图5A和图5B示出了IGBT有效期开始和结束时温度误差E的移动平均值

请注意，在垂直轴上描绘的误差在图5A中显示为2的值，在图5B中显示为12的值。采样时间步长显示在水平轴上。

图6A和图6B是类似的图，但是具有中值误差

从图5A和图5B或从图6A和图6B可以看出，阈值可以用于温度误差E，

以触发故障行为信号F并产生关于温度行为变化的警告。

可以看出，温度误差E，

在有效期开始时小于2。在有效期结束时，它始终高于4，并且可能会短暂达到高于10的值。在温度误差E，

超过阈值一定时间后，可以触发故障行为信号，和/或可以生成关于功率半导体模块24中温度升高的警告。即使到目前为止还没有触发过热故障，也可以采取这种措施。一旦触发警告，故障排除时可能会开始查找故障行为的原因，从而可能防止将来突然发生损坏或故障。

下表包括由用于实现机器学习算法32的神经网络输出的测试结果样本。测试是使用Azure机器学习工作室完成的，因为它可以轻松访问存储的驱动器数据以及合适的机器学习库。在该示例中，指示电机14的扭矩的扭矩值“扭矩15”到“扭矩20”的数据集被用作训练神经网络的输入数据，以估计IGBT外壳温度。“评分”列包含神经网络的相应输出数据，即神经网络给出的估计值。“TC”列包括针对每个估计值的测量温度值。可以看出，估计值和测量值之间只有很小的差异。作为转矩的替代或补充，电机14的转速或环境温度可以用作神经网络的输入数据。

图7示意性地示出了上述神经网络的结构。神经网络具有输入层36，其具有用于输入扭矩值的多个扭矩输入神经元T和用于输入转速值的多个转速输入神经元n；以及具有输出层37，其具有用于输出所述相应的温度估计值的一个输出神经元。在该示例中，输入层36和输出层37通过一个隐藏层38互连，并且来自每个信号的十个先前样本已用于估计温度。

尽管本发明已在附图和前述描述中详细说明和描述，但这种说明和描述应被认为是说明性的或示例性的，而不是限制性的；本发明不限于所公开的实施例。通过研究附图、公开内容和所附权利要求，本领域技术人员在实践要求保护的发明时可以理解和实现要公开的实施例的其他变型。在权利要求中，“包括”一词不排除其他元件或步骤，不定冠词“一”或“一个”不排除多个。单个处理器或控制器或其他单元可以实现权利要求中列举的几个项目的功能。在相互不同的从属权利要求中列举了某些措施这一事实并不表明这些措施的组合不能有利地使用。权利要求中的任何参考符号不应被解释为限制范围。

附图标记列表

10 驱动系统

12 电转换器

14 旋转电机

16 电网

18 功率半导体器件

20 半桥

22 DC链路

24 功率半导体模块

26 器件温度传感器

28 控制器

30 环境温度传感器

32 机器学习算法/模块

34 平均模块和/或比较器模块

36 输入层

37 输出层

38 隐藏层

n 转速输入神经元

t 实际时间步长

t-1,t-2 先前时间步长

I 操作点指标

T 扭矩输入神经元

T_d 测量的器件温度

估计的器件温度

T_a 环境温度

E 误差

F 故障信号

移动平均误差

中值误差

Claims (15)

1.一种用于预测电转换器(12)的故障行为的方法，所述方法包括：

接收指示所述电转换器(12)的实际操作点的所述电转换器(12)的操作点指标(I)；

接收指示功率半导体器件(18)的实际温度的所述电转换器(12)的所述功率半导体器件(18)的测量器件温度(T_d)；

将所述操作点指标(I)作为输入数据输入到机器学习算法(32)中，所述机器学习算法(32)利用包括操作点指标和相关器件温度的历史数据进行训练；

利用所述机器学习算法对估计器件温度

进行估计；

通过将所述估计器件温度

与所述测量器件温度(T_d)进行比较来预测所述故障行为(F)。

2.根据权利要求1所述的方法，

其中所述机器学习算法的所述输入数据包括：先前时间步长的所述测量器件温度(T_d(t-1))和实际时间步长的所述操作点指标(I(t))；

其中所述机器学习算法(32)对针对所述实际时间步长的估计器件温度

进行估计。

3.根据权利要求1或2所述的方法，

其中所述输入数据包括针对多个先前时间步长的测量器件温度(T_d(t-1)，T_d(t-2)，......)；和/或

其中所述输入数据包括针对多个先前时间步长的操作点指标(I(t-1)，I(t-2)，......)；和/或

其中所述输入数据包括针对多个先前时间步长的测量器件温度(T_d(t)-T_d(t-1)，T_d(t-1)-T_d(t-2)，......)的一个或多个差值。

4.根据前述权利要求中任一项所述的方法，还包括：

接收所述转换器(12)的环境温度(T_a)，所述环境温度(T_a)指示所述功率半导体器件(18)和/或所述转换器(12)的环境温度；和/或

其中所述机器学习算法(32)的所述输入数据还包括所述环境温度(T_a)。

5.根据权利要求4所述的方法，

其中所述输入数据中的所述测量器件温度(T_d)是相对于所述环境温度(T_a)提供的；

其中由所述机器学习算法输出的所述估计器件温度

是相对于所述环境温度(T_a)提供的。

6.根据前述权利要求中任一项所述的方法，还包括：

根据所述测量温度(T_d)与所述估计温度

之间的差值来确定温度误差(E)；

将所述温度误差(E)与用于预测所述故障行为的阈值(F)进行比较。

7.根据前述权利要求中任一项所述的方法，

其中所述机器学习算法(32)已经利用同一转换器(12)的历史数据进行训练；和/或

其中所述机器学习算法(32)已经利用至少一个不同转换器的历史数据进行训练。

8.根据前述权利要求中任一项所述的方法，

其中所述机器学习算法(32)是人工神经网络。

9.根据前述权利要求中任一项所述的方法，

其中所述操作点指标(I)包括以下各项中的至少一项：

转换器电流，

转换器电压，

开关频率，

DC链路电压。

10.根据前述权利要求中任一项所述的方法，

其中所述电转换器(12)被连接到旋转电机(14)，用于驱动所述旋转电机(14)，并且所述操作点指标(I)包括以下各项中的至少一项：

所述旋转电机(14)的扭矩，

所述旋转电机(14)的转速。

11.根据前述权利要求中任一项所述的方法，

其中所述功率半导体器件(18)为功率半导体开关；和/或

其中所述功率半导体器件(18)为IGBT。

12.一种计算机程序，当由处理器执行时，适于执行根据前述权利要求中任一项所述的方法。

13.一种计算机可读介质，其中存储了根据权利要求12所述的计算机程序。

14.一种电转换器的控制器(28)，适于执行根据权利要求1至11中任一项所述的方法。

15.一种电转换器(12)，包括：

多个功率半导体器件(18)；

至少一个温度传感器(26)，被布置为用于测量至少一个所述功率半导体器件(18)的器件温度(T_d)；

根据权利要求14所述的控制器(28)，适于估计所述功率半导体器件(18)中的至少一个功率半导体器件的器件温度

以及用于预测所述故障行为(F)。

Images