DE102019203631A1 - Method and device for modeling a power semiconductor module - Google Patents

Method and device for modeling a power semiconductor module Download PDF

Info

Publication number
DE102019203631A1
DE102019203631A1 DE102019203631.7A DE102019203631A DE102019203631A1 DE 102019203631 A1 DE102019203631 A1 DE 102019203631A1 DE 102019203631 A DE102019203631 A DE 102019203631A DE 102019203631 A1 DE102019203631 A1 DE 102019203631A1
Authority
DE
Germany
Prior art keywords
power semiconductor
semiconductor module
thermal
time series
following features
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
Application number
DE102019203631.7A
Other languages
German (de)
Inventor
Bert Walch
Andreas Riedel
Andreas Lenz
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Priority to DE102019203631.7A priority Critical patent/DE102019203631A1/en
Publication of DE102019203631A1 publication Critical patent/DE102019203631A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2837—Characterising or performance testing, e.g. of frequency response
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
    • G01K7/42—Circuits effecting compensation of thermal inertia; Circuits for predicting the stationary value of a temperature
    • G01K7/427—Temperature calculation based on spatial modeling, e.g. spatial inter- or extrapolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
    • G01R31/2848—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms using simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L23/00—Details of semiconductor or other solid state devices
    • H01L23/34—Arrangements for cooling, heating, ventilating or temperature compensation ; Temperature sensing arrangements

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

Verfahren (10) zum Modellieren eines Leistungshalbleitermodules, gekennzeichnet durch folgende Merkmale:- anhand einer Systemantwort (11) des Leistungshalbleitermodules auf eine vorgegebene Änderung der Wärmeeinspeisung wird eine Zeitreihe von Temperaturdaten (25) gewonnen,- die Zeitreihe wird in einen Eingangsvektor für ein künstliches neuronales Netz (31) überführt und- mittels des Netzes (31) werden Parameter eines thermischen Modells des Leistungshalbleitermodules ermittelt.A method (10) for modeling a power semiconductor module, characterized by the following features: a time series of temperature data (25) is obtained based on a system response (11) of the power semiconductor module to a predetermined change in the heat input, - the time series is converted into an input vector for an artificial neural Network (31) transferred and parameters of a thermal model of the power semiconductor module are determined by means of the network (31).

Description

Die vorliegende Erfindung betrifft ein Verfahren zum Modellieren eines Leistungshalbleitermodules. Die vorliegende Erfindung betrifft darüber hinaus eine entsprechende Vorrichtung, ein entsprechendes Computerprogramm sowie ein entsprechendes Speichermedium.The present invention relates to a method for modeling a power semiconductor module. The present invention also relates to a corresponding device, a corresponding computer program and a corresponding storage medium.

Stand der TechnikState of the art

In einem Halbleiter-Leistungsbauelement nach dem Stand der Technik wird unweigerlich Verlustleistung umgesetzt. Da diese regelmäßig auf geringer Fläche abzuführen ist, übersteigt die Wärmeflussdichte in einem gattungsmäßigen Leistungsmodul jene einer handelsüblichen Kochplatte bei Weitem. Eine geeignete Aufbau- und Verbindungstechnik hat die dafür erforderliche hohe Wärmeleitfähigkeit des Modules zu gewährleisten.In a semiconductor power component according to the prior art, power loss is inevitably implemented. Since this has to be dissipated regularly over a small area, the heat flux density in a generic power module far exceeds that of a commercially available hotplate. A suitable construction and connection technology has to guarantee the required high thermal conductivity of the module.

In einem zeitgemäßen Leistungshalbleitermodul hat der Wärmestrom hierbei viele Schichten zu überwinden. Dazu enthält jede Lötverbindung die Gefahr von Lunkern (Gaseinschlüssen), welche es im Rahmen der Fließbandfertigung spätestens bei einer Prüfung am Bandende (end of line) zu erkennen gilt. Problematisch ist ferner der Übergang vom Modul zum Kühlkörper, wo eine Übergangsschicht aus Wärmeleitpaste eingebracht ist. Eine ungleichmäßige Schichtdicke in diesem Bereich birgt weiteres Fehlerpotenzial.In a modern power semiconductor module, the heat flow has to overcome many layers. In addition, every soldered connection contains the risk of voids (gas inclusions), which must be recognized in the context of assembly line production at the latest when testing at the end of line. Another problem is the transition from the module to the heat sink, where a transition layer of thermal paste is introduced. An uneven layer thickness in this area harbors further potential for errors.

Die physikalischen Differentialgleichungen, die die Wärmeleitung beschreiben, haben die gleiche Form wie die Gleichungen zur Beschreibung der elektrischen Leistung. Diese Analogie erlaubt eine Transformation zwischen thermodynamischen und elektrischen Größen. Nach dem Stand der Technik werden zur Simulation thermischer Leitungsvorgänge innerhalb stoffschlüssig verbundener Schichtsysteme daher elektrische Netzwerksimulatoren wie SimuLink genutzt.The physical differential equations that describe heat conduction have the same form as the equations that describe electrical power. This analogy allows a transformation between thermodynamic and electrical quantities. According to the state of the art, electrical network simulators such as SimuLink are therefore used to simulate thermal conduction processes within cohesively connected layer systems.

In eindimensionalen Ersatzschaltungen wird die Wärmeeinspeisung hierzu durch eine Stromquelle modelliert, die über ein Netzwerk aus Kapazitäten und Widerständen mit dem - der Umgebungstemperatur entsprechenden - Massepotenzial verbunden ist. Beim sogenannten Leitungs-Ersatzschaltbild (Cauer-Modell) sind diese Kapazitäten jeweils zwischen den die Wärmewiderstände verbindenden Knotenpunkten einerseits und der Masse andererseits angeordnet.In one-dimensional equivalent circuits, the heat feed is modeled for this by a power source that is connected to the ground potential - corresponding to the ambient temperature - via a network of capacitors and resistors. In the so-called line equivalent circuit diagram (Cauer model), these capacitances are arranged between the nodes connecting the thermal resistances on the one hand and the ground on the other.

DE102013218909A1 betrifft ein Verfahren zum Bestimmen einer thermischen Impedanz eines Halbleiterbauelements, wobei das Halbleiterbauelement mit einem Aufwärmstrom bestromt wird, eine Verlustleistung an dem Halbleiterbauelement bestimmt wird, ein von einer Temperatur des Halbleiterbauelements abhängiger Spannungsabfall an dem Halbleiterbauelement erfasst wird, aus diesem erfassten Spannungsabfall die Temperatur des Halbleiterbauelements über die Zeit als eine Aufwärmkurve bestimmt wird und die thermische Impedanz des Halbleiterbauelements als ein Quotient aus der bestimmten Temperatur und der bestimmten Verlustleistung bestimmt wird. DE102013218909A1 relates to a method for determining a thermal impedance of a semiconductor component, the semiconductor component being supplied with a warm-up current, a power loss on the semiconductor component being determined, a voltage drop dependent on a temperature of the semiconductor component being detected on the semiconductor component, the temperature of the semiconductor component being detected from this detected voltage drop is determined over time as a warm-up curve and the thermal impedance of the semiconductor component is determined as a quotient of the specific temperature and the specific power loss.

Offenbarung der ErfindungDisclosure of the invention

Die Erfindung stellt ein Verfahren zum Modellieren eines Leistungshalbleitermodules, eine entsprechende Vorrichtung, ein entsprechendes Computerprogramm sowie ein entsprechendes maschinenlesbares Speichermedium gemäß den unabhängigen Ansprüchen bereit.The invention provides a method for modeling a power semiconductor module, a corresponding device, a corresponding computer program and a corresponding machine-readable storage medium according to the independent claims.

Der vorgeschlagene Ansatz verfolgt hierbei das Ziel, ausgehend von der transienten Temperaturkurve (Aufheiz- oder Abkühlkurve), der thermischen Impedanz oder einer davon abgeleiteten Kurve eines Leistungshalbleitermodules die einzelnen Parameter dessen thermischen Modells (zum Beispiel Foster- oder Cauer-Modell) zu bestimmen. Ein bekanntes Verfahren für transiente thermische Analysen ist die numerische Differentiation der Sprungantwort mit anschließender Entfaltung. Dieses Verfahren liefert ein sogenanntes Impedanz-Spektrum, aus welchem wiederum die Parameter des Foster-Modells berechnet werden können. Diese lassen sich schließlich mithilfe der Foster-Cauer-Transformation in Cauer-Parameter überführen und bei Bedarf als Strukturfunktion darstellen.The proposed approach pursues the goal of determining the individual parameters of its thermal model (e.g. Foster or Cauer model) on the basis of the transient temperature curve (heating or cooling curve), the thermal impedance or a curve of a power semiconductor module derived therefrom. A well-known method for transient thermal analyzes is the numerical differentiation of the step response with subsequent deconvolution. This method provides a so-called impedance spectrum, from which the parameters of the Foster model can be calculated. These can finally be converted into Cauer parameters using the Foster-Cauer transformation and, if necessary, represented as a structural function.

Die hier vertretene Lösung verfolgt hingegen den Ansatz, das Bestimmen von Modellparametern mittels neuronaler Netze auf das spezielle Einsatzgebiet der Bestimmung von thermischen Aufbauschichten in Leistungshalbleiteraufbauten zu übertragen.The solution represented here, on the other hand, pursues the approach of transferring the determination of model parameters using neural networks to the special field of application of determining thermal build-up layers in power semiconductor structures.

Ein Vorzug dieser Lösung liegt in der eröffneten Möglichkeit, mit Hilfe von neuronalen Netzen thermische Funktionen zu approximieren, um die Parameter einer zu Grunde liegenden Funktion zu bestimmen, insbesondere jener der thermischen Modelle von Leistungshalbleiteraufbauten. Hierbei wird eine stabile Erkennung von Strukturparametern erreicht, die gegenüber Einflüssen auf Grund des endlichen Messfensters und sonstigen Störungen robust ist. Zusätzlich ermöglicht der vorgeschlagene Ansatz sehr kurze Auswertezeiten und damit einen Einsatz in der Serienproduktion.One advantage of this solution is the possibility of approximating thermal functions with the help of neural networks in order to determine the parameters of an underlying function, in particular those of the thermal models of power semiconductor structures. A stable recognition of structural parameters is achieved here, which is robust against influences due to the finite measurement window and other disturbances. In addition, the proposed approach enables very short evaluation times and thus a use in series production.

Ein weiterer Vorteil der Erfindung ist die mit geringem Zeitaufwand zu erreichende hohe Prüftiefe. Außerdem handelt es sich um eine universelle Methode, die auch für zukünftige Prüffälle in anderen Einsatzbereichen Anwendung finden kann.Another advantage of the invention is the high test depth that can be achieved with little expenditure of time. In addition, it is a universal method that can also be used for future test cases in other areas of application.

Durch die in den abhängigen Ansprüchen aufgeführten Maßnahmen sind vorteilhafte Weiterbildungen und Verbesserungen des im unabhängigen Anspruch angegebenen Grundgedankens möglich. So kann vorgesehen sein, dass mittels eines Encoders numerische Merkmale der verfahrensgemäß gewonnenen Zeitreihe von Temperaturdaten bestimmt und zu einem Eingangsvektor des Netzes zusammengefasst werden. Der eingesetzte Encoder dient hierbei dazu, das gemessene Signal zu „entrauschen“ und dessen relevante Merkmale (features) zu extrahieren.The measures listed in the dependent claims enable advantageous developments and improvements of the basic idea specified in the independent claim. It can thus be provided that numerical features of the time series of temperature data obtained according to the method are determined by means of an encoder and are combined to form an input vector of the network. The encoder used here serves to "de-noise" the measured signal and to extract its relevant features.

FigurenlisteFigure list

Ausführungsbeispiele der Erfindung sind in den Zeichnungen dargestellt und in der nachfolgenden Beschreibung näher erläutert. Es zeigt:

  • 1 das Flussdiagramm eines Verfahrens gemäß einer ersten Ausführungsform.
  • 2 eine simulierte thermische Abkühlkurve mit und ohne Datenreduktion.
  • 3 die Abkühlkurve mit und ohne Datenreduktion in vergrößerter Darstellung.
  • 4 die Abkühlkurve mit und ohne Datenreduktion in einer stärkeren Vergrößerung.
  • 5 die erste Ausprägung eines neuronalen Netzes zur Bestimmung eines thermischen Cauer-Parameters.
  • 6 eine zweite Ausprägung des neuronalen Netzes zur Bestimmung des Cauer-Parameters.
Exemplary embodiments of the invention are shown in the drawings and explained in more detail in the description below. It shows:
  • 1 the flow chart of a method according to a first embodiment.
  • 2 a simulated thermal cooling curve with and without data reduction.
  • 3 the cooling curve with and without data reduction in an enlarged representation.
  • 4th the cooling curve with and without data reduction in a higher magnification.
  • 5 the first expression of a neural network for the determination of a thermal Cauer parameter.
  • 6th a second form of the neural network for determining the Cauer parameter.

Ausführungsformen der ErfindungEmbodiments of the invention

1 illustriert die grundlegenden Schritte eines Verfahrens (10) zum Modellieren eines Leistungshalbleitermodules. Der Eingangsvektor X für das neuronale Netz wird anhand der Systemantwort - zum Beispiel der Sprungantwort (11) - eines thermischen Aufbaus gewonnen. 1 illustrates the basic steps of a procedure ( 10 ) for modeling a power semiconductor module. The input vector X for the neural network is based on the system response - for example the step response ( 11 ) - a thermal build-up gained.

Der Vektor X wird sodann der Inputschicht des Netzes zugeführt. Das Netz verarbeitet die aufgenommenen Daten und liefert als Ergebnis die Parameter des Modells, z. B. jene des thermischen Aufbaus (Wärmewiderstände und Wärmekapazitäten der einzelnen Aufbauschichten). Mittels eines geeigneten neuronalen Netzes, das eine Encoder-Schicht beinhalten mag, werden auf diesem Wege die Modellparameter eines Cauer-Netzwerkes bestimmt.The vector X is then fed to the input layer of the network. The network processes the recorded data and supplies the parameters of the model as a result, e.g. B. those of the thermal structure (thermal resistances and heat capacities of the individual layers). The model parameters of a Cauer network are determined in this way by means of a suitable neural network, which may contain an encoder layer.

Zur Auswertung wird die normierte thermische Abkühlkurve eines Prüflings gemessen. Dazu wird das zu prüfende Bauteil thermisch aufgeheizt, bis der sogenannte quasistationäre Temperaturbereich erreicht ist. Anschließend wird sein Abkühlverhalten über das Zeitintervall [t0 ... tEnde] aufgezeichnet. Für das vorliegende Ausführungsbeispiel gelte der Zusammenhang tEnde = t0 + 3 s bei einem Abtastintervall von ts = 2 µs, woraus sich σ = 1,5 · 106 Abtastwerte (Samples) ergeben.The standardized thermal cooling curve of a test item is measured for evaluation. For this purpose, the component to be tested is thermally heated until the so-called quasi-stationary temperature range is reached. Then its cooling behavior is recorded over the time interval [t 0 ... t end ]. For the present exemplary embodiment, the relationship t end = t 0 + 3 s applies with a sampling interval of t s = 2 μs, from which σ = 1.5 · 10 6 samples result.

Da das abgetastete Signal einen Informationsüberschuss aufweist, werden die Samples einer gezielten Dezimation (downsampling) unterworfen, um den Umfang der Zeitreihe von 1500000 auf 1000 Datenpunkte zu reduzieren. Dabei werden die ersten 500 Samples vollumfänglich in den reduzierten Vektor ξ übernommen. Von den übrigen 1499500 Datenpunkten werden in zeitlich logarithmisch äquidistanten Schritten lediglich 500 weitere für den reduzierten Vektor ξ ausgewählt.Since the sampled signal has an excess of information, the samples are subjected to targeted decimation (downsampling) in order to reduce the size of the time series from 1,500,000 to 1,000 data points. The first 500 samples are completely transferred to the reduced vector ξ. Of the remaining 1499500 data points, only 500 more are selected for the reduced vector ξ in logarithmically equidistant steps.

Die 2 bis 4 zeigen eine beispielhaft in einem wiederkehrenden Intervall von 2 µs abgetastete Abkühlkurve (20) in ihrem ursprünglichen Verlauf (25) sowie die für den reduzierten Vektor ξ nach dem zuvor dargestellten Schema ausgewählten Datenpunkte (26), wobei die Hochachse (22) stets die Temperatur in °C bezeichnet.The 2 to 4th show an example of a cooling curve sampled at a recurring interval of 2 µs ( 20th ) in their original course ( 25th ) as well as the data points selected for the reduced vector ξ according to the scheme shown above ( 26th ), where the vertical axis ( 22nd ) always denotes the temperature in ° C.

Der reduzierte Eingangsvektor (ξ1, ..., ξ1000) wird anschließend einem aufgeschalteten (feedforward) Netz mit oder ohne vorherigem Encoder-Netzwerk zugeführt. Dabei ist vorzugsweise für jeden Parameter des Cauer-Netzwerkes eine Netzstruktur (31) vorgesehen. Die 5 und 6 zeigen schematisch eine Variante dieser Struktur (31) ohne bzw. mit Encoder (32).The reduced input vector (ξ 1 , ..., ξ 1000 ) is then fed to a connected (feedforward) network with or without a previous encoder network. A network structure is preferably used for each parameter of the Cauer network ( 31 ) intended. The 5 and 6th show schematically a variant of this structure ( 31 ) without or with encoder ( 32 ).

Die Daten für den Trainings- und Validierungsprozess werden mittels eines Modells, welches den thermischen Schichtaufbau eines Prüflings repräsentiert, generiert. Dabei werden die dem Modell zugrundeliegenden Parameter (R1, C1, R2, C2, ..., Rn, Cn) variiert, sodass ihr Wertebereich dem jeweiligen Anwendungsfall genügt. Jede so erzeugte Kurve eines enthaltenen Datensatzes ist einmalig. 7 zeigt eine derartige Simulation eines Cauer-Modells mit vier Materialschichten (41, 42, 43, 44).The data for the training and validation process are generated using a model that represents the thermal layer structure of a test object. The parameters on which the model is based (R 1 , C 1 , R 2 , C 2 , ..., R n , C n ) are varied so that their range of values is sufficient for the respective application. Each curve generated in this way of a data record contained is unique. 7th shows such a simulation of a Cauer model with four material layers ( 41 , 42 , 43 , 44 ).

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent literature cited

  • DE 102013218909 A1 [0006]DE 102013218909 A1 [0006]

Claims (11)

Verfahren (10) zum Modellieren eines Leistungshalbleitermodules, gekennzeichnet durch folgende Merkmale: - anhand einer Systemantwort des Leistungshalbleitermodules auf eine Änderung der Wärmeeinspeisung wird eine Zeitreihe von Temperaturdaten (25) gewonnen (11), - die Zeitreihe wird in einen Eingangsvektor für ein künstliches neuronales Netz (31) überführt und - mittels des Netzes (31) werden Parameter eines thermischen Modells des Leistungshalbleitermodules ermittelt (12).Method (10) for modeling a power semiconductor module, characterized by the following features: a time series of temperature data (25) is obtained (11) based on a system response of the power semiconductor module to a change in the heat input, - the time series is converted into an input vector for an artificial neural network (31) and - by means of the network (31) parameters of a thermal model of the power semiconductor module are determined (12). Verfahren (10) nach Anspruch 1, gekennzeichnet durch folgendes Merkmal: - die Änderung der Wärmeeinspeisung ist eine Verringerung der Wärmeeinspeisung in das Leistungshalbleitermodul.Method (10) according to Claim 1 , characterized by the following feature: - the change in the heat input is a reduction in the heat input into the power semiconductor module. Verfahren (10) nach Anspruch 1 oder 2, gekennzeichnet durch folgende Merkmale: - über ein erstes Zeitintervall (23) der Zeitreihe werden die Temperaturdaten (25) vollumfänglich weiterverarbeitet und - über ein zweites Zeitintervall (24) der Zeitreihe werden die Temperaturdaten (25) gemäß einem logarithmischen Zeitraster dezimiert.Method (10) according to Claim 1 or 2 , characterized by the following features: - over a first time interval (23) of the time series, the temperature data (25) are fully processed and - over a second time interval (24) of the time series, the temperature data (25) are decimated according to a logarithmic time grid. Verfahren (10) nach einem der Ansprüche 1 bis 3, gekennzeichnet durch folgende Merkmale: - mittels eines Encoders (32) werden numerische Merkmale der Zeitreihe bestimmt und - die Merkmale werden zu dem Eingangsvektor zusammengefasst.Method (10) according to one of the Claims 1 to 3 , characterized by the following features: - numerical features of the time series are determined by means of an encoder (32) and - the features are combined to form the input vector. Verfahren (10) nach einem der Ansprüche 1 bis 4, gekennzeichnet durch folgende Merkmale: - das Leistungshalbleitermodul wird vorab durch eine eindimensionale thermische Ersatzschaltung (40) modelliert und - das Netz (31) wird durch eine Simulation des Leistungshalbleitermodules anhand der Ersatzschaltung (40) trainiert.Method (10) according to one of the Claims 1 to 4th , characterized by the following features: - the power semiconductor module is modeled in advance by a one-dimensional thermal equivalent circuit (40) and - the network (31) is trained by a simulation of the power semiconductor module using the equivalent circuit (40). Verfahren (10) nach einem der Ansprüche 1 bis 5, gekennzeichnet durch folgendes Merkmal: - die Ersatzschaltung (40) ist eine Leitungs-Ersatzschaltung (40) des Leistungshalbleitermodules.Method (10) according to one of the Claims 1 to 5 , characterized by the following feature: - the equivalent circuit (40) is a line equivalent circuit (40) of the power semiconductor module. Verfahren (10) nach Anspruch 5 oder 6, gekennzeichnet durch folgende Merkmale: - das Leistungshalbleitermodul umfasst mehrere Materialschichten (41, 42, 43, 44), - die Materialschichten (41, 42, 43, 44) werden jeweils durch einen Wärmewiderstand und eine Wärmekapazität der Ersatzschaltung modelliert und - die ermittelten Parameter umfassen einen Widerstandswert des Wärmewiderstandes und einen Kapazitätswert der Wärmekapazität.Method (10) according to Claim 5 or 6th , characterized by the following features: - the power semiconductor module comprises several material layers (41, 42, 43, 44), - the material layers (41, 42, 43, 44) are each modeled by a thermal resistance and a thermal capacity of the equivalent circuit and - the determined parameters include a resistance value of thermal resistance and a capacitance value of heat capacity. Verfahren (10) nach einem der Ansprüche 1 bis 7, gekennzeichnet durch eines der folgenden Merkmale: - das thermische Modell ist ein Cauer-Modell oder - das thermische Modell ist ein Foster-Modell.Method (10) according to one of the Claims 1 to 7th , characterized by one of the following features: - the thermal model is a Cauer model or - the thermal model is a Foster model. Computerprogramm, welches eingerichtet ist, das Verfahren (10) nach einem der Ansprüche 1 bis 8 auszuführen.Computer program which is set up, the method (10) according to one of the Claims 1 to 8th execute. Maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 9 gespeichert ist.Machine-readable storage medium on which the computer program is based Claim 9 is stored. Vorrichtung (30), die eingerichtet ist, das Verfahren (10) nach einem der Ansprüche 1 bis 8 auszuführen.Device (30) which is set up, the method (10) according to one of the Claims 1 to 8th execute.
DE102019203631.7A 2019-03-18 2019-03-18 Method and device for modeling a power semiconductor module Pending DE102019203631A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102019203631.7A DE102019203631A1 (en) 2019-03-18 2019-03-18 Method and device for modeling a power semiconductor module

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102019203631.7A DE102019203631A1 (en) 2019-03-18 2019-03-18 Method and device for modeling a power semiconductor module

Publications (1)

Publication Number Publication Date
DE102019203631A1 true DE102019203631A1 (en) 2020-09-24

Family

ID=72334330

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019203631.7A Pending DE102019203631A1 (en) 2019-03-18 2019-03-18 Method and device for modeling a power semiconductor module

Country Status (1)

Country Link
DE (1) DE102019203631A1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112798888A (en) * 2020-12-30 2021-05-14 中南大学 Non-invasive fault diagnosis method for vehicle-mounted electrical system of unmanned train
DE102022200945A1 (en) 2022-01-28 2023-08-03 Robert Bosch Gesellschaft mit beschränkter Haftung Method and apparatus for planning and executing a thermal paste application process using machine learning techniques

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112798888A (en) * 2020-12-30 2021-05-14 中南大学 Non-invasive fault diagnosis method for vehicle-mounted electrical system of unmanned train
CN112798888B (en) * 2020-12-30 2021-12-17 中南大学 Non-invasive fault diagnosis method for vehicle-mounted electrical system of unmanned train
DE102022200945A1 (en) 2022-01-28 2023-08-03 Robert Bosch Gesellschaft mit beschränkter Haftung Method and apparatus for planning and executing a thermal paste application process using machine learning techniques

Similar Documents

Publication Publication Date Title
DE3304283A1 (en) TEST SYSTEM
EP2856191B1 (en) Method and device for testing electric energy storage systems for vehicle propulsion
DE102013005939A1 (en) Measuring resistor and corresponding measuring method
DE102019203631A1 (en) Method and device for modeling a power semiconductor module
EP3102921B1 (en) Method for functionally testing a measuring device
DE3619558A1 (en) METHOD AND DEVICE FOR MEASURING CAPACITY
DE102015202029A1 (en) Calibration method and device for a pressure sensor
DE102019214984A1 (en) Inertial sensor and computer-implemented method for self-calibration of an inertial sensor
EP3640652B1 (en) Battery sensor and method for operating same
DE102016202501B4 (en) Method for determining a calibration current pulse
DE102022128126B3 (en) Method for accelerating insulation resistance measurement in an ungrounded power system
EP0978052B1 (en) Computer-aided selection of training data for neural networks
EP3794361B1 (en) State analysis of an inductive operating resource
WO2023006296A1 (en) Method and apparatus for determining a hotspot temperature in a component of an electric motor for an electrical drive system
DE102021101693B3 (en) Method for measuring pulse error detection and method for determining a system leakage capacitance for use in a method for insulation monitoring in an unearthed power supply system
WO2022069233A1 (en) Method for testing a sensor, and electronic circuit
DE102020116609A1 (en) Method for analyzing an on-board electrical system of an at least partially electrically operated motor vehicle by means of an electronic computing device and electronic computing device
DE102019132768A1 (en) Calibration device for calibrating an electrical equivalent circuit
EP1879005A1 (en) Method for testing a temperature sensor with at least two temperature-sensitive resistances
WO2013120650A1 (en) Method for determining a current, battery management unit, battery and motor vehicle
DE102017131411A1 (en) Method for processing the temperature data of an electric vehicle and associated device
DE102020211931A1 (en) Determination of a transfer function of a technical system
DE102020213441B4 (en) Method of testing an electronic circuit
DE102021207106A1 (en) Device and method for monitoring an electrical storage device
WO2023041247A1 (en) Method for the modal analysis and optimization of resonance properties in an electromechanical product

Legal Events

Date Code Title Description
R079 Amendment of ipc main class

Free format text: PREVIOUS MAIN CLASS: G06F0017500000

Ipc: G06F0030000000

R084 Declaration of willingness to licence