【技術實現步驟摘要】
本專利技術屬于igbt應用，涉及一種基于神經網絡的igbt模塊快速在線結溫的估算方法。
技術介紹
1、目前，igbt結溫預測主要有四種方法：接觸式傳感器法、紅外熱成像法、熱阻抗模型法和熱敏感電參數法。接觸式傳感器法需要使用溫度傳感器對igbt模塊內部芯片監測點直接接觸測量；紅外成像法是非接觸式光學測量法，使用紅外設備對特殊處理過的igbt模塊內部監測點測量；熱阻抗模型法是根據igbt模塊多層材料結構等效散熱形式將熱力學模型轉為電路模型進行結溫估算；熱敏感電參數法是依據器件結溫與外部電氣參數對應的關系反推器件結溫。但有時候作為igbt模塊廠家，更想通過離線系統就可以計算出igbt相關產品的結溫。
2、為此，設計一種基于神經網絡的igbt模塊快速在線結溫的估算方法，從而克服上述問題。
技術實現思路
1、本專利技術的目的在于克服現有技術存在的不足，而提供一種基于神經網絡的igbt模塊快速在線結溫的估算方法，適用于igbt模塊廠家離線預測評估igbt結溫或者其他需要預測igbt結溫的用戶。
2、本專利技術是通過如下的技術方案予以實現的：一種基于神經網絡的igbt模塊快速在線結溫的估算方法，所述方法包括如下步驟：
3、步驟1)通過自動化雙脈沖測試機平臺獲得某個igbt較多數量igbt模塊開通關斷損耗數據樣本，建立基于改進粒子群算法優化bp神經網絡的損耗預測模型，并使用改進粒子群算法優化該模型的初始權值和閾值，再將igbt模塊開通關斷損耗數據樣本輸入到模型中
4、步驟2)基于foster網絡模型的瞬態熱阻曲線，通過熱阻測試機臺獲得同一種igbt模塊產品一定數量樣品的瞬態熱阻曲線，將其等效成一維時間序列，采用一維卷積層構建igbt模塊熱阻的映射模型，為了熱阻抗特征信息的有效提取，建立兩層卷積和兩層全連接層的cnn神經網絡熱阻預測模型，實現igbt模塊熱阻的預測；
5、步驟3)結合損耗預測模型得到的損耗數據，熱阻預測模型得到的熱阻數據，對應不同調制方式下的結溫計算公式，構建igbt結溫預測離線系統，進行相應igbt產品的結溫預測。
6、作為優選：所述步驟1)中的改進粒子群算法優化具體為：
7、將igbt模塊開關損耗bp神經網絡模型的權值和閾值初始化成一群隨機粒子，傳至網絡進行學習訓練，訓練完成后，使用測試樣本測試網絡，根據測試誤差計算例子的適應度值，然后根據適應度值確定個體極值和全局極值，從而更新粒子的速度和位置，不滿足終止條件時，則重復上述過程，直到找到最佳初始權值和閾值。
8、作為優選：所述步驟1)中建立基于改進粒子群算法優化bp神經網絡的損耗預測模型具體為：神經網絡必須包含一個輸入層和一個輸出層，需要根據igbt模塊開關損耗的復雜度分析確定隱含層層數，igbt模塊開關損耗主要影響因素有5個，因此輸入層有5個節點；輸出層對應輸出模塊的開通和關斷損耗，因此輸出層有2個節點；隱含層的最優節點數需要考慮網絡訓練后的效果、訓練時間長度、模型泛化能；隱含層的激活傳遞函數選取對數s型函數；輸出層的激活傳遞函數選擇線性函數。學習速率決定了每次循環訓練中的權值變化量，學習速率的大小需要保證網絡的誤差不跳出誤差表面低谷且能趨于最小誤差。
9、作為優選：所述bp神經網絡的損耗預測模型如圖2，其中射電壓、集電極電流、驅動電壓、驅動電阻、結溫為輸入信號，ωik為神經元k的權值，bj為閾值，開通損耗和關斷損耗為輸出，初始權值ωik和閾值bj通過粒子群算法優化。
10、作為優選：所述步驟2)中的cnn神經網絡熱阻預測模型由卷積層、池化層和全連接層組成，通過卷積層逐步提取局部特征，池化層獲取全局高級特征，全連接層拼接特征和輸出數據，由于考慮到熱阻曲線的輸出特征信息量較少，故使用兩層卷積和兩層全連接層的cnn神經網絡熱阻預測模型。
11、作為優選：所述cnn神經網絡熱阻預測模型通過卷積核進行卷積運算實現特征的提取，對于熱阻抗曲線信息的抽象，卷積節點的輸出可以表示為：
12、
13、上式中，和分別表示第n個和上一層卷積層的特征圖，ki，j表示第i個特征圖和第j個特征圖之間使用的卷積核，表示神經元的偏置，f(·)表示激活函數，卷積處理后，cnn通過池化層抽象出更高級的特征，并縮小向量維度，池化層輸出表示：
14、
15、式子中，down(·)表示池化層的池化方法，一般用最大值池化，表示乘積的權值；
16、最后，經過多個卷積層和池化層提取出的特征結構輸入到全連接層，由全連接層神經網絡對特征進行學習總結，并最終輸出預測值，全連接層可以表示為：
17、y＝f(wtx+b)
18、式中，x和y分別是全連接層神經元的輸入和輸出，w和b分別為全連接層神經元的權值和偏置。
19、作為優選：所述步驟3)中提到的不同調制方式，主要為spwm、spvwm調制方式。
20、本專利技術的有益效果如下：
21、本專利技術所設計的基于神經網絡的igbt模塊快速在線結溫的估算方法，目的是為了建立一種igbt結溫預測的離線系統，適用于igbt模塊廠家離線預測評估igbt結溫或者其他需要預測igbt結溫的用戶，能很好地解決因為igbt模塊樣本量的單一性所導致的結溫預測的不準確問題。
本文檔來自技高網...【技術保護點】
1.一種基于神經網絡的IGBT模塊快速在線結溫的估算方法，其特征在于：所述方法包括如下步驟：
2.根據權利要求1所述的基于神經網絡的IGBT模塊快速在線結溫的估算方法，其特征在于：所述步驟1)中的改進粒子群算法優化具體為：
3.根據權利要求1所述的基于神經網絡的IGBT模塊快速在線結溫的估算方法，其特征在于：所述步驟1)中建立基于改進粒子群算法優化BP神經網絡的損耗預測模型具體為：神經網絡必須包含一個輸入層和一個輸出層，需要根據IGBT模塊開關損耗的復雜度分析確定隱含層層數，IGBT模塊開關損耗主要影響因素有5個，因此輸入層有5個節點；輸出層對應輸出模塊的開通和關斷損耗，因此輸出層有2個節點；隱含層的最優節點數需要考慮網絡訓練后的效果、訓練時間長度、模型泛化能；隱含層的激活傳遞函數選取對數S型函數；輸出層的激活傳遞函數選擇線性函數。學習速率決定了每次循環訓練中的權值變化量，學習速率的大小需要保證網絡的誤差不跳出誤差表面低谷且能趨于最小誤差。
4.根據權利要求1或3所述的基于神經網絡的IGBT模塊快速在線結溫的估算方法，其特征在于：所述BP神經網
5.根據權利要求1所述的基于神經網絡的IGBT模塊快速在線結溫的估算方法，其特征在于：所述步驟2)中的CNN神經網絡熱阻預測模型由卷積層、池化層和全連接層組成，通過卷積層逐步提取局部特征，池化層獲取全局高級特征，全連接層拼接特征和輸出數據，由于考慮到熱阻曲線的輸出特征信息量較少，故使用兩層卷積和兩層全連接層的CNN神經網絡熱阻預測模型。
6.根據權利要求1或5所述的基于神經網絡的IGBT模塊快速在線結溫的估算方法，其特征在于：所述CNN神經網絡熱阻預測模型通過卷積核進行卷積運算實現特征的提取，對于熱阻抗曲線信息的抽象，卷積節點的輸出可以表示為：
7.根據權利要求1所述的基于神經網絡的IGBT模塊快速在線結溫的估算方法，其特征在于：所述步驟3)中提到的不同調制方式，主要為SPWM、SPVWM調制方式。
...【技術特征摘要】
1.一種基于神經網絡的igbt模塊快速在線結溫的估算方法，其特征在于：所述方法包括如下步驟：
2.根據權利要求1所述的基于神經網絡的igbt模塊快速在線結溫的估算方法，其特征在于：所述步驟1)中的改進粒子群算法優化具體為：
3.根據權利要求1所述的基于神經網絡的igbt模塊快速在線結溫的估算方法，其特征在于：所述步驟1)中建立基于改進粒子群算法優化bp神經網絡的損耗預測模型具體為：神經網絡必須包含一個輸入層和一個輸出層，需要根據igbt模塊開關損耗的復雜度分析確定隱含層層數，igbt模塊開關損耗主要影響因素有5個，因此輸入層有5個節點；輸出層對應輸出模塊的開通和關斷損耗，因此輸出層有2個節點；隱含層的最優節點數需要考慮網絡訓練后的效果、訓練時間長度、模型泛化能；隱含層的激活傳遞函數選取對數s型函數；輸出層的激活傳遞函數選擇線性函數。學習速率決定了每次循環訓練中的權值變化量，學習速率的大小需要保證網絡的誤差不跳出誤差表面低谷且能趨于最小誤差。
4.根據權利要求1或3所述的基于神經網絡的igbt模塊快速在線結溫的估算方法...
【專利技術屬性】
技術研發人員：陳蕾蕾，俞張平，周佳杰，
申請(專利權)人：浙江谷藍電子科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。