基于神經(jīng)網(wǎng)絡(luò)的功率模塊開關(guān)損耗預(yù)測

摘 要： 功率半導(dǎo)體器件的開關(guān)損耗的準(zhǔn)確預(yù)測和評估對研究系統(tǒng)設(shè)計、選擇合適的散熱系統(tǒng)和提高系統(tǒng)的可靠性都是很重要的。采用功率半導(dǎo)體器件的開關(guān)動態(tài)測試系統(tǒng)，可以自動調(diào)整直流母線電壓、集電極電流、門極驅(qū)動電壓和開關(guān)頻率，記錄開關(guān)動態(tài)電壓、電流波形，計算獲得大量的損耗數(shù)據(jù)。通過建立人工神經(jīng)網(wǎng)絡(luò)模型對開關(guān)損耗預(yù)測，并改變模型參數(shù)進(jìn)行分析與研究，獲取最佳模型。

關(guān)鍵詞： 功率模塊； 開關(guān)損耗； 神經(jīng)網(wǎng)絡(luò)； 損耗預(yù)測

中圖分類號： TN926?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2016）20?0101?03

Abstract： The accurate prediction and evaluation for switching loss of power semiconductor devices are very important to study the system design， select the suitable cooling system， and improve the system reliability. The switch dynamic testing system of power semiconductor devices can automatically adjust the DC bus voltage， collector current， gate driving voltage and switching frequency， record the switch dynamic voltage and current waveforms， and obtain the massive loss data by calculation. The neural network model was established to predict the switching loss， and change the model parameters for analysis and study， so as to obtain the best model.

Keywords： power module； switching loss； neural network； loss prediction

0 引 言

功率半導(dǎo)體器件開關(guān)過程持續(xù)時間極短，且影響因子較多，因此開關(guān)損耗預(yù)測和評估比較難[1]。功率半導(dǎo)體器件的損耗主要取決于器件的類型和器件的操作條件，器件的損耗可能會產(chǎn)生大量的熱，引起過大的溫升，對其可靠性影響很大，這些直接決定了系統(tǒng)所需的散熱系統(tǒng)和過熱保護(hù)系統(tǒng)的等級。因此，功率模塊IGBT的損耗問題一直是各國學(xué)者研究的熱點，其中如何準(zhǔn)確估算IGBT模塊的開關(guān)損耗是研究的重點內(nèi)容之一。

目前，功率模塊IGBT開關(guān)損耗的計算方法主要有兩種，即基于物理方法的損耗計算法和基于數(shù)學(xué)方法的損耗計算法[2]?；谖锢矸椒ㄓ嬎汩_關(guān)損耗計算方法需要建立IGBT的等效物理模型，參數(shù)提取也比較復(fù)雜，但目前許多仿真軟件已經(jīng)建立了一些器件的物理模型，大大方便了人們的應(yīng)用[3?4]。基于數(shù)學(xué)方法的開關(guān)損耗計算方法大都是以數(shù)據(jù)手冊和實驗數(shù)據(jù)為基礎(chǔ)，回避器件的復(fù)雜的物理結(jié)構(gòu)分析，由于廠商提供器件資料的測試環(huán)境的確定性導(dǎo)致基于數(shù)據(jù)手冊的開關(guān)損耗計算方法無法獲得工況下器件的精確開關(guān)損耗值，但計算方法簡單易懂，具有通用性[5?6]。基于數(shù)學(xué)模型和波形擬合的開關(guān)損耗計算方法都以實測的開關(guān)波形和開關(guān)損耗值為基礎(chǔ)，準(zhǔn)備工作復(fù)雜，但模型建立后獲取開關(guān)損耗值比較簡單、計算速度快，精度較高[3，7]。目前，基于人工智能模型的開關(guān)損耗計算比較少見，并且沒有對模型參數(shù)調(diào)整以達(dá)到最優(yōu)化。

基于以上分析，本文采用功率模塊動態(tài)測試系統(tǒng)測試開關(guān)動態(tài)電流、電壓波形，該系統(tǒng)可以調(diào)節(jié)的參數(shù)包括直流母線電壓、集電極電流、門極驅(qū)動電壓和開關(guān)頻率，處理波形獲取開關(guān)損耗，基于大量測試數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)模型對開關(guān)損耗預(yù)測，并改變模型的主要參數(shù)進(jìn)行分析和研究，獲取最佳模型。

1 開關(guān)損耗定義

功率模塊IGBT的開關(guān)瞬態(tài)電壓、電流波形及開關(guān)損耗如圖1所示。

本試驗采用某典型的1 200 V/75 A的功率模塊IGBT進(jìn)行試驗，采用疊層母排，有效地減少母線雜散電感；選取電感L為1 mH；門極觸發(fā)的雙脈沖信號為由DSP編程產(chǎn)生，它也控制著電壓、電流、門極驅(qū)動電壓、和開關(guān)頻率的自動調(diào)節(jié)。通過示波器記錄不同工作條件下的功率模塊IGBT的開通、關(guān)斷波形，并保存在計算機(jī)中等待后續(xù)處理。

在人機(jī)界面上分別設(shè)置測試條件如表1所示，共240個測試點，得到功率模塊IGBT動態(tài)開關(guān)電壓、電流波形并保存，為開關(guān)損耗建模提供數(shù)據(jù)基礎(chǔ)。

3 測試結(jié)果及損耗計算

如圖3所示為Vcc=600 V，Ic=75 A，Vge=15 V，f=20 kHz時的開關(guān)動態(tài)的測試波形，包括開通、關(guān)斷過程中的電壓波形和電流波形。采用開關(guān)損耗定義可以處理波形數(shù)據(jù)計算開關(guān)損耗，作為神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)。

4 人工神經(jīng)網(wǎng)絡(luò)模型的建立

有些傳統(tǒng)的模型來自于其物理機(jī)理的定義，但是人工神經(jīng)網(wǎng)絡(luò)模型（ANN）在其他模型很難使用甚至無法使用的地方仍能較好的應(yīng)用。其中，它比較重要的能力就是函數(shù)映射，通常使用在輸入和輸出之間關(guān)系非常復(fù)雜的、未知并且非線性的情況下。ANN建模的對象可以看作一個黑盒子，測量輸入和輸出數(shù)據(jù)是用來調(diào)整模型網(wǎng)絡(luò)，使其更符合真實系統(tǒng)的外部特征，這就是訓(xùn)練和學(xué)習(xí)的過程。在功率模塊IGBT的開關(guān)損耗模型中，ANN模型所需的數(shù)據(jù)比傳統(tǒng)的模型要少，精度更高。

誤差反傳網(wǎng)絡(luò)（BP網(wǎng)絡(luò)），是帶有隱層的前饋型神經(jīng)網(wǎng)絡(luò)的代表模型，其具有結(jié)構(gòu)簡單、算法完整和清晰的特點，因此在預(yù)測算法中，應(yīng)用最多的就是這種網(wǎng)絡(luò)。

雖然BP神經(jīng)網(wǎng)絡(luò)模型可以當(dāng)作一個黑箱，但其還是有基本的結(jié)構(gòu)如圖4所示。BP神經(jīng)網(wǎng)絡(luò)模型是具有復(fù)雜結(jié)構(gòu)和函數(shù)表達(dá)的特殊數(shù)學(xué)模型。

為了提高模型的精度，測試獲得的240個樣本點全部用于初始模型的建立（模型的規(guī)?？梢造`活變動）。首先要對所選的數(shù)據(jù)進(jìn)行歸一化處理，避免發(fā)生過飽和，隨機(jī)選取其中200個樣本作為訓(xùn)練樣本，40個作為預(yù)測樣本，運用神經(jīng)網(wǎng)絡(luò)模型對樣本進(jìn)行學(xué)習(xí)和訓(xùn)練。

從數(shù)據(jù)手冊中可以看出，使用神經(jīng)網(wǎng)絡(luò)模型時，關(guān)鍵參數(shù)是其隱層數(shù)、隱層的節(jié)點數(shù)。根據(jù)經(jīng)驗，多個隱層與一個隱層上的多個節(jié)點可相互代替，因此，一個三層的前饋網(wǎng)絡(luò)就滿足建模要求。本文建立的模型是一個三層神經(jīng)網(wǎng)絡(luò)，輸入層有4個節(jié)點（電壓Vcc、電流Ic、門極電壓Vge和開關(guān)頻率f），輸出層有一個節(jié)點（開通損耗或者關(guān)斷損耗），設(shè)置一個隱層，隱層的節(jié)點數(shù)待定。如表2所示為關(guān)斷損耗模型的隱層節(jié)點數(shù)對模型誤差的影響。

從表2中可以看出隱層的節(jié)點數(shù)并不是越多越好，剛開始隨著隱層節(jié)點數(shù)的增大，預(yù)測誤差在減少，但當(dāng)隱層節(jié)點數(shù)過多時，誤差反而增大。由表2可見，該模型隱層節(jié)的點數(shù)選擇為20，在實際操作比較合適時，一般采用試錯法確定隱層的節(jié)點數(shù)，通過經(jīng)驗方程得到最初的節(jié)點數(shù)，然后增加或者減少節(jié)點數(shù)來觀察模型的性能。

經(jīng)過試錯，在建立神經(jīng)網(wǎng)絡(luò)關(guān)斷損耗模型時，選取神經(jīng)網(wǎng)絡(luò)采用最大步長為100進(jìn)行訓(xùn)練，期望誤差為0.000 4，隱層的節(jié)點數(shù)為20，獲得經(jīng)過BP神經(jīng)網(wǎng)絡(luò)建模的預(yù)測集的預(yù)測值與實測值對比圖如圖5（a）所示。在建立神經(jīng)網(wǎng)絡(luò)開通損耗模型時，選取神經(jīng)網(wǎng)絡(luò)采用最大步長為100進(jìn)行訓(xùn)練，期望誤差為0.000 4，隱層的節(jié)點數(shù)為15，獲得經(jīng)過BP神經(jīng)網(wǎng)絡(luò)建模的預(yù)測集的預(yù)測值與實測值對比圖如圖5（b）所示。

通過對神經(jīng)網(wǎng)絡(luò)模型中各參數(shù)的調(diào)節(jié)，采用BP神經(jīng)網(wǎng)絡(luò)建立的功率模塊關(guān)斷損耗模型的預(yù)測誤差為3.20%，開通損耗模型的預(yù)測誤差為5.13%。從圖5可以看出基于神經(jīng)網(wǎng)絡(luò)的功率模塊IGBT開關(guān)損耗預(yù)測的精度高、適用性好。在建立功率模塊電熱耦合模型時提供更精確的損耗數(shù)據(jù)，避免模塊溫度過高，及時進(jìn)行散熱處理，從而避免模塊由此造成的裝置損壞。

5 結(jié) 語

本文研究了功率模塊IGBT的動態(tài)特性測試系統(tǒng)，該系統(tǒng)可以調(diào)節(jié)的參數(shù)包括電壓、電流、門極驅(qū)動電壓和開關(guān)頻率。記錄不同工作條件下的動態(tài)電壓、電流波形，經(jīng)過處理獲取開關(guān)損耗值，為開關(guān)損耗建模提供數(shù)據(jù)基礎(chǔ)。采用BP神經(jīng)網(wǎng)絡(luò)模型對功率模塊開關(guān)損耗數(shù)據(jù)進(jìn)行建模，改變模型參數(shù)，找到最佳模型，精度較好，其有助于開關(guān)損耗的精確預(yù)測，對研究系統(tǒng)設(shè)計、選擇合適的散熱系統(tǒng)和提高系統(tǒng)的可靠性都很重要。

參考文獻(xiàn)

[1] 魯昌華，姚成忠，石洪源.基于虛擬儀器的IGBT自動測試系統(tǒng)[J].電子技術(shù)應(yīng)用，2008（4）：88?90.

[2] 熊妍，沈燕群，江劍，等.IGBT損耗計算和損耗模型研究[J].電源技術(shù)應(yīng)用，2006（5）：55?60.

[3] SHEN Y， XIONG Y， JIANG J， et al. Switching loss analysis and modeling of power semiconductor devices base on an automatic measurement system [C]// Proceedings of 2006 IEEE International Symposium on Industrial Electronics. [S.l.]： IEEE， 2006： 853?858.

[4] 張薇琳，張波，丘東元.電力電子開關(guān)器件仿真模型分析和比較[J].電氣應(yīng)用，2007（9）：64?67.

[5] BIERHOFF M H， FUCHS F W. Semiconductor losses in voltage source and current source IGBT converters based on analytical derivation [C]// Proceedings of 35th Annual IEEE Power Electronics Specialists Conference. Aachen： IEEE， 2004： 2836?2842.

[6] Infineon. Calculation of major IGBT operating parameters [R]. Germany： Infineon， 1999.

[7] 鄒高域，趙爭鳴，袁立強(qiáng)，等.雙PWM變頻器中的IGBT模塊損耗[J].清華大學(xué)學(xué)報（自然科學(xué)版），2013（7）：1011?1018.