【技术实现步骤摘要】
本专利技术属于igbt应用，涉及一种基于神经网络的igbt模块快速在线结温的估算方法。
技术介绍
1、目前，igbt结温预测主要有四种方法：接触式传感器法、红外热成像法、热阻抗模型法和热敏感电参数法。接触式传感器法需要使用温度传感器对igbt模块内部芯片监测点直接接触测量；红外成像法是非接触式光学测量法，使用红外设备对特殊处理过的igbt模块内部监测点测量；热阻抗模型法是根据igbt模块多层材料结构等效散热形式将热力学模型转为电路模型进行结温估算；热敏感电参数法是依据器件结温与外部电气参数对应的关系反推器件结温。但有时候作为igbt模块厂家，更想通过离线系统就可以计算出igbt相关产品的结温。
2、为此，设计一种基于神经网络的igbt模块快速在线结温的估算方法，从而克服上述问题。
技术实现思路
1、本专利技术的目的在于克服现有技术存在的不足，而提供一种基于神经网络的igbt模块快速在线结温的估算方法，适用于igbt模块厂家离线预测评估igbt结温或者其他需要预测igbt结温的用户。
2、本专利技术是通过如下的技术方案予以实现的：一种基于神经网络的igbt模块快速在线结温的估算方法，所述方法包括如下步骤：
3、步骤1)通过自动化双脉冲测试机平台获得某个igbt较多数量igbt模块开通关断损耗数据样本，建立基于改进粒子群算法优化bp神经网络的损耗预测模型，并使用改进粒子群算法优化该模型的初始权值和阈值，再将igbt模块开通关断损耗数据样本输入到模型中
4、步骤2)基于foster网络模型的瞬态热阻曲线，通过热阻测试机台获得同一种igbt模块产品一定数量样品的瞬态热阻曲线，将其等效成一维时间序列，采用一维卷积层构建igbt模块热阻的映射模型，为了热阻抗特征信息的有效提取，建立两层卷积和两层全连接层的cnn神经网络热阻预测模型，实现igbt模块热阻的预测；
5、步骤3)结合损耗预测模型得到的损耗数据，热阻预测模型得到的热阻数据，对应不同调制方式下的结温计算公式，构建igbt结温预测离线系统，进行相应igbt产品的结温预测。
6、作为优选：所述步骤1)中的改进粒子群算法优化具体为：
7、将igbt模块开关损耗bp神经网络模型的权值和阈值初始化成一群随机粒子，传至网络进行学习训练，训练完成后，使用测试样本测试网络，根据测试误差计算例子的适应度值，然后根据适应度值确定个体极值和全局极值，从而更新粒子的速度和位置，不满足终止条件时，则重复上述过程，直到找到最佳初始权值和阈值。
8、作为优选：所述步骤1)中建立基于改进粒子群算法优化bp神经网络的损耗预测模型具体为：神经网络必须包含一个输入层和一个输出层，需要根据igbt模块开关损耗的复杂度分析确定隐含层层数，igbt模块开关损耗主要影响因素有5个，因此输入层有5个节点；输出层对应输出模块的开通和关断损耗，因此输出层有2个节点；隐含层的最优节点数需要考虑网络训练后的效果、训练时间长度、模型泛化能；隐含层的激活传递函数选取对数s型函数；输出层的激活传递函数选择线性函数。学习速率决定了每次循环训练中的权值变化量，学习速率的大小需要保证网络的误差不跳出误差表面低谷且能趋于最小误差。
9、作为优选：所述bp神经网络的损耗预测模型如图2，其中射电压、集电极电流、驱动电压、驱动电阻、结温为输入信号，ωik为神经元k的权值，bj为阈值，开通损耗和关断损耗为输出，初始权值ωik和阈值bj通过粒子群算法优化。
10、作为优选：所述步骤2)中的cnn神经网络热阻预测模型由卷积层、池化层和全连接层组成，通过卷积层逐步提取局部特征，池化层获取全局高级特征，全连接层拼接特征和输出数据，由于考虑到热阻曲线的输出特征信息量较少，故使用两层卷积和两层全连接层的cnn神经网络热阻预测模型。
11、作为优选：所述cnn神经网络热阻预测模型通过卷积核进行卷积运算实现特征的提取，对于热阻抗曲线信息的抽象，卷积节点的输出可以表示为：
12、
13、上式中，和分别表示第n个和上一层卷积层的特征图，ki，j表示第i个特征图和第j个特征图之间使用的卷积核，表示神经元的偏置，f(·)表示激活函数，卷积处理后，cnn通过池化层抽象出更高级的特征，并缩小向量维度，池化层输出表示：
14、
15、式子中，down(·)表示池化层的池化方法，一般用最大值池化，表示乘积的权值；
16、最后，经过多个卷积层和池化层提取出的特征结构输入到全连接层，由全连接层神经网络对特征进行学习总结，并最终输出预测值，全连接层可以表示为：
17、y＝f(wtx+b)
18、式中，x和y分别是全连接层神经元的输入和输出，w和b分别为全连接层神经元的权值和偏置。
19、作为优选：所述步骤3)中提到的不同调制方式，主要为spwm、spvwm调制方式。
20、本专利技术的有益效果如下：
21、本专利技术所设计的基于神经网络的igbt模块快速在线结温的估算方法，目的是为了建立一种igbt结温预测的离线系统，适用于igbt模块厂家离线预测评估igbt结温或者其他需要预测igbt结温的用户，能很好地解决因为igbt模块样本量的单一性所导致的结温预测的不准确问题。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的IGBT模块快速在线结温的估算方法，其特征在于：所述方法包括如下步骤：
2.根据权利要求1所述的基于神经网络的IGBT模块快速在线结温的估算方法，其特征在于：所述步骤1)中的改进粒子群算法优化具体为：
3.根据权利要求1所述的基于神经网络的IGBT模块快速在线结温的估算方法，其特征在于：所述步骤1)中建立基于改进粒子群算法优化BP神经网络的损耗预测模型具体为：神经网络必须包含一个输入层和一个输出层，需要根据IGBT模块开关损耗的复杂度分析确定隐含层层数，IGBT模块开关损耗主要影响因素有5个，因此输入层有5个节点；输出层对应输出模块的开通和关断损耗，因此输出层有2个节点；隐含层的最优节点数需要考虑网络训练后的效果、训练时间长度、模型泛化能；隐含层的激活传递函数选取对数S型函数；输出层的激活传递函数选择线性函数。学习速率决定了每次循环训练中的权值变化量，学习速率的大小需要保证网络的误差不跳出误差表面低谷且能趋于最小误差。
4.根据权利要求1或3所述的基于神经网络的IGBT模块快速在线结温的估算方法，其特征在于：所述BP神经网
5.根据权利要求1所述的基于神经网络的IGBT模块快速在线结温的估算方法，其特征在于：所述步骤2)中的CNN神经网络热阻预测模型由卷积层、池化层和全连接层组成，通过卷积层逐步提取局部特征，池化层获取全局高级特征，全连接层拼接特征和输出数据，由于考虑到热阻曲线的输出特征信息量较少，故使用两层卷积和两层全连接层的CNN神经网络热阻预测模型。
6.根据权利要求1或5所述的基于神经网络的IGBT模块快速在线结温的估算方法，其特征在于：所述CNN神经网络热阻预测模型通过卷积核进行卷积运算实现特征的提取，对于热阻抗曲线信息的抽象，卷积节点的输出可以表示为：
7.根据权利要求1所述的基于神经网络的IGBT模块快速在线结温的估算方法，其特征在于：所述步骤3)中提到的不同调制方式，主要为SPWM、SPVWM调制方式。
...【技术特征摘要】
1.一种基于神经网络的igbt模块快速在线结温的估算方法，其特征在于：所述方法包括如下步骤：
2.根据权利要求1所述的基于神经网络的igbt模块快速在线结温的估算方法，其特征在于：所述步骤1)中的改进粒子群算法优化具体为：
3.根据权利要求1所述的基于神经网络的igbt模块快速在线结温的估算方法，其特征在于：所述步骤1)中建立基于改进粒子群算法优化bp神经网络的损耗预测模型具体为：神经网络必须包含一个输入层和一个输出层，需要根据igbt模块开关损耗的复杂度分析确定隐含层层数，igbt模块开关损耗主要影响因素有5个，因此输入层有5个节点；输出层对应输出模块的开通和关断损耗，因此输出层有2个节点；隐含层的最优节点数需要考虑网络训练后的效果、训练时间长度、模型泛化能；隐含层的激活传递函数选取对数s型函数；输出层的激活传递函数选择线性函数。学习速率决定了每次循环训练中的权值变化量，学习速率的大小需要保证网络的误差不跳出误差表面低谷且能趋于最小误差。
4.根据权利要求1或3所述的基于神经网络的igbt模块快速在线结温的估算方法...
【专利技术属性】
技术研发人员：陈蕾蕾，俞张平，周佳杰，
申请(专利权)人：浙江谷蓝电子科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。