《Electronics》:Advanced Machine Learning Approach for Fast Temperature Estimation in SiC-Based Power Electronics Converters
Kalle Bundgaard Troldborg,
Sigurd Illum Skov,
Arman Fathollahi and
J?rgen Houe Pedersen
编辑推荐:
准确且快速地估计碳化硅(SiC)功率模块的结温,对于不同应用中功率电子变换器的可靠运行、健康监测和预测控制至关重要。然而,在模块内部直接测量温度是困难的,而高保真热模型对于实时实现通常计算成本非常高。本文提出了一种数字孪生开发方法,通过结合有限元法(FEM)建
准确且快速地估计碳化硅(SiC)功率模块的结温,对于不同应用中功率电子变换器的可靠运行、健康监测和预测控制至关重要。然而,在模块内部直接测量温度是困难的,而高保真热模型对于实时实现通常计算成本非常高。本文提出了一种数字孪生开发方法,通过结合有限元法(FEM)建模和神经网络,在SiC MOSFET(金属氧化物半导体场效应晶体管)功率模块的所有三个维度上实现快速准确的温度估计。这项工作在可再生能源系统、储能系统、电动汽车(EV)等功率电子变换器的热监测和管理方面尤其具有相关性。该模型包含一个神经网络,该网络基于在COMSOL Multiphysics中构建的FEM模型生成的数据进行训练。所开发的数字孪生能够估计温度分布,包括Wolfspeed EAB450M12XM3模块的十个结温,平均估计时间为0.063秒,从而支持预测控制。为了提高实际适用性和模型与物理系统的同步性,讨论了基于负温度系数(NTC)的反馈技术(单NTC和双NTC方法)。研究人员从预测精度和与FEM生成的参考数据相关的计算性能方面对所提出的框架进行了研究。该方法通过调整关键数字和物理模块的参数来提高模型可靠性。基于FEM的建模与机器学习的结合,可以为功率电子模块中准确、实时的热监测奠定基础。
**论文解读:碳化硅功率模块快速三维温度估计的数字孪生方法**
**1. 研究背景与意义**
功率电子变换器是现代电气化系统的关键使能技术,广泛应用于电动汽车、可再生能源转换系统、通信网络及各类储能系统。在这些应用中,变换器需要在变化的电气负载和热负载条件下,实现高效率、高功率密度和高可靠性运行。碳化硅等宽带隙(WBG)材料器件相比传统硅(Si)器件,能显著提升能效和开关频率,但也带来了更高的功率密度和热管理挑战。功率模块内部多层结构(如SiC芯片、焊料层、直接覆铜(DCB)陶瓷基板、热界面材料(TIM))的温度变化会导致性能下降和加速老化。因此,快速准确地估计内部温度分布,尤其是结温,对于实时监测、健康评估和预测控制至关重要。然而,在商用功率模块内部直接测量结温在实践中非常困难,通常只能获得有限的传感点。高保真的有限元(FEM)热模型虽然准确,但计算成本高昂,难以满足实时应用的需求。数字孪生技术通过构建物理系统的数字表征并实现同步,为解决这一难题提供了框架。本研究旨在开发一种结合FEM建模与神经网络的数字孪生方法,以实现对SiC功率模块全三维温度场的快速、准确估计,为实时热监测和预测控制提供支持。该研究发表于《Electronics》期刊。
**2. 主要技术方法概述**
研究人员以Wolfspeed EAB450M12XM3 SiC MOSFET功率模块为研究对象。首先,在COMSOL Multiphysics? 6.1软件中建立了该模块的三维FEM热模型,该模型基于拉普拉斯方程计算稳态温度场,并考虑了模块的多层几何结构(SiC芯片、焊料、DCB、基板、TIM)和边界条件(芯片均匀发热、底部散热器对流换热、其他面绝热)。为模拟材料退化(如焊料和TIM层热导率变化)和冷却条件变化,研究人员对热导率(k
TIM, k
solder)和散热器传热系数(h)等关键参数进行了参数化扫描,生成了包含超过1200万个数据点(空间坐标X, Y, Z及对应温度T)的数据集。该数据集用于训练一个前馈神经网络,使其学习从输入参数(空间坐标、材料热导率、传热系数)到温度的非线性映射。为了提高数字孪生与物理模块的同步性和实际适用性,研究提出了两种基于负温度系数(NTC)热敏电阻的反馈校准方法:单NTC调整法和双NTC校准法。单NTC法利用安装在DCB层上铜板的单个NTC测量值对神经网络预测进行整体比例调整;双NTC法则在DCB层上铜板和铜基板上各放置一个NTC,通过两个测量值之间的关系变化来推断特定层(如DCB、焊料或TIM层)的热退化,从而进行更智能的校准。
**3. 研究结果**
**3.1. 基于FEM的热建模结果**
建立的FEM模型成功计算了模块在特定工况(如总损耗1000 W,环境温度25 °C,传热系数3400 W/m
2K)下的详细三维温度场。结果显示,温度沿模块厚度方向(Z轴)从最热芯片中心到底部散热器呈梯度分布,清晰反映了多层结构的热阻特性。参数化扫描为后续神经网络训练提供了全面的物理基础数据。
**3.2. 神经网络框架与性能**
通过网格搜索确定了最优的神经网络架构:7个隐藏层,每层128个神经元,使用修正线性单元(ReLU)激活函数。该网络在由FEM数据划分的训练集、验证集和测试集上进行了训练和评估。
* **准确性**:在未见过的测试集上,模型的平均绝对误差(MAE)为0.57 °C,均方误差(MSE)为0.55 °C
2。误差分布集中在零附近,绝大多数误差在±2.5 °C以内,表明预测精度高且无显著偏差。可视化对比显示,神经网络对最热芯片垂直线温度分布以及基板底部水平面温度分布的预测,与FEM计算结果高度吻合。
* **计算速度**:对模块几何体内1000个随机点进行温度预测(包括后续的功率损耗和环境温度线性缩放)的平均时间为0.063秒,最大时间为0.097秒。与FEM模型相比,神经网络实现了数个数量级的加速,其计算时间远小于模块结温的瞬态响应时间,完全满足实时预测控制的要求。
**3.3. NTC校准方法**
研究提出的单NTC和双NTC校准方法,旨在利用实际温度测量值来同步和调整数字孪生。双NTC方法通过监测两个NTC测点温度关系的变化,能够提供关于特定材料层(如DCB、焊料或TIM)热性能退化的线索,从而比单NTC方法实现更精细的模型校准和退化跟踪。
**4. 讨论与结论**
**4.1. 讨论**
所开发的数字孪生能够实现快速、准确的温度估计,使功率模块可以更接近最大允许温度运行,从而可能提高运行效率。同时,三维温度信息有助于分析层间热机械应力。双NTC校准方法有助于检测热退化起始位置,可能改进寿命估计。然而,数字孪生的准确性依赖于FEM模型对物理模块描述的准确度,缺乏直接的实验验证是当前研究的局限。未来的工作包括实验验证、在真实波动负载和老化条件下的性能评估,以及研究更紧凑的神经网络架构或模型压缩技术以进一步提升计算效率。此外,论文还探讨了将时间依赖性纳入模型的可能方向,例如使用福斯特(Foster)热网络模型或时间分数阶微积分模型来描述瞬态热行为和热容效应,这些模型可与本研究提出的数字孪生框架及双NTC创新技术结合,用于未来在线监测和退化评估。
**4.2. 研究结论**
本文开发了一种结合神经网络与数字孪生方法、用于快速准确估计碳化硅(SiC)功率模块整个多层结构内部温度分布的方法。该模型能够以高精度和短计算时间预测Wolfspeed EAB450M12XM3模块的所有十个结温。建议采用单NTC和双NTC热敏电阻部署的反馈来补偿估计误差并调整数字孪生,从而创建一个更可靠、更鲁棒的系统。特别是,所提出的双传感器技术也能提供有关热退化过程的宝贵信息。多层结构已在COMSOL Multiphysics中建模,以在各种运行条件下生成精确的温度场,这构成了神经网络训练的基础。所提出的数字孪生框架表明,将基于FEM的建模与神经网络相结合,能够实现支持预测性热控制策略实施的速度和准确性。这项工作为未来研究控制器集成、实验验证以及真实运行条件下的监测策略奠定了基础。