基于寄生参数低通滤波电压三采样与人工神经网络的无传感器功率模块电流及结温监测方法

《Sensors》:Module Parasitics-Based Current and Temperature Sensing Using Explainable Neural Networks Frank Lautner and Mark-M. Bakran

【字体: 大 中 小 】 时间:2026年04月08日 来源:Sensors 3.5

编辑推荐:

  研究人员提出了一种无需额外传感器的功率半导体模块电流与结温监测方法。针对传统寄生电阻测温受温度系数影响导致大误差的问题,该方法利用模块内部寄生电感(L)与寄生电阻(R)构成的测量支路,对开关过程中的源极-辅助源极电压进行低通滤波后实施三采样。研究人员采用人工神

  
研究人员提出了一种无需额外传感器的功率半导体模块电流与结温监测方法。针对传统寄生电阻测温受温度系数影响导致大误差的问题,该方法利用模块内部寄生电感(L)与寄生电阻(R)构成的测量支路,对开关过程中的源极-辅助源极电压进行低通滤波后实施三采样。研究人员采用人工神经网络(ANN)处理三个采样值,同时解算负载电流(ID)与键合线温度(TBond),解决了寄生参数随温度漂移导致的非线性失真难题。实验表明,该方案在温度波动工况下将电流检测误差由11–12%降至约1.5%。进一步,研究人员引入一种类个体条件期望(ICE)的灵敏度测试法,通过分析ANN输入-输出映射特性验证其物理一致性,避免了传统可解释性人工智能(XAI)方法仅关注输入重要性的局限。该方法仅需±10%的输入扰动即可揭示ANN是否学习到底层物理规律,为功率电子领域黑箱模型的可靠性评估提供了新思路。

论文解读

研究背景与意义

功率半导体模块的实时电流与结温监测对系统可靠性至关重要。传统方法依赖附加传感器或复杂的温度敏感电参数(TSEP)提取,面临成本高、封装侵入性及键合线与芯片热耦合不匹配等挑战。尤其当利用寄生电阻分压进行电流检测时,材料约0.4%/K的温度系数会导致100 K温差下高达40%的测量偏差。此外,开关瞬态中寄生电感与高速di/dt的交互作用进一步扭曲信号。现有研究虽尝试用积分器消除电阻温漂,却引发信号漂移问题。因此,研究人员亟需开发一种低成本、抗温漂的无传感器监测方案,并解决人工神经网络(ANN)作为“黑箱”模型缺乏物理解释性的行业痛点。该研究成果发表于国际期刊《Sensors》。

关键技术方法

研究人员构建了三重采样信号处理架构。首先在硬件层面,利用模块固有的源极-辅助源极寄生电感(LSS')与电阻(RSS')构成LR测量支路,配合外部低通滤波器(RLPCLP)提取电压信号VLP。在算法层面,研究人员采集开关后三个时间点(t1, t2, t3)的VLP值作为输入特征。核心采用双层前馈ANN(每层7神经元,激活函数为tansig与ReLU),以Levenberg-Marquardt算法训练,目标同时输出负载电流(ID)与键合线温度(TBond)。为验证物理合理性,研究人员创新性地提出二维灵敏度测试法:固定两个输入,线性扰动第三个输入(±10%),绘制输出响应曲线,并与解析解对比。仿真数据用于理想场景验证,实测数据来自半桥测试台,经Savitzky-Golay滤波平滑处理。

研究结果

2.2 温度补偿

研究人员推导了时域解析方程VLP(t)=?··RSS'(TBond)·[1+(LSS'/RSS'(TBond)-RLPCLP)/(RLPCLP)·e-t/(RLPCLP)],证明信号波形由L/R时间常数与RC滤波器共同决定。通过双采样即可建立二元方程组,结合ANN求解电流与温度。实验显示单采样法误差达11–12%,而三采样ANN方案将误差压缩至±1 A(约1.5%)。

3 电流检测应用

在逆变器实测中,研究人员验证了方案的鲁棒性。预处理后的三采样数据输入ANN,在恒定温度下实现±1 A精度。当模块从高温骤冷至低温时,传统单采样法因温漂产生显著误差,而经训练的ANN有效抑制了键合线温度波动的影响,输出电流信号保持稳定。

4 人工神经网络的机制解释

针对ANN的物理可信度质疑,研究人员提出灵敏度测试方法。结果显示:使用高精度训练数据的ANN呈现线性响应(斜率约1740 A/V),与解析解高度吻合;而含噪声数据的ANN则输出杂乱无章的曲线。通过多点测试(图8),研究人员发现不同工作点下的响应斜率保持一致(1710–1740 A/V),证实ANN已学习到底层物理规律。该方法优于传统SHAP与LIME,能直观反映输入输出间的物理关联。

5 多参数感知增强

研究人员扩展系统以监测结温(Tj)。除三采样电压外,新增两项TSEP:导通压降(VDS,on)与开通延时(td,on)。其中td,on对SiC-MOSFET灵敏度仅0.18 ns/K,测量需纳秒级精度。仿真表明(图12),理想条件下ANN完全依赖td,on推断Tj。当td,on测量误差加倍时(表2),ANN仍优先采用td,on,但物理一致性下降(图14)。若仅用VDS,on(图17),因低电流区精度不足(±5%)及输出特性非线性,ANN无法可靠解耦电流与温度(图18)。

6 全信号融合传感系统

在实测数据验证中(图22),经强平滑处理的有限温度范围数据虽使ANN表现良好(误差分布集中),但灵敏度测试暴露其过拟合——仅在极小输入扰动范围内呈合理响应,未能掌握普适物理规律。相比之下,二次拟合模型虽精度略低,但灵敏度曲线符合预设数学关系,可解释性更强。

讨论与结论

研究人员指出,当前方案需权衡物理一致性与测量精度。虽然ANN在小样本实测中表现优异,但灵敏度测试揭示其可能仅记忆数据分布而非物理机制。未来应探索物理信息神经网络(PINN)等嵌入先验知识的方法。该研究的核心贡献在于:第一,证实了基于寄生参数的三采样ANN可实现高精度无传感器电流检测,消除了对模块温度传感器的依赖,并通过FPGA实现了精确采样时序控制;第二,开发了简易灵敏度测试工具,为功率电子领域ANN的可解释性评估提供了新范式;第三,明确了开通延时(td,on)在结温感知中的主导地位,即便测量精度有限,其信息价值仍高于导通压降(VDS,on)。这项工作为智能功率模块的嵌入式状态监测提供了重要的理论与实证基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号