本发明属于电子技术领域，涉及一种sicmosfet模块全生命周期结温在线预测方法。
背景技术：
sicmosfet模块集合了耐高温、耐高压、开关速度快、低开关损耗等优点。随着科技的发展，航天、通讯、核能等众多领域，迫切需要一种在高温、高频等环境下仍然能够正常工作的功率电子器件。sic高温特性很明显，芯片最大承受温度可达600℃，模块热击穿结温可以达到250℃。但是由于器件运行环境的特殊性，在运行状态下会产生大量热量，从而导致温升和热应力形变。由于长久运行不断承受功率循环或热循环，从而加速了模块的老化速度，形成长期的失效累积，从而降低器件乃至整个系统的可靠性。通常功率器件的结温监测都是按照器件在健康状态下进行的。但是忽略了模块在工作中随着慢慢老化，模块内部参数发生变化，预测结果不准确。
技术实现要素：
本发明的目的是提供一种sicmosfet模块全生命周期结温在线预测方法，解决了现有技术中存在的sicmosfet模块结温预测结果不准确的问题。
本发明所采用的技术方案是，
sicmosfet模块全生命周期结温在线预测方法，具体按照以下步骤实施：
步骤1，采用一个全新的sicmosfet模块做功率循环直到模块完全老化失效；在功率循环期间采样该sicmosfet模块的电气参数作为数据集，电气参数分别为vds、id和r，其中vds为饱和压降，id为电流值，r为电阻值；
步骤2，建立sicmosfet模块结温预测模型，sicmosfet模块结温预测模型包括依次连接的第一bp神经网络模型和第二bp神经网络模型，第一bp神经网络模型的输入对应vds、id和r，第一bp神经网络模型的输出对应实时的功率循环次数nc，第一bp神经网络模型的输出与第二bp神经网络模型的一个输入相对应；
步骤3，采用数据集对sicmosfet模块结温预测模型进行训练；
步骤4，将训练好的sicmosfet模块结温预测模型移植到fpga的ram中，fpga与被测的sicmosfet模块连接，在被测的sicmosfet模块实际运行中，输入电流id，实时输出对应的结温tc。
本发明的特点还在于，
步骤1中采样的具体步骤为：直流电源设定好电流数值id，电流数值id随机取[1,150]范围内的数值，结温从30℃起，采用间隔采样的方法获取电气参数，采样频率在老化初期为2000次功率循环，在老化后期为1000次功率循环。
第一bp神经网络模型的输入层神经元个数为3个，分别对应vds、id和r，输出层神经元个数为1个，对应nc。
第一bp神经网络模型的隐含层神经元个数为7个。
第二bp神经网络模型的输入层神经元个数为4个，分别对应vds、id、r和第一bp神经网络模型的输出。
第二bp神经网络模型的隐含层神经元个数为9个。
本发明的有益效果是
本发明通过功率循环采样，对sicmosfet模块加入老化参数，补偿、修正结温预测。通过用bp网络算法对实验数据进行分析，利用bp神经网络有很强的非线性映射能力，能以任意精度逼近任何非线性函数，并且具有很强的自学习和自适应能力，对sicmosfet的结温进行预测。然后将算法移植到fpga的ram中，实现了sicmosfet模块结温的在线提取。克服了传统sicmosfet模块过温保护的缺陷，准确得到sicmosfet模块的结温。确保带sicmosfet模块的设备能安全稳定运行。
附图说明
图1是本发明sicmosfet模块全生命周期结温在线预测方法中步骤流程图；
图2是本发明sicmosfet模块全生命周期结温在线预测方法中第一bp神经网络模型的网络结构图；
图3是本发明sicmosfet模块全生命周期结温在线预测方法中第二bp神经网络模型的网络结构图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明sicmosfet模块全生命周期结温在线预测方法，其特征在于，具体按照以下步骤实施：
步骤1，采用一个全新的sicmosfet模块做功率循环直到模块完全老化失效；在功率循环期间采样该sicmosfet模块的电气参数作为数据集，电气参数分别为vds、id和r；步骤1中采样的具体步骤为：直流电源设定好电流数值id，电流数值id随机取[1,150]范围内的数值，结温从30℃起，采用间隔采样的方法获取电气参数，采样频率在老化初期为2000次功率循环，在老化后期为1000次功率循环；
步骤2，建立sicmosfet模块结温预测模型，sicmosfet模块结温预测模型包括依次连接的第一bp神经网络模型(如图2)和第二bp神经网络模型(如图3)，第一bp神经网络模型的输入对应vds、id和r，第一bp神经网络模型的输出对应实时的功率循环次数nc，第一bp神经网络模型的输出与第二bp神经网络模型的一个输入相对应；
步骤3，采用数据集对sicmosfet模块结温预测模型进行训练；
步骤4，将训练好的sicmosfet模块结温预测模型移植到fpga的ram中，fpga与被测的sicmosfet模块连接，在被测的sicmosfet模块实际运行中，输入电流id，实时输出对应的结温tc。
步骤2中的第一bp神经网络模型的输入层神经元个数为3个，分别对应vds、id和r，输出层神经元个数为1个对应nc；第一bp神经网络模型的隐含层神经元个数为7个。
第二bp神经网络模型的输入层神经元个数为4个，分别对应vds、id、r和第一bp神经网络模型的输出；第二bp神经网络模型的隐含层神经元个数为9个。
在对sicmosfet模块结温预测模型进行训练时，第一bp神经网络模型根据预测输出值和期望值的误差调整权值和阈值，直到输出值nc逼近期望值nf，第二bp神经网络模型根据预测输出值和期望值的误差调整权值和阈值，直到输出值tj逼近期望值tc；
实施例1
步骤1，对罗姆公司生产的1200v/300a的型号为bsm300d12p2e001，全新的sicmosfet模块，做功率循环直到模块完全老化失效；在功率循环期间采样该sicmosfet模块的电气参数作为数据集，电气参数分别为vds、id和r，其中vds为饱和压降，id为电流值，r为电阻值；
具体采样方法为：
直流电源设定好电流数值id，此直流数值随机取[1,150]范围内的数值，结温从30℃起，采用间隔采样的方法获取电气参数，采样频率在老化初期为2000次功率循环，在老化后期为1000次功率循环，将采样数据按照3:1分为训练组数据测试组数据；训练组作为数据集，测试组数据用于验证本方法预测结果的正确性；
步骤2，建立sicmosfet模块结温预测模型，sicmosfet模块结温预测模型包括依次连接的第一bp神经网络模型(如图2)和第二bp神经网络模型(如图3)，第一bp神经网络模型的输入对应vds、id和r，第一bp神经网络模型的输出对应实时的功率循环次数nc，第一bp神经网络模型的输出与第二bp神经网络模型的一个输入相对应；
第一bp神经网络模型的输入层神经元个数为3个，分别对应vds、id和输出层神经元个数为1个对应nc；隐含层神经元个数为7个。
第二bp神经网络模型的输入层神经元个数为4个，分别对应vds、id、r和第一bp神经网络模型的输出；隐含层神经元个数为9个。
步骤3，采用数据集对sicmosfet模块结温预测模型进行训练；
步骤4，将训练好的sicmosfet模块结温预测模型到fpga的ram中，fpga与被测的sicmosfet模块连接，在被测的sicmosfet模块实际运行中，输入电流id＝65a，通过sicmosfet模块输出vds＝1.7008，实时输出对应的结温tc＝67.5℃。
1.sicmosfet模块全生命周期结温在线预测方法，其特征在于，具体按照以下步骤实施：
步骤1，采用一个全新的sicmosfet模块做功率循环直到模块完全老化失效；在功率循环期间采样该sicmosfet模块的电气参数作为数据集，所述电气参数为vds、id和r，其中vds为饱和压降，id为电流值，r为电阻值；
步骤2，建立sicmosfet模块结温预测模型，所述sicmosfet模块结温预测模型包括依次连接的第一bp神经网络模型和第二bp神经网络模型，所述第一bp神经网络模型的输入对应vds、id和r，所述第一bp神经网络模型的输出对应实时的功率循环次数nc，所述第一bp神经网络模型的输出与第二bp神经网络模型的一个输入相对应；
步骤3，采用所述数据集对sicmosfet模块结温预测模型进行训练；
步骤4，将训练好的sicmosfet模块结温预测模型移植到fpga的ram中，所述fpga与被测的sicmosfet模块连接，在被测的sicmosfet模块实际运行中，输入电流id，实时输出对应的结温tc。
2.如权利要求1所述的sicmosfet模块全生命周期结温在线预测方法，其特征在于，所述步骤1中采样的具体步骤为：在直流电源设定好电流数值id，所述电流数值id随机取[1,150]范围内的数值，结温从30℃起，采用间隔采样的方法获取电气参数，采样频率在老化初期为2000次功率循环，在老化后期为1000次功率循环。
3.如权利要求1所述的sicmosfet模块全生命周期结温在线预测方法，其特征在于，所述第一bp神经网络模型的输入层神经元个数为3个，分别对应vds、id和r，输出层神经元个数为1个，对应nc。
4.如权利要求3所述的sicmosfet模块全生命周期结温在线预测方法，其特征在于，所述第一bp神经网络模型的隐含层神经元个数为7个。
5.如权利要求1所述的sicmosfet模块全生命周期结温在线预测方法，其特征在于，所述第二bp神经网络模型的输入层神经元个数为4个，分别对应vds、id、r和第一bp神经网络模型的输出。
6.如权利要求1所述的sicmosfet模块全生命周期结温在线预测方法，其特征在于，所述第二bp神经网络模型的隐含层神经元个数为9个。
技术总结