面向多芯片并联开关暂态的神经网络预测方法及相关装置

摘要: 本发明涉及电力电子器件领域,具体涉及一种面向多芯片并联开关暂态的神经网络预测方法及相关装置。背景技术:1、由于技术的快速发展,碳化硅功率模块在可再生能源和电动汽...
面向多芯片并联开关暂态的神经网络预测方法及相关装置

本发明涉及电力电子器件领域,具体涉及一种面向多芯片并联开关暂态的神经网络预测方法及相关装置。

背景技术:

1、由于技术的快速发展,碳化硅功率模块在可再生能源和电动汽车领域越来越普遍。在这些领域,多个碳化硅芯片并联形成碳化硅功率模块。碳化硅功率模块的结合有助于提高转换器的功率密度,然而,随着功率密度的增加,模块内部芯片之间的电热耦合效应增强,振荡问题、热不平衡问题和动态电流分布问题成为限制功率模块可靠性的重要问题。开关瞬态特性与这些问题直接相关。封装寄生参数对开关瞬态特性有显著影响。通过调整模块布局可以实现封装寄生参数与开关特性的改善。为了提高功率模块的设计效率和设计质量,有必要开发功率模块设计自动化工具来进行布局的设计。

2、每次生成新布局后,需要对该布局下功率模块的开关瞬态特性进行分析,对于开关瞬态分析,可以分为两种主要方法,一种是解析建模方法,另一种是数值方法。解析建模方法大多基于数据手册。该方法对芯片的非线性参数进行了细致的建模。使用这种方法可以获得高精度和快速的计算速度。然而,这种方法主要是为分立式功率模块设计的,不适合多芯片并联功率模块。数值方法基于网络状态方程。它具有高效率,但计算量很大,会大大增加功率模块的开发周期。

3、研究人员进行了一系列机理研究。已经证明,共源电感不平衡是电流不平衡的主要原因。至于振荡特性,通常在电压过渡阶段触发,反向恢复电容和回路电感产生谐振效应,进而导致栅极振荡。

4、因此,为了获得器件瞬态开关波形、开关损耗等关键参数,利用数值计算方法几乎是唯一的手段,这是计算密集型的,需要大量的计算资源或时间来产生结果。因为需要遍历大量的布局设计才能找到最佳解决方案,因此效率问题再设计阶段尤为突出。

技术实现思路

1、本发明的目的在于提供一种面向多芯片并联开关暂态的神经网络预测方法及系统,以克服现有数值仿真计算耗时久、传统数据驱动模型物理可解释性差及参数冗余等缺陷。本发明通过构建内嵌可微物理算子与具备排列不变性的深度神经网络,利用高精度数值计算结果进行监督训练。得益于物理先验知识的引入与对器件并联对称性的利用,本发明能够在更小样本数据下实现强泛化,从而支持在设计阶段对不同布局拓扑、不同外部工况下的功率器件开关暂态行为进行高效高精度评估,显著提升功率模块的迭代设计效率。

2、为达到上述目的,本发明采用如下技术方案:

3、一种面向多芯片并联开关暂态的神经网络预测方法,包括如下步骤:

4、s1、获取若干功率模块布局几何文件,基于功率模块布局几何文件,使用ansysq3d提取功率模块的封装寄生电感矩阵,基于寄生电感矩阵建立功率模块双脉冲测试电路仿真spice模型,按照双脉冲测试参数设置功率模块双脉冲测试电路仿真spice模型,基于功率模块双脉冲测试电路仿真spice模型计算并提取开关暂态各芯片电压与电流波形数据;

5、s2、基于多尺度小波分解的方法对计算得到的开关暂态各芯片电压与电流波形数据进行预处理,分别获取不同频段的波形,即近似信号和细节信号波形,通过丢弃幅值小于近似信号最大幅值1%的细节信号实现对开关暂态各芯片电压与电流波形的降维,获得芯片电压与电流多尺度信息;

6、s3、基于功率模块所选用芯片型号确定其在电流变化段和电压变化段的芯片线性等效模型;

7、s4、建立神经网络模型,所述神经网络模型包括置换模块、物理嵌入模块和响应预测模块,所述置换模块用于对各芯片进行端子顺序的置换,利用并联芯片间的排列不变性,将每个芯片对应的端子排在所有并联芯片端子第一位一次,该置换同时作用于封装寄生电感矩阵,双脉冲测试参数,并对应端子排在第一位芯片的电压与电流多尺度信息;置换后获得的多组置换数据:置换封装寄生电感矩阵、置换双脉冲测试参数、置换芯片电压与电流多尺度信息;

8、s5、通过神经网络模型中设置的物理嵌入模块实现以下过程:根据s4得到的多组置换数据、s3得到的芯片线性等效模型参数以及双脉冲测试参数,确定多个低频频率点和多个高频频率点;对于每一组置换数据,分别在所述低频频率点和高频频率点处,计算功率模块在电流变化段和电压变化段两个开关阶段对应的置换回路阻抗矩阵和置换回路电压源向量,k=1,2,3,····,2

nf,分别表示两个频率点两个开关阶段的计算结果,

nf表示选择频率点的个数,将置换回路电压源向量添加到置换回路阻抗矩阵组成置换增广回路阻抗矩阵;

9、s6、神经网络模型的响应预测模块以置换增广回路阻抗矩阵和置换双脉冲测试参数为输入,以置换电压与电流多尺度信息为输出;

10、s7、对所述神经网络模型进行训练,得到训练后的神经网络模型;将待评估功率模块的寄生电感矩阵,芯片线性等效模型参数和双脉冲测试参数输入所述训练后的神经网络模型,获得各芯片开关过程电压与电流的多尺度表征信息;对所述多尺度表征信息进行反置换处理,并通过小波逆变换重构得到各芯片在开关过程中的电压波形和电流波形;基于各芯片的电压波形和电流波形,实现对多芯片并联功率器件开关暂态过程的高效评估。

11、进一步地,s1中通过布局自动生成方法或手动布局修改调整功率模块中芯片的位置、dbc布局的方式与键合线的长度,生成多个功率模块布局几何文件。

12、进一步地,s1中提取开关暂态各芯片电压与电流波形数据时,采样周期小于等于1ns。

13、进一步地,s2中多尺度小波分解的方法中小波分解水平设置为3-4。

14、进一步地,s3中线性等效模型包括芯片的寄生电容cgs,cgd,cds、芯片的等效电压控制电流源、芯片体二极管的导通电阻和寄生电容cd;电容cgs,cgd,cds,cd的取值为芯片在当前开关阶段结束时的电容,芯片体二极管的导通电阻为在当前开关阶段结束时二极管的等效导通电阻,电压控制电流源的转移电导为芯片数据手册的跨导。

15、进一步地,s5中电流变化段低频频率点选择以功率模块在电流变化段的电流等效频率为参考,电压变化段低频频率点选择以功率模块在电压变化段的电压等效频率为参考,高频频率点设置为低频频率点的2-20倍,置换回路阻抗矩阵和置换回路电压源向量使用电网络理论进行计算。

16、一种面向多芯片并联开关暂态的神经网络预测系统,包括:

17、第一模块:用于获取若干功率模块布局几何文件,基于功率模块布局几何文件,使用ansys q3d提取功率模块的封装寄生电感矩阵,基于寄生电感矩阵建立功率模块双脉冲测试电路仿真spice模型,按照双脉冲测试参数设置功率模块双脉冲测试电路仿真spice模型,基于功率模块双脉冲测试电路仿真spice模型计算并提取开关暂态各芯片电压与电流波形数据;

18、第二模块:基于多尺度小波分解的方法对计算得到的开关暂态各芯片电压与电流波形数据进行预处理,分别获取不同频段的波形,即近似信号和细节信号波形,通过丢弃幅值小于近似信号最大幅值1%的细节信号实现对开关暂态各芯片电压与电流波形的降维,获得芯片电压与电流多尺度信息;

19、第三模块:基于功率模块所选用芯片型号确定其在电流变化段和电压变化段的芯片线性等效模型;

20、第四模块:用于建立神经网络模型,所述神经网络模型包括置换模块、物理嵌入模块和响应预测模块,所述置换模块用于对各芯片进行端子顺序的置换,利用并联芯片间的排列不变性,将每个芯片对应的端子排在所有并联芯片端子第一位一次,该置换同时作用于封装寄生电感矩阵,双脉冲测试参数,并对应端子排在第一位芯片的电压与电流多尺度信息;置换后获得的多组置换数据:置换封装寄生电感矩阵、置换双脉冲测试参数、置换芯片电压与电流多尺度信息;

21、第五模块:通过神经网络模型中设置的物理嵌入模块实现以下过程:根据多组置换数据、芯片线性等效模型参数以及双脉冲测试参数,确定多个低频频率点和多个高频频率点;对于每一组置换数据,分别在所述低频频率点和高频频率点处,计算功率模块在电流变化段和电压变化段两个开关阶段对应的置换回路阻抗矩阵和置换回路电压源向量,k=1,2,3,····,2

nf,分别表示两个频率点两个开关阶段的计算结果,

nf表示选择频率点的个数,将置换回路电压源向量添加到置换回路阻抗矩阵组成置换增广回路阻抗矩阵;

22、第六模块:神经网络模型的响应预测模块以置换增广回路阻抗矩阵和置换双脉冲测试参数为输入,以置换电压与电流多尺度信息为输出;

23、第七模块:用于对所述神经网络模型进行训练,得到训练后的神经网络模型;将待评估功率模块的寄生电感矩阵,芯片线性等效模型参数和双脉冲测试参数输入所述训练后的神经网络模型,获得各芯片开关过程电压与电流的多尺度表征信息;对所述多尺度表征信息进行反置换处理,并通过小波逆变换重构得到各芯片在开关过程中的电压波形和电流波形;基于各芯片的电压波形和电流波形,实现对多芯片并联功率器件开关暂态过程的高效评估。

24、一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述一种面向多芯片并联开关暂态的神经网络预测方法的步骤。

25、一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述一种面向多芯片并联开关暂态的神经网络预测方法的步骤。

26、一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现所述一种面向多芯片并联开关暂态的神经网络预测方法的步骤。

27、与现有技术相比,本发明具有以下有益的技术效果:

28、本发明通过构建置换回路阻抗矩阵,将多芯片并联功率半导体器件中与开关暂态行为密切相关的回路阻抗关系进行统一提取和显式表征。该置换回路阻抗矩阵综合反映封装寄生参数、芯片等效电气特性、回路连接关系及外部工况对各并联芯片开关回路的共同影响,能够有效刻画不同芯片回路之间的自阻抗、互阻抗和耦合差异。由此,本发明将原本分散且难以直接用于神经网络学习的物理影响因素转化为具有明确电路含义的结构化特征,使神经网络模型能够更准确地捕捉电流分配、电压过冲、振荡过程和开关损耗等暂态响应规律,从而提升模型在不同封装结构布局、芯片温度和外部工况下的预测能力。

29、本发明充分利用了多芯片并联系统的结构对称性与排列不变性,通过网络权重共享机制,显著减少了神经网络模型的参数规模。这种设计不仅实现了数据的等效扩充,使得神经网络模型能够在更少的数值仿真数据下完成高效训练,还有效避免了过拟合现象,降低了模型训练与推理的计算成本。

30、在模块拓扑和并联芯片数量确定的情况下,本神经网络模型可以对不同外部工况,不同芯片温度,不同封装结构布局功率模块进行开关暂态行为的高效分析,将原本需要数天甚至数周的布局设计迭代周期缩短至小时级甚至分钟级,为功率半导体器件的敏捷开发提供了强有力的工具。