基于神經網絡的SiC功率管導通電阻估測技術研究

崔江 陳一凡 范士穎 林華 沈勇 王友仁 陳則王

摘要：SiC功率管器件廣泛應用在航空領域的電能變換、配電等場合，其健康狀況十分重要。在SiC器件的健康監測應用中，導通電阻的檢測是一項十分重要的技術。為了能夠簡單準確地得到碳化硅（SiC）MOSFET功率器件的導通電阻，本文提出了一種基于神經網絡的SiC MOSFET器件導通電阻估測方法。本文搭建SiC MOSFET導通電阻測試電路仿真和物理試驗平臺，并使用BP神經網絡（BP neural networks， BPNN）對不同溫度、不同柵極電壓以及不同漏極電流下SiC MOSFET器件的導通電阻數據進行詳細描述。最后，對基于BPNN的SiC MOSFET導通電阻估測方法進行效果驗證。結果表明，該方法具有精度高和泛化能力強的優點，能夠實現SiC MOSFET器件導通電阻的有效估測。

關鍵詞：碳化硅功率管；導通電阻；神經網絡；誤差分析；溫度特性

中圖分類號：V240.2文獻標識碼：ADOI：10.19452/j.issn1007-5453.2021.09.012

基金項目：航空科學基金（201933052001，20183352030），中央高校基本科研業務費專項資金資助項目（NS2021021）

隨著航空航天技術的飛速發展，高性能、高可靠性、智能化成為未來飛行器發展的主要特征[1]。碳化硅（SiC）MOSFET作為一種新型寬禁帶功率半導體器件，具有更低的導通電阻、更高的開關速度、更小的反向恢復電荷和更高的擊穿電場強度，在工作條件惡劣、性能要求苛刻的應用環境中十分有利，目前已經成為航空航天電能變換、配電領域研究和應用的熱點[2-10]。作為一種功率器件，SiC MOSFET器件工作在惡劣、苛刻的環境中，其電性參數會產生退化現象，進而影響系統的性能，甚至導致電路故障，造成嚴重的損失。因此，對SiC MOSFET器件的健康狀態進行監測技術研究是很有必要的。

1 SiC MOSFET器件健康監測技術研究現狀

隨著SiC MOSFET器件的退化，其內部的電參數會發生變化，比較典型的如導通電阻，其已被證實與SiC MOSFET老化存在一定的相關性[11-14]，因此可以通過監測SiC MOSFET的導通電阻實現對器件的可靠性判定。

參考文獻[15]將SiC MOSFET的導通電阻與擴展頻譜時域反射法（SSTDR）自相關峰值建立聯系，通過觀察SSTDR自相關峰值幅度確定SiC MOSFET器件導通電阻的變化情況來判斷器件是否老化，SSTDR硬件較靈敏，測量誤差低，但成本較高。參考文獻[16]對多電飛機和全電飛機直流固態功率控制器中的SiC MOSFET設計了穩態導通電壓在線測量電路，通過高精度的電流檢測電阻測量得到漏源極電流，從而在線獲得SiC MOSFET的導通電阻，該方法需要搭建額外的檢測電路，在線監測系統的結構也較復雜。參考文獻[17]對空間飛行器驅動器中的SiC MOSFET構建了基于半導體物理的導通電阻非線性數學模型，比較精確地表征了SiC MOSFET導通電阻隨結溫的變化規律，該方法涉及器件的內部結構以及半導體物理學機理，并引入了一些非線性參數，模型構建過程較為復雜。參考文獻[18]利用鉗位總線電壓和電流傳感器，通過模數轉換模塊快速讀取電流傳感器采集的漏源極電流并計算轉換成導通電阻，實現對SiC MOSFET的退化監測以及健康狀態評估，該方法結構簡單、易于測量且成本較低，但存在測量誤差。

為了更方便地獲得SiC MOSFET的導通電阻，提高方法的通用性，本文嘗試使用BP神經網絡（BP neural networks， BPNN）構建SiC MOSFET器件的導通電阻模型。將SiC MOSFET器件視為黑箱，建立用于SiC MOSFET的多輸入-單一輸出黑箱系統，將施加于器件的外部電氣參數作為輸入，器件的導通電阻作為輸出，通過比較黑箱系統輸出值與實際測量值，實現對SiC MOSFET的健康狀態評估。

2基于BPNN的SiC MOSFET導通電阻估測

本文采用BPNN的非線性函數擬合方法、思路對SiC MOSFET的導通電阻進行研究。首先將SiC MOSFET導通電阻測試電路中得到的樣本數據進行樣本劃分，即樣本數據按照一定比例分為訓練樣本和測試樣本。然后利用訓練樣本構建BPNN模型，并使之能夠根據已知條件估測SiC MOSFET的導通電阻值，利用測試樣本測試BPNN模型的擬合性能。最后，對模型估測值與實際測量值進行誤差評估。上述建立了基于BPNN的SiC MOSFET導通電阻估測模型，具體流程如圖1所示。利用基于BPNN的SiC MOSFET導通電阻估測模型進行健康狀態評估，判定SiC MOSFET是否出現異常，具體流程如圖2所示。

3仿真試驗

本文以SiC MOSFET器件為研究對象，在Cadence/ PSpice仿真軟件中搭建SiC MOSFET導通電阻測試電路仿真模型。改變SiC MOSFET的溫度、柵極電壓和漏極電流，實現不同工作條件下SiC MOSFET導通電阻測試。

3.1測試電路仿真模型簡介

SiC MOSFET導通電阻測試電路原理圖[19]如圖3所示，其中，Vgs為柵極電壓，Rg為柵極驅動電阻，R1為測試電路的負載，Vdc為直流母線電壓，其為整個測試電路供電。為了方便對SiC MOSFET導通電阻的測量，本文將柵極電壓設置為高電平，使SiC MOSFET在測試電路中處于常開通狀態。SiC MOSFET開通時，其漏源極之間等效為導通電阻Ron。在Cadence/PSpice仿真軟件中，設計SiC MOSFET導通電阻測試電路的仿真模型，仿真模型中使用C2M008012 0D型號的SiC MOSFET，此型號的器件模型從CREE官網下載并導入仿真軟件即可，仿真模型中使用的電阻和電壓源均由仿真軟件自帶器件庫提供。

3.2數據采集和樣本劃分

在SiC MOSFET導通電阻測試電路仿真模型中，設置不同柵極電壓、不同直流母線電壓和不同溫度，運行仿真電路。此處需要說明，本試驗通過改變測試電路的直流母線電壓值間接改變漏極電流的大小。試驗選取的直流母線電壓為2～18V，幅值間隔為2V，選取的柵極電壓為8～18V，幅值間隔為2V，選取的溫度為50～175℃，幅值間隔為25℃，一共9×6×6=324種不同工作條件，即一共有324個SiC MOSFET導通電阻樣本數據。將上述條件下的仿真樣本數據按照4：1的比例分為259個訓練樣本和65個測試樣本。

3.3算法驗證

本試驗設計了三種BPNN的網絡結構，分別為：3-3-1、3-5-1和3-10-1。調用“newff”和“train”函數建立和訓練BPNN，激活函數采用“sigmoid”函數，并選用“purelin”函數作為輸出傳遞函數，最小均方誤差設為“1e-10”。將訓練好的BPNN相關參數進行保存，用于后續對此模型進行性能驗證。

利用測試樣本測試BPNN的性能，以試驗設計的3-5-1結構的BPNN模型為例，具體結果如圖4所示。圖4中，橫坐標為測試樣本個數，縱坐標為SiC MOSFET導通電阻值，紅色標注為測試樣本的實際值，綠色標注為測試樣本的BPNN的估測值。

分析測試樣本的實際導通電阻值與BPNN模型輸出值，得出三種不同BP模型下，兩個導通電阻值的平均絕對誤差，具體見表1。

4實際試驗

參考前述SiC MOSFET導通電阻測試電路原理圖，設計了硬件試驗平臺。利用試驗數據構建SiC MOSFET導通電阻的BPNN模型，并將建立的模型用于SiC MOSFET的健康狀態評估。

4.1硬件試驗平臺

硬件試驗平臺如圖5所示。其中，①為SiC MOSFET導通電阻測試主電路；②為DF1731SLL5A雙路直流穩壓電源；③為SiC MOSFET（型號：C2M0080120D）；④為220VAC/ 850W微控制器控溫的加熱臺；⑤為TES 1310 TYPE-K測溫儀；⑥為Handyscope HS4數據采集卡；⑦為上位機。

DF1731SLL5A直流穩壓電源為Vgs和Vdc提供不同幅值的直流電壓，此款電源為雙路輸出電源，可提供0～30V電壓值和0～5A電流值。SiC MOSFET的型號為C2M0080120D，規格為31.6A/1200V。本試驗使用12位精度的Handyscope HS4型號數據采集卡，其最高采樣率可達5MHz。加熱臺用于實時調節SiC MOSFET的工作溫度，其具體為220VAC/ 850W規格微電腦控溫加熱臺，溫度調節范圍為0～300℃。測量SiC MOSFET溫度所需設備為TES 1310 TYPE-K型號測溫儀，可以實現對SiC MOSFET器件表面溫度實時測量。

4.2樣本選取與劃分

BPNN模型的訓練和測試樣本為SiC MOSFET導通電阻測試電路硬件試驗平臺中阻性負載的電壓數據。物理試驗中選取直流母線電壓為2V、4V和6V，選取柵極電壓為8V、10V、12V、14V、16V和18V，選取溫度為50℃、75℃和100℃，一共3×6×3=54種不同工作條件，即一共有54個阻性負載的電壓樣本數據。對上述條件下的試驗樣本數據進行中值濾波處理，選取濾波后的前50000個數據點，利用式（2）和式（3）計算SiC MOSFET的導通電阻并求其均值，得到54個導通電阻樣本數據，用于BPNN的訓練和測試。按照4：1的比例將54個導通電阻樣本數據分為43個訓練樣本和11個測試樣本。

對經過較長時間加速熱循環處理的SiC MOSFET進行健康狀態評估。首先利用SiC MOSFET導通電阻測試電路硬件試驗平臺對SiC MOSFET進行測試，并保存試驗中阻性負載的電壓樣本數據。在同一工作條件下采集5個樣本，如Vdc= 2V，Vgs= 8V，T = 50℃條件下采集5個樣本，并對5個樣本編號，共有54種不同工作條件，即采集并保存了54×5=270個樣本，每個樣本包含100000VRd個數據。對樣本數據進行中值濾波，選取濾波后的前50000個數據點，利用式（2）和式（3）計算得到SiC MOSFET導通電阻并求其均值，將270個導通電阻的樣本數據均輸入BPNN模型。最后，比較SiC MOSFET導通電阻實際測量值與模型估測值，判定SiC MOSFET的健康狀態。

4.3算法驗證與結果分析

物理試驗中所用BPNN的結構及其參數設置與仿真試驗一致。以試驗設計的3-5-1結構BPNN模型為例，測試樣本驗證BPNN的模型性能，結果如圖6所示。圖6的橫縱坐標含義與圖5一致。分析測試樣本的實際導通電阻值與BPNN模型輸出值，兩個導通電阻的平均絕對誤差為0.019。

將經過長時間加速熱循環處理的SiC MOSFET相關試驗數據輸入BPNN模型，然后設定合理的閾值，對SiC MOSFET的健康狀態進行評估。對同一工作條件的5個試驗樣本進行編號，并記作樣本1～樣本5。以樣本1為例，圖7的橫坐標為54種不同工作條件。圖7的左圖橫坐標為樣本狀態數，縱坐標為SiC MOSFET導通電阻值，其中，綠色標注為BPNN的輸出導通電阻值，紅色標注為實際的導通電阻值。圖7的右圖橫坐標為樣本狀態數，縱坐標為SiC MOSFET導通電阻預測值與實際值的相對誤差。

表2～表4給出了本試驗設計的三種BPNN結構下，不同編號樣本的相對誤差分布情況，其中，3-3-1，3-5-1和3-10-1這三種結構的BPNN分別記為模型Ⅰ、模型Ⅱ和模型Ⅲ，同種編號樣本的總個數為54。根據表1～表3的數據可得，同種編號的樣本中均有一半以上樣本的估測值與實際值相對誤差為10%～ 20%。SiC MOSFET導通電阻估測值與實際值的相對誤差大于等于10%，可以認為經過一段時間加速熱循環的SiC MOSFET導通電阻增加了10%左右，已經有了老化趨勢，操作人員應在使用過程中需關注SiC MOSFET的可靠性問題。

5結束語

本文研究了基于BPNN的SiC MOSFET導通電阻估測方法，其不需要分析SiC MOSFET器件的內部結構，也不需要得出SiC MOSFET器件的參數擬合公式。用本文方法，可以評估不同工作條件下SiC MOSFET的導通電阻值，然后與實際測量的導通電阻值進行對比，實現SiC MOSFET的健康狀態監測。本文所提方法具有誤差小、靈活性好且適用范圍廣的優勢，可供其他器件類研究借鑒。

參考文獻

[1]方永紅.無人直升機系統發展展望[J].航空科學技術， 2021， 32（1）：35-40. FangYonghong.Developmentprospectofunmanned helicopter system[J]. Aeronautical Science & Technology， 2021， 32（1）：35-40. （in Chinese）

[2]梁向東.電動飛行器及其關鍵技術的研究探析[J].航空科學技術， 2020， 31（6）：1-6. Liang Xiangdong. Research on electric vehicle and its key technology[J]. Aeronautical Science & Technology， 2020， 31（6）：1-6. （in Chinese）

[3]李開省.電動飛機技術的發展研究[J].航空科學技術， 2019， 30（1）：1-7. Li Kaisheng. Research on the development of electric aircraft technology[J]. Aeronautical Science & Technology， 2019， 30（1）：1-7. （in Chinese）

[4]Senesky D G，Jamshidi B，Cheng K B，et al. Harsh environmentsiliconcarbidesensorsforhealthand performance monitoring of aerospace systems：A review[J]. IEEE Sensors Journal，2009，9（11）：1472-1478.

[5]Yapa R， Forsyth A J， Todd R. Analysis of SiC technology in two-level and three-level converters for aerospace applications[C]//The7thIETInternationalConferenceonPower Electronics， Machines and Drives （PEMD 2014）， Manchester UK， 2014：1-6.

[6]Yin Shan，Tseng K J，Liu Yong，et al. Demonstration of a 50kW and 100kHz SiC high power density converter for aerospace application[C]//2016 IEEE Region 10 Conference（TENCON），Singapore，2016：2888-2891.

[7]Perdikakis W，Hall B，Scott M，et al. Common-mode EMI filter design for Si and SiC inverters in an aerospace drive system[C]// 2019 AIAA/IEEE Electric Aircraft Technologies Symposium（EATS），Indianapolis，USA，2019：1-10.

[8]Nasir U，Chowdhury S，Rocca A L，et al. A SiC based 2-level power converter for shape-and-space-restricted aerospace applications[C]//2019 IEEE 13th International Conference on Power Electronics and Drive Systems（PEDS），Toulouse，France，2019：1-7.

[9]Sch？ner C， Hensel A， Cambero J C Z. Investigation of 3-leveltopology MNPC for aerospace applications with SiC-MOSFETbasedpowermodules[C]//The8thIETInternational Conference on Power Electronics， Machines and Drives（PEMD 2016）， Glasgow， UK， 2016：1-6.

[10]盛況，任娜，徐弘毅.碳化硅功率器件技術綜述與展望[J].中國電機工程學報， 2020， 40（6）： 1741-1753. Sheng Kuang， Ren Na， Xu Hongyi. A recent review on silicon carbide power devices technologies[J]. Proceedings of the CSEE， 2020， 40（6）：1741-1753.（in Chinese）

[11]Erturk F，Ugur E，Olson J，et al. Real-time aging detection of SiC MOSFETs[J]. IEEE Transactions on Industry Applications，2019，55（1）：600-609.

[12]Ugur E，Akin B. Aging assessment of discrete SiC MOSFETs under high temperature cycling tests[C]// 2017 IEEE Energy Conversion Congress and Exposition（ECCE），Cincinnati，OH，USA，2017：3496-3501.

[13]Baker N，Munk-Nielsen S，Beczkowski S. Test setup for long term reliability investigation of Silicon Carbide MOSFETs[C]// 2013 15th European Conference on Power Electronics and Applications（EPE），Lille，France，2013：1-9.

[14]吳濤，孫鵬，趙志斌，等.基于溫敏電參數的碳化硅MOSFET結溫測量方法綜述[J].中國電機工程學報， 2021， 41（11）：3904-3915. Wu Tao， Sun Peng， Zhao Zhibin， et al. A review of junction temperature measurement methods of SiC MOSFET by temperature-sensitive electrical parameters[J]. Proceedings of the CSEE， 2021， 41（11）：3904-3915.（in Chinese）

[15]Hanif A，Khan F. Degradation detection of thermally aged SiC and Si Power MOSFETs using spread spectrum time domain reflectometry（SSTDR）[C]// 2018 IEEE 6th Workshop on Wide Bandgap Power Devices and Applications（WiPDA），2018：18-23.

[16]Yu Bin，Wang Li，Ahmed D. Drainsource voltage clamp circuit for online accurate on-state resistance measurement of SiC MOSFETs in DC solid-state power controller[J]. IEEE JournalofEmergingandSelectedTopicsinPower Electronics，2020，8（1）：331-342.

[17]郭慶波.飛行器用永磁同步電機控制系統效率提升關鍵技術[D].哈爾濱：哈爾濱工業大學， 2020. Guo Qingbo. Key technologies of efficiency improvement for high efficiency permanent magnet synchronous motor control system in aircraft[D]. Harbin： Harbin Institute of Technology， 2020.（in Chinese）

[18]Pu S，Yang F，Ugur E，et al. On-board SiC MOSFET degradation monitoring through readily available inverter current/ voltage sensors[C]//2019 IEEE Transportation Electrification Conference and Expo（ITEC），Michigan，USA，2019：1-5.

[19]鐘志遠，秦海鴻，朱梓悅，等.碳化硅MOSFET器件特性的研究[J].電氣自動化， 2015，37（3）：44-45. Zhong Zhiyuan， Qin Haihong， Zhu Ziyue， et al. A study on the characteristicsofSiCMOSFETdevices[J].Electric Automation， 2015， 37（3）： 44-45.（in Chinese）

Research on On-State Resistance Estimation of SiC Power Transistor Based on Neural Network

Cui Jiang1，Chen Yifan1，Fan Shiying1，Lin Hua1，Shen Yong2，Wang Youren1，Chen Zewang1

1. Nanjing University of Aeronautics and Astronautics，Nanjing 211106，China

2. Aeronautical Science and Technology Key Laboratory of Fault Diagnosis and Health Management Technology，AVIC Shanghai Aero Measurement Controlling Research Institute，Shanghai 201601，China

Abstract： SiC power devices are applied widely in the applications of aeronautics， mainly in terms of electrical energy transform and distribution. The health surveillance technology has been a focus in the past time for these devices， whose on-state resistance detection technology is crucial. In order to obtain on-state resistance of silicon carbide（SiC） MOSFET power devices simply and accurately， this paper proposes a neural network based on-state resistance estimation method for SiC MOSFET devices. This paper builds a simulation and physical experiment platform for SiC MOSFET on-resistance test circuit， and uses BP neural network to describe in detail on-stateresistance data of SiC MOSFET devices under different temperatures， different gate voltages and different drain currents. Finally， the effect of SiC MOSFET on-state resistance estimation method based on BP neural network is verified. The results show that this method has the advantages of high accuracy and strong generalization ability， and can realize effective estimation of on-state resistance of SiC MOSFET devices.

Key Words： SiC power transistor； on-state resistance； neural networks； error analysis； temperature characteristic