关键词：
电力电子电路
碳化硅MOSFET
故障诊断
深度置信网络
高温栅偏特性
老化监测
摘要：
电力电子电路作为电力系统的重要组成部分,在航空航天、轨道交通、新能源系统等领域发挥着关键作用,但同时也是比较容易发生故障的环节,一旦出现故障,将会严重影响电力系统的正常运行,造成不可估量的经济损失甚至危害相关人员的人身安全,因此,快速、准确的故障诊断方法对于保证系统安全可靠不间断运行具有重要意义。随着新一代宽禁带半导体材料碳化硅(Silicon Carbide,SiC)的出现,以SiC MOSFET为代表的新型功率半导体器件逐渐成为人们应用和研究的热点,但由于其自身存在的可靠性问题,以及应用环境的愈发苛刻,为了实现更加安全高效的应用,最大程度发挥器件本身的优良特性,对其进行可靠性方面的研究将具有重要的意义。
本文首先研究了改进的深度置信网络(Deep Belief Networks,DBN)在典型AC/DC功率变换器故障特征提取及诊断中的应用,然后详细分析了SiC MOSFET在高温栅偏实验下的关键参数的退化特性,最后对SiC MOSFET的栅极老化监测方法进行了研究。具体研究内容如下:
(1)首先,研究基于改进DBN的故障特征提取及诊断方法,使用遗传算法(Genetic Algorithm,GA)优化网络结构,以改进DBN网络结构参数选取存在随机性、易造成网络结构冗杂的问题,提高了整体网络的性能,并将改进的方法应用于混合硅(Silicon,Si)/SiC AC/DC功率变换器的功率管单管及多管混合开路故障的特征提取及诊断中。
(2)其次,对SiC MOSFET进行了高温负向栅极偏置和高温正向栅极偏置实验研究,以阈值电压和体二极管通态压降作为特征参数,设计搭建硬件实验平台,研究偏置温度不稳定性(Bias Temperature Instability,BTI)对器件特征参数的影响,并对长期恢复下的特征参数变化进行了分析。
(3)最后,研究了SiC MOSFET的栅极老化监测方法,根据对器件外特性的分析与评估,分别建立了基于反向传播神经网络(Back Propagation Neural Network,BPNN)和支持向量机(Support Vector Machine,SVM)的SiC MOSFET栅极老化状态评估模型,并基于高温栅偏实验中的退化过程数据,分别采用最小二乘法和支持向量回归(Support Vector Regression,SVR)方法建立了特征参数的退化模型,对SiC MOSFET进行退化预测分析。
欢迎来到三峡大学图书馆！
