基于神经网络的SiC功率管导通电阻估测技术研究

崔江 陈一凡 范士颖 林华 沈勇 王友仁 陈则王

摘要：SiC功率管器件广泛应用在航空领域的电能变换、配电等场合，其健康状况十分重要。在SiC器件的健康监测应用中，导通电阻的检测是一项十分重要的技术。为了能够简单准确地得到碳化硅（SiC）MOSFET功率器件的导通电阻，本文提出了一种基于神经网络的SiC MOSFET器件导通电阻估测方法。本文搭建SiC MOSFET导通电阻测试电路仿真和物理试验平台，并使用BP神经网络（BP neural networks， BPNN）对不同温度、不同栅极电压以及不同漏极电流下SiC MOSFET器件的导通电阻数据进行详细描述。最后，对基于BPNN的SiC MOSFET导通电阻估测方法进行效果验证。结果表明，该方法具有精度高和泛化能力强的优点，能够实现SiC MOSFET器件导通电阻的有效估测。

关键词：碳化硅功率管；导通电阻；神经网络；误差分析；温度特性

中图分类号：V240.2文献标识码：ADOI：10.19452/j.issn1007-5453.2021.09.012

基金项目：航空科学基金（201933052001，20183352030），中央高校基本科研业务费专项资金资助项目（NS2021021）

随着航空航天技术的飞速发展，高性能、高可靠性、智能化成为未来飞行器发展的主要特征[1]。碳化硅（SiC）MOSFET作为一种新型宽禁带功率半导体器件，具有更低的导通电阻、更高的开关速度、更小的反向恢复电荷和更高的击穿电场强度，在工作条件恶劣、性能要求苛刻的应用环境中十分有利，目前已经成为航空航天电能变换、配电领域研究和应用的热点[2-10]。作为一种功率器件，SiC MOSFET器件工作在恶劣、苛刻的环境中，其电性参数会产生退化现象，进而影响系统的性能，甚至导致电路故障，造成严重的损失。因此，对SiC MOSFET器件的健康狀态进行监测技术研究是很有必要的。

1 SiC MOSFET器件健康监测技术研究现状

随着SiC MOSFET器件的退化，其内部的电参数会发生变化，比较典型的如导通电阻，其已被证实与SiC MOSFET老化存在一定的相关性[11-14]，因此可以通过监测SiC MOSFET的导通电阻实现对器件的可靠性判定。

参考文献[15]将SiC MOSFET的导通电阻与扩展频谱时域反射法（SSTDR）自相关峰值建立联系，通过观察SSTDR自相关峰值幅度确定SiC MOSFET器件导通电阻的变化情况来判断器件是否老化，SSTDR硬件较灵敏，测量误差低，但成本较高。参考文献[16]对多电飞机和全电飞机直流固态功率控制器中的SiC MOSFET设计了稳态导通电压在线测量电路，通过高精度的电流检测电阻测量得到漏源极电流，从而在线获得SiC MOSFET的导通电阻，该方法需要搭建额外的检测电路，在线监测系统的结构也较复杂。参考文献[17]对空间飞行器驱动器中的SiC MOSFET构建了基于半导体物理的导通电阻非线性数学模型，比较精确地表征了SiC MOSFET导通电阻随结温的变化规律，该方法涉及器件的内部结构以及半导体物理学机理，并引入了一些非线性参数，模型构建过程较为复杂。参考文献[18]利用钳位总线电压和电流传感器，通过模数转换模块快速读取电流传感器采集的漏源极电流并计算转换成导通电阻，实现对SiC MOSFET的退化监测以及健康状态评估，该方法结构简单、易于测量且成本较低，但存在测量误差。

为了更方便地获得SiC MOSFET的导通电阻，提高方法的通用性，本文尝试使用BP神经网络（BP neural networks， BPNN）构建SiC MOSFET器件的导通电阻模型。将SiC MOSFET器件视为黑箱，建立用于SiC MOSFET的多输入-单一输出黑箱系统，将施加于器件的外部电气参数作为输入，器件的导通电阻作为输出，通过比较黑箱系统输出值与实际测量值，实现对SiC MOSFET的健康状态评估。

2基于BPNN的SiC MOSFET导通电阻估测

本文采用BPNN的非线性函数拟合方法、思路对SiC MOSFET的导通电阻进行研究。首先将SiC MOSFET导通电阻测试电路中得到的样本数据进行样本划分，即样本数据按照一定比例分为训练样本和测试样本。然后利用训练样本构建BPNN模型，并使之能够根据已知条件估测SiC MOSFET的导通电阻值，利用测试样本测试BPNN模型的拟合性能。最后，对模型估测值与实际测量值进行误差评估。上述建立了基于BPNN的SiC MOSFET导通电阻估测模型，具体流程如图1所示。利用基于BPNN的SiC MOSFET导通电阻估测模型进行健康状态评估，判定SiC MOSFET是否出现异常，具体流程如图2所示。

3仿真试验

本文以SiC MOSFET器件为研究对象，在Cadence/ PSpice仿真软件中搭建SiC MOSFET导通电阻测试电路仿真模型。改变SiC MOSFET的温度、栅极电压和漏极电流，实现不同工作条件下SiC MOSFET导通电阻测试。

3.1测试电路仿真模型简介

SiC MOSFET导通电阻测试电路原理图[19]如图3所示，其中，Vgs为栅极电压，Rg为栅极驱动电阻，R1为测试电路的负载，Vdc为直流母线电压，其为整个测试电路供电。为了方便对SiC MOSFET导通电阻的测量，本文将栅极电压设置为高电平，使SiC MOSFET在测试电路中处于常开通状态。SiC MOSFET开通时，其漏源极之间等效为导通电阻Ron。在Cadence/PSpice仿真软件中，设计SiC MOSFET导通电阻测试电路的仿真模型，仿真模型中使用C2M008012 0D型号的SiC MOSFET，此型号的器件模型从CREE官网下载并导入仿真软件即可，仿真模型中使用的电阻和电压源均由仿真软件自带器件库提供。

3.2数据采集和样本划分

在SiC MOSFET导通电阻测试电路仿真模型中，设置不同栅极电压、不同直流母线电压和不同温度，运行仿真电路。此处需要说明，本试验通过改变测试电路的直流母线电压值间接改变漏极电流的大小。试验选取的直流母线电压为2～18V，幅值间隔为2V，选取的栅极电压为8～18V，幅值间隔为2V，选取的温度为50～175℃，幅值间隔为25℃，一共9×6×6=324种不同工作条件，即一共有324个SiC MOSFET导通电阻样本数据。将上述条件下的仿真样本数据按照4：1的比例分为259个训练样本和65个测试样本。

3.3算法验证

本试验设计了三种BPNN的网络结构，分别为：3-3-1、3-5-1和3-10-1。调用“newff”和“train”函数建立和训练BPNN，激活函数采用“sigmoid”函数，并选用“purelin”函数作为输出传递函数，最小均方误差设为“1e-10”。将训练好的BPNN相关参数进行保存，用于后续对此模型进行性能验证。

利用测试样本测试BPNN的性能，以试验设计的3-5-1结构的BPNN模型为例，具体结果如图4所示。图4中，横坐标为测试样本个数，纵坐标为SiC MOSFET导通电阻值，红色标注为测试样本的实际值，绿色标注为测试样本的BPNN的估测值。

分析测试样本的实际导通电阻值与BPNN模型输出值，得出三种不同BP模型下，两个导通电阻值的平均绝对误差，具体见表1。

4實际试验

参考前述SiC MOSFET导通电阻测试电路原理图，设计了硬件试验平台。利用试验数据构建SiC MOSFET导通电阻的BPNN模型，并将建立的模型用于SiC MOSFET的健康状态评估。

4.1硬件试验平台

硬件试验平台如图5所示。其中，①为SiC MOSFET导通电阻测试主电路；②为DF1731SLL5A双路直流稳压电源；③为SiC MOSFET（型号：C2M0080120D）；④为220VAC/ 850W微控制器控温的加热台；⑤为TES 1310 TYPE-K测温仪；⑥为Handyscope HS4数据采集卡；⑦为上位机。

DF1731SLL5A直流稳压电源为Vgs和Vdc提供不同幅值的直流电压，此款电源为双路输出电源，可提供0～30V电压值和0～5A电流值。SiC MOSFET的型号为C2M0080120D，规格为31.6A/1200V。本试验使用12位精度的Handyscope HS4型号数据采集卡，其最高采样率可达5MHz。加热台用于实时调节SiC MOSFET的工作温度，其具体为220VAC/ 850W规格微电脑控温加热台，温度调节范围为0～300℃。测量SiC MOSFET温度所需设备为TES 1310 TYPE-K型号测温仪，可以实现对SiC MOSFET器件表面温度实时测量。

4.2样本选取与划分

BPNN模型的训练和测试样本为SiC MOSFET导通电阻测试电路硬件试验平台中阻性负载的电压数据。物理试验中选取直流母线电压为2V、4V和6V，选取栅极电压为8V、10V、12V、14V、16V和18V，选取温度为50℃、75℃和100℃，一共3×6×3=54种不同工作条件，即一共有54个阻性负载的电压样本数据。对上述条件下的试验样本数据进行中值滤波处理，选取滤波后的前50000个数据点，利用式（2）和式（3）计算SiC MOSFET的导通电阻并求其均值，得到54个导通电阻样本数据，用于BPNN的训练和测试。按照4：1的比例将54个导通电阻样本数据分为43个训练样本和11个测试样本。

对经过较长时间加速热循环处理的SiC MOSFET进行健康状态评估。首先利用SiC MOSFET导通电阻测试电路硬件试验平台对SiC MOSFET进行测试，并保存试验中阻性负载的电压样本数据。在同一工作条件下采集5个样本，如Vdc= 2V，Vgs= 8V，T = 50℃条件下采集5个样本，并对5个样本编号，共有54种不同工作条件，即采集并保存了54×5=270个样本，每个样本包含100000VRd个数据。对样本数据进行中值滤波，选取滤波后的前50000个数据点，利用式（2）和式（3）计算得到SiC MOSFET导通电阻并求其均值，将270个导通电阻的样本数据均输入BPNN模型。最后，比较SiC MOSFET导通电阻实际测量值与模型估测值，判定SiC MOSFET的健康状态。

4.3算法验证与结果分析

物理试验中所用BPNN的结构及其参数设置与仿真试验一致。以试验设计的3-5-1结构BPNN模型为例，测试样本验证BPNN的模型性能，结果如图6所示。图6的横纵坐标含义与图5一致。分析测试样本的实际导通电阻值与BPNN模型输出值，两个导通电阻的平均绝对误差为0.019。

将经过长时间加速热循环处理的SiC MOSFET相关试验数据输入BPNN模型，然后设定合理的阈值，对SiC MOSFET的健康状态进行评估。对同一工作条件的5个试验样本进行编号，并记作样本1～样本5。以样本1为例，图7的横坐标为54种不同工作条件。图7的左图横坐标为样本状态数，纵坐标为SiC MOSFET导通电阻值，其中，绿色标注为BPNN的输出导通电阻值，红色标注为实际的导通电阻值。图7的右图横坐标为样本状态数，纵坐标为SiC MOSFET导通电阻预测值与实际值的相对误差。

表2～表4給出了本试验设计的三种BPNN结构下，不同编号样本的相对误差分布情况，其中，3-3-1，3-5-1和3-10-1这三种结构的BPNN分别记为模型Ⅰ、模型Ⅱ和模型Ⅲ，同种编号样本的总个数为54。根据表1～表3的数据可得，同种编号的样本中均有一半以上样本的估测值与实际值相对误差为10%～ 20%。SiC MOSFET导通电阻估测值与实际值的相对误差大于等于10%，可以认为经过一段时间加速热循环的SiC MOSFET导通电阻增加了10%左右，已经有了老化趋势，操作人员应在使用过程中需关注SiC MOSFET的可靠性问题。

5结束语

本文研究了基于BPNN的SiC MOSFET导通电阻估测方法，其不需要分析SiC MOSFET器件的内部结构，也不需要得出SiC MOSFET器件的参数拟合公式。用本文方法，可以评估不同工作条件下SiC MOSFET的导通电阻值，然后与实际测量的导通电阻值进行对比，实现SiC MOSFET的健康状态监测。本文所提方法具有误差小、灵活性好且适用范围广的优势，可供其他器件类研究借鉴。

参考文献

[1]方永红.无人直升机系统发展展望[J].航空科学技术， 2021， 32（1）：35-40. FangYonghong.Developmentprospectofunmanned helicopter system[J]. Aeronautical Science & Technology， 2021， 32（1）：35-40. （in Chinese）

[2]梁向东.电动飞行器及其关键技术的研究探析[J].航空科学技术， 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]李开省.电动飞机技术的发展研究[J].航空科学技术， 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]盛况，任娜，徐弘毅.碳化硅功率器件技术综述与展望[J].中国电机工程学报， 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]吴涛，孙鹏，赵志斌，等.基于温敏电参数的碳化硅MOSFET结温测量方法综述[J].中国电机工程学报， 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]郭庆波.飞行器用永磁同步电机控制系统效率提升关键技术[D].哈爾滨：哈尔滨工业大学， 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]钟志远，秦海鸿，朱梓悦，等.碳化硅MOSFET器件特性的研究[J].电气自动化， 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