[发明专利]基于机器学习算法进行温度估计的转换器故障行为预测

说明书

公开了一种用于预测电转换器(12)的故障行为的方法，该方法包括：接收指示电转换器(12)的实际操作点的电转换器(12)的操作点指标(I)；接收指示功率半导体器件(18)的实际温度的电转换器(12)的功率半导体器件(18)的测量器件温度(T_d)；将操作点指标(I)作为输入数据输入到机器学习算法(32)中，该算法利用包括操作点指标和相关器件温度的历史数据进行训练；利用机器学习算法对估计器件温度进行估计；以及通过将估计器件温度与测量器件温度(T_d)进行比较来预测故障行为(F)。

技术领域

本发明涉及功率半导体器件的预测性维护领域。特别地，本发明涉及用于预测电转换器的故障行为的方法、计算机程序、计算机可读介质和控制器。此外，本发明涉及具有这种控制器的转换器。

背景技术

可以例如使用集成到容纳半导体器件的半导体模块中的温度传感器来直接测量诸如IGBT的功率半导体器件的外壳温度或模块温度。然而，除了温度过高之外，从测得的温度中几乎没有获得任何有意义的东西。通常，由于使用功率半导体器件的系统的操作点和条件可能会发生变化，因此很难看到总体温度趋势的升高，例如在与以前相同的条件下温度的升高。

另一方面，温度趋势是监测功率半导体器件的静态条件的一种简单方法。突然升高可能被视为部件故障或老化(例如由于电阻增加)、冷却故障(可能出现故障或被阻塞)或环境温度升高(可能导致加速老化)。然而，当温度由于动态操作点和循环部件使用而在短时间内发生很大变化时，这种类型的简单趋势通常不适用，因为可能很难注意到随着时间缓慢发生的有意义的变化，例如更高的最高温度或更慢的冷却时间。

CN 109 101 738A描述了一种用于估计IBGT模块的老化程度的方法。该方法包括利用测量的IGBT模块的电热特性数据(例如电流、电压或温度)来训练人工神经网络的步骤。在进一步的步骤中，将实际测量的电热特性数据输入到训练好的人工神经网络中，并输出老化程度评估结果，该结果可以是老化循环次数或老化程度。

EP 2 941 674 A2描述了一种基于变压器的运动曲线来预测期望负载的变压器油温的方法。该运动曲线基于一种机器学习算法，该算法已使用变压器传感器提供的历史数据进行了训练。

EP 2 600 510 A1描述了一种用于控制具有功率模块的电转换器的方法，该电转化器可以通过产生通过功率模块的循环电流而被加热到目标温度。可以基于功率模块的热模型和环境温度来估计功率模块的实际温度。

AU 2013 260 082 A1描述了一种用于基于功率开关的结温来减少功率转换器中的功率开关的热循环的方法。可以根据环境温度估计结温。

发明内容

本发明的目的是改进功率半导体器件的预测性维护。本发明的另一个目的是更好地预测功率半导体器件的温度趋势。

这些目的通过独立权利要求的主题来实现。进一步的示例性实施例从从属权利要求和以下描述中显而易见。

本发明的第一方面涉及一种用于预测电转换器的故障行为的方法。该方法可以由电转换器的控制器，例如作为存储在控制器中的软件模块自动执行。

根据本发明的实施例，该方法包括：接收指示电气转换器的实际操作点的电气转换器的操作点指标；以及接收指示功率半导体器件的实际温度的功率半导体器件的测量器件温度。

电转换器的操作点可以由电转换器在特定时间点的特性来限定。例如，操作点可以由电转换器处理的电流和/或电压和/或由电转换器的输出功率来限定。操作点指标可以提供为一个值或一组值。操作点指标可以包括与功率半导体器件的温度相关的一个或多个值和/或量。

操作点指标可以根据在电转换器中测量的量和/或由控制电转换器的功率半导体开关的电转换器的控制器产生的量来确定。

功率半导体器件可以是功率半导体开关，例如IGBT。