[发明专利]一种基于深度学习的热阻测量方法

权利要求书

1.一种基于深度学习的热阻测量方法，其特征在于，包括如下步骤：

步骤1、获取待测器件的结温冷却曲线；

步骤2、获取ANN建模所需的瞬态热阻抗曲线与时间常数谱的样本集；所述ANN表示为人工神经网络；

步骤3、根据所述待测器件的结温冷却曲线，计算器件的瞬态热阻抗曲线，获得瞬态热阻抗曲线与结温冷却曲线的关系；

步骤4、根据所述的瞬态热阻抗曲线与时间常数谱的样本集，获得ANN模型；根据所述器件的瞬态热阻抗曲线作为ANN模型的输入变量，获得器件的时间常数谱曲线；

步骤5、根据所述器件的时间常数谱曲线，计算器件的积分结构函数曲线，获得所述器件的热阻。

2.根据权利要求1所述的一种基于深度学习的热阻测量方法，其特征在于，

所述步骤2中，通过实验室的热阻测试仪，测量一批功率器件模块，获取ANN建模所需的瞬态热阻抗曲线与时间常数谱的样本集。

3.根据权利要求2所述的一种基于深度学习的热阻测量方法，其特征在于，

所述步骤3中，根据所述结温冷却曲线，瞬态热阻抗曲线与结温冷却曲线的关系为：

其中，Z(t)表示相应时刻的阻抗值；T(0)表示停止加热时的初始结温；T(t)表示相应时刻的结温；ΔP_loss表示器件的耗散功率，在热平衡时等于加热功率。

4.根据权利要求3所述的一种基于深度学习的热阻测量方法，其特征在于，所述步骤4中，对于输入特征变量，瞬态热阻抗曲线由下列分段函数精准拟合：

其中，k，r1，c1，r2，c2，r3，c3为相关参数，t为时间，Zth(t)为瞬态热阻抗；

对于输出特征变量，将时间常数的对数形式z作为输出特征变量，其关系如下式所示：

z＝lnt；

波峰和波谷用两个同样的ANN模型进行分别训练；将五个波峰的时间常数的对数z1，z2，z3，z4，z5和对应振幅R1，R2，R3，R4，R5作为第一ANN的输出特征变量，再将五个波谷的时间常数的对数z6，z7，z8，z9，z10和对应振幅R6，R7，R8，R9，R10作为第二ANN的输出特征变量；

ANN模型训练采用ReLU函数，如下式所示：

x表示函数输入。

5.根据权利要求4所述的一种基于深度学习的热阻测量方法，其特征在于，所述步骤5中，根据所述瞬态热阻抗数据进行上述精确拟合后作为ANN输入，分别经过第一ANN和第二ANN的迭代，输出得到时间常数谱的波峰波谷，将其从原点开始依次连接得到时间常数谱曲线。

6.根据权利要求5所述的一种基于深度学习的热阻测量方法，其特征在于，根据所述时间常数谱曲线，将其离散化得到Foster网络模型热阻热容参数，离散化公式为：

式中R为时间常数谱的幅值；zi表示的是取样点i对应的对数时间坐标轴上的坐标；Δz表示的是相邻取样点间的距离；Ki为第i层的热阻值；Ci为第i层的热阻值；ζ表示为zi-Δz/2到zi+Δz/2区间的值，即时间的对数z＝lnt；

将所述Foster网络模型经过模型转换得到Cauer网络模型；Foster网络模型总的热阻抗为每个节点网络热阻之和，其在复频域中表达式为：

其中，s表示为复频域，n为网络模型阶数，Ri为第i阶热阻值，Ci为第i阶热容值；

Cauer网络模型在复频域中的表达式为：

将所述Foster网络模型参数辗转相除得到Cauer网络模型的热阻热容参数；

将所述Cauer网络模型的热阻热容参数分别进行累加，得到积分结构函数曲线，即得到器件热阻。

7.根据权利要求6所述的一种基于深度学习的热阻测量方法，其特征在于，所述辗转相除包括：

将Foster模型表达式通分求和得到：

其中，Y(s)为热阻抗的倒数热导纳，n_i为参数，d_i为参数，N为模型阶数，s为复频域；i＝0,1，……，N-1；

上式Y(s)中s→∞时:C₁为Cauer网络模型的参数值；

接着除去Cauer网络模型的C₁的影响，则有：

其中，Y^*(s)为去除C₁后的总热导纳，d_*i为参数；i＝0,1，……，N-1；

此时s→∞时，此时R1为Cauer网络模型的参数值，再从Z^*(s)将R₁去除，求得C₂，如此反复辗转相除再相减即求得R₂、C₃…C_N+1、R_N，即实现Foster网络模型向Cauer网络模型的转化。