← 返回
基于人工神经网络和深度强化学习的功率模块封装多目标自动设计
Automated Design of Power Module Packaging With Multiobjectives Based on Artificial Neural Network and Deep Reinforcement Learning
| 作者 | Jianing Wang · Weina Mao · Baolong Yan · Shaolin Yu · Zhicheng Gao · Yiyang Jiang · Yaodong Huang · Deping Tang |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2026年4月 |
| 技术分类 | 功率器件技术 |
| 技术标签 | 功率模块 强化学习 深度学习 有限元仿真 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 功率模块封装 多目标优化 人工神经网络 深度强化学习 三维数值仿真 自动化设计 |
语言:
中文摘要
传统功率模块封装设计依赖人工经验，而基于元启发式算法的计算机辅助优化存在仿真周期长的问题。本文提出了一种基于人工神经网络和深度强化学习的多目标自动设计方法，旨在实现功率模块封装的高效优化，显著缩短设计迭代周期。
English Abstract
Traditional design methods for power module packaging heavily rely on manual experiences. Although the computer-aided optimization methods utilizing metaheuristic algorithms, for example, have accelerated the design process, they are still affected by lengthy iterative cycles when including 3-D numerical simulations. Regarding these issues, this article proposes a multiobjective automated design m...
S
SunView 深度解读
该技术对阳光电源的核心产品线（如组串式/集中式光伏逆变器、PowerTitan储能系统及风电变流器）具有极高的应用价值。功率模块是上述产品的核心组件，其封装设计直接影响热管理、功率密度及可靠性。通过引入深度强化学习和神经网络替代传统的有限元仿真迭代，可大幅缩短研发周期，提升功率模块的散热性能与电气性能。建议研发团队将其应用于新一代高功率密度逆变器及储能PCS的功率模块选型与结构优化，以保持在行业内的技术领先优势。