找到 2 条结果 · 可靠性与测试
基于物理信息深度学习与稀疏数据的电力电子器件剩余寿命预测
Remaining Useful Life Prediction of Power Electronic Devices With Physics-Informed Deep Learning and Sparse Data
Le Gao · Chaoming Liu · Yiping Xiao · Chunhua Qi 等5人 · IEEE Transactions on Power Electronics · 2025年11月
针对碳化硅（SiC）MOSFET在复杂环境下的剩余寿命（RUL）预测问题，本文提出了一种物理信息深度学习方法。该方法有效解决了现有深度学习模型在稀疏退化数据条件下预测精度不足的局限性，提升了电力电子系统在极端环境下的可靠性评估能力。
解读: 该技术对阳光电源的核心业务具有极高价值。随着SiC器件在组串式光伏逆变器和PowerTitan系列储能系统中的广泛应用，提升功率模块的可靠性预测能力至关重要。该方法通过物理模型与AI结合，能够在数据采集受限的实际工况下，精准评估器件寿命，从而优化iSolarCloud平台的运维策略，实现从“事后维修...
基于深度学习的功率MOSFET剩余寿命预测方法
Prediction Method for the Remaining Useful Life of Power MOSFETs Based on Deep Learning
Le Gao · Chaoming Liu · Fengjiang Wu · Yongfeng Qin 等6人 · IEEE Transactions on Power Electronics · 2025年11月
功率开关器件是电力转换系统的核心，其寿命评估对系统安全可靠运行至关重要。针对现有统计数据驱动方法在处理复杂、非线性及大规模数据时精度低、稳定性差及适应性不足的问题，本研究提出了一种基于深度学习的功率MOSFET剩余寿命（RUL）预测方法，旨在提升器件健康状态监测的准确性与鲁棒性。
解读: 该研究对阳光电源全系列产品（光伏逆变器、储能PCS、风电变流器及充电桩）具有极高应用价值。功率器件（MOSFET/IGBT）是上述产品的核心损耗与故障源，通过深度学习实现器件RUL预测，可将传统的“事后维修”升级为“预测性维护”，显著提升iSolarCloud平台的运维智能化水平。建议研发团队将此算...