找到 4 条结果
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...
SiC功率MOSFET中单粒子烧毁的热动力学
Thermal Dynamic of Single-Event Burnout in SiC Power MOSFETs
Yiping Xiao · Chaoming Liu · Leshan Qiu · Mingzheng Wang 等6人 · IEEE Transactions on Electron Devices · 2025年11月
单粒子烧毁（SEB）在碳化硅（SiC）金属氧化物半导体场效应晶体管（MOSFET）应用于航空航天环境时对其构成了重大威胁，通过离子诱发的热失控效应导致器件永久性功能失效以及系统层面的风险。然而，目前对于详细的热响应过程和触发机制仍缺乏充分的了解。在本研究中，采用了一种新颖的限流方法来研究SiC MOSFET的SEB损伤演化过程和机制。实验结果表明，SEB事件可分为三个不同阶段：首先是p - n结处的初始损伤，随后损伤转移至源极金属/SiC拐角处，在此处晶格共晶引发p - n结退化加剧，最后当n ...
解读: 从阳光电源的业务视角来看，这项关于SiC功率MOSFET单粒子烧毁（SEB）的研究具有重要的技术参考价值。尽管该研究聚焦于航空航天环境下的辐射效应，但其揭示的热失控机理对我们在地面应用中提升SiC器件可靠性同样具有启发意义。 当前，阳光电源在光伏逆变器和储能变流器中已大规模应用SiC功率器件，以实...
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
准确预测碳化硅金属氧化物半导体场效应晶体管（MOSFET）的剩余使用寿命（RUL）对于确保电力电子系统的可靠性至关重要，特别是在辐射环境下。然而，大多数现有的深度学习方法依赖于密集采样的退化数据，使其不适用于退化观测数据有限的稀疏数据条件。为解决这一局限性，我们提出了一种用于稀疏RUL预测的物理信息深度学习（PIDL）方法。该方法通过定制的物理信息损失函数，将总电离剂量引起的退化机制（具体为界面和氧化物陷阱电荷积累）融入基于Transformer的神经网络架构中。这种损失函数明确惩罚与导通状态电...
解读: 从阳光电源的业务视角来看，这项针对碳化硅MOSFET剩余寿命预测的物理信息深度学习技术具有重要的战略价值。作为光伏逆变器和储能系统的核心功率器件，碳化硅MOSFET的可靠性直接关系到我们产品在全生命周期内的性能表现和运维成本。 该技术的核心优势在于解决了稀疏数据条件下的寿命预测难题。在实际应用场景...