找到 2 条结果
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9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4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...