模型训练方法、半导体器件的结温在线监测方法及装置

本公开涉及电力电子器件状态监测和热管理领域，尤其涉及一种模型训练方法、半导体器件的结温在线监测方法、装置、设备、介质和程序产品。

背景技术：

1、sic(silicon carbide，碳化硅)器件诞生以来，凭借其高功率密度、高开关频率、高开关速率等优良特性在变换器市场占据重要地位。然而，这些特性对它们的可靠性和热管理也提出了更多挑战，其中，高功率密度会带来更大的热应力，高开关频率会带来更大的开关损耗。

2、作为sic器件的代表，sic mosfet(metal-oxide-semiconductor field-effecttransistor，金属氧化物半导体场效应晶体管)的可靠性问题已成为当下关注的焦点。有关统计数据显示，功率器件的失效率和维修成本在变换器系统中均高居首位，导致sicmosfet失效的主要因素为过温和结温波动，其中，过温会导致绝缘热击穿等瞬时失效，结温波动则会加速器件的老化，缩短器件使用寿命。

3、基于上述内容可知，针对sic器件的结温监测是提供其可靠性的基础，因此，如何提高对半导体器件的结温监测的精度是相关技术中需要解决的技术问题。

技术实现思路

1、鉴于上述问题，本公开提供了一种模型训练方法、半导体器件的结温在线监测方法、装置、设备、介质和程序产品。

2、根据本公开的第一个方面，提供了一种模型训练方法，包括：

3、获取与目标半导体器件对应的训练集，其中，上述训练集包括n组数据，n为正整数，每组数据包括结温和与结温对应的通态压降、反向压降和负载电流；以及

4、根据上述训练集，对初始模型进行训练，得到用于消除负载电流对结温监测影响的第一目标模型，其中，上述初始模型表征结温与通态压降、反向压降和负载电流之间关系的函数模型，上述第一目标模型表征结温与通态压降和反向压降之间关系的函数模型。

5、根据本公开的实施例，上述获取与目标半导体器件对应的训练集，包括：

6、在n个双脉冲中的每个双脉冲期间，测量得到上述训练集中的一组数据，其中，上述n个双脉冲是向上述目标半导体器件发送的。

7、根据本公开的实施例，上述双脉冲包括第一脉冲和第二脉冲，上述在n个双脉冲中的每个双脉冲期间，测量得到上述训练集中的一组数据，包括：

8、针对每个上述双脉冲，在上述第一脉冲的期间，利用直流电对加热板上的负载电感充电，以在上述第一脉冲结束之后，测量得到上述负载电感的负载电流，其中，上述负载电感的负载电流表征上述目标半导体器件的负载电流；

9、在上述第一脉冲和上述第二脉冲之间，基于负载电流在位于上桥臂的半导体器件上续流，测量得到上述目标半导体器件的反向压降，其中，上述目标半导体器件位于下桥臂，上述半导体器件和上述目标半导体器件均位于上述加热板上；

10、在上述第二脉冲期间，基于上述负载电流从上述半导体器件换流至上述目标半导体器件，测量得到上述目标半导体器件的通态压降；

11、在上述第二脉冲结束之后，测量得到上述目标半导体器件的结温，其中，上述目标半导体器件的结温表征上述加热板的温度。

12、根据本公开的实施例，上述目标半导体器件的负载电流的大小是通过调节上述双脉冲中上述第一脉冲的宽度来控制的，以得到不同负载电流下的通态压降、反向压降和结温。

13、根据本公开的实施例，上述根据上述训练集，对初始模型进行训练，得到用于消除负载电流对结温监测影响的第一目标模型，包括：

14、根据与通态压降、反向压降和负载电流对应的隐函数，构建得到上述初始模型，其中，上述隐函数服从高斯分布，上述初始模型服从高斯分布；

15、确定上述初始模型的均值函数和协方差矩阵；

16、根据与上述训练集对应的高斯过程和与预测集对应的高斯过程，得到与上述训练集和上述预测集对应的联合分布，其中，高斯过程是由均值函数和协方差矩阵确定的，上述预测集包括m组数据，m为正整数，每组数据中通态压降、反向压降和负载电流已知，结温未知；

17、根据上述联合分布和先验分布，得到与上述预测集对应的条件分布，其中，上述先验分布表征与上述训练集对应的高斯过程；以及

18、根据上述条件分布，确定上述第一目标模型，以利用上述第一目标模型，根据上述预测集中的通态压降和反向压降，得到与上述预测集中每组数据对应的结温。

19、根据本公开的实施例，上述确定上述初始模型上述的均值函数和协方差矩阵，包括：

20、利用核函数，根据上述训练集中任意的每两组数据，确定上述协方差矩阵中的一个元素，其中，上述均值函数设定为零，上述协方差矩阵表征n*n的矩阵。

21、根据本公开的实施例，上述根据上述条件分布，确定上述第一目标模型，以利用上述第一目标模型，根据上述预测集中的通态压降和反向压降，得到与上述预测集中每组数据对应的结温，包括：

22、根据上述条件分布，确定第一初始目标模型；

23、对上述第一初始目标模型中未知的超参数进行参数估计，得到与每个未知的超参数对应的超参数值；以及

24、根据上述第一初始目标模型和每个超参数值，得到上述第一目标模型。

25、根据本公开的实施例，上述模型训练方法还包括：

26、利用上述训练集，对上述第一目标模型进行测试，得到测试结果，其中，上述测试结果表征上述第一目标模型的性能。

27、根据本公开的实施例，上述利用上述训练集，对上述第一目标模型进行测试，得到测试结果，包括：

28、将上述训练集中的n组数据进行划分，得到k份数据集，其中，k为大于等于2的整数；

29、以上述k份数据集中的每份数据集依次作为测试集，其余k-1份数据集作为训练集，对上述第一目标模型进行测试，得到k个测试子结果；以及

30、根据上述k个测试子结果，得到上述测试结果。

31、根据本公开的实施例，上述以上述k份数据集中的每份数据集依次作为测试集，其余k-1份数据集作为训练集，对上述第一目标模型进行测试，得到k个测试子结果，包括：

32、在上述k份数据集中的每份数据集作为测试集的情况下，利用上述其余k-1份数据集作为训练集对上述第一目标模型进行训练，得到训练参数；以及

33、利用上述测试集对第二目标模型进行测试，得到上述测试结果，其中，上述第二目标模型是根据上述第一目标模型和上述训练参数确定的。

34、本公开的第二方面提供了一种半导体器件的结温在线监测方法，包括：

35、将半导体器件的通态压降和反向压降输入第一目标模型中，输出上述半导体器件的结温，以根据上述结温调整上述半导体器件。

36、本公开的第三方面提供了一种模型训练装置，包括：获取模块和训练模块。其中，获取模块，用于获取与目标半导体对应的训练集，其中，上述训练集包括n组数据，n为正整数，每组数据包括结温和与结温对应的通态压降、反向压降和负载电流。训练模块，用于根据上述训练集，对初始模型进行训练，得到用于消除负载电流对结温监测影响的第一目标模型，其中，上述初始模型表征结温与通态压降、反向压降和负载电流之间关系的函数模型，上述第一目标模型表征结温与通态压降和反向压降之间关系的函数模型。

37、本公开的第四方面提供了一种半导体器件的结温在线监测装置，包括：输出模块。其中，输出模块，用于将半导体器件的通态压降和反向压降输入第一目标模型中，输出上述半导体器件的结温，以根据上述结温调整上述半导体器件。

38、本公开的第五方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述方法。

39、本公开的第六方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述方法。

40、本公开的第七方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法。

41、根据本公开提供的模型训练方法、半导体器件的结温在线监测方法、装置、设备、介质和程序产品，利用获取的与目标半导体器件对应的训练集训练表征结温与通态压降、反向压降和负载电流之间关系的初始模型，得到表征结温与通态压降和反向压降之间关系的第一目标模型，以利用第一目标模型对目标半导体进行结温监测，由于反向压降的特点是在全负载电流范围内具有较高的灵敏度，通态压降的特点是在电流较大时具有极高的灵敏度，使得在小电流范围内，反向压降能够补偿通态压降的灵敏度，并且，能够将负载电流的作用消去，从而使得结温监测不受工况的影响，同时结温监测的精度能够在全电流范围内提升。