Sensorfusion auf Basis maschinellen Lernens zur Bestimmung der Sperrschichttemperatur

Abstract

Die genaue Bestimmung der Sperrschichttemperatur spielt eine elementare Rolle bei der Optimierung der Leistungsfähigkeiten sowie der Zuverlässigkeit von SiC (Silicon Carbide)-Leistungsmodulen. Im Rahmen der indirekten Bestimmung der Sperrschichttemperatur lassen sich Temperature Sensitive Electrical Parameters (TSEPs) einsetzen, die jedoch neben der Sperrschichttemperatur weitere Abhängigkeiten von elektrischen Größen aufweisen. Dies kann zu einer ungenauen Schätzung der Sperrschichttemperatur führen, weshalb diese Bestimmung robuster gestaltet werden muss. Ein Ansatz, um dies zu erreichen, stellt die Kombination mehrerer TSEPs dar, die im Anschluss mithilfe einer KI auf einem Mikrocontroller verarbeitet werden. In dieser Arbeit werden zwei unterschiedliche Ansätze aufgezeigt, um anhand von maschinellen Lernens die Sperrschichttemperatur eines Metal-Oxide-Semiconductor Field-Effect Transistors (MOSFETs) auf Basis von TSEPs zu bestimmen. Hierzu werden die Werkzeuge NanoEdgeAI Studio sowie X-CUBE-AI eingesetzt, um die entwickelten Modelle auf einem STM32 Mikrocontroller zu implementieren. Ein Vergleich beider Ansätze zeigt, dass NanoEdgeAI Studio Modelle mit effizienterer Nutzung der Ressourcen des Mikrocontrollers ermöglicht. Im Gegensatz dazu erreichen in Python entwickelte Modelle in Kombination mit X-CUBE-AI ohne Quantisierung präzisere Schätzungen bei größerem Speicherbedarf. Im Kontext der Arbeit werden diverse Untersuchungen durchgeführt, um die Schätzgenauigkeit der betrachteten Modelle zu maximieren. Dazu gehören Ensemblebildung und Trainingsprozesse mit unterschiedlich großen Datensätzen sowie die Variation der Anzahl der Eingabesignale. So lässt sich zeigen, dass sich durch Bildung von Ensembles der R-Squared-Wert bei gleichzeitiger Reduktion des maximalen Fehlers erhöhen lässt. Durch Vergrößerung des Datensatzes lässt sich dieser Wert ebenfalls anheben und eine Steigerung durch die Kombination von TSEPs ist beobachtbar. Die realisierten Algorithmen erzielen unabhängig von der Qualität der gemessenen Signale höhere R-Squared-Werte als der traditionelle Ansatz, der lediglich einen elektrischen Parameter für die Schätzung der Sperrschichttemperatur einsetzt. Dieser beträgt 97,9% und der maximale Fehler weist einen Wert von 14K auf. So lässt sich durch die Kombination sämtlicher TSEPs ein Random Forest in NanoEdgeAI Studio entwickeln, der einen R-Squared-Wert von 99,03% erzielt, was einem Zuwachs von 1,13 Prozentpunkten entspricht. Überdies bemisst der maximale Fehler 8K, was 6K unter dem maximalen Fehlers des konventionellen Ansatzes liegt. Zusätzlich ermöglicht dieses Vorgehen die Bestimmung weiterer Parameter, exemplarisch lässt sich der Laststrom nennen.