オンライン機械学習を用いた複雑形状のバスバー配線構造に依存する寄生パラメータ推定

カテゴリ: 研究会(論文単位)

論文No: SPC23020,MD23020

グループ名: 【D】産業応用部門 半導体電力変換/【D】産業応用部門 モータドライブ合同研究会

発行日: 2023/01/23

タイトル(英語): Prediction Procedure of Parasitic Parameters Considering Complex Bus Bar Geometries Based on Online Machine Learning

著者名: 重富 亮佑(東京都立大学),和田 圭二(東京都立大学)

著者名(英語): Ryosuke Shigetomi(Tokyo Metropolitan University),Keiji Wada(Tokyo Metropolitan University)

キーワード: 寄生インダクタンス|ラミネートバスバー配線|電磁界解析|機械学習|寄生パラメータ|Stray Inductance|Laminated Bus Bar|Electromagnetic Field Analysis|Machine Learning|Parasitic Parameter

要約(日本語): 電力変換回路の高周波駆動に伴い、直流側電源とパワーデバイスを接続する配線に存在する寄生インダクタンスの影響が顕著に現れる事が知られている。配線構造は設計者によって自由に定められるため、現在寄生パラメータは計算コストの大きい電磁界解析によって計算されている。本稿では、電磁界解析データのオンライン機械学習を実行し、複雑配線構造に依存する寄生パラメータを高速かつ簡易的に推定する学習モデルを作成する。

要約(英語): SiC and GaN power devices have been developed for achieving high-speed switching operations to power converter circuits. Stray inductance caused by bus bar geometries between dc capacitors and power devices has effects on high-speed switching circuits such as surge voltages and switching losses. Therefore, evaluating parasitic parameters is essential for designing power converter circuits. Currently, parasitic parameters considering a wide variety of bus bar geometries are calculated by electromagnetic field analysis each time and that takes a large calculation time. This paper proposes the machine learning model to predict parasitic parameters considering bus bar geometries easily and quickly by performing online machine learning of datasets from electromagnetic field analysis.

本誌: 2023年1月26日-2023年1月27日半導体電力変換/モータドライブ合同研究会-2

本誌掲載ページ: 13-18 p

原稿種別: 日本語

PDFファイルサイズ: 2,078 Kバイト