Digitaler Zwilling & KI-basierte Regelung

Bei der Zuverlässigkeitsbewertung von Leistungshalbleitern spielen statische Lastwechseltests eine zentrale Rolle. Um praxisnahe Einsatzbedingungen zu simulieren, werden sogenannte Missionsprofile herangezogen, die reale Belastungsszenarien abbilden. Die Abbildung dieser komplexen Profile auf Prüfständen ist jedoch herausfordernd, da geeignete Strategien zur Regelung und Parametrierung gefunden werden müssen. Künstliche Intelligenz (KI) bietet in diesem Zusammenhang neue Möglichkeiten: Mithilfe von Lern- und Optimierungsverfahren lassen sich Strategien entwickeln, die die Genauigkeit und Effizienz der Testdurchführung erhöhen. Ziel dieser Arbeit ist die Entwicklung und Erprobung KI-basierter Methoden, die Missionsprofile automatisiert in geeignete Steuerstrategien für statische Lastwechseltests übersetzen. Dabei sollen Verfahren untersucht werden, die sowohl die Einhaltung der Missionsprofile gewährleisten als auch einen effizienten Prüfstandsbetrieb ermöglichen.

Art der Arbeit:

BA ❌ FA ✅ MA ✅ 

Vorkentnisse:

• Grundkenntnisse in Leistungselektronik und Halbleiterbauelementen
• Interesse an experimenteller Arbeit sowie Datenanalyse
• Selbstständige und strukturierte Arbeitsweise
• Vorkenntnisse in der Mikrocontrollerprogrammierung wünschenswert

Kontakt:

Tobias Fink

SiC-Leistungs-MOSFETs werden aufgrund ihrer hohen Leistungsdichte und Effizienz häufig in Automobilanwendungen wie dreiphasigen Traktionswechselrichtern eingesetzt. Die genaue Echtzeitbestimmung der Sperrschichttemperatur Tj gewährleistet die Zuverlässigkeit des MOSFET, indem der Betrieb innerhalb seines sicheren Arbeitsbereichs (SOA) aufrechterhalten wird und verhindert wird, dass Tj seinen maximalen Grenzwert Tj,max überschreitet. Eine weit verbreitete Methode zur Bestimmung von Tj ist die Verwendung von Lookup-Tabellen (LUTs). Diese benötigen jedoch viel Speicherplatz, was ihre Verwendung für Echtzeitanwendungen erschwert. Aus diesem Grund werden in diesem Artikel Ansätze des maschinellen Lernens wie beispielsweise ein thermisches neuronales Netzwerk (TNN) untersucht, das ausschließlich TSEPs zur Bestimmung von Tj verwendet.

Art der Arbeit:

BA ❌ FA ✅ MA ✅ 

Vorkentnisse:

• Maschinelles Lernen
• Python
• MATLAB/Simulink
• C
• STM32

Kontakte:

Diego Kuderna Melgar