【4月1周】ROHM——反向恢复时间trr的影响

qq_56995894 2022-04-03 22:01:14

41周】ROHM——反向恢复时间trr的影响

逆变器电路的优化

 

本文的关键要点

 

  1. 在选择逆变器电路中的开关器件时,要选择trr小的产品,这一点很重要。
  2. 如果逆变器电路中的开关器件的trr大,则开关损耗会增加。
  3. 如果逆变器电路中的开关器件是MOSFET,请仔细确认内部二极管的trr特性。

 

 

01 反向恢复时间trr对逆变器电路的影响

 

在逆变器电路中,开关器件的反向恢复时间trr(Reverse recovery time)特性对损耗的影响很大。在这里,我们将使用唯样商城的“ROHM Solution Simulator”的“Power Device Solution Circuit”进行仿真,以确认trr对逆变器电路的影响。

 

02 仿真所用的逆变器电路

 

作为示例,我们使用上一篇文章中给出的Power Device Solution Circuit一览表中的逆变器电路“B-6. 3-Phase 3-Wire Inverter Vo=200V Po=5kW(图1)。更改该逆变器电路的开关器件(黄色框)并进行仿真,以确认trr的影响。

 

IMG_256

图1:Power Device Solution Circuit逆变器电路B-6. 3-Phase 3-Wire Inverter Vo=200V Po=5kW

 

03 trr特性在逆变器电路中的重要性

 

图2显示了图1的逆变器电路中开关时的电流路径。

 

在逆变器电路中,为了调整供给的功率,通过PWM和PFM等的控制,使High side(高边)和Low side(低边)的器件交替ON/OFF。图2中的①~⑤表示其工作过程,并反复进行该工作过程。

 

着眼点在于从④到⑤的工作中,由于反向恢复电流在High side从OFF变为ON的时间点流过Low side的内部二极管,因此,直通电流会从High side流向Low side(红色所示)。

 

IMG_257

图2:开关时的电流路径

 

该反向恢复电流对续流侧器件(Low side)本身的损耗影响很小,但如图3所示,对于开关侧器件(High side),由于在VDS变化之前这种反向恢复电流会叠加在正常的开关电流中,从而会造成非常大的导通损耗。因此,在逆变器电路中,要选择trr小的开关器件,这一点很重要。

 

IMG_258

图3:开关侧器件(High side)的导通波形示例以及trr的大小与开关损耗之间的关系

 

04 trr特性差异带来的开关损耗比较

 

图4是在图1的逆变器电路中,使用面向普通开关应用的超级结MOSFET R6047KNZ4作为开关器件时,以及使用以内置二极管的高速trr著称的PrestoMOS™ R6050JNZ4时(图1的黄色框)的开关损耗和开关波形仿真结果。

 

IMG_259

图4:不同trr特性的开关器件的开关损耗和波形比较(仿真)

 

如仿真波形所示,由于trr特性的差异,导通损耗存在显著差异。与R6047KNZ4相比,内部二极管具有高速trr特性的R6050JNZ4的导通损耗降低至约1/5。顺便提一下,R6047KNZ4的内部二极管的trr为700ns(Typ.),R6050JNZ4为120ns(Typ.),不到1/5。

 

此外,在分析整个逆变器电路工作期间开关器件(MOSFET)的损耗时,如图5所示,可以看出trr对损耗具有很大影响。

 

IMG_260

图5:普通开关MOSFET和高速trr MOSFET的损耗分析

 

根据该结果,可以说在选择逆变器电路中的开关器件时,要选择内部二极管具有高速trr的产品,这一点很重要。

 

 

...全文
4692 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
内容概要:本文围绕不确定环境下的多式联运路径优化问题展开研究,提出并实现了基于AFO算法、遗传算法(GA)和粒子群优化算法(PSO)的三种智能优化方法,并借助Matlab平台完成算法编程与仿真。研究构建了考虑时间、成本、转运风险等多重不确定因素的路径优化模型,系统比较了AFO、GA、PSO三种算法在收敛速度、全局寻优能力和稳定性方面的表现,同时引入Matlab自带的全局优化搜索器作为基准对照,深入分析各算法在复杂物流网络中的适用边界与性能差异。研究表明,AFO算法在解决此类组合优化问题时展现出更快的收敛效率和更强的局部规避能力。; 适合人群:具备一定Matlab编程基础与运筹优化知识,从事物流工程、交通运输规划、智能算法开发等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于多式联运、综合货运网络中的路径决策支持系统构建;②为不确定性条件下复杂路径规划问题提供智能算法选型依据与技术实现方案;③支持科研人员复现主流优化算法并开展横向性能对比实验,推动算法改进与实际落地。; 阅读建议:建议读者结合提供的Matlab代码逐模块分析算法实现流程,重点理解目标函数设计、约束条件处理及参数敏感性分析部分,可通过调整问题规模与算法参数进行对比实验,进一步拓展至动态路径规划或大规模网络优化等延伸场景。
内容概要:本文研究了基于QLearning自适应强化学习的PID控制器在自主水下航行器(AUV)运动控制中的应用,通过Matlab代码实现了控制算法的仿真验证。该方法融合强化学习的在线自适应能力与传统PID控制的稳定性优势,利用QLearning算法动态优化PID控制器的比例、积分、微分参数,以应对水下复杂流体环境、模型不确定性及外部干扰等挑战,从而提升AUV轨迹跟踪的精度、鲁棒性与动态响应性能。文中系统阐述了AUV的六自由度非线性动力学建模过程、QLearning算法的状态空间与动作空间设计、奖励函数构造及训练机制,并详细说明了PID参数自整定的闭环控制架构。仿真结果表明,相较于传统固定参数PID控制器,该智能控制策略在多种工况下均展现出更优的控制效果,有效抑制了超调,加快了响应速度,并增强了抗干扰能力。; 适合人群:具备自动控制理论、强化学习基础及Matlab/Simulink仿真能力,从事水下机器人、智能控制、海洋工程、自动化等领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于AUV、UUV等无人水下平台的高精度自主导航与运动控制;②为解决非线性、强耦合、时变系统的控制器参数自适应整定问题提供智能化解决方案;③作为强化学习与经典控制理论深度融合的技术范例,推动智能控制算法在海洋装备中的工程化应用。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法实现细节,重点剖析QLearning的状态-动作-奖励机制设计、PID参数更新逻辑及仿真对比实验结果,有条件者可在更复杂的动力学模型或实际硬件平台上进一步验证与优化算法性能。

16

社区成员

发帖
与我相关
我的任务
社区描述
CITA协会,英文全称 Chinese IT Youth Association in Australia,一个属于中国留学生的IT技术交流社区。
社区管理员
  • 小鱼海洋
  • weixin_47679334
  • ancora_imparo
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告

核心使命:通过社区的运营,为中澳留学生提供IT技术交流平台。

价值观:互相学习,环境保护,包容理解,尊重隐私。

联系方式:3313819144(微信)

试试用AI创作助手写篇文章吧