A Half-Bridge Gate Driver With Self-Adjusting and Tunable Dead-Time Modes for Efficient Switched-Mode Power Systems
Notice bibliographique
Résumé
The design of high-voltage (HV) switched-mode power systems (SMPSys) poses multiple challenges, such as minimizing the switching losses and preventing possible shoot-through currents, to achieve efficient and reliable operation. This article introduces a reconfigurable half-bridge gate driver (GD) for SMPSys, with an open-drain output configuration, electrostatic discharge self-protection, and two dead-time management modes to address these challenges. The first mode is an externally tunable fixed dead-time generator (FDTG) capable of achieving a wide dead-time range from 5 to 200 ns. The second mode is a self-adjusting dead-time generator (SDTG), designed to adapt to delay mismatches between the GD's channels, regardless of process, voltage, and temperature (PVT) variations, while minimizing dead-time and preventing cross-conduction. The GD was fabricated in an HV 0.18-μm silicon-on-insulator CMOS process technology, supporting a high-side floating bias voltage rail up to 100 V and occupying a core area of 0.285 mm <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> . It was tested in a buck converter system using a gallium nitride (GaN)-based half-bridge with a switching frequency of 0.5 to 1 MHz. It achieves a total propagation delay of 11.4 ns and a minimum dead-time of 3.6 ns (3× smaller than state-of-the-art) using its SDTG mode. The system achieved a peak efficiency of 90.5% at an output load of 8 W. Notably, the SDTG mode improves the overall efficiency by up to 20% over the FDTG mode, specifically at higher switching frequencies, showing its effectiveness in enhancing the performance of SMPSys.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».