Behavioral Modelling of the Transient and CdV/dt Induced Turn-on of a Hybrid High Power Switch Unit
Notice bibliographique
Résumé
The use of hybrid power switches is a practical and effective method of improving the performance of high power switching devices. An emerging strategy is to combine high power Si IGBTs with SiC MOSFETs to take advantage of the SiC MOSFETs superior switching speed and lower switching losses. While this approach has a number of advantages, when it is used in a half bridge arrangement the possibility of false turn becomes a concern. The SiC MOSFETs improved transient characteristics leads to higher dv/dt during switching, which can induce a spike in the gate voltage of the low side Si IGBT through the parasitic capacitances. This behavior poses a serious risk of lowering efficiencies in operation as well as safety concerns. In this study, a set of behavior models were developed for both the SiC MOSFET and Si IGBT, with the specific target of modelling the transient behavior. These models were then integrated together into a half bridge capable of performing hybrid switching. Lastly, a model was developed to assess the risk of false turn on in the low side IGBT, based on the developed hybrid switching models. The models were limited to only parameters which are readily available on device datasheets, allowing the system to be useful and accessible to designers without the need to perform parameter extraction. The individual switch models accuracy were assessed against a set Spice models, covering a range of power conditions. The induced gate voltage in a synchronous buck converter with two hybrid SiC MOSFET Si IGBT switches was measured and used to verify the validity of the induced voltage model. The design approach for the development of a behavioral transient model and the limitations of the model were explored and discussed.
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) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».