电源学报

系数	取值	系数	取值
a₀	82.460 40	a₄	-440.356 00
a₁	713.095 00	a₅	-0.00361118
a₂	-6.269 90	a₆	44.353 10
a₃	3.903 78

系数	取值	系数	取值
a₀	82.460 40	a₄	-440.356 00
a₁	713.095 00	a₅	-0.00361118
a₂	-6.269 90	a₆	44.353 10
a₃	3.903 78

参数	数值或函数
隐含层神经元个数	7
迭代次数	100
学习精度	0.0001
学习率	0.01
隐含层激活函数	Log-Sigmoid
输出层激活函数	Purelin

参数	数值或函数
隐含层神经元个数	7
迭代次数	100
学习精度	0.0001
学习率	0.01
隐含层激活函数	Log-Sigmoid
输出层激活函数	Purelin

参数	数值
隐含层神经元个数	7
迭代次数	50
种群规模	20
速度更新参数c1	1.49445
速度更新参数c2	1.49445
速度范围	[-0.5,0.5]
位置范围	[-1,1]

参数	数值
隐含层神经元个数	7
迭代次数	50
种群规模	20
速度更新参数c1	1.49445
速度更新参数c2	1.49445
速度范围	[-0.5,0.5]
位置范围	[-1,1]

基于PSO-BP神经网络的SiC MOSFET模块寿命预测方法研究与实现

PDF下载

毛明波 ¹ , 孟昭亮 ¹^,²^,³ , 高勇 ¹ , 杨媛 ²

电源学报 | 功率半导体器件 2025,23(1): 229-235

收起

电源学报 | 功率半导体器件 2025, 23(1): 229-235

基于PSO-BP神经网络的SiC MOSFET模块寿命预测方法研究与实现

全屏

毛明波¹, 孟昭亮¹^,²^,³, 高勇¹, 杨媛²

作者信息

¹ 西安工程大学电子信息学院，西安 710699

² 西安理工大学国际工学院，西安 710048

³ 中车永济电机有限公司电力电子事业部，西安 710000

毛明波(1995— )，男，硕士研究生。研究方向：功率半导体可靠性研究。E-mail：1104595173@qq.com。

高勇(1956— )，男，中国电源学会会员，博士，教授。研究方向：半导体分立器件制造。E-mail：gaoy@xaut.edu.cn。

杨媛(1974— )，女，中国电源学会高级会员，博士，教授。研究方向：电路与系统设计、大功率 IGBT 模块及驱动保护电路研究。E-mail：yangyuan@xaut.edu.cn。

通讯作者:

孟昭亮(1987— )，男，中国电源学会会员，博士，副教授。研究方向：电力电子技术、电力电子器件与功率集成。E-mail：mengzhaoliang@xpu.edu.cn。

Research and Implementation of Life Prediction Method for SiC MOSFET Module Based on PSO-BP Neural Network

Mingbo MAO¹, Zhaoliang MENG¹^,²^,³, Yong GAO¹, Yuan YANG²

Affiliations

¹ School of Electronics and Information, Xi’an Polytechnic University, Xi’an 710699, China

² School of International Engineering, Xi’an University of Technology, Xi’an 710048, China

³ Power Electronics Division of CRRC Yongji Electric Co., Ltd., Xi’an 710000, China

出版时间: 2025-01-30 doi: 10.13234/j.issn.2095-2805.2025.1.229

文章导航

摘要

收起

针对目前碳化硅金属氧化物半导体场效应晶体管SiC MOSFET(silicon carbide metal-oxide-semiconductor field-effect transistor)实际工况中在线寿命预测难度大的问题，提出1种基于粒子群优化-反向传播PSO-BP(particle swarm optimization-back propagation)神经网络的SiC MOSFET模块寿命预测数字化实现方法。首先，利用导通压降平台提取SiC MOSFET的导通压降作为温敏电参数，建立基于实验数据的结温预测方案；其次，利用功率循环加速老化实验平台，提取老化特征数据，建立基于PSO-BP神经网络的寿命预测方案；然后，将结温预测方案与寿命预测方案移植到可编程阵列逻辑中，实现SiC MOSFET寿命预测数字化；最后，设计了验证电路。实验表明，数字化显示的结温与真实结温的误差为4.73 ℃，与真实寿命次数的误差百分比为4.1%，证明所提寿命预测方法得到了数字化实现，并能够准确预测SiC MOSFET模块的寿命次数。

关键词

SiC MOSFET / 粒子群优化-反向传播 / 寿命预测 / 数字化

Abstract

收起

To solve the difficulty in online life prediction of silicon carbide metal-oxide-semiconductor field-effect transistor (SiC MOSFET) under practical working conditions, a digital implementation method for SiC MOSFET module life prediction based on particle swarm optimization-back propagation (PSO-BP) neural network was proposed. First, the saturation voltage drop of SiC MOSFET was extracted by a saturation voltage drop platform as the temperature-sensitive electric parameter, and a junction temperature prediction scheme based on experimental data was established. Second, a life prediction scheme based on PSO-BP neural network was established by using a power cycling accelerated aging experimental platform to extract the aging characteristic data. Third, the junction temperature prediction scheme and life prediction scheme were transplanted to field programmable gate array to realize the digitization of SiC MOSFET life prediction. Finally, a circuit was designed to verify the proposed method. Experimental results show that the error between the digital junction temperature and real junction temperature was 4.73 ℃, and the percentage of error between the predicted life times and real life times was 4.1%, which proves that the proposed life prediction method is realized digitally and can accurately predict the life times of SiC MOSFET module.

Key words

Silicon carbide metal-oxide-semiconductor field-effect transistor (SiC MOSFET) / particle swarm optimization-back propagation (PSO-BP) / life prediction / digitization

引用本文

毛明波, 孟昭亮, 高勇, 杨媛. 基于PSO-BP神经网络的SiC MOSFET模块寿命预测方法研究与实现. 电源学报, 2025 , 23 (1) : 229 -235 . DOI: 10.13234/j.issn.2095-2805.2025.1.229

Mingbo MAO, Zhaoliang MENG, Yong GAO, Yuan YANG. Research and Implementation of Life Prediction Method for SiC MOSFET Module Based on PSO-BP Neural Network[J]. Journal of Power Supply, 2025 , 23 (1) : 229 -235 . DOI: 10.13234/j.issn.2095-2805.2025.1.229

正文

收起

功率半导体器件的广泛应用是促进电力电子技术高速发展的决定性力量。然而，随着航空航天、新能源、石油勘探、5G通讯、高速轨道列车等领域的兴起，传统Si基半导体因受物理特性的限制，其性能已无法满足新兴产业的需求。以碳化硅SiC(silicon carbide)为代表的新型宽禁带半导体器件，因具有耐高温、耐高压、开关速度快等特性，提升了电力电子器件的性能，为新兴产业的发展做出突出贡献，被认为是最有可能取代硅基MOSFET的器件^[1-2]。SiC MOSFET作为影响系统可靠性的关键因素，引起广泛关注，因此需要良好的状态监控来保证其可靠性^[3-5]。同时，国内外学者在SiC MOSFET模块寿命预测方面进行了大量研究。

Celaya等^[6]通过试验的方法，确定在多种失效机理共同作用时，功率MOSFET的沟道电阻也是失效过程中的敏感参数，因此通过研究加速退化试验中功率MOSFET的阈值电压和导通电阻的变化规律，预测其剩余寿命，评估其可靠性是1种重要可行的方法；Celaya等^[7]研究了热循环对MOSFET可靠性的影响；Wysocki等^[8]和Saha等^[9]则对功率MOSFET的静电放电和光注入条件下的可靠性进行分析；文献[10]通过仿真功率MOSFET老化过程中阈值电压随栅极表面缺陷的变化情况，将阈值电压作为寿命预测参数；文献[11]在加速老化实验中研究了SiC MOSFET模块导通电阻的变化规律，发现导通电阻会随着模块的老化逐渐增大，因此可用导通电阻来评估SiC MOSFET模块的寿命；文献[12]研究了功率MOSFET两端施加高电压后对栅极造成的损伤，观察各个电气参数的变化发现，随着模块老化阈值电压变大，开通延迟时间变长，而漏极电流和击穿电压几乎不变，因此利用回归分析算法建立基于阈值电压的数学模型，再基于粒子滤波算法建立寿命预测模型预测其寿命，并确定其寿命的分布区间。

虽然导通电阻和阈值电压均可作为SiC MOSFET模块的失效特征参数，用来对SiC MOSFET模块的健康状态进行评估，但在实际应用中SiC MOSFET模块的导通电阻无法直接提取，并且阻值较小，对仪器的测量精度要求较高；阈值电压在工作过程中由于存在漂移现象，导致难以提取其准确值。而大电流下的导通压降非常易于在线提取，在器件老化失效时会发生明显变化，因此，本文将大电流下的导通压降作为失效特征参数进行SiC MOSFET的寿命预测。

1 基于实验数据拟合的SiC MOSFET模块结温预测方案

收起

本文首先建立基于实验数据拟合的结温预测方案，并将其结温作为基于粒子群优化-反向传播PSO-BP(particle swarm optimization-back propagation)神经网络的寿命预测方案的输入之一，从而实现对模块寿命的预测。

目前采用的温敏电参数有导通压降V_DS^[13]、阈值电压V_th^[14-15]、米勒平台电压V_{G_P}^[16]和开通漏极电流dI_ds/dt^[17-19]等。文献[9]指出导通压降会随着温度的升高而变大，并且两者之间线性度很高。SiC MOSFET模块因饱和导通压降易于获取、灵敏度高、在线性好得到了广泛应用。因此，本文选取导通压降作为温敏电参数，对罗姆公司型号为BSM 300D12P2E001(1200 V/300 A)的半桥SiC MOSFET模块在不同结温及不同漏极电流下的导通压降进行了采集。

为了明确分析导通压降V_DS、结温T_j及漏极电流I_D三者之间的关系，根据实验提取的数据拟合了在不同漏极电流I_D下导通压降V_DS与结温T_j的关系曲线，如图1所示。可以看出，SiC MOSFET的结温T_j同时受到其导通压降V_DS和漏极电流I_D的影响，且导通压降与结温呈现出较好的线性关系；当漏极电流一定时，导通压降随着结温的增大而增大；在特定温度下，导通压降与漏极电流也存在正相关的关系。

将导通压降实验提取的数据代入数学模型T_j=f (V_DS, I_D)中进行实验数据拟合，建立结温预测方案。利用MATLAB工具箱里的数学拟合工具进行拟合，综合考虑预测准确度与计算规模，获取合适的结温预测数学模型为

(1)

$\begin{array}{l}{T}_{\text{j}}={a}_{0}+{a}_{1}{V}_{\text{DS}}+{a}_{2}{I}_{\text{D}}+{a}_{3}{V}_{\text{DS}}{I}_{\text{D}}+\\ \text{ }\text{ }\text{ }\text{ }\text{ }\text{ }{a}_{4}{V}_{\text{DS}}^{2}+{a}_{5}{V}_{\text{DS}}{I}_{\text{D}}^{2}+{a}_{6}{V}_{\text{DS}}^{3}\end{array}$

式中：a₀~a₆为结温拟合系数，各系数取值见表1。

2 基于PSO-BP神经网络的SiC MOSFET模块寿命预测方案

收起

2.1 方案提出

BP网络因其原理简单、易于实现、自学习与适应能力较强，已经在诸多领域得到应用。但由于BP网络的输入权值和隐含层阈值在初始化过程中都是随机选择的，有可能出现为0的情况，并且在训练过程中，利用反向传播的方法对权值和阈值进行调节，很可能使其陷入局部极小值，无法求得全局最优解。而PSO算法能够对全局的粒子进行搜索，在全局中寻找最优解^[20]。该算法设计了1种无质量粒子模拟鸟群中的个体，每个粒子都代表1个潜在的最优解，粒子具有速度、位置和适应度3个属性。用适应度表示粒子的优劣，每个粒子搜寻出的最优位置记为P_best，并将P_best与其他粒子共享，找到最优的个体极值作为当前全局最优解G_best，根据当前P_best和全局最优解G_best来调整自己的速度和位置。

随着工艺水平的不断提高，功率器件的可靠性和寿命不断增加。由于需要较长的实验时间和较大的实验样本，基于概率统计理论的传统可靠性实验已不再适用。在保证失效机理不变的前提下，通常采用加速寿命实验的方法研究电子元器件可靠性。

对罗姆公司BSM300D12P2E001(1200 V/300 A)型号的半桥SiC MOSFET模块进行老化实验。根据功率循环加速老化实验提取的电气参数，绘制在不同老化次数下T_j-V_DS-I_D三维曲面，如图2所示。可以看出，寿命次数同时受到导通压降、漏极电流的影响，并且随着结温的升高，这三者之间的关系也会发生变化。

本文采用PSO-BP神经网络算法对SiC MOSFET模块的寿命进行预测，并选择BP神经网络与其进行对比。SiC MOSFET模块在功率循环加速老化实验平台上进行了21 584次功率循环，将实验过程中提取的3 900组与寿命预测有关的电气参数进行归一化处理，其中随机抽取80%的数据作为训练集，剩余20%的数据作为预测集。将数据反复训练，得到BP神经网络与PSO-BP神经网络的各个参数设置，分别见表2和表3。

2.2 方案对比

本文采用MATLAB对2种算法的预测效果进行对比。2种算法给定相同的输入参数，对同一模块的寿命进行预测，得到的寿命次数预测误差百分比结果分别如图3和图4所示。可以看出，BP神经网络预测寿命次数的误差百分比集中分布在[-30%, 30%]之间，最大不超过±60%，其拟合优度R²= 0.961 6；而PSO-BP神经网络预测寿命次数的误差百分比大部分集中在[-15%, 15%]之间，最大不超过±50%，其拟合优度R²= 0.982 4。因此，本文选择PSO-BP神经网络作为SiC MOSFET模块的寿命预测方案。

3 数字化实现电路设计与验证

收起

3.1 数字化实现电路设计

本文为了验证利用PSO-BP神经网络对SiC MOSFET模块进行寿命预测方法的可行性，设计了硬件电路和移植程序。将控制电路、驱动电路及显示电路集成于1片PCB板，并与模数转换器ADC(analog-to-digital converter)采集模块进行配合，在驱动SiC MOSFET模块导通的同时采集导通压降和漏极电流，经过现场可编程门阵列FPGA (field programmable gate array)中移植的结温预测模型和寿命预测模型运算后，将得到的预测结温和寿命次数显示于LCD1602液晶显示屏上以便观察。

本文所研究的基于PSO-BP神经网络的寿命预测方法数字化实现总体设计结构如图5所示。其中：控制单元的核心为可编程逻辑芯片FPGA，包含Verilog硬件描述语言编写的ADC采集程序、结温预测模型、寿命预测模型移植程序、数据转换程序及显示程序；驱动单元包括驱动放大电路、欠压与退饱和保护电路，保证SiC MOSFET模块可靠工作；显示单元采用LCD1602液晶显示屏，用来显示SiC MOSFET模块预测的结温及寿命次数。其实际硬件电路PCB板如图6所示。

3.2 结果分析

3.2.1 结温及寿命次数预测结果数字化显示

设置母线电压为600 V，负载电感为200 µH，加热台温度为50 ℃，对功率循环3 000次的SiC MOSFET模块进行1次寿命预测。实验过程中，采用加热台对处于亚克力玻璃罩中的模块进行加热，并用测温仪器持续测量模块温度。当模块温度与加热台设置温度一致时，认为亚克力玻璃罩内达到热平衡，此时结温即为加热台的温度。在加热平台达到热稳态后，按下按键发送双脉冲，等待40 µs后AD9226模块开始采集，此时漏极电流为120 A，将采集到的导通压降和漏极电流经过FPGA中移植的模型计算后，显示的结温和寿命次数如图7所示。液晶显示屏第1行显示结温，为54.73 ℃，与真实结温的误差为4.73 ℃；第2行显示寿命次数，为3 132.42次，与真实寿命次数的误差百分比为4.1%，证明利用神经网络来预测SiC MOSFET模块寿命的方法得到了数字化实现，并能够较为准确地预测SiC MOSFET模块的结温和寿命次数。

3.2.2 功率循环3 000次模块的实验结果与分析

1)结温预测结果与分析

功率循环3 000次的SiC MOSFET模块在不同梯度结温和不同梯度漏极电流下的结温预测结果如图8所示。实际结温、拟合结温及LCD1602显示结温的对比结果如图8(a)所示，结温预测误差如图8(b)所示。可以看出，LCD1602显示的结温与拟合得到的结温吻合，误差主要集中在[−7.5, 7.5] ℃之间，最大不超过10 ℃，由此表明，结温预测模型得到了数字化实现，不但能够对老化初期的SiC MOSFET模块进行结温预测，而且预测结温的精度很高，为寿命预测的神经网络提供了可靠的输入参数。

2)寿命次数预测结果与分析

功率循环3 000次的SiC MOSFET模块在不同梯度结温和不同梯度漏极电流下的寿命次数预测结果如图9所示。图9(a)为实际寿命次数、实际结温经PSO-BP神经网络预测的寿命次数、预测结温经PSO-BP神经网络预测的寿命次数及LCD1602显示的寿命次数对比结果，寿命次数预测误差百分比如图9(b)所示。可以看出，LCD1602显示的寿命次数与预测结温经PSO-BP神经网络预测的寿命次数吻合，这3种寿命次数与实际寿命次数的误差百分比集中在[−10%, 10%]之间，表明基于神经网络的寿命预测模型得到了数字化实现。但实际结温经PSO-BP神经网络预测的寿命次数相比LCD1602显示的寿命次数更为准确，这是因为寿命预测模型输入的是预测结温，当预测结温存在误差时，会对寿命次数的预测精度造成影响，但由于预测的结温误差很小，因此预测的寿命次数精度也较高。

4 结论

收起

SiC MOSFET模块在实际工作过程中，可能会同时受到电应力和热应力的双重作用，致使模块发生疲劳损伤而老化失效，其运行状况严重影响模块本身甚至是系统的正常运行，因此对SiC MOSFET的寿命预测非常必要。预测的数据不仅可以展现器件本身的老化状况，还能为系统的维护要求提供可靠依据。实验结果表明，本文提出的基于PSO-BP神经网络的SiC MOSFET模块寿命预测方法，其拟合度为0.982 4，优于未优化的BP神经网络。

本文设计了可数字化显示的硬件电路，并验证了基于PSO-BP神经网络寿命预测方法的实际效果。由硬件电路预测的结温和寿命与本文建立的结温预测方案和寿命预测方案的预测结果吻合，表明基于PSO-BP神经网络的寿命预测方法得到了数字化实现。

功率循环3 000次的SiC MOSFET模块预测结温误差主要集中在[−7.5, 7.5] ℃之间，最大不超过10 ℃，寿命次数预测误差百分比在[−10%, 10%]之间，表明利用PSO-BP神经网络能够准确地对老化前期的SiC MOSFET模块的结温和寿命次数进行预测。需要注意的是，本文提出的寿命预测方法对模块老化后期的预测误差会增大，这是因为选择的温敏电参数会受到模块老化的影响，导致结温预测出现偏差，进而导致寿命预测出现偏差。因此，如果能够选择1个不受模块老化影响的参数预测结温，就可以改善老化后期寿命预测误差较大的问题。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

钱照明, 张军明, 盛况. 电力电子器件及其应用的现状和发展[J]. 中国电机工程学报, 2014, 34(29): 5149-5161.

Qian

Zhaoming

, Zhang

Junming

, Sheng

Kuang

. Status and development of power semiconductor devices and its applications[J]. Proceedings of the CSEE, 2014, 34(29): 5149-5161. (in Chinese)

[2]

Millan

, Godignon

, Perpina

, et al. A survey of wide bandgap power semiconductor devices[J]. IEEE Trans-actions on Power Electronics, 2014, 29(5): 2155-2163.

[3]

Nguyen

T T

, Ahmed

, Thang

T V

, et al. Gate oxide reliability issues of SiC MOSFETs under short-circuit operation[J]. IEEE Transactions on Power Electronics, 2018, 30(5): 2445-2455.

[4]

何湘宁, 石巍, 李武华, 等. 基于大数据的大容量电力电子系统可靠性研究[J]. 中国电机工程学报, 2017, 37(1): 209-220.

Xiangning

, Shi

Wei

, Li

Wuhua

, et al. Reliability enhancement of power electronics systems by big data science[J]. Proceedings of the CSEE, 2017, 37(1): 209-220. (in Chinese)

[5]

赵争鸣. 大容量电力电子混杂系统多时间尺度动力学表征与运行机制[J]. 电工技术学报, 2017, 32(12): 1-3.

Zhao

Zhengming

. Multi-timescale dynamics characteriza-tion and operation mechanism of large-capacity power electronic hybrid systems[J]. Transactions of China Electrotechnical Society, 2017, 32(12): 1-3. (in Chinese)

[6]

Celaya

, Saxena

, Wysocki

, et al. Towards prong-ostics of power MOSFETs: Accelerated aging and prec-ursors of failure[C]// Annual Conference of the Prognostics and Health Management Society, 2010. Portland, OR, USA, 2010, 2.

[7]

Celaya

, Patil

, Saha

, et al. Towards accelerated aging methodologies and health management of power MOSFETs[C]// Annual Conference of the Prognostics and Health Management Society, 2009. San Diego, CA, USA, 2009.

[8]

Wysocki

, Vashchenko

, Celaya

, et al. Effect of electrostatic discharge on electrical characteristics of discrete electronic components[C]// Proceedings of Annual Conference of the Prognostics and Health Management Society, 2009. San Diego, CA, US, 2009.

[9]

Saha

, Celaya

, Saha

, et al. Towards modeling the effects of lightning injection on power MOSFETS[C]// Proceedings of Annual Conference of the Prognostics and Health Management Society, 2009. San Diego, CA, US, 2009.

[10]

陈世杰. 功率MOSFET退化建模及寿命预测方法研究[D]. 哈尔滨: 哈尔滨工业大学, 2013.

Chen

Shijie

. Research of degradation model and lifetime prognosis method for power MOSFET[D]. Harbin: Harbin Institute of Technology, 2013. (in Chinese)

[11]

张红玉. 碳化硅MOSFET键合线失效建模与状态监测方法研究[D]. 北京: 华北电力大学, 2020.

Zhang

Hongyu

. Research on SiC MOSFET bond wire failure modeling and condition monitoring[D]. Beijing: North China Electric Power University, 2020. (in Chinese)

[12]

康锡娥, 郜月兰. 功率MOSFET寿命预测技术研究[J]. 微处理机, 2017, 38(5): 4-7.

Kang

Xi’e

, Gao

Yuelan

. Research on power MOSFET lifetime prediction technology[J]. Microprocessors, 2017, 38(5): 4-7. (in Chinese)

[13]

Salah

T B

, Khachroumi

, Morel

. Characterization, modeling and design parameters identification of silicon carbide junction field effect transistor for temperature sensor applications[J]. Sensors, 2010, 10(1): 388-399.

[14]

Ren

Lei

, Shen

Qian

, Gong

Chunying

. Real-time aging monitoring for power MOSFETS using threshold voltage[C]// IECON 2016 42nd Annual Conference of the IEEE Industrial Electronics Society. Florence, Italy, 2016: 441-446.

[15]

李凌云, 何芹芹, 黄德雷. SiC MOSFET模块结温监测研究[J]. 电源学报, 2021, 19(3): 169-174.

Lingyun

, He

Qinqin

, Huang

Delei

. Study on junction temperature monitoring of SiC MOSFET module[J]. Journal of Power Supply, 2021, 19(3): 169-174. (in Chinese)

[16]

Griffo

, Wang

Jiabin

, Colombage

, et al. Real-time measurement of temperature sensitive electrical param-eters in SiC power MOSFETs[J]. IEEE Transactions on Industrial Electronics, 2018, 65(3): 2663-2671.

[17]

黄德雷, 杨帆, 张地. 基于开通di_ds /dt的SiC MOSFET模块结温提取研究[J]. 电力电子技术, 2018, 52(7): 73-75.

Huang

Delei

, Yang

Fan

, Zhang

. Junction temperature extraction of SiC MOSFET modules based on turn-on di_ds/dt[J]. Power Electronics, 2018, 52(7): 73-75. (in Chinese)

[18]

Hui

, Liao

Xinglin

, Hu

Yaogang

, et al. Analysis of SiC MOSFET dI/dt and its temperature dependence[J]. IET Power Electronics, 2018, 11(3): 491-500.

[19]

Jose

O G

, Olayiwola

, Ji

, et al. An investigation of temperature sensitive electrical parameters for SiC power MOSFETs[J]. IEEE Transactions on Power Electronics, 2017, 32(10): 7954-7966.

[20]

Jiang

Luxin

, Wang

Xiaohui

. Optimization of online teaching quality evaluation model based on hierarchical PSO-BP neural network[J]. Complexity, 2020: 1-12.

2025年第23卷第1期

PDF下载

349

137

引用本文

BibTeX

文章信息

doi: 10.13234/j.issn.2095-2805.2025.1.229

接收时间：2022-06-09
首发时间：2025-07-01
出版时间：2025-01-30

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2022-06-09
修回日期：2022-07-16
录用日期：2022-09-27

基金

作者信息

¹ 西安工程大学电子信息学院，西安 710699

² 西安理工大学国际工学院，西安 710048

³ 中车永济电机有限公司电力电子事业部，西安 710000

通讯作者:

孟昭亮(1987— )，男，中国电源学会会员，博士，副教授。研究方向：电力电子技术、电力电子器件与功率集成。E-mail：mengzhaoliang@xpu.edu.cn。

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/dyxb/CN/10.13234/j.issn.2095-2805.2025.1.229

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT