汽车行业向电动出行和面向服务的架构(SOA)的转变，正在重新定义电力电子(PE)的作用。现代趋势要求电力电子组件不仅提供高性能，还需具备适应能力、与其他子系统交互的能力，并提供关于其自身状态的信息。

如果说过去驱动系统逆变器被视为一个具有固定逻辑和有限使用寿命的"黑盒"，那么现在它必须成为车辆面向服务架构的"数字参与者"。这样的组件必须能够评估其当前状态、预测退化、调整其行为，并集成到更广泛的系统中，包括预测性维护、路线规划和集中式交通管理(图1)。

图1

斯图加特大学鲁棒电力半导体系统研究所(ILH)通过应用预测控制、数字孪生、神经网络和电力硬件在环(Power-HIL)技术，开发并验证了将驱动系统逆变器电力电子集成到车辆SOA结构中的概念。这一概念实现了从反应式维护向电力模块主动式资源管理的转变，并为电动汽车的可持续和安全运行奠定了基础(图2)。

图2

电力电子集成的多层次SOA架构

电力电子集成到面向服务的车辆架构中，通过数字服务的多层次结构实现，每个层级都扮演特定角色，并根据SOA原则与其他层级交互。

1. 驱动系统电力电子

系统的基础是基于现代SIC mosfet的驱动系统逆变器。这些是物理设备，作为高效的功率开关，提供开关模式能量转换和电机控制，并直接承受热应力和电应力。

2. 电力电子的传统控制

传统的逆变器控制系统负责响应驾驶员或系统指令，提供电机运行所需的目标电流、电压和频率。其功能独立于可靠性和退化预测任务。

3. 基于多层次数字孪生与深度神经网络的电力电子健康状态估计

在这一层级，利用逆变器的数字模型结合剩余使用寿命的神经网络估计来预测电力电子的行为。数字孪生重构逆变器中无法直接测量的参数，并包含内置老化模型。数据包括电气、热和控制参数、功率损耗，以及对退化和温度敏感的电特性参数(DTSEPs)。该层的输出是健康状态(SoH)和剩余使用寿命(RUL)的估计值，以数字服务的形式提供。

4. 用于延长电力电子寿命和高效路线规划的预测控制

利用预测性数字孪生，在给定的预测范围内计算电力电子的行为。基于此预测值向量，生成最优控制轨迹以延长电力电子寿命。

在这两种情况下，都会计算一个退化因子，以指示该方法的有效性。

主动寿命延长的一个重要特点是，相关过程在功率半导体器件的驱动级实现，且不干扰主要的电机控制，这完全符合SOA理念。

5. 车辆控制系统

获得的电力电子状态估计和预测可以支持增强并优化车辆级功能，例如：

* 预测性维护

* 续航里程扩展

* 风险感知路线规划

* 驾驶员行为建议

6. 交通编排层

在顶层，全局编排器协调车辆的行为，通过V2X交换数据，并考虑每辆车上组件的预测状况。这使得具有可靠性意识的路线规划、自适应安全场景的激活以及交通参与者可预测性的提高成为可能。

每一层都实现自身的逻辑，并通过标准化的数字接口与其他层交互。这种模块化架构使电力电子能够作为主动的SOA组件集成，不仅提供能量转换功能，还提供状态估计、寿命预测和可靠性管理的数字服务。

驱动系统电力电子的健康状态估计

对于驱动系统电力电子可靠安全运行的一个关键因素是客观评估其当前状态的能力。在所提出的架构中，这是通过SoH模块实现的，该模块提供评估功率模块剩余寿命和退化风险的数字服务。

SoH模块评估机制基于两个互补的技术组件：

电力电子多层次数字孪生，涵盖：

系统级(电气、热和控制过程)，

半导体模块级(功率模块的热和损耗模型)，

半导体芯片级(温度敏感电气参数和老化模型)。

该数字孪生能够实时评估电力电子的动态行为，包括在实际中无法直接测量的参数。

深度神经网络，基于在电力硬件在环(Power-HIL)设置中收集的数据进行训练，该设置重现了真实驱动系统逆变器的工作条件。神经网络使用TSEPs来评估SoH和RUL。

SoH模块的估计成为一项数字服务，在不同层级提供附加价值：

对于驾驶员 —— 提供关于电力电子整体状况的信息以及驾驶行为建议(车辆健康意识)。

对于车辆控制系统 —— SoH模块数据可集成到：

预测性维护计划，

考虑预期组件退化的路线选择(风险感知路线规划)，

有限资源下驱动系统控制策略的适应(驾驶行为优化)。

对于集中式交通编排器 —— SoH模块信息能够实现：

交通参与者的可预测行为，

附加安全场景的激活。

这样，SoH模块将电力电子从被动元件转变为车辆数字生态系统的智能参与者，提供实时数据以增强整个系统的可靠性和韧性。

驱动系统电力电子的行为预测

基于先进的车辆控制系统中已有的预测性驾驶视界(速度、牵引力、路线剖面等)，数字孪生计算电力电子的电气参数：电流、电压、频率，并由此推导出损耗和半导体结温。

结温是半导体组件可靠性的关键参数。利用其预测轨迹，专用算法评估电力电子在给定预测情景下将以多快的速度退化。

此信息可用于：

主动延长半导体和功率模块的寿命，

作为路线规划中的附加成本函数，集成到车辆控制系统以进行路线优化。

此方法已在采埃孚EcoControl系统中进行了测试，评估结果如图3所示。

图3

预测结温和退化需要对一个具有电气、热和控制变量间交叉耦合反馈的复杂多参数系统进行建模。数字孪生提供了必要的建模深度和适应性，使此功能块能够作为预测控制策略的一部分得以实现。这样的数字孪生可以在处理器时钟频率200+ MHz且内存至少2 MB的嵌入式系统上实现。

应用示例：半导体主动寿命延长系统

电力电子退化的主要因素之一是半导体结温剧烈波动引起的热机械应力积累。利用预测性数字孪生的数据和实时路线规划，可以提前预测热轨迹，并应用控制算法以最小化温度峰值的幅度。

该策略在驱动级实现，通过调整MOSFET栅极控制参数来完成，且不干扰主逆变器控制系统。这使得其可以作为独立服务集成到SOA框架内。

与常规运行模式相比，此类控制可将电力电子的使用寿命延长高达60%，而附加电气损耗的增加幅度适中。

使用Power-HIL的实验验证

为验证该概念，构建了一个电力硬件在环(Power-HIL)设置，使用两个50 kW逆变器(SiC和IGBT)背对背连接。测试通过复现驾驶循环进行：用于正常驾驶的FTP75、FTP72，用于激进驾驶的US06，用于高速公路驾驶的HWFET，以及用于混合模式驾驶剖面的WLTP 3b。

此设置使得以下成为可能：

模拟真实驾驶剖面，

通过比较估计轨迹和实验轨迹来验证数字孪生，

获取用于训练神经网络SoH模型和测试其性能的真实数据(图4)。

图4

结论

将驱动系统电力电子的可靠性特征集成到车辆数字生态系统中，不仅仅是单个组件的改进，更是电力电子向数字领域集成的新层次迈进，以实现可持续的电动出行：

电力电子成为一个"会说话"的组件，提供数字服务。

与路线规划和服务系统的交互提高了车辆的适应性。

集中式车辆管理能够访问组件的实时可靠性数据，并启动面向安全的驾驶场景。

这样的架构应对了可持续发展的挑战：不仅降低能耗，还延长组件寿命，减少浪费，提高可维护性，并最小化运行中的故障风险。