Modeling of SiC MOSFETs and Parameter Fitting Using a Genetic Algorithm

Abstract

Denne masteroppgaven demonstrerer bruken av en genetisk algoritme til å optimalisere parametere i simuleringsmodeller for å nøyaktig representere målte statiske egenskaper til en SiC MOSFET ved romtemperatur. Ulike SiC MOSFET modeller funnet i litteraturen er undersøkt og klassifisert. To modeller fra produsenter er valgt for optimaliseringsprosessen; en forbedret modell basert på Cree-modellen og modellen fra ROHM. En genetisk algoritme implementeres og brukes for å tilpasse de to modellene til eksperimentelle måledata. De statiske egenskapene - også kjent som IV-kurver eller IV-karakteristikk - for en kommersiell SiC MOSFET (C3M0075120D) ble målt ved bruk av en kommersiell curve tracer.

To metoder for å oppnå karakteristikkene ved bruk av curve traceren blir undersøkt og diskutert. Blant testinnstillingene på maskinen har det vist seg at pulsbredden til påført spenning eller strømpuls påvirker målingene sterkt. Den indre temperaturen i enheten som måles blir undersøkt gjennom simuleringer mens den påfører samme puls som den opplever under karakteriseringen. Ofte antas den indre temperaturen å være tilnærmet lik den ytre temperaturen for korte testpulser. Ved å bruke produsentens termiske modell av enheten, ble det funnet at den indre temperaturen øker til nærmere 65$^o$C for flere av karakteriseringspunktene under en fullstendig curve tracer test. Følgelig er den indre temperaturen større enn den ytre temperaturen når målingene blir utført, og denne feilen kan overføres til modelleringen av den samme enheten. Disse termiske undersøkelsene blir verifisert ved termiske beregninger ved bruk av den termiske impedansen fra enhetens datablad.

I dette arbeidet blir temperaturøkningen under eksperimentell karakterisering tatt med i beregningen av optimaliseringsalgoritmen. Dette oppnås ved å sette den indre temperaturen til verdiene oppnådd fra termiske beregninger på hvert målepunkt i simuleringene. Den genetiske algoritmen justerer modellparametrene slik at de passer til måledataene. Begge modellene oppnår parameterverdier som gir en samlet tilpassing av måledataene. Imidlertid har ROHM-modellen bedre passform i alle kjøringene av algoritmen.

This master thesis demonstrates the use of a genetic algorithm to optimize parameters of simulation models to accurately represent the measured static characteristics of a SiC MOSFET at room temperature. Various models in the literature for simulating SiC MOSFETs are investigated and classified. Two models from device manufacturers are selected for the optimization process; an improved model based on the Cree model and the model from ROHM. A genetic algorithm is implemented and used to fit the two models to experimental measurement data. The static characteristics – also known as IV-curves – of a commercial SiC MOSFET (C3M0075120D) were measured using a commercial curve tracer.

Two methods for obtaining the characteristics when using the curve tracer are investigated and discussed. Among the test settings of the machine, the pulse width of the applied voltage or current pulse has been found to strongly influence the measurements. The junction temperature of the device-under-test is investigated through simulations while applying the same pulse as it experiences during characterization. Often, the junction temperature is assumed to be approximately equal to the case temperature for short test pulses. By using the manufacturer provided thermal model of the device, it is found that the junction temperature increases up to approximately 65$^o$C for several of the characterization points during a complete curve tracer test. Hence, the junction temperature is greater than the case temperature when the measurements are taken, and this error can carry over to the modelling of that same device. These thermal investigations are verified by thermal calculations using the thermal impedance from device datasheet.

In this work, the temperature increase during experimental characterization is taken into account by the optimization algorithm. This is accomplished by setting the junction temperature to the values obtained from thermal calculations at each measurement point in the simulations. The genetic algorithm adjusts the model parameters to fit the measurement data. Both models obtain parameter values that provide an overall fit of the measurement data. However, the ROHM model is found to have better fit in all runs of the algorithm.