电机控制器功率模块液冷散热参数计算

news2024/9/24 5:33:23

电机控制器功率模块液冷散热参数计算

  • 1.概述
  • 2.热量与流量的关系
  • 3.功率模块损耗发热量计算
  • 4.案例计算

1.概述

该文档做为评估分析电机控制器功率模块在液冷散热条件下的相关参数参考计算说明。

2.热量与流量的关系

在这里插入图片描述

首先我们要确认产生热量的位置和数量。对于电机控制器来说,主要的发热量来自于功率模块的损耗,一般我们针对电机控制器冷却系统设计也是针对于功率模块热损耗进行设计。那么,液冷电机控制器要求的液体流量与热量有什么工程关系呢?

根据工程应用经验,我们要知道入口流量q,就必须得确认允许出口的温升ΔT,系统总损耗P,冷却液类型及它的密度 ρ ,以及它的比热容c。

根据热力学公式:

在这里插入图片描述
Pt=Q=CpM*ΔT:这个公式表示对于一个系统,在单位时间里施加的压力乘以时间等于该系统吸收或释放的热量,而该热量可以通过物质的质量乘以其比定压热容再乘以温度变化来计算。

Pt=Q=CpρVΔT:这个公式是前一个公式的变形,这里的 ρ 表示密度,V 表示体积。通过将质量用密度和体积来代替,可以得到上述公式。

Pt=Q=Cpρq入tΔT:这里引入了一个新的变量 q入口,它可能代表流体流入系统的流量。该公式说明了输入到系统的能量可以用特定流体的比定压热容、密度以及进入系统流量乘以时间来计算。

P=Cpρq入*ΔT:这是最后一个式子的简化版,其中 P 可能表示功率。它表明输入系统的功率可以由流量乘以每单位质量的能量变化来表示。

q入=P/(CpρΔT):最后,我们得到了一个表达式来计算 q入口——即流体进入系统的流量。这里的 P 是指功率,q入口的值可以通过功率除以每单位质量的能量变化来获得。

3.功率模块损耗发热量计算

以Infineon的IGBT模块,型号为FF900R12ME7,背面平板散热,主要参数如下表:

在这里插入图片描述
在这里插入图片描述
假定功率因素cosθ=0.8,开关频率fs=10kHz,单个功率器件的开关损耗计算如下:占空比D=50%,额定母线电压700V,额定电流为308A,峰值电流435A,按125℃工作结温计算(所有参数为125℃时的值),根据该型号IGBT手册,可查得IGBT相关数据:开通能耗Eon=33mJ,IGBT关断能耗Eoff=50mJ,二极管反向恢复能耗Erec=32mJ,IGBT饱和压降VCE0=0.7V,IGBT等效电阻rCE=0.001142Ω,二极管饱和压降VF0=0.7V,二极管等效电阻rF=0.001333Ω。

IGBT导通损耗:

在这里插入图片描述

因此起动状态电机控制器的损耗约为3.1kW。

4.案例计算

设置条件,水冷系统,水密度1.010kg/m³,水的比热容4.210³J/kg℃,入口温度25℃,温升控制在10K,求该条件下该FF900R12ME7模块的散热器入口流量需要多少?

根据公式:
在这里插入图片描述

得出q=0.0738L/s=4.4L/min

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1981926.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

DyFusion:基于动态融合的交叉注意三维目标检测 论文解析

目录 概况 创新点详解 1、跨注意力动态融合 Cross-Attention Dynamic Fusion (1)特征提取 (2)体素特征编码 (3) BEV特征提取 (4)特征动态融合 ①线性变换 ②对Q(BEV特征)和…

【CNN】卷积神经网络的相关介绍及计算

文章目录 传统神经网络结构卷积神经网络结构输入的区域大小计算特征值卷积结果计算公式卷积参数共享池化层最大池化特征图变化经典网络 传统神经网络结构 传统神经网络(左边的图2D的)可以叫wxb、全连接层、FC、MLP、多层感知机、多个线性层堆在一起&…

Python 爬虫入门(八):爬虫工程化及Scrapy简介「详细介绍」

Python 爬虫入门(八):爬虫工程化及Scrapy简介「详细介绍」 前言1. Python1.1 Python 简介1.2 Python 爬虫的优势1.3 必须掌握的 Python 基础知识1.3.1 基本语法1.3.2. 函数和模块1.3.3 文件操作1.3.4 数据处理1.3.5 类和对象1.3.6 异常处理 2…

CAP+RabbitMQ

CAP(C# APM for Microservices)是一个开源的C#库,用于在分布式系统(如SOA或微服务系统)中实现事件总线及最终一致性(分布式事务)。CAP提供了多种消息队列(MQ)实现的支持&…

手把手教你写一个图形化的端口扫描工具

前言 关于学习群 由于我使用masscan进行纯端口扫描的时候,遇到扫描不出结果的情况,我就考虑了自己写一个端口扫描脚本,还挺好用。 库介绍 1、asyncio asyncio 是 Python 的一个库,用于编写单线程并发代码。使用 asyncio&#…

MacBook2024非常出色的虚拟机软件Parallels Desktop19.3中文免费版本

最近我被问得最多的一个问题就是:能不能在一台设备上同时使用Windows系统和macOS系统?答案当然是肯定的,你只需要一款虚拟机软件就能轻松实现。今天,我就来为大家安利一款非常出色的虚拟机软件——Parallels Desktop19。 这款软件…

【C++】模拟实现queue

🦄个人主页:修修修也 🎏所属专栏:实战项目集 ⚙️操作环境:Visual Studio 2022 ​​ 一.了解项目功能 📌了解queue官方标准 在本次项目中我们的目标是模拟实现一个queue,先一起看一下C标准文档中queue的定义:cplusplus : C queue标准文档htt…

中英文字翻译,这几款软件值得收藏!

在这个全球化的时代,语言不再是沟通的障碍,而翻译软件则成为了我们跨越语言鸿沟的得力助手。今天,就让我们一起探索三款让英文翻译变得前所未有的简单与高效的神奇软件,无论是学习、工作还是旅行,它们都能成为你不可或…

kickstart无人值守以及pxe实现服务器自动部署

使用背景 在企业中安装多台操作系统时会面临的问题:当安装Linux操作系统时,安装过程会需要回答很多关于设定的问题 这些问题必须手动选择,否则无法进行安装 。当只安装1台Linux系统,手动选择设定工作量比较轻松 当安装多台Linux&a…

PSO_GA混合算法优化PID参数(附代码)

由于PSO算法本身的缺陷,其存在容易出现早熟收敛、后期迭代效率不高、搜索精度不高的问题,在线性递减惯性权重PSO算法的基础上,与GA遗传算法相结合,针对PSO易陷入局部最优,通过采用GA杂交变异的思想,增加了粒子的多样性,跳出局部最优,增强混合算法的全局搜索能力,提高搜…

完美解决pip命令版本冲突导致对应版本模块包无法安装的问题

解决步骤 使用pip更新/降低指定模块包命令格式降低pip自身至指定版本的命令再次换源安装指定模块包 在对 FasterNet 这篇论文源码复现过程中,我们首先需要安装相关依赖文件( path/to/your/requirements.txt) -extra-index-url https://down…

CentOS7 VMware虚拟机基于NAT配置网络IP

目录 前言 VMnet8 虚拟网络编辑 ens33 ping 防火墙 前言 平时学习时一直需要用到Linux服务器,一般都是在Windows上安装VMware来创建一个虚拟机。创建的虚拟机需要配置网络才能够访问外网,可以通过以下两种方式来配置虚拟机网络 桥接模式NAT模式&…

给儿童掏耳朵用什么工具好?TOP4机型实测数据大公开

作为一名专业的个护测评师,我深知宝宝掏耳朵是一件多难的事情,由于宝宝的耳朵属于盲区。在为他操作时,很容易伤及宝宝的耳膜。因此,帮宝宝掏耳朵时工具的选择非常的重要。然而市场上许多跨界大牌存在隐患。某些网红品牌&#xff0…

视频发光字体特效怎么做 会声会影字体怎么淡化退出 视频剪辑制作教程

视频字体样式在视频制作中起着重要的作用,它可以帮助传达信息、增强视觉吸引力、提供情感表达、强调关键信息和提供文化背景解读等。这篇文章以会声会影为例,来一起看看发光字体制作,字体怎么淡化退出等内容。 你可以在这里免费下载会声会影…

Spring-Kafka确认机制报错:No Acknowledgment available as an argument

问题出现 在spring boot集成kafka时报错,报错信息: No Acknowledgment available as an argument, the listener container must have a MANUAL AckMode to populate the Acknowledgment.翻译: Acknowledgment 参数不可用,监听…

thingsboard-3.6.4 源码编译运行

1.首先我们要检查我们所需要的环境是否全部安装,还有对应的版本,一定要按照项目要求的版本来,要不然你会给自己挖很多坑。 我们使用的是3.6.4的版本,下面的版本全是基于这个版本的。需要安装好已经配置环境变量。 这部分大家就自…

adaboost提升方法

集成学习:串联(提升方法),并联(随机森林) Adaboost:分类加法模型(更新样本权值,投票权值-由权值误差率决定) 提升树:回归加法模型 (…

Linux驱动开发—平台总线模型详解

文章目录 1.平台总线介绍1.1平台总线模型的组成部分1.2平台总线模型的优势 2.使用平台总线模型开发驱动2.1注册platform设备2.2注册platform驱动2.3效果演示 1.平台总线介绍 Linux 平台总线模型(Platform Bus Model)是一种设备驱动框架,用于…

软件测试老兵的十条生存法则

在当下的数字化时代,软件测试行业正经历快速的变革和发展。自动化测试、持续集成和持续交付(CI/CD)、人工智能(AI)和机器学习(ML)、云计算和DevOps等技术正在重塑软件测试的各个方面。这些变化不…

全国产Gpixel图像传感器+FPGA+AI高帧率机器视觉工业相机解决方案

近些年来,机器视觉广泛应用于智能制造、自动化等设备中,用来保证产品质量,控制生产流程,感知环境等。面对不同的应用场景,检测系统需要满足不同的技术指标。其中图像传感器的分辨率和帧率是两个极为重要的指标&#xf…