对比一下欧洲某大学的考试题,国内工程师请进!

原文地址::http://bbs.eeworld.com.cn/archiver/tid-93155.html

 

对比一下欧洲某大学的考试题,国内工程师请进!

注:看了国内某电子工程师考试题,觉得国内注重实践,不知道是否知其然并知其所以然,因此小弟在此首次灌水,希望抛砖引玉,了解一下国内工程师的水平。

1。普通二极管和电力电子用的二极管在结构上有什么区别?提示:psn结构,s层的作用是什么?可以从杂质掺杂浓度来分析。

2。在现代开关器件中,经常可以看到punch through技术的应用。请介绍一下这种技术的原理和它的优点(相比起没有使用此技术的器件)。

3。IGBT有“电导调制”的特点,应此igbt在大电流,较低频率的应用场合较MOSFET更有优势。何谓电导调制?

4。thyristor和gto结构上大同小异,但后者却能够实现主动关断。请介绍一下生产工艺上的差异。

5。在大电流应用场合,有时需要多管并联。现在可供选择的器件有igbt和mosfet。哪些可以用于并联,哪些不可以?原因是什么?

6。在常用的dcdc converter中,如buck converter 或boost converter,二极管的反相恢复时间对能量损耗的影响很大。为改善损耗,请给出两种方法。提示:新器件鸡拓扑结构。

 

原帖作者的解释
1。普通二极管和电力电子用的二极管在结构上有什么区别?提示:psn结构,s层的作用是什么?可以从杂质掺杂浓度来分析。

答:通常为了增加二极管的耐压,理论上可以增厚pn结,并且降低杂质浓度,但是缺点是正相导通损耗变大。
通过加一层低杂质的s层,性能得到改观:正相导通的时候s层完全导通,近似于短路,直接pn连接,所以压降小;反相接电压的时候,由于s层的杂质浓度低,电导低,或者说此s层能够承受的最大电场E较大,所以s层能够承受较大电压而不被击穿。

2。在现代开关器件中,经常可以看到punch through技术的应用。请介绍一下这种技术的原理和它的优点(相比起没有使用此技术的器件)。

答:在开关器件中,用于提高耐压的s层往往并没有得到充分的利用,因为s层的一端耐压为Emax的时候,另外一段为0,也就是说,E在s层并不是均匀分布的,Umax~0.5(Emax+Emin)——注意,器件耐压只取决于s层中E对于l长度的积分。punch through就是在s层与pn结直接再加一层高杂质掺杂的薄层,使得此层中电场由Emax变化到Emin=0,而真正的s层中处处场强都接近于Emax。
理论上,通过punch through技术,s层的宽度可以减少50%——在耐压不变的前提下。实际中由于s层必须有一定的电导,宽度会略大于50%。

3。IGBT有“电导调制”的特点,应此igbt在大电流,较低频率的应用场合较MOSFET更有优势。何谓电导调制?

答:电导调制其实很简单,也就是Uce之间的等效电路模型为一接近理想的二极管。饱和电压不随着电流增加而增加,导通损耗为P~I;而mosfet的ds等效电路为一个电阻,损耗为P~I^2。因此在通态损耗占主要因素的场合(如电机驱动),igbt更有优势。

4。thyristor和gto结构上大同小异,但后者却能够实现主动关断。请介绍一下生产工艺上的差异。

答:比较难用文字说清楚,gto是的层与层之间是环形结构,所以结合程度要比普通的晶闸管好,能够实现关断(具体请自行参阅相关文献)。

5。在大电流应用场合,有时需要多管并联。现在可供选择的器件有igbt和mosfet。哪些可以用于并联,哪些不可以?原因是什么?

答:mosfet可直接用于并联,igbt不方便。因为mosfet是负温度系数,各个并联管之间可以平衡:T上升,Rds上升-》I减小。而igbt是正温度系数不行,同理,双极型三极管也不可以简单并联。如果要并联,必须串联在e极一个小电阻,但这就降低了效率,不太实用。
另外igbt还有latch的问题,详情参考相关文献。


6。在常用的dcdc converter中,如buck converter 或boost converter,二极管的反相恢复时间对能量损耗的影响很大。为改善损耗,请给出两种方法。提示:新器件鸡拓扑结构。

答:方案一,用SiC代替快回复二极管。经过计算得出,不少情况下,虽然SiC二极管比较贵,但从整体而言产品性价比更高,原因:开关损耗小,散热片小。。。
方案二,用synchronous boost、buck converter代替。上臂的管子也用mosfet。利用mosfet在Ugs接电压的时候ds双向导通的特点(纯看上去一电阻),减小损耗,尤其在低电压驱动电路中,此结构可大大减少电路通态损耗。
方案三,让管子工作在discontinueous的状态。
方案死,让管子工作在continueous状态,但是减小电感,增加电流的ripple,使其最小值低于0——resonant pole,缺点是mosfet通态损耗变大。

以上答案均为个人总结,如有差错,还请包涵。

感想:此考试的专业并不是半导体制造工艺,而是很general的基础课程。50%的电子方向学生都必须通过这门考试。我观察了国内论坛挺久,发现大多讨论话题都是比较偏向实际应用的。可是我感觉,如果没有对于一个系统有着真正本质的了解而只是浮在表面,作出来的系统很难工作在一个optimal的状况下。譬如选电感的时候,ripple factor多大对于系统最优?电解采用哪种产品,它在“此”电路中的寿命大约多少?mosfet在此电路中的寿命大概是多少?确实,这些是很底层的东西,但是如果我们工程师不去掌握它,设计层面停留在“大约”的阶段,产品是很难和国外的相比的。



希望国内搞技术的工程师,多掌握理论知识,知其然并知其所以然。不管是电子,机械制造方面也是一样。

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值