Diese Arbeit beschäftigt sich mit der Bestimmung der Halbleitertemperatur eines Antriebsumrichters mithilfe eines informierten Machine-Learning-Ansatzes. Anders als bei herkömmlichen Methoden zur Temperaturbestimmung, die entweder komplexe Sensoren zur direkten Messung der Temperatur einsetzen oder thermische Ersatzschaltbilder sowie Verlustmodelle verwenden, basiert das hier vorgestellte thermische neuronale Netz (TNN) auf dem Lernen der relevanten Parameter durch ein neuronales Netzwerk. Dieser Ansatz wurde speziell als Hybridlösung konzipiert, die die Halbleitertemperatur auf Basis von Einflussgrößen wie Strom, Spannung und Schaltfrequenz modelliert. Aufgrund der Anforderungen an Echtzeitanwendungen, insbesondere auf Mikrocontrollern, wurden die Modellarchitektur und die Datenvorverarbeitung optimiert. Das Training erfolgt mit einem synthetischen Datensatz, der durch die Simulation eines 3-phasigen, flüssigkeitsgekühlten Antriebsumrichters generiert wurde. Mittels dieser Simulationsdaten wird die Verlustberechnung separat trainiert und optimiert, um eine hohe Genauigkeit zu erreichen. Im Vergleich zu einem klassischen Machine-Learning-Ansatz, dem rekurrenten neuronalen Netzwerk (RNN), erzielt das in dieser Arbeit entwickelte TNN TNN eine bessere Modellierung der Halbleitertemperatur Ï‘j und erreicht einen durchschnittlichen MSE von 3, 17K2 bei relativ kleiner Modellgröße, während das RNN einen MSE von 18, 07K2 erreicht. Eine Hyperparameteroptimierung der Verlustberechnung steigert die Genauigkeit des TNN auf 2, 76K2. Das TNN ist vollständig differenzierbar und thermisch interpretierbar, was seine Eignung zur Anwendung in Traktionsumrichtern zur Temperaturbestimmung von Halbleitern belegt. Schlüsselwörter: Maschinelles Lernen, Neuronale Netze, Temperaturmodellierung, Antriebsumrichter, thermisches neuronales Netz, TNN, Euler-Verfahren