CN115078952B - 一种igbt驱动故障检测方法及系统 - Google Patents

一种igbt驱动故障检测方法及系统 Download PDF

Info

Publication number
CN115078952B
CN115078952B CN202211001305.5A CN202211001305A CN115078952B CN 115078952 B CN115078952 B CN 115078952B CN 202211001305 A CN202211001305 A CN 202211001305A CN 115078952 B CN115078952 B CN 115078952B
Authority
CN
China
Prior art keywords
signal
fault
driving
igbt device
igbt
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211001305.5A
Other languages
English (en)
Other versions
CN115078952A (zh
Inventor
诸建周
李健
温珂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Donghai Semiconductor Co ltd
Original Assignee
Jiangsu Donghai Semiconductor Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Donghai Semiconductor Co ltd filed Critical Jiangsu Donghai Semiconductor Co ltd
Priority to CN202211001305.5A priority Critical patent/CN115078952B/zh
Publication of CN115078952A publication Critical patent/CN115078952A/zh
Application granted granted Critical
Publication of CN115078952B publication Critical patent/CN115078952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/26—Testing of individual semiconductor devices
    • G01R31/2601—Apparatus or methods therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/26—Testing of individual semiconductor devices
    • G01R31/2607—Circuits therefor
    • G01R31/2608—Circuits therefor for testing bipolar transistors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明涉及IGBT检测技术领域，揭露一种IGBT驱动故障检测方法及系统。该方法包括：获取待检测的IGBT器件，识别IGBT器件的拓扑结构，根据拓扑结构，仿真IGBT器件在运行过程时的等效电路和等效运行环境，根据等效电路和等效运行环境，采集IGBT器件在运行过程时的仿真驱动数据；对仿真驱动数据进行噪声消除，得到目标驱动数据，提取目标驱动数据中的驱动信号特征；根据驱动信号特征，利用训练好的信号故障分类模型检测IGBT器件的驱动故障类别；根据故障类别，定位IGBT器件的驱动状态监测参数，根据驱动状态监测参数和驱动信号特征，利用训练好的驱动故障分析模型分析IGBT器件的事件故障发生概率，以生成IGBT器件的故障检测报告。本发明可以提高IGBT器件的驱动故障检测。

Description

一种IGBT驱动故障检测方法及系统
技术领域
本发明涉及IGBT检测技术领域，尤其涉及一种IGBT驱动故障检测方法及系统。
背景技术
IGBT器件(Insulated Gate Bipolar Transistor)，又称绝缘栅双极型晶体管，其是由（Bipolar Junction Transistor，BJT）双极型三极管和绝缘栅型场效应管（MetalOxide Semiconductor，MOS）组成的复合全控型电压驱动式功率半导体器件，通过对IGBT器件进行驱动故障检测可以保障其运行的稳定性。目前，IGBT器件的驱动故障检测通常是在IGBT器件发生异常时，基于人工的手段进行故障排查，但在实际业务场景中，由于IGBT涉及的业务场景多端变化，且内部电子元件连接较为复杂，另外IGBT器件面对的故障类别数量也较为庞大，通过人工的手段进行IGBT的驱动故障检测需要耗费较多的时间和精力，从而使得IGBT器件的驱动故障检测较低。
发明内容
为了解决上述技术问题，本发明提供了一种IGBT驱动故障检测方法、装置、电子设备以及存储介质，可以提高IGBT器件的驱动故障检测。
第一方面，本发明提供了一种IGBT驱动故障检测方法，包括：
获取待检测的IGBT器件，并识别所述IGBT器件的拓扑结构，根据所述拓扑结构，仿真所述IGBT器件在运行过程时的等效电路和等效运行环境，根据所述等效电路和所述等效运行环境，采集所述IGBT器件在运行过程时的仿真驱动数据；
对所述仿真驱动数据进行噪声消除，得到目标驱动数据，并提取所述目标驱动数据中的驱动信号特征；
根据所述驱动信号特征，利用训练好的信号故障分类模型检测所述IGBT器件的驱动故障类别；
根据所述驱动故障类别，定位所述IGBT器件的驱动状态监测参数，并根据所述驱动状态监测参数和所述驱动信号特征，利用训练好的驱动故障分析模型分析所述IGBT器件的事件故障发生概率，根据所述事件故障发生概率，生成所述IGBT器件的故障检测报告。
在第一方面的一种可能实现方式中，所述识别所述IGBT器件的拓扑结构，包括：
查询所述IGBT器件的电子元件，识别所述电子元件之间的元件耦合关系，并确定所述电子元件之间的电路连接关系；
根据所述元件耦合关系和所述电路连接关系，生成所述IGBT器件的拓扑结构。
在第一方面的一种可能实现方式中，所述对所述仿真驱动数据进行噪声消除，得到目标驱动数据，包括：
初始化所述仿真驱动数据中的原始信号，计算所述原始信号的均值信号；
根据所述均值信号，计算所述原始信号的残差信号，并计算所述残差信号与所述原始信号的信号能量比；
根据所述信号能量比，执行对所述仿真驱动数据的噪声消除，得到目标驱动数据；
其中，利用下述公式初始化所述仿真驱动数据中的原始信号：
Figure DEST_PATH_IMAGE001
其中，
Figure 100002_DEST_PATH_IMAGE002
表示原始信号，i表示仿真驱动数据中信号的第i次迭代序号，n表示仿 真驱动数据中信号的初始化次数，t表示仿真驱动数据中信号的时间序列，Imf表示仿真驱 动数据中信号的本征模态函数，
Figure DEST_PATH_IMAGE003
（）表示仿真驱动数据中信号的残差函数；
及利用下述公式计算所述残差信号与所述原始信号的信号能量比：
Figure 100002_DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE005
表示信号能量比，
Figure 100002_DEST_PATH_IMAGE006
表示原始信号，
Figure DEST_PATH_IMAGE007
表示残差信号。
在第一方面的一种可能实现方式中，所述根据所述驱动信号特征，利用训练好的信号故障分类模型检测所述IGBT器件的驱动故障类别之前，还包括：
获取训练信号特征及其对应的真实故障类别，利用预构建信号故障分类模型中的输入层激活所述训练信号特征，得到激活信号特征；
利用所述预构建信号故障分类模型中的输入层计算所述激活信号特征的故障类别概率；
根据所述故障类别概率，利用所述预构建信号故障分类模型中的输出层输出所述训练信号特征的预测故障类别；
利用所述预构建信号故障分类模型中的损失函数计算所述真实故障类别与所述预测故障类别的模型损失；
在所述模型损失大于预设损失时，调整所述预构建信号故障分类模型的模型参数，并返回执行利用预构建信号故障分类模型中的输入层激活所述训练信号特征的步骤；
在所述模型损失不大于所述预设损失时，得到训练好的信号故障分类模型中。
在第一方面的一种可能实现方式中，所述利用所述预构建信号故障分类模型中的输入层计算所述激活信号特征的故障类别概率，包括：
利用下述公式计算所述激活信号特征的故障类别概率：
Figure 100002_DEST_PATH_IMAGE008
其中，H表示故障类别概率，i表示输入层中的第i个神经元，n表示输入层的神经元 个数，
Figure DEST_PATH_IMAGE009
表示输入层至隐含层的权重，
Figure 100002_DEST_PATH_IMAGE010
表示第i个神经元的激活信号特征，
Figure DEST_PATH_IMAGE011
表示输入层 至隐含层的偏置。
在第一方面的一种可能实现方式中，所述根据所述故障类别概率，利用所述预构建信号故障分类模型中的输出层输出所述训练信号特征的预测故障类别，包括：
利用下述公式输出所述训练信号特征的预测故障类别：
Figure 100002_DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
表示预测故障类别，j表示隐含层中的第j个神经元，l表示隐含层的神经元 个数，H表示故障类别概率，
Figure 100002_DEST_PATH_IMAGE014
表示隐含层至输出层的权重，
Figure DEST_PATH_IMAGE015
表示隐含层至输出层的偏 置。
在第一方面的一种可能实现方式中，所述根据所述驱动状态监测参数和所述驱动信号特征，利用训练好的驱动故障分析模型分析所述IGBT器件的事件故障发生概率，包括：
根据所述驱动状态监测参数，利用所述训练好的驱动故障分析模型中的决策层对所述驱动信号特征进行特征分割，得到多个信号分割节点；
利用所述训练好的驱动故障分析模型中的增益函数计算每个所述信号分割节点中信号特征的信号增益；
根据所述信号增益，查找每个所述信号分割节点的最优信号特征，根据所述最优信号特征，利用所述训练好的驱动故障分析模型中的事件激活函数计算所述IGBT器件的事件故障发生概率。
第二方面，本发明提供了一种IGBT驱动故障检测系统，所述系统包括：
仿真数据采集模块，用于获取待检测的IGBT器件，并识别所述IGBT器件的拓扑结构，根据所述拓扑结构，仿真所述IGBT器件在运行过程时的等效电路和等效运行环境，根据所述等效电路和所述等效运行环境，采集所述IGBT器件在运行过程时的仿真驱动数据；
信号特征提取模块，用于对所述仿真驱动数据进行噪声消除，得到目标驱动数据，并提取所述目标驱动数据中的驱动信号特征。
在第一方面的一种可能实现方式中，所述系统还包括：
故障类别检测模块，用于根据所述驱动信号特征，利用训练好的信号故障分类模型检测所述IGBT器件的驱动故障类别；
检测报告生成模块，用于根据所述驱动故障类别，定位所述IGBT器件的驱动状态监测参数，并根据所述驱动状态监测参数和所述驱动信号特征，利用训练好的驱动故障分析模型分析所述IGBT器件的事件故障发生概率，根据所述事件故障发生概率，生成所述IGBT器件的故障检测报告。
第三方面，本发明提供一种电子设备，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，以使所述至少一个处理器能够执行如上述第一方面中任意一项所述的IGBT驱动故障检测方法。
第四方面，本发明提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任意一项所述的IGBT驱动故障检测方法。
与现有技术相比，本方案的技术原理及有益效果在于：
本发明实施例首先识别IGBT器件的拓扑结构，根据拓扑结构，仿真IGBT器件在运行过程时的等效电路和等效运行环境，可构建所述IGBT的虚拟运行环境，使得IGBT器件可以处于虚拟环境中进行故障检测，降低在实际运行环境中IGBT器件的检测环境的部署复杂度，提高后续IGBT器件的故障检测效率，并根据等效电路和等效运行环境，采集IGBT器件在运行过程时的仿真驱动数据，可以保障后续IGBT器件的故障分析前提；
其次，本发明实施例通过对仿真驱动数据进行噪声消除，得到目标驱动数据，可以降低所述仿真驱动数据中的信号噪声影响，保障后续IGBT器件的故障分析准确性和分析效率，并提取目标驱动数据中的驱动信号特征，以利用训练好的信号故障分类模型检测IGBT器件的驱动故障类别，可以智能化的手段检测所述IGBT器件的驱动故障类别，实现所述IGBT器件的驱动故障自动分类，保障后续IGBT器件的驱动故障自动检测前提；
进一步地，本发明实施例通过根据故障类别，定位IGBT器件的驱动状态监测参数，并根据驱动状态监测参数和驱动信号特征，利用训练好的驱动故障分析模型分析IGBT器件的事件故障发生概率，可以采用端到端的智能化手段决策IGBT器件在虚拟环境运行过程中会发生故障事件的概率，可以避免通过人工手段进行IGBT器件的驱动故障检测，进一步提高IGBT器件的驱动故障检测效率，并通过根据所述事件故障发生概率，生成IGBT器件的故障检测报告，可以保障所述IGBT器件在实际环境运行过程中做出提前预警，实现所述IGBT器件的稳定运行。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种IGBT驱动故障检测方法的流程示意图；
图2为本发明一实施例中图1提供的一种IGBT驱动故障检测方法的其中一个步骤的流程示意图；
图3为本发明一实施例中图1提供的一种IGBT驱动故障检测方法的另外一个步骤的流程示意图；
图4为本发明一实施例提供的一种IGBT驱动故障检测装置的模块示意图；
图5为本发明一实施例提供的实现IGBT驱动故障检测方法的电子设备的内部结构示意图。
具体实施方式
应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种IGBT驱动故障检测方法，所述IGBT驱动故障检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述IGBT驱动故障检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参阅图1所示，是本发明一实施例提供的IGBT驱动故障检测方法的流程示意图。其中，图1中描述的IGBT驱动故障检测方法包括：
S1、获取待检测的IGBT器件，并识别所述IGBT器件的拓扑结构，根据所述拓扑结构，仿真所述IGBT器件在运行过程时的等效电路和等效运行环境，根据所述等效电路和所述等效运行环境，采集所述IGBT器件在运行过程时的仿真驱动数据。
本发明实施例中，所述待检测的IGBT器件是指需要功能/性能检测的器件，其基于不同的业务需求所获取，通过对所述IGBT器件进行检测可以保障所述IGBT器件在实际运行过程中的正常运转，实现所述IGBT器件的安全监控。其中，所述IGBT器件(Insulated GateBipolar Transistor)，又称绝缘栅双极型晶体管，其是由（Bipolar JunctionTransistor，BJT）双极型三极管和绝缘栅型场效应管（Metal Oxide Semiconductor，MOS）组成的复合全控型电压驱动式功率半导体器件。
进一步地，本发明实施例通过识别所述IGBT器件的拓扑结构，以获取所述IGBT器件的内部结构关系，保障后续对所述IGBT进行仿真模拟的前提。其中，所述拓扑结构可以理解为用于描述所述IGBT器件在运行时的结构关系，如电路结构关系、电子元件连接关系等。
作为本发明的一个实施例，所述识别所述IGBT器件的拓扑结构，包括：查询所述IGBT器件的电子元件，识别所述电子元件之间的元件耦合关系，并确定所述电子元件之间的电路连接关系，根据所述元件耦合关系和所述电路连接关系，生成所述IGBT器件的拓扑结构。
其中，所述电子元件可以理解为用于组成所述IGBT器件的元器件，如芯片、晶体管等，所述元件耦合关系是指用于表征所述IGBT器件中电子元件的组合关系，以保障所述IGBT的功能正常运转，所述电路连接关系是指所述用于所述IGBT器件中电子元件在工作过程中的电路流向关系。
进一步地，本发明实施例通过根据所述拓扑结构，仿真所述IGBT器件在运行过程时的等效电路和等效运行环境，以构建所述IGBT的虚拟运行环境，使得IGBT器件可以处于虚拟环境中进行故障检测，降低在实际运行环境中IGBT器件的检测环境的部署复杂度，提高后续IGBT器件的故障检测效率。其中，所述等效电路可以理解为所述IGBT器件在虚拟状态下所具备其实际的运行电路，所述等效运行环境可以理解为所述IGBT器件在虚拟状态下所具备其实际的运行环境。
作为本发明的一个实施例，所述根据所述拓扑结构，仿真所述IGBT器件在运行过程时的等效电路和等效运行环境，包括：根据所述拓扑结构，在预设的虚拟平台中构建所述IGBT器件的仿真结构，并在所述预设的虚拟平台配置所述仿真结构的虚拟电路和虚拟环境，得到所述等效电路和等效运行环境。其中，所述预设的虚拟平台是指用于加载所述IGBT器件的故障检测平台，其包括MATLAB平台。
进一步地，本发明实施例通过根据所述等效电路和所述等效运行环境，采集所述IGBT器件在运行过程时的仿真驱动数据，以保障后续所述IGBT器件的故障分析前提，其中，所述仿真驱动数据是指在虚拟环境下所述IGBT所产生的运行数据，如驱动电压、电流以及功率等数据。可选的，所述IGBT器件在运行过程时的仿真驱动数据可以通过传感器进行获取。
S2、对所述仿真驱动数据进行噪声消除，得到目标驱动数据，并提取所述目标驱动数据中的驱动信号特征。
应该了解的是，所述仿真驱动数据在所述IGBT器件的等效电路和等效运行环境中所采集得到，即表示所述仿真驱动数据与所述IGBT器件在实际业务场景下所产生的实际驱动数据保持一致，而在实际业务场景下，所述IGBT器件所产生的运行数据会受到外界因素影响，导致其会出现数据偏差，从而会影响后续IGBT的故障分析准确率，因此，本发明实施例通过对所述仿真驱动数据进行噪声消除，以降低所述仿真驱动数据中的信号噪声影响，保障后续IGBT器件的故障分析准确性和分析效率。
作为本发明的一个实施例，参阅图2所示，所述对所述仿真驱动数据进行噪声消除，得到目标驱动数据，包括：
S201、初始化所述仿真驱动数据中的原始信号，计算所述原始信号的均值信号；
S202、根据所述均值信号，计算所述原始信号的残差信号，并计算所述残差信号与所述原始信号的信号能量比；
S203、根据所述信号能量比，执行对所述仿真驱动数据的噪声消除，得到目标驱动数据。
其中，所述原始信号是指在采集所述仿真驱动数据时所产生的数字信号，所述均值信号可以理解为所述原始信号的平均信号，所述残差信号是指所述原始信号中去除噪声信息所携带的数据信息。
进一步地，本发明一可选实施例中，利用下述公式初始化所述仿真驱动数据中的原始信号：
Figure 476025DEST_PATH_IMAGE001
其中，
Figure 862007DEST_PATH_IMAGE002
表示原始信号，i表示仿真驱动数据中信号的第i次迭代序号，n表示仿 真驱动数据中信号的初始化次数，t表示仿真驱动数据中信号的时间序列，Imf表示仿真驱 动数据中信号的本征模态函数，
Figure 110586DEST_PATH_IMAGE003
（）表示仿真驱动数据中信号的残差函数。
进一步地，本发明一可选实施例中，所述计算所述原始信号的均值信号，包括：获取所述原始信号的信号曲线，根据所述信号曲线，计算所述所述原始信号的极大值信号和极小值信号，对所述极大值信号和极小值信号进行加权平均，得到所述原始信号的均值信号。其中，所述信号曲线是指用于描述所述原始信号随着时间序列变化的信号曲线。
进一步地，本发明一可选实施例中，利用下述公式计算所述原始信号的残差信号：
Figure 100002_DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
表示残差信号，
Figure 410855DEST_PATH_IMAGE002
表示原始信号，
Figure 100002_DEST_PATH_IMAGE018
表示均值信号，t表示时 间序列。
进一步地，本发明一可选实施例中，利用下述公式计算所述残差信号与所述原始信号的信号能量比：
Figure DEST_PATH_IMAGE019
其中，
Figure 428489DEST_PATH_IMAGE005
表示信号能量比，
Figure 719793DEST_PATH_IMAGE006
表示原始信号，
Figure 455668DEST_PATH_IMAGE007
表示残差信号。
进一步地，本发明一可选实施例中，所述根据所述信号能量比，执行对所述仿真驱动数据的噪声消除，即在所述信号能量比大于预设能量比时，将所述残差信号对应的信息数据作为所述目标驱动数据，其中所述预设能量比可以设置为0.5，也可以根据实际业务场景设置。
进一步地，本发明实施例通过提取所述目标驱动数据中的驱动信号特征，以筛选出所述目标驱动数据中的无用数据，保障后续数据的处理效率。可选的，所述目标驱动数据中的驱动信号特征可以通过1D信号分析法进行提取。
S3、根据所述驱动信号特征，利用训练好的信号故障分类模型检测所述IGBT器件的驱动故障类别。
本发明实施例通过根据所述驱动信号特征，利用训练好的信号故障分类模型检测所述IGBT器件的驱动故障类别，以智能化的手段检测所述IGBT器件的驱动故障类别，实现所述IGBT器件的驱动故障自动分类，保障后续IGBT器件的驱动故障自动检测前提。其中，所述驱动故障类别是指用于描述所述IGBT器件在运行过程中发生故障所属的故障标签，常见的如开路故障、短路故障、欠压故障等类别。所述信号故障分类模型可以通过分类神经网络进行构建，如BP神经神经网络。
进一步地，本发明实施例中，所述根据所述驱动信号特征，利用训练好的信号故障分类模型检测所述IGBT器件的驱动故障类别之前，还包括：获取训练信号特征及其对应的真实故障类别，利用预构建信号故障分类模型中的输入层激活所述训练信号特征，得到激活信号特征，利用所述预构建信号故障分类模型中的输入层计算所述激活信号特征的故障类别概率，根据所述故障类别概率，利用所述预构建信号故障分类模型中的输出层输出所述训练信号特征的预测故障类别，利用所述预构建信号故障分类模型中的损失函数计算所述真实故障类别与所述预测故障类别的模型损失，在所述模型损失大于预设损失时，调整所述预构建信号故障分类模型的模型参数，并返回执行利用预构建信号故障分类模型中的输入层激活所述训练信号特征的步骤，在所述模型损失不大于所述预设损失时，得到训练好的信号故障分类模型中。
其中，所述训练信号特征是指在实际业务场景中已经产生的IGBT信号特征，其可以通过大数据技术进行采集，所述真实故障类别是指用于表征所述训练信号特征对应的实际故障类别，其用于监督后续信号故障分类模型的学习效果，保障信号故障分类模型具备良好的检测能力。
进一步地，本发明一可选实施例中，所述训练信号特征的激活可以通过所述输入层中的激活函数实现，如Sigmoid函数。
进一步地，本发明一可选实施例中，利用下述公式计算所述激活信号特征的故障类别概率：
Figure 123410DEST_PATH_IMAGE008
其中，H表示故障类别概率，i表示输入层中的第i个神经元，n表示输入层的神经元 个数，
Figure 261130DEST_PATH_IMAGE009
表示输入层至隐含层的权重，
Figure 221871DEST_PATH_IMAGE010
表示第i个神经元的激活信号特征，
Figure 445041DEST_PATH_IMAGE011
表示输入层 至隐含层的偏置。
进一步地，本发明一可选实施例中，利用下述公式输出所述训练信号特征的预测故障类别：
Figure 650895DEST_PATH_IMAGE012
其中，
Figure 643122DEST_PATH_IMAGE013
表示预测故障类别，j表示隐含层中的第j个神经元，l表示隐含层的神经元 个数，H表示故障类别概率，
Figure 541808DEST_PATH_IMAGE014
表示隐含层至输出层的权重，
Figure 252275DEST_PATH_IMAGE015
表示隐含层至输出层的偏 置。
进一步地，本发明一可选实施例中，所述预设的损失函数包括：
Figure 100002_DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE021
表示模型损失，m表示预测故障类别的数量，t表示预测故障类别的序号，
Figure 100002_DEST_PATH_IMAGE022
表示真实故障类别。
S4、根据所述驱动故障类别，定位所述IGBT器件的驱动状态监测参数，并根据所述驱动状态监测参数和所述驱动信号特征，利用训练好的驱动故障分析模型分析所述IGBT器件的事件故障发生概率，根据所述事件故障发生概率，生成所述IGBT器件的故障检测报告。
本发明实施例通过根据所述驱动故障类别，定位所述IGBT器件的驱动状态监测参数，以确定所述IGBT器件的健康状态参数，从而可以保障后续IGBT的故障检测前提，其中，所述驱动状态监测参数包括饱和导通压降、短路电流、开通延迟时间以及门极峰值电流等参数。
进一步地，本发明实施例通过根据所述驱动状态监测参数和所述驱动信号特征，利用训练好的驱动故障分析模型分析所述IGBT器件的事件故障发生概率，以采用端到端的智能化手段决策IGBT器件在虚拟环境运行过程中会发生故障事件的概率，可以避免通过人工手段进行IGBT器件的驱动故障检测，进一步提高IGBT器件的驱动故障检测效率。其中，所述训练好的驱动故障分析模型可以通过决策树算法进行构建，如XG-Boost算法。
进一步地，作为本发明的一个实施例，参阅图3所示，所述根据所述驱动状态监测参数和所述驱动信号特征，利用训练好的驱动故障分析模型分析所述IGBT器件的事件故障发生概率，包括：
S301、根据所述驱动状态监测参数，利用所述训练好的驱动故障分析模型中的决策层对所述驱动信号特征进行特征分割，得到多个信号分割节点；
S302、利用所述训练好的驱动故障分析模型中的增益函数计算每个所述信号分割节点中信号特征的信号增益；
S303、根据所述信号增益，查找每个所述信号分割节点的最优信号特征，根据所述最优信号特征，利用所述训练好的驱动故障分析模型中的事件激活函数计算所述IGBT器件的事件故障发生概率。
其中，所述信号分割节点是指用于描述所述驱动信号特征所属对应的驱动状态监测参数，所述信号增益是指在所述信号分割节点中每个信号特征的信息重要程度。
进一步地，本发明的一个可选实施例中，所述驱动信号特征的特征分割可以通过所述决策层中的聚类函数实现，如k-means函数，所述增益函数包括信息熵函数，所述事件激活函数包括softmax函数。
进一步地，本发明实施例通过根据所述事件故障发生概率，生成所述IGBT器件的故障检测报告，以生成所述IGBT器件的故障检测结果，可以保障所述IGBT器件在实际环境运行过程中做出提前预警，实现所述IGBT器件的稳定运行。
可以看出，本发明实施例首先识别IGBT器件的拓扑结构，根据拓扑结构，仿真IGBT器件在运行过程时的等效电路和等效运行环境，可构建所述IGBT的虚拟运行环境，使得IGBT器件可以处于虚拟环境中进行故障检测，降低在实际运行环境中IGBT器件的检测环境的部署复杂度，提高后续IGBT器件的故障检测效率，并根据等效电路和等效运行环境，采集IGBT器件在运行过程时的仿真驱动数据，可以保障后续IGBT器件的故障分析前提；其次，本发明实施例通过对仿真驱动数据进行噪声消除，得到目标驱动数据，可以降低所述仿真驱动数据中的信号噪声影响，保障后续IGBT器件的故障分析准确性和分析效率，并提取目标驱动数据中的驱动信号特征，以利用训练好的信号故障分类模型检测IGBT器件的驱动故障类别，可以智能化的手段检测所述IGBT器件的驱动故障类别，实现所述IGBT器件的驱动故障自动分类，保障后续IGBT器件的驱动故障自动检测前提；进一步地，本发明实施例通过根据故障类别，定位IGBT器件的驱动状态监测参数，并根据驱动状态监测参数和驱动信号特征，利用训练好的驱动故障分析模型分析IGBT器件的事件故障发生概率，可以采用端到端的智能化手段决策IGBT器件在虚拟环境运行过程中会发生故障事件的概率，可以避免通过人工手段进行IGBT器件的驱动故障检测，进一步提高IGBT器件的驱动故障检测效率，并通过根据所述事件故障发生概率，生成IGBT器件的故障检测报告，可以保障所述IGBT器件在实际环境运行过程中做出提前预警，实现所述IGBT器件的稳定运行。因此，本发明实施例提出的一种IGBT驱动故障检测方法可以提高IGBT器件的驱动故障检测。
如图4所示，是本发明IGBT驱动故障检测装置的功能模块图。
本发明提供一种IGBT驱动故障检测系统，所述系统可以为IGBT驱动故障检测装置400，所述IGBT驱动故障检测装置400可以安装于电子设备中。根据实现的功能，所述IGBT驱动故障检测装置可以包括仿真数据采集模块401、信号特征提取模块402、故障类别检测模块403以及检测报告生成模块404。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本发明实施例中，关于各模块/单元的功能如下：
所述仿真数据采集模块401，用于获取待检测的IGBT器件，并识别所述IGBT器件的拓扑结构，根据所述拓扑结构，仿真所述IGBT器件在运行过程时的等效电路和等效运行环境，根据所述等效电路和所述等效运行环境，采集所述IGBT器件在运行过程时的仿真驱动数据；
所述信号特征提取模块402，用于对所述仿真驱动数据进行噪声消除，得到目标驱动数据，并提取所述目标驱动数据中的驱动信号特征；
所述故障类别检测模块403，用于根据所述驱动信号特征，利用训练好的信号故障分类模型检测所述IGBT器件的驱动故障类别；
所述检测报告生成模块404，用于根据所述驱动故障类别，定位所述IGBT器件的驱动状态监测参数，并根据所述驱动状态监测参数和所述驱动信号特征，利用训练好的驱动故障分析模型分析所述IGBT器件的事件故障发生概率，根据所述事件故障发生概率，生成所述IGBT器件的故障检测报告。
详细地，本发明实施例中所述IGBT驱动故障检测装置400中的所述各模块在使用时采用与上述的图1至图3中所述的IGBT驱动故障检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明实现IGBT驱动故障检测方法的电子设备的结构示意图。
所述电子设备可以包括处理器50、存储器51、通信总线52以及通信接口53，还可以包括存储在所述存储器51中并可在所述处理器50上运行的计算机程序，如IGBT驱动故障检测程序。
其中，所述处理器50在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器50是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器51内的程序或者模块（例如执行IGBT驱动故障检测程序等），以及调用存储在所述存储器51内的数据，以执行电子设备的各种功能和处理数据。
所述存储器51至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器51在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器51在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器51还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器51不仅可以用于存储安装于电子设备的应用软件及各类数据，例如IGBT驱动故障检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线52可以是外设部件互连标准（peripheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extended industry standardarchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器51以及至少一个处理器50等之间的连接通信。
所述通信接口53用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，所述用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器50逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利发明范围上并不受此结构的限制。
所述电子设备中的所述存储器51存储的IGBT驱动故障检测程序是多个计算机程序的组合，在所述处理器50中运行时，可以实现：
获取待检测的IGBT器件，并识别所述IGBT器件的拓扑结构，根据所述拓扑结构，仿真所述IGBT器件在运行过程时的等效电路和等效运行环境，根据所述等效电路和所述等效运行环境，采集所述IGBT器件在运行过程时的仿真驱动数据；
对所述仿真驱动数据进行噪声消除，得到目标驱动数据，并提取所述目标驱动数据中的驱动信号特征；
根据所述驱动信号特征，利用训练好的信号故障分类模型检测所述IGBT器件的驱动故障类别；
根据所述驱动故障类别，定位所述IGBT器件的驱动状态监测参数，并根据所述驱动状态监测参数和所述驱动信号特征，利用训练好的驱动故障分析模型分析所述IGBT器件的事件故障发生概率，根据所述事件故障发生概率，生成所述IGBT器件的故障检测报告。
具体地，所述处理器50对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待检测的IGBT器件，并识别所述IGBT器件的拓扑结构，根据所述拓扑结构，仿真所述IGBT器件在运行过程时的等效电路和等效运行环境，根据所述等效电路和所述等效运行环境，采集所述IGBT器件在运行过程时的仿真驱动数据；
对所述仿真驱动数据进行噪声消除，得到目标驱动数据，并提取所述目标驱动数据中的驱动信号特征；
根据所述驱动信号特征，利用训练好的信号故障分类模型检测所述IGBT器件的驱动故障类别；
根据所述驱动故障类别，定位所述IGBT器件的驱动状态监测参数，并根据所述驱动状态监测参数和所述驱动信号特征，利用训练好的驱动故障分析模型分析所述IGBT器件的事件故障发生概率，根据所述事件故障发生概率，生成所述IGBT器件的故障检测报告。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种IGBT驱动故障检测方法，其特征在于，所述方法包括：
获取待检测的IGBT器件，并识别所述IGBT器件的拓扑结构，根据所述拓扑结构，仿真所述IGBT器件在运行过程时的等效电路和等效运行环境，根据所述等效电路和所述等效运行环境，采集所述IGBT器件在运行过程时的仿真驱动数据；
对所述仿真驱动数据进行噪声消除，得到目标驱动数据，并提取所述目标驱动数据中的驱动信号特征；
根据所述驱动信号特征，利用训练好的信号故障分类模型检测所述IGBT器件的驱动故障类别，所述信号故障分类模型的训练过程包括：获取训练信号特征及其对应的真实故障类别，利用预构建信号故障分类模型中的输入层激活所述训练信号特征，得到激活信号特征，利用所述预构建信号故障分类模型中的输入层计算所述激活信号特征的故障类别概率，根据所述故障类别概率，利用所述预构建信号故障分类模型中的输出层输出所述训练信号特征的预测故障类别，利用所述预构建信号故障分类模型中的损失函数计算所述真实故障类别与所述预测故障类别的模型损失，在所述模型损失大于预设损失时，调整所述预构建信号故障分类模型的模型参数，并返回执行利用预构建信号故障分类模型中的输入层激活所述训练信号特征的步骤，在所述模型损失不大于所述预设损失时，得到训练好的信号故障分类模型，其中，利用下述公式1计算所述激活信号特征的故障类别概率：
Figure DEST_PATH_IMAGE002
公式1
其中，H表示故障类别概率，i表示输入层中的第i个神经元，n表示输入层的神经元个数，
Figure DEST_PATH_IMAGE004
表示输入层至隐含层的权重，
Figure DEST_PATH_IMAGE006
表示第i个神经元的激活信号特征，
Figure DEST_PATH_IMAGE008
表示输入层至隐含层的偏置，
及利用下述公式2输出所述训练信号特征的预测故障类别：
Figure DEST_PATH_IMAGE010
公式2
其中，
Figure DEST_PATH_IMAGE012
表示预测故障类别，j表示隐含层中的第j个神经元，l表示隐含层的神经元个数，H表示故障类别概率，
Figure DEST_PATH_IMAGE014
表示隐含层至输出层的权重，
Figure DEST_PATH_IMAGE016
表示隐含层至输出层的偏置；
根据所述驱动故障类别，定位所述IGBT器件的驱动状态监测参数，根据所述驱动状态监测参数，利用所述训练好的驱动故障分析模型中的决策层对所述驱动信号特征进行特征分割，得到多个信号分割节点，利用所述训练好的驱动故障分析模型中的增益函数计算每个所述信号分割节点中信号特征的信号增益，根据所述信号增益，查找每个所述信号分割节点的最优信号特征，根据所述最优信号特征，利用所述训练好的驱动故障分析模型中的事件激活函数计算所述IGBT器件的事件故障发生概率，根据所述事件故障发生概率，生成所述IGBT器件的故障检测报告。
2.根据权利要求1所述的IGBT驱动故障检测方法，其特征在于，所述识别所述IGBT器件的拓扑结构，包括：
查询所述IGBT器件的电子元件，识别所述电子元件之间的元件耦合关系，并确定所述电子元件之间的电路连接关系；
根据所述元件耦合关系和所述电路连接关系，生成所述IGBT器件的拓扑结构。
3.根据权利要求1所述的IGBT驱动故障检测方法，其特征在于，所述对所述仿真驱动数据进行噪声消除，得到目标驱动数据，包括：
初始化所述仿真驱动数据中的原始信号，计算所述原始信号的均值信号；
根据所述均值信号，计算所述原始信号的残差信号，并计算所述残差信号与所述原始信号的信号能量比；
根据所述信号能量比，执行对所述仿真驱动数据的噪声消除，得到目标驱动数据；
其中，利用下述公式初始化所述仿真驱动数据中的原始信号：
Figure DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE020
表示原始信号，i表示仿真驱动数据中信号的第i次迭代序号，n表示仿真驱动数据中信号的初始化次数，t表示仿真驱动数据中信号的时间序列，Imf表示仿真驱动数据中信号的本征模态函数，
Figure DEST_PATH_IMAGE022
（）表示仿真驱动数据中信号的残差函数；
及利用下述公式计算所述残差信号与所述原始信号的信号能量比：
Figure DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE026
表示信号能量比，
Figure DEST_PATH_IMAGE028
表示原始信号，
Figure DEST_PATH_IMAGE030
表示残差信号。
4.一种IGBT驱动故障检测系统，其特征在于，所述系统包括：
仿真数据采集模块，用于获取待检测的IGBT器件，并识别所述IGBT器件的拓扑结构，根据所述拓扑结构，仿真所述IGBT器件在运行过程时的等效电路和等效运行环境，根据所述等效电路和所述等效运行环境，采集所述IGBT器件在运行过程时的仿真驱动数据；
信号特征提取模块，用于对所述仿真驱动数据进行噪声消除，得到目标驱动数据，并提取所述目标驱动数据中的驱动信号特征；
故障类别检测模块，用于根据所述驱动信号特征，利用训练好的信号故障分类模型检测所述IGBT器件的驱动故障类别，所述信号故障分类模型的训练过程包括：获取训练信号特征及其对应的真实故障类别，利用预构建信号故障分类模型中的输入层激活所述训练信号特征，得到激活信号特征，利用所述预构建信号故障分类模型中的输入层计算所述激活信号特征的故障类别概率，根据所述故障类别概率，利用所述预构建信号故障分类模型中的输出层输出所述训练信号特征的预测故障类别，利用所述预构建信号故障分类模型中的损失函数计算所述真实故障类别与所述预测故障类别的模型损失，在所述模型损失大于预设损失时，调整所述预构建信号故障分类模型的模型参数，并返回执行利用预构建信号故障分类模型中的输入层激活所述训练信号特征的步骤，在所述模型损失不大于所述预设损失时，得到训练好的信号故障分类模型中，其中，利用下述公式1计算所述激活信号特征的故障类别概率：
Figure 733730DEST_PATH_IMAGE002
公式1
其中，H表示故障类别概率，i表示输入层中的第i个神经元，n表示输入层的神经元个数，
Figure 306663DEST_PATH_IMAGE004
表示输入层至隐含层的权重，
Figure 351980DEST_PATH_IMAGE006
表示第i个神经元的激活信号特征，
Figure 419293DEST_PATH_IMAGE008
表示输入层至隐含层的偏置，
及利用下述公式2输出所述训练信号特征的预测故障类别：
Figure 499244DEST_PATH_IMAGE010
公式2
其中，
Figure 977499DEST_PATH_IMAGE012
表示预测故障类别，j表示隐含层中的第j个神经元，l表示隐含层的神经元个数，H表示故障类别概率，
Figure 775691DEST_PATH_IMAGE014
表示隐含层至输出层的权重，
Figure 381115DEST_PATH_IMAGE016
表示隐含层至输出层的偏置；以及
检测报告生成模块，用于根据所述驱动故障类别，定位所述IGBT器件的驱动状态监测参数，根据所述驱动状态监测参数，利用所述训练好的驱动故障分析模型中的决策层对所述驱动信号特征进行特征分割，得到多个信号分割节点，利用所述训练好的驱动故障分析模型中的增益函数计算每个所述信号分割节点中信号特征的信号增益，根据所述信号增益，查找每个所述信号分割节点的最优信号特征，根据所述最优信号特征，利用所述训练好的驱动故障分析模型中的事件激活函数计算所述IGBT器件的事件故障发生概率，根据所述事件故障发生概率，生成所述IGBT器件的故障检测报告。
CN202211001305.5A 2022-08-19 2022-08-19 一种igbt驱动故障检测方法及系统 Active CN115078952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211001305.5A CN115078952B (zh) 2022-08-19 2022-08-19 一种igbt驱动故障检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211001305.5A CN115078952B (zh) 2022-08-19 2022-08-19 一种igbt驱动故障检测方法及系统

Publications (2)

Publication Number Publication Date
CN115078952A CN115078952A (zh) 2022-09-20
CN115078952B true CN115078952B (zh) 2022-12-23

Family

ID=83244069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211001305.5A Active CN115078952B (zh) 2022-08-19 2022-08-19 一种igbt驱动故障检测方法及系统

Country Status (1)

Country Link
CN (1) CN115078952B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102377326A (zh) * 2010-08-20 2012-03-14 深圳市澳地特电气技术有限公司 基于igbt桥式开关拓扑的驱动电路及其保护模块
CN104133131A (zh) * 2014-07-21 2014-11-05 中国东方电气集团有限公司 一种igbt驱动故障检测及诊断方法
CN110780188A (zh) * 2019-10-18 2020-02-11 合肥工业大学 一种igbt驱动电路故障诊断方法
CN112748368A (zh) * 2020-10-28 2021-05-04 上海交通大学 一种三电平逆变器igbt开路故障诊断方法
CN113033833A (zh) * 2021-02-25 2021-06-25 江苏大学 一种联合收割机脱粒滚筒收获状态故障诊断方法
CN113358993A (zh) * 2021-05-13 2021-09-07 武汉大学 一种多电平变换器igbt的在线故障诊断方法及系统
CN113364249A (zh) * 2021-07-05 2021-09-07 珠海格力电器股份有限公司 一种igbt驱动板的保护装置、方法和变频器
CN114528883A (zh) * 2022-02-24 2022-05-24 河北工业大学 一种风电变流器igbt故障识别方法
CN114740327A (zh) * 2022-06-10 2022-07-12 江苏东海半导体股份有限公司 Igbt模块状态监测方法及装置
CN114841067A (zh) * 2022-05-06 2022-08-02 南京轻机包装机械有限公司 一种基于matlab的全功率风力发电变流器IGBT开路故障仿真方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11520649B2 (en) * 2018-11-15 2022-12-06 International Business Machines Corporation Storage mounting event failure prediction

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102377326A (zh) * 2010-08-20 2012-03-14 深圳市澳地特电气技术有限公司 基于igbt桥式开关拓扑的驱动电路及其保护模块
CN104133131A (zh) * 2014-07-21 2014-11-05 中国东方电气集团有限公司 一种igbt驱动故障检测及诊断方法
CN110780188A (zh) * 2019-10-18 2020-02-11 合肥工业大学 一种igbt驱动电路故障诊断方法
CN112748368A (zh) * 2020-10-28 2021-05-04 上海交通大学 一种三电平逆变器igbt开路故障诊断方法
CN113033833A (zh) * 2021-02-25 2021-06-25 江苏大学 一种联合收割机脱粒滚筒收获状态故障诊断方法
CN113358993A (zh) * 2021-05-13 2021-09-07 武汉大学 一种多电平变换器igbt的在线故障诊断方法及系统
CN113364249A (zh) * 2021-07-05 2021-09-07 珠海格力电器股份有限公司 一种igbt驱动板的保护装置、方法和变频器
CN114528883A (zh) * 2022-02-24 2022-05-24 河北工业大学 一种风电变流器igbt故障识别方法
CN114841067A (zh) * 2022-05-06 2022-08-02 南京轻机包装机械有限公司 一种基于matlab的全功率风力发电变流器IGBT开路故障仿真方法
CN114740327A (zh) * 2022-06-10 2022-07-12 江苏东海半导体股份有限公司 Igbt模块状态监测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于端到端数据驱动的光伏逆变器系统IGBT故障诊断技术研究;龙宏宇;《中国优秀硕士学位论文全文数据库》;20220215;第二-四章 *
龙宏宇.基于端到端数据驱动的光伏逆变器系统IGBT故障诊断技术研究.《中国优秀硕士学位论文全文数据库》.2022,第二-四章. *

Also Published As

Publication number Publication date
CN115078952A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
Dong et al. An Intrusion Detection Model for Wireless Sensor Network Based on Information Gain Ratio and Bagging Algorithm.
CN107678845A (zh) 应用程序管控方法、装置、存储介质及电子设备
CN106202514A (zh) 基于Agent的突发事件跨媒体信息的检索方法及系统
CN111563521A (zh) 特定于场所的异常检测
CN111523119A (zh) 漏洞检测的方法和装置、电子设备及计算机可读存储介质
CN105550100A (zh) 一种信息系统故障自动恢复的方法及系统
CN110247910A (zh) 一种异常流量的检测方法、系统及相关组件
CN111158964B (zh) 一种磁盘故障预测方法、系统、装置及存储介质
CN110347561A (zh) 监控告警方法及终端设备
CN112583640A (zh) 一种基于知识图谱的服务故障检测方法及装置
CN103530312A (zh) 使用多方面足迹的用户标识的方法和系统
US20180336494A1 (en) Translating sensor input into expertise
US11151021B2 (en) Selecting test-templates using template-aware coverage data
CN113627530A (zh) 相似问题文本生成方法、装置、设备及介质
CN112115326A (zh) 一种以太坊智能合约的多标签分类和漏洞检测方法
CN112882899B (zh) 一种日志异常检测方法及装置
CN113628043A (zh) 基于数据分类的投诉有效性判断方法、装置、设备及介质
CN115078952B (zh) 一种igbt驱动故障检测方法及系统
CN111339072B (zh) 基于用户行为的变化值分析方法、装置、电子设备及介质
CN117155771A (zh) 一种基于工业物联网的设备集群故障溯源方法及装置
CN116247824B (zh) 电力设备的控制方法及其系统
CN114727100A (zh) 一种监控设备的联合调试方法及装置
CN116318925A (zh) 一种多cnn融合入侵检测方法、系统、介质、设备及终端
CN115561700A (zh) 一种直流电能表的计量标准分析方法及装置
CN115469590A (zh) 智能电表接口的低功耗控制方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant