具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

图1是本发明的IGBT故障预测方法一种实施例提供的流程图，如图1所示，本实施例的IGBT故障预测方法具体包括如下步骤：

S101、获取预先采集的集电极-发射极电压、集电极-发射极电流、门极-发射极电压和门极电压。

本实施例中，需要获取预先采集的IGBT的集电极-发射极电压、集电极-发射极电流、门极-发射极电压和门极电压。这样，可以将这些参数均作为对IGBT进行故障预测的参数，不同的参数包含不同的老化信息，并且参数之间变化趋势也会相互关联影响。因此，可以避免现有技术中预测参数单一的问题，从而能够提高IGBT故障预测的准确度。

S102、对集电极-发射极电压、集电极-发射极电流、门极-发射极电压和门极电压进行数据分析筛选，得到IGBT的待预测参数。

获取到上述参数后，还需要对集电极-发射极电压、集电极-发射极电流、门极-发射极电压和门极电压进行数据分析筛选，本实施例优选利用MATLAB对各参数进行数据分析筛选，从而剔除多个参数中的重叠和无效信息，提取和融合有效信息，得到IGBT的待预测参数。其中，待预测参数是等待预测的参数，表示在输入预测模型进行预测之前的参数，也就是待处理参数。

S103、将待预测参数输入到利用LSTM网络、Attention网络、CNN网络和GRU网络预先创建的故障预测模型中，得到输出的目标预测结果。

本实施例预先创建了故障预测模型，该故障预测模型是利用LSTM网络、Attention网络、CNN网络和GRU网络进行创建的，因此包含了LSTM层、Attention层、CNN层、Concatenate层和GRU层。本实施例需要将上述步骤中得到的待预测参数输入到故障预测模型中，故障预测模型对待预测参数进行处理，并输出目标预测结果。由于本实施例中的故障预测模型是利用LSTM网络、Attention网络、CNN网络和GRU网络进行创建的，相比于现有技术中利用传统LSTM网络模型进行故障预测，本实施例中创建的故障预测模型采用对时间序列信息敏感的LSTM网络和对空间信息敏感的CNN网络相结合的方式对信息进行提取精度更高，从而能够提高IGBT故障预测的准确度。

S104、获取IGBT实际运行过程中产生的与待预测参数对应的实际数据。

本实施例还需要获取IGBT实际运行过程中产生的与待预测参数相对应的实际数据。例如，本实施例中目标预测结果为失效参数集电极-发射极关断瞬间的尖峰峰值电压，那么，其对应的实际数据则为实际运行过程中的IGBT产生的数据，即集电极-发射极关断瞬间的尖峰峰值电压。

S105、对目标预测结果与实际数据进行对比，确定目标预测结果与实际数据的差异值。

确定了目标预测结果和实际数据后，需要对目标预测结果与实际数据进行对比，从而确定目标预测结果与实际数据之间的差异值。

S106、判断差异值是否大于预先设置的最大误差值。若是，则执行步骤S107，若否，则继续执行步骤S101。

对目标预测结果与实际数据之间的差异值与预先设置的最大误差值进行比较，判断该差异值是否大于最大误差值。如果判断出差异值大于最大误差值，则执行步骤S107；如果判断出差异值不大于最大误差值，则说明当前IGBT并未出现故障征兆，则继续执行步骤S101。另外，可以将本次预测过程中的待预测参数作为模型训练参数，将实际数据作为对应的训练实际输出数据存储到历史数据中，以便之后对故障预测模型进行训练，以提高故障预测模型的精度。

S107、将预先记录的当前误差超出次数加一，并判断当前误差超出次数是否超出预先设置的次数阈值。若是，则执行步骤S108，若否，则继续执行步骤S101。

本实施例中预先记录了当前误差超出次数，并预先设置了次数阈值，如果判断出目标预测结果与实际数据之间的差异值大于最大误差值，则将当前误差超出次数加一，并对比当前误差超出次数与次数阈值，判断当前误差超出次数是否大于次数阈值，如果当前误差超出次数大于次数阈值，则执行步骤S108，如果当前误差超出次数不大于次数阈值，则继续执行步骤S101。本实施例中，如果次数阈值为n-1，那么n的选择是根据实际使用IGBT的最小异化参数，本实施例中优选使用故障预测模型中一个窗口的大小作为n的取值。

S108、生成故障报警信息，并将故障报警信息发送到管理终端。

如果判断出当前误差超出次数大于次数阈值，可以判定该IGBT的运行状态不稳定，需要进行检修，则需要生成故障报警信息，并将该故障报警信息发送到工作人员应用的管理终端，管理终端接收到故障报警信息后，工作人员根据该故障报警信息及时对IGBT进行检修。

本实施例的IGBT故障预测方法，获取预先采集的集电极-发射极电压、集电极-发射极电流、门极-发射极电压和门极电压；对集电极-发射极电压、集电极-发射极电流、门极-发射极电压和门极电压进行数据分析筛选，得到IGBT的待预测参数；将待预测参数输入到利用LSTM网络、Attention网络、CNN网络和GRU网络预先创建的故障预测模型中，得到输出的目标预测结果；获取IGBT实际运行过程中产生的与待预测参数对应的实际数据；对目标预测结果与实际数据进行对比，确定目标预测结果与实际数据的差异值；判断差异值是否大于预先设置的最大误差值；若差异值大于最大误差值，则将预先记录的当前误差超出次数加一，并判断当前误差超出次数是否超出预先设置的次数阈值；若当前误差超出次数大于次数阈值，则生成故障报警信息，并将故障报警信息发送到管理终端，以使工作人员根据故障报警信息对IGBT进行检修。采用本发明的技术方案，以集电极-发射极电压、集电极-发射极电流、门极-发射极电压和门极电压作为故障预测的参数，避免了预测参数的单一性，利用LSTM网络、Attention网络、CNN网络和GRU网络创建的故障预测模型，相比于现有技术中应用传统的LSTM网络模型，能够提高信息提取的全面性，以提高故障预测模型的精度，从而提高IGBT故障预测的准确度。

进一步地，图2是图1中的故障预测模型的创建流程图，如图2所示，本实施例的IGBT故障预测方法中，故障预测模型的创建过程具体步骤如下所述：

S201、从预先存储的历史数据中获取训练参数集。

本实施例中，预先存储了历史数据，历史数据中包含了训练数据和之前实际预测过的数据。本实施例需要从历史数据中获取训练参数集。其中，训练参数集中包括：若干组模型训练参数和每组模型训练参数对应训练实际输出数据。

S202、利用LSTM网络、Attention网络、CNN网络和GRU网络建立包含LSTM层、Attention层、CNN层、Concatenate层和GRU层的LACNN模型。

本实施例需要利用LSTM网络、Attention网络、CNN网络和GRU网络来建立最初始的LACNN模型，该LACNN模型包括LSTM层、Attention层、CNN层、Concatenate层和GRU层。

S203、将从训练参数集中提取的模型训练参数输入到LACNN模型中，利用LACNN模型对模型训练参数进行处理，得到LACNN模型输出的训练预测结果，并对预先记录的当前训练迭代次数加一。

本实施例需要从训练参数集中提取出一组模型训练参数，利用该组模型训练参数对LACNN模型进行训练。即，将模型训练参数输入到LACNN模型中，利用LACNN模型对模型训练参数进行处理，从而得到LACNN模型输出的训练预测结果。利用一组模型训练参数对LACNN模型训练完成后，需要将预先记录的当前训练迭代次数加一，从而完成对LACNN模型训练次数的记录。

本实施例中，将从训练参数集中提取的模型训练参数输入到LACNN模型中，利用LACNN模型对模型训练参数进行处理，得到LACNN模型输出的训练预测结果的具体步骤如下所述：

第一，将从训练参数集中提取的模型训练参数输入到LACNN模型中的LSTM层，以使LSTM层对模型训练参数进行学习，输出第一输出特征信息。

本实施例中，LACNN模型中的LSTM层，用来提取输入序列的时间信息。LSTM层包括一个遗忘门(用来丢弃先前时间步长中不必要的信息)，一个输入门(用来从输入中选择有用的信息)和一个输出门(用来控制当前LSTM网络的输出)。门能够有选择性的决定让哪些信息通过。这样就能实现对带有时间的信息的保护以及控制。本实施例将从训练参数集中提取的模型训练参数输入到LACNN模型中的LSTM层，通过遗忘门、输入门和输出门，能够实现对模型训练参数进行学习，从而输出第一输出特征信息。具体地，遗忘门：

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (1)

输入门：

输出门：

其中，σ是sigmoid激活函数，Tanh是双曲正切激活函数，表示当前临时记忆单元，h_t表示状态输出单元，h_t-1表示上一个时刻的输出，i_t为输入门，O_t为输出门，f_t为遗忘门，x_t表示模型训练参数t时刻的时间序列，W_f表示在遗忘门f_t里面的权重，W_i表示在输入门的sigmoid激活函数里面的权重，W_C表示在输入门的Tanh激活函数里面的权重，b_f、b_i、b_c均表示偏置项。

第二，将第一输出特征信息输入到LACNN模型中的Attention层，以使Attention层利用注意力机制对第一输出特征信息处理，输出第二输出特征信息。

本实施例中，Attention层是用来对更重要的特征或时间步分配更大的权值；即对h_t进行分配权重并计算最终结果。将第一输出特征信息输入到LACNN模型中的Attention层，Attention层可以利用注意力机制对第一输出特征信息进行处理，从而输出第二输出特征信息。

具体地，注意力的最终操作是相当于引入一层激活函数为softmax的全连接层，输出一组权重来代表注意力，之后将原始输入与权重进行组合。假设将第一输出特征信息表示为H＝(h₁,h₂,h₃,…,h_d)^T，T是该转置操作。其中h_i∈Rⁿ，n为特征的序列步数。根据自注意机制，第i个输入特征h_i的不同顺序步骤的重要性可以表示为s_i＝φ(W^Th_i+b)，其中W和b分别是权重矩阵和偏差向量。Φ(·)是得分函数，可以在神经网络中设计为激活函数，如sigmoid和linear。在得到第i个特征向量的得分后，可以使用softmax函数进行归一化，如下所示：

注意机制的最终输出特征O(即第二输出特征信息)可以表示为：

其中A＝(a₁,a₂,a₃,…,a_d)，是一个定义为元素乘法的操作。

本实施例特意引入注意力机制，来学习特征和时间步的重要性，并为更重要的特征分配更大的权值，大大提高了模型预测精度。

第三，将第二输出特征信息输入到LACNN模型中的CNN层，以使CNN层对第二输出特征信息进行卷积操作，输出第三输出特征信息。

本实施例中，CNN层用来进一步提取上一层结果的深层特征。将Attention层输出的第二输出特征信息输入到LACNN模型中的CNN层，CNN层对第二输出特征信息进行卷积操作，输出第三输出特征信息。具体地，CNN层卷积操作的特征映射可以用公式表示为：

其中，O表示第二输出特征信息，表示点积，w_j表示窗口向量，b∈R表示偏置项，f表示非线性变换函数，可以是s形，双曲正切等，本实施例中，优选ReLU函数作为非线性函数。

本实施例中使用n个过滤器生成如下特征映射：

W＝[c₁,c₂,c₃,…,c_n] (8)

其中，c_i为第i个过滤器生成的feature map，W表示第三输出特征信息。卷积层可以有相同大小的多个滤波器来学习互补特征，或者有不同大小的多种滤波器。

第四，将第二输出特征信息和第三输出特征信息输入到LACNN模型中的Concatenate层，以使Concatenate层整合第二输出特征信息和第三输出特征信息，输出第四输出特征信息。

本实施例中，Concatenate层用来综合时间与空间信息，得到数据所蕴含的完备的特征。将上述步骤中得到的第二输出特征信息和第三输出特征信息输入到LACNN模型中的Concatenate层中，Concatenate层可以将第二输出特征信息和第三输出特征信息进行整合，从而得到并输出第四输出特征信息，即M＝[O，W]，M即为第四输出特征信息。

第五，将第四输出特征信息输入到LACNN模型中的GRU层，以使GRU层对第四输出特征信息进行处理，输出训练预测结果。

本实施例中，GRU层起全连接层的作用，代替原本两层的全连接层的其中一个，是为了进一步加强模型的非线性表达能力。将第四输出特征信息输入到LACNN模型中的GRU层，GRU层作为全连接层对第四输出特征信息进行处理，输出训练预测结果。

S204、计算训练预测结果和模型训练参数对应的训练实际输出数据之间的训练误差。

通过上述步骤，得到模型训练参数对应的训练预测结果后，需要提取出模型训练参数对应的训练实际输出数据，并计算训练预测结果与训练实际输出数据之间的训练误差。

S205、根据训练误差对LACNN模型进行调整更新，得到更新后的LACNN模型。

根据计算出的训练误差，对LACNN模型进行调整更新，得到更新后的LACNN模型。其中，对LACNN模型进行调整更新具体是根据反向传播使用Adam优化算法调整LACNN模型中的各层权值。

S206、判断当前训练迭代次数是否达到预设训练次数以及训练误差是否满足预设训练误差范围。

本实施例在完成一组模型训练参数对LACNN模型的训练后，需要判断当前训练迭代次数是否达到预设训练次数，以及判断训练误差是否满足预设训练误差范围。

S207、若当前训练迭代次数达到预设训练次数或者训练误差满足预设训练误差范围，则将更新后的LACNN模型作为故障预测模型。

如果判断出当前训练迭代次数达到预设训练次数或者训练误差满足预设训练误差范围，则表示LACNN模型的训练完成，将最后更新后的LACNN模型作为故障预测模型。

S208、若当前训练迭代次数未达到预设训练次数且训练误差未满足预设训练误差范围，则继续从训练参数集中提取的模型训练参数，对更新后的LACNN模型进行训练。

如果当前训练迭代次数未达到预设训练次数且训练误差未满足预设训练误差范围，则说明LACNN模型并不符合应用要求，还需要继续对更新后的LACNN模型进行训练，因此，需要继续从训练参数集中再次提取一组模型训练参数，利用该组模型训练参数对更新后的LACNN模型进行训练。

具体地，本实施例中，表1为LACNN模型的结构参数表，如表1所示，LSTM层的隐藏单元数为256，返回全部time step的hidden state值(return_sequences＝True)。在LSTM层后应用Attention层，在计算得分时不共享权值。CNN层filters＝64，kernel_size＝1，卷积核为1可以实现跨通道的交互和信息整合，减少卷积核参数(简化模型)。边缘填充，padding＝'same',activation＝'relu'。最大池化，池化核大小为1。合并层后的GRU层隐藏节点设置为128，为了防止信息的丢失返回全部time step的hidden state值。使用Adam优化算法，学习率设置为0.001。使用MSE作为损失函数。

表1

图3是本发明的IGBT故障预测系统一种实施例提供的结构示意图。如图3所示，本实施例的IGBT故障预测系统包括：处理器21和存储器22，处理器21与存储器22相连。其中，存储器22用于存储计算机程序，计算机程序至少用于执行上述实施例所述的IGBT故障预测方法；处理器21用于调用并执行存储器22中存储的计算机程序。

本实施例的IGBT故障预测系统，以集电极-发射极电压、集电极-发射极电流、门极-发射极电压和门极电压作为故障预测的参数，避免了预测参数的单一性，利用LSTM网络、Attention网络、CNN网络和GRU网络创建的故障预测模型，相比于现有技术中应用传统的LSTM网络模型，能够提高信息提取的全面性，以提高故障预测模型的精度，从而提高IGBT故障预测的准确度。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。