[发明专利]基于神经网络预测的IGBT模块状态检测系统及方法

权利要求书

1.一种基于神经网络预测的IGBT模块状态检测系统，其特征在于，包括

信号调理模块，用于对采样信号进行滤波处理，并传输给ADC；

ADC，用于将模拟信号转换为数字信号，并传输至微控制单元MCU；

FPGA，可编程门阵列，用于高速数据缓存；

微控制单元，用于分析计算IGBT结温，并将结果送入LCD进行显示LCD，用于显示结果。

2.一种基于神经网络预测算法的IGBT模块状态检测方法，其特征在于，包括

步骤1.构建BP神经网络

步骤2.以集电极-发射极电压V_CE、集电极电流I_C、感应电压V_eE、开关频率f_PWM、壳温T参量作为系统输入量，分别进行归一化处理；

步骤3.将步骤2得到的数据输入步骤1得到的BP神经网络，输出IGBT模块状态。

3.根据权利要求2所述的基于神经网络预测算法的IGBT模块状态检测方法，其特征在于，所述的步骤1.构建BP神经网络，具体步骤如下：

①网络模型参数初始化：根据输入输出数据，确定BP神经网络各层神经元数，分别定义为n，l和m；设置各层之间连接权值，包括输入层-隐含层权值ω_ij、隐含层-输出层连接权值ω_jo；隐含层阈值a和输出层阈值b；给定数据训练算法和训练迭代次数以及相应的预期精度；

②网络正向传递阶段：

对于输入学习样本数据{X}，根据模型设置参数，隐含层输出H和输出层输出O分别为：

其中f₁和f₂分别为隐含层和输出层传递函数；

③根据BP神经网络预测输出O和期望输出Y，计算模型误差e，公式如下：

e_k＝Y_k-O_k

④根据网络预测误差e更新各层之间的连接系数ω_ij，ω_jo，公式如下：

ω_jo＝ω_jo+ηH_je_k j＝1,2,...,l；k＝1,2,...,m

其中η为学习速率；

⑤根据计算得到的误差e更新网络模型阈值a和b，公式如下：

b_k＝b_k+e_k k＝1,2,...,m

⑥判断计算精度是否满足要求，如果为否，则重复步骤②～⑤，直至精度满足要求。

4.根据权利要求2所述的基于神经网络预测算法的IGBT模块状态检测方法，其特征在于，所述的步骤步骤2.归一化处理，公式如下：

其中，x为归一化前的原始数据；x_max和x_min分别为原始数据的最小值和最大值。

5.根据权利要求1所述的基于神经网络预测算法的IGBT模块状态检测方法，其特征在于，所述的步骤3.根据在功率模块IGBT实际使用中不同工作状态下结温大小来判断IGBT的健康状态。