一种IGBT/SiC器件故障在线自动监测系统

技术领域

本发明涉及电子器件技术领域，尤其涉及一种IGBT/SiC器件故障在线自动监测系统。

背景技术

随着新能源汽车、工业电源等领域的日益发展，功率器件的成本约占系统的10％，所以对于IGBT/SiC等功率器件来说，其工作的稳定性、安全性日益受到人们的关注；如何通过有效的监测手段可以避免由于功率器件损坏而导致的设备停机或者安全事故是一个重要的研究热点。

发明内容

本发明的提供一种IGBT/SiC器件故障在线自动监测系统。

本发明的方案是：

一种IGBT/SiC器件故障在线自动监测系统，包括IGBT/SiC功率器件、采集模块、驱动模块、通讯模块、服务器，所述采集模块采集所述IGBT/SiC功率器件的相应数据通过通讯模块向所述服务器传递数据，所述采集模块包括回路电流采集模块、回路电压采集模块、温度采集模块、工作时间采集模块，所述服务器向驱动模块传递信号，所述采集模块为传感器，所述驱动模块为驱动器，处理电路为所述服务器提供IGBT/SiC功率器件的开关频率数据。

作为优选的技术方案，还包括电源系统，所述电源系统向IGBT/SiC功率器件、采集模块、驱动模块、服务器、处理电路提供电力。

作为优选的技术方案，所述通讯模块为CAN通讯方式，所述服务器通过通讯模块向所述驱动模块传递信号。

作为优选的技术方案，所述服务器包括IGBT/SiC功率器件故障预测模型，GBT/SiC功率器件故障预测模型模块用于预测GBT/SiC功率器件故障。

作为优选的技术方案，所述IGBT/SiC功率器件故障预测模型基于LSTM神经网络模型进行预测。

作为优选的技术方案，LSTM神经网络模型中输入分别是电流、电压、时间、温度，LSTM神经网络模型中输出是开关频率及损耗，隐含层为30个神经元个数。

作为优选的技术方案，所述服务器内含有数据库，数据库内涵盖了所述GBT/SiC功率器件从生产出后到失效后全生命周期的数据，所述数据包括电流、电压、时间、温度、开关频率、散热功率与损耗数据。

作为优选的技术方案，所述数据库内数据分为训练集与测试集两部分，其中三分之二条数据集作为训练集用于IGBT/SiC功率器件故障预测模型训练，三分之一的数据集作为测试集，用于验证所述IGBT/SiC功率器件故障预测模型预测的准确性；以上数据集根据采样时间实时进行更新，并在后台进行；当针对所述IGBT/SiC功率器件训练完成后，在实际电路中通过不同时间采样数据实时预测未来1-2秒所述IGBT/SiC功率器件的模块温升及损耗，当检测到其中一项数据超出所述IGBT/SiC功率器件故障预测模型预测的数值时，通过3到5个周期数据的比较，确定即将发生故障，针对性针对模块状态调节所述IGBT/SiC功率器件控制电路开关频率输出，调节所述IGBT/SiC功率器件的驱动电路。

作为优选的技术方案，所述采集模块还包括速度采集模块与散热功率采集模块。

由于采用了上述技术方案，一种IGBT/SiC器件故障在线自动监测系统，包括包括IGBT/SiC功率器件、采集模块、驱动模块、通讯模块、服务器，所述采集模块采集所述IGBT/SiC功率器件的相应数据通过通讯模块向所述服务器传递数据，所述采集模块包括回路电流采集模块、回路电压采集模块、温度采集模块、工作时间采集模块，所述服务器向驱动模块传递信号，所述采集模块为传感器，所述驱动模块为驱动器，处理电路为所述服务器提供IGBT/SiC功率器件的开关频率数据。

本发明的优点：

通过IGBT/SiC器件故障在线自动监测系统，可实时预测IGBT/SiC功率器件故障概率，有效降低设备故障发生率，保障设备运行安全性及可靠性，降低维护成本，提升设备运行效率；

预测典型应用系统的故障概率，可广泛用于新能源汽车、充电设施及工业用特种电源等多种不同的IGBT/SiC功率器件应用工况。

附图说明

图1为本发明实施例的结构示意图；

图2为本发明于LSTM神经网络模型结构示意图。

具体实施方式

为了弥补以上不足，本发明提供了一种IGBT/SiC器件故障在线自动监测系统以解决上述背景技术中的问题。

一种IGBT/SiC器件故障在线自动监测系统，包括IGBT/SiC功率器件、采集模块、驱动模块、通讯模块、服务器，所述采集模块采集所述IGBT/SiC功率器件的相应数据通过通讯模块向所述服务器传递数据，所述采集模块包括回路电流采集模块、回路电压采集模块、温度采集模块、工作时间采集模块，所述服务器向驱动模块传递信号，所述采集模块为传感器，所述驱动模块为驱动器，处理电路为所述服务器提供IGBT/SiC功率器件的开关频率数据。

还包括电源系统，所述电源系统向IGBT/SiC功率器件、采集模块、驱动模块、服务器、处理电路提供电力。

所述通讯模块为CAN通讯方式，所述服务器通过通讯模块向所述驱动模块传递信号。

所述服务器包括IGBT/SiC功率器件故障预测模型，GBT/SiC功率器件故障预测模型模块用于预测GBT/SiC功率器件故障。

所述IGBT/SiC功率器件故障预测模型基于LSTM神经网络模型进行预测。

LSTM神经网络模型中输入分别是电流、电压、时间、温度，LSTM神经网络模型中输出是开关频率及损耗，隐含层为30个神经元个数。

所述服务器内含有数据库，数据库内涵盖了所述GBT/SiC功率器件从生产出后到失效后全生命周期的数据，所述数据包括电流、电压、时间、温度、开关频率、散热功率与损耗数据。

所述数据库内数据分为训练集与测试集两部分，其中三分之二条数据集作为训练集用于IGBT/SiC功率器件故障预测模型训练，三分之一的数据集作为测试集，用于验证所述IGBT/SiC功率器件故障预测模型预测的准确性；以上数据集根据采样时间实时进行更新，并在后台进行；当针对所述IGBT/SiC功率器件训练完成后，在实际电路中通过不同时间采样数据实时预测未来1-2秒所述IGBT/SiC功率器件的模块温升及损耗，当检测到其中一项数据超出所述IGBT/SiC功率器件故障预测模型预测的数值时，通过3到5个周期数据的比较，确定即将发生故障，针对性针对模块状态调节所述IGBT/SiC功率器件控制电路开关频率输出，调节所述IGBT/SiC功率器件的驱动电路。

所述采集模块还包括速度采集模块与散热功率采集模块。

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施例，进一步阐述本发明。

实施例：

电动汽车20KW电驱系统中，主控芯片采用了1200V 200A IGBT/SiC模块，构成了三相全桥变流电路，输出三相电压控制电机，在IGBT/SiC模块单元中加入电流、电压、温度、温度、速度数据采样模块，实时监控主控芯片运行状态，同时利用采样的数据及时间数据建立，

通过电流、电压、温度采样模块进行输入数据采集，通过CPLD逻辑处理电路获取开关频率；通过CAN通讯将数据传输至后台服务器进行模型训练及预测

基于LSTM神经网络的IGBT/SiC功率器件故障预测模型，通过大数据分析手段得出主控芯片在全寿命周期内的健康状态，当检测到某一数据超出模型正常数值时，可通过训练模型预测主控芯片的故障状态周期，可有效避免主控芯片逐渐进入失效模式，提高主控芯片工作的可靠性及稳定性。

通过采样主控芯片以及主控芯片的CPLD逻辑处理电路，得到主回路电流、电压、开关频率、温度、速度、损耗、散热功率数据建立数据库，数据库数据集，采集的数据总共n万条，该数据集涵盖了功率器件从生产出后到失效后全生命周期的数据，可分为训练集与测试集两部分，分为训练集与测试集两部分，其中三分之二条数据集作为训练集用于IGBT/SiC功率器件故障预测模型训练，三分之一的数据集作为测试集，用于验证所述IGBT/SiC功率器件故障预测模型预测的准确性；以上数据集根据采样时间实时进行更新，并在后台进行。

当针对IGBT/SiC功率器件训练完成后，可在实际电路中通过不同时间采样数据实时预测未来(1-2)秒IGBT/SiC功率器件的模块温升及损耗，当检测到某一数据超出IGBT/SiC功率器件故障预测模型模块预测的数值时，通过3到5个周期数据的比较，确定即将发生故障；针对性针对模块状态自动调节IGBT/SiC功率器件控制电路开关频率输出，调节IGBT/SiC功率器件的驱动电路，避免IGBT/SiC功率器件进入失效模式，导致功率器件表面温度及损耗急剧增加而导致功率器件击穿故障。

针对性针对模块自动调节IGBT/SiC功率器件为通过模块输出状态实现闭环反馈，实时根据模块主回路电流电压调整IGBT/SiC控制电路开关频率输出，及时控制IGBT/SiC功率器件工作与关闭状态。

以上显示和描述了本发明的基本原理、主要特征及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。