基于逆变器多模态输出电压的IGBT微小故障特征提取

朱琴跃， 李姚霖， 谭喜堂， 魏伟， 李爱华

(同济大学 电子与信息工程学院，上海 201804)

广泛应用于牵引逆变器中的功率开关器件IGBT由于工作时受到高温、潮湿、静电等恶劣因素的影响，内部封装也会遭受各种应力冲击，疲劳损伤持续累积，最终会造成IGBT模块内部键合线脱落或者焊料层老化等各种微小故障，即造成老化故障。这类故障发展缓慢，电路参数变化幅度小，不像IGBT的开路或者短路故障那样直接影响逆变器的正常工作状态，但如果不对其进行及时的检测处理，任由其自由发展，将会加快IGBT模块的老化进程，最终导致模块失效，微小故障可能演变成显著故障[1-3]。为此，为了及时准确地检测出微小故障，如何选取合适的能够反映IGBT微小故障的特征变量，并从中准确提取故障特征参数就显得十分重要。

与IGBT的开路或短路故障相比，微小故障的检测难度更高。近年来国内外专家学者的研究表明，能够明确表征IGBT微小故障的特征参数主要包括集射极导通压降VCE(on)、门极电压VGE、关断时间toff、开通时间ton、结壳热阻Rth、结温Tj等[4-6]。目前，这些微小故障特征主要通过对IGBT内部结构的精准建模并结合实验结果获得，其中应用最广泛、研究最深入的是集射极饱和导通压降、门极电压以及短路电流等几个重要参数。

1)集射极饱和导通压降：VCE(on)是目前应用最为广泛的IGBT微小故障程度测量标准参数之一，当IGBT发生微小故障时，VCE(on)将随着IGBT等效杂散电阻和电感的增加而增加。国内外专家在充分考虑集电极电流和结温对微小故障影响的前提下，提出了集射极导通压降VCE(on)的计算方法[7]。在此基础上，文献[8-9]探究了不同温度下IGBT相应输出特性曲线VCE(on)随温度变化的规律，证明了不同输出特性曲线交点处集电极电流对应的VCE(on)幅值不受温度变化的影响，可以有效反映IGBT模块键合线脱落的故障特征。但上述方法主要用于单个模块的实验测试，对于实际运行着的牵引逆变器系统，IGBT的集电极电流不一定满足交点电流要求，上述方法并不适用。为此，文献[10]通过离线采集IGBT在特定导通电流时不同结温下不同微小故障程度的导通压降，形成参考数据集，基于此提出一种基于动态自适应导通压降参考值的微小故障特征确定方法，实现了牵引变流器实际运行时IGBT微小故障的检测。文献[11]提出了另一种IGBT微小故障在线监测策略，找到变流器工作过程中IGBT的空闲导通状态，在该状态下向IGBT导入测试电流，根据该测试电流下的VCE(on)变化来判断微小故障程度。该方法需要额外的外部测试电路，在实际应用中增加了变流器系统的复杂性。

2)基于门极的电气特征参数：随着IGBT模块老化程度不断加剧，其门极寄生电容以及其他参数也随之改变。大量理论分析和实验测试表明，IGBT键合线老化时会减小米勒电容，从而缩短了米勒平台持续时间[12]；
门极过冲电压随着IGBT键合线脱落程度的增大而逐渐增加[13]；
IGBT模块发生芯片支路故障时，门极电荷持续时间明显减小，且在一定的门极电压范围内，基本不受到结温的影响[14]；
为此专家们提出可将门极电压中的米勒平台持续时间、门极过冲电压、门极电荷持续时间等门极参数来作为IGBT键合线老化和脱落的微小故障特征参数，但上述参数易受到母线电压、导通电流和结温等因素影响。同时米勒平台持续时间的故障灵敏度较低，门极电荷持续时间仅适用于所有键合线脱落的芯片失效故障，对单根键合线脱落的微小故障反应并不明显。

3)基于短路电流的特征参数：IGBT模块在发生短路击穿时，键合线脱落等微小故障会改变键合线的等效电阻电感，进而导致其短路电流下降。文献[15-16]探究了在特定门极驱动电压(VGT)下，IGBT短路电流与键合线老化程度之间的关系，消除了结温对短路电流的影响，验证了短路电流对监测IGBT键合线老化等微小故障的有效性。但是利用该参数需要让IGBT模块发生短路故障，会对IGBT模块造成不可逆的伤害，因而在逆变器正常工作状态下采取该特征参数检测微小故障并不可行。

上述方法所提取的参数在不同的应用场景和不同的条件下可以反映IGBT模块微小故障特征的变化，对IGBT微小故障有一定的检测效果。但这些参数主要基于单个独立的IGBT模块进行采集，适用于对单个模块故障的检测，目前基于逆变器系统输出参数对IGBT微小故障进行检测的研究仍处于起步阶段。基于上述参数对逆变器在IGBT微小故障进行检测，首先需要对系统中每个IGBT模块均安装相应的电压或电流传感器，所需传感器数量较多。此外大多数参数不适用于运行中的逆变器在线监测，有的需要增加额外的测试电路，有的会对正常系统造成破坏。这些操作不仅增加了系统的复杂程度，也提高了采样难度，增加了许多额外的成本，还有可能影响系统的正常工作。

鉴于此，本文以两电平牵引逆变器为研究对象，针对逆变器中IGBT模块的键合线脱落微小故障，通过分析不同故障与模块输出特性、逆变器输出特性间的关联，选取逆变器输出电压为IGBT微小故障特征信号；
并将开关状态下的逆变器等效成二阶系统，完成系统参数辨识后，采用Elman神经网络对输出电压的工作模态进行划分，基于此提出一种输出电压原始数据和系统辨识参数相融合的故障特征参数提取方法，并通过仿真及实验对所提方法的有效性进行了验证。相比于现有方法，本文所提微小故障特征提取方法主要具有以下3点优势：1)直接从逆变器的输出电压信号中有效提取出IGBT微小故障特征参数，无需增添额外传感器件；
2)两电平逆变器的工作模态划分能对故障IGBT的故障特征进行有效区分，为故障器件的定位打下基础；
3)所提方法结合系统参数的辨识，有效降低了实际系统原始数据噪声的干扰，同时又避免等效二阶系统参数辨识误差对特征提取效果的影响。

1.1 两电平逆变器的基本工作原理

两电平三相逆变器的主电路拓扑结构如图1(a)所示，由6个IGBT模块组成，每两个IGBT模块相连组成一相电路，三相电路并联在直流电压两侧。考虑到IGBT内部各极之间的连接以及外部封装等因素，组成主电路的6个IGBT模块各个电极及电极之间存在寄生电阻、电感和电容等杂散参数，相应的IGBT模型如图1(b)所示，其中：RG、RC、RE分别为门极、集电极和发射极的杂散电阻；
LG、LC、LE分别为门极、集电极和发射极的杂散电感；
CGC为门极-集电极寄生电容；
CGE为门极-发射极寄生电容；
CCE为集电极-射极寄生电容[17]。

图1 两电平逆变器主电路拓扑及计及杂散参数的IGBT模型Fig.1 Main circuit topology of two-level inverter and IGBT model with stray parameters

为便于描述，本文逆变器采用方波控制策略，令同一相上下两IGBT模块的导通角度相差180°，各相之间的导通角度依次相差120°。现选取逆变器输出端口电压为故障特征信号，如图2所示，工作时逆变器输出相电压可划分为6个稳态模态s1～s6和6个暂态模态d1～d6，每个稳态模态对应其中3个开关管处于导通时的输出，每个暂态模态对应同一相中某一开关管开通和另一开关管关断时的输出。当某个IGBT模块发生微小故障，其故障特征主要体现在对应的输出电压暂态模态中，可从不同暂态模态中提取能够表征IGBT模块微小故障的特征参数。

图2 两电平逆变器输出相电压工作模态划分示意图Fig.2 Schematic diagram of working mode division of two-level inverter output phase voltage

1.2 暂态故障特征参数的选取

图3 直流激励下IGBT关断时的等效电路Fig.3 Equivalent circuit in IGBT turn-off state under DC excitation

由图3可知，当IGBT从导通到关断的瞬间，原本被短路的杂散电容C被接入电路中，直流电源开始对电容充电，此时该等效电路为一个RLC的二阶等效电路，由此可得电容电压uC的微分方程为

(1)

式(1)为一个二阶线性非齐次微分方程。令R=RIGBT+RLOAD，L=LIGBT+LLOAD，可得相应传递函数为

(2)

根据二阶系统模型可求得：

(3)

(4)

综上所述，当IGBT模块发生键合线脱落的微小故障时，可选择超调量σ和峰值时间tp作为暂态故障特征参数。此外，通过两者的非线性组合可得到暂态模态电压斜率绝对值为

(5)

其中Vnorm为该暂态过程趋于稳定后的稳态电压值。电压斜率特征虽然是由其他故障特征组合计算得到，但如果在诊断时没有包含数据的非线性映射，同样能够为故障诊断带来新的判别信息，其随着σ的减小和tp的增大而减小，也可作为暂态故障特征参数。

逆变器工作模态的准确划分是提取暂态故障特征参数的必要前提。两电平逆变器的工作模态在切换时具有很显著的时序特性，即某一模态仅可能发生在固定的工作模态之后。Elman神经网络是一种典型的反馈网络，能够完整存储前一时刻的神经元信息，很好地解决时序特征问题，其主要包括输入层、隐含层、承接层和输出层4个部分[22-23]。利用Elman神经网络的承接层神经元直接记录了上一时刻隐含层输出结果的特点，可以对逆变器工作模态分类结果作出顺序限制，自适应地根据数据时序特征建立模型。

相应地，确定合适的Elman神经网络输入参数对准确划分工作模态至关重要。由前述分析可知，当逆变器中IGBT模块处于开关切换的工作情形下，逆变器系统可以等效成一个二阶动态系统，此时逆变器输出电压可以等效成相应的二阶系统输出响应。由式(2)～式(4)可知，逆变器输出电压暂态模态中超调量和峰值时间等特征参数需要利用二阶系统模型的参数ωn和ξ进行计算，因此需要利用实际输出电压数据辨识得到二阶系统传递函数的相关参数。同时，这些辨识参数同样反映了二阶系统的暂态和稳态过程，可作为Elman神经网络模态划分模型的输入参数。为此，在进行工作模态划分前需先完成逆变器等效二阶系统的参数辨识。

2.1 逆变器等效二阶系统的参数辨识

参数辨识的相应过程如下：

设系统输入为阶跃信号u(t)，相应的阶跃响应输出为g(t)，信号的采样间隔为Δt，则任意二阶系统可用以下二阶差分方程表示：

g(t)+a1g(t+Δt)+a2g(t+2Δt)=0。

(6)

其中a1、a2为与实际二阶系统相关的参数。

根据差分方程的传递形式，时间依次延迟Δt，可得n个方程为：

(7)

令：

(8)

则式(7)可表示为

Y=Xθ。

(9)

现已知矩阵X和Y，要估计参数a1、a2。根据最小二乘法，令损失函数Loss为

(10)

(11)

如此，即可求得二阶系统参数a1、a2。

同样地，假设逆变器等效二阶系统的传递函数G(s)可表示为

(12)

则系统的阶跃响应表示为

g(t)=c1es1t+c2es2t。

(13)

采样间隔为Δt，则t+Δt,t+2Δt,…,t+nΔt时刻的阶跃响应分别可表示为：

(14)

将式(13)、式(14)代入式(6)中，可得

c1es1t[1+a1es1Δt+a2(es1Δt)2]+

c2es2t[1+a1es2Δt+a2(es2Δt)2]=0。

(15)

要使得方程(15)成立，则要求：

(16)

令：

(17)

对应可求得：

(18)

将x1、x2及t=0代入式(13)、式(14)得：

(19)

对该式联合求解，可得c1、c2。

因此，求出二阶系统的参数a1、a2后，可以进一步求得二阶系统参数s1、s2、c1、c2。其中：a1、a2与输出响应的工作状态相关，可作为工作模态划分的输入特征参数；
s1、s2、c1、c2可结合式(4)和式(12)用于超调量σ和峰值时间tp的求解。

2.2 基于Elman神经网络的工作模态划分算法

2.2.1 工作模态分类特征参数的确定

在进行模态划分前，先将原始输出电压数据划分为多个时间片，对每个时间片的电压数据进行二阶系统参数辨识，辨识参数a1、a2可以作为工作模态划分的特征参数，同时还能够降低原始数据的噪声干扰。由于辨识参数反映的是零状态阶跃响应特征，但由表1所示根据逆变器工作过程划分的6个暂态模态所输出电压变化情况可知，逆变器不同暂态模态的阶跃基准电平并不为0且不尽相同，为此，采用上述二阶系统参数辨识方法时，需将不同暂态模态的输出电压统一增加或降低一定大小使得阶跃基准电平均为零值。然而这样处理后，模态d2和d6以及d3和d5的变化分别相同，无法利用辨识参数来区分不同的模态。

表1 不同暂态工作模态输出电压变化Table 1 Voltage variation in different transient modes

表2 各工作模态输出电压平均值分布表Table 2 Average voltage value of each working mode

2.2.2 工作模态划分算法

本文利用Elman神经网络对逆变器输出电压数据进行训练和测试，实现不同工作模态的划分。相应的逆变器工作模态划分流程如图4所示，基本原理和过程如下。

图4 基于Elman神经网络的模态划分流程图Fig.4 Flow chart of mode division based on Elman neural network

对逆变器输出电压数据完成工作模态划分后，根据上述分析，选取超调量σ、峰值时间tp和电压斜率绝对值Δ作为IGBT微小故障的暂态特征参数。由于IGBT发生微小故障时，特征参数变化较为微弱，很容易受到采样数据中噪声的干扰，若直接对原始数据进行故障特征参数提取有可能存在较大的误差。为此，本文首先通过原始数据和二阶参数辨识系统分别提取暂态故障特征参数，其中基于原始数据提取的特征参数能够反映数据原本的特征，基于参数辨识系统提取的特征参数能够平滑噪声的干扰；
然后分别为上述两种方法提取的特征参数确定合适的融合权值，将两者融合计算得到最终的故障特征参数。

3.1 基于原始数据的故障特征参数计算

3.1.1 超调量计算

(20)

其中：avg(Vmax)为最大值集合的平均值；
Vnorm为该暂态趋于稳定后的稳态电压值；
k的取值由实际数据量决定。

3.1.2 峰值时间计算

tp_Dataset=avg(Tmax)-t0。

(21)

其中：avg(Tmax)为峰值时刻集合的均值；
t0为暂态起始时刻。

暂态起始时刻t0的确定同样影响到峰值时间计算的准确性。由于时间片划分的精确度会导致暂态模态第一个时间片内的数据可能包含一部分上一稳态模态的数据，因此，本文采用二分法在暂态模态第一个时间片内进一步确定暂态起始时刻t0。

假设第一个时间片内共有n个数据，第i个数据值为vi，采样间隔为Δt，确定暂态起始时刻的步骤如下：

步骤1：以中心数据即n/2处的数据vn/2为分界点，将数据分为前后两部分；

步骤3：比较kL和kR，将会出现以下3种情况：

1)kL≈kR>0，此时前半部分数据和后半部分数据均属于暂态模态数据，时间片第一个时刻即为暂态起始时刻t0；

2)kL≈0且kR>0，此时前半部分数据均属于上一稳态模态的数据，暂态起始时刻t0应在区间[n/2,n]，在该区间内重复步骤1～3，直至满足情况1)；

3)kL、kR>0且kL

3.2 基于辨识参数的故障特征参数计算

根据等效二阶辨识系统中求得的辨识参数s1、s2、c1、c2，代入式(12)中可求得自然振荡频率ωn和阻尼系数ξ，将ωn和ξ代入式(4)便可计算得到超调量σSystem和峰值时间tp_System。

3.3 原始数据和辨识参数相融合的故障特征参数提取

1)融合权值的确定。

假设前k大电压数据分布为最理想情况，则令相应数据集Vmax获得最高得分，即

(22)

若前k大电压数据分布最分散，则数据集Vmax将获得最低得分，即

(23)

将最低与最高得分区间映射到[0 , 1]区间，则原始数据信息的融合权值α为

(24)

其中：k为原始输出电压数据中选取大电压值的总数；
ti、ti+1分别表示第i和i+1个大电压值对应的时刻。

根据上式可知，当数据分布最理想时，α=1；
当数据分布最分散时，α=0。

辨识系统中参数误差主要来自辨识系统与实际系统的差异，而式(10)中的损失函数Loss反映了这一差异大小。当辨识系统与原始数据完美拟合，数据完全匹配时，Loss最小值为0；
当辨识系统与原始数据差异极大，在有限迭代次数内辨识结果不收敛，Loss可能非常大，甚至趋近于∞。为此，采用式(25)所示方法来确定辨识系统的融合权值β，当两类系统的数据拟合程度越好，β越接近于1，反之则越接近于0。

β=e-Loss。

(25)

2)融合后特征参数提取。

在上述基础上，再进一步对α、β进行归一化处理，得到α′、β′分别为：

(26)

因此，融合后的超调量σ为

σ=avg(σDataset,σSystem)=

(27)

融合后的峰值时间tp为

tp=avg(tp_Dataset,tp_System)=

(28)

提取系统超调量σ和峰值时间tp后，通过式(5)便可进一步提取暂态模态电压斜率绝对值Δ。

综上，基于原始数据和辨识参数相融合的IGBT微小故障特征参数提取流程如图5所示。

图5 IGBT微小故障特征参数提取流程Fig.5 Extraction process of incipient fault characteristic parameters in transient modes

为了验证本文提出方法的有效性，按照图1所示在MATLAB/Simulink上搭建了两电平牵引逆变器仿真模型，IGBT模块和逆变器主电路相应的仿真参数分别如表3和表4所示，其中IGBT模块仿真参数参考FF75R12RT4模块各项参数。

表3 IGBT模块仿真参数Table 3 IGBT simulation parameters

表4 两电平逆变器主电路仿真参数

4.1 工作模态划分仿真验证

(29)

图6 Elman神经网络的工作模态划分结果Fig.6 Working mode division results based on Elman neural network

根据图6中3次交叉验证的结果可以计算基于Elman神经网络的工作模态划分模型的平均准确率为0.994，达到90%以上，证明了采用Elman神经网络可以对两电平逆变器的12种工作模态进行较为准确的划分。

4.2 故障特征参数提取仿真验证

下面主要仿真模拟图1所示主电路中VT3模块发生键合线脱落的微小故障。考虑到实际IGBT模块中键合线是并联排列的，通过依次增大VT3模块的发射极键合线等效杂散电阻RE，模拟发射极键合线分别脱落1～6根时的微小故障。实验时，采集逆变器A相输出电压100个周期的数据作为样本，根据本文所提出的故障特征提取方法，可计算出A相电压暂态模态d3中3个故障特征参数的均值如表5所示。

表5 正常和不同微小故障状态下故障特征参数提取结果

由表5可见，随着IGBT模块键合线脱落程度的增大，提取得到的超调量σ逐渐减小，峰值时间tp逐渐增大，暂态电压斜率Δ逐渐减小，符合理论分析结果。尽管变化幅度很小，但是已经能够有效区别微小故障状态与正常工作状态。

进一步，以VT3模块发生3根键合线脱落的微小故障为例，以提取得到的3个特征参数为三维坐标变量，分别将正常工作状态及发生3根键合线脱落微小故障状态下的100个周期样本投影在该三维坐标系上，得到图7所示的不同状态下特征参数三维分布对比。其中，圆形代表的是正常工作状态，三角形代表的是微小故障状态。由图可见，正常工作状态和微小故障状态下的特征参数分别聚类在不同空间，并且两种状态之间的界限清晰，不存在相互混杂的情况，由此表明，基于本文所提出的方法提取而得的故障特征参数能够有效区分正常和故障状态。

图7 正常工作和微小故障状态下特征参数三维分布对比Fig.7 Comparison of three-dimensional distribution of characteristic parameters under normal working state and incipient fault state

4.3 故障特征参数提取实验验证

4.3.1 特征参数提取结果

两电平逆变器实验主电路如图8所示，主要由110 V直流电源、IGBT模块、电阻电感负载、调理电路、电压和电流传感器组成。另外，基于DSP的控制及驱动电路为IGBT模块提供控制信号，24 V直流电源为驱动电路供电，12 V直流电源为传感器和调理电路供电。与图1拓扑相对应，VT1采用图9所示的英飞凌公司的FF75R12RT4模块，该模块已发生两根键合线断裂，其余IGBT采用相同型号，均为正常。

图8 两电平逆变器实验主电路Fig.8 Experimental circuit of two-level inverter

实验中为了更符合实际控制情况，对主电路采用SPWM调整策略，相应的三相输出电压波形如图10所示。由图可见，虽有1个IGBT模块发生微小故障，逆变器输出电压波形与正常相比并无明显变化。将输出相电压进一步展开，得到图11所示的暂态模态波形。由图可见，暂态模态波形同样呈现振荡衰减的特点，符合前述分析，即可对应为等效二阶系统阶跃响应的暂态过程。

图9 微小故障IGBT模块Fig.9 IGBT model with incipient fault

图10 逆变器三相输出相电压Fig.10 Three phase output voltages of inverter

根据本文提出的方法，提取得到d1～d6的暂态故障特征参数超调量、峰值时间的结果如图12所示，各个暂态故障特征参数的均值大小如表6所示。

由于本实验中VT1模块发生了两根键合线脱落的微小故障，该故障明显反映在模态d4中。由表6可知，相比于其他暂态模态，d4中超调量最小，峰值时间最大，暂态电压斜率最小，能够反映VT1模块内部的微小故障。同时，由图12可知，在样本中提取得到的超调量和峰值时间波动很小，超调量波动不超过1.5%，峰值时间波动不超过2 μs，均小于IGBT模块发生微小故障产生的特征变化(d4与其他暂态模态的差值平均)。因此，基于实验数据所提取得到的微小故障特征参数能够较好地反映IGBT模块微小故障状态。

图11 相电压各暂态模态波形Fig.11 Transient modes of phase voltage

表6 暂态故障特征参数提取均值Table 6 Mean of transient fault characteristic parameters

4.3.2 故障特征参数有效性测试

为了进一步验证本文所提取的故障特征参数在故障诊断中的有效性，先分别采集VT1～VT6均为正常、仅VT1发生键合线故障两种情形下逆变器输出电压数据；
再应用本文提出的特征参数提取方法进行参数提取；
最后采用目前常用的故障诊断方法——主元分析(principal component analysis,PCA)方法对提取的故障特征参数进一步计算，得到正常和微小故障状态下PCA的两个统计量T2(Hotelling’sT2)和SPE(squared prediction error)，将其与正常工作状态下计算得到的统计量控制限进行比较，根据以下标准判断系统中IGBT是否发生故障[27-29]：

1)SPE和T2都没有超过各自的控制限，该IGBT没有发生故障；

2)SPE和T2有一个超过其控制限，可以判断该IGBT有微小故障发生。

实验中分别对正常状态和微小故障状态下的输出电压采集100个周期样本数据，采用PCA计算后，得到统计量T2和SPE与统计量控制限的对比图如图13所示。由图可知，在微小故障状态下，基于统计量T2的故障检出率为85%，基于统计量SPE的故障检出率为88%，很大程度地表明开关管发生了微小故障。在正常工作状态下，计算得到的统计量T2和SPE除了个别异常值都低于统计量控制限，其中T2的故障误检率为0，SPE的故障误检率为2%，属于极小概率事件，可表征为没有故障发生。

图12 暂态故障特征参数提取结果Fig.12 Extraction results of transient fault characteristic parameter

图13 统计量T2和SPE与统计量控制限的对比图Fig.13 Comparison chart of statistics of T2 and SPE and statistics of control limits

综上所述，本文所提出的方法能够准确有效地将相应的故障特征参数提取出来，并能基于此明显地区分逆变器微小故障和正常工作状态，为后续的故障诊断提供较好的特征参数输入。

本文通过采集逆变器输出端电压作为故障特征信号，对输出电压数据进行处理，提取得到能够表征逆变器中IGBT模块微小故障的特征参数，并仿真验证了其有效性。

1)提出一种基于Elman神经网络的工作模态划分方法，将逆变器等效二阶系统的辨识参数和原始数据计算得到的电压均值等作为神经网络输入参数，极大提高了模态划分的准确性，解决了模态误分类的问题。

2)在暂态工作模态，分别基于二阶系统辨识参数和输出电压原始数据计算超调量和峰值时间，同时根据辨识系统和原始数据的特征为两种方法的计算结果确定融合权值，得到最终的暂态故障特征参数，降低了因噪声干扰和参数辨识失误而造成的计算误差。

3)通过仿真和实验，得到了正常工作状态和微小故障状态下特征参数对比结果，表明所提取的故障特征参数能够有效反映IGBT模块的微小故障状态，进一步验证了所提故障特征参数提取方法的有效性。

基于目前提取得到的微小故障特征参数，未来可进一步结合其它逆变器输出电压电流参数以及温度参数等多种类型参数，利用数据分析的方法对逆变器中IGBT微小故障进行诊断，进一步减少环境噪声的干扰，提高故障诊断的准确率。