买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西北工业大学申请的专利一种逆变器开关性能退化的评估方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119961615B 。

龙图腾网通过国家知识产权局官网在2025-08-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510415939.2，技术领域涉及：G06F18/20；该发明授权一种逆变器开关性能退化的评估方法是由张超;何世烈;陈博源;王飞;郭建露设计研发完成，并于2025-04-03向国家知识产权局提交的专利申请。

本一种逆变器开关性能退化的评估方法在说明书摘要公布了：本发明提出了一种逆变器开关性能退化的评估方法，属于逆变器开关领域。采集六个开关管的原始数据；将原始数据进行预处理，并构建表述单个开关管退化程度的退化指标序列；构建并训练CNN‑LSTM模型，得到每个开关管对应的预测模型；将待测开关管数据输入至预测模型，得到开关管组的退化指标；将退化指标进行融合，得到统一的退化评估指标。本发明利用CNN‑LSTM模型时间序列预测领域高可靠性的特点，结合前置参数的预处理，大大提高了开关管老化预测的精度，能够提高电驱动系统的运行安全和预测性维修保障方案的性价比和可行性，带来更好的市场竞争力。

本发明授权一种逆变器开关性能退化的评估方法在权利要求书中公布了：1.一种逆变器开关性能退化的评估方法，其特征在于，所述评估方法的具体步骤如下： 步骤1，利用USB-DSO2数字存储示波器采集逆变器开关管组的原始数据：所述原始数据包括开关管组的前置参数IG和ICE；IG为栅极漏电流，ICE为集电极电流；所述开关管组中包括六个开关管；USB-DSO2数字存储示波器同时对六个开关管进行采集；所述前置参数IG包含时域特征序列Xi，前置参数ICE包含时域特征序列Yj； 所述时域特征序列Xi和Yj均包含平均值、方差、最大值、最小值、标准差、方根幅值、均方根值、峰峰值、偏度、峭度、波峰因子、裕度因子和脉冲指数13个时域特征； 步骤2，分别对六个开关管的时域特征序列Xi和Yj进行数据预处理，得到六个开关管的退化指标序列；将每个开关管的退化指标序列数据集按照7:3划分为训练集和测试集； 所述数据预处理的具体步骤如下： 步骤2.1，灰色关联度分析 通过灰色关联度分析，从时域特征序列Xi中任选三个序列组成三元组，并计算三元组对应灰色关联度之和，将关联度之和最小的三元组所对应的三个序列作为时域特征序列组G1； 其中，灰色关联度γXM,Xm的计算公式为： 式中，XM为时域特征母序列，Xm为时域特征子序列；xMk表示XM在k点的值，xmk表示Xm在k点的值；ξxMk,xmk表示XM和Xm在k点上的灰色关联系数；n表示开关管开关周期的次数，即为采样点； 灰色关联系数ξxMk,xmk的公式如下： 式中，ρ表示分辨系数，ρ取值范围为0,1；s表示Xm的数量；xmk|表示XM与Xm的距离中的最小值；表示XM与Xm的距离中的最大值；|xMk-xmk|表示XM和Xm在k点的距离； 同理，通过灰色关联度分析，从时域特征序列Yj中得到时域特征序列组G2； 步骤2.2，马氏距离融合 采用马氏距离对时域特征序列组G1和G2中的六个时域特征序列进行融合，得到马氏距离序列，马氏距离序列即为健康偏离度序列； 将六个时域特征序列作为样本集A6×n，取样本集的前100个数据点作为健康样本集B6×100，样本集A6×n对于健康样本集B6×100的马氏距离MD计算公式如下： 式中，是B6×100的平均值；A代表样本集A6×n；B代表健康样本集B6×100；为的转置；Q代表协方差矩阵，Q-1是Q的逆矩阵；协方差矩阵Q的计算公式如下： 其中，μ代表时域特征的均值向量； 步骤2.3，卡尔曼滤波的降维处理： 设置观测噪声协方差为0.1，把马氏距离序列的第一个采样点设置为初始状态，状态转移矩阵设置为1，预测噪声协方差设定为0.01；使用一维卡尔曼滤波器先对马氏距离序列进行滤波，再进行卡尔曼滤波平滑处理，得到开关管的退化指标序列； 步骤3，构建CNN-LSTM模型； 所述CNN-LSTM模型的构建如下： 所述CNN-LSTM模型依次包含特征编码模块、特征增强模块、时序预测模块和预测输出模块； 所述特征编码模块采用一维卷积模块对输入的退化指标序列进行初步特征学习；首先，通过设定64个卷积核在时间维度上进行滑动窗口扫描，捕捉输入信号中的局部动态特征；然后，将一维卷积模块处理后的结果进行非线性激活函数处理，以增强特征编码模型的表达能力； 所述特征增强模块采用两级全连接网络对特征编码模块的输出进行特征重构；首先，第一级全连接网络将高维特征投影至中等维度空间，再通过激活函数实现非线性变换得到中等维度特征；接着，第二级全连接网络将中等维度特征压缩至低维表示空间，得到具有时序关联性的低维特征序列； 所述时序预测模块采用双层LSTM网络进行时间依赖性建模；将低维特征序列输入第一层LSTM中记忆单元，得到低维特征序列在时间维度上的长期依赖关系；第二层LSTM对第一层LSTM的输出进行深层特征提炼后最终输出包含时序上下文信息的特征表示序列； 所述预测输出模块采用全连接网络将时序预测模块输出的特征表示序列映射至目标维度空间，通过维度变换生成退化指标的预测值； 步骤4，利用训练集对CNN-LSTM模型进行训练：利用六个开关管的退化指标序列分别独立训练CNN-LSTM模型，得到六个开关管的CNN-LSTM模型； 所述CNN-LSTM模型的训练过程如下： 步骤4.1，采用滑动窗口法对退化指标序列进行分组：以5个连续时间步为一组进行数据分组，每个时间步包含1维特征向量，每组包含5个连续时间步的1维特征向量；每组的前4个时间步的退化指标值作为CNN-LSTM模型的输入，第5个时间步的退化指标值作为对比值，CNN-LSTM模型的输出与对比值进行对比； 步骤4.2，将训练集的退化指标序列进行调整：将退化指标序列调整为三维张量结构以满足一维卷积层的输入要求； 步骤4.3，通过Adam优化器执行反向传播：Adam优化器的学习率初始设为0.001，采用早停法防止过拟合，连续10个epoch验证集损失无改进则终止训练； 步骤5，利用测试集对训练好的CNN-LSTM模型进行测试，得到六个开关管的退化预测模型； 步骤6，将六个开关管的待测数据分别输入至六个退化预测模型，得到六个开关管的退化指标预测值；所述退化指标预测值即寿命评估值； 步骤7，将六个开关管的退化指标预测值进行马氏距离融合，得到开关组退化指标预测值； 所述退化指标预测值的马氏距离融合过程如下： 将六个开关管每个开关管的4个历史最近的退化指标值分别输入至六个退化预测模型，得到六个开关管的退化指标预测值Z6×1； 将六个开关管每个开关管的前100个退化指标序列作为六个开关管的健康样本集合H6×100；通过马氏距离计算退化指标预测值Z6×1到健康样本集合H6×100的距离，得到开关管组的退化指标预测值T； 步骤8，将开关管组退化指标预测值与失效阈值进行对比，判断逆变器是否失效：若开关管组退化指标预测值大于等于失效阈值，则逆变器失效，逆变器需更换开关管。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。