IGBT作为电力电子重要的电子元器件,同时作为电能变换的核心器件,涵盖了从几十瓦到几十兆瓦的电力电子应用。目前IGBT已经广泛应用于消费类电器、工业控制、轨道牵引、新能源发电、高压直流输电等领域,因此提高IGBT的可靠性和稳定性尤为重要。本文从IGBT驱动电路的早期故障诊断着手,对于IGBT的运行状态评估、故障诊断的速度具有重大意义。对IGBT驱动电路进行早期故障诊断,针对各种重要参数的变化判断故障类型,形成的数据信息能够作为状态判断的依据,做到及时的精准维修。同时可以延长系统的使用寿命,减少设备的保养费用,从而实现经济型维护,对于提高整个系统的可靠性和安全性至关重要。本文提出了一种基于深度学习的IGBT驱动电路早期故障诊断方法。首先,应用蒙特卡罗方法提取被测电路时域响应信号作为样本数据;然后,由于现有的故障诊断方法对早期故障特征提取的效果不是很理想。本文利用深度学习中的堆叠自编码器(Stacked Auto-encoder,SAE)在提取数据本质特征方面的优势,采用SAE对样本数据进行特征提取,SAE中每个AE的学习率都采用量子粒子群(Quantum-behaved Particle Swarm Optimization,QPSO)算法进行优化处理。此外,对于采用SAE提取的特征信息,我们应用多分类相关向量机(Multi-class Relevance Vector Machine,RVM)对得到的特征建立早期的故障诊断模型。由于RVM中的核函数宽度对诊断效果有着重要的影响,该文采用量子粒子群算法(QPSO)对上述参数进行优化生成。实验结果表明,深度学习方法能有效地对IGBT驱动电路早期故障的本质特征进行提取,在此基础上,对于IGBT驱动电路的早期故障多分类RVM可以实现100%的诊断准确率。