逆变器的传统状态检测方法往往需要在高温大电压电流下进行,对逆变器本身损伤过大,并且目前对于逆变器的故障诊断均针对其开关管的短路和开路,而忽视了其潜在故障的问题,所以本文提出利用低频噪声检测的方法对逆变器进行潜在故障诊断,即状态评估。电子元器件内部的载流子不断的进行微观运动,在外在上即表现成低频噪声,这种噪声在微小的电子元器件和集成的模拟电路中都广泛存在。所以,根据低频噪声的敏感特性,可以通过测量其大小来表现模拟电路的性能优劣,将这种方法用在逆变器的潜在故障诊断上,从而实现无损检测的效果。在对逆变器潜在故障诊断的过程中,首要内容就是对低频噪声进行准确提取。本文以单相半桥逆变器为研究对象,提出了一种利用低频噪声进行逆变器潜在故障诊断的方法。一是研究了低频噪声理论,在此基础上分析了逆变器开关管的失效特性,得到了逆变器中开关器件的噪声模型。二是利用测量逆变器中低频噪声的系统进行实验,获得低频噪声的功率谱密度。因为逆变器中IGBT开关器件的低频噪声主要表现为1/f噪声,故本文主要对淹没在白噪声背景下的1/f噪声进行检测。提出将变分模态分解(VMD)与粒子群(PSO)算法相结合的混合算法,利用二次粒子群算法对VMD模型参数进行寻优选取,完成对VMD模型参数的设定,实现1/f信号与背景噪声的准确分离。三是根据噪声频谱特性,提出利用全频段阈值筛选方法作为潜在故障诊断标准,克服了以往利用点频参数进行表征数据不全面、分类敏感度不高的缺点。并结合极限学习机的方法进行潜在故障的诊断及分类。通过实验测量和噪声信号时频分析结果表明,PSO-VMD算法实现了1/f噪声的准确分离,很好地避免了模态混迭问题。通过对其检测1/f的噪声信噪比(Signal to Noise Ratio,SNR)和均方误差(MSE)分析,与传统小波变换理论算法和改进EMD算法相比,表现出更高的信噪比和更低的均方误差,在白噪声背景下更加有效的提取出1/f噪声。在不同的信噪比环境中,检测性能皆为最优,且信噪比越低情况下优势越明显。同时在潜在故障诊断方面,通过与SVM、BP神经网络的实验对比表明,基于ELM的逆变器潜在故障诊断性能优于其他两种方法,诊断过程仅需0.1917s,准确率高达95.56%。