本发明涉及电力电子器件诊断，具体为一种逆导igbt智能功率模块故障自动诊断方法及系统。
背景技术：
1、在电力电子系统中，逆导igbt智能功率模块作为核心功率转换单元，广泛应用于新能源发电、工业变频、轨道交通以及智能电网等领域，其运行稳定性直接决定整个系统的可靠度。随着应用场景对功率密度、开关频率要求的不断提升，逆导igbt智能功率模块长期处于高电压、大电流及复杂热循环的工况下，易出现栅极氧化层损坏、集电极-发射极间漏电、封装热阻增大等故障，若未能及时诊断并处理，轻则导致模块性能衰减，重则引发系统停机、设备烧毁甚至安全事故。
2、当前针对逆导igbt智能功率模块的故障诊断手段，多依赖传统的离线检测或单一参数监测方式。离线检测需将模块从系统中拆卸，不仅耗时耗力，且无法捕捉模块运行过程中的动态故障特征，难以满足实时诊断需求；单一参数监测则多聚焦于壳温或集电极电流等某一项指标，忽略了不同故障模式下多物理量间的关联特性。例如，栅极失效可能同时导致栅极电压波形畸变与集电极电流过冲，仅监测单一参数易出现误判或漏判。此外，现有诊断方法中，特征提取多局限于时域分析或频域分析中的单一维度，难以全面表征多源监测数据中的故障信息，导致生成的特征参数针对性不足；故障识别环节常采用固定阈值或传统聚类算法，无法适应模块运行过程中工况波动带来的特征漂移，对复杂工况下的异常特征聚集区识别精度较低。
3、传统诊断方法的故障比对多依赖人工预设的简单特征匹配规则，缺乏系统化的故障特征库支撑，面对新型故障模式时适应性差，无法实现故障类型的精准识别。这些问题导致现有逆导igbt智能功率模块故障诊断方法在实时性、准确性及适应性上存在明显短板，难以满足现代电力电子系统对故障预警与健康管理的高要求，亟需一种能够整合多源监测数据、实现动态特征提取与自适应故障识别的自动诊断方法，以提升模块故障诊断的效率与可靠性，保障电力电子系统的稳定运行。
技术实现思路
1、本发明的目的在于提供一种逆导igbt智能功率模块故障自动诊断方法及系统，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供一种逆导igbt智能功率模块故障自动诊断方法，所述方法包括：
3、获取功率模块运行时的多源监测数据，所述多源监测数据包含栅极电压波形、集电极电流波形和壳温变化曲线；
4、建立动态特征提取模型，对所述多源监测数据进行时域和频域联合分析，生成特征参数集合；
5、构建故障特征空间，将所述特征参数集合映射到高维空间形成特征向量分布图；
6、采用自适应聚类算法对所述特征向量分布图进行区域划分，识别异常特征聚集区；
7、通过模式匹配引擎将所述异常特征聚集区与预设故障特征库进行比对，输出故障类型识别结果。
8、优选的，所述建立动态特征提取模型包括：
9、对所述栅极电压波形进行上升沿和下降沿特征提取，计算开关过程中的电压变化率；
10、分析所述集电极电流波形的导通和关断特性，提取电流过冲幅度和振荡频率；
11、监测所述壳温变化曲线的斜率变化，计算热阻动态响应参数；
12、将所述电压变化率、电流过冲幅度、振荡频率和热阻动态响应参数组合形成特征参数集合。
13、优选的，所述构建故障特征空间包括：
14、对所述特征参数集合进行标准化处理，消除量纲差异；
15、采用非线性降维方法将标准化后的特征参数投影到三维空间；
16、根据历史故障数据分布规律，在三维空间中标记正常工况区域边界；
17、计算当前特征向量与所述正常工况区域边界的距离，生成特征向量分布图。
18、优选的，所述采用自适应聚类算法包括：
19、根据特征向量密度分布自动确定聚类中心数量；
20、设置动态邻域半径参数，调整聚类区域边界；
21、计算每个聚类区域的特征向量离散度，筛选离散度超过阈值的异常特征聚集区。
22、优选的，所述通过模式匹配引擎进行比对包括：
23、建立多层级故障特征树，所述故障特征树包含器件老化、栅极失效和热失控三类故障模式；
24、提取所述异常特征聚集区的几何特征参数，包括区域面积、形状因子和中心位置；
25、将所述几何特征参数与故障特征树中的标准模式进行相似度计算；
26、选择相似度最高的标准模式对应的故障类型作为识别结果。
27、优选的，所述建立多层级故障特征树包括：
28、采集典型故障样本数据，提取共性特征形成基础故障模式；
29、根据故障发展过程划分严重等级，建立故障模式演化路径；
30、设置特征权重系数，区分主要特征和次要特征的影响程度。
31、优选的，所述方法还包括：
32、实时更新所述故障特征库，当检测到新型异常特征聚集区时：
33、记录新型异常特征聚集区的特征参数和运行环境数据；
34、通过专家系统评估新型异常特征聚集区的危害等级；
35、将确认的新型故障模式补充到故障特征树中。
36、优选的，所述实时更新所述故障特征库包括：
37、设置特征变化监测窗口，跟踪特征参数的长期演变趋势；
38、建立特征漂移检测机制，识别参数分布形态的渐进变化；
39、当检测到显著特征漂移时，触发故障特征库重构流程。
40、优选的，所述方法还包括：构建故障预测模型，基于特征参数演变趋势：
41、计算关键特征参数的劣化速率；预测剩余使用寿命；生成预防性维护建议。
42、优选的，所述方法还包括一种逆导igbt智能功率模块故障自动诊断系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器在执行所述计算机程序时，实现上述一种逆导igbt智能功率模块故障自动诊断方法的步骤。
43、与现有技术相比，本发明的有益效果是：
44、本发明提供的逆导igbt智能功率模块故障自动诊断方法，通过整合多源监测数据并构建系统化的诊断流程，有效解决了传统诊断方法在实时性、准确性及适应性上的不足，为逆导igbt智能功率模块的故障诊断提供了更优方案。在数据采集环节，该方法针对性获取包含栅极电压波形、集电极电流波形及壳温变化曲线的多源监测数据，而非依赖单一参数，能够全面捕捉模块运行过程中的电气与热特性信息，避免因监测维度局限导致的故障特征遗漏，从数据源头为后续诊断提供更全面的基础，使得诊断过程能够覆盖模块不同故障模式下的多物理量关联特性，减少因信息片面引发的误判或漏判情况。
45、在特征提取环节，该方法通过建立动态特征提取模型，对多源监测数据进行时域与频域联合分析，而非局限于单一维度的特征挖掘，能够更充分地挖掘监测数据中蕴含的故障信息，时域分析可捕捉电压变化率、电流过冲幅度等动态瞬态特征，频域分析则能识别振荡频率等隐性特征，二者结合生成的特征参数集合更具针对性与代表性，能够精准反映模块运行状态的细微变化，为后续故障特征空间构建与异常识别提供高质量的特征基础，避免因特征表征不足导致的诊断精度下降。
46、在故障特征空间构建与异常识别环节，该方法将特征参数集合映射到高维空间形成特征向量分布图，并采用自适应聚类算法进行区域划分，而非依赖固定阈值或传统聚类方式。自适应聚类算法能够根据特征向量密度分布自动确定聚类中心数量、调整邻域半径参数，有效适应模块运行过程中工况波动带来的特征漂移，准确划分正常与异常特征区域，精准识别异常特征聚集区，避免因工况变化导致的异常区域误判，提升对复杂工况的适应性。
47、在故障类型识别环节，该方法通过模式匹配引擎将异常特征聚集区与预设故障特征库比对，而非依赖人工预设的简单匹配规则，系统化的故障特征库能够为不同故障模式提供标准化的比对依据，确保故障类型识别的规范性与准确性，同时预设故障特征库的架构也为后续故障模式的扩展提供了基础，使得方法在面对新型故障时具备可扩展性。