绝缘栅双极型晶体管（Insulated Gate Bipolar Transistor,IGBT）因其具备高输入阻抗、低导通压降等优点而备受青睐,被广泛应用于交通、电力以及能源等领域。工业应用中,IGBT往往长期运行在复杂工况甚至恶劣的工作环境下,遭受大范围温度、湿度变化及机械冲击,逐渐累积疲劳损伤最终老化失效,严重时可能导致系统停机而造成经济损失。因此,针对IGBT的可靠性研究意义重大。故障预测技术作为可靠性研究的关键部分,可通过端部参数的变化及时有效地评估器件状态,预知老化趋势并在阈值处做出预警,避免由于IGBT老化失效造成的严重安全问题。本文开展了基于端部特性的IGBT故障预测技术的研究,主要研究内容包括:首先阐述IGBT的工作原理及其工作特性,在此基础上深入剖析IGBT的失效原因,将常见失效模式与失效机理进行分类说明。由于IGBT的老化状态可以在其端部参数上反映出来,因此选取合适的端部参数(集电极-发射极导通压降,VCE（ON）)作为老化特征参数并进行故障预测。其次,在IGBT的老化过程中,其端部参数随时间连续变化,故障预测可看作对IGBT端部参数的时间序列预测问题,可采用数值算法解决此问题。通过分析老化过程中VCE（ON）的变化趋势,发现此时间序列具有分段特性,前段平缓而后段上升趋势明显,单一数值算法准确率不高,因此本文提出使用组合型算法进行故障预测,前段采用灰色Verhulst模型（Gray Verhulst Model,GVM）,后段采用无迹卡尔曼粒子滤波（Unscented Kalman Particle Filter,UPF）算法。其中UPF是针对粒子滤波（Particle Filter,PF）算法的粒子贫化问题而提出的改进型算法,预测精度较高。其三,人工智能中的深度学习在时序预测中的应用具有传统数值算法不具备的优点。因此本文进一步提出了基于深度学习的IGBT故障预测方法。循环神经网络（Recurrent Neural Network,RNN）对处理时序问题具有极大优越性,但传统RNN有梯度消失与梯度爆炸的缺陷,作为RNN的改进型网络——长短期记忆（Long Short Term Memory,LSTM）网络,避免了此问题且鲁棒性更强而被用于故障预测。在对RNN和LSTM网络进行深入探究的基础上,从六个不同方面对LSTM网络进行设计与搭建。最后,本文设计并搭建了IGBT加速老化实验平台,在保证IGBT老化机理不变的前提下,加快器件的老化进程,并在实验中收集老化特征参数VCE（ON）。使用实验数据验证所提出的基于组合型算法和深度学习的故障预测方法,经过综合比较,发现组合型算法和深度学习的故障预测方法都可较好地实现对IGBT的故障预测,组合型算法的准确率较单一数值算法高,而深度学习方法的精度较组合型算法高,更重要的是深度学习方法不需要先验概率指导,但组合型算法训练时间短,对计算机硬件环境要求较低,二者各有优劣,可依据工作条件选择合适的方法完成IGBT的故障预测。综上所述,本文完成了基于端部特性的IGBT故障预测方法,并通过实验数据进行了验证,对工程应用具有一定指导意义。