1.一种基于遗传算法改进的小波神经网络的IGBT模块故障预测方法，其特征在于，包括以下步骤：步骤1：IGBT模块集射极饱和压降获取；

将IGBT集射极饱和压降作为故障预测模型的输入参数，通过安装在高速列车内的牵引变流器附近的数据采集卡在线采集工作时的IGBT模块集射极饱和压降并将数据送往上位机且加以存储；

步骤2：数据预处理；

以饱和压降上升5％作为模块失效的阈值，判断采集到的数据中是否存在故障数据，若无，则舍弃此次采集结果；对于包含故障数据的完整数据集，需去除坏点，压缩数据，并进行降维处理；

首先，采用莱茵达准则去除坏点，对于所采集的数据x1,x2,…,xi,…xn，求取其的算数平均值 及剩余误差 然后使用贝塞尔法获取均方根偏差 若舍弃xi，若 则保留xi；

然后，压缩去除坏点后的数据，将单次运行数据均值作为其特征值实现；

最后，将数据归一化处理，使数据样本按照统一标准映射到[c,d]范围内：式中，xmin为样本集合中最小的样本，xmax为最大的样本；

步骤3：数据导入预测模型并划分；

将上述预处理完成的IGBT饱和压降数据集上传至故障预测模型中，按照70％训练集，

15％验证集，15％预测集进行划分；

步骤4：模型基础训练；

为发挥模块压降数据时间序列的特点，采用每10个数据为一组，去预测第11个数据的训练与预测方法；设置故障预测模型输入层神经元为10个，输出层神经元设定为1个，隐含层神经元为10个，迭代周期1000次，训练精度0.1；进而采用小波神经网络WNN对数据训练集进行训练；使用的小波基函数为Morlet小波基函数：输出表达式为：

式中，k＝1,2,…n为输入层结点个数，i＝1,2,…m为输出层结点个数，j＝1,2,…N为隐含层结点个数，ωij为连接输出层结点i与隐含层结点j的权重，a、b分别为小波伸缩平移系数，ωjk为连接隐含层结点j与输入层结点k的权重，xk(t)为输入层的第k个输入样本的第t个样本点，yi为输出层的第i个输出值；η为Sigmoid函数，μ为学习率；

误差函数为：

式中，p＝1,2,…,P为输入样本的模式个数， 第P个模式层的第i个期望输出， 第P个模式层的第i个实际网络输出；

使用梯度修正法修正网络权值和小波伸缩平移系数，修正规则如下：式中，aj、bj分别为第j个隐含层结点的伸缩平移系数，δ为引入的动量系数，Δ表示对应参数的变化量；

步骤5：模型优化改进；

使用遗传算法GA优化小波神经网络WNN；将小波神经网络WNN训练得到的误差分别使用选择、交叉、变异3种算子进行优化，选用公式(9)的轮盘赌法、公式(10)的单点交叉与公式(11)～(12)的基本位变异完成3种操作；

f(g)＝r2(1‑g/Gmax) (12)

式(9)中，pi为第i个个体被选中的概率，fi为其适应度值；式(10)中，个体am和an在位置j处进行交叉，b为[0,1]之间的某随机数；式(11)与式(12)中，aij为第i个个体的第j个部分，amax为aij的上界，amin为aij的下界，r为[0,1]之间的某随机数，f(g)为变异函数，r2为[0,1]之间的某随机数，g为当前迭代次数，Gmax为最大迭代次数；

使用遗传算法GA优化改进后，模型重新训练；

步骤6：模型验证及预测；

根据步骤5优化后的训练结果，将15％的验证数据集代入模型进行验证，验证集结果精度满足设定的阈值之后，将15％的预测集代入模型进行故障预测。

2.根据权利要求1所述的一种基于遗传算法改进的小波神经网络的IGBT模块故障预测方法，其特征在于，还包括步骤7：模型精准度评价：使用平均绝对误差MAE、均方根误差RMSE和绝对平均百分比误差MAPE这3种评价指标对模型预测结果进行评价。