绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor,IGBT)作为电力电子领域中部可或缺的器件,经过长时间的发展与进步,现已广泛的应用在汽车电子、轨道交通以及新能源等各个领域。虽然IGBT技术如今愈发成熟,但是IGBT使用时间过长以及使用方式不当都会使得IGBT发生故障、老化以及失效,如果能对其进行参数预测可以有效地避免因其失效带来的经济损失和安全问题。同时深度学习技术不断的发展与成熟也使得神经网络在数据回归预测领域的应用越来越多。但神经网络计算过程时间长、功耗大等问题使得其难以应用在嵌入式等轻量型平台。因此设计一个针对于IGBT参数预测的LSTM神经网络SoC硬件系统对于IGBT的实际应用和神经网络硬件化的发展具有重要意义。本文首先对IGBT的工作原理和特性以及故障原因进行了分析与研究,通过对IGBT开关特性实验以及IGBT加速老化实验得到的数据进行分析与筛选,发现IGBT的开关时间与开关损耗随工作电压的上升有着明显的变化趋势,同时集电极一发射极关断电压的尖峰值随着IGBT的老化失效有着明显的下降趋势。因此本文采用IGBT的上升时间、下降时间、开通损耗和关断损耗作为IGBT开关特性的预测参数,而IGBT的老化失效预测参数则采用集电极一发射极关断电压的尖峰值。其次根据实验数据的特点选择了 LSTM神经网络对IGBT的参数进行预测,并结合LSTM网络的结构与传播过程对网络进行了初步的设计。之后为了提高神经网络模型的精度,对网络的隐藏层进行了改进,同时使用剪枝技术对网络的结构进行了优化,使网络参数得到了压缩。最终在Nvidia K80 GPU服务器上使用TensorFlow平台实现了改进之后的网络模型。实验结果表明,改进之后的LSTM网络对于集电极一发射极关断尖峰电压、上升时间、下降时间、开通损耗和关断损耗的预测MAPE分别为为0.93%、0.14%、0.15%、0.66%、0.73%,误差均低于普通LSTM网络和无GRU单元的LSTM网络,而网络的参数量跟同层数的无GRU单元网络相比也有所减少,为下一步的硬件加速减少了所需资源。同时改进后的网络在一次性预测多个值时也表现出了良好的预测准确率,满足了系统的预测精度要求。之后根据ZYNQ SoC硬件平台的特点和软硬件协同的设计思路对本文的SoC系统进行了总体架构的设计与模块划分。利用SoC系统计算的并行性优化了 LSTM神经网络的矩阵向量内积模块,在激活函数的实现上采用了分段线性拟合的方法,在减少资源占用的同时最大程度的避免了精度上的损失。同时在搭建数据通道时根据AXI总线与数据的特点,采用了不同的连接方式,加快了数据的传输,提高系统的吞吐率。最后还设计了专用的GUI界面,方便了人机交互,使预测效果更直观。最终在ZYNQ MIZ702N开发套件对整个系统进行了测试,测试结果表明预测准确率虽然比PC平台略低一点,但基本满足了设计需求。但在预测量相同时运算速度相比于PC平台提升了 3.74倍;功耗只有2.175W,只有PC平台的3.3%。与其他硬件加速方案相比,性能功耗比最高,在100MHz的时钟频率下达到了 802.3 GOPs/W。