[发明专利]失效分析方法、装置、设备和存储介质

权利要求书

1.一种失效分析方法，其特征在于，所述方法包括：

获取待测失效器件的至少一个测试数据；

将所述测试数据输入到深度学习模型中进行失效分析处理，获取与每个测试数据关联的失效节点信息；所述失效节点信息包括所述测试数据关联的上级失效事件节点和下级失效事件节点，所述下级失效事件节点为所述上级失效事件节点的备选失效机理；其中，所述深度学习模型的构建过程包括：根据已失效器件的失效分析报告，获取训练样本集；所述训练样本集包括所述已失效器件的历史测试数据以及所述历史测试数据对应的标记失效节点信息；所述标记失效节点信息包括所述历史测试数据关联的上级标记失效事件节点和下级标记失效事件节点；将历史测试数据作为初始深度学习模型的输入，将所述历史测试数据对应的标记失效节点信息作为所述初始深度学习模型的输出，对所述初始深度学习模型进行训练，得到所述深度学习模型；

根据每个测试数据关联的所述失效节点信息，构建各个失效事件节点之间的父子关系，并根据所述父子关系确定最底层的失效事件节点为所述待测失效器件的目标失效机理。

2.根据权利要求1所述的方法，其特征在于，所述将所述测试数据输入到深度学习模型中进行失效分析处理，包括：

对所述测试数据进行向量转换，生成测试特征向量；

将所述测试特征向量输入到深度学习模型中进行失效分析处理。

3.根据权利要求1所述的方法，其特征在于，所述将历史测试数据作为初始深度学习模型的输入，将所述历史测试数据对应的标记失效节点信息作为所述初始深度学习模型的输出，对所述初始深度学习模型进行训练，得到所述深度学习模型，包括：

将所述历史测试数据输入初始深度学习模型，得到所述历史测试数据对应的预测失效节点信息；

计算所述预测失效节点信息与所述标记失效节点信息之间的损失，作为损失函数的值；

根据所述损失函数的值对所述初始深度学习模型进行训练，得到所述深度学习模型。

4.根据权利要求1所述的方法，其特征在于，根据已失效器件的失效分析报告，获取训练样本集，包括：

获取所述失效分析报告中的历史测试数据，并将各所述历史测试数据进行向量转换生成训练特征向量；

标注所述历史测试数据对应的标记失效节点信息，并将所述标记失效节点信息进行向量转换生成标记特征向量；

对所述训练特征向量以及标记特征向量进行处理，形成失效特征矩阵，并将所述失效特征矩阵确定为所述训练样本集。

5.根据权利要求4所述的方法，其特征在于，所述获取所述失效分析报告中的历史测试数据，并将各所述历史测试数据进行向量转换生成训练特征向量，包括：

提取所述失效分析报告中的直接测试结果和间接测试结果；所述直接测试结果包括电性能测试数据、热性能测试数据、机械性能测试数据、表观性能测试数据、气密性测试数据以及环境适应性测试数据；

将所述直接测试结果进行向量转换生成直接特征向量；

对所述间接测试结果进行处理，并将处理结果通过向量形式表示，生成间接特征向量；

将所述直接特征向量和所述间接特征向量确定为所述训练特征向量。

6.根据权利要求4所述的方法，其特征在于，所述将所述失效特征矩阵确定为所述训练样本集之后，还包括：

根据主分量分析PCA方法对所述失效特征矩阵的矩阵维度进行降维处理。

7.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

获取对所述待测失效器件的目标失效机理的人工验证结果；

在所述人工验证结果为目标失效机理有效时，将所述待测失效器件的测试数据以及与所述测试数据关联的失效节点信息添加到所述训练样本集中，得到新的训练样本集。