[发明专利]基于极端梯度提升树算法的电子器件剩余寿命预测方法

说明书

公开了一种基于极端梯度提升树算法的电子器件剩余寿命预测方法，包括：获得电子器件在相同条件下的多组老化数据；对多组老化数据进行预处理并结合电子器件失效机理获得失效变量；对预处理后的老化数据进行变量之间的互相关系数计算，获得与失效变量间关联度不小于关联阈值的特征变量；根据特征变量所对应的老化数据建立基于极端梯度提升树算法的老化模型；根据老化模型获得失效变量的预测变化值，并结合设定的失效阈值，获得电子器件的剩余寿命。本申请的电子器件剩余寿命预测方法，采用基于极端梯度提升树算法的老化模型处理电子器件特征变量所对应的老化数据，获得失效变量的预测变化值得到剩余寿命的方法，预测精度高，泛化能力强。

技术领域

本发明涉及微电子技术领域，特别涉及一种基于极端梯度提升树算法的电子器件剩余寿命预测方法。

背景技术

预测电子器件剩余寿命可以有效保障电子器件的安全使用，监测电子器件的运行状态，并可根据预测结果提前做好防护措施，保障工作及生产安全，并降低维修成本。

随着电子器件内部结构越来越复杂，电子器件老化数据量也较大，而且影响电子器件老化的变量为多变量，因此传统的利用经验知识选择关键预测变量的方法工作量较大，且预测精度较低，无法满足现有需求。

利用电子器件老化数据进行建模分析是目前最常用的剩余寿命预测方法，但是由于多变量老化数据的各变量之间关系复杂，关联程度各不相同，因此提供一种数据处理能力强、预测精度高的电子器件剩余寿命预测方法是目前亟待解决的问题。

发明内容

鉴于上述问题，本发明提供一种基于极端梯度提升树算法的电子器件剩余寿命预测方法，预测精度高，泛化能力强。

本发明提供的基于极端梯度提升树算法的电子器件剩余寿命预测方法，包括：获得电子器件在相同条件下的多组老化数据；对多组老化数据进行预处理并结合电子器件失效机理获得失效变量；对预处理后的老化数据进行变量之间的互相关系数计算，获得与失效变量间关联度不小于关联阈值的特征变量；根据特征变量对应的老化数据建立基于极端梯度提升树算法的老化模型；根据基于极端梯度提升树算法的老化模型获得失效变量的预测变化值，并结合设定的失效阈值，获得电子器件的剩余寿命。

可选地，采用最大互信息系数法对预处理后的老化数据进行变量之间的互相关系数计算；上述关联阈值为0.3。

可选地，根据基于极端梯度提升树算法的老化模型获得失效变量的预测变化值，并结合设定的失效阈值，获得电子器件的剩余寿命包括：根据基于极端梯度提升树算法的老化模型，获得失效变量的预测变化值；根据预测变化值，建立电子器件剩余寿命曲线图，并以时间作为剩余寿命曲线图的横坐标；在剩余寿命曲线图中，获得预测变化值与失效阈值的交点，该交点所对应的横坐标即为电子器件的剩余寿命。

可选地，对所述多组老化数据进行预处理并结合电子器件失效机理获得失效变量包括：对多组老化数据填充缺失值；将老化数据归一化处理；根据归一化处理后的老化数据以及电子器件失效机理获得失效变量。

可选地，采用线性回归模型对多组老化数据填充缺失值；依据最大-最小归一化法将老化数据归一化处理。

可选地，前述失效变量包括输入失调电压，输入失调电流，基极电流，输出拉电流，输出灌电流，工作电流，开环增益，共模抑制比和电源抑制比中的至少一种。

可选地，根据特征变量对应的老化数据建立基于极端梯度提升树算法的老化模型包括：将特征变量对应的老化数据分为训练集数据，验证集数据，测试集数据；根据训练集数据构建基于极端梯度提升树算法的老化模型；根据验证集数据验证基于极端梯度提升树算法的老化模型的正确性；根据测试集数据获得失效变量的预测变化值，以获得电子器件的剩余寿命。

可选地，还包括建立初始的基于极端梯度提升树算法的老化模型。