CN108664690A - 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 - Google Patents
基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 Download PDFInfo
- Publication number
- CN108664690A CN108664690A CN201810248249.2A CN201810248249A CN108664690A CN 108664690 A CN108664690 A CN 108664690A CN 201810248249 A CN201810248249 A CN 201810248249A CN 108664690 A CN108664690 A CN 108664690A
- Authority
- CN
- China
- Prior art keywords
- stress
- life
- test
- accelerated
- reliability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法,通过加速寿命试验获得不同环境应力下器件失效数据进行可靠性特征估计,然后建立可靠性推导模型完成常应力水平下可靠性寿命推导。评估方法包括以下步骤:首先,确定影响电子元件工作可靠性的环境应力;其次,设计加速寿命试验;再次,对试验数据进行统计分析,获得不同应力水平下元件可靠性寿命估计值。最后,利用加速寿命试验数据确定可靠性推导模型。本发明解决了样本短缺,试验时间有限的问题,并采用了一种新型常应力可靠性特征推导模型,解决传统单应力估计方法易发生模型嵌套风险的问题,并且实现多应力水平下寿命推导模型的建立。
Description
技术领域
本发明涉及可靠性评估技术,具体涉及一种多应力下长寿命电子器件产品的可靠性评估方法,用于验证电子产品在不同应力水平下是否满足规定的可靠性指标。
背景技术
现代科学技术的进步和微电子技术、计算机技术的不断发展,推动电子设备和系统向复杂化、高速化、高效化、信息化、精密化和自动化的方向发展,已经成功应用在航天、航空、船舶和武器等领域。电子设备在装备、设备中既是基础组成又占据核心的地位。比如,航空系统中的电子设备占成本的50%左右。电子设备能够极大的提高系统的工作效率,但由于其结构复杂、对工作环境要求较高、伴随时间增长故障率会呈现上升趋势,从而将直接影响系统的整体性能。
可靠性是评定产品质量的重要指标之一,而产品的性能指标是是人们在生产生活中最为关心的问题。产品的可靠性指标是指寿命变量的一些数字特征。随着科学技术的发展,高可靠性,长寿命的产品越来越多,在正常条件下实施寿命试验已经不能满足可靠性评定的要求。常应力以及应力水平较低情况下获得高可靠产品的寿命试验数据成本较高,因此通常考虑改用加速寿命试验的方法,强化环境因素的作用,在较短的试验时间内获得长期试验结果的可靠性试验方法。结合数理统计理论,实现快速检测,快速评估的目的。然后利用所得到的失效数据外推样品在常应力工作条件下的可靠性特征。使用加速寿命试验,能快速评估出产品的可靠性,迅速找出失效原因。
加速寿命试验方法为评定长寿命、高可靠性产品的可靠性提供有效工具。以往的寿命评测方法是使用传统加速寿命试验的方法,利用与物理失效规律相关的统计模型对在超出正常应力水平的加速环境下获得的可靠性信息进行转换,得到试件在额定应力水平下可靠性特征的可复现的数值估计的一种试验方法。加速寿命试验采用加速应力进行试件的寿命试验,从而缩短了试验时间,提高了试验效率,降低了试验成本,其研究使高可靠长寿命产品的可靠性评定成为可能。在失效机理不变的基础上,通过寻找产品寿命与应力之间的物理化学关系,即加速模型,利用加速应力水平下的寿命特征去外推或评估正常应力水平下寿命特征的试验技术和方法。因此,加速模型是其研究的关键。但是传统加速寿命试验方法存在模型嵌套的风险,即在确定加速模型时,依据过去数据分析经验,为获得的推导数据先验地嵌套模型,在此模型上进行分析,并且多应力模型研究相对较少,模型工程应用不够具备广适用性。
在加速模型的研究中,单应力加速模型相对比较成熟。但影响产品的寿命的环境应力是复杂的,比如会受到温度、震动和湿度等应力的影响,实际上,也正是这些应力的综合效果影响了产品的寿命。因此在加速寿命试验中引入综合应力,不仅可以缩短试验时间、提高试验效率、而且可以更精确地模拟实际环境条件,得到更可信的结果。虽然产品受到的是多种环境应力的综合影响,但要在它们与产品寿命之间建立某种函数关系,却是一件非常困难的事情。因此,在单加速应力寿命试验中,仅使用单应力加速模型难以获得可信度高的试验结果。因为各种应力引起产品失效的机理不一样,同时不同应力之间也存在着相互耦合的作用,要将它们和寿命相结合,还必须了解产品本身的属性,比如材料、几何特性等。因此很难找出一个能够真实描述实际情况且又具有普遍适用性的应力-寿命关系。在实际工程中,可以找到了一个合适的加速模型,但是求解多维极大似然方程组却很困难。
人工神经网络作为一种模拟人脑神经系统的结构与功能特征的数学处理方法,具有自学习能力,不需要任何先验函数的假设,即可从试验数据中自动总结规律,并可用总结出的规律来预测未知。人工神经网络技术可以把具有复杂因果关系的物理量在经过适当数量的训练之后比较准确地反映出来,并可用总结出的规律来预测未知的信息。BP网络是一种应用十分广泛的人工神经网络,它的重要功能之一就是实现非线性函数映射。许多领域已经运用BP网络进行数据预测,并取得了很好的效果。但是基于有监督学习的人工神经网络是采用的主要方法之一,传统的神经网络初始值是随机赋值的,易陷入局部最小值,出现预测曲线过拟合的现象。通过优化算法对初始值的预处理,预测性能能够得到一定的提升。但又受到有标签数据数量的限制,往往由于有标签训练样本的数量不足,直接导致BP神经网络模型因训练不足而预测精度欠缺。另外,BP神经网络属于浅层结构的学习方法,对于训练样本利用低效,在数据表达能力上有限,难以表达高度复杂的函数,处理高度复杂的问题。
深度学习方法具有强大的复杂函数拟合能力,能够应对不可测因素较多的复杂应用场景。深度学习网络作为一种模拟人脑神经系统结构与功能特征的数学处理方法,不需要任何先验函数的假设,即可从试验数据中自动总结规律,并可利用总结出来的规律来预测未知。相比于传统神经网络,深度学习网络的无监督学习过程能够利用无标签数据进行网络超参数的训练,避免出现过数据拟合的风险,加速网络训练速度,使得深度学习网络能够拥有更多的隐藏层数,通过多隐藏层结构从已知在数据中获得数据间更为高层次抽象的函数联系,在预测与识别中可以表现出更加优异的性能。
深度信念网络是由多层受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)堆叠而成,RBM是一种概率生成模型,其内部各层神经元间没有联接,每层神经元是独立同分布的,仅隐藏层与可视层间存在全连接,因而大大降低了网络训练的复杂性。逐层对RBM利用无标签样本进行无监督训练后,多次迭代训练后,即可将网络的超参数调整为较为理想状态。然后将无监督学习获得的超参数作为BP神经网络训练初值对网络进行无监督训练,迭代一定次数后即可完成深度信念网络模型建模。通过自学习可以将产品寿命与多应力之间的数学关系准确映射出来,自动总结试验数据的规律,把具有复杂因果关系的物理量在经过适当数量的无监督学习和有监督训练之后获得。这非常有利于解决在多加速应力水平以及存在不确定影响因素时可靠性特征的外推问题。
发明内容
本发明目的在于提供一种长寿命电子器件件可靠性评估方法,以解决常应力下试验时间过长以及单应力加速推导模型在综合因素影响下性能受限的问题,有效提高电子元件的试验效率,缩短评估时间,同时提高产品可靠性评估的鲁棒性。
为了实现上述目的,本发明采用的技术方案是基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法,该方法主要有四部分内容组成:第一、基于器件失效机理,确定器件老化试验加速应力的种类和数量;第二、基于恒加寿命试验和定数截尾的试验方法获取电子器件老化数据;第三、基于韦布尔分布根据器件失效数据获取器件计算估计出可靠性参数;第四、基于深度信念网络建立加速应力与可靠性参数间的训练模型,结合试验数据对深度信念网络进行超参数训练,确定加速推导模型。这四部分关系如图1所示,其中:
A表示加速应力确定即环境应力种类确定部分。进行恒加寿命试验首先要确定加速应力种类和数量,即必须明确产品运行环境和故障模式,设备在使用生产过程中受到的环境应力是复杂的,确定影响设备寿命的应力种类即明确电子产品运行环境和故障机理,利用多种加速应力作用以及试验条件严酷化,在短时间内使产品发生故障。
B表示恒加寿命试验设计方法即恒加寿命试验设计部分。确定综合加速应力水平,加速寿命试验的目的就是在失效机理不变的情况下在高应力下获取试验数据。根据器件具体使用环境,选取多种外部环境应力并以其综合应力水平作为寿命试验的加速条件。随机选取需要被检测的器件样品,分别安排在不同综合应力水平下进行加速寿命试验,记录器件样品的失效时间及失效个数。
C表示数据统计分析过程即可靠性参数分布估计过程,不同电子器件不同工况下可靠性寿命存在差异,利用不同应力水平下元件可靠性特征计算元件寿命分布服从的概率分布,从而估算出器件的可靠性寿命。
D表示确定可靠性寿命外推模型即应力水平与可靠性寿命的推导模型建立过程。加速寿命试验的外推模型是为了建立加速应力和可靠性寿命间的数学关系。使用深度信念网络建立多种加速应力和可靠性寿命间的推导模型。
环境应力种类的确定部分A,恒加寿命试验设计部分B和可靠性参数分布估计过程C,以及应力水平与可靠性寿命的推导模型建立过程D。
环境应力种类确定部分A,确定环境应力种类,明确发生故障的物理化学过程。根据装备种类和使用环境,分析即确定装备在变化应力作用下工作时导致装备发生故障的物理、化学过程的规律。装备的加速老化试验就是对故障模式的再现,选取加速应力需要参照产品正常工作时影响其寿命的主要环境应力来决定。
恒加寿命试验设计方法部分B,参考装备厂家给出的技术参数为不同老化因素确定使用应力和最大应力,按照应力等差数列法或倒数等间隔原则设置不同类型应力的应力水平。而后根据组合原则获取全部应力组合样本。使用随机抽样方法选取试验样本,根据部分综合应力水平数量等容量分组,并在相应应力水平下进行试验。确定定时截尾寿命试验测试周期,周期设定以使失效不过多发生于前两个为周期为宜。
数据统计分析部分C,统计装备失效数量及失效时间数据,推导出装备寿命的韦布尔分布特征参数,根据所获得特征参数的不同,韦布尔分布可近似变换为指数分布,瑞利分布,近似对数正态分布和近似正态分布等,进而估算出不同加速应力下装备的可靠性参数。
可靠性寿命外推模型建立部分D,选取深度信念网络,使用由不同类型应力的全部应力水平组合而成的综合应力水平和可靠度作为无监督训练样本数据,选取部分综合加速应力数据以及可靠度数据作为模型输入训练数据,将其对应的可靠性寿命作为模型训练输出,进行有监督训练,最终完成模型建立。
恒定加速寿命试验的设计过程,首先需要确定加速应力的范围,参考装备厂家给出的技术参数为不同老化因素确定使用应力和最大应力范围,所选的多种应力水平均不可超过破坏应力的极限,从而保证不同综合应力下设备的失效机理一致,避免无意义的消耗试验件;
使用应力为:常规条件下装备的应力范围,通常处于设计极限上限到设计极限下限之间;
最大应力为:装备可工作情况下的最大应力,通常为工作极限上限到工作极限下限之间。
确定应力范围后,设置单应力的应力水平,应力水平应是阶梯变化的。单应力水平设定方法采用应力等差数列原则和倒数等间隔原则;
应力等差数列原则为:确定加速应力水平为k组,对于第j种加速应力,设置加速应力Vj1,Vj2,...,Vjk为依次递增的等差数列;
应力倒数等间隔原则为:确定加速应力水平为k组,第k组应力水平表示为Vjk,则应力间隔Δ为
单应力水平确定后,需将全部单应力水平组合成为综合应力水平集合S。然后分别在综合应力水平Si下投入ni个产品进行定时截尾寿命试验,Si是由多种单加速应力的任一水平组合而成。
综合加速应力水平:令a表示寿命试验加速应力的类型数,每种应力存在k个应力水平,多应力影响下综合应力水平数量为ka个。
选取截尾实验的定时截尾寿命试验作为试验方法,获取截尾失效参数用于寿命分布估计;
截尾寿命试验为:将n个投试样品试验到部分失效就停止试验,然后依照先后来记录失效数据t1≤t2≤...≤tr称为截尾样本,其中r为失效数量,r≤n,特别当r=n时截尾寿命试验就称为完全寿命试验。截尾样本所含的失效信息总比完全样本少一些。根据产品的寿命分布,那么使用截尾样本加上产品的寿命分布信息进行统计分析,即可获得产品的可靠性指标。由于这点,采用截尾寿命试验的方法来减少寿命试验时间,使用的截尾寿命试验为定时截尾寿命试验。
定时截尾寿命试验为:设定试验到运行周期,到达一个周期时间就立即停止试验统计失效数量,这时样本中的失效个数是随机的。为了不使失效个数过多或过少,恰当地规定试验周期和停止时间是实施定时截尾寿命试验的关键,使失效器件数量不过多集中于前一、二周期,失效数量超过投入试验器件数量的30%。
建立深度信念网络推导模型,要首先确定模型的输入和输出节点数量。推导模型的输入节点个数为综合应力水平数+可靠度,模型输出节点为1,代表器件在设定可靠度下的可靠性寿命,使用综合应力水平+设定可靠度构成的无标签数据进行无监督训练,使用少量综合应力水平+设定可靠度作为输入训练样本,其对应的可靠性寿命作为输出训练样本作为有监督训练的训练样本对模型进行迭代训练。
对于深度信念网络无监督训练和有监督训练方法如下:
利用无标签数据的概率分布来迭代调整深度信念网络模型超参数,迭代足够次数直到模型输出的采样概率分布与训练样本概率相同为止。
利用有标签数据的输入训练样本和输出训练样本迭代减少模型输出与训练输出的偏差,令偏差值反向传播来调整模型参数,直到预测数据与训练输出数据的绝对误差落入合适范围内为止。
本发明的长寿命电子元件可靠性评估方法具有以下技术效果:
(1)过程的系统性,本发明系统全面地提出了针对多应力下长寿命电子产品的可靠性评估方法,从试验的加速综合应力确定到加速寿命试验设计,再到数据统计分析和综合加速应力条件下寿命估计,最后建立可靠性寿命加速推导模型。
(2)方法的改进。本发明在建立可靠性寿命加速推导模型时,将多种类型加速应力确定的综合应力水平作为寿命试验的加速应力水平,传统单应力加速模型替代为基于深度信念网络的多应力加速模型。多应力下的加速寿命试验可以减少加速寿命试验的时间,同时当应力数量和类型发生变化时,仅需改变模型输入层神经元数量,重构综合应力水平的训练样本即可重构模型,因此模型有较强的工程适用性和通用性,并且可以减少单纯有监督学习标定数据的使用量,大大减少试验花费,避免陷入数据过拟合的风险。
附图说明
图1为本发明涉及的方法总体模块图例;
图2为受限玻尔兹曼机结构及参数图例;
图3为加速应力水平图例;
图4为基于深度信念网络多应力恒加试验可靠性与寿命预测流程;
图5为基于深度信念网络多应力与寿命推导模型结构图例;
具体实施方法
以下将结合图1对本发明的长寿命电子元件可靠性评估方法做进一步的详细描述。
本发明的长寿命电子元件可靠性评估方法基于一定假设,所述假设包括:
假设1:产品的性能退化过程具有单调性,即性能发生的退化不可逆。
假设2:在各加速应力下,产品的失效机理不变,失效模式不变。
假设3:加速退化数据在不同综合应力水平下具有相同的分布形式,且通过数据得到的不同应力水平下产品的伪失效寿命服从同一形式的分布。
假设4:产品残余寿命仅依赖于当时已累计失效部分和当时综合应力水平,而与累积方式无关。
步骤1,确定影响电子元件寿命的多种加速应力;
半导体电子元件的特性对多种环境应力敏感,应力变化会影响元件内部参数变化,加速器件失效过程,产品在实际使用中同时受到多种环境应力的影响,环境应力选取应考虑产品实际工作环境以及故障机理进行选择。
步骤2,设计加速寿命试验;
本实施例中,应力种类取两种类型,编号为分别1、2,具体试验设计如下:
(1)分别在应力类型1和应力类型2下确定k个加速应力水平V11,V12,...,V1k和V21,V22,...,V2k,满足关系V10<V11<V12<...<V1k,V20<V21<V22<...<V2k,其中V10、V20为两种应力的正常应力水平。两种应力水平值的确定可选择以下两种方式中的一种:
①对于第j种加速应力,设置加速应力Vj1,Vj2,...,Vjk为依次递增的等差数列;
②对于第j种加速应力,则应力间隔为
(2)将两种加速应力根据其k应力水平进行组合,获得两种应力的综合应力水平Si,i=1,2,...,k2,共有k2综合应力水平。
(3)从需要被检测的产品中随机选出n个样品,并分为h组,其中h为需要进行寿命试验的综合加速应力的种类,从全部k2应力水平中随机抽样,通常令h<k2以减小试验花费。每组样本容量分别为n1,n2,...,nh(n1+n2+...+nh=n),分别在综合应力水平Si进行加速寿命试验;
(4)在综合应力水平集合S下分别进行加速寿命试验,设在加速应力水平Si下ni个样品中有ri个失效,失效器件失效的时间设为选择适当的测试周期,不要使失效过于集中在前一、二测试周期内,若在应力水平Si作用下,第d试验周期(tid-1,tid)内测得失效数为rid,则在Si应力下第d测试周期内的第j产品的失效时间为
(5)将全部h组样本在综合应力水平Si下进行截尾寿命试验,获取不同应力水平下器件的截尾数据,综合应力水平越高则试验周期设定越短,试验期间每组样本每过一个周期就对该组样本的截尾数据进行统计估算;
步骤3,可靠性特征估计;
可靠性特征主要涉及产品的可靠度和可靠寿命等参数,其中,可靠度是指产品在规定的时间内、规定的条件下元件完成规定的功能的概率,写作R(t),如下形式:
其中,N表示t=0时刻,产品正常工作个数,n(t)表示t时刻元件失效个数,加速剩余N-n(t)个器件正常工作;
产品的可靠性寿命是指可靠度R(t)=r时对应的寿命,写作:
t(r)=R-1(r) (2)
式中,R-1(r)是R(t)的反函数;
元件的中位寿命是指公式(2)中r=0.5时对应的寿命,写为:
t(0.5)=R-1(0.5) (3)
根据加速寿命试验获取的失效数据估计在应力水平Si下元件寿命的对数威布尔分布的形状参数m和尺度参数σ,设置定数加速寿命试验结束时失效率条件下,尺度参数σ估算方法如下:
其中Xr=lgtjr,Kr·N为样品数为N失效截尾数为r时,σ的无偏性系数,可通过查阅《可靠性试验用表》获取;
形状参数m按下式计算:
其中gr·N查《可靠性试验用表》获取;
威布尔分布的位置参数μ按下式计算:
μ=2.3026Xr-E(Zr·N)σ (6)
其中E(Zr·N)查《可靠性试验用表》获取;
特征寿命估计值η按下式计算:
η=eμ (7)
平均寿命t(0.5)按下式子计算:
其中Γ为伽玛函数,m和η分别由式(5)和式(7)给出,根据上述过程分别计算在加速应力水平T1,T2,...,Tk下元件的可靠性寿命。
步骤4,确定加速模型;
深度信念网络由多个受限玻尔兹曼机器从下到上堆叠构成的,故搭建深度信念网络首先应建立单个受限玻尔兹曼机,其结构如图2所示,其中下层为表示可观测量的可视层单元V=(V1,...,Vm),上层则表示用于提取可观测量内在关联性的隐藏层单元H=(H1,...,Hn),两部分神经节点的取值是二值的,即(v,h)∈(0,1)m+n。
由于受限玻尔兹曼及同层单元之间互不相连,即同层单元变量互相独立,从概率角度来看,即存在如下两种概率形式:p(h|v)=p(h1|v)p(h2|v)...p(hn|v)和p(v|h)=p(v1|h)p(v2|h)...p(vn|h);
由上述性质得出随机变量(v,h)满足马尔可夫随机场特性,故(v,h)分布即为马尔可夫分布,其一般形式如下表示:
其中,x为随机变量,归一化因子Z为配分函数,E为能量函数,其表达式为:
其中,wij是隐藏单元和可视单元权重,ci和bj分别是隐藏单元和可视单元的偏差项。变量(v,h)的分布表达式为:
由上式推导可得出条件概率公式为:
其中,σ=1/(1+e-x),这符合神经网络的激活函数形式,所以一个受限玻尔兹曼机可看作是一个随机神经网络。
确定受限玻尔兹曼机条件概率后,即可利用训练样本集S的数据对其进行训练,超参数更新规则完整表示如下:
(1)输入:受限玻尔兹曼机(V1,...Vm,H1,...,Hn),训练样本集S;
(2)输出:梯度渐进Δwij,Δbj,Δci,其中i=1,...,n,j=1,...,m;
(3)初始化Δwij=Δbj=Δci=0,i=1,...,n,j=1,...,m;
(4)对于全部v∈S,执行如下过程;
①v=v(0)
②对t=0,...,k-1执行如下过程:
对i=1,...,n执行采样过程
对j=1,...,m执行采样过程
③对i=1,...,n,j=1,...,m执行如下过程:
Δci=p(Hi=1|v(0))-p(Hi=1|v(k))
其中,v(0)是训练样本的起始值,参数v(k)是对比离差算法的第k次的采样值,k值可取为1。
使用全部训练样本的输入部分利用上述更新规则对受限玻尔兹曼机内部参数进行迭代多次更新,即可获得无监督训练完成的单个受限玻尔兹曼机;
接下来利用无监督训练完成的受限玻尔兹曼机建立深度置信网络,搭建规则是将前一层受限玻尔兹曼机的隐藏层作为下一层受限玻尔兹曼机的可视层,下一层玻尔兹曼机的输入为上一层玻尔兹曼机的输出,之后使用逐层贪心算法完成每层受限玻尔兹曼机的训练过程,即完成整个深度信念网络的无监督训练过程;
无监督训练之后,获得整个深度信念网络的超参数,在使用有监督训练的方法对网络参数进行反向微调,微调方法选择BP神经网络算法,使用无监督训练获得的网络参数作为BP神经网络的初始值,使用有标签数据对网络参数进行微调,选取Sigmoid函数作为BP算法的激活函数,其表达式为:
对公式(15)求导得到如下形式:
f′(x)=f(x)[1-f(x)] (16)
反向传播算法是通过梯度下降的方法降低神经网络输出与实际样本间的偏差,所以令a为迭代次数,o(a)为网络输出值,d(a)为实际样本值,计算偏差网络输出与实际样本的偏差为
e(a)=d(a)-o(a) (17)
然后根据公式(16)计算输出神经元与实际数据的残差值:
δ(a)=e(a)o(a)[1-o(a)] (18)
对于第l层隐含层单元,判断神经元属于某一输出层(l=L),令则第l层隐含层单元的残差为
使用反向传播算法计算完成每层每个神经元的残差后,对神经元间连接的权重进行微调
权重调整之后再用训练数据测试模型推导效果,如若不符合要求则重复迭代进行反向传播算法,直到结果符合要求为止。到此即完成基于深度信念网络的可靠性寿命推到模型的建立。
在本实施例中采用的深度信念网络为深度为3的网络结构,其输入包括两种加速应力的综合Si和可靠度输出为该应力水平和可靠度对应的元件可靠性寿命,记作ti;
为了获得加速推导模型,需要获得加速应力下装备的应力水平、可靠性与可靠性寿命对应的变化规律,因为可靠性寿命随加速应力而变化,需要利用高应力下的寿命推导常应力水平下的寿命,综合两个不同种类应力作为一组应力水平联合其可靠度作为模型输入训练数据,其特征寿命作为输出训练数据。
初始化加速模型超参数,设置每一层受限玻尔兹曼机权重wmn,隐藏层偏差项cn和可视层偏差项bm皆为0,设置适当的参数更新迭代次数,使用训练样本集中的输入部分对每一层受限玻尔兹曼机参数进行无监督训练,然后将整个网络看作是一个BP神经网络,无监督训练完成后的网络参数作为该BP神经网络的初始值,使用训练样本集的输入部分与输出部分对BP网络的超参数进行微调,即完成加速模型确定过程,加速模型表示如下:
其中,ti为设备在第i组综合应力水平Si以及设定可靠度为下的可靠性寿命,φ(,)为寿命推导模型。
深度信念网络隐藏层节点数量确定目前没有统一标准,本试验例采用了试验仿真的方法,对不同隐层节点数量的深度信念网络的仿真结果进行比较,选择一个效果较好的隐层节点数量。
Claims (5)
1.基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法,其特征在于:该方法主要有四部分内容组成:第一、基于器件失效机理,确定器件老化试验加速应力的种类和数量;第二、基于恒加寿命试验和定数截尾的试验方法获取电子器件老化数据;第三、基于韦布尔分布根据器件失效数据获取器件计算估计出可靠性参数;第四、基于深度信念网络建立加速应力与可靠性参数间的训练模型,结合试验数据对深度信念网络进行超参数训练,确定加速推导模型;其中:
A表示加速应力确定即环境应力种类确定部分;进行恒加寿命试验首先要确定加速应力种类和数量,即必须明确产品运行环境和故障模式,设备在使用生产过程中受到的环境应力是复杂的,确定影响设备寿命的应力种类即明确电子产品运行环境和故障机理,利用多种加速应力作用以及试验条件严酷化,在短时间内使产品发生故障;
B表示恒加寿命试验设计方法即恒加寿命试验设计部分;确定综合加速应力水平,加速寿命试验的目的就是在失效机理不变的情况下在高应力下获取试验数据;根据器件具体使用环境,选取多种外部环境应力并以其综合应力水平作为寿命试验的加速条件;随机选取需要被检测的器件样品,分别安排在不同综合应力水平下进行加速寿命试验,记录器件样品的失效时间及失效个数;
C表示数据统计分析过程即可靠性参数分布估计过程,不同电子器件不同工况下可靠性寿命存在差异,利用不同应力水平下元件可靠性特征计算元件寿命分布服从的概率分布,从而估算出器件的可靠性寿命;
D表示确定可靠性寿命外推模型即应力水平与可靠性寿命的推导模型建立过程;加速寿命试验的外推模型是为了建立加速应力和可靠性寿命间的数学关系;使用深度信念网络建立多种加速应力和可靠性寿命间的推导模型。
2.根据权利要求1所述的基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法,其特征在于:环境应力种类的确定部分A,恒加寿命试验设计部分B和可靠性参数分布估计过程C,以及应力水平与可靠性寿命的推导模型建立过程D;
环境应力种类确定部分A,确定环境应力种类,明确发生故障的物理化学过程;根据装备种类和使用环境,分析即确定装备在变化应力作用下工作时导致装备发生故障的物理、化学过程的规律;装备的加速老化试验就是对故障模式的再现,选取加速应力需要参照产品正常工作时影响其寿命的主要环境应力来决定;
恒加寿命试验设计方法部分B,参考装备厂家给出的技术参数为不同老化因素确定使用应力和最大应力,按照应力等差数列法或倒数等间隔原则设置不同类型应力的应力水平;而后根据组合原则获取全部应力组合样本;使用随机抽样方法选取试验样本,根据部分综合应力水平数量等容量分组,并在相应应力水平下进行试验;确定定时截尾寿命试验测试周期,周期设定以使失效不过多发生于前两个为周期为宜;
数据统计分析部分C,统计装备失效数量及失效时间数据,推导出装备寿命的韦布尔分布特征参数,根据所获得特征参数的不同,韦布尔分布可近似变换为指数分布,瑞利分布,近似对数正态分布和近似正态分布等,进而估算出不同加速应力下装备的可靠性参数;
可靠性寿命外推模型建立部分D,选取深度信念网络,使用由不同类型应力的全部应力水平组合而成的综合应力水平和可靠度作为无监督训练样本数据,选取部分综合加速应力数据以及可靠度数据作为模型输入训练数据,将其对应的可靠性寿命作为模型训练输出,进行有监督训练,最终完成模型建立。
3.根据权利要求1所述的基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法,其特征在于:恒定加速寿命试验的设计过程,首先需要确定加速应力的范围,参考装备厂家给出的技术参数为不同老化因素确定使用应力和最大应力范围,所选的多种应力水平均不可超过破坏应力的极限,从而保证不同综合应力下设备的失效机理一致,避免无意义的消耗试验件;
使用应力为:常规条件下装备的应力范围,通常处于设计极限上限到设计极限下限之间;
最大应力为:装备可工作情况下的最大应力,通常为工作极限上限到工作极限下限之间;
确定应力范围后,设置单应力的应力水平,应力水平应是阶梯变化的;单应力水平设定方法采用应力等差数列原则和倒数等间隔原则;
应力等差数列原则为:确定加速应力水平为k组,对于第j种加速应力,设置加速应力Vj1,Vj2,...,Vjk为依次递增的等差数列;
应力倒数等间隔原则为:确定加速应力水平为k组,第k组应力水平表示为Vjk,则应力间隔Δ为
单应力水平确定后,需将全部单应力水平组合成为综合应力水平集合S;然后分别在综合应力水平Si下投入ni个产品进行定时截尾寿命试验,Si是由多种单加速应力的任一水平组合而成;
综合加速应力水平:令a表示寿命试验加速应力的类型数,每种应力存在k个应力水平,多应力影响下综合应力水平数量为ka个;
选取截尾实验的定时截尾寿命试验作为试验方法,获取截尾失效参数用于寿命分布估计;
截尾寿命试验为:将n个投试样品试验到部分失效就停止试验,然后依照先后来记录失效数据t1≤t2≤...≤tr称为截尾样本,其中r为失效数量,r≤n,特别当r=n时截尾寿命试验就称为完全寿命试验;截尾样本所含的失效信息总比完全样本少一些;根据产品的寿命分布,那么使用截尾样本加上产品的寿命分布信息进行统计分析,即可获得产品的可靠性指标;由于这点,采用截尾寿命试验的方法来减少寿命试验时间,使用的截尾寿命试验为定时截尾寿命试验;
定时截尾寿命试验为:设定试验到运行周期,到达一个周期时间就立即停止试验统计失效数量,这时样本中的失效个数是随机的;为了不使失效个数过多或过少,恰当地规定试验周期和停止时间是实施定时截尾寿命试验的关键,使失效器件数量不过多集中于前一、二周期,失效数量超过投入试验器件数量的30%。
4.根据权利要求1所述的基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法,其特征在于:建立深度信念网络推导模型,要首先确定模型的输入和输出节点数量;推导模型的输入节点个数为综合应力水平数+可靠度,模型输出节点为1,代表器件在设定可靠度下的可靠性寿命,使用综合应力水平+设定可靠度构成的无标签数据进行无监督训练,使用少量综合应力水平+设定可靠度作为输入训练样本,其对应的可靠性寿命作为输出训练样本作为有监督训练的训练样本对模型进行迭代训练。
5.根据权利要求4所述的基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法,其特征在于:对于深度信念网络无监督训练和有监督训练方法如下:
利用无标签数据的概率分布来迭代调整深度信念网络模型超参数,迭代足够次数直到模型输出的采样概率分布与训练样本概率相同为止;
利用有标签数据的输入训练样本和输出训练样本迭代减少模型输出与训练输出的偏差,令偏差值反向传播来调整模型参数,直到预测数据与训练输出数据的绝对误差落入合适范围内为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810248249.2A CN108664690A (zh) | 2018-03-24 | 2018-03-24 | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810248249.2A CN108664690A (zh) | 2018-03-24 | 2018-03-24 | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108664690A true CN108664690A (zh) | 2018-10-16 |
Family
ID=63782386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810248249.2A Pending CN108664690A (zh) | 2018-03-24 | 2018-03-24 | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664690A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110260907A (zh) * | 2019-07-11 | 2019-09-20 | 中国电子科技集团公司第四十九研究所 | 一种用于传感器的温度应力无失效加速寿命试验方法 |
CN110414087A (zh) * | 2019-07-10 | 2019-11-05 | 北京华安中泰检测技术有限公司 | 一种多应力耦合作用下的电子产品寿命评估方法 |
CN110580543A (zh) * | 2019-08-06 | 2019-12-17 | 天津大学 | 一种基于深度信念网络的电力负荷预测方法及系统 |
CN110795887A (zh) * | 2019-10-28 | 2020-02-14 | 中国人民解放军国防科技大学 | 多应力加速寿命试验分析方法和装置 |
CN111581040A (zh) * | 2020-04-29 | 2020-08-25 | 杭州迪普科技股份有限公司 | 电子设备的破坏性边界值的确定方法及其系统 |
CN112131784A (zh) * | 2020-09-08 | 2020-12-25 | 浙江大学 | 一种利用维修数据评估拖拉机使用可靠性的方法 |
CN112711826A (zh) * | 2019-10-08 | 2021-04-27 | 中车时代电动汽车股份有限公司 | 一种电子产品的可靠度测量方法及其装置 |
CN113378464A (zh) * | 2021-06-09 | 2021-09-10 | 国网天津市电力公司营销服务中心 | 一种电能表现场检验仪寿命预测方法及装置 |
CN113468475A (zh) * | 2020-03-30 | 2021-10-01 | 华龙国际核电技术有限公司 | 一种设备鉴定方法及装置 |
CN113609197A (zh) * | 2021-07-15 | 2021-11-05 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电力计量设备用关键元器件多维度检测数据的归一化方法 |
CN113642196A (zh) * | 2021-10-14 | 2021-11-12 | 华中科技大学 | 智能电表可靠性评估方法、装置、设备及存储介质 |
CN114169128A (zh) * | 2021-10-11 | 2022-03-11 | 中国电子科技集团公司第十四研究所 | 一种基于Bayes分析的可靠性强化试验定量评估方法 |
CN115081200A (zh) * | 2022-06-13 | 2022-09-20 | 北京理工大学 | 复杂设备的加速因子及失效边界域分析方法 |
CN115308558A (zh) * | 2022-08-29 | 2022-11-08 | 北京智芯微电子科技有限公司 | Cmos器件寿命预测方法、装置、电子设备及介质 |
CN116930725A (zh) * | 2023-09-15 | 2023-10-24 | 中国船舶集团有限公司第七一九研究所 | 一种船用电路板卡使用寿命试验与评估方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100023300A1 (en) * | 2008-07-28 | 2010-01-28 | Charles River Analytics, Inc. | Sensor based monitoring of social networks |
CN102252898A (zh) * | 2011-03-09 | 2011-11-23 | 北京航空航天大学 | 基于“寿命-应力”模型的电子产品加速寿命试验方法 |
CN102542101A (zh) * | 2011-12-19 | 2012-07-04 | 北京工业大学 | 一种快速判别温度应力加速实验失效机理一致性的方法 |
CN102629300A (zh) * | 2012-03-15 | 2012-08-08 | 北京航空航天大学 | 一种基于灰色预测模型的步进应力加速退化数据评估方法 |
CN105635762A (zh) * | 2016-01-15 | 2016-06-01 | 深圳大学 | 一种基于深度信念网络的视频热度预测方法及其系统 |
CN107449994A (zh) * | 2017-07-04 | 2017-12-08 | 国网江苏省电力公司电力科学研究院 | 基于cnn‑dbn网络的局放故障诊断方法 |
-
2018
- 2018-03-24 CN CN201810248249.2A patent/CN108664690A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100023300A1 (en) * | 2008-07-28 | 2010-01-28 | Charles River Analytics, Inc. | Sensor based monitoring of social networks |
CN102252898A (zh) * | 2011-03-09 | 2011-11-23 | 北京航空航天大学 | 基于“寿命-应力”模型的电子产品加速寿命试验方法 |
CN102542101A (zh) * | 2011-12-19 | 2012-07-04 | 北京工业大学 | 一种快速判别温度应力加速实验失效机理一致性的方法 |
CN102629300A (zh) * | 2012-03-15 | 2012-08-08 | 北京航空航天大学 | 一种基于灰色预测模型的步进应力加速退化数据评估方法 |
CN105635762A (zh) * | 2016-01-15 | 2016-06-01 | 深圳大学 | 一种基于深度信念网络的视频热度预测方法及其系统 |
CN107449994A (zh) * | 2017-07-04 | 2017-12-08 | 国网江苏省电力公司电力科学研究院 | 基于cnn‑dbn网络的局放故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
俞昆: "基于深度信念网络与多传感器信息融合的滚动轴承故障诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
周洁 等: "综合应力加速贮存试验方案优化设计", 《航空学报》 * |
朱志鹏: "非矩形试验区域综合应力加速寿命试验优化设计的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414087A (zh) * | 2019-07-10 | 2019-11-05 | 北京华安中泰检测技术有限公司 | 一种多应力耦合作用下的电子产品寿命评估方法 |
CN110260907B (zh) * | 2019-07-11 | 2021-07-16 | 中国电子科技集团公司第四十九研究所 | 一种用于传感器的温度应力无失效加速寿命试验方法 |
CN110260907A (zh) * | 2019-07-11 | 2019-09-20 | 中国电子科技集团公司第四十九研究所 | 一种用于传感器的温度应力无失效加速寿命试验方法 |
CN110580543A (zh) * | 2019-08-06 | 2019-12-17 | 天津大学 | 一种基于深度信念网络的电力负荷预测方法及系统 |
CN112711826A (zh) * | 2019-10-08 | 2021-04-27 | 中车时代电动汽车股份有限公司 | 一种电子产品的可靠度测量方法及其装置 |
CN110795887A (zh) * | 2019-10-28 | 2020-02-14 | 中国人民解放军国防科技大学 | 多应力加速寿命试验分析方法和装置 |
CN113468475A (zh) * | 2020-03-30 | 2021-10-01 | 华龙国际核电技术有限公司 | 一种设备鉴定方法及装置 |
CN111581040A (zh) * | 2020-04-29 | 2020-08-25 | 杭州迪普科技股份有限公司 | 电子设备的破坏性边界值的确定方法及其系统 |
CN111581040B (zh) * | 2020-04-29 | 2023-04-18 | 杭州迪普科技股份有限公司 | 电子设备的破坏性边界值的确定方法及其系统 |
CN112131784B (zh) * | 2020-09-08 | 2022-08-23 | 浙江大学 | 一种利用维修数据评估拖拉机使用可靠性的方法 |
CN112131784A (zh) * | 2020-09-08 | 2020-12-25 | 浙江大学 | 一种利用维修数据评估拖拉机使用可靠性的方法 |
CN113378464A (zh) * | 2021-06-09 | 2021-09-10 | 国网天津市电力公司营销服务中心 | 一种电能表现场检验仪寿命预测方法及装置 |
CN113609197A (zh) * | 2021-07-15 | 2021-11-05 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电力计量设备用关键元器件多维度检测数据的归一化方法 |
CN114169128A (zh) * | 2021-10-11 | 2022-03-11 | 中国电子科技集团公司第十四研究所 | 一种基于Bayes分析的可靠性强化试验定量评估方法 |
CN113642196A (zh) * | 2021-10-14 | 2021-11-12 | 华中科技大学 | 智能电表可靠性评估方法、装置、设备及存储介质 |
CN115081200A (zh) * | 2022-06-13 | 2022-09-20 | 北京理工大学 | 复杂设备的加速因子及失效边界域分析方法 |
CN115081200B (zh) * | 2022-06-13 | 2024-05-28 | 北京理工大学 | 复杂设备的加速因子及失效边界域分析方法 |
CN115308558A (zh) * | 2022-08-29 | 2022-11-08 | 北京智芯微电子科技有限公司 | Cmos器件寿命预测方法、装置、电子设备及介质 |
CN116930725A (zh) * | 2023-09-15 | 2023-10-24 | 中国船舶集团有限公司第七一九研究所 | 一种船用电路板卡使用寿命试验与评估方法及系统 |
CN116930725B (zh) * | 2023-09-15 | 2023-12-26 | 中国船舶集团有限公司第七一九研究所 | 一种船用电路板卡使用寿命试验与评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664690A (zh) | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 | |
CN109857835B (zh) | 一种基于认知诊断理论的自适应网络安全知识测评方法 | |
Alippi et al. | Model-free fault detection and isolation in large-scale cyber-physical systems | |
Li et al. | Multi-sensor data-driven remaining useful life prediction of semi-observable systems | |
US20180100894A1 (en) | Automatic Generation of Test Sequences | |
Hanifah et al. | Smotebagging algorithm for imbalanced dataset in logistic regression analysis (case: Credit of bank x) | |
AU2020102874A4 (en) | A recommendation model for aero dynamic design of structures using deep recurrent neural network | |
CN110455537A (zh) | 一种轴承故障诊断方法及系统 | |
CN112001110B (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
CN111026664B (zh) | 基于ann的程序检测方法和检测系统及应用 | |
CN111597760B (zh) | 一种实现小样本条件下获取气路参数偏差值的方法 | |
CN108563806A (zh) | 基于相似性的发动机气路参数长期预测方法及系统 | |
CN110082738B (zh) | 基于高斯混合和张量循环神经网络的雷达目标识别方法 | |
CN114925536A (zh) | 机载系统phm测试性建模与诊断策略优化方法和装置 | |
Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
CN110414666A (zh) | 基于改进的lstm网络的泵站机组故障识别方法 | |
CN109787958A (zh) | 网络流量实时检测方法及检测终端、计算机可读存储介质 | |
CN115145817A (zh) | 一种软件测试方法、装置、设备及可读存储介质 | |
CN114298299A (zh) | 基于课程学习的模型训练方法、装置、设备及存储介质 | |
Fuentes | On Bayesian networks for structural health and condition monitoring | |
CN116910526A (zh) | 模型训练方法、装置、通信设备及可读存储介质 | |
CN116186507A (zh) | 一种特征子集的选取方法、装置及存储介质 | |
CN111542819B (zh) | 用于改进的地下数据处理系统的装置和方法 | |
Sinitsyn et al. | Success predicting for students of online courses using neural networks | |
CN104516858A (zh) | 一种非线性动力学行为分析的相图矩阵方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181016 |