CN111597755A - 基于门控递归单元神经网络的电子器件剩余寿命预测方法 - Google Patents

Abstract

本发明公开了一种基于门控递归单元神经网络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；根据预处理后的老化数据以及电子器件失效机理获得失效变量；根据预处理后的老化数据建立门控递归单元神经网络老化模型；根据门控递归单元神经网络老化模型获得失效变量的预测变化值，结合设定的失效阈值，获得电子器件的剩余寿命。本发明提供的电子器件剩余寿命预测方法，通过构建门控递归单元神经网络老化模型预测电子器件的剩余寿命，综合考量了老化数据中各失效变量对电子器件剩余寿命的影响而进行预测，同时考虑到老化数据的时序特征，充分挖掘了老化数据中的信息，预测精度高，可靠性强。

Description

基于门控递归单元神经网络的电子器件剩余寿命预测方法

技术领域

本发明涉及微电子技术领域，特别涉及一种基于门控递归单元神经网络的电子器件剩余寿命预测方法。

背景技术

电子器件在工作过程中，很容易受到工作环境中的辐射、光照等因素的影响而发生电参数的改变，造成电子器件的老化，从而影响电子器件的使用寿命。因此，预测电子器件的剩余寿命、尤其是预测电子器件在辐照环境下工作时的剩余寿命，具有非常重要的意义。

当前对于电子器件剩余寿命的预测，多是人工选取影响电子器件寿命的一些主要因素并加以计算。但是目前业内并没有通用的因素选取规则和计算方法，因此这种预测方式很容易受到专家经验、知识的制约，具有较大的主观性和偶然性，并且容易造成有用信息的损失，所以对于电子器件剩余寿命的预测结果与实际情况之间往往存在较大的误差。

发明内容

鉴于上述问题，本发明的目的在于提供一种基于门控递归单元神经网络的电子器件剩余寿命预测方法，预测精度高，可靠性强。

本发明提供一种基于门控递归单元神经网络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；根据预处理后的老化数据以及电子器件失效机理获得失效变量；根据预处理后的老化数据建立门控递归单元神经网络老化模型；根据门控递归单元神经网络老化模型获得所述失效变量的预测变化值，结合设定的失效阈值，获得电子器件的剩余寿命。

进一步地，根据老化模型获得失效变量的预测变化值，结合设定的失效阈值，获得电子器件的剩余寿命的步骤包括：根据门控递归单元神经网络老化模型，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值即为电子器件的剩余寿命。

进一步地，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。

进一步地，对多组老化数据进行预处理的方法包括粗大误差值去除和/或去噪处理。

进一步地，粗大误差值去除依据拉依达准则进行；去噪处理为小波去噪。

进一步地，将预处理后的多组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门控递归单元神经网络老化模型；根据验证集数据验证门控递归单元神经网络老化模型的正确性；根据测试集数据获得失效变量的预测变化值，以获得电子器件剩余寿命。

进一步地，在多组老化数据中，训练集数据的比例为60％-75％，验证集数据的比例为10％-15％，测试集数据的比例为15％-25％。

进一步地，根据预处理后的老化数据建立门控递归单元神经网络老化模型的步骤包括：建立门控递归单元神经网络结构，包括输入层，隐含层和输出层；向输入层输入包含失效变量在内的训练集数据；从输出层得到失效变量的预测变化值；判断预测变化值与实际变化值之间的误差是否符合精度误差；若不符合精度误差，则调整隐含层的权值和偏差值，直至预测变化值与实际变化值之间的误差小于精度误差；若符合精度误差，则使用验证集数据对老化模型进行验证，确定门控递归单元神经网络老化模型的参数已经达到最优。

进一步地，对门控递归单元神经网络老化模型进行优化的步骤包括调整模型结构和相应网络参数。

进一步地，隐含层的激活函数为线性整流函数；隐含层的初始权值和偏差值为随机生成；调整隐含层权值的方法为适应性矩估计优化算法。

本发明提供的基于门控递归单元神经网络的电子器件剩余寿命预测方法，以对电子器件老化有较大影响的失效变量作为学习对象，并通过构建门控递归单元神经网络老化模型预测电子器件的剩余寿命。由于该老化模型综合考虑了各失效变量对电子器件老化的影响程度，充分挖掘了老化数据中的信息，并且门控递归单元神经网络考虑了数据的时序特征，在预测变量值时也充分考虑了前一时刻的状态信息，使得重要信息可以继续传递下去，避免无用信息的冗余并保证信息传递的连贯性，因此可以获得较为准确的电子器件剩余寿命，预测精度高，可靠性强。

本发明提供的基于门控递归单元神经网络的电子器件剩余寿命预测方法，将电子器件的多维老化数据作为门控递归单元神经网络老化模型的输入，通过网络结构的逐层特征提取，综合考虑各个变量之间的关系，并且特有的门结构对信息的记忆程度和遗忘程度进行筛选，保证有效信息继续传递下去，同时考虑到前面节点记忆的信息对当前信息的影响，综合输出失效变量的预测变化值，通过与设定失效阈值相比较，确定剩余寿命，对于电子器件的安全监测起到了作用。另外在监测数据为多维的情况下，利用门控递归单元神经网络结构逐层学习，可以深度挖掘数据中信息的特性，在降低维数、获取有效信息的同时，保留了原始老化数据中的大部分有效信息，使得预测结果更可靠。

附图说明

通过以下参照附图对本发明实施例的描述，本发明的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示出了本发明实施例的基于门控递归单元神经网络的电子器件剩余寿命预测方法的流程图；

图2示出了本发明实施例的建立门控递归单元神经网络老化模型的流程图；

图3示出了本发明实施例中门控递归单元神经网络的数据传递公式；

图4示出了本发明实施例中老化模型的门控递归单元神经网络结构图；

图5示出了本发明实施例中门控递归单元神经网络老化模型对电子器件剩余寿命预测示例图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述，所述附图形成本发明的一部分。应当理解的是，在不偏离本发明的范围的情况下，可以采用其它的实施例且可以进行逻辑上的改变。例如，对于一个实施例解释或描述的特征可被用于其它实施例或与其它实施例结合来生成另一个实施例。其意图在于本发明包括这样的修改和变化。这些示例用特定的语句描述，但它们不应被理解为对所附的权利要求范围的限制。

图1示出了本发明实施例的基于门控递归单元神经网络的电子器件剩余寿命预测方法的流程图，图2示出了本发明实施例的建立门控递归单元神经网络老化模型的流程图，图3示出了本发明实施例中门控递归单元神经网络的数据传递公式，图4示出了发明实施例中老化模型的门控递归单元神经网络结构图，图5示出了本发明实施例中门控递归单元神经网络老化模型对电子器件剩余寿命预测示例图。

本实施例基于门控递归单元神经网络，对处于辐射环境下的电子器件的剩余寿命进行预测。如图1所示，具体预测过程包括如下的步骤S110至S150。

步骤S110：获得电子器件在相同条件下的多组老化数据。

老化数据指的是电子器件老化过程中的变量数据，比如可以是温度、湿度等环境参数数据以及输入失调电流、输入失调电压等抗辐照参数数据。在相同工作条件下，以相同的时间间隔对电子器件的环境参数数据以及抗辐照参数数据进行多次采集，获得多组老化数据。

步骤S120：对多组老化数据进行预处理。

不难理解，在获取老化数据的过程中，电子器件的工作环境中不可避免地会存在干扰因素，例如噪声等，因此最好对采集的多组老化数据进行预处理，以得到具体表示电子器件在辐照环境下工作的有效数据，有利于更准确地预测电子器件的剩余寿命。该预处理具体可以包括粗大误差值去除、去噪处理等方式中的至少一种。

本实施例中，在对老化数据进行粗大误差值去除时，可以依据拉依达准则进行。拉依达准则是先假设一组检测数据只含有随机误差，对其进行计算处理得到数据的标准偏差，按照拉依达准则确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除。

本实施例中，去噪处理具体可以采用小波去噪的方式，比如可以通过MATLAB工具箱中的小波阈值去噪函数进行噪声消除。小波阈值去噪的基本思想是：将信号通过小波变换后，信号产生的小波系数含有信号的重要信息，将信号经小波分解后小波系数较大，噪声的小波系数较小，并且噪声的小波系数要小于信号的小波系数，通过将信号分解后数据去噪效果的明显程度选取一个合适的阈值，大于阈值的小波系数被认为是有信号产生的，应予以保留，小于阈值的则认为是噪声产生的，置为零从而达到去噪的目的。此外，采用小波去噪对数据进行去噪处理后还能成功保留数据特征。

步骤S130：根据预处理后的老化数据和电子器件失效机理获得失效变量。

所谓失效变量，指的是影响电子器件老化的抗辐照参数，例如输入失调电压、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、电源抑制比等，这些抗辐照参数都在不同程度上影响了电子器件的老化过程，因此都可以作为失效变量，用于对电子器件的剩余寿命进行预测。在不同的实施例中，可以根据电子器件的具体情况以及实际需求选择合适的抗辐照参数作为失效变量。

本实施例中，根据预处理后的老化数据获得失效变量，即失效变量是从老化数据中选取，或者说老化数据包括失效变量。当然在选取过程中，还需结合电子器件的失效机理。比如采集到的老化数据中含有输入失调电压、输入失调电流、开环增益、环境温度、湿度等变量。结合电子器件失效机理分析得出，在上述这些变量中，输入失调电压是影响电子器件剩余寿命的关键变量，与输入失调电压相关性强的变量有输入失调电流和开环增益，因此可将这三个变量作为失效变量，通过构建门控递归单元神经网络老化模型，根据这三个失效变量之间的相关关系预测输入失调电压的变化值，以此得到电子器件的剩余寿命。

步骤S140：根据预处理后的老化数据建立门控递归单元神经网络老化模型。

本实施例中，可将预处理后的、含有失效变量在内的多组老化数据分为训练集数据、验证集数据和测试集数据。具体的，训练集数据用于构建门控递归单元神经网络老化模型(以下简称“老化模型”)。确切的说，训练集数据用于建立使失效变量的预测变化值和实际变化值之间的误差尽可能小的老化模型。验证集数据用于进一步校正老化模型，调整老化模型的结构以及相应的模型参数，优化老化模型的精度。测试集数据用于在老化模型优化完成后作为输入数据，以预测失效变量的变化值。优选的，将多组老化数据的60％-75％作为训练集数据，10％-15％作为验证集数据，15％-25％作为测试集数据，其中，训练集数据，验证集数据和测试集数据的比例之和为100％。

如图3和图4所示，门控递归单元神经网络结构200包括输入层210，隐含层220和输出层230。其中，输入层210的输入数据为预处理后的老化数据；输入层210与隐含层220之间以全连接的方式连接；隐含层220的数量不少于两层；输出层230仅有一个输出值，为选定失效变量的预测变化值。

如前述，隐含层220的数量不少于两层，其中前一隐含层220的输出作为后一隐含层220的输入。图4所示的结构中，隐含层220为两层，分别为第一隐含层221和第二隐含层222，其中第一隐含层221的输出是第二隐含层222的输入。

老化模型采用门控递归单元神经网络结构作为基础，门控递归单元神经网络属于循环神经网络，含有两个门结构，如图3所示，分别为更新门z_t和重置门r_t。更新门z_t决定前一时刻信息的记忆程度，重置门r_t决定前一时刻信息的遗忘程度，通过两个门控单元的合作，选择数据中重要的信息继续传递下去，当前时刻隐含层220的输出值不仅取决于当前时刻的输入，也取决于前一时刻隐含层220的状态信息，这样可以保证信息传递的连续性，体现数据间的时序依赖性。

传统神经网络在传递数据时只是逐层提取特征，没有考虑到前一时刻隐含层的状态信息对当前时刻输入的影响，因此在预测长序列数据时偏差较大，不具有长期记忆的特性，且随着序列长度的增加还会出现梯度消失或梯度爆炸的问题。而门控递归单元神经网络则通过门结构解决了这个问题，实现了对于长序列数据的有效记忆。

本实施例中，隐含层220的激活函数优选线性整流函数，这是由于线性整流函数可以提取老化数据中的非线性信息，学习到的非线性关系更贴近于实际情况。其中，每一层隐含层220的初始参数，包括权值和偏差值，均为随机生成，第t时刻的输入以及前一时刻隐含层220的状态信息在更新门的作用下选择数据中的有效信息进行记忆，第t时刻的输入以及前一时刻隐含层220的状态信息在重置门的作用下选择数据中的无用信息进行遗忘，接着在双曲函数的映射条件下获得当前时刻的候选状态信息，将前一时刻隐含层220的状态信息结合当前时刻的候选状态信息获得最终当前时刻的隐含层220状态信息。这样使得前一时刻的重要信息传递到当前时刻继续记忆，保证重要信息的不流失，具有长期记忆的特性，从而使最终得到的失效变量的预测变化值更为准确。

本实施例的老化模型通过训练门控递归单元神经网络得到，具体的步骤如图2所示，结合图3和图4，具体步骤包括：

步骤S1401：建立门控递归单元神经网络结构。

由于不同电子器件的抗辐照参数有所不同，因此电子器件的老化数据在数量上会存在不同，根据待预测剩余寿命的电子器件设置门控递归单元神经网络结构输入层210的输入数据数量，同时设置隐含层220的数量不少于两层，为隐含层220选取合适的激活函数，并随机生成初始的权值和偏差值。其中，隐含层220的激活函数选用非线性函数，例如为线性整流函数，非线性函数可以减小梯度弥散的可能性，并且可以学习到更贴近实际情况的关系。

步骤S1402：向输入层输入包含失效变量在内的训练集数据。

将经过预处理的、含有失效变量的老化数据中的一部分作为训练集数据，输入到门控递归单元神经网络结构中，该网络结构通过训练集数据输入值、权值、偏差值、激活函数，隐含层220状态信息等进行计算，获取失效变量的预测变化值。该计算过程为门控递归单元神经网络的正向传递过程。

本实施例中，门控递归单元神经网络的特性可以保证重要信息的继续传递，并且综合考虑各变量之间的相关关系，这样既避免了选取单一数据而减少有用信息的问题，又使得电子器件的剩余寿命预测问题的求解得到简化。

具体的，图3所示的门控递归单元神经网络内部数据传递过程如下式(1)至式(5)所示：

r_t＝σ(w_rx·x_t+w_rh·h_t-1+b_r) (1)

z_t＝σ(w_zx·x_t+w_zh·h_t-1+b_z) (2)

y_t＝σ(w_o·h_t) (5)

式中，σ为sigmoid函数，tanh为双曲正切函数，w_rx为重置门与输入层之间的权值矩阵，x_t为第t时刻隐含层的输入，w_rh为重置门与隐含层之间的权值矩阵，h_t-1为第t-1时刻隐含层的状态信息，b_r为添加到重置门的偏差向量，r_t为第t时刻重置门计算结果，w_zx为更新门与输入层之间的权值矩阵，w_zh为更新门与隐含层之间的权值矩阵，b_z为添加到更新门的偏差向量，z_t为第t时刻更新门计算结果，

为第t时刻候选状态信息，

为候选状态与输入层之间的权值矩阵，

为候选状态与隐含层之间的权值矩阵，

为添加到候选状态的偏差向量，h_t为第t时刻隐含层的状态信息，w_o为隐含层与输出层之间的权值矩阵，y_t为第t时刻输出层的输出，以此类推在下一时刻继续传递。·表示矩阵乘法，

表示向量乘法。

数据在门控递归单元神经网络内部按照上述公式进行信息存储以及传递，通过这样的方式将过去的信息与当前的信息联系起来，信息具有时间传递性，不仅当前的输入会影响输出，之前的信息也会对现在有影响，门控结构不仅考虑到了前一时刻状态信息对当前时刻信息的影响，使得记忆过程具有时序连续性，也控制了信息记忆的程度，将不需要的信息适当取舍，保证重要信息能够继续传递下去，避免了无用信息的冗余。如此传递下去，使得门控递归单元神经网络具有良好的长期记忆能力，并且避免了传统循环神经网络在反向传播过程中出现的梯度消失，梯度爆炸问题。如此逐层传递下去，每通过一层隐含层神经元，激活函数提取一遍数据中的非线性信息，随着层数的增加，获取到的信息也就越多，但同样也会增加计算量，导致运算时间长，因此在本发明的实施例中，选用了两层隐含层220的门控递归单元神经网络结构作为示例。在其他实施例中，隐含层220的数量可以根据电子器件的种类、输入数据等的不同确定适宜的层数。

步骤S1403：从输出层得到失效变量的预测变化值。

训练集数据通过门控递归单元神经网络结构的输入层210进入模型，经过隐含层220的多个复杂结构来模拟电子器件中数据的复杂性和内部相关性，挖掘影响电子器件剩余寿命的失效变量的变化情况，从而根据电子器件的失效变量的预测变化值得到剩余寿命。

步骤S1404：判断预测变化值与实际变化值之间的误差是否满足精度误差。

根据门控递归单元神经网络结构所获得的失效变量的预测变化值与实际变化值之间的误差，判断该误差与预先设置的精度误差之间的大小关系，决定后续的步骤。具体的，当失效变量的预测变化值与实际变化值之间的误差不满足精度误差时，证明精度未达到预期目标，执行步骤S1405。反之，当失效变量的预测变化值与实际变化值之间的误差满足精度误差时，证明精度达到预期目标，网络已构建完成，执行步骤S1406。

在本实施例中，实际变化值是通过实际测量获得的失效变量的变化值。精度误差则可根据实际需求设定。不难理解，精度误差越小，精度越高。

步骤S1405：调整隐含层的权值和偏差值。

因为每一层网络初始的权值和偏差值都是随机设定的，因此可能存在误差较大的情况。当预测变化值与实际变化值之间的误差不满足精度误差时，说明老化模型的准确率还没有达到要求。为了保证模型的准确性，不仅需要有正向逐层传递的过程，也需要有反向校正的过程。通过在反向校正过程中对隐含层的权值和偏差值进行修正，使模型更符合实际情况，提高准确率。

在本实施例中，在反向校正的过程中，需要依靠预测变化值与实际变化值之间的误差来调整权值和偏差值。不难理解，预测变化值与实际变化值之间的误差值越小，模型精度越好。为了得到最小的误差值，需要反推出对应的隐含层学习参数偏差值b和权值W，达到优化模型的效果。

在本实施例中，可以采用适应性矩估计优化算法(Adaptive Moment Estimation,Adam)来优化模型。适应性矩估计优化算法是一种可以替代传统随机梯度下降过程的一阶优化算法，能基于训练数据迭代地更新神经网络的权值。适应性矩估计优化算法通过计算梯度的一阶矩估计和二阶矩估计为不同的参数设计独立的自适应学习率，学习速率快，性能好。并且，由于门控递归单元神经网络老化模型最初的权值和误差值为随机生成，因此使用适应性矩估计优化算法在误差的反向传播过程中不断修正权值，调整误差值，使实际变化值和预测变化值之间的误差最小，最终能够提高门控递归单元神经网络的整体性能。

对权值和偏差值进行校正后，需要再次向模型输入训练集数据、得到失效变量的预测变化值、判断预测变化值与实际变化值之间的误差等步骤，即重复步骤S1402至S1404。

步骤S1406：使用验证集数据对老化模型进行验证。

当预测变化值与实际变化值之间的误差满足精度误差时，说明该模型的基本结构已训练好，此时的误差较小，但还有提高的可能，可使用验证集数据，对模型精度进行验证，确定门控递归单元神经网络老化模型的参数已经达到最优。

步骤S150：根据老化模型获得失效变量的预测变化值，结合设定的失效阈值，得到电子器件的剩余寿命。

在本实施例中，失效阈值为一固定值，具体可根据“电子器件的失效变量变化值一旦超过该值范围后，电子器件即失效”的属性来合理设定失效阈值。将失效变量的预测变化值与失效阈值进行比较，当失效变量的预测变化值大于或等于失效阈值时，判定电子器件老化失效，不可以继续使用，即可认为电子器件的剩余寿命为零。

在本实施例中，由于失效变量的预测变化值是随时间发生变化的，因此在剩余寿命曲线图中表现为一条随时间变化的曲线。而失效阈值是一个固定值，不随时间变化，因此表现为一条平行于x轴的水平线。失效变量的预测变化值与失效阈值交点之前对应的时间段即为电子器件的剩余寿命时间。或者说，失效变量的预测变化值与失效阈值的交点所对应的横坐标的取值即为电子器件的剩余寿命时间。

在图5所示的剩余寿命曲线图中，x轴表示剩余寿命，以小时为单位；y轴为失效变量的变化值，例如为失调电压的预测变化值，以失调电压的单位mV为单位。从图5中不难看出，失效变量的预测变化值与实际变化值基本重合，说明所构建的门控递归单元神经网络老化模型具有非常高的准确性，可用于预测电子器件的剩余寿命。并且，预测变化值与失效阈值的交点所对应的横坐标为610小时，因此可推断该电子器件的剩余寿命为610小时。

本发明提供的基于门控递归单元神经网络的电子器件剩余寿命预测方法，以对电子器件老化有较大影响的失效变量作为学习对象，通过构建门控递归单元神经网络老化模型预测电子器件的剩余寿命，由于该老化模型综合考虑了各失效变量对电子器件的老化影响程度，充分挖掘了老化数据中的信息，并且考虑了老化数据的时序特征，将前一时刻的状态信息也纳入到当前时刻信息输出的过程中，因此可以获得较为准确的电子器件剩余寿命，预测精度高，可靠性强。

本发明提供的基于门控递归单元神经网络的电子器件剩余寿命预测方法，老化模型通过门控递归单元神经网络结构获得。与普通神经网络结构相比，门控递归单元神经网络结构具有长期记忆特性，避免了随着隐含层数量的增加出现的梯度消失或梯度爆炸的问题，隐含层的激活函数选用非线性函数，老化数据在隐含层中逐层传递，最终通过失效变量的预测变化值得到的剩余寿命更为准确。

本发明提供的基于门控递归单元神经网络的电子器件剩余寿命预测方法，老化模型最初的权值和误差值为随机生成，因此使用了适应性矩估计优化算法在误差的反向传递过程中不断修正权值，减小误差值，使预测变化值和输出变化值之间的误差最小来提高网络的整体性能。

本发明提供的基于门控递归单元神经网络的电子器件剩余寿命预测方法，将电子器件的多维老化数据作为门控递归单元神经网络老化模型的输入，通过网络结构的逐层特征提取，综合考虑各个变量之间的关系以及数据变量间的时序依赖关系，输出失效变量的预测变化值，通过与设定的失效阈值相比较，确定剩余寿命，对于电子器件的安全监测起到了作用。另外在监测数据为多维的情况下，可以深度挖掘数据中信息的特性，在降低维数，获取有效信息的同时，保留了原始老化数据中的大部分有效信息，使得预测结果更可靠。

依照本发明的实施例如上文所述，这些实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施例。显然，根据以上描述，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.一种基于门控递归单元神经网络的电子器件剩余寿命预测方法，其中，包括：

获得电子器件在相同条件下的多组老化数据；

对多组所述老化数据进行预处理；

根据所述预处理后的老化数据以及电子器件失效机理获得失效变量；

根据所述预处理后的老化数据建立门控递归单元神经网络老化模型；

根据所述门控递归单元神经网络老化模型获得所述失效变量的预测变化值，结合设定的失效阈值，获得电子器件的剩余寿命。

2.根据权利要求1所述的预测方法，其中，根据所述老化模型获得所述失效变量的预测变化值，结合设定的失效阈值，获得电子器件的剩余寿命的步骤包括：

根据所述门控递归单元神经网络老化模型，获得所述失效变量的预测变化值；

根据所述预测变化值，建立电子器件剩余寿命曲线图，并以时间作为所述剩余寿命曲线图的横坐标；

在所述剩余寿命曲线图中，获得所述预测变化值与所述失效阈值的交点，该交点所对应的横坐标值即为所述电子器件的剩余寿命。

3.根据权利要求1所述的预测方法，其中，所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。

4.根据权利要求1所述的预测方法，其中，对多组所述老化数据进行预处理的方法包括粗大误差值去除和/或去噪处理。

5.根据权利要求4所述的预测方法，其中，所述粗大误差值去除依据拉依达准则进行；所述去噪处理为小波去噪。

6.根据权利要求2所述的预测方法，其中，将所述预处理后的多组老化数据分为训练集数据，验证集数据，测试集数据；

根据所述训练集数据构建门控递归单元神经网络老化模型；根据所述验证集数据验证门控递归单元神经网络老化模型的正确性；根据所述测试集数据获得失效变量的预测变化值，以获得电子器件剩余寿命。

7.根据权利要求6所述的预测方法，其中，在多组老化数据中，所述训练集数据的比例为60％-75％，所述验证集数据的比例为10％-15％，所述测试集数据的比例为15％-25％。

8.根据权利要求6所述的预测方法，其中，根据所述预处理后的老化数据建立门控递归单元神经网络老化模型的步骤包括：

建立门控递归单元神经网络结构，包括输入层，隐含层和输出层；

向所述输入层输入包含所述失效变量在内的训练集数据；

从所述输出层得到失效变量的预测变化值；

判断所述预测变化值与实际变化值之间的误差是否符合精度误差；

若不符合所述精度误差，则调整所述隐含层的权值和偏差值，直至预测变化值与实际变化值之间的误差小于所述精度误差；

若符合所述精度误差，则使用所述验证集数据对所述老化模型进行验证，确定门控递归单元神经网络老化模型的参数已经达到最优。

9.根据权利要求8所述的预测方法，其中，对所述门控递归单元神经网络老化模型进行优化的步骤包括调整模型结构和相应网络参数。

10.根据权利要求8所述的预测方法，其中，所述隐含层的激活函数为线性整流函数；所述隐含层的初始权值和偏差值为随机生成；调整隐含层权值的方法为适应性矩估计优化算法。

Images