CN113204857A - 基于极端梯度提升树算法的电子器件剩余寿命预测方法 - Google Patents

Abstract

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。

Description

基于极端梯度提升树算法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。

可选地，建立初始的基于极端梯度提升树算法的老化模型包括：确定基于极端梯度提升树算法的老化模型的参数，包括模型的最佳迭代次数；建立极端梯度提升树的最大深度；确定极端梯度提升树的一个子节点所需的最小权重和，在分割叶子节点的过程中，若分割出的子节点的权重和小于该阈值，则将不再分割；确定在极端梯度提升树的叶子节点上进行进一步分割所需的最小损失值；构建极端梯度提升树时对列的子采样比率；稀疏规则算子L1正则化项的权重以及欧几里得范数L2正则化项的权重，其中正则化项表明模型的复杂程度；以及确定模型在训练过程中的学习速率。

可选地，将特征变量对应的老化数据分为训练集数据、验证集数据和测试集数据，其中训练集数据所占的比例为60％-75％，验证集数据所占的比例为10％-15％，测试集数据所占的比例为15％-25％。

可选地，在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之后，还包括：输入特征变量的训练集数据用以确定老化模型的参数，输出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，则调整模型参数值，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，确定基于极端梯度提升树算法的老化模型参数已达最优。

可选地，调整模型参数值包括：调整极端梯度提升树算法相应的参数值，在给定的参数值取值的区间范围内，按照相同的间隔取样，根据区间内每一个取样数值应用到老化模型中输出的预测结果，选择最优的参数值。

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，以对电子器件剩余寿命有较大影响的失效变量为主要学习对象，通过分析与之关联度高的特征变量之间的关系，利用极端梯度提升树算法构建预测模型进行预测，避免了普遍应用的神经网络预测模型中无法系统化指导网络结构搭建的问题，并且极端梯度提升树算法具有良好的泛化能力，也避免了神经网络预测模型中容易出现的过拟合问题。因此可以获得较为准确的电子器件剩余寿命，预测精度高，泛化能力强。

更进一步地，通过利用最大互信息系数法分析各变量之间的关联程度，不仅考虑到了多变量之间存在的相互关系，而且通过分析关联程度找到关键特征变量，提取到高维数据中的有效信息，也避免了由于信息冗余影响预测模型精度的问题，从而更科学有效地分析了各变量对失效变量的影响程度，进而提高预测模型的精度，保障电子器件剩余寿命预测结果的可靠性。

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示出了根据本发明实施例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的流程图；

图2示出了根据本发明实施例的建立极端梯度提升树老化模型的流程图；

图3示出了本发明实施例中电子器件老化数据各变量之间的最大互信息系数值；

图4示出了本发明实施例中基于极端梯度提升树算法的老化模型对电子器件剩余寿命预测示例图；

图5示出了本发明实施例中基于极端梯度提升树算法的电子器件剩余寿命预测方法与基于长短期记忆神经网络的电子器件剩余寿命预测方法的对比实验结果图。

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。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示出了根据本发明实施例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的流程图；图2示出了根据本发明实施例的建立极端梯度提升树老化模型的流程图；图3示出了本发明实施例中电子器件老化数据各变量之间的最大互信息系数值；图4示出了本发明实施例中基于极端梯度提升树算法的老化模型对电子器件剩余寿命预测示例图；

图5示出了本发明实施例中基于极端梯度提升树算法的电子器件剩余寿命预测方法与基于长短期记忆神经网络的电子器件剩余寿命预测方法的对比实验结果图。

本实施例基于极端梯度提升树算法，对处于辐照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S01至S06。

步骤S01：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采集到的变量数据，主要包括输入失调电压，输入失调电流等抗辐照参数数据，以及电子器件所处工作环境的温度，湿度等环境参数数据。在相同工作条件下，以相同的采样时间间隔对电子器件的各变量数据进行多次采集，获得多组老化数据。

步骤S02：对多组老化数据进行预处理。

一般情况下，由于电子器件所处的工作环境较为复杂，含有诸多影响因素，因此通常情况下，所采集到的老化数据通常是不完整的，难免会出现数据缺失等情况，因此，为了保证预测结果的准确性，最好对老化数据进行预处理。该预处理具体包括填充缺失值等方式。

本实施例中，在对老化数据进行填充缺失值处理时，可以依据线性回归方程进行。利用老化数据变量之间的关系建立数据变量的回归模型，并预测缺失值，将模型的回归结果作为缺失值的填充。数据变量X_i(i＝1，2，……，m)与填充值Y_i(i＝1，2，……，m)的线性回归方程可表示为：

其中，a₀、a_i是线性回归模型的权重参数，其值可根据下式求解：

其中，

是数据变量X_i的平均值，

是填充值Y_i的平均值。

考虑到各变量数据的量纲各不相同，会对预测结果产生影响，因此需要对填充缺失值后的老化数据进行归一化处理，统一各变量数据的量纲。本实施例中采用最大-最小归一化法进行处理。

其中，x_i是数据x_i归一化后的数值，x_max、x_min分别是数据变量中的最大值、最小值。

步骤S03：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各抗辐照参数，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，这些抗辐照参数在不同程度上会影响电子器件的老化过程，均可以作为失效变量进行研究。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进行研究。

本实施例中，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，即失效变量是从采集的老化数据中获取的某一个关键变量。例如采集到的老化数据中包含输入失调电压、输入失调电流、共模抑制比、环境温度、环境湿度等变量数据，在上述变量中，在本实施例中最关注的是输出偏移误差对电子器件老化的影响，因此选择输入失调电压作为失效变量进行研究。

步骤S04：根据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。

老化数据各变量之间关系复杂，为了保证预测结果的准确性，有必要对各变量之间的关联程度进行分析，关联阈值为根据老化数据中各个变量与失效变量间的关联度大小设置的一个数值，当一个变量与失效变量间的关联度大小高于关联阈值时，表明该变量为影响失效变量变化的关键变量，当一个变量与失效变量间的关联度大小低于关联阈值时，表明该变量对失效变量变化的影响小。在本实施例中，选择输入失调电压作为失效变量，利用最大互信息系数法分析之后，得到各个变量与输入失调电压之间的关联程度，选择关联程度不小于关联阈值的变量作为特征变量。其中，设置关联阈值例如为0.3，得出有四个变量与输入失调电压关联程度在0.3以上，有四个变量与输入失调电压关联程度小于0.3，因此选择与输入失调电压关联度不小于0.3的变量作为特征变量，进行后续的建模预测。这样一方面可以避免信息冗余对模型预测精度的影响，另一方面可以分析出各变量之间的非线性关系，使得特征变量的提取过程更为科学及有效。在本实施例中，采用最大互信息系数法计算各个变量与输入失调电压之间的关联程度，并设置关联阈值为0.3，可以较为准确地确定影响失效变量变化的关键变量，有效降低其它变量对预测结果所造成的不利影响，从而获得较为准确的预测结果。在其他实施例中，还可以选择其它方法分析各变量之间的关联程度，并根据实际情况选取其他数值作为关联阈值进行特征变量的选取，以保证预测结果的准确性。

最大互信息系数法可以用来分析变量之间的非线性关系，主要利用网格划分的方式并计算每个网格内的互信息系数进行处理。给定变量x，y，变量之间的互信息系数I(x；y)通过下式计算为：

其中，p(x)，p(y)分别为边缘概率密度，p(x,y)为联合概率密度。

接下来可计算最大互信息系数MIC(x；y)：

其中，a，b为在变量x，y的值域范围内划分的网格数，B为网格划分的上限值，一般取决于变量个数。在每一种网格的内部计算互信息系数值，将互信息系数值归一化，然后在不同的网格划分方式下求得的最大互信息系数值作为最终结果。

最大互信息系数法充分考虑了各变量之间的关系，互信息系数值越大，表明关联程度越大；数值越小，表明关联程度越小。以此选择出的特征变量为影响失效变量变化的关键变量，用这些特征变量的老化数据建模预测，有助于提高预测模型的准确率，可靠性强。

在图3所示的老化数据的各变量之间的最大互信息系数值中，x轴为各变量名称，y轴也为各变量名称，分别为输出拉电流Io-，输出灌电流Io+，输入失调电压Vos，开环增益Avo，电源抑制比PSRR，输入失调电流Ios,基极电流Ib,工作电流Icc，共模抑制比CMRR。每一个小格中的数据表明了这两个变量之间的最大互信息系数值，数值越大(颜色越深)表明关联程度越高。从图3中不难看出，与输入失调电压Vos关联度高的变量有输入失调电流Ios，开环增益Avo，输出拉电流Io-，输出灌电流Io+，这些变量的最大互信息系数值均在0.3以上，其余四个变量的最大互信息系数均小于0.3。在本实施例中将关联阈值设定为0.3，选择上述最大互信息系数值均在0.3以上的变量作为特征变量，进行后续的建模预测。

步骤S05：根据预处理后的特征变量的老化数据建立基于极端梯度提升树算法的老化模型。

本实施例中，可将预处理后的特征变量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极端梯度提升树老化模型(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，调整老化模型的相应参数，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，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％。

老化模型的输入数据为预处理后的特征变量的老化数据，输出仅有一个值，为选定的失效变量的预测变化值。

老化模型采用极端梯度提升树算法作为基础，极端梯度提升树算法由传统的梯度提升决策树算法演化而来，它支持更多的基分类器，在采用梯度下降优化时，同时使用代价函数的一阶、二阶导数，除此之外，代价函数中的正则项能降低过拟合程度，提升模型的泛化能力。极端梯度提升树算法使用的多个分类器之间采用分布式计算，极大提高了算法的运行效率。相比于神经网络方法，在数据量大的情况下，避免了出现训练过拟合的问题。

极端梯度提升树算法兼顾了模型的预测能力和模型的复杂度。假设真实值为y_i，模型预测结果为

则极端梯度提升树算法的目标函数obj(θ)为：

其中，

是模型的训练误差，用来衡量模型预测值与真实值的差值，正则化项Ω(f_k)代表模型的复杂程度，n为模型的数据量，k为决策树模型的个数。

定义每棵决策树模型f_k(x)为：

f_k(x)＝ω_q(x),ω∈R^M,q:R^d→{1,2,...,M} (8)

其中，ω是各个叶子节点的权重向量，q表示输出的叶子节点，M是叶子节点的数目，每棵树的复杂度定义为：

其中，λ、γ是控制极端梯度提升树老化模型的参数，λ表示L2正则化项的权重，γ是叶子节点继续切分的阈值。

利用前t-1次迭代产生的模型，训练得到第t棵树的模型，第t次迭代的预测结果为

则第t次迭代得到的目标函数为：

对目标函数进行二阶泰勒展开：

g_i,h_i分别为预测误差对当前模型的一阶导和二阶导，将函数去掉常数项，第t次迭代目标函数可优化为：

将式(8)代入式(13)中，并对所有的叶子节点进行累加，可得到第t次迭代目标函数为：

定义I_j＝{i|q(x_i)＝j}为第j个叶子节点，进而得到第j个叶子节点的最佳得分

和目标函数的最优解obj^*：

式(16)得到的目标函数结果是衡量树结构好坏的标准，可通过它选择最佳切分点。在寻找最优的树结构中，具体分割叶子节点好坏的标准为：

其中，

分别是左子树的分数、右子树的分数、不分割时的分数，γ表示因加入新叶子节点而产生的复杂度代价。

本实施例的老化模型通过电子器件的老化数据训练极端梯度提升树算法找到算法的最优解获得，具体的步骤流程图如图2所示，具体步骤包括：

步骤S051：输入预处理后的特征变量的训练集数据，确定基于极端梯度提升树算法的老化模型的参数。

在本实施例中，利用Python软件中的库函数网格搜索(GridSearchCV)进行调参，该库函数具有一个评价指标称为得分函数，将不同的参数取值代入老化模型中，通过得分函数的计算会得出此时模型的准确度，选择使得老化模型准确度最高的参数作为最优参数。

在进行调参过程中，首先调试的参数是老化模型训练过程中的最佳迭代次数，在本实施例中，最佳迭代次数的取值范围从50到500进行取值，取样间隔为10。其次调试的参数是极端梯度提升树的最大深度和树的一个子节点所需的最小权重和，在本实施例中，树的最大深度的取值范围为3-10，取样间隔为1。最小权重和的取值范围为1-6，取样间隔为1。再次调试的参数是在树的叶子节点上进行进一步分割所需的最小损失值，在本实施例中，取值范围为0.1-1，取样间隔为0.1。再次调试的参数为构建树时对列的子采样比率，在本实施例中，取值范围为0.6-0.9，取样间隔为0.1。再次调试的参数是稀疏规则算子L1正则化项的权重以及欧几里得范数L2正则化项的权重，一般默认L1正则化项的权重为0，L2正则化项的权重为1。最后调试的参数为模型的学习速率，学习速率一般较小，取值范围为0.01-0.1，取样间隔为0.01。

需要说明的是，参数的取值范围和取样区间根据实际需求设定，选择使得模型准确度最高的参数即可。在库函数GridSearchCV的初始设定参数值中，树的叶子节点上进行进一步分割所需的最小损失值初始值为0，树的最大深度初始值为3，树的一个子节点所需的最小权重和初始值为1，子采样比率默认从0-1取值，稀疏规则算子L1正则化项的权重默认值为0，欧几里得范数L2正则化项的权重默认值为1，学习速率初始值为0.1。

在该步骤中，采用训练集数据对初始搭建的基于极端梯度提升树算法的老化模型进行训练和调参，得到准确度较高情况下的基于极端梯度提升树算法的老化模型的最优参数，完成老化模型的训练。

步骤S052：从基于极端梯度提升树算法的老化模型输出失效变量的预测变化值。

根据训练集数据确定好老化模型的最优参数值后，即完成了老化模型的初步搭建，初步搭建完成的老化模型可预测失效变量的变化。

步骤S053：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。

根据基于极端梯度提升树算法的老化模型所获得的失效变量的预测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S054，对老化模型进行进一步的优化。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，老化模型构建成功，执行步骤S055。

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进行设定。不难理解，精度误差越小，误差越高。

步骤S054：调整基于极端梯度提升树算法的老化模型的参数

在本实施例中，采用Python软件中的库函数GridSearchCV进行调参，该函数具有一个评价指标称为得分函数，分数越高表明该参数的效果越好，模型的预测准确率越高。通过对参数值的调整，提高模型预测的准确率。

在该实施例中，需要依靠预测变化值与实际变化值之间的误差来调整参数，选择在所选参数值的取样区间内进一步缩小取样间隔来调整参数。例如可将取样间隔缩小为原来取样间隔的二分之一。

输入训练集数据，根据得分函数的结果调整参数，参数调整完成后，可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S051至S053。

步骤S055：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，说明该模型已基本搭建完成，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，确定基于极端梯度提升树算法的老化模型参数已达最优。

步骤S06：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。

在该步骤中，采用测试集数据的失效变量输入老化模型，得到该失效变量对应的预测变化值，并将预测变化值与设定的失效阈值进行比较，从而得到电子器件的剩余寿命。

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。而失效阈值为一个固定值，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。

在图4所示的剩余寿命曲线图中，x轴表示剩余寿命，单位为小时，y轴表示失效变量的变化值，例如为输入失调电压的变化值，单位为mV，其中虚线表示预测变化值，实线表示实际变化值。从图4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，说明基于极端梯度提升树算法的老化模型具有较高的准确性，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690小时，因此可推断该电子器件的剩余寿命为690小时。

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，以对电子器件剩余寿命有较大影响的失效变量为主要学习对象，通过分析与之关联度高的特征变量之间的关系，利用极端梯度提升树算法构建预测模型进行预测，避免了普遍应用的神经网络预测模型中无法系统化指导网络结构搭建的问题，并且极端梯度提升树算法具有良好的泛化能力，也避免了神经网络预测模型中容易出现的过拟合问题。因此可以获得较为准确的电子器件剩余寿命，预测精度高，泛化能力强。

进一步地，利用最大互信息系数法分析各变量之间的关联程度，不仅考虑到了多变量之间存在的相互关系，通过分析关联程度找到关键特征变量，提取到高维数据中的有效信息，不仅避免了由于信息冗余影响预测模型精度的问题，而且更科学有效地分析了各变量对失效变量的影响程度，进而提高预测模型的精度，保障电子器件剩余寿命预测结果的可靠性。

为了进一步验证基于极端梯度提升树算法的电子器件剩余寿命预测方法的有效性，与目前常用的长短期记忆神经网络预测方法进行了对比，对比实验结果图如图5所示。

在图5所示的对比实验结果中，x轴表示剩余寿命，单位为小时，y轴表示失效变量的变化值，例如为输入失调电压的变化值，单位为mV，其中，实线表示实际变化值，虚线表示极端梯度提升算法的预测变化值，点虚线表示长短期记忆神经网络方法的预测变化值。基于极端梯度提升树算法的电子器件剩余寿命预测方法的预测结果与基于长短期记忆神经网络的电子器件剩余寿命预测方法的预测结果与实际变化值都较为相近，因此均具有较高的准确度。但需要特别说明的是，在本实施例中，当数据出现转折点时，例如出现由低转高的转折点时，极端梯度提升树算法与实际变化值更为接近，线条的重合度更高，而基于长短期记忆神经网络的电子器件剩余寿命预测结果与实际变化值之间则出现了不可忽视的偏差，因此本实施例基于极端梯度提升树算法，能够更为准确地预测剩余寿命。

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)

1.一种基于极端梯度提升树算法的电子器件剩余寿命预测方法，其特征在于，包括：

获得电子器件在相同条件下的多组老化数据；

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；

对所述预处理后的老化数据进行变量之间的互相关系数计算，获得与所述失效变量间关联度不小于关联阈值的特征变量；

根据所述特征变量对应的所述老化数据建立基于极端梯度提升树算法的老化模型；

根据所述基于极端梯度提升树算法的老化模型获得所述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。

2.根据权利要求1所述的电子器件剩余寿命预测方法，其特征在于，采用最大互信息系数法对所述预处理后的老化数据进行变量之间的互相关系数计算；所述关联阈值为0.3。

3.根据权利要求1所述的电子器件剩余寿命预测方法，其特征在于，根据所述基于极端梯度提升树算法的老化模型获得所述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。

4.根据权利要求1所述的电子器件剩余寿命预测方法，其特征在于，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：

对多组所述老化数据填充缺失值；

将所述老化数据归一化处理；

根据归一化处理后的所述老化数据以及电子器件失效机理获得所述失效变量。

5.根据权利要求4所述的电子器件剩余寿命预测方法，其特征在于，采用线性回归模型对多组所述老化数据填充缺失值；依据最大-最小归一化法将所述老化数据归一化处理。

6.根据权利要求4所述的电子器件剩余寿命预测方法，其特征在于，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。

7.根据权利要求1所述的电子器件剩余寿命预测方法，其特征在于，根据所述特征变量对应的所述老化数据建立基于极端梯度提升树算法的老化模型包括：

将所述特征变量对应的所述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基于极端梯度提升树算法的老化模型；

根据所述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。

8.根据权利要求7所述的电子器件剩余寿命预测方法，其特征在于，还包括建立初始的基于极端梯度提升树算法的老化模型：

确定基于极端梯度提升树算法的老化模型的参数，包括模型的最佳迭代次数；

建立极端梯度提升树的最大深度；

确定极端梯度提升树的一个子节点所需的最小权重和，在分割叶子节点的过程中，若分割出的子节点的权重和小于该阈值，则将不再分割；

确定在极端梯度提升树的叶子节点上进行进一步分割所需的最小损失值；

确定构建极端梯度提升树时对列的子采样比率；

确定稀疏规则算子L1正则化项的权重以及欧几里得范数L2正则化项的权重，其中正则化项表明模型的复杂程度；以及

确定模型在训练过程中的学习速率。

9.根据权利要求7所述的电子器件剩余寿命预测方法，其特征在于，在根据所述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之后，还包括：

输入所述特征变量的训练集数据用以确定老化模型的参数，输出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，则调整模型参数值，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，则使用所述验证集数据对老化模型进行验证，确定基于极端梯度提升树算法的老化模型参数已达最优。

10.根据权利要求所述的电子器件剩余寿命预测方法，其特征在于，调整模型参数值包括：

调整极端梯度提升树算法相应的参数值，在给定的参数值取值的区间范围内，按照相同的间隔取样，根据区间内每一个取样数值应用到老化模型中输出的预测结果，选择最优的参数值。

Images