CN116933608A - 一种存储类芯片的管理方法、系统及存储介质 - Google Patents
一种存储类芯片的管理方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116933608A CN116933608A CN202311191182.0A CN202311191182A CN116933608A CN 116933608 A CN116933608 A CN 116933608A CN 202311191182 A CN202311191182 A CN 202311191182A CN 116933608 A CN116933608 A CN 116933608A
- Authority
- CN
- China
- Prior art keywords
- state
- chip
- storage
- failure
- state transition
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 15
- 230000007704 transition Effects 0.000 claims abstract description 133
- 229910000679 solder Inorganic materials 0.000 claims abstract description 91
- 238000012544 monitoring process Methods 0.000 claims abstract description 41
- 238000012706 support-vector machine Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 73
- 238000000034 method Methods 0.000 claims description 49
- 230000008859 change Effects 0.000 claims description 47
- 238000012360 testing method Methods 0.000 claims description 42
- 238000013135 deep learning Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 5
- 230000032683 aging Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005088 metallography Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种存储类芯片的管理方法、系统及存储介质,属于芯片管理技术领域,本发明通过基于深度学习网络构建存储类芯片失效预测模型,根据状态转移矩阵以及存储类芯片失效预测模型对当前器件的存储类芯片进行预测,获取存储类芯片所处的状态以及下一预设时间之内所处的状态,根据存储类芯片所处的状态值以及下一预设时间之内所处的状态进行预警并生成相关的调整方案。本发明能够根据焊料的老化情况来预测存储类芯片的失效情况,能够根据失效的情况来提醒用户及时转移存储类芯片中的数据;本发明通过融合了支持向量机以及马尔科夫链,能够对监测数据进行状态转移节点划分,能够准确地识别出状态转移节点,提高失效分析的预测精确度。
Description
技术领域
本发明涉及芯片管理技术领域,尤其涉及一种存储类芯片的管理方法、系统及存储介质。
背景技术
多功能、微型化以及集成度高的芯片已经成为发展趋势,由于使用环境要求越来越高,芯片失效率也逐年增加,电子产品的可靠性逐渐成为质量管理的焦点。失效分析技术是一门发展中的新兴学科,在国外主要应用在汽车电子、航空电子等高科技技术领域,需要结合物理、金相和化学等多学科交叉进行分析。利用失效分析技术可以管控电子元器件质量,提高电子元器件以及电子控制系统的可靠性。而半导体器件如果存在焊料老化,则随着温度梯度的增加,寿命会减短。现有技术中,不能够根据焊料的老化情况来预测出存储类芯片失效器情况,从而不能够对存储类芯片的数据进行及时转移,容易造成用户的数据的丢失,进而造成了用户的经济损失。
发明内容
本发明克服了现有技术的不足,提供了一种存储类芯片的管理方法、系统及存储介质。
为达上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种存储类芯片的管理方法,包括以下步骤:
获取存储类芯片工作时的表面温度信息,基于存储类芯片工作时的表面温度信息生成基于时间序列的焊料热阻变化特征数据信息;
融合支持向量机以及马尔科夫链对基于时间序列的焊料热阻变化特征数据信息进行状态转移描述以及对状态转移的时间节点识别,并构建状态转移矩阵;
基于深度学习网络构建存储类芯片失效预测模型,并根据状态转移矩阵以及存储类芯片失效预测模型对当前器件的存储类芯片进行预测,获取存储类芯片所处的状态以及下一预设时间之内所处的状态;
根据存储类芯片所处的状态值以及下一预设时间之内所处的状态进行预警并生成相关的调整方案。
进一步的,在本方法中,获取存储类芯片工作时的表面温度信息,基于存储类芯片工作时的表面温度信息生成基于时间序列的焊料热阻变化特征数据信息,具体包括:
获取存储类芯片工作时的表面温度信息,并根据存储类芯片工作时的表面温度信息通过有限元分析,获取存储类芯片工作时焊料的温度信息;
通过大数据获取焊料初始状态时在当前温度值之下的热阻性能数据信息以及焊料失效时在当前温度值之下的临界热阻性能数据信息,并将焊料初始状态时在各温度值之下的热阻性能数据信息作为监测起点;
将焊料临界失效时在当前温度值之下的热阻性能数据信息作为监测终点,构建时间戳,并对监测起点以及监测终点结合时间戳,构建基于时间序列的焊料热阻变化特征数据信息。
进一步的,在本方法中,融合支持向量机以及马尔科夫链对基于时间序列的焊料热阻变化特征数据信息进行状态转移描述以及对状态转移的时间节点识别,并构建状态转移矩阵,具体包括:
获取监测起点以及监测终点的热阻性能数据信息,并根据监测起点以及监测终点的热阻性能数据信息进行失效等级划分,生成若干失效等级状态,并引入马尔科夫链;
通过对基于时间序列的焊料热阻变化特征数据信息进行每个时刻的失效等级状态进行描述,生成每个时刻的失效等级状态,并通过马尔科夫链计算每个时刻的失效等级状态转移至下一个失效等级状态的转移概率值;
根据转移概率值构建初始状态转移矩阵,并引入支持向量机算法,以各失效等级状态的边界状态作为基准,通过支持向量机算法对初始状态转移矩阵中的状态转移概率值进行超平面划分,获取超平面所在的时间阈值范围;
将超平面所在的时间阈值范围作为焊料的失效等级状态转移时的时间阈值,并将焊料的失效等级状态转移时的时间阈值以及初始状态转移矩阵组合,生成状态转移矩阵。
进一步的,在本方法中,基于深度学习网络构建存储类芯片失效预测模型,并根据状态转移矩阵以及存储类芯片失效预测模型对当前器件的存储类芯片进行预测,获取存储类芯片所处的状态以及下一预设时间之内所处的状态,具体包括:
基于深度学习网络构建存储类芯片失效预测模型,并引入奇异值分解算法,通过奇异值分解算法对状态转移矩阵进行分解,生成特征向量,并对特征向量进行矩阵重建,生成降维后的特征向量矩阵;
根据降维后的特征向量矩阵构建训练集以及测试集,并将训练集输入到存储类芯片失效预测模型中进行训练,当损失函数收敛符合预设要求之后,保存存储类芯片失效预测模型的模型参数;
将测试集输入到存储类芯片失效预测模型中进行测试,获取测试结果,当测试结果满足预设测试结果时,测试完成并输出存储类芯片失效预测模型;
获取当前存储类芯片在预设时间之内的焊料热阻变化特征数据信息,将当前存储类芯片在预设时间之内的焊料热阻变化特征数据信息输入到存储类芯片失效预测模型中,获取存储类芯片所处的状态以及下一预设时间之内所处的状态。
进一步的,在本方法中,根据存储类芯片所处的状态以及下一预设时间之内所处的状态进行预警并生成相关的调整方案,具体包括:
判断存储类芯片所处的状态是否处于预设状态,若存储类芯片所处的状态处于预设状态,则根据存储类芯片所处的状态进行预警,生成预警信息,并根据预警信息生成相关的调整方案;预设状态为失效状态;
若存储类芯片所处的状态不处于预设状态,则获取下一预设时间之内所处的状态,并根据下一预设时间之内所处的状态预测到达预设状态的时间阈值范围;
获取当前存储类芯片的存储数据信息,并根据下一预设时间之内所处的状态预测到达预设状态的时间阈值范围以及当前存储类芯片的存储数据信息进行预警,生成预警信息。
进一步的,在本方法中,根据预警信息生成相关的调整方案,具体包括:
通过大数据获取存储类芯片失效时的历史补救方案,构建失效知识图谱,将失效知识图谱分为若干个存储空间,并引入注意力机制;
通过注意力机制计算每个历史补救方案的注意力分数值,并根据注意力分数值进行排序,生成注意力分数排序结果,将注意力分数排序结果中注意力分数相同的数据进行合并;
获取合并后的注意力分数值排序结果,将存储类芯片失效时的历史补救方案按照合并后的注意力分数值排序结果进行排序,获取存储类芯片失效时的历史补救方案排序结果;
将存储类芯片失效时的历史补救方案排序结果依次输入到存储空间中进行存储,并将预警信息输入到失效知识图谱中进行补救方案匹配,生成相关的调整方案。
本发明第二方面提供了一种存储类芯片的管理系统,系统包括存储器以及处理器,存储器中包括存储类芯片的管理方法程序,存储类芯片的管理方法程序被处理器执行时,实现如下步骤:
获取存储类芯片工作时的表面温度信息,基于存储类芯片工作时的表面温度信息生成基于时间序列的焊料热阻变化特征数据信息;
融合支持向量机以及马尔科夫链对基于时间序列的焊料热阻变化特征数据信息进行状态转移描述以及对状态转移的时间节点识别,并构建状态转移矩阵;
基于深度学习网络构建存储类芯片失效预测模型,并根据状态转移矩阵以及存储类芯片失效预测模型对当前器件的存储类芯片进行预测,获取存储类芯片所处的状态以及下一预设时间之内所处的状态;
根据存储类芯片所处的状态值以及下一预设时间之内所处的状态进行预警并生成相关的调整方案。
进一步的,在本系统中,融合支持向量机以及马尔科夫链对基于时间序列的焊料热阻变化特征数据信息进行状态转移描述以及对状态转移的时间节点识别,并构建状态转移矩阵,具体包括:
获取监测起点以及监测终点的热阻性能数据信息,并根据监测起点以及监测终点的热阻性能数据信息进行失效等级划分,生成若干失效等级状态,并引入马尔科夫链;
通过对基于时间序列的焊料热阻变化特征数据信息进行每个时刻的失效等级状态进行描述,生成每个时刻的失效等级状态,并通过马尔科夫链计算每个时刻的失效等级状态转移至下一个失效等级状态的转移概率值;
根据转移概率值构建初始状态转移矩阵,并引入支持向量机算法,以各失效等级状态的边界状态作为基准,通过支持向量机算法对初始状态转移矩阵中的状态转移概率值进行超平面划分,获取超平面所在的时间阈值范围;
将超平面所在的时间阈值范围作为焊料的失效等级状态转移时的时间阈值,并将焊料的失效等级状态转移时的时间阈值以及初始状态转移矩阵组合,生成状态转移矩阵。
进一步的,在本系统中,基于深度学习网络构建存储类芯片失效预测模型,并根据状态转移矩阵以及存储类芯片失效预测模型对当前器件的存储类芯片进行预测,获取存储类芯片所处的状态以及下一预设时间之内所处的状态,具体包括:
基于深度学习网络构建存储类芯片失效预测模型,并引入奇异值分解算法,通过奇异值分解算法对状态转移矩阵进行分解,生成特征向量,并对特征向量进行矩阵重建,生成降维后的特征向量矩阵;
根据降维后的特征向量矩阵构建训练集以及测试集,并将训练集输入到存储类芯片失效预测模型中进行训练,当损失函数收敛符合预设要求之后,保存存储类芯片失效预测模型的模型参数;
将测试集输入到存储类芯片失效预测模型中进行测试,获取测试结果,当测试结果满足预设测试结果时,测试完成并输出存储类芯片失效预测模型;
获取当前存储类芯片在预设时间之内的焊料热阻变化特征数据信息,将当前存储类芯片在预设时间之内的焊料热阻变化特征数据信息输入到存储类芯片失效预测模型中,获取存储类芯片所处的状态以及下一预设时间之内所处的状态。
本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质包括存储类芯片的管理方法程序,存储类芯片的管理方法程序被处理器执行时,实现任一项的存储类芯片的管理方法的步骤。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
本发明通过获取存储类芯片工作时的表面温度信息,基于存储类芯片工作时的表面温度信息生成基于时间序列的焊料热阻变化特征数据信息,进而融合支持向量机以及马尔科夫链对基于时间序列的焊料热阻变化特征数据信息进行状态转移描述以及对状态转移的时间节点识别,并构建状态转移矩阵,从而基于深度学习网络构建存储类芯片失效预测模型,并根据状态转移矩阵以及存储类芯片失效预测模型对当前器件的存储类芯片进行预测,获取存储类芯片所处的状态以及下一预设时间之内所处的状态,最后根据存储类芯片所处的状态值以及下一预设时间之内所处的状态进行预警并生成相关的调整方案。本发明能够根据焊料的老化情况来预测存储类芯片的失效情况,能够根据失效的情况来提醒用户及时转移存储类芯片中的数据;另一方面,本发明通过融合了支持向量机以及马尔科夫链,能够对监测数据进行状态转移节点划分,能够准确地识别出状态转移节点,提高失效分析的预测精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他实施例的附图。
图1示出了一种存储类芯片的管理方法的整体方法流程图;
图2示出了一种存储类芯片的管理方法的第一方法流程图;
图3示出了一种存储类芯片的管理方法的第二方法流程图;
图4示出了一种存储类芯片的管理系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明第一方面提供了一种存储类芯片的管理方法,包括以下步骤:
S102:获取存储类芯片工作时的表面温度信息,基于存储类芯片工作时的表面温度信息生成基于时间序列的焊料热阻变化特征数据信息;
S104:融合支持向量机以及马尔科夫链对基于时间序列的焊料热阻变化特征数据信息进行状态转移描述以及对状态转移的时间节点识别,并构建状态转移矩阵;
S106:基于深度学习网络构建存储类芯片失效预测模型,并根据状态转移矩阵以及存储类芯片失效预测模型对当前器件的存储类芯片进行预测,获取存储类芯片所处的状态以及下一预设时间之内所处的状态;
S108:根据存储类芯片所处的状态值以及下一预设时间之内所处的状态进行预警并生成相关的调整方案。
需要说明的是,本发明能够根据焊料的老化情况来预测存储类芯片的失效情况,能够根据失效的情况来提醒用户及时转移存储类芯片中的数据;另一方面,本发明通过融合了支持向量机以及马尔科夫链,能够对监测数据进行状态转移节点划分,能够准确地识别出状态转移节点,提高失效分析的预测精确度。
需要说明的是,进一步的,在本方法中,获取存储类芯片工作时的表面温度信息,基于存储类芯片工作时的表面温度信息生成基于时间序列的焊料热阻变化特征数据信息,具体包括:获取存储类芯片工作时的表面温度信息,并根据存储类芯片工作时的表面温度信息通过有限元分析,获取存储类芯片工作时焊料的温度信息;通过大数据获取焊料初始状态时在当前温度值之下的热阻性能数据信息以及焊料失效时在当前温度值之下的临界热阻性能数据信息,并将焊料初始状态时在各温度值之下的热阻性能数据信息作为监测起点;将焊料临界失效时在当前温度值之下的热阻性能数据信息作为监测终点,构建时间戳,并对监测起点以及监测终点结合时间戳,构建基于时间序列的焊料热阻变化特征数据信息。其中,初始状态为无失效状态。
需要说明的是,芯片的底部通过焊料与PCB板进行结合,从而使得芯片能够进行正常的工作,焊料由于受到温度的变化影响,随着时间的推移,焊料不断发生老化,而焊料的老化就会影响芯片工作,从而导致芯片失效。通过本方法能够对监测起点以及监测终点结合时间戳,构建基于时间序列的焊料热阻变化特征数据信息,从而对样本数据进行训练。焊料热阻变化特征数据信息是反映焊料阻止热量传递的能力的。在传热学的工程应用中,为了满足生产工艺的要求,有时通过减小热阻以加强传热;而有时则通过增大热阻以抑制热量的传递。
如图2所示,进一步的,在本方法中,融合支持向量机以及马尔科夫链对基于时间序列的焊料热阻变化特征数据信息进行状态转移描述以及对状态转移的时间节点识别,并构建状态转移矩阵,具体包括:
S202:获取监测起点以及监测终点的热阻性能数据信息,并根据监测起点以及监测终点的热阻性能数据信息进行失效等级划分,生成若干失效等级状态,并引入马尔科夫链;
S204:通过对基于时间序列的焊料热阻变化特征数据信息进行每个时刻的失效等级状态进行描述,生成每个时刻的失效等级状态,并通过马尔科夫链计算每个时刻的失效等级状态转移至下一个失效等级状态的转移概率值;
S206:根据转移概率值构建初始状态转移矩阵,并引入支持向量机算法,以各失效等级状态的边界状态作为基准,通过支持向量机算法对初始状态转移矩阵中的状态转移概率值进行超平面划分,获取超平面所在的时间阈值范围;
S208:将超平面所在的时间阈值范围作为焊料的失效等级状态转移时的时间阈值,并将焊料的失效等级状态转移时的时间阈值以及初始状态转移矩阵组合,生成状态转移矩阵。
需要说明的是,在本方法中,设置失效等级状态为无失效等级、低失效等级、中失效等级、中高失效等级、高失效等级。而焊料的老化受到工作温度的影响主要是从一种状态转移到另一种状态,每一种状态对应着不同的热阻范围值,如在热阻值为180到182.5的范围之间为无失效状态,热阻值为182.5到185范围之间为低失效状态。通过马尔科夫链能够描述每一时刻的失效状态转移到另一状态的概率值,通过以各失效等级状态的边界状态作为基准,通过支持向量机算法对初始状态转移矩阵中的状态转移概率值进行超平面划分,如在某一时间段内某一临界状态时的状态转移概率从90%突然变成了100%,说明时间段为从一种状态转移到另一种状态的转移时段,从而来获取失效状态转移时的时间节点,从而融合初始状态转移矩阵来构建状态转移矩阵,进而来提高焊料失效时的预测精度,准确地预测出失效时间段或者状态转移时间段。
如图3所示,进一步的,在本方法中,基于深度学习网络构建存储类芯片失效预测模型,并根据状态转移矩阵以及存储类芯片失效预测模型对当前器件的存储类芯片进行预测,获取存储类芯片所处的状态以及下一预设时间之内所处的状态,具体包括:
S302:基于深度学习网络构建存储类芯片失效预测模型,并引入奇异值分解算法,通过奇异值分解算法对状态转移矩阵进行分解,生成特征向量,并对特征向量进行矩阵重建,生成降维后的特征向量矩阵;
S304:根据降维后的特征向量矩阵构建训练集以及测试集,并将训练集输入到存储类芯片失效预测模型中进行训练,当损失函数收敛符合预设要求之后,保存存储类芯片失效预测模型的模型参数;
S306:将测试集输入到存储类芯片失效预测模型中进行测试,获取测试结果,当测试结果满足预设测试结果时,测试完成并输出存储类芯片失效预测模型;
S308:获取当前存储类芯片在预设时间之内的焊料热阻变化特征数据信息,将当前存储类芯片在预设时间之内的焊料热阻变化特征数据信息输入到存储类芯片失效预测模型中,获取存储类芯片所处的状态以及下一预设时间之内所处的状态。
需要说明的是,通过融合奇异值分解算法能够降低预测存储类芯片失效时的复杂度,从而降低计算量,提高预测的运行速度。
需要说明的是,进一步的,在本方法中,根据存储类芯片所处的状态以及下一预设时间之内所处的状态进行预警并生成相关的调整方案,具体包括:判断存储类芯片所处的状态是否处于预设状态,若存储类芯片所处的状态处于预设状态,则根据存储类芯片所处的状态进行预警,生成预警信息,并根据预警信息生成相关的调整方案;预设状态为失效状态;若存储类芯片所处的状态不处于预设状态,则获取下一预设时间之内所处的状态,并根据下一预设时间之内所处的状态预测到达预设状态的时间阈值范围;获取当前存储类芯片的存储数据信息,并根据下一预设时间之内所处的状态预测到达预设状态的时间阈值范围以及当前存储类芯片的存储数据信息进行预警,生成预警信息。
需要说明的是,本发明能够根据焊料的老化情况来预测存储类芯片的失效情况,能够根据失效的情况来提醒用户及时转移存储类芯片中的数据。
进一步的,在本方法中,根据预警信息生成相关的调整方案,具体包括:
通过大数据获取存储类芯片失效时的历史补救方案,构建失效知识图谱,将失效知识图谱分为若干个存储空间,并引入注意力机制;
通过注意力机制计算每个历史补救方案的注意力分数值,并根据注意力分数值进行排序,生成注意力分数排序结果,将注意力分数排序结果中注意力分数相同的数据进行合并;
获取合并后的注意力分数值排序结果,将存储类芯片失效时的历史补救方案按照合并后的注意力分数值排序结果进行排序,获取存储类芯片失效时的历史补救方案排序结果;
将存储类芯片失效时的历史补救方案排序结果依次输入到存储空间中进行存储,并将预警信息输入到失效知识图谱中进行补救方案匹配,生成相关的调整方案。
需要说明的是,本方法融合了注意力机制,通过将存储类芯片失效时的历史补救方案按照合并后的注意力分数值排序结果进行排序,能够根据样本数据的相似程度进行排序存储,从而能够提高数据查询的识别速度,进而来提高数据查询的速度。另一方面,本方法能够将预警信息输入到失效知识图谱中进行补救方案匹配,生成相关的调整方案,调整方案如更换新类型的焊料、更换新相同类型的焊料。
此外,本方法还可以包括以下步骤:
获取处于预设失效状态的存储类芯片,并获取所述处于预设失效状态的存储类芯片对应的工作电路图,通过所述工作电路图获取与所述处于预设失效状态的存储类芯片存在串联关系的元器件;
根据串联关系生成有向边描述,以处于预设失效状态的存储类芯片以及所述元器件作为图节点,通过图神经网络根据所述有向边描述以及图节点构建拓扑结构图;
基于卷积神经网络构建异常识别模型,根据所述拓扑结构图生成相关的邻接矩阵,将所述邻接矩阵输入到卷积神经网络中进行学习,获取训练完成的异常识别模型;
根据所述训练完成的异常识别模型获取处于预设失效状态的存储类芯片与其他元器件的波及关系,根据所述波及关系生成相关的预警信息。
需要说明的是,由于处于预设失效状态的存储类芯片可能波及到其他的元器件(如存储类芯片),从而产生一个连锁反应,通过本方法能够根据所述训练完成的异常识别模型获取处于预设失效状态的存储类芯片与其他元器件的波及关系,根据所述波及关系生成相关的预警信息,来及时挽回连锁反应的损失。
如图4所示,本发明第二方面提供了一种存储类芯片的管理系统4,系统4包括存储器41以及处理器62,存储器41中包括存储类芯片的管理方法程序,存储类芯片的管理方法程序被处理器62执行时,实现如下步骤:
获取存储类芯片工作时的表面温度信息,基于存储类芯片工作时的表面温度信息生成基于时间序列的焊料热阻变化特征数据信息;
融合支持向量机以及马尔科夫链对基于时间序列的焊料热阻变化特征数据信息进行状态转移描述以及对状态转移的时间节点识别,并构建状态转移矩阵;
基于深度学习网络构建存储类芯片失效预测模型,并根据状态转移矩阵以及存储类芯片失效预测模型对当前器件的存储类芯片进行预测,获取存储类芯片所处的状态以及下一预设时间之内所处的状态;
根据存储类芯片所处的状态值以及下一预设时间之内所处的状态进行预警并生成相关的调整方案。
进一步的,在本系统中,融合支持向量机以及马尔科夫链对基于时间序列的焊料热阻变化特征数据信息进行状态转移描述以及对状态转移的时间节点识别,并构建状态转移矩阵,具体包括:
获取监测起点以及监测终点的热阻性能数据信息,并根据监测起点以及监测终点的热阻性能数据信息进行失效等级划分,生成若干失效等级状态,并引入马尔科夫链;
通过对基于时间序列的焊料热阻变化特征数据信息进行每个时刻的失效等级状态进行描述,生成每个时刻的失效等级状态,并通过马尔科夫链计算每个时刻的失效等级状态转移至下一个失效等级状态的转移概率值;
根据转移概率值构建初始状态转移矩阵,并引入支持向量机算法,以各失效等级状态的边界状态作为基准,通过支持向量机算法对初始状态转移矩阵中的状态转移概率值进行超平面划分,获取超平面所在的时间阈值范围;
将超平面所在的时间阈值范围作为焊料的失效等级状态转移时的时间阈值,并将焊料的失效等级状态转移时的时间阈值以及初始状态转移矩阵组合,生成状态转移矩阵。
进一步的,在本系统中,基于深度学习网络构建存储类芯片失效预测模型,并根据状态转移矩阵以及存储类芯片失效预测模型对当前器件的存储类芯片进行预测,获取存储类芯片所处的状态以及下一预设时间之内所处的状态,具体包括:
基于深度学习网络构建存储类芯片失效预测模型,并引入奇异值分解算法,通过奇异值分解算法对状态转移矩阵进行分解,生成特征向量,并对特征向量进行矩阵重建,生成降维后的特征向量矩阵;
根据降维后的特征向量矩阵构建训练集以及测试集,并将训练集输入到存储类芯片失效预测模型中进行训练,当损失函数收敛符合预设要求之后,保存存储类芯片失效预测模型的模型参数;
将测试集输入到存储类芯片失效预测模型中进行测试,获取测试结果,当测试结果满足预设测试结果时,测试完成并输出存储类芯片失效预测模型;
获取当前存储类芯片在预设时间之内的焊料热阻变化特征数据信息,将当前存储类芯片在预设时间之内的焊料热阻变化特征数据信息输入到存储类芯片失效预测模型中,获取存储类芯片所处的状态以及下一预设时间之内所处的状态。
本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质包括存储类芯片的管理方法程序,存储类芯片的管理方法程序被处理器执行时,实现任一项的存储类芯片的管理方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种存储类芯片的管理方法,其特征在于,包括以下步骤:
获取存储类芯片工作时的表面温度信息,基于所述存储类芯片工作时的表面温度信息生成基于时间序列的焊料热阻变化特征数据信息;
融合支持向量机以及马尔科夫链对所述基于时间序列的焊料热阻变化特征数据信息进行状态转移描述以及对状态转移的时间节点识别,并构建状态转移矩阵;
基于深度学习网络构建存储类芯片失效预测模型,并根据所述状态转移矩阵以及存储类芯片失效预测模型对当前器件的存储类芯片进行预测,获取存储类芯片所处的状态以及下一预设时间之内所处的状态;
根据存储类芯片所处的状态值以及下一预设时间之内所处的状态进行预警并生成相关的调整方案。
2.根据权利要求1所述的一种存储类芯片的管理方法,其特征在于,获取存储类芯片工作时的表面温度信息,基于所述存储类芯片工作时的表面温度信息生成基于时间序列的焊料热阻变化特征数据信息,具体包括:
获取存储类芯片工作时的表面温度信息,并根据所述存储类芯片工作时的表面温度信息通过有限元分析,获取存储类芯片工作时焊料的温度信息;
通过大数据获取焊料初始状态时在当前温度值之下的热阻性能数据信息以及焊料失效时在当前温度值之下的临界热阻性能数据信息,并将所述焊料初始状态时在各温度值之下的热阻性能数据信息作为监测起点;
将所述焊料临界失效时在当前温度值之下的热阻性能数据信息作为监测终点,构建时间戳,并对所述监测起点以及监测终点结合所述时间戳,构建基于时间序列的焊料热阻变化特征数据信息。
3.根据权利要求1所述的一种存储类芯片的管理方法,其特征在于,融合支持向量机以及马尔科夫链对所述基于时间序列的焊料热阻变化特征数据信息进行状态转移描述以及对状态转移的时间节点识别,并构建状态转移矩阵,具体包括:
获取监测起点以及监测终点的热阻性能数据信息,并根据所述监测起点以及监测终点的热阻性能数据信息进行失效等级划分,生成若干失效等级状态,并引入马尔科夫链;
通过对所述基于时间序列的焊料热阻变化特征数据信息进行每个时刻的失效等级状态进行描述,生成每个时刻的失效等级状态,并通过马尔科夫链计算每个时刻的失效等级状态转移至下一个失效等级状态的转移概率值;
根据所述转移概率值构建初始状态转移矩阵,并引入支持向量机算法,以各失效等级状态的边界状态作为基准,通过所述支持向量机算法对所述初始状态转移矩阵中的状态转移概率值进行超平面划分,获取超平面所在的时间阈值范围;
将所述超平面所在的时间阈值范围作为焊料的失效等级状态转移时的时间阈值,并将焊料的失效等级状态转移时的时间阈值以及所述初始状态转移矩阵组合,生成状态转移矩阵。
4.根据权利要求1所述的一种存储类芯片的管理方法,其特征在于,基于深度学习网络构建存储类芯片失效预测模型,并根据所述状态转移矩阵以及存储类芯片失效预测模型对当前器件的存储类芯片进行预测,获取存储类芯片所处的状态以及下一预设时间之内所处的状态,具体包括:
基于深度学习网络构建存储类芯片失效预测模型,并引入奇异值分解算法,通过所述奇异值分解算法对所述状态转移矩阵进行分解,生成特征向量,并对所述特征向量进行矩阵重建,生成降维后的特征向量矩阵;
根据所述降维后的特征向量矩阵构建训练集以及测试集,并将所述训练集输入到所述存储类芯片失效预测模型中进行训练,当损失函数收敛符合预设要求之后,保存存储类芯片失效预测模型的模型参数;
将所述测试集输入到所述存储类芯片失效预测模型中进行测试,获取测试结果,当所述测试结果满足预设测试结果时,测试完成并输出存储类芯片失效预测模型;
获取当前存储类芯片在预设时间之内的焊料热阻变化特征数据信息,将所述当前存储类芯片在预设时间之内的焊料热阻变化特征数据信息输入到所述存储类芯片失效预测模型中,获取存储类芯片所处的状态以及下一预设时间之内所处的状态。
5.根据权利要求1所述的一种存储类芯片的管理方法,其特征在于,根据存储类芯片所处的状态以及下一预设时间之内所处的状态进行预警并生成相关的调整方案,具体包括:
判断所述存储类芯片所处的状态是否处于预设状态,若所述存储类芯片所处的状态处于预设状态,则根据所述存储类芯片所处的状态进行预警,生成预警信息,并根据所述预警信息生成相关的调整方案;所述预设状态为失效状态;
若所述存储类芯片所处的状态不处于预设状态,则获取下一预设时间之内所处的状态,并根据所述下一预设时间之内所处的状态预测到达所述预设状态的时间阈值范围;
获取当前存储类芯片的存储数据信息,并根据所述下一预设时间之内所处的状态预测到达所述预设状态的时间阈值范围以及当前存储类芯片的存储数据信息进行预警,生成预警信息。
6.根据权利要求5所述的一种存储类芯片的管理方法,其特征在于,根据所述预警信息生成相关的调整方案,具体包括:
通过大数据获取存储类芯片失效时的历史补救方案,构建失效知识图谱,将所述失效知识图谱分为若干个存储空间,并引入注意力机制;
通过所述注意力机制计算每个历史补救方案的注意力分数值,并根据所述注意力分数值进行排序,生成注意力分数排序结果,将所述注意力分数排序结果中注意力分数相同的数据进行合并;
获取合并后的注意力分数值排序结果,将所述存储类芯片失效时的历史补救方案按照所述合并后的注意力分数值排序结果进行排序,获取存储类芯片失效时的历史补救方案排序结果;
将所述存储类芯片失效时的历史补救方案排序结果依次输入到所述存储空间中进行存储,并将所述预警信息输入到所述失效知识图谱中进行补救方案匹配,生成相关的调整方案。
7.一种存储类芯片的管理系统,其特征在于,所述系统包括存储器以及处理器,所述存储器中包括存储类芯片的管理方法程序,所述存储类芯片的管理方法程序被所述处理器执行时,实现如下步骤:
获取存储类芯片工作时的表面温度信息,基于所述存储类芯片工作时的表面温度信息生成基于时间序列的焊料热阻变化特征数据信息;
融合支持向量机以及马尔科夫链对所述基于时间序列的焊料热阻变化特征数据信息进行状态转移描述以及对状态转移的时间节点识别,并构建状态转移矩阵;
基于深度学习网络构建存储类芯片失效预测模型,并根据所述状态转移矩阵以及存储类芯片失效预测模型对当前器件的存储类芯片进行预测,获取存储类芯片所处的状态以及下一预设时间之内所处的状态;
根据存储类芯片所处的状态值以及下一预设时间之内所处的状态进行预警并生成相关的调整方案。
8.根据权利要求7所述的一种存储类芯片的管理系统,其特征在于,融合支持向量机以及马尔科夫链对所述基于时间序列的焊料热阻变化特征数据信息进行状态转移描述以及对状态转移的时间节点识别,并构建状态转移矩阵,具体包括:
获取监测起点以及监测终点的热阻性能数据信息,并根据所述监测起点以及监测终点的热阻性能数据信息进行失效等级划分,生成若干失效等级状态,并引入马尔科夫链;
通过对所述基于时间序列的焊料热阻变化特征数据信息进行每个时刻的失效等级状态进行描述,生成每个时刻的失效等级状态,并通过马尔科夫链计算每个时刻的失效等级状态转移至下一个失效等级状态的转移概率值;
根据所述转移概率值构建初始状态转移矩阵,并引入支持向量机算法,以各失效等级状态的边界状态作为基准,通过所述支持向量机算法对所述初始状态转移矩阵中的状态转移概率值进行超平面划分,获取超平面所在的时间阈值范围;
将所述超平面所在的时间阈值范围作为焊料的失效等级状态转移时的时间阈值,并将焊料的失效等级状态转移时的时间阈值以及所述初始状态转移矩阵组合,生成状态转移矩阵。
9.根据权利要求7所述的一种存储类芯片的管理系统,其特征在于,基于深度学习网络构建存储类芯片失效预测模型,并根据所述状态转移矩阵以及存储类芯片失效预测模型对当前器件的存储类芯片进行预测,获取存储类芯片所处的状态以及下一预设时间之内所处的状态,具体包括:
基于深度学习网络构建存储类芯片失效预测模型,并引入奇异值分解算法,通过所述奇异值分解算法对所述状态转移矩阵进行分解,生成特征向量,并对所述特征向量进行矩阵重建,生成降维后的特征向量矩阵;
根据所述降维后的特征向量矩阵构建训练集以及测试集,并将所述训练集输入到所述存储类芯片失效预测模型中进行训练,当损失函数收敛符合预设要求之后,保存存储类芯片失效预测模型的模型参数;
将所述测试集输入到所述存储类芯片失效预测模型中进行测试,获取测试结果,当所述测试结果满足预设测试结果时,测试完成并输出存储类芯片失效预测模型;
获取当前存储类芯片在预设时间之内的焊料热阻变化特征数据信息,将所述当前存储类芯片在预设时间之内的焊料热阻变化特征数据信息输入到所述存储类芯片失效预测模型中,获取存储类芯片所处的状态以及下一预设时间之内所处的状态。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储类芯片的管理方法程序,所述存储类芯片的管理方法程序被处理器执行时,实现如权利要求1-6任一项所述的存储类芯片的管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311191182.0A CN116933608B (zh) | 2023-09-15 | 2023-09-15 | 一种存储类芯片的管理方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311191182.0A CN116933608B (zh) | 2023-09-15 | 2023-09-15 | 一种存储类芯片的管理方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116933608A true CN116933608A (zh) | 2023-10-24 |
CN116933608B CN116933608B (zh) | 2023-12-22 |
Family
ID=88380701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311191182.0A Active CN116933608B (zh) | 2023-09-15 | 2023-09-15 | 一种存储类芯片的管理方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933608B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117763457A (zh) * | 2023-11-21 | 2024-03-26 | 上海源斌电子科技有限公司 | 一种基于大数据分析的芯片测试数据管理系统及方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101738A (zh) * | 2018-08-24 | 2018-12-28 | 河北工业大学 | 一种igbt模块老化程度评估方法 |
CN109948276A (zh) * | 2019-03-28 | 2019-06-28 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 失效分析方法、装置、设备和存储介质 |
CN111444302A (zh) * | 2020-04-17 | 2020-07-24 | 中国传媒大学 | 基于用户分类的移动性预测方法、系统、装置 |
CN115015723A (zh) * | 2022-04-22 | 2022-09-06 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | GaN功率器件的状态监测方法、装置、计算机设备和介质 |
CN115270481A (zh) * | 2022-08-02 | 2022-11-01 | 广汽埃安新能源汽车有限公司 | 汽车电池的工况预测方法、装置、电子设备及存储介质 |
CN115291074A (zh) * | 2022-08-15 | 2022-11-04 | 合肥工业大学 | 一种igbt芯片焊料层故障的在线监测方法 |
CN115440292A (zh) * | 2022-11-02 | 2022-12-06 | 深圳市芯片测试技术有限公司 | 存储芯片的测试方法、装置、设备及存储介质 |
CN115757813A (zh) * | 2022-10-28 | 2023-03-07 | 浙江工业大学 | 一种基于故障时序知识图谱的装备剩余寿命预测方法 |
CN115794584A (zh) * | 2022-11-24 | 2023-03-14 | 电子科技大学长三角研究院(湖州) | 基于Transformer的芯片全片温度分布预测方法、系统及介质 |
CN116400201A (zh) * | 2023-06-06 | 2023-07-07 | 中诚华隆计算机技术有限公司 | 一种芯粒工作状态监测方法、装置、电子设备及存储介质 |
CN116523853A (zh) * | 2023-04-17 | 2023-08-01 | 南京熊猫电子制造有限公司 | 一种基于深度学习的芯片检测系统及方法 |
US20230280817A1 (en) * | 2022-03-02 | 2023-09-07 | Huawei Technologies Co., Ltd. | Network Chip Management Method and Apparatus, Communication Device, and Storage Medium |
CN116736063A (zh) * | 2023-06-15 | 2023-09-12 | 安徽大学 | 一种基于加权lstm的igbt状态评估方法 |
CN116738804A (zh) * | 2023-08-16 | 2023-09-12 | 湖南大学 | 一种基于失效物理的功率模块寿命预测方法 |
-
2023
- 2023-09-15 CN CN202311191182.0A patent/CN116933608B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101738A (zh) * | 2018-08-24 | 2018-12-28 | 河北工业大学 | 一种igbt模块老化程度评估方法 |
CN109948276A (zh) * | 2019-03-28 | 2019-06-28 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 失效分析方法、装置、设备和存储介质 |
CN111444302A (zh) * | 2020-04-17 | 2020-07-24 | 中国传媒大学 | 基于用户分类的移动性预测方法、系统、装置 |
US20230280817A1 (en) * | 2022-03-02 | 2023-09-07 | Huawei Technologies Co., Ltd. | Network Chip Management Method and Apparatus, Communication Device, and Storage Medium |
CN115015723A (zh) * | 2022-04-22 | 2022-09-06 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | GaN功率器件的状态监测方法、装置、计算机设备和介质 |
CN115270481A (zh) * | 2022-08-02 | 2022-11-01 | 广汽埃安新能源汽车有限公司 | 汽车电池的工况预测方法、装置、电子设备及存储介质 |
CN115291074A (zh) * | 2022-08-15 | 2022-11-04 | 合肥工业大学 | 一种igbt芯片焊料层故障的在线监测方法 |
CN115757813A (zh) * | 2022-10-28 | 2023-03-07 | 浙江工业大学 | 一种基于故障时序知识图谱的装备剩余寿命预测方法 |
CN115440292A (zh) * | 2022-11-02 | 2022-12-06 | 深圳市芯片测试技术有限公司 | 存储芯片的测试方法、装置、设备及存储介质 |
CN115794584A (zh) * | 2022-11-24 | 2023-03-14 | 电子科技大学长三角研究院(湖州) | 基于Transformer的芯片全片温度分布预测方法、系统及介质 |
CN116523853A (zh) * | 2023-04-17 | 2023-08-01 | 南京熊猫电子制造有限公司 | 一种基于深度学习的芯片检测系统及方法 |
CN116400201A (zh) * | 2023-06-06 | 2023-07-07 | 中诚华隆计算机技术有限公司 | 一种芯粒工作状态监测方法、装置、电子设备及存储介质 |
CN116736063A (zh) * | 2023-06-15 | 2023-09-12 | 安徽大学 | 一种基于加权lstm的igbt状态评估方法 |
CN116738804A (zh) * | 2023-08-16 | 2023-09-12 | 湖南大学 | 一种基于失效物理的功率模块寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
BORONG HU ET AL: "Deep Learning Neural Networks for Heat-Flux Health Condition Monitoring Method of Multi-Device Power Electronics System", IEEE, pages 3769 - 3774 * |
孙颖 等: "基于 Markov-Elman 神经网络的消费者信心指数预测模型构建", 贵阳学院学报 ( 自然科学版) (季刊), pages 78 - 82 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117763457A (zh) * | 2023-11-21 | 2024-03-26 | 上海源斌电子科技有限公司 | 一种基于大数据分析的芯片测试数据管理系统及方法 |
CN117763457B (zh) * | 2023-11-21 | 2024-05-17 | 上海源斌电子科技有限公司 | 一种基于大数据分析的芯片测试数据管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116933608B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116933608B (zh) | 一种存储类芯片的管理方法、系统及存储介质 | |
Huang et al. | Cloud-edge collaborative method for industrial process monitoring based on error-triggered dictionary learning | |
CN108460397B (zh) | 设备故障类型的分析方法、装置、储存介质和电子设备 | |
CN114386514B (zh) | 基于动态网络环境下的未知流量数据识别方法及装置 | |
CN115440292B (zh) | 存储芯片的测试方法、装置、设备及存储介质 | |
CN112083244A (zh) | 综合化航空电子设备故障智能诊断系统 | |
CN113448807B (zh) | 告警监测方法、系统、电子设备及计算机可读存储介质 | |
Stoyanov et al. | Predictive analytics methodology for smart qualification testing of electronic components | |
CN116882303B (zh) | 一种激光电源的寿命预测方法、系统及存储介质 | |
CN111679953B (zh) | 基于人工智能的故障节点识别方法、装置、设备和介质 | |
CN118070082B (zh) | 一种新能源汽车电机噪音测试方法及系统 | |
CN115456107A (zh) | 一种时间序列异常检测系统及方法 | |
CN115980585A (zh) | 电池故障的检测方法、装置、计算机设备和存储介质 | |
CN115017819A (zh) | 一种基于混合模型的发动机剩余使用寿命预测方法及装置 | |
Trajkova et al. | Active learning for automated visual inspection of manufactured products | |
CN117951646A (zh) | 一种基于边缘云的数据融合方法及系统 | |
CN116228045B (zh) | 基于性能退化的产品可靠性薄弱环节评估方法和装置 | |
CN117419913A (zh) | 一种用于电磁阀的智能检测装置及方法 | |
CN115964470A (zh) | 一种摩托车配件的寿命预测方法及系统 | |
CN116306485A (zh) | 一种电路板数字孪生体的建立方法、系统及终端 | |
CN115333973A (zh) | 设备异常检测方法、装置、计算机设备和存储介质 | |
JP2008171282A (ja) | 最適パラメータ探索プログラム、最適パラメータ探索装置および最適パラメータ探索方法 | |
CN111210105B (zh) | 连续工作性能验证、装置、计算机设备和存储介质 | |
Misaii et al. | Optimal task-driven time-dependent covariate-based maintenance policy | |
CN111382041A (zh) | 一种故障检测、数据处理方法、装置及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |