CN117454671B - 基于人工智能的场效应管寿命评估方法 - Google Patents
基于人工智能的场效应管寿命评估方法 Download PDFInfo
- Publication number
- CN117454671B CN117454671B CN202311774318.0A CN202311774318A CN117454671B CN 117454671 B CN117454671 B CN 117454671B CN 202311774318 A CN202311774318 A CN 202311774318A CN 117454671 B CN117454671 B CN 117454671B
- Authority
- CN
- China
- Prior art keywords
- cluster
- clustering
- clusters
- abscissa
- initial
- 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.)
- Active
Links
- 230000005669 field effect Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 89
- 230000008859 change Effects 0.000 claims abstract description 40
- 238000003064 k means clustering Methods 0.000 claims abstract description 16
- 238000013441 quality evaluation Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000001303 quality assessment method Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 9
- 238000007621 cluster analysis Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据处理技术领域,提出了基于人工智能的场效应管寿命评估方法,包括:采集若干场效应管的多个维度的测试数据;初始聚类得到若干初始聚簇;获取若干聚类初始中心;根据聚类初始中心进行K均值聚类的第一次分类,得到若干第一类簇;获取每个第一类簇的质心的聚类距离的第一调整参数及第二调整参数;结合每个第一类簇的质心,调整聚类距离并进行第二次分类,得到若干第二类簇;调整聚类距离并迭代分类,得到当前维度的若干最终类簇;得到每个维度的测试变化曲线,并进行场效应管的寿命评估。本发明旨在解决对场效应管通过加速寿命测试得到测试数据后,测试数据的聚类结果不准确而影响寿命评估的问题。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于人工智能的场效应管寿命评估方法。
背景技术
场效应管(FET)是一种重要的半导体器件,用于控制电流流动的元件,它是现代电子技术中的重要组成部分,从微处理器到功率电子设备,在各种应用场景中起着关键的作用。场效应管的寿命评估在电子设备和系统设计中具有重要意义,因为其有助于确保设备的可靠性和持久性,对性能和经济效益至关重要。现有方法中对场效应管进行加速测试,通过在高温、高湿度和高电压等条件下测试FET来模拟其长期使用中可能遇到的环境和应力,得到测试数据来对场效应管的寿命进行评估。
现有技术中通过对得到的测试数据进行K均值聚类,对多样本的时序曲线通过聚类中心进行拟合,得到整体样本数据的拟合曲线,进而进行寿命评估;然而传统的K均值聚类存在陷入局部最优解的问题,导致聚类结果不准确,进而影响整体样本数据的拟合结果,从而无法获取准确的寿命评估结果。
发明内容
本发明提供基于人工智能的场效应管寿命评估方法,以解决现有的对场效应管通过加速寿命测试得到测试数据后,测试数据的聚类结果不准确而影响寿命评估的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于人工智能的场效应管寿命评估方法,该方法包括以下步骤:
采集若干场效应管的多个维度的测试数据;
将任一维度作为当前维度,对当前维度所有场效应管的测试数据进行初始聚类,得到若干初始聚簇;根据初始聚簇分布及内部数据点分布,获取若干聚类初始中心;
根据聚类初始中心进行K均值聚类的第一次分类,得到若干第一类簇;根据第一类簇的分布及数据点的分布,获取每个第一类簇的质心的聚类距离的第一调整参数;根据不同维度的测试数据的相关性,获取每个第一类簇的质心的聚类距离的第二调整参数;结合每个第一类簇的质心,调整聚类距离并进行第二次分类,得到若干第二类簇;
根据第一类簇与第二类簇,调整聚类距离并迭代分类,得到当前维度的若干最终类簇;根据每个维度的最终类簇的质心,得到每个维度的测试变化曲线。
进一步的,所述得到若干初始聚簇,包括的具体方法为:
获取当前维度所有测试数据,以横坐标为时间,纵坐标为测试数据值,将所有测试数据转换为坐标系中的数据点;对于任意一个数据点,获取该数据点与其他每个数据点的欧式距离,将所有欧式距离的最小值,作为该数据点的最近邻距离;获取所有数据点的最近邻距离,将所有数据点的最近邻距离的均值,作为DBSCAN聚类的邻域半径;对所有数据点进行DBSCAN聚类,距离度量为数据点之间的欧式距离,根据邻域半径,得到若干聚簇,记为若干初始聚簇。
进一步的,所述若干聚类初始中心,具体的获取方法为:
根据每个初始聚簇中数据点分布,获取每个初始聚簇的质量评价;获取每个初始聚簇的质心,预设一个分布数量,获取每个质心的横坐标,将所有质心的横坐标最小值作为起始横坐标,从起始横坐标开始,每分布数量个横坐标作为一个横坐标组,得到若干横坐标组;
对于任意一个横坐标组,获取横坐标在该横坐标组中的若干质心,记为该横坐标组的分布质心,获取每个分布质心对应的初始聚簇及其质量评价,将得到的初始聚簇的质量评价最大值对应的分布质心,作为一个聚类初始中心。
进一步的,所述每个初始聚簇的质量评价,具体的获取方法为:
对于任意一个初始聚簇,获取该初始聚簇的质心,统计该初始聚簇中数据点的数量,获取该初始聚簇中所有数据点的横坐标最小值及最大值、纵坐标最小值及最大值,根据横纵坐标的最小值及最大值,构建该初始聚簇的外接矩形,计算外接矩形的面积;获取该初始聚簇中数据点的数量与外接矩形的面积的比值,将比值与该初始聚簇中数据点的数量的乘积,作为该初始聚簇的质量评价。
进一步的,所述得到若干第一类簇,包括的具体方法为:
获取聚类初始中心的数量,作为K均值聚类的K值,对所有数据点进行K均值聚类的第一次分类,第一次分类中聚类距离为数据点之间的欧式距离,得到第一次分类的若干簇,记为第一类簇。
进一步的,所述每个第一类簇的质心的聚类距离的第一调整参数,具体的获取方法为:
获取所有数据点中纵坐标的最大值及最小值,将纵坐标最小值到最大值之间的闭区间,作为纵轴跨度;对于任意一个第一类簇,获取该第一类簇的质心,以及该第一类簇中所有数据点的横坐标最小值及最大值、纵坐标最小值及最大值,根据横纵坐标的最小值及最大值,构建该第一类簇的外接矩形;
将横坐标最小值到最大值之间的闭区间,作为该第一类簇的横轴跨度,根据横轴跨度及纵轴跨度,以该第一类簇的质心为圆心,圆心到横轴跨度两个边界及纵轴跨度两个边界的最小值为半径,得到圆,再根据其他三个边界对圆在三个方向上进行等比例拉伸,得到一个类似椭圆的区域,记为该第一类簇的周围区域,统计周围区域中不属于该第一类簇的数据点的数量,根据横轴跨度及纵轴跨度,获取周围区域的外接矩形;
对于该第一类簇中任意一个数据点,获取该数据点与该第一类簇内其他每个数据点的欧式距离,将所有欧式距离的最小值,作为该数据点在该第一类簇内的相邻距离;获取该第一类簇内每个数据点的相邻距离,将所有相邻距离的方差,作为该第一类簇的分布程度;第个第一类簇的质心的聚类距离的第一调整参数的计算方法为:
其中,表示第/>个第一类簇的第一调整因子,/>表示第/>个第一类簇中数据点的数量,/>表示第/>个第一类簇的外接矩形的面积,/>表示第/>个第一类簇的周围区域中不属于第个第一类簇的数据点的数量,/>表示第/>个第一类簇的周围区域的外接矩形的面积,/>表示第/>个第一类簇的分布程度,/>表示求绝对值;
获取每个第一类簇的第一调整因子,对所有第一调整因子进行线性归一化,得到的结果作为每个第一类簇的质心的聚类距离的第一调整参数。
进一步的,所述每个第一类簇的质心的聚类距离的第二调整参数,具体的获取方法为:
对于当前维度,对同一横坐标下所有数据点的测试数据值求均值,作为每个横坐标的测试数值;获取其他维度每个横坐标的测试数值;从两个维度的第一个横坐标开始遍历,第一个横坐标下直接对两个一维向量获取皮尔逊相关系数,作为第一个横坐标的相关性,遍历到第二个横坐标时,两个维度各自对应一个二维向量,每个二维向量由对应维度下两个横坐标的测试数值组成,再次计算皮尔逊相关系数,并作为第二个坐标的相关性,以此类推,得到每个横坐标的相关性;
以横坐标为时间,纵坐标为相关性,得到一个相关性曲线,对相关性曲线中每个坐标点计算斜率,得到相关性曲线中每个坐标点的斜率,记为每个坐标点对应的横坐标的相关变化程度;
对于第个第一类簇,获取第/>个第一类簇中所有数据点的横坐标,记为第/>个第一类簇中的横坐标,第/>个第一类簇的第二调整参数的计算方法为:
其中,表示第/>个第一类簇的第二调整因子,/>表示第/>个第一类簇中横坐标的数量,/>表示第/>个第一类簇中第/>个横坐标的相关变化程度,/>表示第/>个第一类簇中第个横坐标的相关变化程度,/>表示第/>个第一类簇中从左开始遍历截止到第/>个横坐标时,遍历到的横坐标的数量;/>表示第/>个第一类簇中从左开始遍历截止到第/>个横坐标时,遍历到的第/>个横坐标的相关变化程度;/>表示第/>个第一类簇中从左开始遍历截止到第/>个横坐标时,遍历到的第/>个横坐标的相关变化程度;/>表示求绝对值;
获取每个第一类簇的第二调整因子,对所有第二调整因子进行线性归一化,得到的结果作为每个第一类簇的质心的聚类距离的第二调整参数。
进一步的,所述得到若干第二类簇,包括的具体方法为:
对于任意一个第一类簇,将该第一类簇的质心的聚类距离的第一调整参数与第二调整参数的均值,作为该第一类簇的质心的聚类距离的综合调整参数,在第二次分类过程中,该第一类簇的质心作为一个聚类中心,其他数据点到该质心的聚类距离调整为:获取1与综合调整参数的和,将和值与原有聚类距离的乘积,作为调整后的聚类距离;
对每个第一类簇的质心在第二次分类中涉及的聚类距离进行调整,同一数据点到不同质心的聚类距离需要根据质心对应的第一类簇的综合调整参数进行调整,并以此根据第一类簇的质心及调整后的聚类距离,进行K均值聚类中的第二次分类,得到第二次分类的若干簇,记为第二类簇。
进一步的,所述得到当前维度的若干最终类簇,包括的具体方法为:
对每个第二类簇的质心获取综合调整参数;根据综合调整参数在调整后的聚类距离基础上,再次进行调整并进行第三次分类,得到若干第三类簇;以此类推,直到K均值聚类结束,最终得到的若干类簇记为最终类簇,对当前维度完成聚类得到若干最终类簇。
进一步的,所述得到每个维度的测试变化曲线,包括的具体方法为:
对于任意一个维度,获取该维度的所有最终类簇的质心,对所有质心进行平滑连接,得到的曲线作为该维度的测试变化曲线。
本发明的有益效果是:本发明通过对若干场效应管作为样本进行加速测试,通过对得到的测试数据进行聚类分析,得到场效应管多个维度的测试变化曲线并作为标准曲线,根据标准曲线对场效应管进行寿命评估;其中首先通过对同维度的测试数据进行初始聚类,并根据初始聚类的结果得到若干聚类初始中心,避免测试数据相同的横坐标间距对聚类分析结果造成过多影响;再进行K均值聚类的第一次分类,并根据得到的若干第一类簇内外数据点分布情况,得到第一调整参数;同时结合多维测试数据之间的相关性,得到第二调整参数,对下一次分类的聚类距离进行调整,避免测试数据由于随时间推移导致距离变大而影响最终聚类结果的问题,通过迭代分类得到最终类簇,最终类簇能够较为准确地反映各自维度的测试数据分布情况,并通过质心反映测试数据的时序变化,最终得到各维度的测试变化曲线,提高场效应管通过加速测试进行寿命评估的准确性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于人工智能的场效应管寿命评估方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例所提供的基于人工智能的场效应管寿命评估方法流程图,该方法包括以下步骤:
步骤S001、采集若干场效应管的多个维度的测试数据。
本实施例的目的是对场效应管通过加速测试得到测试数据,根据测试数据进行场效应管的寿命评估,因此首先需要对多个场效应管通过加速测试来获取多个维度的若干测试数据。
具体的,本实施例共采集20个场效应管来作为样本进行加速测试,加速测试的时间本实施例设置为24小时,本实施例采集场效应管加速测试过程中的输出电流数据及栅极电压数据共两个维度的测试数据,采样时间间隔均设置为1秒,则得到了多个场效应管的多个维度的测试数据。
至此,获取到了若干场效应管的多个维度的测试数据。
步骤S002、对当前维度所有场效应管的测试数据进行初始聚类,得到若干初始聚簇;根据初始聚簇分布及内部数据点分布,获取若干聚类初始中心。
需要说明的是,场效应管同一维度的若干测试数据中,由于不同场效应管的横轴距离均相同,主要变化呈现在纵轴变化上,因此通过密度聚类的初始聚类得到初始聚簇后,会呈现较多纵向分布的初始聚簇,则需要对初始聚簇获取质心,同时对每个初始聚簇通过聚簇及外接矩形得到质量评价,根据质量评价对同一横坐标下的多个初始聚簇质心来获取聚类初始中心,从而避免横坐标对聚簇影响较小导致聚簇多呈现纵向分布的问题,进而提升后续聚类分析的准确性。
具体的,将任意一个维度作为当前维度,后续未提到其他维度时均是对当前维度的测试数据进行聚类分析,其他维度的聚类初始中心获取方法相同;获取当前维度所有样本的测试数据,以横坐标为时间,纵坐标为测试数据值,将所有测试数据转换为坐标系中的数据点;对于任意一个数据点,获取该数据点与其他每个数据点的欧式距离,将所有欧式距离的最小值,作为该数据点的最近邻距离;获取所有数据点的最近邻距离,将所有数据点的最近邻距离的均值,作为DBSCAN聚类的邻域半径;对所有数据点进行DBSCAN聚类,距离度量即为数据点之间的欧式距离,根据邻域半径,得到若干聚簇,记为若干初始聚簇。
进一步的,对于任意一个初始聚簇,获取该初始聚簇的质心,统计该初始聚簇中数据点的数量,获取该初始聚簇中所有数据点的横坐标最小值及最大值、纵坐标最小值及最大值,根据横纵坐标的最小值及最大值,构建该初始聚簇的外接矩形,计算外接矩形的面积;获取该初始聚簇中数据点的数量与外接矩形的面积的比值,将比值与该初始聚簇中数据点的数量的乘积,作为该初始聚簇的质量评价;初始聚簇中数据点的数量与外接矩形面积的比值越大,初始聚簇中数据点分布越密集,聚簇质量越好,同时结合数据点数量,数据点数量越多且越密集,质量评价越大。
进一步的,按照上述方法获取每个初始聚簇的质心及质量评价,预设一个分布数量,本实施例分布数量采用5进行叙述;获取每个质心的横坐标,将所有质心的横坐标最小值作为起始横坐标,从起始横坐标开始,每5个横坐标作为一个横坐标组,则得到若干横坐标组,若最后一个横坐标组中横坐标数量不足5个,则以实际存在的横坐标来构成横坐标组;对于任意一个横坐标组,获取横坐标在该横坐标组中的若干质心,记为该横坐标组的分布质心,获取每个分布质心对应的初始聚簇及其质量评价,将得到的初始聚簇的质量评价最大值对应的分布质心,作为一个聚类初始中心;按照上述方法对每个横坐标组都获取一个聚类初始中心,若横坐标组中不存在质心,则不获取聚类初始中心,则得到若干聚类初始中心。
至此,通过初始聚类得到初始聚簇,根据初始聚簇分布量化质量评价,并得到若干聚类初始中心。
步骤S003、根据聚类初始中心进行K均值聚类的第一次分类,得到若干第一类簇;根据第一类簇的分布及数据点的分布,获取每个第一类簇的质心的聚类距离的第一调整参数;根据不同维度的测试数据的相关性,获取每个第一类簇的质心的聚类距离的第二调整参数;结合每个第一类簇的质心,调整聚类距离并进行第二次分类,得到若干第二类簇。
需要说明的是,从聚类初始中心开始对数据点进行聚类时,随着加速寿命测试的时间轴进行,电压与电流数据会出现寿命损失导致的离散趋势,由于K均值聚类具有局部性,在较低的聚类距离下迭代过程会收缩在高密度区域,此时K均值聚类可能会陷入局部最优解,使聚类结果的中心无法代表该部分数据点真正的中心,导致后续拟合效果不佳;因此需要根据场效应管寿命逐渐受损条件下的电流电压数据变化特征,结合局部数据分布特征与多维数据变化趋向特征构建自适应的聚类距离模型,对聚类距离进行调整,获得适合场效应管多维测试数据的聚类结果。
进一步需要说明的是,K均值聚类中存在多次迭代分类的过程,则通过已经获取的聚类初始中心,根据数据点之间的距离度量来进行第一次分类,根据第一次分类的分类结果进行类簇内外数据点分布的分析,得到第一调整参数;同时对不同维度的测试数据获取相关性,并以此来得到第二调整参数;根据两个调整参数对聚类距离进行调整并进行第二次分类。
具体的,获取聚类初始中心的数量,作为K均值聚类的K值,对所有数据点进行K均值聚类的第一次分类,第一次分类中聚类距离即为数据点之间的欧式距离,则得到第一次分类的若干簇,记为第一类簇;获取所有数据点中纵坐标的最大值及最小值,将纵坐标最小值到最大值之间的闭区间,作为纵轴跨度;对于任意一个第一类簇,获取该第一类簇的质心,以及该第一类簇中所有数据点的横坐标最小值及最大值、纵坐标最小值及最大值,根据横纵坐标的最小值及最大值,构建该第一类簇的外接矩形;同时将横坐标最小值到最大值之间的闭区间,作为该第一类簇的横轴跨度,则根据横轴跨度及纵轴跨度,以该第一类簇的质心为圆心,圆心到横轴跨度两个边界及纵轴跨度两个边界的最小值为半径,得到圆,再根据其他三个边界对圆在三个方向上进行等比例拉伸,得到一个类似椭圆的区域,记为该第一类簇的周围区域,统计周围区域中不属于该第一类簇的数据点的数量,同时根据横轴跨度及纵轴跨度,获取周围区域的外接矩形;对于该第一类簇中任意一个数据点,获取该数据点与该第一类簇内其他每个数据点的欧式距离,将所有欧式距离的最小值,作为该数据点在该第一类簇内的相邻距离;获取该第一类簇内每个数据点的相邻距离,将所有相邻距离的方差,作为该第一类簇的分布程度;则对于第个第一类簇,其质心的聚类距离的第一调整参数的计算方法为:
其中,表示第/>个第一类簇的第一调整因子,/>表示第/>个第一类簇中数据点的数量,/>表示第/>个第一类簇的外接矩形的面积,/>表示第/>个第一类簇的周围区域中不属于第个第一类簇的数据点的数量,/>表示第/>个第一类簇的周围区域的外接矩形的面积,/>表示第/>个第一类簇的分布程度,/>表示求绝对值;则第一类簇中数据点数量与外接矩形面积的比值,与周围区域中不属于该第一类簇中数据点的数量与对应外接矩形面积之间的差异越大,第一类簇越可能内部密集且忽略外部邻近的数据点,导致陷入局部最优解,因此需要调大聚类距离,相应的第一调整因子越大;同时分布程度越大,第一类簇内相邻距离的方差越大,数据点分布趋于混乱,即可能处于测试数据逐渐离散的状态下,则需要增大聚类距离,相应的第一调整因子应越大;按照上述方法获取每个第一类簇的第一调整因子,对所有第一调整因子进行线性归一化,得到的结果作为每个第一类簇的质心的聚类距离的第一调整参数。
进一步的,对于当前维度,当前维度的每个横坐标下均存在多个数据点,对同一横坐标下所有数据点的测试数据值求均值,作为每个横坐标的测试数值;同理获取其他维度每个横坐标的测试数值,不同维度的横坐标相同,由于本实施例中仅有输出电流数据及栅极电压数据两个维度,因此对两个维度量化相关性;从两个维度的第一个横坐标开始遍历,对已经遍历横坐标下的两个维度的测试数值形成的向量计算皮尔逊相关系数,即第一个横坐标下直接对两个一维向量获取皮尔逊相关系数,作为第一个横坐标的相关性,遍历到第二个横坐标时,则两个维度各自对应一个二维向量,每个二维向量由对应维度下两个横坐标的测试数值组成,再次计算皮尔逊相关系数,并作为第二个坐标的相关性,以此类推,得到每个横坐标的相关性;则以横坐标为时间,纵坐标为相关性,得到一个相关性曲线,对相关性曲线中每个坐标点计算斜率,采用每个坐标点与横坐标相邻前一个坐标点来计算,得到相关性曲线中每个坐标点的斜率,记为每个坐标点对应的横坐标的相关变化程度,其中第一个坐标点的斜率设置为第二个坐标点的斜率,不进行单独计算;需要说明的是,由于仅存在两个维度,则两个维度各自每个横坐标的相关变化程度相同,若实施者在其他实施例中采集不止一个维度的测试数据,则对于任意一个维度,获取到与其他每个维度在每个横坐标的相关变化程度后,将同一横坐标的所有相关变化程度的均值,作为每个横坐标的相关变化程度进行后续计算。
进一步的,对于第个第一类簇,获取该第一类簇中所有数据点的横坐标,记为该第一类簇中的横坐标,则第/>个第一类簇的第二调整参数的计算方法为:
其中,表示第/>个第一类簇的第二调整因子,/>表示第/>个第一类簇中横坐标的数量,/>表示第/>个第一类簇中第/>个横坐标的相关变化程度,/>表示第/>个第一类簇中第个横坐标的相关变化程度,/>表示第/>个第一类簇中从左开始遍历截止到第/>个横坐标时,遍历到的横坐标的数量;/>表示第/>个第一类簇中从左开始遍历截止到第/>个横坐标时,遍历到的第/>个横坐标的相关变化程度;/>表示第/>个第一类簇中从左开始遍历截止到第/>个横坐标时,遍历到的第/>个横坐标的相关变化程度;/>表示求绝对值;则通过第一类簇中相邻横坐标的相关变化程度的差异,以及之前第一类簇内所有横坐标的相关变化程度的差异的累加和,量化第二调整因子,变化越大则相邻数据点变化越大,越离散,需要调大聚类距离,则第二调整因子越大;按照上述方法获取每个第一类簇的第二调整因子,对所有第二调整因子进行线性归一化,得到的结果作为每个第一类簇的质心的聚类距离的第二调整参数。
进一步的,对于任意一个第一类簇,将该第一类簇的质心的聚类距离的第一调整参数与第二调整参数的均值,作为该第一类簇的质心的聚类距离的综合调整参数,则在第二次分类过程中,该第一类簇的质心作为一个聚类中心,其他数据点到该质心的聚类距离调整为:获取1与综合调整参数的和,将和值与原有聚类距离,即欧式距离的乘积,作为调整后的聚类距离;则按照上述方法对每个第一类簇的质心在第二次分类中涉及的聚类距离进行调整,同一数据点到不同质心的聚类距离需要根据质心对应的第一类簇的综合调整参数进行调整,并以此根据第一类簇的质心及调整后的聚类距离,进行K均值聚类中的第二次分类,得到第二次分类的若干簇,记为第二类簇。
至此,根据数据点的分布及不同维度的测试数据,得到若干第二类簇。
步骤S004、根据第一类簇与第二类簇,调整聚类距离并迭代分类,得到当前维度的若干最终类簇;根据每个维度的最终类簇的质心,得到每个维度的测试变化曲线,通过测试变化曲线进行场效应管的寿命评估。
获取到第二类簇后,则按照上述方法对每个第二类簇的质心获取综合调整参数,其中第二类簇的质心、周围区域、外接矩形均需要重新获取;根据综合调整参数在调整后的聚类距离基础上,再次进行调整并进行第三次分类,得到若干第三类簇,需要说明的是,由于第二次分类的聚类中心均为第一次分类的质心,则第二类簇与第一类簇的质心存在对应关系,因此调整过程中根据第二类簇中数据点与对应的第一类簇的质心的调整后的聚类距离,再次进行调整;以此类推,直到K均值聚类结束,最终得到的若干类簇记为最终类簇,则对当前维度完成聚类得到若干最终类簇;按照上述方法对每个维度得到若干最终类簇。
进一步的,对于任意一个维度,获取该维度的所有最终类簇的质心,对所有质心进行平滑连接,采用最小二乘法进行拟合连接,得到的曲线作为该维度的测试变化曲线,获取每个维度的测试变化曲线;则将每个维度的测试变化曲线,作为场效应管寿命评估时每个维度的标准曲线,对于任意一个待评估的场效应管,通过加速测试后,得到各维度的测试曲线(时序测试数据),与相应维度的标准曲线进行比对,完成寿命评估,例如分析测试曲线与标准曲线的DTW距离,根据各维度得到的DTW距离的最大值进行寿命评估,本实施例不对曲线比对方法进行具体限定。
至此,通过对场效应管进行加速测试来获取多维测试数据,并通过自适应的聚类分析得到各维度的测试变化曲线,为场效应管的寿命评估提供基础。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于人工智能的场效应管寿命评估方法,其特征在于,该方法包括以下步骤:
采集若干场效应管的多个维度的测试数据;
将任一维度作为当前维度,对当前维度所有场效应管的测试数据进行初始聚类,得到若干初始聚簇;根据初始聚簇分布及内部数据点分布,获取若干聚类初始中心;
根据聚类初始中心进行K均值聚类的第一次分类,得到若干第一类簇;根据第一类簇的分布及数据点的分布,获取每个第一类簇的质心的聚类距离的第一调整参数;根据不同维度的测试数据的相关性,获取每个第一类簇的质心的聚类距离的第二调整参数;结合每个第一类簇的质心,调整聚类距离并进行第二次分类,得到若干第二类簇;
根据第一类簇与第二类簇,调整聚类距离并迭代分类,得到当前维度的若干最终类簇;根据每个维度的最终类簇的质心,得到每个维度的测试变化曲线,通过测试变化曲线进行场效应管的寿命评估;
所述每个第一类簇的质心的聚类距离的第一调整参数,具体的获取方法为:
获取所有数据点中纵坐标的最大值及最小值,将纵坐标最小值到最大值之间的闭区间,作为纵轴跨度;对于任意一个第一类簇,获取该第一类簇的质心,以及该第一类簇中所有数据点的横坐标最小值及最大值、纵坐标最小值及最大值,根据横纵坐标的最小值及最大值,构建该第一类簇的外接矩形;
将横坐标最小值到最大值之间的闭区间,作为该第一类簇的横轴跨度,根据横轴跨度及纵轴跨度,以该第一类簇的质心为圆心,圆心到横轴跨度两个边界及纵轴跨度两个边界的最小值为半径,得到圆,再根据其他三个边界对圆在三个方向上进行等比例拉伸,得到一个类似椭圆的区域,记为该第一类簇的周围区域,统计周围区域中不属于该第一类簇的数据点的数量,根据横轴跨度及纵轴跨度,获取周围区域的外接矩形;
对于该第一类簇中任意一个数据点,获取该数据点与该第一类簇内其他每个数据点的欧式距离,将所有欧式距离的最小值,作为该数据点在该第一类簇内的相邻距离;获取该第一类簇内每个数据点的相邻距离,将所有相邻距离的方差,作为该第一类簇的分布程度;第个第一类簇的质心的聚类距离的第一调整参数的计算方法为:
其中,表示第/>个第一类簇的第一调整因子,/>表示第/>个第一类簇中数据点的数量,/>表示第/>个第一类簇的外接矩形的面积,/>表示第/>个第一类簇的周围区域中不属于第/>个第一类簇的数据点的数量,/>表示第/>个第一类簇的周围区域的外接矩形的面积,/>表示第/>个第一类簇的分布程度,/>表示求绝对值;
获取每个第一类簇的第一调整因子,对所有第一调整因子进行线性归一化,得到的结果作为每个第一类簇的质心的聚类距离的第一调整参数;
所述每个第一类簇的质心的聚类距离的第二调整参数,具体的获取方法为:
对于当前维度,对同一横坐标下所有数据点的测试数据值求均值,作为每个横坐标的测试数值;获取其他维度每个横坐标的测试数值;从两个维度的第一个横坐标开始遍历,第一个横坐标下直接对两个一维向量获取皮尔逊相关系数,作为第一个横坐标的相关性,遍历到第二个横坐标时,两个维度各自对应一个二维向量,每个二维向量由对应维度下两个横坐标的测试数值组成,再次计算皮尔逊相关系数,并作为第二个坐标的相关性,以此类推,得到每个横坐标的相关性;
以横坐标为时间,纵坐标为相关性,得到一个相关性曲线,对相关性曲线中每个坐标点计算斜率,得到相关性曲线中每个坐标点的斜率,记为每个坐标点对应的横坐标的相关变化程度;
对于第个第一类簇,获取第/>个第一类簇中所有数据点的横坐标,记为第/>个第一类簇中的横坐标,第/>个第一类簇的第二调整参数的计算方法为:
其中,表示第/>个第一类簇的第二调整因子,/>表示第/>个第一类簇中横坐标的数量,表示第/>个第一类簇中第/>个横坐标的相关变化程度,/>表示第/>个第一类簇中第个横坐标的相关变化程度,/>表示第/>个第一类簇中从左开始遍历截止到第/>个横坐标时,遍历到的横坐标的数量;/>表示第/>个第一类簇中从左开始遍历截止到第/>个横坐标时,遍历到的第/>个横坐标的相关变化程度;/>表示第/>个第一类簇中从左开始遍历截止到第/>个横坐标时,遍历到的第/>个横坐标的相关变化程度;/>表示求绝对值;
获取每个第一类簇的第二调整因子,对所有第二调整因子进行线性归一化,得到的结果作为每个第一类簇的质心的聚类距离的第二调整参数。
2.根据权利要求1所述的基于人工智能的场效应管寿命评估方法,其特征在于,所述得到若干初始聚簇,包括的具体方法为:
获取当前维度所有测试数据,以横坐标为时间,纵坐标为测试数据值,将所有测试数据转换为坐标系中的数据点;对于任意一个数据点,获取该数据点与其他每个数据点的欧式距离,将所有欧式距离的最小值,作为该数据点的最近邻距离;获取所有数据点的最近邻距离,将所有数据点的最近邻距离的均值,作为DBSCAN聚类的邻域半径;对所有数据点进行DBSCAN聚类,根据邻域半径,得到若干聚簇,记为若干初始聚簇。
3.根据权利要求1所述的基于人工智能的场效应管寿命评估方法,其特征在于,所述若干聚类初始中心,具体的获取方法为:
根据每个初始聚簇中数据点分布,获取每个初始聚簇的质量评价;获取每个初始聚簇的质心,预设一个分布数量,获取每个质心的横坐标,将所有质心的横坐标最小值作为起始横坐标,从起始横坐标开始,将分布数量个横坐标作为一个横坐标组,得到若干横坐标组;
对于任意一个横坐标组,获取横坐标在该横坐标组中的若干质心,记为该横坐标组的分布质心,获取每个分布质心对应的初始聚簇及其质量评价,将得到的初始聚簇的质量评价最大值对应的分布质心,作为一个聚类初始中心。
4.根据权利要求3所述的基于人工智能的场效应管寿命评估方法,其特征在于,所述每个初始聚簇的质量评价,具体的获取方法为:
对于任意一个初始聚簇,获取该初始聚簇的质心,统计该初始聚簇中数据点的数量,获取该初始聚簇中所有数据点的横坐标最小值及最大值、纵坐标最小值及最大值,根据横纵坐标的最小值及最大值,构建该初始聚簇的外接矩形,计算外接矩形的面积;获取该初始聚簇中数据点的数量与外接矩形的面积的比值,将比值与该初始聚簇中数据点的数量的乘积,作为该初始聚簇的质量评价。
5.根据权利要求2所述的基于人工智能的场效应管寿命评估方法,其特征在于,所述得到若干第一类簇,包括的具体方法为:
将聚类初始中心的数量作为K均值聚类的K值,对所有数据点进行K均值聚类的第一次分类,第一次分类中聚类距离为数据点之间的欧式距离,得到第一次分类的若干簇,记为第一类簇。
6.根据权利要求1所述的基于人工智能的场效应管寿命评估方法,其特征在于,所述得到若干第二类簇,包括的具体方法为:
对于任意一个第一类簇,将该第一类簇的质心的聚类距离的第一调整参数与第二调整参数的均值,作为该第一类簇的质心的聚类距离的综合调整参数,在第二次分类过程中,该第一类簇的质心作为一个聚类中心,其他数据点到该质心的聚类距离调整为:获取1与综合调整参数的和,将和值与原有聚类距离的乘积,作为调整后的聚类距离;
根据第一类簇的质心及调整后的聚类距离,进行K均值聚类中的第二次分类,得到第二次分类的若干簇,记为第二类簇。
7.根据权利要求6所述的基于人工智能的场效应管寿命评估方法,其特征在于,所述得到当前维度的若干最终类簇,包括的具体方法为:
对每个第二类簇的质心获取综合调整参数;根据综合调整参数在调整后的聚类距离基础上,再次进行调整并进行第三次分类,得到若干第三类簇;以此类推,直到K均值聚类结束,最终得到的若干类簇记为最终类簇,对当前维度完成聚类得到若干最终类簇。
8.根据权利要求1所述的基于人工智能的场效应管寿命评估方法,其特征在于,所述得到每个维度的测试变化曲线,包括的具体方法为:
对于任意一个维度,获取该维度的所有最终类簇的质心,对所有质心进行平滑连接,得到的曲线作为该维度的测试变化曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311774318.0A CN117454671B (zh) | 2023-12-22 | 2023-12-22 | 基于人工智能的场效应管寿命评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311774318.0A CN117454671B (zh) | 2023-12-22 | 2023-12-22 | 基于人工智能的场效应管寿命评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117454671A CN117454671A (zh) | 2024-01-26 |
CN117454671B true CN117454671B (zh) | 2024-04-12 |
Family
ID=89582249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311774318.0A Active CN117454671B (zh) | 2023-12-22 | 2023-12-22 | 基于人工智能的场效应管寿命评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454671B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648647B (zh) * | 2024-01-29 | 2024-04-23 | 国网山东省电力公司经济技术研究院 | 一种多能源配电网用户数据优化分类方法 |
CN117933671B (zh) * | 2024-03-22 | 2024-06-11 | 匠达(苏州)科技有限公司 | 基于工程师画像数据的派单任务智能调度方法 |
CN117954115B (zh) * | 2024-03-27 | 2024-06-04 | 天津中医药大学第一附属医院 | 一种血液净化样本分析方法及血液滤器 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015002242A (ja) * | 2013-06-14 | 2015-01-05 | 株式会社東芝 | 半導体素子の寿命診断方法 |
KR20160113826A (ko) * | 2015-03-23 | 2016-10-04 | 목포대학교산학협력단 | 빅데이터 클러스터링을 위한 K-Means 초기 중심 선정 방법 |
CN109472300A (zh) * | 2018-10-24 | 2019-03-15 | 南京邮电大学 | 一种面向k均值聚类算法的质心以及质心个数初始化方法 |
CN110825826A (zh) * | 2019-11-07 | 2020-02-21 | 深圳大学 | 聚类簇计算方法、装置、终端及存储介质 |
CN112287596A (zh) * | 2020-09-22 | 2021-01-29 | 南京航空航天大学 | 一种基于聚类和lstm的发动机剩余寿命预测方法 |
CN112884319A (zh) * | 2021-02-10 | 2021-06-01 | 腾讯大地通途(北京)科技有限公司 | 一种任务分配方法、装置、计算机设备以及存储介质 |
CN113689044A (zh) * | 2021-08-26 | 2021-11-23 | 北京航空航天大学 | 一种开关电源剩余使用寿命预测方法及系统 |
CN115375026A (zh) * | 2022-06-09 | 2022-11-22 | 北京航空航天大学 | 一种多故障模式下的航空发动机寿命预测方法 |
CN115774652A (zh) * | 2023-02-13 | 2023-03-10 | 浪潮通用软件有限公司 | 一种基于聚类算法的群控设备健康监测方法、设备及介质 |
CN116361679A (zh) * | 2023-06-02 | 2023-06-30 | 青岛豪迈电缆集团有限公司 | 基于数据驱动的电缆寿命智能预测方法及系统 |
CN116503025A (zh) * | 2023-06-25 | 2023-07-28 | 深圳高新区信息网有限公司 | 一种基于工作流引擎的业务工单流程处理方法 |
CN116522467A (zh) * | 2023-01-16 | 2023-08-01 | 北京控制工程研究所 | 一种航天器部件寿命的预测方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011040541A (ja) * | 2009-08-10 | 2011-02-24 | Sony Corp | ゲート絶縁膜の絶縁破壊寿命の評価方法、ゲート絶縁膜の絶縁破壊寿命の評価装置、ゲート絶縁膜の絶縁破壊寿命の評価用のプログラム |
-
2023
- 2023-12-22 CN CN202311774318.0A patent/CN117454671B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015002242A (ja) * | 2013-06-14 | 2015-01-05 | 株式会社東芝 | 半導体素子の寿命診断方法 |
KR20160113826A (ko) * | 2015-03-23 | 2016-10-04 | 목포대학교산학협력단 | 빅데이터 클러스터링을 위한 K-Means 초기 중심 선정 방법 |
CN109472300A (zh) * | 2018-10-24 | 2019-03-15 | 南京邮电大学 | 一种面向k均值聚类算法的质心以及质心个数初始化方法 |
CN110825826A (zh) * | 2019-11-07 | 2020-02-21 | 深圳大学 | 聚类簇计算方法、装置、终端及存储介质 |
CN112287596A (zh) * | 2020-09-22 | 2021-01-29 | 南京航空航天大学 | 一种基于聚类和lstm的发动机剩余寿命预测方法 |
CN112884319A (zh) * | 2021-02-10 | 2021-06-01 | 腾讯大地通途(北京)科技有限公司 | 一种任务分配方法、装置、计算机设备以及存储介质 |
CN113689044A (zh) * | 2021-08-26 | 2021-11-23 | 北京航空航天大学 | 一种开关电源剩余使用寿命预测方法及系统 |
CN115375026A (zh) * | 2022-06-09 | 2022-11-22 | 北京航空航天大学 | 一种多故障模式下的航空发动机寿命预测方法 |
CN116522467A (zh) * | 2023-01-16 | 2023-08-01 | 北京控制工程研究所 | 一种航天器部件寿命的预测方法和装置 |
CN115774652A (zh) * | 2023-02-13 | 2023-03-10 | 浪潮通用软件有限公司 | 一种基于聚类算法的群控设备健康监测方法、设备及介质 |
CN116361679A (zh) * | 2023-06-02 | 2023-06-30 | 青岛豪迈电缆集团有限公司 | 基于数据驱动的电缆寿命智能预测方法及系统 |
CN116503025A (zh) * | 2023-06-25 | 2023-07-28 | 深圳高新区信息网有限公司 | 一种基于工作流引擎的业务工单流程处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117454671A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117454671B (zh) | 基于人工智能的场效应管寿命评估方法 | |
WO2021238455A1 (zh) | 数据处理方法、设备及计算机可读存储介质 | |
CN110135459B (zh) | 一种基于双三元组深度度量学习网络的零样本分类方法 | |
CN115994137B (zh) | 一种基于物联网应用服务系统的数据管理方法 | |
CN116431975B (zh) | 一种数据中心的环境监测方法及系统 | |
CN117313016B (zh) | 一种新能源电力交易现货电价价差数据处理方法 | |
CN108667684B (zh) | 一种基于局部向量点积密度的数据流异常检测方法 | |
CN117454255B (zh) | 一种智慧建筑能耗数据优化存储方法 | |
CN116308963B (zh) | 一种政务数据分析方法及系统 | |
WO2018006631A1 (zh) | 一种用户等级自动划分方法及系统 | |
CN116148656B (zh) | 一种便携式模拟断路器故障检测方法 | |
CN116521764B (zh) | 基于人工智能的环境设计数据处理方法 | |
CN117349630A (zh) | 一种用于生化数据分析的方法及系统 | |
CN114266321A (zh) | 一种基于无约束先验信息模式的弱监督模糊聚类算法 | |
CN116975672B (zh) | 一种煤矿皮带输送电机温度监测方法及系统 | |
CN117478390A (zh) | 一种基于改进密度峰值聚类算法的网络入侵检测方法 | |
Goodall | Hypothesis-testing in classification | |
CN116229330A (zh) | 一种视频有效帧的确定方法、系统、电子设备及存储介质 | |
CN115730253A (zh) | 一种基于图核的动态脑网络状态构建方法 | |
CN110502660B (zh) | 一种弱监督下的多距离度量图像检索方法 | |
CN116955119B (zh) | 一种基于数据分析的系统性能测试方法 | |
CN113190406B (zh) | 一种云原生可观测性下的it实体群组异常检测方法 | |
CN114239743B (zh) | 一种基于稀疏时间序列数据的天气事件发生时间预测方法 | |
CN112948974B (zh) | 一种基于证据理论的飞行器性能评估方法和系统 | |
CN116861292B (zh) | 道路监测数据有荷动力响应实时识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |