一种肖特基势垒二极管可靠性的预测方法
文献发布时间:2024-04-18 19:58:26
技术领域
本发明涉及肖特基势垒二极管可靠性建模并通过建模获得可靠性预测的方法。
背景技术
与传统的二极管相比,肖特基势垒二极管具有低正向电压降、低反向漏电流和快速开关速度等特点,并逐渐成为开关或整流器的主要元件,同时也使得其在高频电路、电源管理电路、太阳能电池和通信设备等领域有着广泛的应用。
肖特基势垒二极管在长时间的使用过程中,积累疲劳损伤会降低其系统整体的可靠性,使其电学性能产生退化,并最终导致器件的老化和失效,严重时会导致系统停机和经济损失,因此,对肖特基势垒二极管关键性能参数分析和预测的研究显得尤为重要,现有建模方法不仅计算效率低和计算可靠性差,而模型可解释性也较差,无法对通过模型对肖特基势垒二极管的可靠性建模进行深入理解。
发明内容
本发明的目的是为了克服现有肖特基势垒二极管的可靠性预测方法复杂度高,计算效率低,模型可解释性也较差的问题,提供了一种肖特基势垒二极管可靠性的预测方法。
本发明的一种肖特基势垒二极管可靠性的预测方法,具体步骤如下:
步骤一、将需预测可靠性的肖特基势垒二极管的预计工作时长输入至训练好的可靠性预测模型,得到肖特基势垒二极管的可靠性参数预测值;
步骤二、将可靠性参数预测值与预设的可靠性参数阈值比较,在可靠性参数预测值小于可靠性参数阈值时,判断肖特基势垒二极管在预计工作时长后为可靠。
进一步地,步骤一中,可靠性预测模型的训练过程如下:
步骤一一、建立符号回归模型;
步骤一二、获取多组训练数据,每组训练数据中均包括肖特基势垒二极管的可靠性参数的测试时长和可靠性参数实际值;
将可靠性参数的测试时长均作为符号回归模型的输入参数,将可靠性参数实际值均作为符号回归模型的输出参数,对符号回归模型进行训练,得到训练好的可靠性预测模型。
进一步地,可靠性参数为反向漏电流;
可靠性预测模型如下:
I
其中,I
进一步地,可靠性参数为正向导通电流;
可靠性预测模型如下:
其中,I
进一步地,获得步骤一二中可靠性参数的测试时长和可靠性参数实际值的过程为:
在设定的可靠性参数总测试时长内,对用于采样的肖特基势垒二极管进行多次测量;
每次测量时,记录肖特基势垒二极管当前的可靠性参数的测试时长,以及测量得到对应的可靠性参数实际值。
进一步地,可靠性参数总测试时长为168h;并且,
当测量的可靠性参数为反向漏电流时,设置反偏电压为80V;
当测量的可靠性参数为正向导通电流时,设置正向导通电压为0.6V。
进一步地,对用于采样的肖特基势垒二极管进行测量前,还包括如下步骤:
在反偏电压为35V,且环境温度为75℃的条件下,对用于采样的肖特基势垒二极管老化进行静置。
进一步地,多次测量的时间间隔为12小时,可靠性参数的测试时长和对应的可靠性参数实际值均为10~20个。
进一步地,步骤一二中对符号回归模型进行训练前,还包括:
对可靠性参数实际值进行预处理的过程;
预处理包括异常值的处理,缺失数据的填充和数据的降噪。
进一步地,通过z-score法或箱线图法进行异常值的处理;
通过单线性插值法进行缺失数据的填充;
通过指数加权平均法进行数据的降噪。
本发明的有益效果是:
1、通过机器学习中符号回归的方法计算并建立肖特基势垒二极管可靠性的解析模型,预测和分析其关键电学参数并评估其可靠性,同时,与现有建模方法相比,该方法不仅提高了计算效率和计算可靠性,还增加了模型可解释性,通过解析式中的各个项和参数,提供对了模型的深入理解。
2、采用基于符号回归的IGBT可靠性建模方法,通过机器学习,提供更准确全面、适用性广和可解释的可靠性预测模型,实现IGBT可靠性预测并为管理者提供维修建议,提高了运行效率,降低人工维护成本。
附图说明
图1为肖特基势垒二极管反向漏电的数据箱线图;
图2为肖特基势垒二极管正向导通电流的数据箱线图;
图3为基于可靠性预测模型得到的反向漏电流预测值和反向漏电流实际值的对比图;
图4为基于可靠性预测模型得到的正向导通电流预测值和的正向导通电流实际值的对比图。
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作出创造性劳动的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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
具体实施方式一
本实施方式的一种肖特基势垒二极管可靠性的预测方法,具体步骤如下:
步骤一、将需预测可靠性的肖特基势垒二极管的预计工作时长输入至训练好的可靠性预测模型,得到肖特基势垒二极管的可靠性参数预测值;
步骤二、将可靠性参数预测值与预设的可靠性参数阈值比较,在可靠性参数预测值小于可靠性参数阈值时,判断肖特基势垒二极管在预计工作时长后为可靠。
具体实施方式二
本实施方式是对实施方式一的进一步说明,本实施方式中,步骤一中,可靠性预测模型的训练过程如下:
步骤一一、建立符号回归模型;
步骤一二、获取多组训练数据,每组训练数据中均包括肖特基势垒二极管的可靠性参数的测试时长和可靠性参数实际值;
将可靠性参数的测试时长均作为符号回归模型的输入参数,将可靠性参数实际值均作为符号回归模型的输出参数,对符号回归模型进行训练,得到训练好的可靠性预测模型。
具体地,可以通过python语言进行具体工作:
计算机搭建机器学习中符号回归所用的python环境条件。
在PyCharm集成开发环境中配置Anaconda的虚拟环境,在Anaconda中,使用conda命令来创建新的虚拟环境,虚拟环境命名为PYSR,通过pip命令安装相关库,其中包括:pysr、pandas、scipy、matplotlib、numpy等python库。
在计算机系统安装Julia高级通用动态编程语言,并将其路径添加到计算机系统中的环境变量中。
通过import命令调用pysr库,对处理后的肖特基势垒二极管的可靠性参数进行训练。
创建符号回归模型对象,使用PySRRegressor类进行回归建模,指定可用的二元运算符,包括加法、减法、乘法和除法,一元运算符取系统默认值。
具体实施方式三
本实施方式是对实施方式二的进一步说明,本实施方式中,可靠性参数为反向漏电流;
可靠性预测模型如下:
I
其中,I
具体地,对于反向漏电流进行训练时,输入数据x为反向漏电流的测试时长t(h),输出数据y为对应的反向漏电流实际值,训练得到多组反向漏电流解析模型如表1所示:
表1反向漏电流解析模型
结合每个反向漏电流解析模型的复杂度和损失数值得到评价得分,选择最优的反向漏电流解析模型作为以反向漏电流作为可靠性参数的可靠性预测模型:
I
其中,I
将肖特基势垒二极管反向漏电流的预测值与该肖特基势垒二极管的真实实验数据(反向漏电流的实际值)的对比,以验证可靠性预测模型的精度。然后如图3所示,绘制基于肖特基势垒二极管的可靠性预测模型得到的反向漏电流预测值和反向漏电流实际值的对比散点图。
具体实施方式四
本实施方式是对实施方式二的进一步说明,本实施方式中,可靠性参数为正向导通电流;
可靠性预测模型如下:
其中,I
具体地,对于正向导通电流进行训练时,输入数x据为正向导通电流的测试时长t(h),输出数据y为正向导通电流实际值,训练得到多组正向导通电流解析模型如表2所示:
表2正向导通电流解析模型
结合正向导通电流解析模型的复杂度和损失数值得到评价得分,将最优的正向导通电流解析模型作为以正向导通电流作为可靠性参数的可靠性预测模型:
其中,I
将肖特基势垒二极管正向导通电流的预测值与该肖特基势垒二极管的真实实验数据(正向导通电流的实际值)的对比,以验证可靠性预测模型的精度。
如附图4所示,绘制基于可靠性预测模型得到的正向导通电流预测值和的正向导通电流实际值的对比图。
具体实施方式五
本实施方式是对实施方式二、三或四的进一步说明,本实施方式中,获得步骤一二中可靠性参数的测试时长和可靠性参数实际值的过程为:
在设定的可靠性参数总测试时长内,对用于采样的肖特基势垒二极管进行多次测量;
每次测量时,记录肖特基势垒二极管当前的可靠性参数的测试时长,以及测量得到对应的可靠性参数实际值。
具体地,数据采集测样本点时间间隔为12h,样本点数为12个。
之后,如图2所示,采用实施方式三中的肖特基势垒二极管的可靠性参数预处理方法,然后对处理后的肖特基势垒二极管的可靠性参数进行训练。
具体实施方式六
本实施方式是对实施方式五的进一步说明,本实施方式中,可靠性参数总测试时长为168h;并且,
当测量的可靠性参数为反向漏电流时,设置反偏电压为80V;
当测量的可靠性参数为正向导通电流时,设置正向导通电压为0.6V。
具体地,肖特基势垒二极管可靠性参数数据的测量与收集。
肖特基势垒二极管可靠性参数为反向漏电流和正向导通电流。
先将肖特基势垒二极管在老化环境为75℃,反偏电压为35V的环境下进行预处理,预处理时间可以根据本领域通用做法进行处理。
设定测量反向漏电流的总测试时长为168h,反偏电压为80V。
设定测量正向导通电流的总测试时长为168h,导通电压为0.6V。
具体实施方式七
本实施方式是对实施方式五的进一步说明,本实施方式中,对用于采样的肖特基势垒二极管进行测量前,还包括如下步骤:
在反偏电压为35V,且环境温度为75℃的条件下,对用于采样的肖特基势垒二极管老化进行静置。
具体实施方式八
本实施方式是对实施方式五的进一步说明,本实施方式中,多次测量的时间间隔为12小时,可靠性参数的测试时长和对应的可靠性参数实际值均为10~20个。
具体实施方式九
本实施方式是对实施方式一、二、三、五、六或七的进一步说明,本实施方式中,步骤一二中对符号回归模型进行训练前,还包括:
对可靠性参数实际值进行预处理的过程;
预处理包括异常值的处理,缺失数据的填充和数据的降噪。
具体实施方式十
本实施方式是对实施方式九的进一步说明,本实施方式中,通过z-score法或箱线图法进行异常值的处理;
通过单线性插值法进行缺失数据的填充;
通过指数加权平均法进行数据的降噪。
具体地,对肖特基势垒二极管的可靠性参数进行预处理,其中包括数据中异常值的处理,缺失数据的填充以及整体数据的降噪。
如图1所示,采用z-score方法和箱线图完成数据异常值的处理。
在配置完成的PyCharm集成开发环境中利用NumPy库和SciPy库进行z-score的计算,公式为:
其中,Z为z-score数值,x为某个数据点的数值,u是数据集的平均值,σ是数据集的标准差。
其中,箱线图利用matplotlib库进行绘制,触须长度取whis=0.5。
缺失数据采用单线性插值,公式为:
其中,y是要估计的未知点的值;y
其中,采用指数加权平均法进行整体数据的降噪,公式为:
E
E
其中,α平滑因子取0.1。
本发明通过一种基于符号回归的肖特基势垒二极管可靠性建模方法,与现有建模方法相比,提高了计算效率、可靠性和可解释性,可以定量计算肖特基势垒二极管可靠性参数,预测实际可靠性参数随时间变化的规律,有助于肖特基势垒二极管可靠性的评估和可靠性研究。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他实施例中。
- 一种软件可靠性时间序列预测方法及应用
- 一种变压器绝缘寿命预测与可靠性评估方法
- 一种基于加权交叉降维的服务系统可靠性预测方法
- 一种供电可靠性指标的预测方法、装置、设备和存储介质