[发明专利]一种电子元器件寿命预测方法

权利要求书

1.一种电子元器件寿命预测方法，它包括：

步骤1、数据收集：收集批次元器件输入的测试数据、元器件贮存环境数据、寿命试验数据和特性测试数据，得到寿命预测的数据源；

步骤2、数据融合：将寿命预测的数据源数据进行数据融合，得到数据融合数据文件；

步骤3、数据清洗：得到干净结构化数据文件；

步骤4、特征提取：利用主成分分析法对元器件数据进行降维，利用核独立成分提取元器件数据的非线形特征获得元器件的特征参数；

步骤5、模型构建：建立BP神经网络预测模型；

步骤6、模型训练：通过权值初始化，训练数据集，并验证数据集指标；

步骤7、模型参数调整：检测是否到达预测精度，未达到预测精度则进行参数调整返回步骤6；

步骤8、测试集数据输入训练好的模型得到预测结果。

2.根据权利要求1所述的一种电子元器件寿命预测方法，其特征在于：步骤1所述寿命预测的数据源包括：元器件批次号、日期、序列号、贮存温度、湿度、标称电压、标称电容、大小、测试电压、评价、电性能参数及电性能参数公差元数据。

3.根据权利要求1所述的一种电子元器件寿命预测方法，其特征在于：步骤3所述数据清洗：得到干净结构化数据文件的方法包括：

步骤3.1、构建基于孤立森林(isolation forest IF)的异常数据识别模型；首先对已知且连续时间的数据集进行随机划分，然后通过利用异常数据和正常数据的差异性实现准确的识别；

步骤3.2、数据经过IF模型计算后形成不同的密度区域，通过计算数据异常值评分反映数据所在密度区域，并对异常数据进行剔除；

步骤3.3、异常数据经过剔除后形成不同的数据缺失,根据缺失数据的分布不同将缺失数据划分为间断数据缺失模式、连续数据缺失模式和水平数据缺失模式进行缺失值处理；处理方法为通过Arrhenius模型对电子元器件进行仿真，填充缺失的数据；然后通过检查数据一致性，处理无效值，得到干净结构化数据文件。

4.根据权利要求1所述的一种电子元器件寿命预测方法，其特征在于：步骤5所述：建立BP神经网络预测模型的方法为：通过附加动量法、L-M算法、共轭梯度法，建立BP神经网络预测模型。

5.根据权利要求4所述的一种电子元器件寿命预测方法，其特征在于：建立BP神经网络预测模型的具体方法为：

BP神经网络包含输入层和隐含层，其中输入层输入j个神经元，第j个神经元用x_j表示；隐含层第i个神经元和输入层第j个神经元连接权值用wi_j来表示；隐含层中第i个神经元的阈值用θ_i表示；Φ(x)来表示隐含层的激励函数；神经网络中的输出层，输出层的第k个神经元的阈值，第k个神经元与隐含层第i个神经元之间的权值分别用a_k、w_k，输出用O_k表示；激励函数Ψ(x)；其中j＝1,2,...,M,i＝1,...,q,k＝1,....,L；

隐含层第i个神经元的而输如net_i和输出y_i:

输出层第k个神经元的输入net_k和输出O_k：

计算出隐含从与输出层的输出数值之后，将这些数值进行修正；针对权值和阈值之间的关系得到元器件数值参数；将得到的参数与历史数据进行比对，通过分析历史数据和数值参数相关的数据关联获取到元器件故障的预测数据。