(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111442499.8 (22)申请日 2021.11.30 (71)申请人 贵州航天计量测试技 术研究所 地址 550009 贵州省贵阳市小河区红河路7 号 (72)发明人 魏自强　班元郎　王文玺　 (74)专利代理 机构 贵阳中新专利商标事务所 52100 代理人 商小川 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01)G06F 119/04(2020.01) (54)发明名称 一种电子元器件 寿命预测方法 (57)摘要 本发明公开了一种电子元器件寿命预测方 法， 它包括： 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； 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； 得到干净结构化数据文件； 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； 模 型构建： 建立BP神经网络预测模型； 通过权值初 始化， 训练数据集， 并验证数据集指标； 检测是否 到达预测精度， 未达到预测精度则进行参数调整 返回模型训练； 测试集数据输入训练好的模型得 到预测结果； 解决了现有技术对电子元器件寿命 预测中受限于寿命预测的成本及时间等计算问 题。 权利要求书2页 说明书6页 附图2页 CN 114091347 A 2022.02.25 CN 114091347 A 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xj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wij来表示； 隐含层中第i个神经元的 阈值用 θi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ak、 wk， 输出用Ok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neti和输出yi:权　利　要　求　书 1/2 页 2 CN 114091347 A 2输出层第k个神经 元的输入netk和输出Ok： 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。权　利　要　求　书 2/2 页 3 CN 114091347 A 3