一种回收芯片使用寿命的检测方法与流程

1.本发明涉及芯片回收技术领域，特别涉及一种回收芯片使用寿命的检测方法。


背景技术：

2.电子废弃物俗称“电子垃圾”，是指被废弃不再使用的电器或电子设备，电子垃圾需要谨慎处理，在一些发展中国家，电子垃圾的现象十分严重，造成的环境污染威胁着当地居民的身体健康，电子芯片作为一种电子产品，其回收多是采取粉碎、焚烧处理，这样不仅会造成资源的极大浪费，还会污染环境，所谓回收芯片是指由原厂生产，但是已经使用过，从pcb板移除下来的芯片，一类为老化型，即芯片已使用过，但仍具备功能，只是性能有所退化；另一类为功能丧失型，即已经不能按照元器件制造商规定的规格执行任何功能的芯片，回收芯片很容易经不法分子将回收的芯片以旧充新，流入市场，一旦回收芯片被误用于交通、关键基础设施以及军事装备等领域，可能导致灾难性的系统故障或造成重大安全事故。因此，有必要提出一种回收芯片使用寿命的检测方法，能够对回收电路板的使用寿命进行检测评定。


技术实现要素：

3.本发明提供了一种回收芯片使用寿命的检测方法，采用主成分分析法对芯片老化参数进行降维融合，进而通过梯度提升决策树算法训练得到使用寿命预测模型，用于对回收芯片使用寿命的预测，模型拟合速度快，训练时间短，预测精度高。
4.本发明的技术方案为：
5.一种回收芯片使用寿命的检测方法，包括：
6.步骤一、获取芯片样本仿真数据集，仿真数据集包括芯片样本的老化参数和芯片样本的使用寿命；
7.步骤二、采用主成分分析法筛选出老化参数中的关键特征参数，得到芯片样本仿真训练集；
8.步骤三、通过梯度提升决策树算法建立使用寿命预测模型，并优化使用寿命预测模型的参数；
9.步骤四、清洗回收芯片的历史数据，获取回收芯片的老化参数，并将回收芯片的老化数据输入使用寿命预测模型，得到回收芯片的使用寿命。
10.优选的是，老化参数包括电压、电流、阻值、门级电容和结温。
11.优选的是，芯片样本的老化参数通过芯片老化测试平台测量得到；
12.芯片样本的使用寿命通过芯片加速寿命试验得到。
13.优选的是，步骤二包括：
14.计算芯片样本的老化参数经验均值和协方差矩阵；
15.对协方差矩阵进行特征向量分解，并根据数据保留比例筛选出关键特征参数。
16.优选的是，步骤三包括：
17.选择回归树作为基学习器模型，初始化基学习器模型的损失函数；
18.输入芯片样本仿真训练集，对损失函数的一阶泰勒公式展开逼近残差，迭代强化基学习器模型；
19.采用网格搜索法优化使用寿命预测模型的参数。
20.优选的是，迭代强化所述基学习器模型包括：
21.计算芯片样本的关键特征参数残差，将残差作为新样本的使用寿命值，训练得到回归树；
22.计算回归树的每个叶子节点的最优拟合值，并更新回归树。
23.优选的是，芯片加速寿命试验包括：
24.获取芯片样本在加速应力试验下的失效时间；
25.根据失效时间和加速应力计算芯片样本的使用寿命。
26.优选的是，加速应力包括加速温度、加速湿度和加速电压。
27.优选的是，使用寿命的计算过程包括：
28.根据加速温度和实际应用环境温度计算温度加速因子；
29.根据加速湿度和实际应用环境湿度计算湿度加速因子；
30.根据加速电压和实际应用电压计算电压加速因子；
31.根据温度加速因子、湿度加速因子和电压加速因子计算得到综合加速因子；
32.根据综合加速因子和失效时间计算使用寿命。
33.优选的是，使用寿命的计算公式为：
[0034][0035]
其中，表示预测芯片使用寿命，t
*
表示失效时间，af表示综合加速因子。
[0036]
本发明的有益效果是：
[0037]
1、本发明提供了一种回收芯片使用寿命的检测方法，采用主成分分析法对老化参数进行降维融合，进而通过梯度提升决策树算法训练得到使用寿命预测模型，用于对回收芯片使用寿命的预测，模型拟合速度快，训练时间短，预测精度高。
[0038]
2、本发明提供了一种回收芯片使用寿命的检测方法，通过加速寿命试验和老化平台测试得到芯片样本数据集合，通过主成分分析筛选出关键特征参数，进行使用寿模型的迭代训练，提高了数据拟合的速率，将加速寿命实验的寿命预测方法转化为机器学习的预测方法，大大提高了回收芯片寿命检测的效率，节约了设备和人工成本。
附图说明
[0039]
图1为本发明提供的一种回收芯片使用寿命的检测方法流程图。
具体实施方式
[0040]
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。
[0041]“内”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅
是为了便于描述，而不是指示或暗示装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0042]
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
[0043]
如图1所示，一种回收芯片使用寿命的检测方法包括：
[0044]
s110、获取芯片样本仿真数据集，仿真数据集包括芯片样本的老化参数和芯片样本的使用寿命。
[0045]
其中，老化参数包括电压、电流、阻值、门级电容和结温，芯片样本的老化参数通过芯片老化测试平台测量得到；芯片样本的使用寿命通过芯片加速寿命试验得到。
[0046]
s120、采用主成分分析法筛选出老化参数中的关键特征参数，得到芯片样本仿真训练集；
[0047]
s130、通过梯度提升决策树算法建立使用寿命预测模型，并优化使用寿命预测模型的参数；
[0048]
s140、清洗回收芯片的历史数据，获取回收芯片的老化参数，并将回收芯片的老化数据输入使用寿命预测模型，得到回收芯片的使用寿命。
[0049]
主成分是一种数据压缩和特征提取的多变量统计分析技术，能够有效去除数据间的相关性，目的就是在保证数据损失尽可能小的前提下，经过线性变换舍弃小部分信息，以少数新的综合变量取代原始变量，因此要求主成分能够充分反映原始变量的信息，同时又互不相关，从而进行样本评价。
[0050]
在许多情况下可以通过主成分分析法来降低特征向量的维数，将多个参数转换为较少数量的主成分，同时主成分分析还可以消除变量间的线性相关性，并通过融合多个变量来抑制噪声，降低预测结果产生偏差。
[0051]
具体的，本发明步骤s120组成分分析的过程包括：
[0052]
通过步骤s110得到芯片样本仿真数据集，取其中芯片样本的老化参数集x进行主成分分析降维处理。
[0053]
首先，计算芯片样本的老化参数经验均值和协方差矩阵。
[0054]
芯片样本的老化参数集x＝(x1,x2,...,x
l
)，包含l个芯片样本，x表示老化参数，x为n维变量，则x的经验均值为：
[0055]
μ＝(μ1,μ2,
…
,μ
n
)
t
；
[0056][0057]
进而计算样本的协方差矩阵为：
[0058][0059]
其中，h表示全为1的n维向量。
[0060]
然后，对协方差矩阵进行特征向量分解，并根据数据保留比例筛选出关键特征参数。
[0061]
实际应用中对协方差矩阵c进行特征向量分解，并选取前m个特征向量为关键特征参数，特征向量数m的选择取决于数据保留比例，如设定数据保留比例为80％，则有：
[0062][0063][0064]
其中，λ
n
表示方差贡献率，因此，可以对数据集x进行降维处理，并保留系统80％方差得到关键特征参数为：
[0065][0066]
其中，v
m
＝(v1,v2,
…
,v
m
)表示由m个特征向量组成的n
×
m矩阵。
[0067]
梯度提升决策树算法是采用前向分布进行迭代，每次迭代以损失函数最小为优化目标，学习基函数及其权重系数。假设第t
‑
1次迭代得到的学习器为f
t
‑1(x)损失函数，则第t次迭代的目的是寻找一个基函数g(x,θ
t
)使得损失函数l(y,f(x))最小。
[0068]
具体的，本发明步骤s130使用寿命模型的训练过程包括：
[0069]
首先，选择回归树作为基学习器模型，初始化基学习器模型的损失函数：
[0070][0071]
l(y,f(x))＝l(y,f
t
‑1(x)+g(x,θ
t
))＝[y
‑
f
t
‑1(x)
‑
g(x,θ
t
)]2＝[r
‑
g(x,θ
t
)]2；
[0072]
其中，f
t
(x)表示第t次迭代得到的学习器，y表示使用寿命，c表示使损失函数达到极小值的常数，l(y,f(x))表示损失函数，g(x,θ
t
)表示基函数，r表示残差r＝y
‑
f
t
‑1(x)。
[0073]
然后，输入芯片样本仿真训练集d＝{(x
i
,y
i
),x
i
∈z}，迭代生成s个基学习器，计算每个样本的残差，对损失函数进行泰勒公式的一阶展开作为样本残差的近似值：
[0074][0075]
将残差作为新样本的使用寿命值，以{(x
i
,r
ti
),x
i
∈z}为训练数据，训练得到回归树f
t
(x)，其叶子节点集合为{r
tj,j＝1,2,
…
,j
}；
[0076]
对每个叶子节点j＝1,2,
…
,j计算最优拟合值r
ti
；
[0077]
r
ti
＝argmin∑l(y
i
,f
t
‑1(x
i
)+rf
t
(x))；
[0078]
更新f
t
(x)：
[0079][0080][0081]
最后，得到强化后的学习器模型：
[0082][0083]
通过梯度提升决策树算法训练得到使用寿命预测模型，拟合速度快，训练时间短，
预测精度高，用于回收芯片的使用寿命预测，相比于加速应力试验测试芯片使用寿命的方法，一方面减少了对芯片性能的损伤，另一方面减少了设备投入和人工成本，提高了检测效率，综合效率高。
[0084]
具体的，芯片加速寿命试验包括：
[0085]
获取芯片样本在加速应力试验下的失效时间，本发明采用高温高湿条件下加电压加速运行芯片进行试验分析，选取幂律模型进行加速寿命分析，记录样本的失效时间。
[0086]
根据失效时间和加速应力计算芯片样本的使用寿命。
[0087]
其中，加速应力包括加速温度、加速湿度和加速电压。
[0088]
使用寿命的计算过程包括：
[0089]
根据加速温度和实际应用环境温度计算温度加速因子δ
t
＝exp[(e/k)(1/t0‑
1/t
a
)]；
[0090]
根据加速湿度和实际应用环境湿度计算湿度加速因子δ
h
＝h
a
/h0；
[0091]
根据加速电压和实际应用电压计算电压加速因子δ
v
＝v
a
/v0；
[0092]
根据温度加速因子、湿度加速因子和电压加速因子计算得到综合加速因子af＝δ
t
·
δ
h
·
δ
v
；
[0093]
根据综合加速因子和失效时间计算使用寿命
[0094]
其中，δ
t
表示温度加速因子，t
a
表示加速温度，t0表示实际应用环境温度，e表示激活能，k表示波尔曼常数，δ
h
表示湿度加速因子，h
a
表示加速湿度，h0表示实际应用环境湿度，δ
v
表示压力加速因子，v
a
表示加速压力，v0表示实际应用电压，δ表示综合加速因子，表示预测芯片使用寿命，t
*
表示失效时间，af表示综合加速因子。
[0095]
在一个具体实施例中，芯片样本使用寿命的计算过程为：将芯片样本置于以下测试条件下进行高加速试验：温度t
a
＝130℃、相对湿度h
a
＝85％、电压v
a
＝50v，按测试条件进行试验，芯片失效时间为t
*
＝10h。
[0096]
基于幂律模型进行寿命分析：
[0097]
芯片实际应用环境温度温度为t0＝20℃，温度加速因子δ
t
＝exp[(e/k)(1/t0‑
1/t
a
)]＝1863；
[0098]
芯片实际应用环境湿度为h0＝70％，湿度加速因子δ
h
＝h
a
/h0＝85/70＝1.214；
[0099]
芯片实际应用电压v0＝18v，电压加速因子δ
v
＝v
a
/v0＝50/18＝2.78
[0100]
综合加速因子af＝δ
t
·
δ
h
·
δ
v
＝1863
×
1.214
×
2.78＝6287.5；
[0101]
芯片预计使用寿命
[0102]
本发明提供了一种回收芯片使用寿命的检测方法，通过老化测试平台和加速寿命实验测试获取芯片样本仿真数据集，采用主成分分析法对老化参数进行降维融合，进而通过梯度提升决策树算法训练得到使用寿命预测模型，用于对回收芯片使用寿命的预测，模型拟合速度快，训练时间短，预测精度高。将加速寿命实验的寿命预测方法转化为机器学习的预测方法，大大提高了回收芯片寿命检测的效率，节约了设备和人工成本。
[0103]
以上内容仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不脱离本发明的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护
范围，这些都不会影响本发明实施的效果和专利的实用性。