一种混合搜索算法优化BP神经网络的多芯片故障诊断方法

本发明属于芯片故障诊断，具体涉及一种混合搜索算法优化bp神经网络的多芯片故障诊断方法。

背景技术：

1、近年来，随着电子系统的复杂性、综合性和智能性程度不断提高，芯片尺寸不断缩小，管脚数目逐渐增多，对芯片的生产质量和生产效率提出了更高的要求。芯片生产制造过程中技术复杂，材料、环境、工艺参数等因素的微变常导致芯片产生内部电性故障，影响产品良率。芯片内部故障检测作为芯片生产线中的关键环节，可以积极地反馈产品质量信息，避免瑕疵产品流入市场，提高设备可靠性和稳定性。传统的人工观察芯片电流、电压等信号的检测方法存在效率低、精度低、劳动强度大和标准不统一等缺点。针对这一问题，神经网络因其出色的并行数据处理、良好的容错性以及较好的自适应性在故障诊断上得到了广泛应用。

2、bp神经网络是应用最广泛的一种神经网络，但它存在所需训练样本多、易陷入局部极小、学习效率低、收敛速度慢等问题。一般bp神经网络模型的建立、学习以及诊断的效率都与输入故障向量维数的高低有关，维数越高，网络结构越庞大；且传统的梯度下降法优化网络参数时极易陷入局部最优，最后影响bp神经网络学习、诊断效率，还可能导致分类不准确。此外，常用的芯片失效分析设备只能对单个芯片的管脚进行伏安特性(iv)曲线绘制，并且需要人工一一判别曲线异常，才能诊断出故障芯片。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种混合搜索算法优化bp神经网络的多芯片故障诊断方法。本发明要解决的技术问题通过以下技术方案实现：

2、本发明提供一种混合搜索算法优化bp神经网络的多芯片故障诊断方法，包括：

3、建立每个待检测芯片中各管脚的伏安特性曲线；

4、基于所述伏安特性曲线，提取所述各管脚的特征值，并构建待检测芯片的故障模型；

5、利用logistic-sine-cosine混沌映射初始化麻雀种群；

6、基于初始化的麻雀种群，利用引入萤火虫扰动的麻雀搜索算法fssa搜索搭建的bp神经网络的最优参数；

7、基于所述最优参数构建bp神经网络后，将所述故障模型输入构建好的bp神经网络，得到待检测芯片各个管脚的故障诊断结果。

8、在本发明的一个实施例中，基于所述伏安特性曲线，提取所述各个管脚的特征值，并构建待检测芯片的故障模型的步骤，包括：

9、基于所述伏安特性曲线，提取各个管脚的特征值并构建特征矩阵；所述特征值包括：空载电压voc、短路电流isc、填充因子mpp和电阻r；所述特征矩阵表示为：

10、

11、式中，voc1m、voc2m、…、vocnm分别表示第1、2…、n个待检测芯片中第m个管脚的空载电压，isc1m、isc2m、…、iscnm分别表示第1、2…、n个待检测芯片中第m个管脚的短路电流，mpp1m、mpp2m、……、mppnm分别表示第1、2…、n个待检测芯片中第m个管脚的填充因子，r1m、r2m、……、rnm分别表示第1、2…、n个待检测芯片中第m个管脚的电阻；

12、根据所述特征矩阵，分别计算所述各个管脚的特征值与正常状态的待检测芯片管脚的特征值间的欧式距离，得到各个管脚的故障向量；

13、利用所述各个管脚的故障向量构建故障矩阵；

14、对所述故障矩阵进行pca降维，得到待检测芯片的故障模型。

15、在本发明的一个实施例中，利用logistic-sine-cosine混沌映射初始化麻雀种群的步骤，包括：

16、将logistic映射与sine映射作为种子映射，与cosine映射级联，构成logistic-sine-cosine混沌映射：

17、xi+1＝＝cos(π(4rxi(1-xi)+(1-r)sin(πxi)-0.5))；

18、式中，r表示随机数，xi表示第i个麻雀个体，所述麻雀个体的维度为d，r∈[0,1]，x∈[0,1]；

19、利用所述logistic-sine-cosine混沌映射初始化种群规模为n的麻雀种群。

20、在本发明的一个实施例中，基于初始化的麻雀种群，利用引入萤火虫扰动的麻雀搜索算法fssa搜索搭建的bp神经网络的最优参数的步骤，包括：

21、初始化相关参数并将所述初始化的麻雀种群作为当前麻雀种群；所述相关参数至少包括最大迭代次数、发现者比例、警戒者比例以及安全阈值；

22、计算所述当前麻雀种群中个体的适应度值并排序，确定所述适应度值中的最优值和最差值；

23、按照发现者比例，选取适应度值较优的部分麻雀个体作为发现者之后，将剩余的麻雀个体作为加入者；

24、根据所述发现者的当前位置更新其在下一次迭代时的位置，并根据所述加入者的当前位置更新其在下一次迭代时的位置；

25、按照警戒者比例，从所述当前麻雀种群中选取警戒者，并根据所述警戒者的当前位置更新其在下一次迭代时的位置；

26、将所述当前麻雀种群中的麻雀个体视作萤火虫个体，根据发现者更新后的位置、加入者更新后的位置以及警戒者更新后的位置，计算适应度值以作为各萤火虫个体的最大荧光亮度i0；

27、根据所述最大荧光亮度i0计算各萤火虫个体的荧光亮度及吸引度；

28、利用萤火虫扰动公式和所述吸引度对萤火虫个体进行位置更新后，对处于最优位置的萤火虫个体进行随机扰动；

29、计算各个萤火虫个体的荧光亮度作为适应度值，保留最优个体位置；

30、判断当前迭代次数是否达到最大迭代次数；若否，则将萤火虫个体视作麻雀个体，并返回所述计算所述当前麻雀种群中个体的适应度值并排序的步骤；若是，则获得全部的全局最优解，作为所述bp神经网络的最优参数。

31、在本发明的一个实施例中，按照如下公式，根据所述发现者的当前位置更新其在下一次迭代时的位置：

32、

33、式中，t表示当前迭代次数，分别表示第i个麻雀个体的第j维在第t次、第t+1次迭代时的位置，q表示服从正态分布的随机数，α表示(0,1]之间均匀分布的随机数，l为1×d维的全1矩阵，itermax表示最大迭代次数，r2表示预警值，为[0,1]之间的随机数，st表示所述安全阈值。

34、在本发明的一个实施例中，按照如下公式，根据所述加入者的当前位置更新其在下一次迭代过程中的位置：

35、

36、式中，和分别表示第t次迭代与第t+1次迭代时麻雀个体所处的全局最差位置与局部最优位置，a表示元素为1或-1的多维矩阵，a+＝at(aat)-1。

37、在本发明的一个实施例中，按照如下公式，根据所述警戒者的当前位置更新其在下一次迭代时的位置：

38、

39、式中，表示所述当前麻雀种群的全局最优位置，θ表示第一步长控制参数，为服从均值为0、方差为1的正态分布的随机数，ε为常数，随机数k∈[-1,1]用于控制麻雀的运动方向，fi表示第i个麻雀个体的适应度值，fg、fw分别表示所述当前麻雀种群的最优适应度值与最差适应度值。

40、在本发明的一个实施例中，按照如下公式计算各个萤火虫个体的荧光亮度作为适应度值：

41、i＝i0·exp(-γlp,q)；

42、式中，γ表示光强吸收系数，lp,q为表示第p、q个萤火虫个体之间的空间距离。

43、在本发明的一个实施例中，按照如下公式计算各萤火虫个体的吸引度：

44、

45、式中，β0表示最大吸引度。

46、在本发明的一个实施例中，所述萤火虫扰动公式为：

47、yp＝yp+β·(yq-yp)+α·[rand(*)-1/2]；

48、式中，yp、yq分别表示第p、q个萤火虫个体的空间位置，α表示第二步长控制参数。

49、与现有技术相比，本发明的有益效果在于：

50、本发明提供一种混合搜索算法优化bp神经网络的多芯片故障诊断方法，针对麻雀搜索算法在处理复杂优化问题时存在的搜索空间不足、收敛速度慢和易陷入局部最优的问题，采用混沌映射初始化麻雀个体位置，以丰富种群多样性，解决种群分布不均匀、搜索空间不足等问题，使得搜索的种群位置更加均匀，确保搜索算法能以一条理想的寻优算法向全局最优解靠近，从而加速模型的建立。

51、其次，本发明在麻雀搜索算法中引入萤火虫算法，以优化bp神经网络的参数。萤火虫算法具有较强的全局和局部寻优能力，而麻雀搜索算法收敛速度快、寻优精度高，本发明充分利用了上述两个优势，融合组成萤火虫-麻雀搜索混合算法，得到bp神经网络的最佳参数，使优化后的bp神经网络具有良好的性能，检测准确性有所提高并且能够同时实现大规模芯片的故障检测，提高了检测效率，降低生产成本。

52、以下将结合附图及实施例对本发明做进一步详细说明。