CN114781128A - 一种利用人工智能技术的芯片寿命预测***及方法 - Google Patents
一种利用人工智能技术的芯片寿命预测***及方法 Download PDFInfo
- Publication number
- CN114781128A CN114781128A CN202210294933.0A CN202210294933A CN114781128A CN 114781128 A CN114781128 A CN 114781128A CN 202210294933 A CN202210294933 A CN 202210294933A CN 114781128 A CN114781128 A CN 114781128A
- Authority
- CN
- China
- Prior art keywords
- chip
- aging
- curve
- tested
- service life
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种利用人工智能技术的芯片寿命预测***及方法,包括步骤S100:分别获取不同规格型号芯片在出厂前得到寿命数据时的仿真老化轨迹曲线;分别对不同芯片的仿真老化轨迹曲线进行使用时长划阶段处理;步骤S200:基于各芯片在不同使用时长阶段的老化特征值进行曲线拟合得到各芯片的老化特征值轨迹曲线;步骤S300:进行初始匹配判断得到匹配判断结果,匹配判断结果包括需对待测芯片进行寿命预测时长调整、不需对待测芯片进行寿命预测时长调整、需对待测芯片进行仿真老化轨迹曲线的重新匹配;步骤S400:对匹配判断结果进行校验;步骤S500:按照校验过的匹配判断结果对待测芯片进行寿命的匹配及预测。
Description
技术领域
本发明涉及人工智能设备寿命预测技术领域,具体为一种利用人工智能技术的芯片寿命预测***及方法。
背景技术
现有技术中对于芯片寿命进行预测,往往会根据历史芯片的投入使用情况得到对应的寿命老化轨迹曲线,而对于新投入使用的相同规格型号的数据也都一致参考以往得到的寿命老化轨迹曲线进行寿命预测;但实际使用过程中,芯片的使用场景往往复杂多样,因为需要的不同芯片实际工作的环境也是不同的,而外界环境的不同或者人为操作习惯的不同对芯片使用寿命带来的影响也是不同的;有些芯片因为长期恶劣的环境或者长期人为不正当的操作导致其相对于同规格型号的其他芯片出现了提前老化的现象;有些芯片也可能因为长期恶劣的环境或者长期人为不正当的操作导致芯片性能被根本破坏了的现象,所以这些时候若再对这些芯片按照原有的老化曲线轨迹进行预测得到的结果往往都是不准确且不具备参考价值的。
发明内容
本发明的目的在于提供一种利用人工智能技术的芯片寿命预测***及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种利用人工智能技术的芯片寿命预测方法,其特征在于,预测方法包括:
步骤S100:预测***分别获取不同规格型号芯片在出厂前得到寿命数据时的仿真老化轨迹曲线;仿真老化轨迹曲线是指设置芯片在标准供应情况下得到的芯片性能参数值随着使用时长衰减变化的轨迹曲线;分别对不同芯片的仿真老化轨迹曲线进行使用时长划阶段处理分别得到不同芯片使用时长划阶段处理的分段周期以及不同芯片在各分段周期对应的老化特征值;
步骤S200:基于各芯片在不同使用时长阶段的老化特征值进行曲线拟合得到各芯片的老化特征值轨迹曲线;
步骤S300:预测***基于待测芯片的信息结合对应的仿真老化轨迹曲线和老化特征值轨迹曲线进行初始匹配判断得到匹配判断结果,匹配判断结果包括需对待测芯片进行寿命预测时长调整、不需对待测芯片进行寿命预测时长调整、需对待测芯片进行仿真老化轨迹曲线的重新匹配;
步骤S400:对需对待测芯片进行寿命预测时长调整的匹配判断结果和需对待测芯片进行仿真老化轨迹曲线重新匹配的匹配判断结果进行校验;
步骤S500:按照校验过的匹配判断结果对待测芯片进行寿命的匹配及预测。
进一步的,步骤S100包括:
步骤S101:设第i种规格型号的芯片使用寿命为Ti,Ti的单位为A;基于Ti随机设置若干种划分时间周期ti,一种ti数值的设置方式对应一种使用时长划分方法,ti的单位为A-1;分别基于ti将第i种规格型号的芯片使用寿命Ti划分得到N个使用时长阶段;分别在k个使用时长阶段内计算每间隔一个A-2单位得到的性能变化率p;其中,A-1表示A的下一级单位;A-2表示A的下两级单位,A-1的下一级单位;
步骤S104:按照步骤S101-步骤S103分别计算不同种规格型号芯片的不同种使用时长划分方法对应的方差拟合优度,对每一种规格型号芯片选择方差拟合优度最接近1的使用时长划分方法作为最佳划分方法;将最佳划分方法对应的划分时间周期作为对该种规格型号芯片进行使用时长划阶段处理的分段周期,得到若干个使用时长阶段,将每个使用时长阶段内所有性能变化率的平均值作为各分段周期对应的老化特征值;
上述对各种芯片进行仿真老化轨迹曲线的使用时长划阶段处理是为了得到各种芯片在不同时间段内的平均老化特征;因为芯片是个长寿命的部件,但是全新的芯片和使用过一段时间的芯片和使用过过半时间的芯片在老化的速度上是有区别的,在本申请中,对不同芯片进行使用时长划阶段处理的方法运用了聚类的思维,使得在最终确定的划分方法中位于同一个使用时长阶段内部的性能变化率相似性最大,而不同使用时长阶段之间的性能变化率相异性最大;根据各使用时长阶段的性能变化率可以实现对芯片进行寿命预测时的阶段锁定,使得最终得到的芯片寿命预测结果更精确。
进一步的,步骤S200包括:
步骤S201:记最终得到的分段周期为h,使用时长阶段的个数为Eh,第i个使用时长阶段的老化特征值为Ri;记第i个使用时长阶段的时间范围为[(i-1)h,ih];以每个使用时长阶段的时间范围为横坐标,以每个使用时长阶段的老化特征值为纵坐标,得到Eh个坐标点,每个坐标点的形式如:[[(i-1)h,ih],Ri];
步骤S202:分别将各芯片对应的Eh个坐标点进行曲线拟合得到各芯片在不同使用时长阶段内老化特征值的轨迹曲线;
上述得到的各芯片在不同使用时长阶段内老化特征值的轨迹曲线正是在对芯片的仿真老化轨迹曲线进行化阶段处理后得到的曲线,且该曲线可以更好的体现出不同的芯片的不同寿命老化特征,也能体现出不同芯片之间的性能好坏,类似于一个性能较好的芯片相对于一个性能较差的芯片而言,或许它们在最开始使用时长阶段的初始老化特征值接近,但性能好的芯片从初始老化特征值要进入下一个次老化特征值所需要的时间会比性能差的芯片的从初始老化特征值进入下一个次老化特征值所需要的时间更长;也就是说性能好的芯片能维持一开始的初始老化特征值较性能差的芯片维持一开始的初始老化特征值的时间周期长;又或许它们由初始老化特征值进入下一个次老化特征值所需要的时间接近,但是初始老化特征值之间区别大,即性能好的芯片的初始老化特征值远小于性能差的芯片的初始老化特征值;所以各规格型号芯片的老化特征值的轨迹曲线即可作为区分不同性能不同规格型号芯片的直观特征曲线。
进一步的,步骤S300包括:
步骤S301:设根据待测芯片的规格型号初始匹配到仿真老化轨迹曲线L1,老化特征值轨迹曲线L2;获取待测芯片直至寿命预测当前时刻的已实际投入使用时长Ta、直至寿命预测当前时刻的实际性能参数值Ya、Ta在曲线L2中的所属分段周期Ra、与所属分段周期Ra对应的老化特征值Ua;根据Ta在曲线L1中得到标准性能参数值Yb;
步骤S302:根据Ya在曲线L1中得到使用时长Tb,获取Tb在曲线L2中的所属分段周期Rb、与所属分段周期Rb对应的老化特征值Ub;根据Ta在曲线L1中得到标准性能参数值Yb;
步骤S302:若Ya>Yb,判定需对待测芯片进行寿命预测时长调整;若Ya=Yb,判定不需对待测芯片进行寿命预测时长调整;若Ya<Yb,且Ra=Rb或者Ra≠Rb,即的值包含于(Ua,Ub)中,判定需对待测芯片进行寿命预测时长调整;若Ya<Yb,且Ra≠Rb,即的值不包含于(Ua,Ub)中,判定需对待测芯片进行仿真老化轨迹曲线的重新匹配;
Ya>Yb是指,实际性能参数值Ya出现了比按照标准仿真老化轨迹曲线得到的性能参数值Yb大,即当前芯片处于健康状态,且它可能是因为使用频率少保管得当的原因,使用寿命会比按照实际投入使用的时长进行寿命预估得到的寿命长;Ya=Yb是指实际性能参数值Ya与按照标准仿真老化轨迹曲线得到的性能参数值Yb一样,即当前芯片处于健康状态,芯片完全按照标准仿真老化轨迹曲线的变化规律进行性能参数值的变化;Ya<Yb是指实际性能参数值Ya出现了比按照标准仿真老化轨迹曲线得到的性能参数值Yb小,即当前芯片可能处于不健康状态,且它可能是因为使用频率高保管不得当的原因,使用寿命会比按照实际投入使用的时长进行寿命预估得到的寿命短,即同规格型号的芯片出现了明明才使用了较短时间,但它的老化特征值和使用了较长时间才会出现的老化特征值相等;若Ra=Rb或者Ra≠Rb,即说明芯片确实发生了提前老化现象,但是它还是按照标准仿真老化轨迹曲线的变化规律进行性能参数值变化,只是出现了跳阶段老化;Ya<Yb,且Ra≠Rb,即说明芯片确实发生了提前老化现象,但是它并没有按照标准仿真老化轨迹曲线的变化规律进行性能参数值变化,可能出现因为使用频率高保管不得当的原因,发生了性能的转变,它的老化规律变成同另一种规格型号且性能较差的芯片的老化规律一样了,则意味着按照原先根据规格型号匹配的标准仿真老化轨迹曲线进行寿命预测就不太准确了,需对待测芯片进行仿真老化轨迹曲线的重新匹配。
进一步的,步骤S400包括:
步骤S401:基于人工智能捕捉历史与待测芯片规格型号相同的芯片在实际使用过程中会导致损害芯片性能的若干注意操作事项;
步骤S402:若在对某一待测芯片进行寿命预测时出现需进行寿命预测时长调整的匹配判断结果,调取对某一待测芯片在寿命预测之间的历史操作记录,若历史操作记录中出现有实施了若干注意操作事项,则校验结果为通过;
步骤S403:若在对某一待测芯片进行寿命预测时出现需进行仿真老化轨迹曲线重新匹配的匹配判断结果,调取对某一待测芯片在寿命预测之间的历史操作记录,若历史操作记录中出现有实施了若干注意操作事项,且实施次数大于步骤S402中实施了若干注意操作事项的实施次数或者任意一次实施记录中注意操作事项的持续时间大于步骤S402中实施了相同注意操作事项的持续时间,则校验结果为通过。
进一步的,步骤S500对待测芯片进行寿命的匹配及预测的过程包括:
当Ya>Yb时,根据Ya在曲线L1中得到使用时长Tb,将使用时长Tb作为对待测芯片进行寿命预测的实际起算时长,即将待测芯片沿着曲线L1对使用时长Ta进行时长调整为从Tb开始进行寿命预测得到寿命预测结果;
上述是指出现了当前芯片处于健康状态,且它可能是因为使用频率少保管得当的原因,使用寿命比按照实际投入使用的时长进行寿命预估得到的寿命长,它的准确起算寿命时间需要往前移;
当Ya=Yb时,将待测芯片沿着曲线L1从Ta开始进行寿命预测得到寿命预测结果;
上述是指当前芯片处于健康状态,芯片完全按照标准仿真老化轨迹曲线的变化规律进行性能参数值的变化;
上述是指芯片发生了提前老化现象,但是它还是按照标准仿真老化轨迹曲线的变化规律进行性能参数值变化,只是出现了跳阶段老化,它的准确起算寿命时间需要往后移;
当Ya<Yb,且Ra≠Rb,时,分别将待测芯片直至寿命预测当前时刻的已实际投入使用时长Ta、直至寿命预测当前时刻的实际性能参数值Ya代入第i种规格型号芯片的仿真老化轨迹曲线L1i以及与仿真老化轨迹曲线L1i对应的老化特征值轨迹曲线L2i中;根据Ta分别在曲线L1i中得到对应的标准性能参数值Ybi;筛选出满足Ybi-Ya之间得到的偏差值小于偏差阈值的若干仿真老化轨迹曲线得到仿真老化轨迹曲线集S1;获取待测芯片出厂时的总性能参数值Yq,计算在仿真老化轨迹曲线集S1内各自对应的老化特征值轨迹曲线L2i中筛选出老化特征值与相等的仿真老化轨迹曲线得到仿真老化轨迹曲线集S2,分别获取与相等的老化特征值所属的分段周期,将分段周期的范围与Ta之间相隔最远的仿真老化轨迹曲线判定为重新与待测芯片进行寿命预测匹配的仿真老化轨迹曲线;
上述是指芯片发生了提前老化现象,但是它并没有按照标准仿真老化轨迹曲线的变化规律进行性能参数值变化,出现了因为使用频率高保管不得当的原因,发生了性能的转变;为它重新找寻寿命预测匹配的仿真老化轨迹曲线,首先现根据实际测得和获取的Ya和Ta找到曲线匹配度较高的仿真老化轨迹曲线,接着将根据这些仿真老化轨迹曲线对应的老化特征值轨迹曲线得到的老化特征值进行进一步的匹配,即为待测芯片找到了仿真老化轨迹曲线和老化特征值轨迹曲线匹配度与其匹配最高的另一规格型号芯片,这个另一规格型号芯片的性能符合待测芯片发生性能转变后的实际性能,对待测芯片按照该规格型号芯片的标准仿真老化轨迹曲线进行寿命预测得到结果更精确。
为更好的实现上述方法还提出了一种利用人工智能技术的芯片寿命预测***,预测***包括:老化数据采集模块、老化周期划阶段处理模块、特征值处理模块、初始匹配判断模块、校验模块、匹配预测模块;
老化数据采集模块,用于获取不同规格型号芯片在出厂前得到寿命数据时的仿真老化轨迹曲线;
老化周期划阶段处理模块,用于接收老化数据采集模块中的数据,对不同芯片的仿真老化轨迹曲线进行使用时长划阶段处理;
特征值处理模块,用于接收老化周期划阶段处理模块中的数据,获取各芯片在不同使用时长阶段的老化特征值并进行曲线拟合得到各芯片的老化特征值轨迹曲线;
初始匹配判断模块,用于通过待测芯片的信息结合对应的仿真老化轨迹曲线和老化特征值轨迹曲线进行初始匹配判断得到匹配判断结果;
校验模块,用于接收初始匹配判断模块中的数据,对数据进行数据校验;
匹配预测模块,用于接收校验模块中的数据,完成对待测芯片进行寿命匹配及预测。
进一步的,老化周期划阶段处理模块包括:划分时间周期设置单元、计算单元、优选单元;
划分时间周期设置单元,用于分别基于不同规格型号芯片的寿命随机设置若干种划分时间周期;
计算单元,用于完成对老化周期划阶段处理中涉及到的性能变化率的计算,偏差平方和的计算,方差拟合优度的计算;
优选单元,用于接收计算单元中的数据,分别完成对不同规格型号芯片的最优划分时间周期的选择。
进一步的,初始匹配判断模块包括:数据捕捉单元、判断单元、匹配分析单元;
数据捕捉单元,用于捕捉对待测芯片进行寿命预测过程中所需要的所有判断数据;
判断单元,用于接收数据捕捉单元中的数据,基于数据进行匹配判断;
匹配分析单元,用于接收判断单元中的数据,基于数据得到需对待测芯片进行寿命预测时长调整的匹配分析结果和需对待测芯片进行仿真老化轨迹曲线的重新匹配的匹配分析结果。
与现有技术相比,本发明所达到的有益效果是:本发明对芯片寿命进行预测的过程中考虑了在芯片的实际使用过程中,因芯片的使用场景复杂多样,芯片实际工作的环境或者人为操作习惯对芯片使用寿命带来的提前老化的影响或者性能被根本破坏的影响,对待测芯片进行寿命预测的过程中定位精确的寿命起算时间或者重新匹配合适的寿命预测相关曲线轨迹,为最终得到的芯片寿命预测结果提高准确性和增加可信度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种利用人工智能技术的芯片寿命预测方法的流程示意图;
图2是本发明一种利用人工智能技术的芯片寿命预测***的结构示意图;
图3是本发明一种利用人工智能技术的芯片寿命预测方法的实施例图一;
图4是本发明一种利用人工智能技术的芯片寿命预测方法的实施例图二。
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。
请参阅图1-图4,本发明提供技术方案:一种利用人工智能技术的芯片寿命预测方法,其特征在于,预测方法包括:
步骤S100:预测***分别获取不同规格型号芯片在出厂前得到寿命数据时的仿真老化轨迹曲线;仿真老化轨迹曲线是指设置芯片在标准供应情况下得到的芯片性能参数值随着使用时长衰减变化的轨迹曲线;分别对不同芯片的仿真老化轨迹曲线进行使用时长划阶段处理分别得到不同芯片使用时长划阶段处理的分段周期以及不同芯片在各分段周期对应的老化特征值;
其中,步骤S100包括:
步骤S101:设第i种规格型号的芯片使用寿命为Ti,Ti的单位为A;基于Ti随机设置若干种划分时间周期ti,一种ti数值的设置方式对应一种使用时长划分方法,ti的单位为A-1;分别基于ti将第i种规格型号的芯片使用寿命Ti划分得到N个使用时长阶段;分别在k个使用时长阶段内计算每间隔一个A-2单位得到的性能变化率p;其中,A-1表示A的下一级单位;A-2表示A的下两级单位,A-1的下一级单位;
例如说,在本实施例中Ti的单位为年,则ti的单位A-1为月,A-2为天;还可以因为Ti的单位为月,则ti的单位A-1为天,A-2为小时;
步骤S104:按照步骤S101-步骤S103分别计算不同种规格型号芯片的不同种使用时长划分方法对应的方差拟合优度,对每一种规格型号芯片选择方差拟合优度最接近1的使用时长划分方法作为最佳划分方法;将最佳划分方法对应的划分时间周期作为对该种规格型号芯片进行使用时长划阶段处理的分段周期,得到若干个使用时长阶段,将每个使用时长阶段内所有性能变化率的平均值作为各分段周期对应的老化特征值;
步骤S200:基于各芯片在不同使用时长阶段的老化特征值进行曲线拟合得到各芯片的老化特征值轨迹曲线;
其中,步骤S200包括:
步骤S201:记最终得到的分段周期为h,使用时长阶段的个数为Eh,第i个使用时长阶段的老化特征值为Ri;记第i个使用时长阶段的时间范围为[(i-1)h,ih];以每个使用时长阶段的时间范围为横坐标,以每个使用时长阶段的老化特征值为纵坐标,得到Eh个坐标点,每个坐标点的形式如:[[(i-1)h,ih],Ri];
步骤S202:分别将各芯片对应的Eh个坐标点进行曲线拟合得到各芯片在不同使用时长阶段内老化特征值的轨迹曲线;
例如说,对于一种型号规格的芯片,它在出厂前得到寿命数据时的仿真老化轨迹曲线显示它的总寿命时长是15年,它的最佳划分方法是每3年为一个使用时长阶段,所以它使用时长阶段的个数为5个,分别为(0,3)、(3,6)、(6,9)、(9,12)、(12,15);在第一个使用时长阶段(0,3)内,它的老化特征值为0.1%,第二个使用时长阶段(3,6)内,它的老化特征值为0.14%,在第三个使用时长阶段(6,9)内,它的老化特征值为0.19%,在第四个使用时长阶段(9,12)内,它的老化特征值为0.21%,在第五个使用时长阶段(12,15)内,它的老化特征值为0.25%;则它的老化特征值的轨迹曲线图3所示;
步骤S300:预测***基于待测芯片的信息结合对应的仿真老化轨迹曲线和老化特征值轨迹曲线进行初始匹配判断得到匹配判断结果,匹配判断结果包括需对待测芯片进行寿命预测时长调整、不需对待测芯片进行寿命预测时长调整、需对待测芯片进行仿真老化轨迹曲线的重新匹配;
其中,步骤S300包括:
步骤S301:设根据待测芯片的规格型号初始匹配到仿真老化轨迹曲线L1,老化特征值轨迹曲线L2;获取待测芯片直至寿命预测当前时刻的已实际投入使用时长Ta、直至寿命预测当前时刻的实际性能参数值Ya、Ta在曲线L2中的所属分段周期Ra、与所属分段周期Ra对应的老化特征值Ua;根据Ta在曲线L1中得到标准性能参数值Yb;
步骤S302:根据Ya在曲线L1中得到使用时长Tb,获取Tb在曲线L2中的所属分段周期Rb、与所属分段周期Rb对应的老化特征值Ub;根据Ta在曲线L1中得到标准性能参数值Yb;
步骤S302:若Ya>Yb,判定需对待测芯片进行寿命预测时长调整;若Ya=Yb,不需对待测芯片进行寿命预测时长调整;若Ya<Yb,且Ra=Rb或者Ra≠Rb,即的值包含于(Ua,Ub)中,判定需对待测芯片进行寿命预测时长调整;若Ya<Yb,且Ra≠Rb,即的值不包含于(Ua,Ub)中,判定需对待测芯片进行仿真老化轨迹曲线的重新匹配;
步骤S400:对需对待测芯片进行寿命预测时长调整的匹配判断结果和需对待测芯片进行仿真老化轨迹曲线重新匹配的匹配判断结果进行校验;
其中,步骤S400包括:
步骤S401:基于人工智能捕捉历史与待测芯片规格型号相同的芯片在实际使用过程中会导致损害芯片性能的若干注意操作事项;
步骤S402:若在对某一待测芯片进行寿命预测时出现需进行寿命预测时长调整的匹配判断结果,调取对某一待测芯片在寿命预测之间的历史操作记录,若历史操作记录中出现有实施了若干注意操作事项,则校验结果为通过;
步骤S403:若在对某一待测芯片进行寿命预测时出现需进行仿真老化轨迹曲线重新匹配的匹配判断结果,调取对某一待测芯片在寿命预测之间的历史操作记录,若历史操作记录中出现有实施了若干注意操作事项,且实施次数大于步骤S402中实施了若干注意操作事项的实施次数或者任意一次实施记录中注意操作事项的持续时间大于步骤S402中实施了相同注意操作事项的持续时间,则校验结果为通过;
步骤S500:按照校验过的匹配判断结果对待测芯片进行寿命的匹配及预测;
其中,步骤S500对待测芯片进行寿命的匹配及预测的过程包括:
当Ya>Yb时,根据Ya在曲线L1中得到使用时长Tb,将使用时长Tb作为对待测芯片进行寿命预测的实际起算时长,即将待测芯片沿着曲线L1对使用时长Ta进行时长调整为从Tb开始进行寿命预测得到寿命预测结果;
例如说,Yb为76,Ta为3年,若待测芯片的Ya为78时,则根据图4所示,对应性能参数值78的为t1,t1为两年零3个月;将待测芯片沿着曲线L1对使用时长3年进行时长调整为从两年3个月开始进行寿命预测得到寿命预测结果,若待测芯片在出厂前得到寿命数据时的仿真老化轨迹曲线显示它的总寿命时长是15年,则待测芯片剩余寿命为12年零9个月;
当Ya=Yb时,将待测芯片沿着曲线L1从Ta开始进行寿命预测得到寿命预测结果;
例如说,Yb为76,Ta为3年,若待测芯片的Ya为73时,则根据图4所示,对应性能参数值73的为t2,t2为三年零3个月;Ra=Rb或者Ra≠Rb,将待测芯片沿着曲线L1对使用时长3年进行时长调整为从三年零3个月开始进行寿命预测得到寿命预测结果,若待测芯片在出厂前得到寿命数据时的仿真老化轨迹曲线显示它的总寿命时长是15年,则待测芯片剩余寿命为11年零9个月;
当Ya<Yb,且Ra≠Rb,时,分别将待测芯片直至寿命预测当前时刻的已实际投入使用时长Ta、直至寿命预测当前时刻的实际性能参数值Ya代入第i种规格型号芯片的仿真老化轨迹曲线L1i以及与仿真老化轨迹曲线L1i对应的老化特征值轨迹曲线L2i中;根据Ta分别在曲线L1i中得到对应的标准性能参数值Ybi;筛选出满足Ybi-Ya之间得到的偏差值小于偏差阈值的若干仿真老化轨迹曲线得到仿真老化轨迹曲线集S1;获取待测芯片出厂时的总性能参数值Yq,计算在仿真老化轨迹曲线集S1内各自对应的老化特征值轨迹曲线L2i中筛选出老化特征值与相等的仿真老化轨迹曲线得到仿真老化轨迹曲线集S2,分别获取与相等的老化特征值所属的分段周期,将分段周期的范围与Ta之间相隔最远的仿真老化轨迹曲线判定为重新与待测芯片进行寿命预测匹配的仿真老化轨迹曲线。
为更好的实现上述方法还提出了一种利用人工智能技术的芯片寿命预测***,预测***包括:老化数据采集模块、老化周期划阶段处理模块、特征值处理模块、初始匹配判断模块、校验模块、匹配预测模块;
老化数据采集模块,用于获取不同规格型号芯片在出厂前得到寿命数据时的仿真老化轨迹曲线;
老化周期划阶段处理模块,用于接收老化数据采集模块中的数据,对不同芯片的仿真老化轨迹曲线进行使用时长划阶段处理;
其中,老化周期划阶段处理模块包括:划分时间周期设置单元、计算单元、优选单元;
划分时间周期设置单元,用于分别基于不同规格型号芯片的寿命随机设置若干种划分时间周期;
计算单元,用于完成对老化周期划阶段处理中涉及到的性能变化率的计算,偏差平方和的计算,方差拟合优度的计算;
特征值处理模块,用于接收老化周期划阶段处理模块中的数据,获取各芯片在不同使用时长阶段的老化特征值并进行曲线拟合得到各芯片的老化特征值轨迹曲线;
初始匹配判断模块,用于通过待测芯片的信息结合对应的仿真老化轨迹曲线和老化特征值轨迹曲线进行初始匹配判断得到匹配判断结果;
校验模块,用于接收初始匹配判断模块中的数据,对数据进行数据校验;
匹配预测模块,用于接收校验模块中的数据,完成对待测芯片进行寿命匹配及预测;
优选单元,用于接收计算单元中的数据,分别完成对不同规格型号芯片的最优划分时间周期的选择;
其中,初始匹配判断模块包括:数据捕捉单元、判断单元、匹配分析单元;
数据捕捉单元,用于捕捉对待测芯片进行寿命预测过程中所需要的所有判断数据;
判断单元,用于接收数据捕捉单元中的数据,基于数据进行匹配判断;
匹配分析单元,用于接收判断单元中的数据,基于数据得到需对待测芯片进行寿命预测时长调整的匹配分析结果和需对待测芯片进行仿真老化轨迹曲线的重新匹配的匹配分析结果。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种利用人工智能技术的芯片寿命预测方法,其特征在于,所述预测方法包括:
步骤S100:预测***分别获取不同规格型号芯片在出厂前得到寿命数据时的仿真老化轨迹曲线;所述仿真老化轨迹曲线是指设置芯片在标准供应情况下得到的芯片性能参数值随着使用时长衰减变化的轨迹曲线;分别对不同芯片的所述仿真老化轨迹曲线进行使用时长划阶段处理分别得到不同芯片使用时长划阶段处理的分段周期以及不同芯片在各分段周期对应的老化特征值;
步骤S200:基于各芯片在不同使用时长阶段的老化特征值进行曲线拟合得到各芯片的老化特征值轨迹曲线;
步骤S300:所述预测***基于待测芯片的信息结合对应的仿真老化轨迹曲线和老化特征值轨迹曲线进行初始匹配判断得到匹配判断结果,所述匹配判断结果包括需对待测芯片进行寿命预测时长调整、不需对待测芯片进行寿命预测时长调整、需对待测芯片进行仿真老化轨迹曲线的重新匹配;
步骤S400:对需对待测芯片进行寿命预测时长调整的匹配判断结果和需对待测芯片进行仿真老化轨迹曲线重新匹配的匹配判断结果进行校验;
步骤S500:按照校验过的匹配判断结果对待测芯片进行寿命的匹配及预测。
2.根据权利要求1所述的一种利用人工智能技术的芯片寿命预测方法,其特征在于,所述步骤S100包括:
步骤S101:设第i种规格型号的芯片使用寿命为Ti,Ti的单位为A;基于Ti随机设置若干种划分时间周期ti,一种ti数值的设置方式对应一种使用时长划分方法,ti的单位为A-1;分别基于ti将第i种规格型号的芯片使用寿命Ti划分得到N个使用时长阶段;分别在k个使用时长阶段内计算每间隔一个A-2单位得到的性能变化率p;其中,A-1表示A的下一级单位;A-2表示A的下两级单位,A-1的下一级单位;
步骤S104:按照步骤S101-步骤S103分别计算不同种规格型号芯片的不同种使用时长划分方法对应的方差拟合优度,对每一种规格型号芯片选择方差拟合优度最接近1的使用时长划分方法作为最佳划分方法;将所述最佳划分方法对应的划分时间周期作为对该种规格型号芯片进行使用时长划阶段处理的分段周期,得到若干个使用时长阶段,将每个使用时长阶段内所有性能变化率的平均值作为各分段周期对应的老化特征值。
3.根据权利要求2所述一种利用人工智能技术的芯片寿命预测方法,其特征在于,所述,所述步骤S200包括:
步骤S201:记最终得到的分段周期为h,使用时长阶段的个数为Eh,第i个使用时长阶段的老化特征值为Ri;记第i个使用时长阶段的时间范围为[(i-1)h,ih];以每个使用时长阶段的时间范围为横坐标,以每个使用时长阶段的老化特征值为纵坐标,得到Eh个坐标点,每个坐标点的形式如:[[(i-1)h,ih],Ri];
步骤S202:分别将各芯片对应的Eh个坐标点进行曲线拟合得到各芯片在不同使用时长阶段内老化特征值的轨迹曲线。
4.根据权利要求1所述的一种利用人工智能技术的芯片寿命预测方法,其特征在于,所述步骤S300包括:
步骤S301:设根据所述待测芯片的规格型号初始匹配到仿真老化轨迹曲线L1,老化特征值轨迹曲线L2;获取待测芯片直至寿命预测当前时刻的已实际投入使用时长Ta、直至寿命预测当前时刻的实际性能参数值Ya、Ta在曲线L2中的所属分段周期Ra、与所属分段周期Ra对应的老化特征值Ua;根据Ta在曲线L1中得到标准性能参数值Yb;
步骤S302:根据Ya在曲线L1中得到使用时长Tb,获取Tb在曲线L2中的所属分段周期Rb、与所属分段周期Rb对应的老化特征值Ub;根据Ta在曲线L1中得到标准性能参数值Yb;
5.根据权利要求1所述的一种利用人工智能技术的芯片寿命预测方法,其特征在于,所述步骤S400包括:
步骤S401:基于人工智能捕捉历史与待测芯片规格型号相同的芯片在实际使用过程中会导致损害芯片性能的若干注意操作事项;
步骤S402:若在对某一待测芯片进行寿命预测时出现需进行寿命预测时长调整的匹配判断结果,调取对所述某一待测芯片在寿命预测之间的历史操作记录,若历史操作记录中出现有实施了若干注意操作事项,则校验结果为通过;
步骤S403:若在对某一待测芯片进行寿命预测时出现需进行仿真老化轨迹曲线重新匹配的匹配判断结果,调取对所述某一待测芯片在寿命预测之间的历史操作记录,若历史操作记录中出现有实施了若干注意操作事项,且实施次数大于步骤S402中实施了若干注意操作事项的实施次数或者任意一次实施记录中注意操作事项的持续时间大于步骤S402中实施了相同注意操作事项的持续时间,则校验结果为通过。
6.根据权利要求4所述的一种利用人工智能技术的芯片寿命预测方法,其特征在于,步骤S500对待测芯片进行寿命的匹配及预测的过程包括:
当Ya>Yb时,根据Ya在曲线L1中得到使用时长Tb,将所述使用时长Tb作为对所述待测芯片进行寿命预测的实际起算时长,即将所述待测芯片沿着曲线L1对使用时长Ta进行时长调整为从Tb开始进行寿命预测得到寿命预测结果;
当Ya=Yb时,将所述待测芯片沿着曲线L1从Ta开始进行寿命预测得到寿命预测结果;
当Ya<Yb,且Ra=Rb或者Ra≠Rb,时,将所述使用时长Tb作为对所述待测芯片进行寿命预测的实际起算时长,即将所述待测芯片沿着曲线L1对使用时长Ta进行时长调整为从Tb开始进行寿命预测得到寿命预测结果;
当Ya<Yb,且Ra≠Rb,时,分别将待测芯片直至寿命预测当前时刻的已实际投入使用时长Ta、直至寿命预测当前时刻的实际性能参数值Ya代入第i种规格型号芯片的仿真老化轨迹曲线L1i以及与仿真老化轨迹曲线L1i对应的老化特征值轨迹曲线L2i中;根据Ta分别在曲线L1i中得到对应的标准性能参数值Ybi;筛选出满足Ybi-Ya之间得到的偏差值小于偏差阈值的若干仿真老化轨迹曲线得到仿真老化轨迹曲线集S1;获取待测芯片出厂时的总性能参数值Yq,计算在仿真老化轨迹曲线集S1内各自对应的老化特征值轨迹曲线L2i中筛选出老化特征值与相等的仿真老化轨迹曲线得到仿真老化轨迹曲线集S2,分别获取与相等的老化特征值所属的分段周期,将分段周期的范围与Ta之间相隔最远的仿真老化轨迹曲线判定为重新与待测芯片进行寿命预测匹配的仿真老化轨迹曲线。
7.一种应用于权利要求1-6中任一项的利用人工智能技术的芯片寿命预测方法的利用人工智能技术的芯片寿命预测***,其特征在于,所述预测***包括:老化数据采集模块、老化周期划阶段处理模块、特征值处理模块、初始匹配判断模块、校验模块、匹配预测模块;
所述老化数据采集模块,用于获取不同规格型号芯片在出厂前得到寿命数据时的仿真老化轨迹曲线;
所述老化周期划阶段处理模块,用于接收所述老化数据采集模块中的数据,对不同芯片的仿真老化轨迹曲线进行使用时长划阶段处理;
所述特征值处理模块,用于接收所述老化周期划阶段处理模块中的数据,获取各芯片在不同使用时长阶段的老化特征值并进行曲线拟合得到各芯片的老化特征值轨迹曲线;
所述初始匹配判断模块,用于通过待测芯片的信息结合对应的仿真老化轨迹曲线和老化特征值轨迹曲线进行初始匹配判断得到匹配判断结果;
所述校验模块,用于接收所述初始匹配判断模块中的数据,对所述数据进行数据校验;
所述匹配预测模块,用于接收所述校验模块中的数据,完成对待测芯片进行寿命匹配及预测。
8.根据权利要求7所述的一种利用人工智能技术的芯片寿命预测***,其特征在于,所述老化周期划阶段处理模块包括:划分时间周期设置单元、计算单元、优选单元;
所述划分时间周期设置单元,用于分别基于不同规格型号芯片的寿命随机设置若干种划分时间周期;
所述计算单元,用于完成对老化周期划阶段处理中涉及到的性能变化率的计算,偏差平方和的计算,方差拟合优度的计算;
所述优选单元,用于接收所述计算单元中的数据,分别完成对不同规格型号芯片的最优划分时间周期的选择。
9.根据权利要求7所述的一种利用人工智能技术的芯片寿命预测***,其特征在于,所述初始匹配判断模块包括:数据捕捉单元、判断单元、匹配分析单元;
所述数据捕捉单元,用于捕捉对待测芯片进行寿命预测过程中所需要的所有判断数据;
所述判断单元,用于接收所述数据捕捉单元中的数据,基于数据进行匹配判断;
所述匹配分析单元,用于接收所述判断单元中的数据,基于数据得到需对待测芯片进行寿命预测时长调整的匹配分析结果和需对待测芯片进行仿真老化轨迹曲线的重新匹配的匹配分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210294933.0A CN114781128A (zh) | 2022-03-24 | 2022-03-24 | 一种利用人工智能技术的芯片寿命预测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210294933.0A CN114781128A (zh) | 2022-03-24 | 2022-03-24 | 一种利用人工智能技术的芯片寿命预测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114781128A true CN114781128A (zh) | 2022-07-22 |
Family
ID=82425816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210294933.0A Pending CN114781128A (zh) | 2022-03-24 | 2022-03-24 | 一种利用人工智能技术的芯片寿命预测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781128A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117765374A (zh) * | 2023-11-15 | 2024-03-26 | 知码芯(无锡)通讯技术有限公司 | 一种基于人工智能的数据分析***及方法 |
-
2022
- 2022-03-24 CN CN202210294933.0A patent/CN114781128A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117765374A (zh) * | 2023-11-15 | 2024-03-26 | 知码芯(无锡)通讯技术有限公司 | 一种基于人工智能的数据分析***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110874674B (zh) | 一种异常检测方法、装置及设备 | |
US8468161B2 (en) | Determining a seasonal effect in temporal data | |
CN110909306B (zh) | 业务异常检测方法、装置、电子设备和存储设备 | |
CN111368134B (zh) | 一种交通数据处理的方法、装置、电子设备及存储介质 | |
US20190087248A1 (en) | Anomaly detection and automated analysis using weighted directed graphs | |
CN112817524A (zh) | 基于动态神经网络的闪存可靠性等级在线预测方法和装置 | |
CN105653521A (zh) | 数据校验方法和装置 | |
CN114781128A (zh) | 一种利用人工智能技术的芯片寿命预测***及方法 | |
US20100169166A1 (en) | Data quality tests for use in a causal product demand forecasting system | |
CN115907181A (zh) | 一种城市轨道交通乘客流量预测方法及*** | |
CN110532122B (zh) | 故障分析方法及***、电子设备、存储介质 | |
CN105429792A (zh) | 用户行为流量获取方法及装置、用户行为分析方法及*** | |
CN105096170A (zh) | 基于bbd或/和rf模型获取潜客级别的方法和*** | |
CN116051185B (zh) | 广告位数据的异常检测与筛选方法 | |
CN102214129B (zh) | 内存容限测试报告管理***及方法 | |
CN113127804B (zh) | 确定车辆故障次数的方法、装置、计算机设备和存储介质 | |
CN110020744A (zh) | 动态预测方法及其*** | |
CN112732773B (zh) | 一种继电保护缺陷数据的唯一性校核方法及*** | |
US20190196445A1 (en) | Method and system for sensing fine changes in processing/equipment measurement data | |
CN108761170A (zh) | 一种nand参考电压测量方法、***、设备及存储介质 | |
CN114282463A (zh) | 集成电路的寿命预测方法、装置及计算机可读存储介质 | |
CN112561114B (zh) | 卡口流量的预测方法、装置、电子设备及存储介质 | |
CN114021302A (zh) | 输电线路的寿命评估方法、装置、***及存储介质 | |
CN114077917A (zh) | 一种事件预测模型的确定方法、装置、设备和存储介质 | |
CN116089402B (zh) | 一种区块链资产数据智能处理*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |