基于BP 神经网络的晶体管寿命预测研究

邱云峰，班元朗，陈 林

（贵州航天计量测试技术研究所,贵州 贵阳 550025）

引言

航空、航天等高可靠装备领域要求所选用的元器件具备高性能、高可靠、长寿命，甚至“零缺陷”。电子元器件寿命与可靠性评估的传统方法是基于器件的故障或失效进行，以失效时间、失效模式和故障物理作为统计分析对象，通过对参数退化、失效数据的统计，推断得到器件的寿命分布模型（例如威布尔分布），从而进行可靠性评定。但传统方法是通过加速寿命试验方式获取大量失效模式和数据，对失效寿命的推算的，而在某些特殊应用领域，例如导弹武器系统，使用某一类型元器件较少且器件本身可靠性较高，能够得到失效数据太少或无失效数据，尤其是对高可靠、长寿命和昂贵的产品，应用量少，难以获得失效数据，也不能进行完全寿命实验，甚至不能进行寿命实验，因此难以有效评估出装机元器件的剩余使用寿命（Remaining Useful Life，RUL）[1-2]。基于数据驱动的寿命预测方法以元器件生成过程数据作为基础，不需要故障演化过程或寿命退化过程的精确解析模型，直接通过大数据分析方法对各类可用数据进行处理，通过人工神经网络算法，挖掘对象系统数据中隐含的健康状态或退化特征信息。此方法能够在失效数据太少或无失效数据的情况，以电子元器件部分初态数据为基础进行寿命预测，能够有效解决装机元器件寿命评估难的问题[3]。以双极型晶体管为对象，研究常见失效模式与机理，识别性能退化敏感参数，采集双极型晶体管检测试验过程中敏感参数测试数据，构建数据集，构建特征提取模型对数据集进行特征提取，并利用BP 神经网络算法对提取到的晶体管寿命特征信息进行建模分析[4]，构建特征变量与剩余使用寿命之间的映射关系，从而实现双极型晶体管剩余使用寿命的预测。

1 晶体管寿命特征参数提取

双极晶体管在实际应用过程中受到的环境应力是复杂的，同时受到温度、湿度、电、力、磁等多应力的复合影响，实际上也是由于这些应力的综合效果影响了产品的寿命，因此在加速试验中引入综合应力的加速模型，可以更精确的模拟实际环境条件，从而利用加速试验中得到的数据，预计正常使用状态下的寿命，然而每一种应力引起器件失效的模式不一样，综合应力下故障特性与寿命关系模型很难确定。双极型晶体管包含集电极- 发射极击穿电压V（BR）CEO、电流传输比hFE等20 多个性能参数，每个参数又有多种应力环境的数据，若将这些数据全部作为数据集，使用神经网络来预测是难以实现的。业内常用方法是通过对双极型晶体管失效模式和失效机理进行研究，找出几个失效敏感参数或者退化明显参数作为寿命预测的关键特征参数。晶体管参数的变化几乎都与温度有关。PN 结反向电流是由于势垒区的产生电流及表面漏电流产生的，由于半导体材料中存在杂质缺陷和制造过程掺杂工艺的不均匀性，在高温的作用下，由于一些潜在的工艺缺陷被激活，导致PN 结反向电流大幅度增加。相比于发射极，晶体管的集电极掺杂浓度低且表面面积大，更容易受外界应力的影响，使得表面漏电增加。随着晶体管工作时间积累，漏电流会逐渐增加，当漏电流超出器件正常使用范围时，器件失效，达到寿命终点，所以加速寿命试验中晶体管的ICBO参数退化明显，因此常做为表征晶体管寿命特征的主要参数之一[5]。同时，由于晶体管Si-SiO2界面氧化层中存在的可动离子电荷，既可以在界面的垂直方向，也可在其水平方向移动带电粒子。在温度的作用下，硅表面感应负电荷的数量及其位置也随之发生变化，从而引起晶体管电流增益hFE参数的漂移，随着使用时间增加Si-SiO2界面氧化层退化，可动离子电荷增多，hFE的漂移也就越来越大，hFE参数漂移和晶体管寿命之间就建立了关联关系[6]。另外在对加速寿命试验过程采集的数据分析发现VCE（sat）也有一定的退化趋势。因此将ICBO、hFE、VCE（sat）作为寿命预测的三个关键特征参数。晶体管特性参数的退化直接反映出了寿命，而晶体管特征参数众多，各参数直接具有一定的相关性，直接使用全部特征参数进行寿命预测实现难度较大，使用主成分分析方法对特征参数分析，提取影响寿命的主成分特征序列，即对特征参数降维，降低预测模型实现难度。

2 基于BP 神经网络的寿命预测模型构建

以何种形式构建预测模型模型是影响模型预测精度的关键因素。常见的预测模型包括多项式回归模型、移动最小二乘模型、Kriging 模型、径向基函数模型、支持向量回归模型、ANFIS 自适应模糊神经网络系统和BP 神经网络模型等。元器件的敏感性能参数、寿命和发生故障概率之间的关系是一个非线性时间序列，对元器件的寿命预测是一个典型的多元非线性向量回归问题，BP 神经网络采用信号正向传播和误差反向传播算法，通过监督学习能够生成一个具有泛化和容错能力的模型，它结构简单，且可操作性强，故本次选用神经网络的方法进行元器件寿命预测。本研究以双极型晶体管为对象，研究常见失效模式与机理，识别性能退化敏感参数，采集双极型晶体管加速老化过程中敏感参数测试数据，构建数据集，构建特征提取模型对数据集进行特征提取，并利用BP 神经网络预测算法对提取到的特征信息进行时序建模，构建特征变量与剩余使用寿命之间的映射关系，完成双极型晶体管剩余使用寿命预测，并尝试将寿命预测方法应用到航天元器件可靠性评估中，降低元器件质量与可靠性保障成本。

BP 神经网络是一种具有反向传播功能的人工神经网络，是寿命预测领域常用的数学模型。通常BP 神经网络由三层以上网络构成。网络由输入层、输出层和隐藏层组成，隐藏层往往有多层。网络中的每个神经元是一个节点，连接权重系数连接前层和后层，是网络形成一个整体。BP 神经网络由前向传播链和反向传播链两个部分构成。前向传播过程中，如果输出达到了预期值，则学习过程终止；否则，将进行反向传播。反向传播根据原始连接路径，反方向计量误差(预期输出和实际输出之间的差值)。为了减少误差，可以采用梯度下降法来调整每个神经元的权重，从而提供网络计算速度，以使网络的推断值尽可能，更快的近似于目标输出值。图1 为三层网络BP 神经网络结构。

图1 三层BP 神经网络结构

BP 神经网络中隐藏层的神经元输出可以通过式（1）、（2）表示

其中yi是隐藏层的输出，neti是第i 个节点的激活值，fH为节点的激活函数，BP 神经网络中常用的激活函数包括Sigmoid 函数、tanh 函数、ReLU 函数以及Leaky ReLU 函数等。

基于BP 神经网络的寿命预测模型分为数据预处理（数据分析、归一化等）、网络模型构建、模型训练及优化、模型验证四部分，具体流程见图2。

图2 基于BP 神经网络的寿命预测模型原理框图

2.1 数据处理

（1） 首先将收到的不同文档内的电子元器件数据整合到同一个文档中，将寿命数据添加进去，删除无用数据。

（2） 对晶体管的失效机理进行研究，找出与元器件失效关系较大的敏感参数，对这些敏感参数予以保留，删除其他参数，并为相关数据加入数据标签。

（3） 将寿命特征参数数据集划分训练集和测试集，随机划分数据集中的80%作为训练数据，剩下数据作为测试集。

（4） 为了避免不同参数数据值大小对模型训练及预测结果的影响，对数据进行归一化。

2.2 模型构建

考虑到此寿命预测问题为一个典型的非线性回归问题，建立了基于BP 神经网络的非线性回归模型。根据数据量和数据输出情况，结合数据特点等对BP神经网络模型的层数、隐藏层神经元个数、激活函数以及优化器等进行优化设置。

由于晶体管寿命特征数据为非线性数据，是一个随时间变化的，时间序列，而单层神经网络只能用于表示线性可分离函数，为了更准确的实现寿命预测，选择了三层隐含层作为模型的层数。在神经元个数选择上，根据BT5551 晶体管数据集数据量选择25 个输入层神经元，15 个隐藏层神经元；激活函数均为relu 函数，1 作为输出层神经元个数，表示输出一个预测数据。

在进行模型优化时，选择RMSprop 模型优化器、学习率设为0.001，模型损失函数为均方误差mse，评测标准为均方误差mse 和平均绝对值误差mae。

2.3 模型训练及优化

在数据训练过程中，通过每完成一次训练打印一个点来显示训练进度。选择20 000次作为模型的最大数据拟合次数，按20%比例从训练集中取出一部分数据作为验证、查看模型效果。为了防止过拟合，定义回调函数callbacks 的操作，每经过10 次训练，会调用该函数进行一次判断，判断依据是当验证数据的val_loss 不再下降时停止训练。训练过程中会返回一个history 对象，储存训练过程中的loss、mae、mse 信 息，后 续 通 过 查 看history 中 的mae、val_mae 和mse、val_mse 数据和测试集的预测数据来观察训练效果。如果训练效果较差，则返回调整输入层或者隐藏层神经元个数或者增加隐藏层层数，直至训练效果达到相应标准。

2.4 模型验证

利用一开始划分的测试集数据对训练好的模型进行验证、获得预测数据。将预测数据与测试数据进行比较，查看误差分布及大小。

3 BT5551 晶体管寿命预测结果

选取BT5551 晶体管寿命试验后测试数据共计2 098 条，根据前文分析漏电流ICEO 是影响晶体管寿命主要因素之一，因此选取ICEO 值异常数据20 条、正常数据30 条，共计50 条数据进行寿命的仿真和计算，随机选取其中40 条数据作为训练数据集训练模型，剩下10 条作为测试数据集。测试集理论值数据和预测结果数据见图3。

图3 BT5551 晶体管寿命预测结果

根据式（3）对预测结果的置信度进行分析。对于BT5551 系列晶体管，选出的数据量一共为50 条，寿命理论值的平均值μ=202 428.9，标准误差σ=17 619.321 34。0.8 置信度下的置信区间为（201 794.18，203 063.61）。寿命预测值的平均值μ=207 185.30，标准误差σ=11 007.08。0.8 置信度下的置信区间（206 788.79, 207 581.82）。预测值的置信区间上限误差为（207 581.82-203 063.61）/203 063.61 ≈2.225%，预测值的置信区间下限误差为（206 788.79-201 794.18）/201 794.18≈2.475%。

4 结论

信息系统装备元器件大多具有“寿命较长、贮存时间较久”的特点，在正常环境影响应力作用下，元器件一般很难出现故障，但是对于处于长时间恶劣环境中工作的元器件，却容易受到温度、湿度、电、磁等环境应力的影响，造成其性能下降，甚至失效。所以这些元器件在投入使用前，为了验证其可靠性，会进行大量的可靠性测试或者加速寿命试验，然而这些测试或试验往往会消耗大量的人力和物力。本研究通过对元器件质量数据的分析，构建了基于深度学习的神经网络模型，运用所建立的BP 神经网络模型对晶体管进行了剩余寿命预测。选取漏电流ICEO 作为寿命敏感参数，选取50 只BT5551 晶体管可靠性寿命试验后的测试数据作为BP 神经网络模型的训练数据集和测试数据集。对寿命预测模型的输出结果进行分析，最后的预测结果误差＜3%，说明用BP 神经网络预测晶体管的剩余寿命是可行的，也验证了所建立的神经网络模型的准确性和良好的泛化能力。