一种基于IWOA-BP模型的IGCT热阻性能参数预测方法和相关设备与流程
本技术涉及半导体器件性能预测,尤其涉及一种基于iwoa-bp模型的igct热阻性能参数预测方法和相关设备。
背景技术:
1、相关技术中,物理模型(特别是有限元模型)的准确性严重依赖于芯片/封装材料属性、界面接触热阻等大量物理参数的精确输入,但这些参数常因材料批次、老化程度、工艺差异等因素而变化,导致预测偏差。
2、综上,相关技术中存在的技术问题有待得到改善。
技术实现思路
1、本技术实施例的主要目的在于提出一种基于iwoa-bp模型的igct热阻性能参数预测方法和相关设备,能够实现对igct器件热阻性能参数的精准预测。
2、为实现上述目的,本技术实施例的一方面提出了一种基于iwoa-bp模型的igct热阻性能参数预测方法,所述方法包括以下步骤:
3、获取待测igct器件在功率循环测试中按时序采集的监测数据,得到原始时序监测数据序列;
4、对所述原始时序监测数据序列进行清洗和归一化处理,得到标准时序数据序列;
5、对所述标准时序数据序列按预设窗口长度和步长进行滑动窗口分割,生成若干时序样本块,并将各所述时序样本块与对应预测步长处的热阻参数建立映射关系,得到总样本集,将所述总样本集按预设比例划分为训练集和测试集;
6、构建改进鲸鱼优化算法与bp神经网络相结合的混合预测模型,得到待优化权重和阈值待确定的初始混合预测模型;所述改进鲸鱼优化算法引入logistic混沌映射进行种群初始化、采用余弦型非线性递减的收敛因子、并在位置更新中引入基于个体适应度的自适应权重;
7、利用所述改进鲸鱼优化算法对所述初始混合预测模型中bp神经网络的待优化权重和阈值进行全局迭代寻优,以所述训练集上的均方误差作为适应度评价准则,得到优化后初始权重和阈值的混合预测模型;
8、将所述优化后初始权重和阈值赋值后,在所述训练集上对所述混合预测模型进行梯度下降训练,得到训练完成的iwoa-bp预测模型;
9、利用所述测试集对所述训练完成的iwoa-bp预测模型进行预测精度验证,并以平均绝对百分比误差、均方根误差和决定系数作为模型性能评价指标,得到igct热阻性能参数的最终预测结果。
10、在一些实施例中,所述获取待测igct器件在功率循环测试中按时序采集的监测数据,得到原始时序监测数据序列,包括:
11、按预设采样周期连续采集igct器件在功率循环测试过程中的监测数据;所述监测数据包括集电极-发射极电压、门极电压、集电极电流、壳温和结温;
12、将所述监测数据按时间先后顺序排列,构成原始时序监测数据序列。
13、在一些实施例中,所述对所述原始时序监测数据序列进行清洗和归一化处理,得到标准时序数据序列,包括:
14、对所述原始时序监测数据序列中各维特征变量计算均值和标准差,将满足偏离均值超过三倍标准差条件的数据点作为异常值予以剔除;
15、对异常值剔除后产生的空缺位置,采用该空缺位置前后最近有效数据点的线性插值进行填补,序列首尾缺失时采用最近邻填充;
16、对经清洗后的各维特征数据采用min-max方法变换至[0,1]区间,得到标准时序数据序列。
17、在一些实施例中,所述对所述标准时序数据序列按预设窗口长度和步长进行滑动窗口分割,生成若干时序样本块,并将各所述时序样本块与对应预测步长处的热阻参数建立映射关系,得到总样本集,将所述总样本集按预设比例划分为训练集和测试集,包括:
18、按预设的窗口长度和步长对所述标准时序数据序列进行滑动窗口分割,所得每个窗口包含预设维数的特征字段,以各窗口内的数据矩阵作为一个输入样本;所述特征字段包括电压、电流、壳温、结温、时间戳和功率损耗;
19、将各所述输入样本与对应窗口结束后预设预测步长处的热阻参数建立映射,所有窗口堆叠形成输入张量,各窗口对应的热阻参数构成输出目标向量,由所述输入张量与所述输出目标向量配对构成总样本集;
20、将所述总样本集按预设比例随机划分为训练集和测试集;所述训练集用于模型训练;所述测试集用于预测精度验证。
21、在一些实施例中,所述构建改进鲸鱼优化算法与bp神经网络相结合的混合预测模型,得到待优化权重和阈值待确定的初始混合预测模型,包括:
22、设置bp神经网络为输入层、隐藏层和输出层的三层前馈结构,设置输入层节点数、隐藏层节点数和输出层节点数,定义待优化参数为bp神经网络的全部连接权重和阈值,得到bp神经网络结构设置;
23、设置改进鲸鱼优化算法的种群规模和最大迭代次数,以logistic混沌映射生成初始种群,将各混沌值映射至各待优化参数的搜索范围内,得到改进鲸鱼优化算法设置;
24、设置收敛因子按余弦形式随迭代次数递减;
25、设置位置更新时依据各鲸鱼个体的适应度相对于种群平均适应度和最小适应度的差异计算自适应权重,并利用所述自适应权重对包围捕食和随机搜索阶段的位置更新进行加权,在泡泡网攻击阶段以预设概率选择收缩包围或螺旋上升方式更新位置;
26、由所述bp神经网络结构设置和所述改进鲸鱼优化算法设置构建得到待优化权重和阈值待确定的初始混合预测模型。
27、在一些实施例中,所述利用所述改进鲸鱼优化算法对所述初始混合预测模型中bp神经网络的待优化权重和阈值进行全局迭代寻优,以所述训练集上的均方误差作为适应度评价准则,得到优化后初始权重和阈值的混合预测模型,包括:
28、将所述初始混合预测模型中bp神经网络的全部待优化权重和阈值编码为各鲸鱼个体的位置向量;
29、将各鲸鱼个体的位置向量解码为bp神经网络的一组权重和阈值,在所述训练集上进行一次前向传播,计算网络输出的预测值与目标输出之间的均方误差,以所述均方误差作为各鲸鱼个体的适应度值;
30、在当前迭代中,计算收敛因子的当前值及系数向量;
31、对各鲸鱼个体,根据所述系数向量的模值与预设概率的关系选择包围捕食更新策略、泡泡网攻击更新策略或随机搜索更新策略,并在包围捕食和随机搜索策略中利用自适应权重进行位置加权更新;
32、对各鲸鱼个体更新后的位置向量进行边界检测,将超出搜索范围的分量截断至所述搜索范围的边界值;
33、重新计算各鲸鱼个体的适应度值,更新并记录当前种群中的最优个体及其位置向量;
34、重复执行计算所述收敛因子及所述系数向量、选择更新策略进行位置更新、边界检测、重新计算适应度并更新最优个体的迭代过程,直至达到所述最大迭代次数,将最终的最优个体所对应的位置向量解码为bp神经网络的一组权重和阈值,作为优化后初始权重和阈值,赋值给所述混合预测模型。
35、在一些实施例中,所述将所述优化后初始权重和阈值赋值后,在所述训练集上对所述混合预测模型进行梯度下降训练,得到训练完成的iwoa-bp预测模型,包括:
36、将所述优化后初始权重和阈值作为所述混合预测模型中bp神经网络各层连接权重和阈值的初始值;
37、在所述训练集上以均方误差作为损失函数,采用梯度下降法迭代更新所述混合预测模型中bp神经网络的各层连接权重和阈值,其中输出层权重和阈值的梯度根据损失对各输出层净输入的偏导数乘以对应隐藏层输出计算得到,隐藏层权重和阈值的梯度根据损失对各隐藏层净输入的偏导数乘以对应输入特征计算得到,所述隐藏层净输入的偏导数由隐藏层激活函数的导数与来自输出层的反向传播误差的乘积确定;
38、按预设学习率乘以各梯度对所述连接权重和阈值进行更新;
39、重复执行所述在所述训练集上以均方误差作为损失函数计算损失、采用梯度下降法计算各层连接权重和阈值的梯度、按预设学习率更新所述连接权重和阈值的操作,直至损失函数收敛或达到预设最大微调迭代次数,得到训练完成的iwoa-bp预测模型。
40、在一些实施例中,所述利用所述测试集对所述训练完成的iwoa-bp预测模型进行预测精度验证,并以平均绝对百分比误差、均方根误差和决定系数作为模型性能评价指标,得到igct热阻性能参数的最终预测结果,包括:
41、将所述测试集中的各输入样本输入所述训练完成的iwoa-bp预测模型,经前向传播计算得到各测试样本的热阻参数预测值;
42、将所述热阻参数预测值反归一化至原始量纲,得到各测试样本的最终热阻参数预测结果;
43、对于稳态热阻输出维度,计算各测试样本的预测值与真实值之差的绝对值除以真实值后求和取平均再乘以百分比,得到稳态热阻的平均绝对百分比误差;
44、对于瞬态热阻抗输出维度,计算各测试样本的预测值与真实值之差的绝对值除以真实值后求和取平均再乘以百分比,得到瞬态热阻抗的平均绝对百分比误差;
45、取所述稳态热阻的平均绝对百分比误差和所述瞬态热阻抗的平均绝对百分比误差的平均值,作为整体平均绝对百分比误差评价指标;
46、对于稳态热阻输出维度,计算各测试样本的预测值与真实值之差的平方和除以测试样本总数后取平方根,得到稳态热阻的均方根误差;
47、对于瞬态热阻抗输出维度,计算各测试样本的预测值与真实值之差的平方和除以测试样本总数后取平方根,得到瞬态热阻抗的均方根误差;
48、取所述稳态热阻的均方根误差和所述瞬态热阻抗的均方根误差的平均值,作为整体均方根误差评价指标;
49、对于稳态热阻输出维度,计算一减去残差平方和与总平方和之比,得到稳态热阻的决定系数,所述残差平方和为各测试样本的预测值与真实值之差的平方和,所述总平方和为各测试样本的真实值与真实值均值之差的平方和;
50、对于瞬态热阻抗输出维度,计算一减去残差平方和与总平方和之比,得到瞬态热阻抗的决定系数;
51、取所述稳态热阻的决定系数和所述瞬态热阻抗的决定系数的平均值,作为整体决定系数评价指标;
52、输出各测试样本的稳态热阻和瞬态热阻抗的最终预测结果,并对应输出所述平均绝对百分比误差、所述均方根误差和所述决定系数。
53、为实现上述目的,本技术实施例的另一方面提出了一种基于iwoa-bp模型的igct热阻性能参数预测装置,所述装置包括:
54、第一模块,用于获取待测igct器件在功率循环测试中按时序采集的监测数据,得到原始时序监测数据序列;
55、第二模块,用于对所述原始时序监测数据序列进行清洗和归一化处理,得到标准时序数据序列;
56、第三模块,用于对所述标准时序数据序列按预设窗口长度和步长进行滑动窗口分割,生成若干时序样本块,并将各所述时序样本块与对应预测步长处的热阻参数建立映射关系,得到总样本集,将所述总样本集按预设比例划分为训练集和测试集;
57、第四模块,用于构建改进鲸鱼优化算法与bp神经网络相结合的混合预测模型,得到待优化权重和阈值待确定的初始混合预测模型;所述改进鲸鱼优化算法引入logistic混沌映射进行种群初始化、采用余弦型非线性递减的收敛因子、并在位置更新中引入基于个体适应度的自适应权重;
58、第五模块,用于利用所述改进鲸鱼优化算法对所述初始混合预测模型中bp神经网络的待优化权重和阈值进行全局迭代寻优,以所述训练集上的均方误差作为适应度评价准则,得到优化后初始权重和阈值的混合预测模型;
59、第六模块,用于将所述优化后初始权重和阈值赋值后,在所述训练集上对所述混合预测模型进行梯度下降训练,得到训练完成的iwoa-bp预测模型;
60、第七模块,用于利用所述测试集对所述训练完成的iwoa-bp预测模型进行预测精度验证,并以平均绝对百分比误差、均方根误差和决定系数作为模型性能评价指标,得到igct热阻性能参数的最终预测结果。
61、为实现上述目的,本技术实施例的另一方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现前面所述的方法。
62、为实现上述目的,本技术实施例的另一方面提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现前面所述的方法。
63、为实现上述目的,本技术实施例的另一方面提出了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现前面所述的方法。
64、本技术实施例至少包括以下有益效果:本技术提供一种基于iwoa-bp模型的igct热阻性能参数预测方法、装置、电子设备、存储介质及程序产品,该方案包括:获取待测igct器件在功率循环测试中按时序采集的监测数据,得到原始时序监测数据序列;得到标准时序数据序列;将总样本集按预设比例划分为训练集和测试集;构建改进鲸鱼优化算法与bp神经网络相结合的混合预测模型,得到待优化权重和阈值待确定的初始混合预测模型;得到优化后初始权重和阈值的混合预测模型;得到训练完成的iwoa-bp预测模型;利用测试集对训练完成的iwoa-bp预测模型进行预测精度验证,得到igct热阻性能参数的最终预测结果。本技术能够对igct器件热阻性能参数的精准预测。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com