技术摘要：
本发明公开了一种基于门控递归单元神经网络的电子器件剩余寿命预测方法，包括：获得电子器件在相同条件下的多组老化数据；对多组老化数据进行预处理；根据预处理后的老化数据以及电子器件失效机理获得失效变量；根据预处理后的老化数据建立门控递归单元神经网络老化模  全部
背景技术：
电子器件在工作过程中，很容易受到工作环境中的辐射、光照等因素的影响而发 生电参数的改变，造成电子器件的老化，从而影响电子器件的使用寿命。因此，预测电子器 件的剩余寿命、尤其是预测电子器件在辐照环境下工作时的剩余寿命，具有非常重要的意 义。 当前对于电子器件剩余寿命的预测，多是人工选取影响电子器件寿命的一些主要 因素并加以计算。但是目前业内并没有通用的因素选取规则和计算方法，因此这种预测方 式很容易受到专家经验、知识的制约，具有较大的主观性和偶然性，并且容易造成有用信息 的损失，所以对于电子器件剩余寿命的预测结果与实际情况之间往往存在较大的误差。
技术实现要素：
鉴于上述问题，本发明的目的在于提供一种基于门控递归单元神经网络的电子器 件剩余寿命预测方法，预测精度高，可靠性强。 本发明提供一种基于门控递归单元神经网络的电子器件剩余寿命预测方法，包 括：获得电子器件在相同条件下的多组老化数据；对多组老化数据进行预处理；根据预处理 后的老化数据以及电子器件失效机理获得失效变量；根据预处理后的老化数据建立门控递 归单元神经网络老化模型；根据门控递归单元神经网络老化模型获得所述失效变量的预测 变化值，结合设定的失效阈值，获得电子器件的剩余寿命。 进一步地，根据老化模型获得失效变量的预测变化值，结合设定的失效阈值，获得 电子器件的剩余寿命的步骤包括：根据门控递归单元神经网络老化模型，获得失效变量的 预测变化值；根据预测变化值，建立电子器件剩余寿命曲线图，并以时间作为剩余寿命曲线 图的横坐标；在剩余寿命曲线图中，获得预测变化值与失效阈值的交点，该交点所对应的横 坐标值即为电子器件的剩余寿命。 进一步地，前述失效变量包括输入失调电压，输入失调电流，基极电流，输出拉电 流，输出灌电流，工作电流，开环增益，共模抑制比和电源抑制比中的至少一种。 进一步地，对多组老化数据进行预处理的方法包括粗大误差值去除和/或去噪处 理。 进一步地，粗大误差值去除依据拉依达准则进行；去噪处理为小波去噪。 进一步地，将预处理后的多组老化数据分为训练集数据，验证集数据，测试集数 据；根据训练集数据构建门控递归单元神经网络老化模型；根据验证集数据验证门控递归 单元神经网络老化模型的正确性；根据测试集数据获得失效变量的预测变化值，以获得电 子器件剩余寿命。 4 CN 111597755 A 说　明　书 2/8 页 进一步地，在多组老化数据中，训练集数据的比例为60％-75％，验证集数据的比 例为10％-15％，测试集数据的比例为15％-25％。 进一步地，根据预处理后的老化数据建立门控递归单元神经网络老化模型的步骤 包括：建立门控递归单元神经网络结构，包括输入层，隐含层和输出层；向输入层输入包含 失效变量在内的训练集数据；从输出层得到失效变量的预测变化值；判断预测变化值与实 际变化值之间的误差是否符合精度误差；若不符合精度误差，则调整隐含层的权值和偏差 值，直至预测变化值与实际变化值之间的误差小于精度误差；若符合精度误差，则使用验证 集数据对老化模型进行验证，确定门控递归单元神经网络老化模型的参数已经达到最优。 进一步地，对门控递归单元神经网络老化模型进行优化的步骤包括调整模型结构 和相应网络参数。 进一步地，隐含层的激活函数为线性整流函数；隐含层的初始权值和偏差值为随 机生成；调整隐含层权值的方法为适应性矩估计优化算法。 本发明提供的基于门控递归单元神经网络的电子器件剩余寿命预测方法，以对电 子器件老化有较大影响的失效变量作为学习对象，并通过构建门控递归单元神经网络老化 模型预测电子器件的剩余寿命。由于该老化模型综合考虑了各失效变量对电子器件老化的 影响程度，充分挖掘了老化数据中的信息，并且门控递归单元神经网络考虑了数据的时序 特征，在预测变量值时也充分考虑了前一时刻的状态信息，使得重要信息可以继续传递下 去，避免无用信息的冗余并保证信息传递的连贯性，因此可以获得较为准确的电子器件剩 余寿命，预测精度高，可靠性强。 本发明提供的基于门控递归单元神经网络的电子器件剩余寿命预测方法，将电子 器件的多维老化数据作为门控递归单元神经网络老化模型的输入，通过网络结构的逐层特 征提取，综合考虑各个变量之间的关系，并且特有的门结构对信息的记忆程度和遗忘程度 进行筛选，保证有效信息继续传递下去，同时考虑到前面节点记忆的信息对当前信息的影 响，综合输出失效变量的预测变化值，通过与设定失效阈值相比较，确定剩余寿命，对于电 子器件的安全监测起到了作用。另外在监测数据为多维的情况下，利用门控递归单元神经 网络结构逐层学习，可以深度挖掘数据中信息的特性，在降低维数、获取有效信息的同时， 保留了原始老化数据中的大部分有效信息，使得预测结果更可靠。 附图说明 通过以下参照附图对本发明实施例的描述，本发明的上述以及其他目的、特征和 优点将更为清楚，在附图中： 图1示出了本发明实施例的基于门控递归单元神经网络的电子器件剩余寿命预测 方法的流程图； 图2示出了本发明实施例的建立门控递归单元神经网络老化模型的流程图； 图3示出了本发明实施例中门控递归单元神经网络的数据传递公式； 图4示出了本发明实施例中老化模型的门控递归单元神经网络结构图； 图5示出了本发明实施例中门控递归单元神经网络老化模型对电子器件剩余寿命 预测示例图。 5 CN 111597755 A 说　明　书 3/8 页