一种基于BP神经网络的集成电路PHM模型

计算机工程与科学

一种基于BP神经网络的集成电路PHM模型

杜涛，阮爱武，汪鹏，李永亮，李平

（电子科技大学电子薄膜与集成器件国家重点实验室，四川成都 610054）

收稿日期:2016-08-16 修回日期:2016-10-13 出版日期:2017-01-25 发布日期:2017-01-25

A prognostics and health management model for

integrated circuits based on back propagation neural network

DU Tao,RUAN Aiwu,WANG Peng,LI Yongliang,LI Ping

（State Key Laboratory of Electronic Thin Films and Integrated Devices,

University of Electronic Science and Technology of China,Chengdu 610054,China）

Received:2016-08-16 Revised:2016-10-13 Online:2017-01-25 Published:2017-01-25

摘要/Abstract

摘要：

提出了一种基于数据驱动的集成电路故障预测与健康管理（PHM）模型，该模型基于反向传播（BP）神经网络算法，避免了对集成电路老化失效物理机理的依赖，能有效拟合集成电路失效的非线性函数关系。以已编程应用设计的FPGA为目标器件，通过实验提取参数样本进行模型训练，并将模型应用于实测验证。结果表明，该模型输出结果与实测结果吻合良好，能有效满足集成电路故障预测与健康管理的实际应用。

关键词: 集成电路, BP神经网络, PHM模型

Abstract:

We propose a prognostics and health management (PHM) model for integrated circuits (ICs) based on back propagation (BP) neural network. The model is not only independent of physical mechanism of ICs aging, but can effectively fit the nonlinear function of IC failures as well. We conduct a large number of experiments on a programmed FPGA, and take the extracted experimental parameter samples as training samples to train the PHM model. Experimental results verify the trained model. The results show that the proposed PHM model is in agreement with the experiment and can meet the requirements of PHM for ICs.

Key words: integrated circuit, back propagation (BP) neural network, prognostics and health management model

杜涛，阮爱武，汪鹏，李永亮，李平. 一种基于BP神经网络的集成电路PHM模型[J]. 计算机工程与科学.

DU Tao,RUAN Aiwu,WANG Peng,LI Yongliang,LI Ping.

A prognostics and health management model for

integrated circuits based on back propagation neural network

[J]. Computer Engineering & Science.

[1]	胡新荣, 刘嘉文, 刘军平, 彭涛, 何儒汉, . 基于改进GA-BP-MC神经网络的人体三维尺寸预测[J]. 计算机工程与科学, 2021, 43(08): 1443-1453.
[2]	贾勤, 马驰远, 彭书涛. 基于标准单元替换的功耗优化方法研究[J]. 计算机工程与科学, 2021, 43(02): 205-210.
[3]	邓翔宇, 张屹南, 杨雅涵. 一种用于交通标识分类的形状识别算法[J]. 计算机工程与科学, 2021, 43(02): 322-328.
[4]	陈泳豪, 萧嘉乐, 粟涛. MobileNetV2 神经网络处理器的设计方案比较 [J]. 计算机工程与科学, 2021, 43(01): 24-32.
[5]	沈晓燕, 王雪梅, 王燕. 基于样本熵和模式识别的脑电信号识别算法研究[J]. 计算机工程与科学, 2020, 42(08): 1482-1488.
[6]	王吉军，郝子宇，李宏亮. 3D-MMA:基于3D集成电路的矩阵乘加速结构[J]. 计算机工程与科学, 2019, 41(12): 2110-2118.
[7]	陈丽芳,冯力静,刘保相. 神经网络规则优化建模与应用[J]. 计算机工程与科学, 2019, 41(12): 2247-2254.
[8]	吴曼曼1，徐建新 1，2. 基于EMD改进的Elman神经网络对股票的短期预测模型[J]. 计算机工程与科学, 2019, 41(06): 1119-1127.
[9]	张毅，张珉浩. 基于机器学习的能力评价与匹配研究[J]. 计算机工程与科学, 2019, 41(02): 363-369.
[10]	丁红卫，万良，邓烜堃. 改进的HS算法优化BP神经网络的入侵检测研究[J]. 计算机工程与科学, 2019, 41(01): 65-72.
[11]	张莹杰，张树群. 改进约束鸡群算法在神经网络的应用[J]. 计算机工程与科学, 2018, 40(12): 2252-2257.
[12]	卞景昌, 梁华国, 聂牧, 倪天明, 徐秀敏, 黄正峰. 基于改进CAF-WAS的绑定前硅通孔测试[J]. 计算机工程与科学, 2017, 39(03): 430-435.
[13]	陈旺虎，俞茂义，马生俊，李金溶，郏文博. 基于局部收敛权阵进化的BP神经网络MapReduce训练[J]. 计算机工程与科学, 2016, 38(12): 2425-2433.
[14]	陈继承，王洪伟，张闯. 一种面向三维众核微处理器的新型NoC拓扑结构[J]. 计算机工程与科学, 2016, 38(08): 1542-1549.
[15]	黄文明，徐双双，邓珍荣，雷茜茜. 改进人工蜂群算法优化RBF神经网络的短时交通流预测[J]. J4, 2016, 38(04): 713-719.