本發明涉及集成電路無損可靠性篩選，尤其涉及一種高溫老化試驗設備二級電源時頻特征深度融合方法和裝置。

背景技術：

1、現有高溫老化產品通過增加機內長期監測、過應力保護機制等手段，可實現試驗環境的長期監測，在產品發生故障時可及時響應，實現基于故障數據的事后維修。然而，現有高溫老化產品由于缺少針對高溫老化產品的主動保障技術，導致相關產品難以實現試驗過程的完整性與試驗環境應力的一致性，極易導致試驗過程因產品故障被迫中斷致使百萬級試驗器件（亦可稱為待檢測件）損毀等重大財產損失，或因產品性能退化導致試驗期間引入額外應力等不利影響導致老化試驗被認定為失效試驗，造成資源的無效浪費。同時，保障高溫老化試驗質量可避免集成電路出現過老化與欠老化故障，大幅隆低集成電路故障率，避免因集成電路故障導致新能源汽車、民用客機、儲能輸電站等大規模電子系統故障停機。

2、高溫老化產品如集成電路高溫老化試驗設備通過在較長的時間內對元器件連續施加一定的電應力來加速元器件內部各種物理、化學反應過程，促使元器件內部各種潛在故障及早暴露，從而剔除早期失效產品，使電子元器件從開始使用就進入故障率低且相對穩定的時期。二級開關電源為集成電路在高溫動態老化測試過程中提供穩定的電壓和電流，確保測試條件的一致性；能夠根據不同的測試要求，靈活調整輸出電壓和電流，滿足不同類型的集成電路測試需求。

3、二級開關電源在高溫老化試驗設備中具有至關重要的地位，二級開關電源故障可能引發系統其他部分的故障，如驅動控制檢測板等，進一步影響系統的正常運行。二級開關電源故障可能導致過熱、短路等安全隱患，危及操作人員的安全和設備的完整性。因此，十分有必要對老化試驗臺二級開關電源進行故障預測與健康評估。

4、現有技術中采用時序外推預測方法對二級開關電源進行故障預測，該方法通常采用時間序列分解的策略，通過將時間序列分解為趨勢項、季節項、殘差項等分別進行預測，最后融合各項預測結果得到參數的時序外推預測序列。雖然輸出信號可反映器件乃至模塊的退化過程，但這種變化較為微弱，同時考慮到后期模型的訓練及反應時間，原始信號顯然都不太適合用于預測模型。因此需要從大量原始信號中提取能代表故障特征的數據，即對原始數據進行降維、去噪聲等處理。對于二級開關電源電路，由于存在容差、非線性等情況，工作頻率高，因而高低頻信號豐富，對特征提取要求高。

5、可見，目前迫切需要本領域技術人員提供一種高溫老化試驗設備二級開關電源特征提取的方案。

技術實現思路

1、本發明實施例的目的是提供一種高溫老化試驗設備二級電源時頻特征深度融合方法和裝置，能夠解決現有技術中存在的上述問題。

2、為解決上述技術問題，本發明提供如下技術方案：

3、本發明實施例提供了一種高溫老化試驗設備二級電源時頻特征深度融合方法，其中，所述方法包括：

4、采集高溫老化試驗設備器件的故障數據集；其中，所述故障數據包括多個關鍵參數時序數據；

5、對所述故障數據集進行預處理，得到訓練數據集和測試數據集；

6、對所述訓練數據集中的各關鍵參數時序數據進行短時傅里葉變換，得到時頻圖；

7、對各所述時頻圖進行隨機掩碼并輸入預設模型進行訓練，生成特征提取模型；

8、依據所述測試數據集對所述特征提取模型進行測試；

9、待測試通過后，將待預測器件的關鍵參數時序數據輸入所述特征提取模型中，預測得到目標時頻域特征。

10、可選地，對所述故障數據集進行預處理，得到訓練數據集和測試數據集的步驟，包括：

11、針對所述故障數據集中的每個關鍵參數，將所述關鍵參數時序數據進行滑窗切割，構造樣本數據集；

12、對所述樣本數據集中的各數據樣本進行歸一化處理，得到歸一化后的樣本數據集；

13、從所述歸一化后的樣本數據集中選取前預設百分比的樣本數據作為訓練數據集，將剩余樣本數據作為測試數據集；其中，所述訓練數據集用于訓練所述預設模型，所述測試數據集用于驗證訓練后的特征提取模型的預測準確度。

14、可選地，對所述訓練數據集中的各時序數據進行短時傅里葉變換，得到時頻圖的步驟，包括：

15、針對所述訓練數據集中的每一個時序數據，采用有限時長的窗函數截取所述時序數據中的振動信號；

16、對所截取的振動信號進行傅里葉變換，獲得對應時間段小范圍的局部頻譜；

17、通過所述窗函數在時間軸上的移動，對各所述振動信號波段逐步解析得到振動信號的一組局部頻譜，生成時頻圖。

18、可選地，所述窗函數為漢寧窗函數。

19、可選地，對各所述時頻圖進行隨機掩碼并輸入預設模型進行訓練，生成特征提取模型的步驟，包括：

20、將隨機掩碼后的時頻圖輸入所述預設模型中，通過位置編碼后送入編碼模塊，并將所述編碼模塊的輸出送入解碼器中，通過所述解碼器將高維隱含層中的特征參數還原成掩碼前的時頻圖；

21、采用還原后的時頻圖多次迭代訓練所述預設模型，以調整模型參數，其中，模型參數包括：嵌入維度、注意力頭數、編碼器層數和解碼器層數；

22、取出多次迭代調整后的模型的編碼器層和解碼器層，并保留各層權重參數；

23、基于各所述編碼器層、各所述解碼器層以及各層權重參數，生成特征提取模型。

24、可選地，所述器件包括：高溫老化試驗設備開關電源、高溫老化試驗設備高溫試驗箱、高溫老化試驗設備高溫高濕試驗箱。

25、本發明實施例還提供一種高溫老化試驗設備二級電源時頻特征深度融合裝置，其中，所述裝置包括：

26、采集模塊，用于采集高溫老化試驗設備器件的故障數據集；其中，所述故障數據包括多個關鍵參數時序數據；

27、預處理模塊，用于對所述故障數據集進行預處理，得到訓練數據集和測試數據集；

28、變換模塊，用于對所述訓練數據集中的各關鍵參數時序數據進行短時傅里葉變換，得到時頻圖；

29、掩碼訓練模塊，用于對各所述時頻圖進行隨機掩碼并輸入預設模型進行訓練，生成特征提取模型；

30、測試模塊，用于依據所述測試數據集對所述特征提取模型進行測試；

31、預測模塊，用于待測試通過后，將待預測器件的關鍵參數時序數據輸入所述特征提取模型中，預測得到目標時頻域特征。

32、可選地，所述預處理模塊包括：

33、第一子模塊，用于針對所述故障數據集中的每個關鍵參數，將所述關鍵參數時序數據進行滑窗切割，構造樣本數據集；

34、第二子模塊，用于對所述樣本數據集中的各數據樣本進行歸一化處理，得到歸一化后的樣本數據集；

35、第三子模塊，用于從所述歸一化后的樣本數據集中選取前預設百分比的樣本數據作為訓練數據集，將剩余樣本數據作為測試數據集；其中，所述訓練數據集用于訓練所述預設模型，所述測試數據集用于驗證訓練后的特征提取模型的預測準確度。

36、可選地，所述變換模塊包括：

37、第四子模塊，用于針對所述訓練數據集中的每一個時序數據，采用有限時長的窗函數截取所述時序數據中的振動信號；

38、第五子模塊，用于對所截取的振動信號進行傅里葉變換，獲得對應時間段小范圍的局部頻譜；

39、第六子模塊，用于通過所述窗函數在時間軸上的移動，對各所述振動信號波段逐步解析得到振動信號的一組局部頻譜，生成時頻圖。

40、可選地，所述窗函數為漢寧窗函數。

41、可選地，所述掩碼訓練模塊包括：

42、第七子模塊，用于將隨機掩碼后的時頻圖輸入所述預設模型中，通過位置編碼后送入編碼模塊，并將所述編碼模塊的輸出送入解碼器中，通過所述解碼器將高維隱含層中的特征參數還原成掩碼前的時頻圖；

43、第八子模塊，用于采用還原后的時頻圖多次迭代訓練所述預設模型，以調整模型參數，其中，模型參數包括：嵌入維度、注意力頭數、編碼器層數和解碼器層數；

44、第九子模塊，用于取出多次迭代調整后的模型的編碼器層和解碼器層，并保留各層權重參數；

45、第十子模塊，用于基于各所述編碼器層、各所述解碼器層以及各層權重參數，生成特征提取模型。

46、可選地，所述器件包括：高溫老化試驗設備開關電源、高溫老化試驗設備高溫試驗箱、高溫老化試驗設備高溫高濕試驗箱。

47、本發明實施例還提供了一種電子設備，其特征在于，包括處理器、通信接口、存儲器和通信總線，其中，處理器，通信接口，存儲器通過通信總線完成相互間的通信；存儲器，用于存放計算機程序；處理器，用于執行存儲器上所存放的程序時，實現如上述任意一種高溫老化試驗設備二級電源時頻特征深度融合方法流程。

48、本發明實施例公開的高溫老化試驗設備二級電源時頻特征深度融合方案，采集高溫老化試驗設備器件的故障數據集；對故障數據集進行預處理，得到訓練數據集和測試數據集；對訓練數據集中的各關鍵參數時序數據進行短時傅里葉變換，得到時頻圖；對各時頻圖進行隨機掩碼并輸入預設模型進行訓練，生成特征提取模型；依據測試數據集對特征提取模型進行測試；待測試通過后，將待預測器件的關鍵參數時序數據輸入特征提取模型中，預測得到目標時頻域特征。本發明實施例提供的方案，充分統籌并提煉高溫老化試驗設備器件的大量故障數據，并對分割后的時序數據進行短時傅里葉變換所得時頻圖進行隨機掩碼，利用隨機掩碼后的時頻圖對預設模型進行訓練，可充分提煉高溫老化試驗設備器件各處局部語義信息，克服數據匱乏、標注粗淺等對訓練模型的制約，所訓練出的特征提取模型預測出時頻特征更加準確、可靠。進一步地，基于預測出的時頻特征分析得到的高溫老化試驗設備的器件健康狀態更加可靠。由于能夠準確分析出高溫老化試驗設備的器件健康狀態，因此可以在發現器件故障時及時維修，從而避免老化試驗過程中因器件故障對待測件造成損壞。