典型文献
基于LSTM-DHMM的MOSFET器件健康状态识别与故障时间预测
文献摘要：
针对MOSFET(Metal-Oxide-Semiconductor Field-Effect Transistor)器件故障预测与健康管理问题,提出了一种长短时记忆(Long Short-Term Memory,LSTM)算法与离散隐马尔可夫模型(Discrete Hidden Markov Model,DHMM)相结合的故障预测新方法.该方法利用LSTM算法预测器件状态发展趋势;用自回归(AutoRegressive,AR)模型提取故障信息特征;以DHMM建立特征向量和退化等级之间的映射关系;在LSTM-DHMM模型预测结果的基础上,结合失效阈值排除虚警并预测故障时间,预测误差小于10％,精度较高.与GRU-DHMM(Gated Recurrent Unit Discrete Hidden Markov Model)、GRU-SVM(Gated Recurrent Unit Support Vector Machine)、LSTM-SVM(Long Short-Term Memory Support Vector Machine)方法进行对比分析,结果表明,LSTM-DHMM的预测准确率高于其他三种方案,能有效识别实验器件健康状态、较好预测故障时间,具有有效性和优越性.
文献关键词：
故障预测与健康管理;MOSFET(Metal-Oxide-Semiconductor Field-Effect Transistor);长短时序列;离散隐马尔可夫模型;自回归模型;故障时间
中图分类号：
作者姓名：
张明宇;王琦;于洋
作者机构：
沈阳工业大学信息科学与工程学院,辽宁沈阳110870;辽宁工业大学,辽宁锦州121001
文献出处：
引用格式：
[1]张明宇;王琦;于洋-.基于LSTM-DHMM的MOSFET器件健康状态识别与故障时间预测)[J].电子学报,2022(03):643-651
A类：
DHMM,离散隐马尔可夫模型,长短时序列
B类：
MOSFET,健康状态识别,故障时间,时间预测,Metal,Oxide,Semiconductor,Field,Effect,Transistor,故障预测与健康管理,管理问题,长短时记忆,Long,Short,Term,Memory,Discrete,Hidden,Markov,Model,法利,算法预测,预测器,AutoRegressive,故障信息,信息特征,特征向量,退化等级,映射关系,失效阈值,预测误差,GRU,Gated,Recurrent,Unit,Support,Vector,Machine,预测准确率,自回归模型
AB值：
0.318624
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
