Prédiction du temps d'occurrence des défauts pour les dispositifs capacitifs

Dans cet article, nous proposons une méthode d'analyse des données de défauts des dispositifs capacitifs et une méthode pour prédire le temps d'occurrence des défauts basée sur la méthode d'analyse. Cette méthode n'est pas sensible au bruit dans les données et possède une forte robustesse. Nous analysons diverses caractéristiques qui peuvent affecter le temps d'occurrence des défauts des dispositifs capacitifs, et utilisons un autoencodeur éparse (SAE) pour la réduction de dimension et le débruitage. Cette méthode non supervisée apprend les caractéristiques éparses à faible dimension des variétés non linéaires à partir des caractéristiques de données, ce qui améliore la performance de généralisation des classificateurs dans une certaine mesure. Sur la base de la régression K-plus proche (KNR), de la régression par vecteurs de support (SVR), de la forêt aléatoire (RF), de l'arbre de décision par boosting de gradient (GBDT) et des modèles d'apprentissage profond (DL), nous prédisons respectivement le temps d'occurrence des défauts des équipements capacitifs. L'erreur quadratique moyenne (RMSE) entre le temps de prédiction et les étiquettes n'est que de 243,80 jours. Comparé au modèle de base simple, l'erreur est réduite de 1773,50 jours, et le résultat prédit est à la pointe de la technologie.