基于LSTM-DHMM的MOSFET器件健康状态识别与故障时间预测OA北大核心CSTPCD

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.