基于合成数据的不同机器学习算法对焊点寿命预测的性能评估
机器学习
2022-04-15 v1
摘要
本文提出一种计算高效的方法，利用温度-时间曲线预测电子元件焊点中的损伤演化。为此，训练并比较了两种机器学习算法——多层感知机（Multilayer Perceptron）和长短期记忆网络（Long Short-Term Memory network），就其预测精度与所需训练数据量进行评估。训练使用符合汽车应用实际的合成正态分布数据。采用表面贴装技术配置的简单双极片式电阻的有限元模型数值计算合成数据。结果表明，两种机器学习算法对累积蠕变应变预测均具有相关精度。在训练数据长度为 350 小时（可用训练数据的 12.5%）时，两种模型均表现出稳定良好的拟合性能：多层感知机的 为 0.72，长短期记忆网络的 为 0.87。使用 350 小时训练数据时累积蠕变应变预测误差小于 10%，且随数据量增加降至小于 5%。因此，两种方法均有望直接用于电子设备的寿命预测。
引用
@article{arxiv.2204.06627,
title = {Performance Assessment of different Machine Learning Algorithm for Life-Time Prediction of Solder Joints based on Synthetic Data},
author = {Stefan Muench and Darshankumar Bhat and Leonhard Heindel and Peter Hantschke and Mike Roellig and Markus Kaestner},
journal= {arXiv preprint arXiv:2204.06627},
year = {2022}
}
备注
10 pages, 12 figures