基于加速应力试验的钽电容性能退化分析与建模研究

来源 :仪器仪表学报 | 被引量 : 0次 | 上传用户:hanlu198723620
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对以3,4-乙烯二氧噻吩(PEDOT)导电聚合物的固体钽电容,本文以温度和湿度为加速试验应力,采用变间隔测量法搭建4种应力85C/85% RH、95C/70% RH、95C/85% RH、110℃/85% RH水平下的钽电容恒定应力加速退化试验平台,获取性能退化参量电容量和损耗因数的退化数据.针对在温湿度加速应力下钽电容退化参数的非单一变化趋势,利用有序聚类算法进行退化区间划分;基于误差函数斜率的变化率确定最佳分类数,获得钽电容的稳定退化区间;基于数据重构和维纳过程对电容量和损耗因数进行拟合,拟合精度分别达到97%和95%,验证维纳过程建模的有效性;结合Copula函数建立基于随机效应维纳过程的钽电容二元加速退化模型,进行钽电容可靠性评估,推导正常应力水平下产品寿命,符合寿命12~ 15年的规定.结果 表明二元加速退化模型能够进行钽电容的退化性能分析和寿命预测.
其他文献
针对检重秤测量过程中受振动干扰影响严重的问题,提出一种基于外部输入非线性自回归模型(NARX)的动态神经网络系统辨识的抗振新方法.通过加速度传感器的冗余分布,对检重秤系统的振动特性进行估计,结合空载传送情况下称重传感器由振动干扰产生的误差,利用动态神经网络对振动干扰信号进行自动辨识,建立振动信号分析模型,用以匹配消除动态检重信号中的振动扰动.在共振状态下,与滑窗滤波、自适应陷波等传统抗振方法进行的仿真与测试实验对比,证明基于多加速度传感器的动态称重抗振性能更优,最终实现运行速度达2 m/s,最大秤量200
为了提高人工智能加速器的运算效率和功耗效率,提出了一种新的卷积神经网络(CNN)加速器结构,并实现了神经网络存算一体的方法.首先,设计出一种神经网络架构,其具有高度并行计算以及乘加器(MAC)单元高效运行的特性.其次,为了降低功耗和面积,采用了对称的静态随机存储器(SRAM)阵列和可调数据流向结构,实现多层网络在SRAM中高效计算,减少了访问外部存储器次数,降低了功耗,提高运算效率.通过中芯国际40 nm工艺,完成了系统芯片(SoC)设计、流片与测试.结果 表明运算速度在500 MHz下,算力可达288