論文の概要: Comparative analysis and evaluation of ageing forecasting methods for semiconductor devices in online health monitoring

• arxiv url: http://arxiv.org/abs/2503.20403v1
• Date: Wed, 26 Mar 2025 10:24:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 13:19:39.946937
• Title: Comparative analysis and evaluation of ageing forecasting methods for semiconductor devices in online health monitoring
• Title（参考訳）: オンライン健康モニタリングにおける半導体デバイスの老化予測手法の比較分析と評価
• Authors: Adrian Villalobos, Iban Barrutia, Rafael Pena-Alzola, Tomislav Dragicevic, Jose I. Aizpurua,
• Abstract要約: 半導体およびパワーモジュールの一次時効機構は、熱疲労による亀裂成長に起因するボンドワイヤリフトオフである。 本研究は, 故障予測のための様々な予測手法を総合的に評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Semiconductor devices, especially MOSFETs (Metal-oxide-semiconductor field-effect transistor), are crucial in power electronics, but their reliability is affected by aging processes influenced by cycling and temperature. The primary aging mechanism in discrete semiconductors and power modules is the bond wire lift-off, caused by crack growth due to thermal fatigue. The process is empirically characterized by exponential growth and an abrupt end of life, making long-term aging forecasts challenging. This research presents a comprehensive comparative assessment of different forecasting methods for MOSFET failure forecasting applications. Classical tracking, statistical forecasting and Neural Network (NN) based forecasting models are implemented along with novel Temporal Fusion Transformers (TFTs). A comprehensive comparison is performed assessing their MOSFET ageing forecasting ability for different forecasting horizons. For short-term predictions, all algorithms result in acceptable results, with the best results produced by classical NN forecasting models at the expense of higher computations. For long-term forecasting, only the TFT is able to produce valid outcomes owing to the ability to integrate covariates from the expected future conditions. Additionally, TFT attention points identify key ageing turning points, which indicate new failure modes or accelerated ageing phases.
• Abstract（参考訳）: 半導体デバイス、特にMOSFET(メタオキシド-半導体電界効果トランジスタ)は電力エレクトロニクスにおいて重要であるが、その信頼性はサイクリングと温度に影響される老化過程の影響を受けている。 半導体およびパワーモジュールの一次時効機構は、熱疲労による亀裂成長に起因するボンドワイヤリフトオフである。 この過程は、指数的な成長と突然の寿命が特徴であり、長期的な老化予測を困難にしている。 本研究は,MOSFET故障予測アプリケーションにおける予測手法の総合的比較評価を行う。 古典的追跡,統計予測,ニューラルネットワークに基づく予測モデルと,新しい時間融合変換器(TFT)を実装した。 異なる予測地平線に対するMOSFET年代予測能力を総合的に評価する。 短期予測では、全てのアルゴリズムが許容される結果となり、古典的NN予測モデルで得られる最良の結果は、より高い計算を犠牲にして得られる。 長期的な予測のためには、TFTだけが将来予想される条件から共変量を統合する能力によって有効な結果を得ることができる。 さらに、TFTアテンションポイントは、新しい障害モードまたはアクセラレーションされた老化フェーズを示す重要な老化ターンポイントを特定する。

関連論文リスト

• Data-Driven vs Traditional Approaches to Power Transformer's Top-Oil Temperature Estimation [0.0]
  電力変圧器の温度モニタリングは、長期運用の維持に不可欠である。 例えば、IEC 60076-7とIEEEの標準で提示されたモデルは、トップオイルとホットスポットの温度を計算して温度をモニターする。 本研究は, 過去の測定値からトップオイル温度を推定する代替手法の発見に焦点をあてる。
  論文  参考訳（メタデータ） (2025-01-28T10:21:49Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• A comparative assessment of deep learning models for day-ahead load forecasting: Investigating key accuracy drivers [2.572906392867547]
  短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。 STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
  論文  参考訳（メタデータ） (2023-02-23T17:11:04Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• A Bayesian Deep Learning Approach to Near-Term Climate Prediction [12.870804083819603]
  気候予測に対する補完的な機械学習に基づくアプローチを追求する。 特に,Densenetアーキテクチャのフィードフォワード畳み込みネットワークは,予測能力において,畳み込みLSTMよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-02-23T00:28:36Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。