Введение в метод распознавания образов
Оценка надёжности полупроводниковых приборов и интегральных микросхем в процессе их эксплуатации сопряжена с трудностями. Из-за низкой интенсивности отказов и, как следствие, большого времени наработки на отказ, сбор статистики о надёжности занимает много времени. Такой подход эффективен в основном для выявления причин отказов и последующего совершенствования конструкции и технологии производства. В связи с этим возрастает актуальность применения специальных методов диагностики и прогнозирования, одним из которых является метод распознавания образов (статистической классификации).
Основные понятия и принципы метода
Распознавание образов — это область знаний, посвящённая созданию систем, способных отнести рассматриваемый объект к одному из заранее определённых классов. В данном контексте под образом понимается область в пространстве признаков, объединяющая объекты, сгруппированные по определённому принципу. Геометрически это область в n-мерном пространстве, где по осям откладываются значения параметров (признаков) объекта. Описание этой области называется эталоном.
Каждый объект описывается вектором признаков X(x1, x2, ..., xn), где xi — значение i-й характеристики. Совокупность всех возможных образов образует алфавит образов S.
Прогнозирование технического состояния (ТС) в рамках этого метода базируется на ключевом предположении: однотипные объекты с сопоставимым запасом работоспособности будут иметь схожие наборы параметров, описывающих их состояние.
Обучение и классификация
Для работы системы необходима обучающая выборка — набор объектов, для которых известны и вектор признаков X, и принадлежность к образу S. На основе этих данных выявляются закономерности. Объекты с неизвестной принадлежностью образуют контрольную (тестовую) выборку.
Основная задача — найти решающее правило (функцию) D, которое для нового объекта по его вектору X определит наиболее вероятный образ S, то есть спрогнозирует его техническое состояние. Критически важным этапом является отбор информативных признаков, которые наиболее чётко различают классы между собой.
Два подхода к распознаванию
В практике распознавания образов выделяют два основных метода:
- Детерминистский: предполагает, что распределение объектов в обучающей выборке точно отражает генеральную совокупность. Цель — добиться безошибочного распознавания обучающих данных.
- Статистический (вероятностный): учитывает вероятностный характер распределения признаков и связей между ними.
Практическое применение: диагностика p-n-переходов по ВАХ
Рассмотрим применение метода для прогнозирования ТС по вольт-амперным характеристикам (ВАХ) p-n-переходов. В качестве неразрушающего метода контроля используется электрофизический метод (ЭФМ), основанный на анализе изменений электрофизических параметров.
Диагностика ведётся путём сравнения реальных ВАХ с эталонными и выявления качественных и количественных отклонений.
Анализ прямой ветви ВАХ
Эталонная прямая ветвь (рис. 18.8, а) имеет два характерных участка: 1) начальный с медленным ростом тока и 2) участок резкого нарастания тока.
- Дефект 1 (рис. 18.8, б): Значительный рост тока на первом участке. Причина: каналы утечки из-за загрязнений поверхности или замыканий через поры в окисном слое, что шунтирует переход.
- Дефект 2 (рис. 18.8, в): Замедленный рост тока на втором участке. Причина: высокое последовательное сопротивление из-за некачественных контактных областей.
- Дефект 3 (рис. 18.8, г): Участок с отрицательным дифференциальным сопротивлением. Причина: наличие паразитного p-n-перехода, возникшего из-за неоднородности легирования или неидеальных омических контактов.
Анализ обратной ветви ВАХ
Идеальная обратная ветвь (рис. 18.9, а) характеризуется участком слабой зависимости тока от напряжения и резким пробоем.
- Дефект 1 (рис. 18.9, б): Существенный рост тока с последующим насыщением. Причина: сквозной канал, шунтирующий переход.
- Дефект 2 (рис. 18.9, в): «Убегающая» характеристика. Причина: обогащённый слой вблизи перехода.
- Дефект 3 (рис. 18.9, г): Ступенчатое изменение тока. Причина: возникновение сквозного канала при превышении порогового напряжения.
- Дефект 4 (рис. 18.9, д): Постепенный рост тока без чёткого пробоя. Причина: ненасыщающийся канал.
- Дефект 5 (рис. 18.9, е): Нестабильность в области пробоя. Причина: микротрещины, пересекающие переход.
- Дефект 6 (рис. 18.9, ж): Петля гистерезиса. Причина: наличие поляризующихся загрязнений или влаги на поверхности.
Отбраковка приборов с такими аномалиями ВАХ позволяет значительно снизить интенсивность отказов в эксплуатации. Более тонкий анализ возможен при использовании первой и второй производных ВАХ.
Преимущества и последовательность прогнозирования
Методы статистической классификации особенно эффективны для прогнозирования ТС объектов при ограниченном времени контроля и недостатке информации на начальном этапе эксплуатации. Их ключевое преимущество — возможность оценки с момента проведения однократного диагностического контроля, используя всю совокупность параметров объекта.
Процесс прогнозирования ТС включает следующие этапы:
- Выбор математической модели распознавания.
- Описание классов технического состояния на основе априорной информации и обучение модели.
- Сопоставление текущих диагностических данных контролируемого объекта с заданными классами.
- Принятие решения о запасе работоспособности объекта на основе результатов классификации.
Таким образом, установление корреляции между отклонениями ВАХ и внутренними дефектами структуры даёт ценную информацию для контроля качества и позволяет вносить целенаправленные коррективы в конструкцию и технологию изготовления приборов.