Bei MEMS-End-of-Line-Tests sind sowohl hohe Präzision als auch Zuverlässigkeit unerlässlich. Aufgrund der zusätzlichen Anforderung der Laufzeiteffizienz wurden in den letzten Jahren Methoden des maschinellen Lernens untersucht. Diese Methoden sind jedoch häufig mit inhärenten Herausforderungen hinsichtlich der Unsicherheitsquantifizierung und der Zuverlässigkeitsgarantie verbunden. Ziel dieses Papers ist es daher, einen neuen Ansatz mit maschinellem Lernen in der MEMS-Test vorzustellen, der auf Bayes’scher Inferenz basiert und feststellen kann, ob die Schätzung vertrauenswürdig ist. Die allgemeine Vorhersageleistung sowie die Unsicherheitsquantifizierung werden mit vier Methoden bewertet: Bayes’sches neuronales Netzwerk, Mixture Density Network, probabilistisches Bayes’sches neuronales Netzwerk und BayesFlow. Sie werden unter Variation der Größe der Trainingsmenge, verschiedenen additiven Rauschpegeln und einer Out-of-Distribution-Bedingung, nämlich der Variation des Dämpfungsfaktors des MEMS-Geräts, untersucht. Darüber hinaus werden epistemische und aleatorische Unsicherheiten bewertet und diskutiert, um eine gründliche Überprüfung der Modelle vor dem Einsatz zu fördern und eine zuverlässige und effiziente Parameterschätzung während des abschließenden Modultests von MEMS-Geräten zu erreichen. Unter diesen vier Methoden hat BayesFlow die anderen Methoden in Bezug auf die Vorhersageleistung durchweg übertroffen.
Publikation: Sensors 2022