本发明涉及一种半导体器件测试方法，具体涉及一种基于器件伏安特性测试方法。
背景技术：
1、在半导体器件电学测试领域中，吉时利2650系列源表常被用作电压源或电流源，它具有高功率、高电压、快速响应和精确测量等优点，同时支持四象限运行。该系列源表专门针对高电压/电流电子产品和功率半导体元件(例如二极管、fet和igbt、高亮度led、太阳能电池及其它高功率材料)的检定和测试。并且，可以与多台该系列源表串联或并联以提供更高的电压或电流进行联合测试。然而，该系列源表存在一些问题，如无法图形化显示采集数据、保存数据较为麻烦，以及在大电流、高电压条件下测量成本较高的限制，这严重影响了高电压/电流电子产品和功率半导体元件的检定、测试、科研的效率。
2、为解决这些问题，目前国外泰克公司发布了kickstart软件，来实现该系列源表的自动化控制，但其使用费用昂贵，且其不能实时显示测量电流随时间变化的曲线等问题，给测试带来了不便。
技术实现思路
1、发明目的：针对上述现有技术，提出一种基于labview和神经网络的器件伏安特性测试方法，实现对所有硬件的自动化控制以及图形化显示实时测试结果，并实现通过预测数据与测试数据比对来发现测试中的异常数据。
2、技术方案：基于labview和神经网络的器件伏安特性测试方法，包括：利用数字源表对器件伏安特性测试进行供电，通过labview虚拟仪器对所述数字源表实现自动化控制并实时读取数字源表的测试数据；建立labview与python之间的通信，在测试过程中通过python来调用已训练完成的神经网络模型对器件的伏安特性进行实时预测，将预测数据与测试数据对比，筛选出测试中的异常数据；其中，所述预测数据与测试数据在labview中以图像形式展现。
3、进一步的，所述神经网络模型的训练方法包括：在利用数字源表进行伏安特性测试过程中，将labview虚拟仪器读取的测试数据实时发送到python来对所述神经网络模型进行实时训练。
4、进一步的，还包括利用神经网络模型对器件进行超高压伏安特性预测的步骤，所述超高压为高于所述数字源表能够输出的最大电压。
5、进一步的，采用labview中的visa接口发送对应的控制指令来对数字源表进行输入和输出控制。
6、进一步的，测试mos管的伏安特性时，使用两台数字源表，一台数字源表给mos管的栅极提供电压和电流，另一台数字源表给mos管的漏极提供电压和电流，控制一台数字源表输入固定电压保持不变，另一台数字源表根据所设步进值输入扫描电压，每次步长电压所测得的数据首先保存到数字源表内的数据采集卡中。
7、进一步的，通过python调用第三方库tensorflow和numpy训练神经网络模型，labview与python之间数据传递过程为：在labview中将从数字源表采集到的数据转化为数组后输入到python node模块，然后在python中通过编程将所述数组转化为tensorflow张量参与神经网络模型训练；在神经网络模型的输出口将训练好的结果转化为numpy数组返回到labview中。
8、有益效果：1.利用数字源表和虚拟仪器技术的结合，解决了数字源表不能自动化控制、图形化显示和实时保存的缺陷，简便了实验工作者的参数输入环节，为测试人员的后期数据分析和处理提供了技术保障。
9、2.通过labview与python的通信来调用第三方库，选取合适的神经网路模型对测试进行实时预测和外推的功能，并通过对比测试数据和预测数据，筛选出测试中的异常数据，以便进行特性分析。
10、3.通过数字源表、虚拟仪器和神经网络三者的结合，改善了传统的独立运行模式，形成了一个完整的测试方法，提高了测试及科研的效率，具有较好的经济效益。
11、4.本方法还可利用训练好的神经网络模型进行半导体器件的超高压伏安特性测试，以缩减测试时间和经济成本。
1.基于labview和神经网络的器件伏安特性测试方法，其特征在于，包括：利用数字源表对器件伏安特性测试进行供电，通过labview虚拟仪器对所述数字源表实现自动化控制并实时读取数字源表的测试数据；建立labview与python之间的通信，在测试过程中通过python来调用已训练完成的神经网络模型对器件的伏安特性进行实时预测，将预测数据与测试数据对比，筛选出测试中的异常数据；其中，所述预测数据与测试数据在labview中以图像形式展现。
2.根据权利要求1所述的基于labview和神经网络的器件伏安特性测试方法，其特征在于，所述神经网络模型的训练方法包括：在利用数字源表进行伏安特性测试过程中，将labview虚拟仪器读取的测试数据实时发送到python来对所述神经网络模型进行实时训练。
3.根据权利要求1所述的基于labview和神经网络的器件伏安特性测试方法，其特征在于，还包括利用神经网络模型对器件进行超高压伏安特性预测的步骤，所述超高压为高于所述数字源表能够输出的最大电压。
4.根据权利要求1或2所述的基于labview和神经网络的器件伏安特性测试方法，其特征在于，采用labview中的visa接口发送对应的控制指令来对数字源表进行输入和输出控制。
5.根据权利要求1或2所述的基于labview和神经网络的器件伏安特性测试方法，其特征在于，测试mos管的伏安特性时，使用两台数字源表，一台数字源表给mos管的栅极提供电压和电流，另一台数字源表给mos管的漏极提供电压和电流，控制一台数字源表输入固定电压保持不变，另一台数字源表根据所设步进值输入扫描电压，每次步长电压所测得的数据首先保存到数字源表内的数据采集卡中。
6.根据权利要求1-3任一所述的基于labview和神经网络的器件伏安特性测试方法，其特征在于，通过python调用第三方库tensorflow和numpy训练神经网络模型，labview与python之间数据传递过程为：在labview中将从数字源表采集到的数据转化为数组后输入到python node模块，然后在python中通过编程将所述数组转化为tensorflow张量参与神经网络模型训练；在神经网络模型的输出口将训练好的结果转化为numpy数组返回到labview中。
