eng
Выпуск #1/2025
О. Чупринова, Я. Щеников
ПРОГРАММНО-АППАРАТНЫЙ КОМПЛЕКС ДЛЯ ИНТЕЛЛЕКТУАЛЬНОЙ ДИАГНОСТИКИ НЕИСПРАВНОСТЕЙ ЭЛЕКТРОННЫХ СБОРОЧНЫХ УЗЛОВ
ПРОГРАММНО-АППАРАТНЫЙ КОМПЛЕКС ДЛЯ ИНТЕЛЛЕКТУАЛЬНОЙ ДИАГНОСТИКИ НЕИСПРАВНОСТЕЙ ЭЛЕКТРОННЫХ СБОРОЧНЫХ УЗЛОВ
Просмотры: 874
DOI: 10.22184/1992-4178.2025.242.1.128.131
В статье представлен программно-аппаратный комплекс для интеллектуальной диагностики неисправностей электронных сборочных узлов методом теплового контроля. Предложенное решение включает программное обеспечение на языке Python для сбора и обработки данных. Разработанный комплекс позволит быстро и эффективно выявлять производственные дефекты.
В статье представлен программно-аппаратный комплекс для интеллектуальной диагностики неисправностей электронных сборочных узлов методом теплового контроля. Предложенное решение включает программное обеспечение на языке Python для сбора и обработки данных. Разработанный комплекс позволит быстро и эффективно выявлять производственные дефекты.
Теги: electronic assembly units intelligent diagnostics thermal imaging inspection method thermogram интеллектуальная диагностика метод теплового контроля термограмма электронные сборочные узлы
Программно-аппаратный комплекс для интеллектуальной диагностики неисправностей электронных сборочных узлов
О. Чупринова, Я. Щеников
В статье представлен программно-аппаратный комплекс для интеллектуальной диагностики неисправностей электронных сборочных узлов. Описана архитектура комплекса, включающая основные функциональные блоки и методы их интеграции. Разработанное программное обеспечение на языке Python осуществляет сбор и первичную обработку данных, формируя основу для последующего анализа и выявления дефектов.
Введение
В современном мире электроника играет ключевую роль во всех сферах деятельности человека. От качества и надежности электронных компонентов зависит работоспособность и безопасность различных устройств и систем. Однако традиционный процесс диагностики требует значительных затрат времени и высокой квалификации работников.
Интеллектуальная диагностика неисправностей электронных сборочных узлов является современным способом решения данных проблем. В настоящей статье рассмотрен программно-аппаратный комплекс для интеллектуальной диагностики электронных сборочных узлов. Он объединяет в себе современные методы и технологии, позволяющие повысить эффективность и обеспечить высокую точность обнаружения технических проблем. Диагностика электронных сборочных узлов является важной задачей для обеспечения надежности и долговечности радиоэлектронной аппаратуры.
На сегодняшний день существуют разнообразные способы выявления неисправностей, каждый из которых имеет свои преимущества и недостатки:
Визуальный осмотр. Неразрушающие методы исследования с помощью оптических приборов (лупы, микроскопы) для идентификации видимых дефектов, таких как трещины, коррозия, отслоения покрытий. Преимущества – низкая стоимость. Недостатки – малая информативность, высокие требования к квалификации работников.
Электрические измерения. Регистрация электрических параметров с целью выявления отклонений от номинальных значений. Преимущества – точность и возможность обнаружения неисправностей на ранних стадиях. Недостатки – необходимость
в специализированном оборудовании, часто возникающая невозможность проведения тестирования без вмешательства в конструкцию печатного узла.
Тепловизионное обследование. Использование инфракрасных камер для измерения температуры компонентов во время их работы, выявление горячих точек. Преимущества – бесконтактный контроль, быстрое сканирование больших участков. Недостатки – трудности с автоматизацией и обработкой полученных данных.
Акустическая эмиссия. Метод неразрушающего контроля, основанный на регистрации звуковых волн, возникающих при развитии механических или электрических дефектов в компонентах. Преимущества – возможность выявлять дефекты до их видимого проявления. Недостатки – сложность интерпретации сигналов, необходимость в специфическом оборудовании.
Рентгенографическая и ультразвуковая диагностика. Использование рентгеновских и ультразвуковых волн для выявления внутренних дефектов и нарушений целостности материалов. Преимущества – высокая информативность, возможность проверки сложных узлов. Недостатки – значительные затраты на оборудование и необходимость квалифицированной интерпретации результатов.
Функциональное тестирование. Представляет собой комплексную проверку электронной схемы или устройства в условиях, приближенных к эксплуатационным, с целью оценки общей работоспособности и соответствия заданным функциональным параметрам. Преимущества – позволяет оценить работу всего устройства в целом. Недостатки – трудоемкость процедуры диагностики и последующей интерпретации результатов.
Интеллектуальная диагностика. Применение методов машинного обучения для диагностики
неисправностей на основе данных с датчиков [1]. При этом могут быть реализованы несколько видов алгоритмов, например:
А) Нечеткая нейронная сеть. Строится на гибридных нечетких моделях, объединенных в одну систему. Как правило, для диагностики используется модель Тагаки-Сугено-Канга в сочетании с алгоритмами нейронного обучения;
Б) Деревья решений. Иерархическая древовидная система, основанная на решении по типу «если …, то …» в каждом узле;
В) Искусственные нейронные сети (ИНС). Обучение регулирует веса связей между нейронами, что помогает добиться высокой точности в решении задач классификации неисправностей. ИНС можно также использовать для создания моделей, имитирующих различные неисправности.
В таком случае имитирующая нейронная сеть и отслеживаемая система работают одновременно, а алгоритм сравнивает выходные данные этих двух систем.
Компоненты для разработки программно-аппаратного комплекса диагностики сборочных узлов
Рассматриваемый программно-аппаратный комплекс основан на методе теплового контроля и обеспечивает автоматизированную регистрацию теплового поля диагностируемого устройства с помощью теплового датчика с последующей передачей полученных результатов на компьютер для их обработки. При этом использовались следующие компоненты:
Датчик тепловизора AMG8833. Позволяет получить изображение c разрешением 8 × 8 пикселей в инфракрасном диапазоне электромагнитного спектра (от 0,74
до 1000 мкм) и определить температуру каждой точки контролируемой поверхности в диапазоне от 0° до 80 °С. Датчик содержит матрицу, чувствительную к инфракрасному спектру, а также фокусирующую линзу с углом обзора 60° по вертикали и горизонтали. Качество исходного изображения с датчика AMG8833 может быть улучшено путем применения методов математической интерполяции, реализованных в библиотеке Adafruit AMG88xx Library [2].
Arduino Uno R3 (USB ATmega16U2) – плата на базе микроконтроллера ATmega16U2 в качестве USB-UART преобразователя [3].
Передача данных от модуля тепловизора в модуль Arduino осуществляется посредством последовательной асимметричной шины I2C для связи между интегральными схемами внутри электронных приборов. Arduino передает результаты тепловизионных измерений
на персональный компьютер (ПК) через USB-порт для дальнейшей обработки. На ПК с использованием языка программирования Python происходит выгрузка данных, поступающих в восьмибитном формате UTF-8, и их последующее преобразование в читаемый вид с помощью функции decode() (рис. 1).
Схема передачи данных программно-аппаратного комплекса для интеллектуальной диагностики неисправностей электронных сборочных узлов представлена
на рис. 2.
Заключение
Применение программно-аппаратного комплекса для диагностики печатных узлов с помощью метода теплового контроля позволяет проводить быструю и точную диагностику плат, выявляя некачественные компоненты, дефекты пайки, неправильное расположение или отсутствие компонентов. Последующая обработка полученных термограмм с помощью методов машинного обучения позволит избежать необходимости ручной обработки данных. На основе собранной информации о дефектах можно будет сформировать базы данных, которые позволят выполнять дальнейшую оценку качества процессов сборки и производства радиоэлектронного оборудования.
ЛИТЕРАТУРА
Ковито М. А. Обнаружения неисправностей механического оборудования с использованием
методов интеллектуального анализа данных // Информатика. Экономика. Управление / Informatics. Economics. Management, 2022. Т. 1, № 2. С. 0121–0133.
Датчик тепловизора AMG8833 8x8 // КомпактТул URL: https://compacttool.ru/datchik-teplovizora-amg8833-8x8 (дата обращения: 11.01.2025).
Uno R3 SMD // Docs URL: Arduino Uno R3 SMD URL: https://docs.arduino.cc/hardware/uno-rev3-smd/ (дата обращения: 11.01.2025).
О. Чупринова, Я. Щеников
В статье представлен программно-аппаратный комплекс для интеллектуальной диагностики неисправностей электронных сборочных узлов. Описана архитектура комплекса, включающая основные функциональные блоки и методы их интеграции. Разработанное программное обеспечение на языке Python осуществляет сбор и первичную обработку данных, формируя основу для последующего анализа и выявления дефектов.
Введение
В современном мире электроника играет ключевую роль во всех сферах деятельности человека. От качества и надежности электронных компонентов зависит работоспособность и безопасность различных устройств и систем. Однако традиционный процесс диагностики требует значительных затрат времени и высокой квалификации работников.
Интеллектуальная диагностика неисправностей электронных сборочных узлов является современным способом решения данных проблем. В настоящей статье рассмотрен программно-аппаратный комплекс для интеллектуальной диагностики электронных сборочных узлов. Он объединяет в себе современные методы и технологии, позволяющие повысить эффективность и обеспечить высокую точность обнаружения технических проблем. Диагностика электронных сборочных узлов является важной задачей для обеспечения надежности и долговечности радиоэлектронной аппаратуры.
На сегодняшний день существуют разнообразные способы выявления неисправностей, каждый из которых имеет свои преимущества и недостатки:
Визуальный осмотр. Неразрушающие методы исследования с помощью оптических приборов (лупы, микроскопы) для идентификации видимых дефектов, таких как трещины, коррозия, отслоения покрытий. Преимущества – низкая стоимость. Недостатки – малая информативность, высокие требования к квалификации работников.
Электрические измерения. Регистрация электрических параметров с целью выявления отклонений от номинальных значений. Преимущества – точность и возможность обнаружения неисправностей на ранних стадиях. Недостатки – необходимость
в специализированном оборудовании, часто возникающая невозможность проведения тестирования без вмешательства в конструкцию печатного узла.
Тепловизионное обследование. Использование инфракрасных камер для измерения температуры компонентов во время их работы, выявление горячих точек. Преимущества – бесконтактный контроль, быстрое сканирование больших участков. Недостатки – трудности с автоматизацией и обработкой полученных данных.
Акустическая эмиссия. Метод неразрушающего контроля, основанный на регистрации звуковых волн, возникающих при развитии механических или электрических дефектов в компонентах. Преимущества – возможность выявлять дефекты до их видимого проявления. Недостатки – сложность интерпретации сигналов, необходимость в специфическом оборудовании.
Рентгенографическая и ультразвуковая диагностика. Использование рентгеновских и ультразвуковых волн для выявления внутренних дефектов и нарушений целостности материалов. Преимущества – высокая информативность, возможность проверки сложных узлов. Недостатки – значительные затраты на оборудование и необходимость квалифицированной интерпретации результатов.
Функциональное тестирование. Представляет собой комплексную проверку электронной схемы или устройства в условиях, приближенных к эксплуатационным, с целью оценки общей работоспособности и соответствия заданным функциональным параметрам. Преимущества – позволяет оценить работу всего устройства в целом. Недостатки – трудоемкость процедуры диагностики и последующей интерпретации результатов.
Интеллектуальная диагностика. Применение методов машинного обучения для диагностики
неисправностей на основе данных с датчиков [1]. При этом могут быть реализованы несколько видов алгоритмов, например:
А) Нечеткая нейронная сеть. Строится на гибридных нечетких моделях, объединенных в одну систему. Как правило, для диагностики используется модель Тагаки-Сугено-Канга в сочетании с алгоритмами нейронного обучения;
Б) Деревья решений. Иерархическая древовидная система, основанная на решении по типу «если …, то …» в каждом узле;
В) Искусственные нейронные сети (ИНС). Обучение регулирует веса связей между нейронами, что помогает добиться высокой точности в решении задач классификации неисправностей. ИНС можно также использовать для создания моделей, имитирующих различные неисправности.
В таком случае имитирующая нейронная сеть и отслеживаемая система работают одновременно, а алгоритм сравнивает выходные данные этих двух систем.
Компоненты для разработки программно-аппаратного комплекса диагностики сборочных узлов
Рассматриваемый программно-аппаратный комплекс основан на методе теплового контроля и обеспечивает автоматизированную регистрацию теплового поля диагностируемого устройства с помощью теплового датчика с последующей передачей полученных результатов на компьютер для их обработки. При этом использовались следующие компоненты:
Датчик тепловизора AMG8833. Позволяет получить изображение c разрешением 8 × 8 пикселей в инфракрасном диапазоне электромагнитного спектра (от 0,74
до 1000 мкм) и определить температуру каждой точки контролируемой поверхности в диапазоне от 0° до 80 °С. Датчик содержит матрицу, чувствительную к инфракрасному спектру, а также фокусирующую линзу с углом обзора 60° по вертикали и горизонтали. Качество исходного изображения с датчика AMG8833 может быть улучшено путем применения методов математической интерполяции, реализованных в библиотеке Adafruit AMG88xx Library [2].
Arduino Uno R3 (USB ATmega16U2) – плата на базе микроконтроллера ATmega16U2 в качестве USB-UART преобразователя [3].
Передача данных от модуля тепловизора в модуль Arduino осуществляется посредством последовательной асимметричной шины I2C для связи между интегральными схемами внутри электронных приборов. Arduino передает результаты тепловизионных измерений
на персональный компьютер (ПК) через USB-порт для дальнейшей обработки. На ПК с использованием языка программирования Python происходит выгрузка данных, поступающих в восьмибитном формате UTF-8, и их последующее преобразование в читаемый вид с помощью функции decode() (рис. 1).
Схема передачи данных программно-аппаратного комплекса для интеллектуальной диагностики неисправностей электронных сборочных узлов представлена
на рис. 2.
Заключение
Применение программно-аппаратного комплекса для диагностики печатных узлов с помощью метода теплового контроля позволяет проводить быструю и точную диагностику плат, выявляя некачественные компоненты, дефекты пайки, неправильное расположение или отсутствие компонентов. Последующая обработка полученных термограмм с помощью методов машинного обучения позволит избежать необходимости ручной обработки данных. На основе собранной информации о дефектах можно будет сформировать базы данных, которые позволят выполнять дальнейшую оценку качества процессов сборки и производства радиоэлектронного оборудования.
ЛИТЕРАТУРА
Ковито М. А. Обнаружения неисправностей механического оборудования с использованием
методов интеллектуального анализа данных // Информатика. Экономика. Управление / Informatics. Economics. Management, 2022. Т. 1, № 2. С. 0121–0133.
Датчик тепловизора AMG8833 8x8 // КомпактТул URL: https://compacttool.ru/datchik-teplovizora-amg8833-8x8 (дата обращения: 11.01.2025).
Uno R3 SMD // Docs URL: Arduino Uno R3 SMD URL: https://docs.arduino.cc/hardware/uno-rev3-smd/ (дата обращения: 11.01.2025).
Отзывы читателей
