eng
Выпуск #1/2025
О. Чупринова
АВТОМАТИЗАЦИЯ ТЕПЛОВОГО МЕТОДА ВЫХОДНОГО КОНТРОЛЯ РАДИОЭЛЕКТРОННЫХ ИЗДЕЛИЙ
АВТОМАТИЗАЦИЯ ТЕПЛОВОГО МЕТОДА ВЫХОДНОГО КОНТРОЛЯ РАДИОЭЛЕКТРОННЫХ ИЗДЕЛИЙ
Просмотры: 915
DOI: 10.22184/1992-4178.2025.242.1.132.135
В статье рассматривается автоматизация теплового выходного контроля радиоэлектронных средств (РЭС) с применением искусственных нейронных сетей для обработки тепловизионных измерений и данных промышленных датчиков. Предложенный
подход позволит оптимизировать процесс диагностики и уменьшить временные затраты на поиски неисправностей.
В статье рассматривается автоматизация теплового выходного контроля радиоэлектронных средств (РЭС) с применением искусственных нейронных сетей для обработки тепловизионных измерений и данных промышленных датчиков. Предложенный
подход позволит оптимизировать процесс диагностики и уменьшить временные затраты на поиски неисправностей.
Теги: artificial neural networks diagnostics of ree reliability thermal imaging inspection диагностика рэс искусственные нейронные сети надежность тепловой контроль
Автоматизация теплового метода выходного контроля радиоэлектронных изделий
О. Чупринова
В статье исследуется возможность автоматизации теплового контроля радиоэлектронных средств (РЭС) с использованием технологий анализа данных и машинного обучения. Обработка тепловизионных измерений и показаний производственных датчиков с помощью искусственных нейронных сетей позволит уменьшить временные затраты на поиски неисправностей, а также своевременно выявлять проблемные области производства РЭС.
В условиях современного рынка радиоэлектронных средств надежность изделий становится одним из ключевых факторов, определяющих их конкурентоспособность. С увеличением сложности и многофункциональности РЭС усложняется диагностика и выходной контроль. Одним из перспективных направлений повышения надежности является использование автоматизированных методов диагностики, основанных на анализе производственных данных. Рассмотрим возможности автоматизации диагностического процесса с применением тепловых методов.
Тепловой выходной контроль представляет собой метод выявления дефектов в изделиях на основе анализа их тепловых характеристик, широко применяемый в различных отраслях, включая телекоммуникацию, авиацию, автомобилестроение и многие другие, где надежность и работоспособность оборудования критически важны [1].
Тепловое излучение – это электромагнитные волны, испускаемые телами, имеющими температуру выше 0 К за счет их внутренней энергии. Температурные изменения отдельных компонентов и узлов РЭС в процессе эксплуатации могут указывать на плохое соединение, износ, перегрузку или другие проблемные состояния. Инфракрасная термография позволяет определять температуру бесконтактным способом с помощью измерения интенсивности электромагнитного излучения объекта.
Тепловизионные камеры фиксируют тепловое излучение, на основе которого создается тепловая карта (термограмма) объекта, обеспечивающая оперативное обнаружение горячих точек на платах и в других узлах системы.
Для контроля температуры также используют контактные термометры и другие тепловые датчики, закрепленные на критически важных элементах. С помощью датчиков температуры, установленных непосредственно на электронных компонентах, таких как транзисторы, диоды, микросхемы, осуществляется мониторинг и регистрация температуры в режиме реального времени.
Основной источник информации при тепловом неразрушающем контроле – температурное поле исследуемой поверхности, характеризующее процессы теплопередачи (рис. 1), которые зависят от наличия внутренних и наружных повреждений: трещины плат, пористость и пустоты, отклонения физических параметров от нормативов, дефекты литья, инородные включения.
Метод инфракрасной термографии обладает высокой чувствительностью и точностью, что делает его особенно эффективным для обнаружения скрытых дефектов, которые могут негативно сказаться на надежности и функциональности изделий. Внедрение автоматизированных систем диагностического контроля будет способствовать ускорению процесса технического анализа, повышению его надежности и снижению вероятности влияния человеческого фактора.
ГОСТ Р 56511-2015 [2] регламентирует применение тепловых методов контроля, позволяющих отслеживать теплопроводность, температурный режим и проводить расчеты тепловых потоков объекта. При реализации теплового неразрушающего контроля используются активные и пассивные методы. Пассивный контроль не требует внешнего воздействия на объект, при активном контроле применяются внешние источники воздействия.
Эффективное применение теплового контроля в диагностике РЭС требует детального анализа показателей надежности. Рассмотрим методологический аппарат, включающий оценку, прогнозирование и повышение надежности изделий. Основные направления аналитики надежности РЭС представлены ниже:
Статистический анализ надежности: использование статистических методов для оценки вероятности отказов, времени наработки до отказа (MTBF) и других показателей надежности; построение кривых надежности и анализ распределений времени до отказа.
Функциональное тестирование: проведение тестов на соответствие функциональным требованиям, позволяющих выявить потенциальные дефекты и несоответствия на ранних этапах.
Стресс-тестирование: тестирование изделий в экстремальных условиях, выходящих за рамки нормальных режимов эксплуатации, для выявления предельных характеристик и потенциальных точек отказа.
Анализ отказов и их последствий (FMEA): идентификация возможных отказов, их причин и последствий, а также оценка риска, связанного с каждым из них. Это помогает в разработке мер по снижению вероятности отказов.
Анализ коренных причин (RCA): методология, направленная на выявление коренных причин отказов, позволяющая разработать эффективные меры по их устранению. Предполагает использование математических и компьютерных моделей для прогнозирования надежности изделий на основе различных факторов, таких как условия эксплуатации и характеристики компонентов.
Предсказательная аналитика: применение методов машинного обучения и анализа данных для прогнозирования возможных отказов на основе исторических данных и текущих показателей работы.
Мониторинг состояния: использование датчиков и систем мониторинга для отслеживания состояния РЭС в реальном времени, что позволяет выявлять потенциальные проблемы и отклонения до их возникновения.
Анализ жизненного цикла: оценка надежности
на всех этапах жизненного цикла изделия, включая проектирование, производство, эксплуатацию и утилизацию.
Рассмотрим методы анализа отказов и их коренных причин, а также инструменты мониторинга состояния оборудования. Сбор данных для последующей обработки осуществляется из двух ключевых источников: тепловизионные измерения и показания производственных датчиков, регистрирующих параметры производственных режимов. Тепловизионные данные используются без предварительной обработки, тогда как информация с производственных датчиков требует проверки на наличие аномалий и случайных значений. При нормальном распределении данных целесообразно отсеивать значения, превышающие три среднеквадратичных отклонения.
Следующим этапом обработки является корреляционный анализ. Для визуализации применяется корреляционная тепловая карта (heatmap) – матричное представление, где степень корреляции между параметрами отображается цветовой интенсивностью на пересечении соответствующих строк и столбцов.
Далее необходимо классифицировать дефекты. Детальный анализ дефектов предоставляет возможность установить причинно-следственные связи и выявить закономерности их возникновения, что способствует разработке более эффективных профилактических мер. Применение современных технологий машинного обучения и больших данных позволяет обрабатывать и анализировать значительные объемы информации, получаемой
в процессе теплового контроля РЭС. Дефекты можно классифицировать по различным критериям. Например, по происхождению и причинам возникновения выделяют следующие виды дефектов:
Поскольку дефекты принадлежат к множеству нелинейно разделимых классов, в качестве классификатора целесообразно использовать искусственную нейронную сеть (ИНС) [3]. Преимуществами ИНС в данном случае являются возможность дообучения в случае смены данных и способность к аппроксимации непрерывной функции. Предлагаемая схема автоматизации сбора и обработки информации (рис. 2) отражает последовательность действий по выявлению проблемных участков процедуры изготовления РЭС.
Численность входных нейронов определяется матрицей данных, поступающих с датчиков, а выходных – количеством заданных классов дефектов. ИНС для данной задачи не требует большой глубины (количества слоев), что снижает вероятность переобучения и облегчает
обработку данных.
Важной особенностью такой системы является создание хранилища данных. Подобный вид сбора и хранения информации отлично подходит для дальнейшего анализа и принятия решений. После накопления данных о частоте возникновения дефекта можно выявить критические зоны производства, неквалифицированных сотрудников и недостатки поставляемых компонентов.
Для оценки эффективности работы ИНС можно использовать метрики [4], показывающие долю правильных откликов относительно всех заданных. Для этого рассмотрим возможные исходы в виде матрицы ошибок многоклассовой классификации (табл. 1). Диагональные элементы матрицы (T1, T2, T3) указывают на количество правильных прогнозов, недиагональные элементы – на количество неверных прогнозов.
В бинарной классификации используются четыре показателя: TP (true positive) – истинно положительные результаты, FN (false negative) – ложноотрицательные результаты, FP (false positive) – ложноположительные результаты, TN (true negative) – истинно отрицательные результаты. В случае многоклассовой классификации TP, FN, FP, TN рассчитываются относительно некоторого класса n следующим образом:
TPn = Tn
FPn = ∑C ∈ ClassesFn,C
FNn = ∑C ∈ ClassesFC,n
TNn = All – TPn – FPn – FNn.
На основе четырех категорий вычисляются различные метрики, такие как Accuracy (точность) – доля правильных классификаций; Recall (полнота) – отношение количества верно классифицированных объектов класса к общему числу элементов этого класса; Precision (точность, перевод совпадает с Accuracy) – доля верно классифицированных объектов среди всех объектов, которые к этому классу отнес классификатор.
Заключение
Автоматизация теплового выходного контроля позволяет оптимизировать процесс диагностики радиоэлектронных средств и повысить эффективность выходного контроля за счет применения искусственных нейронных сетей для обработки данных с датчиков. Это, в свою очередь, способствует раннему выявлению скрытых дефектов, что критически важно для повышения общего качества и надежности продукции. Направленное использование исторических данных о частоте возникновения неисправностей предоставляет возможность точно локализовать проблемные области производства и выработать эффективные стратегии для их устранения. Таким образом, внедрение современных технологий аналитики
в процессы контроля и диагностики РЭС способствует не только снижению затрат, но и значительному улучшению эксплуатационных характеристик изделий, что
в конечном итоге ведет к повышению конкурентоспособности и удовлетворенности потребителей.
ЛИТЕРАТУРА
Карпов Д. Ф. Активный метод теплового контроля теплопроводности строительных
материалов и изделий // Вестник Белгородского государственного технологического
университета им. В. Г. Шухова, 2019. №7. С. 57-62.ГОСТ Р 56511-2015. Контроль
неразрушающий. Методы теплового вида. Общие требования. Классификация данных при помощи нейронных сетей // URL: https://loginom.ru/blog/neural-classification.
Оценка эффективности нейронных сетей на основе критериев выполнения задачи
классификации объектов // URL: https://scm.etu.ru/assets/files/2023/sbornik/153-156.pdf.
О. Чупринова
В статье исследуется возможность автоматизации теплового контроля радиоэлектронных средств (РЭС) с использованием технологий анализа данных и машинного обучения. Обработка тепловизионных измерений и показаний производственных датчиков с помощью искусственных нейронных сетей позволит уменьшить временные затраты на поиски неисправностей, а также своевременно выявлять проблемные области производства РЭС.
В условиях современного рынка радиоэлектронных средств надежность изделий становится одним из ключевых факторов, определяющих их конкурентоспособность. С увеличением сложности и многофункциональности РЭС усложняется диагностика и выходной контроль. Одним из перспективных направлений повышения надежности является использование автоматизированных методов диагностики, основанных на анализе производственных данных. Рассмотрим возможности автоматизации диагностического процесса с применением тепловых методов.
Тепловой выходной контроль представляет собой метод выявления дефектов в изделиях на основе анализа их тепловых характеристик, широко применяемый в различных отраслях, включая телекоммуникацию, авиацию, автомобилестроение и многие другие, где надежность и работоспособность оборудования критически важны [1].
Тепловое излучение – это электромагнитные волны, испускаемые телами, имеющими температуру выше 0 К за счет их внутренней энергии. Температурные изменения отдельных компонентов и узлов РЭС в процессе эксплуатации могут указывать на плохое соединение, износ, перегрузку или другие проблемные состояния. Инфракрасная термография позволяет определять температуру бесконтактным способом с помощью измерения интенсивности электромагнитного излучения объекта.
Тепловизионные камеры фиксируют тепловое излучение, на основе которого создается тепловая карта (термограмма) объекта, обеспечивающая оперативное обнаружение горячих точек на платах и в других узлах системы.
Для контроля температуры также используют контактные термометры и другие тепловые датчики, закрепленные на критически важных элементах. С помощью датчиков температуры, установленных непосредственно на электронных компонентах, таких как транзисторы, диоды, микросхемы, осуществляется мониторинг и регистрация температуры в режиме реального времени.
Основной источник информации при тепловом неразрушающем контроле – температурное поле исследуемой поверхности, характеризующее процессы теплопередачи (рис. 1), которые зависят от наличия внутренних и наружных повреждений: трещины плат, пористость и пустоты, отклонения физических параметров от нормативов, дефекты литья, инородные включения.
Метод инфракрасной термографии обладает высокой чувствительностью и точностью, что делает его особенно эффективным для обнаружения скрытых дефектов, которые могут негативно сказаться на надежности и функциональности изделий. Внедрение автоматизированных систем диагностического контроля будет способствовать ускорению процесса технического анализа, повышению его надежности и снижению вероятности влияния человеческого фактора.
ГОСТ Р 56511-2015 [2] регламентирует применение тепловых методов контроля, позволяющих отслеживать теплопроводность, температурный режим и проводить расчеты тепловых потоков объекта. При реализации теплового неразрушающего контроля используются активные и пассивные методы. Пассивный контроль не требует внешнего воздействия на объект, при активном контроле применяются внешние источники воздействия.
Эффективное применение теплового контроля в диагностике РЭС требует детального анализа показателей надежности. Рассмотрим методологический аппарат, включающий оценку, прогнозирование и повышение надежности изделий. Основные направления аналитики надежности РЭС представлены ниже:
Статистический анализ надежности: использование статистических методов для оценки вероятности отказов, времени наработки до отказа (MTBF) и других показателей надежности; построение кривых надежности и анализ распределений времени до отказа.
Функциональное тестирование: проведение тестов на соответствие функциональным требованиям, позволяющих выявить потенциальные дефекты и несоответствия на ранних этапах.
Стресс-тестирование: тестирование изделий в экстремальных условиях, выходящих за рамки нормальных режимов эксплуатации, для выявления предельных характеристик и потенциальных точек отказа.
Анализ отказов и их последствий (FMEA): идентификация возможных отказов, их причин и последствий, а также оценка риска, связанного с каждым из них. Это помогает в разработке мер по снижению вероятности отказов.
Анализ коренных причин (RCA): методология, направленная на выявление коренных причин отказов, позволяющая разработать эффективные меры по их устранению. Предполагает использование математических и компьютерных моделей для прогнозирования надежности изделий на основе различных факторов, таких как условия эксплуатации и характеристики компонентов.
Предсказательная аналитика: применение методов машинного обучения и анализа данных для прогнозирования возможных отказов на основе исторических данных и текущих показателей работы.
Мониторинг состояния: использование датчиков и систем мониторинга для отслеживания состояния РЭС в реальном времени, что позволяет выявлять потенциальные проблемы и отклонения до их возникновения.
Анализ жизненного цикла: оценка надежности
на всех этапах жизненного цикла изделия, включая проектирование, производство, эксплуатацию и утилизацию.
Рассмотрим методы анализа отказов и их коренных причин, а также инструменты мониторинга состояния оборудования. Сбор данных для последующей обработки осуществляется из двух ключевых источников: тепловизионные измерения и показания производственных датчиков, регистрирующих параметры производственных режимов. Тепловизионные данные используются без предварительной обработки, тогда как информация с производственных датчиков требует проверки на наличие аномалий и случайных значений. При нормальном распределении данных целесообразно отсеивать значения, превышающие три среднеквадратичных отклонения.
Следующим этапом обработки является корреляционный анализ. Для визуализации применяется корреляционная тепловая карта (heatmap) – матричное представление, где степень корреляции между параметрами отображается цветовой интенсивностью на пересечении соответствующих строк и столбцов.
Далее необходимо классифицировать дефекты. Детальный анализ дефектов предоставляет возможность установить причинно-следственные связи и выявить закономерности их возникновения, что способствует разработке более эффективных профилактических мер. Применение современных технологий машинного обучения и больших данных позволяет обрабатывать и анализировать значительные объемы информации, получаемой
в процессе теплового контроля РЭС. Дефекты можно классифицировать по различным критериям. Например, по происхождению и причинам возникновения выделяют следующие виды дефектов:
- дефекты материалов: некачественные компоненты, несоответствие характеристик материалов требованиям;
- дефекты сборки: ошибки пайки, неверная установка компонентов на плате, неправильное использование инструментов при сборке;
- дефекты проектирования: ошибки в схемах разводки и соединения компонентов, пропуск компонентов, ошибки при расчете изоляции;
- дефекты оборудования: сбои в работе оборудования при производстве;
- дефекты, связанные с неблагоприятными внешними факторами (влажность, температура, грязь).
Поскольку дефекты принадлежат к множеству нелинейно разделимых классов, в качестве классификатора целесообразно использовать искусственную нейронную сеть (ИНС) [3]. Преимуществами ИНС в данном случае являются возможность дообучения в случае смены данных и способность к аппроксимации непрерывной функции. Предлагаемая схема автоматизации сбора и обработки информации (рис. 2) отражает последовательность действий по выявлению проблемных участков процедуры изготовления РЭС.
Численность входных нейронов определяется матрицей данных, поступающих с датчиков, а выходных – количеством заданных классов дефектов. ИНС для данной задачи не требует большой глубины (количества слоев), что снижает вероятность переобучения и облегчает
обработку данных.
Важной особенностью такой системы является создание хранилища данных. Подобный вид сбора и хранения информации отлично подходит для дальнейшего анализа и принятия решений. После накопления данных о частоте возникновения дефекта можно выявить критические зоны производства, неквалифицированных сотрудников и недостатки поставляемых компонентов.
Для оценки эффективности работы ИНС можно использовать метрики [4], показывающие долю правильных откликов относительно всех заданных. Для этого рассмотрим возможные исходы в виде матрицы ошибок многоклассовой классификации (табл. 1). Диагональные элементы матрицы (T1, T2, T3) указывают на количество правильных прогнозов, недиагональные элементы – на количество неверных прогнозов.
В бинарной классификации используются четыре показателя: TP (true positive) – истинно положительные результаты, FN (false negative) – ложноотрицательные результаты, FP (false positive) – ложноположительные результаты, TN (true negative) – истинно отрицательные результаты. В случае многоклассовой классификации TP, FN, FP, TN рассчитываются относительно некоторого класса n следующим образом:
TPn = Tn
FPn = ∑C ∈ ClassesFn,C
FNn = ∑C ∈ ClassesFC,n
TNn = All – TPn – FPn – FNn.
На основе четырех категорий вычисляются различные метрики, такие как Accuracy (точность) – доля правильных классификаций; Recall (полнота) – отношение количества верно классифицированных объектов класса к общему числу элементов этого класса; Precision (точность, перевод совпадает с Accuracy) – доля верно классифицированных объектов среди всех объектов, которые к этому классу отнес классификатор.
Заключение
Автоматизация теплового выходного контроля позволяет оптимизировать процесс диагностики радиоэлектронных средств и повысить эффективность выходного контроля за счет применения искусственных нейронных сетей для обработки данных с датчиков. Это, в свою очередь, способствует раннему выявлению скрытых дефектов, что критически важно для повышения общего качества и надежности продукции. Направленное использование исторических данных о частоте возникновения неисправностей предоставляет возможность точно локализовать проблемные области производства и выработать эффективные стратегии для их устранения. Таким образом, внедрение современных технологий аналитики
в процессы контроля и диагностики РЭС способствует не только снижению затрат, но и значительному улучшению эксплуатационных характеристик изделий, что
в конечном итоге ведет к повышению конкурентоспособности и удовлетворенности потребителей.
ЛИТЕРАТУРА
Карпов Д. Ф. Активный метод теплового контроля теплопроводности строительных
материалов и изделий // Вестник Белгородского государственного технологического
университета им. В. Г. Шухова, 2019. №7. С. 57-62.ГОСТ Р 56511-2015. Контроль
неразрушающий. Методы теплового вида. Общие требования. Классификация данных при помощи нейронных сетей // URL: https://loginom.ru/blog/neural-classification.
Оценка эффективности нейронных сетей на основе критериев выполнения задачи
классификации объектов // URL: https://scm.etu.ru/assets/files/2023/sbornik/153-156.pdf.
Отзывы читателей
