Алгоритм Кохонена в задачах классификации конструктивных дефектов печатных узлов

Представлен оригинальный метод диагностирования технического состояния печатных узлов (ПУ) радиоэлектронных средств (РЭС), основанный на математическом моделировании тепловых процессов и сети Кохонена как инструменте классификации конструктивных дефектов ПУ. Показана структура метода и определен состав функциональных блоков. Реализация метода представляет собой сочетание математического моделирования состояний РЭС с физическими испытаниями и исследованием характеристик. Предлагаемый метод базируется на специализированных программных комплексах конструкторского и схемотехнического проектирования Altium Designer, SolidWorks, NI Multisim, FloTHERM PCB, а также пакетах математического моделирования. При помощи этих инструментов был проведен ряд исследований, в том числе получены наборы численных значений мощностей элементов схемы и температурных показателей печатного узла как для исправного состояния устройства, так и в состояниях с искусственно внесенными дефектами. На основе этих данных была сформирована база неисправностей электронного узла. Для реализации диагностических процедур и идентификации технического состояния создана искусственная нейронная сеть на основе самоорганизующихся карт Кохонена, определена ее структура, параметры и алгоритмы функционирования. Процедура диагностики базируется на анализе информации из базы неисправностей и ее сравнении с экспериментальными данными, полученными в результате физического эксперимента. Результаты исследования показали, что сеть автоматически классифицирует характерные дефекты электронных узлов с помощью заложенных в ней алгоритмов. Перечень характерных дефектов в предложенном методе диагностирования ограничен дискретным набором наиболее часто встречающихся неисправностей, поскольку при увеличении их числа применение самоорганизующейся сети Кохонена для классификации значительно усложняется и становится неэффективным по показателям производительности и достоверности идентификации. Из достоинств данной технологии следует отметить, что сеть Кохонена имеет возможность преобразовывать входные данные большой размерности в двумерный массив, поэтому результаты легко визуализировать и удобно использовать при формировании отчетов и рекомендаций для последующего принятия решения о возможности эксплуатации электронного устройства.

1. Лышов С.М., Увайсов С.У., Черноверская В.В., Фам Лэ Куок Хань. Инженерная методика вибродиагностики конструкций бортовых радиоэлектронных средств. Наукоемкие технологии. 2020;21(2−3):17−29. https://doi.org/10.18127/j19998465-202002-3-03

2. Увайсов С.У., Черноверская В.В., Лышов С.М., Фам Лэ Куок Хань, Увайсова А.С. Искусственная нейронная сеть в задаче диагностики дефектов конструкций печатных узлов электронных средств. Наукоемкие технологии. 2020;21(10):29−39. https://doi.org/10.18127/j19998465-202010-04

3. Лышов С.М., Увайсов С.У., Черноверская В.В., Хань Ф.К. Метод вибродиагностики технического состояния конструкций электронных средств. Российский технологический журнал. 2021;9(2):44–56. https://doi.org/10.32362/2500-316X-2021-9-2-44-56

4. Меркухин Е.Н. Априорный критерий оценки эффективности оптимизации теплового режима путем рационального размещения электронных элементов. Современные наукоемкие технологии. 2018;10:77−81. URL: http://top-technologies.ru/ru/article/view?id=37198

5. Сергеева В.А., Тарасов Р.Г. Способ измерения тепловых параметров полупроводниковых изделий в составе электронного модуля. Надежность и качество: труды международного симпозиума. 2020;2:183−185.

6. Сулейманов С.П., Долматов А.В., Увайсов С.У. Тепловое диагностирование радиоэлектронных устройств. В сб.: «Радиовысотометрия – 2004»: тр. первой всероссийской научно-технической конф. Екатеринбург: Изд-во АМБ; 2004. С. 55−59.

7. Исаев С.С., Юрков Н.К. Методика тепловизионного контроля неисправностей печатных узлов РЭА на этапе производства. Труды международного симпозиума «Надежность и качество». 2013;2:92−95. URL:https://cyberleninka.ru/article/n/metodika-teplovizionnogokontrolya-neispravnostey-pechatnyh-uzlov-rea-naetape-proizvodstva

8. Валяев Е.А. Нейросетевой каскад на основе самоорганизующихся карт Кохонена. В сб.: Сборник избранных статей по материалам научных конференций ГНИИ «НАЦРАЗВИТИЕ». СПб.: ГНИИ «Нацразвитие»; 2019. Ч. 2. С. 192−204.

9. Кохонен Т. Самоорганизующиеся карты: пер. с англ. М.: БИНОМ. Лаборатория знаний; 2008. 655 с. ISBN 978-5-94774-352-4

10. Tian J., Azarian M.H., Pecht M. Anomaly detection using self-organizing maps based k-nearest neighbor algorithm. In: Proceedings of the European Conf. of the PHM Society. 2014;2(1).

11. Горбаченко В.И., Ахметов Б.С., Кузнецова О.Ю. Интеллектуальные системы: нечеткие системы и сети: учебное пособие для вузов. М.: Юрайт; 2019. 105 с. ISBN 978-5-534-08359-0

12. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы и методы искусственного интеллекта: учебник. М.: ИНФРА-М; 2021. 530 с. ISBN 978-5-16-014883-0

13. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные цифровые технологии концептуального проектирования инженерных решений: учебник. М.: ИНФРА-М; 2019. 511 с. ISBN 978-5-16-014884-7

14. Хайкин С. Нейронные сети: полный курс. М.: Вильямс; 2006. 1104 с.

15. Beale M.H., Hagan M.T., Demuth H.B. Neural Network Toolbox. User’s Guide. Natick: Math Works, Inc.; 2015. 406 p.