CN109738782B - 基于测量数据机器学习的电路板故障检测方法和系统 - Google Patents

Abstract

本发明提供了一种基于测量数据机器学习的电路板故障检测方法和系统，在训练过程中，用户将历史存储的原始不良品维修记录数据批量上传至服务器；服务器对不同型号电路板的数据进行分类，以及进行特征工程；对每一子类使用机器学习算法进行单独建模和训练；在预测过程中，用户上传不良电路板的相应特征实例；服务器根据产品型号归类后，使用之前特征工程的结果来提取出可用特征；使用训练好的机器学习模型来分析当前实例的特征，预测出故障原因。一方面结合数据分析和机器学习技术来进行故障检测，大大减少了维修测试所需的人力成本和时间；另一方面实现了特征选择与增量学习，提升了整体系统的训练效率与准确率。

Description

基于测量数据机器学习的电路板故障检测方法和系统

技术领域

本发明涉及电路板故障检测技术领域，具体地，涉及一种基于测量数据机器学习的电路板故障检测方法和系统。

背景技术

在电子厂商的生产环境中，各个电子产品会有规定的各项性能指标。而对于测试和维修流水线的员工而言，他们的任务就是根据各项基本指标来判断一个产品是否合格，并找到不合格产品的问题所在。以电路板为例，由于各个电路板产品具有一定的差异性，而且每种产品的元件数量众多，测试和维修部门的员工检验不良品故障原因的难度也相当之大。以往情况下，员工都是根据肉眼检查，或使用测量仪器对不良品进行逐点排查，并根据经验来一步一步推测得出结果。

但是类似此种基于人工经验的不良品排错方法，一来可靠性有待提升，容易出现纰漏；二来耗时长，排错效率低；三来学习成本高，新人上手慢；四来经验具有一定的不可继承性，当一个新的电路板产品到达时，员工需要重新学习和总结故障排错经验。在工业4.0即将到来之际，这一系列的困难和挑战急需解决，刻不容缓。

幸运的是，随着计算机硬件条件的不断提升，计算机的运算能力也在逐年翻倍。凭借着这一股浪潮，在今天，人工智能技术得以大力发展，机器学习，大数据分析等方法被运用于生活中的各个领域，包括人脸识别，机器视觉，指纹识别等，为我们的生活提供了极大的便利。作为人工智能技术的一个分支，大数据分析这项技术已经趋于成熟，并应用在社会的各个领域。此处的大数据分析，也即是通过分析原有的大规模数据，使用算法来挖掘与提取出这些数据中所内蕴的关联性，从而起到替代人工经验判断，充分挖掘数据潜能的作用。

回到之前的电子厂商不良品排错的场景中。对于测试和维修部门而言，他们在逐年累月的测试维修工作中积累了大量的测量与故障数据。显然，这些数据中蕴藏着极高的工业价值，急需开发人员进行探索和利用。在本发明中，我们将大数据分析引入电路板故障检测领域，通过使用合适的特征工程和机器学习算法，来让计算机自动学习和挖掘出不良品故障检测的方法，从而达到计算机辅助工业生产的目的。

鉴于目前还没有其他科学有效的大数据分析辅助工业维修排错的方法，这一发明大大提升了传统人工经验维修的排错效率，降低了故障检测的入门门槛与学习成本，也为大数据分析技术用于工业生产环境提供了一个新的思路。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于测量数据机器学习的电路板故障检测方法和系统。

根据本发明提供的一种基于测量数据机器学习的电路板故障检测方法，包括：

训练阶段步骤：接收电路板维修数据，对电路板维修数据进行分类，得到分类结果，根据分类结果使用机器学习进行建模和训练，得到机器学习模型；

预测阶段步骤：接收故障检测请求，将故障检测请求中的数据实例根据分类结果进行归类，使用机器学习模型进行预测，得到故障原因。

优选地，所述训练阶段步骤包括：

数据上传步骤：将电路板维修数据上传至服务器，所述电路板维修数据包括特征数据和标签数据，所述特征数据记录电路板基本信息，所述标签数据记录电路板故障维修数据；

数据分类步骤：服务器接收电路板维修数据，根据电路板基本信息对电路板故障维修数据进行分类，得到多个子类，分别对每个子类通过特征工程进行特征提取，得到特征工程结果；

子类建模步骤：对各子类使用机器学习进行单独建模训练，得到机器学习模型。

优选地，预测阶段步骤包括：

接收请求步骤：接收故障检测请求，将故障检测请求中的数据实例上传至服务器；

故障归类步骤：根据数据实例中的产品型号信息，将数据实例归类到对应的子类，根据特征工程结果对数据实例进行提取，得到可用特征；

故障预测步骤：根据数据实例归类，使用机器学习模型对可用特征进行预测，得到多个故障原因；

故障筛选步骤：根据朴素贝叶斯，对多个故障原因进行筛选，得到可能性最大的故障原因作为最终故障原因，将所述最终故障原因返回。

根据本发明提供的一种基于测量数据机器学习的电路板故障检测系统，包括：

训练阶段模块：接收电路板维修数据，对电路板维修数据进行分类，得到分类结果，根据分类结果使用机器学习进行建模和训练，得到机器学习模型；

预测阶段模块：接收故障检测请求，将故障检测请求中的数据实例根据分类结果进行归类，使用机器学习模型进行预测，得到故障原因。

优选地，所述训练阶段模块包括：

数据上传模块：将电路板维修数据上传至服务器，所述电路板维修数据包括特征数据和标签数据，所述特征数据记录电路板基本信息，所述标签数据记录电路板故障维修数据；

数据分类模块：服务器接收电路板维修数据，根据电路板基本信息对电路板故障维修数据进行分类，得到多个子类，分别对每个子类通过特征工程进行特征提取，得到特征工程结果；

子类建模模块：对各子类使用机器学习进行单独建模训练，得到机器学习模型。

优选地，预测阶段模块包括：

接收请求模块：接收故障检测请求，将故障检测请求中的数据实例上传至服务器；

故障归类模块：根据数据实例中的产品型号信息，将数据实例归类到对应的子类，根据特征工程结果对数据实例进行提取，得到可用特征；

故障预测模块：根据数据实例归类，使用机器学习模型对可用特征进行预测，得到多个故障原因；

故障筛选模块：根据朴素贝叶斯，对多个故障原因进行筛选，得到可能性最大的故障原因作为最终故障原因，将所述最终故障原因返回。

优选地，所述特征数据主要包括电路关键点的电压电流、性能测试数据、产品型号信息中的任一种或任多种；

所述标签数据主要包括电路板故障原件、故障原因中的任一种或任多种。

优选地，所述特征工程采用子集搜索与评价；

所述子集搜索与评价时将特征集合划分为多个候选特征子集，对候选特征子集进行评价，得到候选特征子集的信息增益，将所述信息增益作为候选特征子集的评价标准。

与现有技术相比，本发明具有如下的有益效果：

1、本发明在目前没有科学高效的电路板故障检测方法的情况下，率先使用大数据，结合数据分析和机器学习技术来进行故障检测，大大减少了维修测试所需的人力成本和时间，并具有较高的可迁移性。

2、本发明使用特征选择算法消除了无关的数据噪音，提升了整体预测的准确率；并在模型训练时支持后期增量学习，提升了整体训练的效率。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明提供的基于测量数据机器学习的电路板故障检测方法的流程图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

根据本发明提供的一种基于测量数据机器学习的电路板故障检测方法，包括：

训练阶段步骤：接收电路板维修数据，对电路板维修数据进行分类，得到分类结果，根据分类结果使用机器学习进行建模和训练，得到机器学习模型；

预测阶段步骤：接收故障检测请求，将故障检测请求中的数据实例根据分类结果进行归类，使用机器学习模型进行预测，得到故障原因。

具体地，所述训练阶段步骤包括：

数据上传步骤：将电路板维修数据上传至服务器，所述电路板维修数据包括特征数据和标签数据，所述特征数据记录电路板基本信息，所述标签数据记录电路板故障维修数据；

数据分类步骤：服务器接收电路板维修数据，根据电路板基本信息对电路板故障维修数据进行分类，得到多个子类，分别对每个子类通过特征工程进行特征提取，得到特征工程结果；

子类建模步骤：对各子类使用机器学习进行单独建模训练，得到机器学习模型。

具体地，预测阶段步骤包括：

接收请求步骤：接收故障检测请求，将故障检测请求中的数据实例上传至服务器；

故障归类步骤：根据数据实例中的产品型号信息，将数据实例归类到对应的子类，根据特征工程结果对数据实例进行提取，得到可用特征；

故障预测步骤：根据数据实例归类，使用机器学习模型对可用特征进行预测，得到多个故障原因；

故障筛选步骤：根据朴素贝叶斯，对多个故障原因进行筛选，得到可能性最大的故障原因作为最终故障原因，将所述最终故障原因返回。

根据本发明提供的一种基于测量数据机器学习的电路板故障检测系统，包括：

训练阶段模块：接收电路板维修数据，对电路板维修数据进行分类，得到分类结果，根据分类结果使用机器学习进行建模和训练，得到机器学习模型；

预测阶段模块：接收故障检测请求，将故障检测请求中的数据实例根据分类结果进行归类，使用机器学习模型进行预测，得到故障原因。

具体地，所述训练阶段模块包括：

数据上传模块：将电路板维修数据上传至服务器，所述电路板维修数据包括特征数据和标签数据，所述特征数据记录电路板基本信息，所述标签数据记录电路板故障维修数据；

数据分类模块：服务器接收电路板维修数据，根据电路板基本信息对电路板故障维修数据进行分类，得到多个子类，分别对每个子类通过特征工程进行特征提取，得到特征工程结果；

子类建模模块：对各子类使用机器学习进行单独建模训练，得到机器学习模型。

具体地，预测阶段模块包括：

接收请求模块：接收故障检测请求，将故障检测请求中的数据实例上传至服务器；

故障归类模块：根据数据实例中的产品型号信息，将数据实例归类到对应的子类，根据特征工程结果对数据实例进行提取，得到可用特征；

故障预测模块：根据数据实例归类，使用机器学习模型对可用特征进行预测，得到多个故障原因；

故障筛选模块：根据朴素贝叶斯，对多个故障原因进行筛选，得到可能性最大的故障原因作为最终故障原因，将所述最终故障原因返回。

具体地，所述特征数据主要包括电路关键点的电压电流、性能测试数据、产品型号信息中的任一种或任多种；

所述标签数据主要包括电路板故障原件、故障原因中的任一种或任多种。

具体地，所述特征工程采用子集搜索与评价；

所述子集搜索与评价时将特征集合划分为多个候选特征子集，对候选特征子集进行评价，得到候选特征子集的信息增益，将所述信息增益作为候选特征子集的评价标准。

本发明提供的基于测量数据机器学习的电路板故障检测系统，可以通过基于测量数据机器学习的电路板故障检测方法的步骤流程实现。本领域技术人员可以将基于测量数据机器学习的电路板故障检测方法理解为所述基于测量数据机器学习的电路板故障检测系统的优选例。

以下结合附图对本发明的优选例做进一步阐述。

如图1所示，根据本发明提供的基于测量数据机器学习的电路板故障检测方法，包括训练阶段和预测阶段；其中

训练阶段包括：

步骤A：用户将历史存储的原始不良品维修记录数据批量上传到服务器。

步骤B：服务器对不同型号电路板的数据进行分类存储，以及进行特征工程。

步骤C：根据分类，对每一子类使用机器学习算法进行单独建模和训练。

预测阶段步骤：

步骤1：在用户请求故障检测时，上传测得的不良电路板的相应特征数据。

步骤2：服务器根据产品型号归类，并在特定子类中，根据步骤B中特征工程的结果来提取出可用特征。

步骤3：使用在步骤C中针对该子类训练好的机器学习模型，来分析当前实例的特征，并预测出可能的故障原因。

步骤4：服务器根据模型返回的多种故障原因，筛选出可能性最大的故障原因返还给用户。

具体地，通过实施示例来说明本发明中的方法

实施示例一：

在不良电路板故障原因检测中，我们所用的服务器操作系统为Ubuntu Server16.04LTS，带有4个Intel(R)Xeon(R)CPU E5-2650 v2处理器(单核心主频2.60GHz)，以及128GB内存。用户通过HTTP通信的方式，将数据传送到服务器处，而服务器则通过Apache2.0构建服务架构接收数据，使用mySQL进行数据存储，并使用Python 2.7来进行算法的实际开发。

本实例具体步骤包括训练阶段及预测阶段，训练阶段过程如下：

训练阶段：

A)用户将历史存储的原始不良品维修记录数据批量上传到服务器：

服务器针对用户上传的不同数据结构，将会用两种不同的模式来处理数据。其中，当用户发送的数据既含有特征值(电路一些关键点的电压电流，或者性能测试数据)，又含有标签值(不良品的具体故障元件，以及故障原因)时，服务器将会进入训练状态，将这组发送过来的数据加入机器学习的训练模型中进行计算，用以更新模型表现。对于本示例，共采集到约25万组维修记录数据。

B)服务器对不同型号电路板的数据进行分类存储，以及进行特征工程：

由于不同电路板的特征数据中数据类型差异过大，我们选择在接下来的所有步骤中，根据电路产品型号来对所有待训练数据进行分类，并单独对每一子类进行处理。对于本示例，共采集到约5种不同型号的产品维修数据。本发明采用的特征工程方法有特征选择(子集搜索与评价算法)，作用是选取与标签结果相关性最大的一部分特征，剔除相关性小的特征，以此来减少无关噪音的影响，并提高算法运行效率与准确率。

首先，在分类完成后，服务器将采用子集搜索与评价算法来对原始数据进行特征选择。具体的，子集搜索与评价算法分为两个部分。

第一个部分为“子集搜索”。给定特征集合{a₁，a₂，a₃…a_d}，共有d个特征。将每个特征看做一个候选子集，对这d个候选的单特征子集进行子集评价(稍后将介绍)，并选出评价得分最高的子集作为第一轮的选定集(此处假定选定集为{a₂})。接下来，选定集再依次与剩余d-1个候选子集合并，构成两个特征的候选子集，并进行子集评价。这一轮中评价得分最高的子集成为本轮的选定集(此处假定选定集为{a₂，a₄})。直到k+1轮时，最优的候选(k+1)特征子集在子集评价中的得分均不如上一轮选定集，或者已经达到了预设的候选子集大小事，停止计算，将上一轮选定的k选定集作为特征选择的结果。

第二部分为“子集评价”。即给定数据集D，假定D中第i类样本所占的比例为p_i(i＝1，2，...，|γ|)，对属性子集(特征候选集)A，假定根据其取值将D分成了V个子集{D¹，D²，...，D^V}，每个子集中的样本在A上取值相同，于是我们可计算属性子集的信息增益为

其中信息熵定义为

信息增益Gain(A)越大，则意味着特征子集A中包含的有助于分类的信息量越大。于是，对于每个候选特征子集，我们将Gain(A)作为评价标准。

C)根据分类，对每一子类使用机器学习算法进行单独建模和训练：

本发明所使用的机器学习算法为朴素贝叶斯算法。除开其他机器学习算法所能提供的特性之外，朴素贝叶斯方法最大的优势是可以支持模型增量热更新，即当新数据到来的时候可以直接增量动态地更新模型，无序重新训练。

根据Bayes公式，假设C为所有可能故障集合，F为所有可能特征集合：

其中P(F₁，...，F_n)是一个固定值，且根据朴素贝叶斯假设，假定每个特征对于其他特征都是条件独立的，即

则有：

这里的P(C_i|F₁，...，F_n)既是对于每一个C_i，最终的可能性结果。

在训练过程中，我们将提前计算出所有可能的P(C_i)以及P(F_i|C_i)，当做中间结果，存储在数据库之中，以供后续预测阶段使用。

预测阶段：

1)在用户请求故障检测时，上传测得的不良电路板的相应特征数据：

当用户发送的数据既仅含有特征值(电路一些关键点的电压电流，或者性能测试数据)，不含有标签值(不良品的具体故障元件，以及故障原因)时，服务器将会判断此时用户正在请求进行故障检测，系统将会进入预测状态，把数据传入预测阶段进行计算。

2)服务器根据产品型号归类，并在特定子类中，根据步骤B中特征工程的结果来提取出可用特征：

当产品归类到自己所属的型号子类之后，我们将使用在步骤B中子集搜索与评价的结果。在之前的特征选择过程中，我们仅保留了该类别中与结果相关性较高的特征，剔除了其他低相关性的噪音特征。在此处，我们也将仅仅保留这些高相关性特征，作为输入传递到最后的朴素贝叶斯预测模型中。

3)使用在步骤C中针对该子类训练好的机器学习模型，来分析当前实例的特征，并预测出可能的故障原因：

根据步骤C中的训练结果，结合我们当前数据实例的特征，我们可以从数据库中找到相应的P(C_i)以及P(F_i|C_i)，并对于每一个可能的C_i，计算

这里的P(C_i|F₁，...，F_n)既是对于每一个C_i，最终的可能性结果。

4)服务器根据模型返回的多种故障原因，筛选出可能性最大的故障原因返还给用户：

朴素贝叶斯算法将会对所有可能的故障原因进行可能性评分。此处，我们将所有的结果按照评分大小，从高到低进行排序。最后，我们将选取评分最大的三个可能的故障元件型号，以及三个故障原因，作为参考结果返回到用户端。除开其他机器学习算法所能提供的特性之外，朴素贝叶斯方法最大的优势是可以支持模型增量热更新，即当新数据到来的时候可以直接增量动态地更新模型，无序重新训练，节省了数据训练所需的时间，提升了整体系统的效率。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (5)

1.一种基于测量数据机器学习的电路板故障检测方法，其特征在于，包括：

训练阶段步骤：接收电路板维修数据，对电路板维修数据进行分类，得到分类结果，根据分类结果使用机器学习进行建模和训练，得到机器学习模型；

预测阶段步骤：接收故障检测请求，将故障检测请求中的数据实例根据分类结果进行归类，使用机器学习模型进行预测，得到故障原因，并且直接增量动态地更新模型；

所述训练阶段步骤包括：

数据上传步骤：将电路板维修数据上传至服务器，所述电路板维修数据包括特征数据和标签数据，所述特征数据记录电路板基本信息，所述标签数据记录电路板故障维修数据；

数据分类步骤：服务器接收电路板维修数据，根据电路板基本信息对电路板故障维修数据进行分类，得到多个子类，分别对每个子类通过特征工程进行特征提取，得到特征工程结果；

子类建模步骤：对各子类使用机器学习进行单独建模训练，得到机器学习模型；

所述机器学习采用朴素贝叶斯算法，支持模型增量热更新，即当新数据到来的时候可以直接增量动态地更新模型，无序重新训练；

所述特征工程采用子集搜索与评价，将特征集合划分为多个候选特征子集，对候选特征子集进行评价，得到候选特征子集的信息增益，将所述信息增益作为候选特征子集的评价标准；

在子集搜索与评价时，给定数据集D，假定D中第i类样本所占的比例为p_i(i＝1,2,…,|γ|)，对属性子集A，也即候选特征子集，假定根据其取值将D分成了V个子集{D¹,D²,…,D^V}，每个子集中的样本在属性子集A上取值相同，可计算属性子集的信息增益为

其中信息熵定义为

信息增益Gain(A)越大，则意味着特征子集A中包含的有助于分类的信息量越大；于是，对于每个候选特征子集，将Gain(A)作为评价标准。

2.根据权利要求1所述的基于测量数据机器学习的电路板故障检测方法，其特征在于，预测阶段步骤包括：

接收请求步骤：接收故障检测请求，将故障检测请求中的数据实例上传至服务器；

故障归类步骤：根据数据实例中的产品型号信息，将数据实例归类到对应的子类，根据特征工程结果对数据实例进行提取，得到可用特征；

故障预测步骤：根据数据实例归类，使用机器学习模型对可用特征进行预测，得到多个故障原因；

故障筛选步骤：根据朴素贝叶斯，对多个故障原因进行筛选，得到可能性最大的故障原因作为最终故障原因，将所述最终故障原因返回；

模型更新步骤：根据到来的新数据，对机器学习模型进行实时的增量更新。

3.一种基于测量数据机器学习的电路板故障检测系统，其特征在于，包括：

训练阶段模块：接收电路板维修数据，对电路板维修数据进行分类，得到分类结果，根据分类结果使用机器学习进行建模和训练，得到机器学习模型；

预测阶段模块：接收故障检测请求，将故障检测请求中的数据实例根据分类结果进行归类，使用机器学习模型进行预测，得到故障原因；

所述训练阶段模块包括：

数据上传模块：将电路板维修数据上传至服务器，所述电路板维修数据包括特征数据和标签数据，所述特征数据记录电路板基本信息，所述标签数据记录电路板故障维修数据；

数据分类模块：服务器接收电路板维修数据，根据电路板基本信息对电路板故障维修数据进行分类，得到多个子类，分别对每个子类通过特征工程进行特征提取，得到特征工程结果；

子类建模模块：对各子类使用机器学习进行单独建模训练，得到机器学习模型；

所述机器学习采用朴素贝叶斯算法，支持模型增量热更新，即当新数据到来的时候可以直接增量动态地更新模型，无序重新训练；

所述特征工程采用子集搜索与评价，将特征集合划分为多个候选特征子集，对候选特征子集进行评价，得到候选特征子集的信息增益，将所述信息增益作为候选特征子集的评价标准；

在子集搜索与评价时，给定数据集D，假定D中第i类样本所占的比例为p_i(i＝1,2,…,|γ|)，对属性子集A，也即候选特征子集，假定根据其取值将D分成了V个子集{D¹,D²,…,D^V}，每个子集中的样本在属性子集A上取值相同，可计算属性子集的信息增益为

其中信息熵定义为

信息增益Gain(A)越大，则意味着特征子集A中包含的有助于分类的信息量越大；于是，对于每个候选特征子集，将Gain(A)作为评价标准。

4.根据权利要求3所述的基于测量数据机器学习的电路板故障检测系统，其特征在于，预测阶段模块包括：

接收请求模块：接收故障检测请求，将故障检测请求中的数据实例上传至服务器；

故障归类模块：根据数据实例中的产品型号信息，将数据实例归类到对应的子类，根据特征工程结果对数据实例进行提取，得到可用特征；

故障预测模块：根据数据实例归类，使用机器学习模型对可用特征进行预测，得到多个故障原因；

故障筛选模块：根据朴素贝叶斯，对多个故障原因进行筛选，得到可能性最大的故障原因作为最终故障原因，将所述最终故障原因返回；

模型更新模块：根据到来的新数据，对机器学习模型进行实时的增量更新。

5.根据权利要求1所述的基于测量数据机器学习的电路板故障检测方法或者根据权利要求3所述的基于测量数据机器学习的电路板故障检测系统，其特征在于，所述特征数据主要包括电路关键点的电压电流、性能测试数据、产品型号信息中的任一种或任多种；

所述标签数据主要包括电路板故障原件、故障原因中的任一种或任多种。

Images