CN114660162A - 一种评估焊点材料疲劳退化程度的方法 - Google Patents

一种评估焊点材料疲劳退化程度的方法 Download PDF

Info

Publication number
CN114660162A
CN114660162A CN202210243872.5A CN202210243872A CN114660162A CN 114660162 A CN114660162 A CN 114660162A CN 202210243872 A CN202210243872 A CN 202210243872A CN 114660162 A CN114660162 A CN 114660162A
Authority
CN
China
Prior art keywords
time
welding spot
degradation
value
parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210243872.5A
Other languages
English (en)
Inventor
景博
李龙腾
谢青松
焦晓璇
陆芳
李方滨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Air Force Engineering University of PLA
Original Assignee
Air Force Engineering University of PLA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Air Force Engineering University of PLA filed Critical Air Force Engineering University of PLA
Priority to CN202210243872.5A priority Critical patent/CN114660162A/zh
Publication of CN114660162A publication Critical patent/CN114660162A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/92—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating breakdown voltage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Factory Administration (AREA)

Abstract

一种评估焊点材料疲劳退化程度的方法，包括：选取焊点退化检测参数；实时采集焊点全寿命退化原始数据；通过独立主成分分析得出源信号估计，通过模糊熵得出源信号的模糊熵，实现滤波降噪处理；对时间窗口内的数据分别计算10种时域特征参数，继而得到随时间变化的10组时域特征；基于自适应的完备经验模态分解方法对数据进行时频域分析，得到焊点数据退化的时频域特征；利用时域和时频域特征，剔除Z＜0.6的特征参数，完成特征参数筛选；实现特征融合；计算马氏距离PCMD，分析每一时刻状态与正常状态的相似程度。该方法能够确定焊点退化程度与焊点可检测参数之间的关系，得到表征焊点退化状态的健康参数，进而分析焊点材料的疲劳退化程度。

Description

一种评估焊点材料疲劳退化程度的方法
技术领域
本发明属于微电子可靠性领域，具体涉及一种评估焊点材料疲劳退化程度的方法。
背景技术
焊点失效是引发电子设备故障的重要因素。随着电子制造技术的进步，电子设备朝着尺寸微型化、封装高密度化的方向发展。但在严酷的外部载荷耦合作用下，电路板的微焊点极易出现退化损伤，而一个焊点失效即可引发整个电子设备故障。因此，焊点材料的疲劳退化大大降低了电子设备的可靠性，给电子设备的维护、保障带来了严峻的挑战，造成人力资源、经济价值和任务效益的损失与浪费。若能探寻焊点退化程度与焊点可检测参数之间的关系，并确定可表征焊点退化状态的特征，则可以建立一种评估焊点材料疲劳退化程度的方法，且该方法可适用于多种典型焊点，能够有效评估焊点实时状态，指导电子元器件或电路板的更替，进而提升电子设备的使用可靠性。
发明内容
为了评估焊点退化程度，提升电子设备的使用可靠性，本发明提供一种评估焊点材料疲劳退化程度的方法，具体包括如下步骤：
步骤一：选取焊点退化检测参数；
参数选取原则，一是选取的检测参数要易于测量、方便获取；二是检测参数要能灵敏地表征焊点结构疲劳受损的产生；
步骤二：根据GJB150.16/16A，通过振动应力试验台对焊点施加窄带随机振动，实时采集焊点全寿命退化原始数据；
步骤三：将步骤二得到的原始数据作为观测信号，通过独立主成分分析得出源信号估计，而规律噪声信号就包含在其中，通过模糊熵得出源信号的模糊熵，将熵值较小的规律噪声找出并将其置零，实现滤波降噪处理；
步骤四：针对步骤三得到数据，以采集的检测参数的单位持续时间为一个时间窗口，对时间窗口内的数据分别计算其均值，中位数，最大值，均方根值，方根幅值，波形因子，峭度因子，25％分位数，50％分位数，75％分位数，得到10种时域特征参数；以此类推，对全部检测参数重复上述计算过程，得到随时间变化的10组时域特征；
步骤五：基于自适应的完备经验模态分解方法对步骤三所获得的数据进行时频域分析，得到多组本征模态函数IMF，即焊点数据退化的时频域特征；
步骤六：利用步骤四、步骤五提取到的时域特征和时频域特征，加权计算特征与时间的趋势性和特征自身的鲁棒性，得到加权得分Z，剔除Z＜0.6的特征参数，完成特征参数的筛选；
步骤七：当表征退化的特征参数较多时，彼此存在信息重叠；对步骤六得到的新特征参数集进行动态主成分分析，得到一阶主成分数据组D，从而实现特征融合；
步骤八：计算一阶主成分数据组D与正常状态数据的马氏距离PCMD，如式(5)所示；PCMD值越小则与正常状态的相似性越大，说明更接近正常状态；反之，更接近异常状态；以此分析每一时刻状态与正常状态的相似程度：
Figure BSA0000268453250000021
动态主成分分析不仅会得到一阶主成分数据组，也能得到多个次阶主成分数据组；式中，μ和S分别为正常工作条件下的所有阶主成分数据组的平均值矩阵和协方差矩阵；上角标T为矩阵的转置。
在本发明的一个具体实施例中，在步骤一中，在芯片的焊点后端串联电容，实时监测电容的充放电时间作为检测参数；在焊点结构产生裂纹时，焊点的电阻会发生变化，进而导致电容的充放电时间发生变化，实现对焊点状态的表征。
在本发明的一个实施例中，在步骤二中，施加窄带随机振动的频率范围为220Hz～260Hz，功率谱密度为0.8g2/Hz，实验温度为25℃，实时采集步骤一中电容充放电时间作为焊点全寿命退化原始数据。
在本发明的另一个实施例中，步骤六具体实施如下：
1)用平滑处理方法将步骤四、步骤五提取到的时域特征和时频域特征分解为均值趋势部分和随机部分，如式(1)所示：
f(tk)＝fT(tk)+fR(tk) (1)
式中，f(tk)为在tk时刻的时域特征和时频域特征参数值；fT(tk)为趋势值；fR(tk)为随机余量；
2)计算退化特征的鲁棒性参数Rob(f)和趋势性参数Corr(f)：
Figure BSA0000268453250000031
Figure BSA0000268453250000032
式中，k为选取样本数据的总数；鲁棒性参数Rob(f)和趋势性参数Corr(f)度量指标的值均在[0，1]范围内，f为式(1)中f(tk)的简写，由于二者的重要程度不同，因此需要进行权重赋值，综合考虑两个度量权重的特征选择公式如式(4)所示，得到退化特征选择标准Z，根据每一组特征的得分筛选掉不能较好表征焊点退化的特征；
Figure BSA0000268453250000041
式中，w1、w2分别是待定常数；
通过对比发现IMF1、IMF5、峭度因数、最大值、波形因数、50％分位数、75％分位数的加权得分低于0.6，所以将其剔除出特征参数集，得到新特征参数集，新特征参数集包括IMF2、IMF3、IMF4、IMF6、IMF7、均值、中值、均方根值、方根幅值、25％分度值。
相比于现有技术，本发明具有如下优点：
1、本发明方法能够确定焊点退化程度与焊点可检测参数之间的关系，得到表征焊点退化状态的健康参数，进而分析焊点材料的疲劳退化程度。
2、根据本发明方法确定的基于各类实验数据考虑到不同焊点的设计参数，因而能够适用不同检测信号的焊点，有效表征焊点的实时状态，指导电子元器件和电路板的更替，进而提升电子设备的使用可靠性。
3、本发明方法对焊点状态变化更敏感，可更精确确定焊点退化起始时刻和退化加速时刻。
附图说明
图1为本发明评估焊点材料疲劳退化程度的方法的流程图；
图2为降噪滤波效果图；
图3为时域特征图，其中图3(a)、(b)、(c)、(d)、(e)、(f)、(g)、(h)、(i)、(j)分别表示均值、中位数、最大值、均方根值、方根幅值、波形因子、峭度因子、25％分位数、50％分位数、75％分位数时域特征；
图4为时频域特征图，其中图4(a)、(b)、(c)、(d)、(e)、(f)、(g)分别表示IMF1、IMF2、IMF3、IMF4、IMF5、IMF6、IMF7时频域特征；
图5为特征的趋势性和鲁棒性参数柱状图；
图6为表征退化得分筛选折线图；
图7为表征焊点退化过程的健康指数图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明公开一种评估焊点材料疲劳退化程度的方法，该方法首先在疲劳试验过程中获得焊点退化实验数据；在经过滤波降噪后，设定时间窗口，依次计算窗口内退化数据的多种时域特征值，得到多组退化时域特征；通过对预处理数据进行基于自适应的完备经验模态分解(CEEMD)，得到多组退化时频域特征；通过加权计算的特征的时间趋势性与自身鲁棒性数值，剔除表征退化较差的特征参数，构造多参数特征矩阵；通过动态主成分分析方法融合特征矩阵，得到特征参数的第一主成分数据；通过计算第一主成分数据与健康数据的马氏距离，得到焊点退化过程的健康参数，健康参数越大，焊点退化越严重。本发明能够通过实验数据确定焊点退化的程度，可以进一步实现焊点失效预警和寿命评估以提升焊点的健康管理。
具体如下：
步骤一：选取焊点退化检测参数。参数选取原则，一是选取的检测参数要易于测量、方便获取；二是检测参数要能灵敏地表征焊点结构疲劳受损的产生。以采用SnPb焊料的QFP100封装(STM32F103VBT6)为例，在芯片QFP焊点后端串联电容，实时监测电容的充放电时间作为检测参数。在焊点结构产生裂纹时，焊点的电阻会发生变化，进而导致电容的充放电时间发生变化，实现对焊点状态的表征。
步骤二：根据GJB150.16/16A，通过振动应力试验台对焊点施加窄带随机振动，频率范围为220Hz～260Hz(例如，步骤一中试件的第一固有频率为243.5Hz)，功率谱密度为0.8g2/Hz，实验温度为25℃，实时采集例如步骤一中电容充放电时间作为焊点全寿命退化原始数据。施加窄带随机振动的方法为本领域技术人员熟知，不再累述。
步骤三：将步骤二得到的原始数据作为观测信号，通过独立主成分分析得出源信号估计，而规律噪声信号就包含在其中，通过模糊熵得出源信号的模糊熵，将熵值较小的规律噪声找出并将其置零，实现滤波降噪处理，效果如图2所示。独立主成分分析与模糊熵方法为本领域技术人员熟知，不再累述。
步骤四：针对步骤三得到数据，以采集的例如20个电容充放电时间数据为一个时间窗口，对时间窗口内的数据分别计算其均值，中位数，最大值，均方根值，方根幅值，波形因子，峭度因子，25％分位数，50％分位数，75％分位数，得到10种时域特征参数。以此类推，对完整的电容充放电时间数据重复上述计算过程，即可得到随时间变化的10组时域特征。计算均值，中位数，最大值，均方根值，方根幅值，波形因子，峭度因子，25％分位数，50％分位数，75％分位数的方法为本领域技术人员熟知，不再累述。
步骤五：基于自适应的完备经验模态分解方法对步骤三所获得的数据进行时频域分析，得到多组本征模态函数(IMF)，即焊点数据退化的时频域特征。基于自适应的完备经验模态分解方法为本领域技术人员熟知，不再累述。
步骤六：利用步骤四、步骤五提取到的时域特征和时频域特征，加权计算特征与时间的趋势性和特征自身的鲁棒性，得到加权得分Z，剔除Z＜0.6的特征参数，完成特征参数的筛选。该步骤具体实施如下：
1、用平滑处理方法将步骤四、步骤五提取到的时域特征和时频域特征分解为均值趋势部分和随机部分，如式(1)所示：
f(tk)＝fT(tk)+fR(tk) (1)
式中，f(tk)为在tk时刻的时域特征和时频域特征参数值；fT(tk)为趋势值；fR(tk)为随机余量。用平滑处理将提取到的退化特征分解为均值趋势部分和随机部分为本领域技术人员熟知，不再累述。
2、计算退化特征的鲁棒性参数Rob(f)和趋势性参数Corr(f)：
Figure BSA0000268453250000071
Figure BSA0000268453250000072
式中，k为选取样本数据的总数。鲁棒性参数Rob(f)和趋势性参数Corr(f)度量指标的值均在[0，1]范围内，由于二者的重要程度不同，因此需要进行权重赋值，综合考虑两个度量权重的特征选择公式如式(4)所示，得到退化特征选择标准Z，根据每一组特征的得分筛选掉不能较好表征焊点退化的特征。
Figure BSA0000268453250000081
式中，w1、w2分别是待定常数。
通过对比发现IMF1、IMF5、峭度因数、最大值、波形因数、50％分位数、75％分位数的加权得分低于0.6，所以将其剔除出特征参数集，得到新特征参数集，新特征参数集包括IMF2、IMF3、IMF4、IMF6、IMF7、均值、中值、均方根值、方根幅值、25％分度值。
步骤七：当表征退化的特征参数较多时，彼此存在信息重叠。对步骤六得到的新特征参数集进行动态主成分分析，得到一阶主成分数据组D，从而实现特征融合。动态主成分分析方法为本领域技术人员熟知，不再累述。
步骤八：计算一阶主成分数据组D与正常状态数据的马氏距离(PCMD)，如式(5)所示。PCMD值越小则与正常状态的相似性越大，说明更接近正常状态。反之，更接近异常状态。以此分析每一时刻状态与正常状态的相似程度：
Figure BSA0000268453250000082
动态主成分分析不仅会得到一阶主成分数据组，也能得到多个次阶主成分数据组。式中，μ和S分别为正常工作条件下的所有阶主成分数据组的平均值矩阵和协方差矩阵。矩阵μ和S的计算方法为本领域技术人员熟知，不再累述；上角标T为矩阵的转置。

Claims (4)

1.一种评估焊点材料疲劳退化程度的方法，其特征在于，具体包括如下步骤：
步骤一：选取焊点退化检测参数；
参数选取原则，一是选取的检测参数要易于测量、方便获取；二是检测参数要能灵敏地表征焊点结构疲劳受损的产生；
步骤二：根据GJB150.16/16A，通过振动应力试验台对焊点施加窄带随机振动，实时采集焊点全寿命退化原始数据；
步骤三：将步骤二得到的原始数据作为观测信号，通过独立主成分分析得出源信号估计，而规律噪声信号就包含在其中，通过模糊熵得出源信号的模糊熵，将熵值较小的规律噪声找出并将其置零，实现滤波降噪处理；
步骤四：针对步骤三得到数据，以采集的检测参数的单位持续时间为一个时间窗口，对时间窗口内的数据分别计算其均值，中位数，最大值，均方根值，方根幅值，波形因子，峭度因子，25％分位数，50％分位数，75％分位数，得到10种时域特征参数；以此类推，对全部检测参数重复上述计算过程，得到随时间变化的10组时域特征；
步骤五：基于自适应的完备经验模态分解方法对步骤三所获得的数据进行时频域分析，得到多组本征模态函数IMF，即焊点数据退化的时频域特征；
步骤六：利用步骤四、步骤五提取到的时域特征和时频域特征，加权计算特征与时间的趋势性和特征自身的鲁棒性，得到加权得分Z，剔除Z＜0.6的特征参数，完成特征参数的筛选；
步骤七：当表征退化的特征参数较多时，彼此存在信息重叠；对步骤六得到的新特征参数集进行动态主成分分析，得到一阶主成分数据组D，从而实现特征融合；
步骤八：计算一阶主成分数据组D与正常状态数据的马氏距离PCMD，如式(5)所示；PCMD值越小则与正常状态的相似性越大，说明更接近正常状态；反之，更接近异常状态；以此分析每一时刻状态与正常状态的相似程度：
Figure FSA0000268453240000021
动态主成分分析不仅会得到一阶主成分数据组，也能得到多个次阶主成分数据组；式中，μ和S分别为正常工作条件下的所有阶主成分数据组的平均值矩阵和协方差矩阵；上角标T为矩阵的转置。
2.如权利要求1所述的评估焊点材料疲劳退化程度的方法，其特征在于，在步骤一中，在芯片的焊点后端串联电容，实时监测电容的充放电时间作为检测参数；在焊点结构产生裂纹时，焊点的电阻会发生变化，进而导致电容的充放电时间发生变化，实现对焊点状态的表征。
3.如权利要求2所述的评估焊点材料疲劳退化程度的方法，其特征在于，在步骤二中，施加窄带随机振动的频率范围为220Hz～260Hz，功率谱密度为0.8g2/Hz，实验温度为25℃，实时采集步骤一中电容充放电时间作为焊点全寿命退化原始数据。
4.如权利要求1所述的评估焊点材料疲劳退化程度的方法，其特征在于，步骤六具体实施如下：
1)用平滑处理方法将步骤四、步骤五提取到的时域特征和时频域特征分解为均值趋势部分和随机部分，如式(1)所示：
f(tk)＝fT(tk)+fR(tk) (1)
式中，f(tk)为在tk时刻的时域特征和时频域特征参数值；fT(tk)为趋势值；fR(tk)为随机余量；
2)计算退化特征的鲁棒性参数Rob(f)和趋势性参数Corr(f)：
Figure FSA0000268453240000031
Figure FSA0000268453240000032
式中，k为选取样本数据的总数；鲁棒性参数Rob(f)和趋势性参数Corr(f)度量指标的值均在[0，1]范围内，f为式(1)中f(tk)的简写，由于二者的重要程度不同，因此需要进行权重赋值，综合考虑两个度量权重的特征选择公式如式(4)所示，得到退化特征选择标准Z，根据每一组特征的得分筛选掉不能较好表征焊点退化的特征；
Figure FSA0000268453240000033
式中，w1、w2分别是待定常数；
通过对比发现IMF1、IMF5、峭度因数、最大值、波形因数、50％分位数、75％分位数的加权得分低于0.6，所以将其剔除出特征参数集，得到新特征参数集，新特征参数集包括IMF2、IMF3、IMF4、IMF6、IMF7、均值、中值、均方根值、方根幅值、25％分度值。
CN202210243872.5A 2022-03-11 2022-03-11 一种评估焊点材料疲劳退化程度的方法 Pending CN114660162A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210243872.5A CN114660162A (zh) 2022-03-11 2022-03-11 一种评估焊点材料疲劳退化程度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210243872.5A CN114660162A (zh) 2022-03-11 2022-03-11 一种评估焊点材料疲劳退化程度的方法

Publications (1)

Publication Number Publication Date
CN114660162A true CN114660162A (zh) 2022-06-24

Family

ID=82029733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210243872.5A Pending CN114660162A (zh) 2022-03-11 2022-03-11 一种评估焊点材料疲劳退化程度的方法

Country Status (1)

Country Link
CN (1) CN114660162A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117330816A (zh) * 2023-12-01 2024-01-02 南京中旭电子科技有限公司 一种用于霍尔电流传感器的监测数据优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117330816A (zh) * 2023-12-01 2024-01-02 南京中旭电子科技有限公司 一种用于霍尔电流传感器的监测数据优化方法
CN117330816B (zh) * 2023-12-01 2024-01-26 南京中旭电子科技有限公司 一种用于霍尔电流传感器的监测数据优化方法

Similar Documents

Publication Publication Date Title
CN106769052B (zh) 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
US6192317B1 (en) Statistical pattern analysis methods of partial discharge measurements in high voltage insulation
Wang et al. Support vector data description for fusion of multiple health indicators for enhancing gearbox fault diagnosis and prognosis
Wen et al. Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings
CN102809493B (zh) 异常音诊断装置
JP3484665B2 (ja) 異常判定方法および装置
Boczar et al. Diagnostic expert system of transformer insulation systems using the acoustic emission method
CN108693448B (zh) 一种应用于电力设备局部放电模式识别系统
JP2009288100A (ja) 健全性診断方法及びプログラム並びに風車の健全性診断装置
CN110261746B (zh) 基于振荡波电压周期衰减特性的电缆缺陷检测方法
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN112781820B (zh) 一种滚刀性能退化趋势评估方法
CN114004306A (zh) 一种基于物联网多维度数据的设备故障评估系统及其方法
CN117289067B (zh) 一种变压器运行状态在线监测系统
CN114660162A (zh) 一种评估焊点材料疲劳退化程度的方法
CN112711850A (zh) 一种基于大数据的机组在线监测方法
CN109828548A (zh) 基于时间序列变化突变点检测的性能退化特征评估方法
Li et al. On-line fault detection in wind turbine transmission system using adaptive filter and robust statistical features
CN116773961A (zh) 基于振动信号高频特征分析的输电线路腐蚀检测方法
Nunes et al. Acoustic structural integrity assessment of ceramics using supervised machine learning and uncertainty-based rejection
CN114186586A (zh) 基于二维卷积神经网络的损伤识别方法及设备
CN114186624A (zh) 基于二维卷积神经网络的损伤识别模型建立方法及设备
JPH11304773A (ja) 外壁タイルの剥離判定方法
JPH11173956A (ja) 品質判定方法および装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination