CN114818502B - 一种性能测试数据的分析方法及系统 - Google Patents

一种性能测试数据的分析方法及系统 Download PDF

Info

Publication number
CN114818502B
CN114818502B CN202210497876.6A CN202210497876A CN114818502B CN 114818502 B CN114818502 B CN 114818502B CN 202210497876 A CN202210497876 A CN 202210497876A CN 114818502 B CN114818502 B CN 114818502B
Authority
CN
China
Prior art keywords
data
elements
test data
type
test
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.)
Active
Application number
CN202210497876.6A
Other languages
English (en)
Other versions
CN114818502A (zh
Inventor
黄金辉
郜继成
李兴雄
文雯
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.)
Zhuhai Jingshi Measurement And Control Technology Co ltd
Original Assignee
Zhuhai Jingshi Measurement And Control Technology Co ltd
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 Zhuhai Jingshi Measurement And Control Technology Co ltd filed Critical Zhuhai Jingshi Measurement And Control Technology Co ltd
Priority to CN202210497876.6A priority Critical patent/CN114818502B/zh
Publication of CN114818502A publication Critical patent/CN114818502A/zh
Application granted granted Critical
Publication of CN114818502B publication Critical patent/CN114818502B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Tests Of Electronic Circuits (AREA)

Abstract

本发明公开了一种性能测试数据的分析方法，涉及元件识别领域，包括：采对测试数据和设计资料进行分类，并存放于不同文件类型中，以同一个文件类型中的元件为键，以元件的功能测试结果为值的键值对；对每类元件进行数据分析；对所有元件的测试数据通过机器学习进行监督学习，并获取测试数据集合；对获取的元件进行初步标识；对初步标识的元件进一步判断；对进一步判断的元件进行纵向扩展判断；判断元件的性能是否满足系统要求；把匹配到的所有参数相似的元件进行理论值仿真，记录所有仿真的结果，生成报告推荐给用户。本发明通过推荐适合的元件，提高了生产效率以及推荐的精确度。

Description

一种性能测试数据的分析方法及系统
技术领域
本发明涉及电子元件识别领域，尤其是涉及一种性能测试数据的分析方法及系统。
背景技术
电子元件的选型在板卡的制造过程中是非常重要的部分，在设计阶段，电子工程师都是按照需要实现的功能进行选型，比如功耗，存储空间，速度等，一般会选择高出实际应用的元件；在板卡升级的过程中，如果已选择的元件没有出现问题，都不会进行更换。上述的过程都是通过人工进行选择，需要有经验才能选择出比较好的元件，在这种情况下，避免不了选到不合适的元件，到后期升级，需要又需要花费大量的时间去选择匹配的元件，并伴随了生产效率低下，升级性能不足。且目前测试数据的零散性，没有把设计资料跟测试数据整合起来，出现问题只针对一个元件进行分析。为了解决上述的问题，急需设计出一种专门针对电子板卡在升级过种中自动辨别性能低下的电子元件的方法。
发明内容
为了解决以上技术问题，本发明提供了一种性能测试数据的分析方法及系统。
为了实现本发明的目的，本发明采用如下技术方案：
一种性能测试数据的分析方法，包括以下步骤：
步骤S1：对测试数据以及设计资料进行分类，将分类后的测试数据再以文件类型进行分类，得到以分配到同一个文件类型中的元件为键，以元件的功能测试结果为值的键值对；
步骤S2：对电子板卡上的每类元件进行数据分析，并根据元件的类型针对每类元件创建数据分析模型；其中的每类元件指代的是同一类元件，该同一类元件是指完全相同的元件，比如厂家、型号等完全相同的电子元件；
步骤S3：对电子板卡上安装的所有元件的测试数据通过机器学习采用KNN算法进行监督学习，获取每类元件在同一工况下所有的测试数据集合；
步骤S4：通过判断步骤S3中获取的每类元件的测试数据通过型号进行汇总，并判断在同一工况下的测试数据是否符合正态分布，对于不符合正态分布的元件，进行初步标识，并把不符合正态分布的标识元件放入待分析队列中，同时根据爬取到的每类元件的预设阈值范围进行判断，把不符合预设阈值范围的每类元件标识出来并放入待分析队列中；
步骤S5：从待分析队列中一一获取每个标识元件，并对获取的每个标识元件分别在不同工况下的测试数据进行单独分析，并根据分析结果进行判断是否符合设计要求；若不符合设计要求，则直接放入到有问题队列；若符合设计要求则进行步骤S6；
步骤S6：将步骤S5中获取的符合设计要求的标识元件进行纵向扩展，判断每个符合设计要求的标识元件在单一电路网络中的测试值是否正常；若不正常，则把元件放入到有问题的队列，若正常，则舍弃标识元件；
步骤S7：从有问题的队列中获取任意元件，通过采用数据模型分析方法对同一类元件所连接的电路网络进行误差计算，从而判断该元件的性能是否满足待测电子板卡的要求；若判断的同一类元件的性能满足待测电子板卡要求，则直接输出；若判断的同一类元件的性能不满足待测电子板卡要求，会自动的从设计资料中获取该元件的各类参数，从板卡电子元件库中匹配参数相近的元件；
步骤S8：把匹配到的所有参数相似的元件进行理论值仿真，记录所有仿真的结果，生成报告。
进一步地，采用软件的数据加载模块加载电子板卡上安装的所有元件的测试数据，以及设计资料；对测试数据以及设计资料进行分类，将分类后的测试数据结果和设计资料结果分别存放于不同的文件类型中；
进一步地，不同的文件类型使用不同的库，至少包括csv、pdf、xls和net中的一种或多种类型。
进一步地，所述步骤S1，在测试过程中，不同的测试工站对每一类元件进行测试，获取针对每一类元件在不同测试环境下的所有测试数据，且每一类元件中的同一类元件在不同的测试工站中使用同样的名字标识，并通过聚类的方式，获取针对同一类元件在不同测试环境下的所有测试数据。
进一步地，采用数据分析模型对同一类元件进行测试分析，包括如下步骤：
步骤1：获取元件分类后的测试数据；
步骤2：通过聚类的方式获取同一类元件的测试数据；分离包含指定元件的所有链路数据，用同一类元件个体在不同工况下的测试数据进行拟合，确定拟合函数；
步骤3：将推导出的拟合函数用于同一类元件的不同个体；
步骤4：不同个体通过采用皮尔逊相关系数判断相似度，并根据相似度分别获得这一批次的元件性能是否相近的判断结果。
进一步地，所述步骤S5，基于最大值、最小值以及均值进行判断在指定工况下的测试数据值是否符合设计要求。
进一步地，所述设计资料包括设计原理图、板卡电子元件库、网络针点关系表和BOM表中的一种或多种。
进一步地，对于单一电路网络，需获取到该单一电路网络起始点的电压值作为源端值，通过替换源端值的方式进行计算判断测试值是否在允许的范围内。
进一步地，根据元件的性能以及设定的筛选条件进行判断每类元件的参数是否相似。
进一步地，测试数据是对所有元件进行性能测试的数据。
进一步地，筛选条件包括温度和读取速度是否一致。
一种性能测试数据的分析系统，包括数据采集模块、数据整合模块、数据分析模块和数据导出模块；数据采集模块包括设计原理图、板卡电子元件库、网络针点关系表和测试数据；数据分析模块包括基于Python的数据爬虫、基于pandas和scilkit-leam数据分析和tensorflow机器学习；数据导出模块可以导出异常报告以及推荐合适的元件；数据采集模块将采集到的数据输入至数据整合模块进行整合，并将整合的数据输入至数据分析模块进行分析，若在分析过程中出现异常，则会导出异常报告并推荐其他合适的元件，若未出现异常，则直接输出。
进一步地，通过将数据分析模块与网络连接，分析系统会自动把不符合设计要求的元件的性能参数传输至指定的网站进行匹配元件，最终输出相应的报告。
与现有技术相比，本发明的有益效果具体体现在：
本发明方案采用数据分析、筛选以及机器学习的方法，从已有测试数据中分析每一个电子元件的性能，且会对整个设计过程的数据进行分析，如果从测试数据中发现只要跟某个电子元件相关的测试值都相对偏低或偏高或者异常，就会把这部分的电路标记，以及通过连接网络可以搜索匹配的元件供选择，从而推荐适合的元件，降低了花费的时间成本，并且提供了生产效率以及推荐合适元件的精确度。
附图说明
图1为本发明的方法流程图；
图2为实施例1的示例图；
图3为本发明的系统结构图；
图4为本发明中的数据分析模型流程图。
具体实施方式
为使本发明的目的和技术方案更加清楚，下面将结合实施例，对本发明的技术方案进行清楚、完整地描述。
需要说明的是，术语“中心”、“上”、“下”、“水平”、“左”、“右”、“前”、“后”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例1
如图1所示的一种性能测试数据的分析方法，包括以下步骤：
步骤S1：对测试数据以及设计资料进行分类，将分类后的测试数据再以文件类型进行分类，得到以分配到同一个文件类型中的元件为键，以元件的功能测试结果为值的键值对；
具体的，采用软件的数据加载模块加载电子板卡上安装的所有元件的测试数据，以及设计资料；对测试数据以及设计资料进行分类，将分类后的测试数据结果和设计资料结果分别存放于不同的文件类型中；且对元件进行功能测试的测试数据，设计资料包括设计原理图、板卡电子元件库、网络针点关系表以及BOM表物料清单等。主要是按照资料的不同类型进行分类，比如有测试数据的.csv文件、BOM表的.xls文件、针点图的.net文件等等，且每种不同的类型会对应有不同的模块并进行相应的解释。其分类的主要原则是文件的后缀，以及表头。
并且通过收集整个电路系统的所有测试数据，对不同的电子元件的数据进行分类，在测试过程中，不同的测试工站对每一类元件进行测试，获取针对每一类元件在不同测试环境下的所有测试数据，且每一类元件中的同一类元件在不同的测试工站中使用同样的名字标识，并通过聚类的方式，获取针对同一类元件在不同测试环境下的所有测试数据。
如图4所示，采用数据分析模型进行分析，分析过程可以包括如下步骤：
步骤1：获取元件分类后的测试数据；
步骤2：通过聚类的方式获取同一类元件的测试数据；分离包含指定元件的所有链路数据，用同一类元件个体在不同工况下的测试数据进行拟合，确定拟合函数；比如有些电阻元件，温度会影响到阻值，随着温度上升，阻值也会上升，并且呈线性关系，这种的就可以通过最小二乘法确定其中的线性关系；
步骤3：将推导出的拟合函数用于同一类元件的不同个体；
步骤4：不同个体通过采用皮尔逊相关系数判断相似度，并根据相似度分别获得这一批次的元件性能是否相近的判断结果。
步骤S2：对电子板卡上的每类元件进行数据分析，并根据元件的类型针对每类元件创建数据分析模型；
如图2所示，得到围绕元件U2的所有测试数据在不同的工况和不同的电路网络组成二维数据，所有测试数据如元件U2在某一电路网络NetA和某一工况下的电压V1，在某一电路网络NetB和同一工况下的电压V2...，
[
[0.5364，0.1546，0.9091，0.1926]，
[0.5786，0.1419，0.9305，0.1899]，
[0.5696，0.1626，0.9987，0.1785]
]，
步骤S3：对电子板卡上安装的所有元件的测试数据通过机器学习采用KNN算法进行监督学习，获取每类元件在同一工况下所有的测试数据集合；此步骤主要的目的是分类；
其中，
KNN是一种监督学习算法，通过计算新数据与训练数据特征值之间的距离，然后选取K个距离最近的邻居进行分类判或者回归，而K大于等于1。若K＝1，新数据被简单分配给其近邻的类。具体的，KNN算法实现过程：
(1)选择一种距离计算方式，
通过数据所有的特征计算新数据与已知类别数据集中的数据点的距离；
(2)按照距离递增次序进行排序，选取与当前距离最小的k个点；
(3)对于离散分类，返回k个点出现频率最多的类别作预测分类；对于回归则返回k个点的加权值作为预测值；
KNN算法关键是：
(1)数据的所有特征都要做可比较的量化：
若是数据特征中存在非数值的类型，必须采取手段将其量化为数值。例如样本特征中包含颜色，可通过将颜色转换为灰度值来实现距离计算。
(2)样本特征要做归一化处理：
样本有多个参数，每一个参数都有自己的定义域和取值范围，他们对距离计算的影响不一样，如取值较大的影响力会盖过取值较小的参数。所以样本参数必须做一些scale处理，最简单的方式就是所有特征的数值都采取归一化处置。
(3)需要一个距离函数以计算两个样本之间的距离：
距离的定义：欧氏距离、余弦距离、汉明距离、曼哈顿距离等，一般选欧氏距离作为距离度量，但是这是只适用于连续变量。在文本分类这种非连续变量情况下，汉明距离可以用来作为度量。通常情况下，如果运用一些特殊的算法来计算度量的话，K近邻分类精度可显著提高，如运用大边缘最近邻法或者近邻成分分析法。
(4)确定K的值：
K值选的太大易引起欠拟合，太小容易过拟合。交叉验证确定K值。KNN分类算法常采用多数表决决定。一个缺点是出现频率较多的样本将会主导测试点的预测结果。解决这个缺点的方法之一是在进行分类时将K个邻居到测试点的距离考虑进去。若样本到测试点距离d，则选1/d为该邻居的权重，统计k个邻居所有类标签的权重和，值最大的就是新数据点的预测类标签。KNN回归是取K个邻居类标签值得加权作为新数据点的预测值。
如外部电压为1V的情况下，U2.1、U2.2和U2.3都应该为1V，外部电压为2V的情况下，由于元件自身的耗能等情况的存在，
U2.1、U2.2和U2.3会有压降的情况，理论值为1.5V。
步骤S4：通过判断步骤S3中获取的每类元件的测试数据通过型号进行汇总，并判断在同一工况下的测试数据是否符合正态分布，对于不符合正态分布的元件，进行初步标识，并把不符合正态分布的标识元件放入待分析队列中，同时根据爬取到的每类元件的预设阈值范围进行判断，把不符合预设阈值范围的每类元件标识出来并放入待分析队列中；
具体的，软件初步标识指的是把元件信息存入到待分析数组中；涉及的上下限阈值判断的具体参数在元件库的datasheet里可以找到，不同的元件范围也不同，软件会提前自动爬取元件的上下限阈值信息。
步骤S5：从待分析队列中一一获取每个标识元件，并对获取的每个标识元件分别在不同工况下的测试数据进行单独分析，并根据分析结果进行判断是否符合设计要求；若不符合设计要求，则放入到有问题队列；若符合设计要求则进行步骤S6；
具体的分析原理是：判断在指定工况下的测试数据值是否符合设计要求，主要同时采用最大值、最小值、均值进行判断，其中的判断标准来源于设计资料中该元件在当前工况下所允许的误差。具体的，其设计要求包括多个方面，例如电能损耗是不是在该工况下的正常值，信号的丢失率是不是在允许的范围内等方面进行考虑。
例如，步骤S4得出的是同一种类的元件的分析结果，这个是宏观上的分析；如果宏观上的数据不符合要求，则需要对影响宏观数据的个体单独拿出来分析，进一步判断是否是该元件本身存在问题。舍弃判断为有问题的个体数据后再使用步骤S5的方法进行分析。通过这种递归的判断后，可以得出整体不符合要求的元件型号。个体元件的判断会根据步骤S2所创建的数据分析模型进行判断。
而判断是否符合设计要求，还是以电阻为例，在允许的温湿度的工作环境下，电阻允许的误差在1％以内，那么该型号的所有元件的电阻测试值与标准值的差必须在1％以内，如果该型号的元件99％以上都符合要求，那认为该型号的元件是符合设计要求的，则把该元件从待分析队列移除。
步骤S6：将步骤S5中获取的符合设计要求的标识元件进行纵向扩展，判断每个符合设计要求的标识元件在单一电路网络中的测试值是否正常；若不正常，则把元件放入到有问题的队列，若正常，则舍弃标识元件；这里的纵向扩展指的是以该元件为起点，向整个电路网络去扩展。
具体的，前步的判断只能判断测试数据值是否符合设计要求，但是这个只能筛选差异比较大的元件。当把单个元件放到整个系统中的时候，误差就需要考虑到前端的输入损耗，计算源端到该元件前端的损耗，这里的源端指的是IO电路提供基础电源的一端，或通讯的发起端，这里的元件前端指代的是源端到除当前元件的所有其它元件，比如源端输入的是5V的电压，实际上的电压到该元件前端可能已经变成了4.99V，过程损耗了0.01V，通过机器估算该元件在当前工况下的功耗时需要把这个损耗的0.01V考虑在内，且机器估算理论上主要是把线材的质量考虑在内，线材本身的损耗，以及当时所在空间的温湿度。对于单个网络，需要获取到该网络起始点的电压值作为源端值，而不是取总网络的源端值，通过替换源端值的方式进行计算判断测试值是否在允许的范围内，而该网络起始点的电压值和总网络的源端值之间的关系可以举例说明，例如常用的家用电器，如果没有变压器的存在，那实际上电压是到不了220V的，因为电线本身是会发热，会损耗部分的能量，而在电子板卡里也一样，一般只是会在供电的地方输入固定的电压，但实际上经过了其它的元件，会使用掉一些能量，这样如果还是把起始端的电压值作为每一个子网络的电压值，就会产生一定的误差。一个元件单独使用的时候，性能理论上都是正常的，但是整合到系统中的时候，输入输出会有偏差，这里的输入偏差指的是在系统测试过程中并不会考虑线材的损耗，输出偏差指的在测试过程中这里并不一定在测试点，并不能知道这个元件输出端的真正值，而是取得最近的测点，此时需要加入机器学习算法，进行计算时最主要的是数据源的合理性，可以通过枚举的方式，获取前端的测点到后端测点的所有元件，对里面的所有元件的误差进行组合，得到在每类元件的各个误差值的多维数组，对这些数据进行计算，得到最优值，具体是采用穷举的方式，计算所有的可能，获取误差值最小的组合，最终获取的值称为最优值，并把最优值与测试值进行对比，从而判断当前的测试值是处于哪种误差情况下出现的，从而推导出该元件是否合格。
步骤S7：从有问题的队列中获取任意元件，通过采用数据模型分析方法对同一类元件所连接的电路网络进行误差计算，从而判断该元件的性能是否满足待测电子板卡的要求；若判断的同一类元件的性能满足待测电子板卡要求，则直接输出；若判断的同一类元件的性能不满足待测电子板卡要求，会自动的从设计资料中获取该元件的各类参数，从板卡电子元件库中匹配参数相近的元件；
而此步骤的数据模型分析不仅仅是对单个连接的数据分析，而是所有连接到该元件上的所有分支的数据进行分析，因为有可能连接到该元件的不只一个分支。具体的，数据模型分析方法可以根据元件的类型进行不同的分析模型，比如电阻的话，通过电压/电阻＝电阻的方法，可以判断出电阻的实际值与理论值是否一致。
步骤S8：把匹配到的所有参数相似的元件进行理论值仿真，记录所有仿真的结果，生成报告。
对于参数相似的元件，由于不同类型的元件提供的参数不同，因此会选择同样性能的元件，然后设置一些过滤条件，例如判断适合的环境是否一致，即读取元件官方文档里指明的适用场景，比如会说明适合的温度环境；因为有一些在选元件的时候，优先考虑的是功能是否满足，并不会考虑得太全面；再比如一些存储元件，优先考虑的是读取速度，那在选择同样读取速度的范围内，接着判断这个速度在工作场景是否合适，如果元件是在在高温的地方，那就要把温度作为一个过滤条件进行筛选。
而对于理论值仿真，主要是把元件文档里误差值分档位进行模拟计算，比如1000欧的电阻，官方说明存在的误差是0.1％，那么在计算的时候，需把1欧的误差分为10档，那就会得出10个电阻值，再将这些电阻进行计算，把每一个电阻值对应结果保存。
如图3所示的一种性能测试数据的分析系统，包括数据采集模块、数据整合模块、数据分析模块和数据导出模块；数据采集模块包括设计原理图、板卡电子元件库、网络针点关系表和测试数据，其中，设计原理图、板卡电子元件库、网络针点关系表以及测试数据都相当于原材料，只是不同的显示方式而已。比如设计原理图上都是由不同的元件组成，而设计原理图内的连接关系又可以通过网络针点关系表查询到，测试数据是电子板卡成型后进行测试得到的数据；数据分析模块包括基于Python的数据爬虫、基于pandas和scilkit-leam数据分析和tensorflow机器学习；数据导出模块可以导出异常报告以及推荐合适的元件；数据采集模块将采集到的数据输入至数据整合模块进行整合，并将整合的数据输入至数据分析模块进行分析，具体的，数据爬虫是用于读取指定元件库的信息，pandas和scilkit-leam作为开源的数据处理包，其包含一些常用的公式，用于分类数据，以及分类数据的处理，而Tensorflow是作为一个机器学习框架，若在分析过程中出现异常，则会导出异常报告并推荐其他合适的元件，若未出现异常，则直接输出。且数据采集模块采集的数据和数据整合模块整合的数据用于测试。
该系统的工作原理为：数据采集模块中的数据材料会有不同的格式，不同的格式包括Pdf、excel、csv、.net等等，需要把用到的各种数据通过指定的软件窗口界面导入到数据整合模块的数据分析器中，该软件窗口的目的是提供接口给用户选择数据，数据分析器根据数据的不同特征进行分类检索输入到数据分析模块中，数据分析模块对所有的数据进行建模，按照设计原理图对测试数据进行分析。具体的，建模是按照数据的类型进行分类，不同的分类使用不同的处理方式，类似于解码，全部转换为便于识别的格式。目的是提取出需要用到的信息，比如元件库信息，那么需要提前把这些信息按照类型、名称等按照层级的方式进行整理。如果有连接网络，系统会自动把识别性能差的元件的性能参数到指定的网站匹配元件，最终输出相应的报告，此处的性能差的元件指代的是不符合设计要求的元件。如果有一些离线的元件数据包，可以不需要连网，如果有连网，那需要提供一些可用的元件库网址进行检索。而对于指定的网站，比如需要查找一些电阻时，可以查询一些电阻网站，电阻网站上会有各种型号的电阻，而且每一种类型的电阻信息都会有相应的文档，因为前述有一些元件的功能信息参数，使用这些参数去匹配。连接网络后的分析系统可以通过数据爬虫等方式进行爬取和识别一些元件，前述已经把这些元件保存到数组，此处只需用这些元件的数据进行匹配。
具体的，在数据分类器中，会识别所输入的数据类型是否正确，如果所需要的数据没有找到，软件界面会有相应的提示，所需要的数据都适配后，会按照数据分析模块的输入模板自动导入数据，数据分析过程可以人工干预，工程师也可以根据实际应用调整参数，系统会学习工程师的调整过程，以便下次模拟人工调整，所有的元件都会根据性能等级进行分类显示；如果有连接网络，若发现性能差的元件，会在界面上列出推荐的元件，同时可以仿真并替换元件，实时查看理论上的性能提升效果，最后根据工程师的习惯生成报告，输出的报告上也会有相应的提示。
以上仅为本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于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，还可以做出若干变形和改进，这些均属于本发明的保护范围。

Claims (10)

1.一种性能测试数据的分析方法，其特征在于，包括以下步骤：
步骤S1：对测试数据以及设计资料进行分类，将分类后的测试数据再以文件类型进行分类，得到以分配到同一个文件类型中的元件为键，以元件的功能测试结果为值的键值对；
步骤S2：对电子板卡上的每类元件进行数据分析，并根据元件的类型针对每类元件创建数据分析模型；
步骤S3：对电子板卡上安装的所有元件的测试数据通过机器学习采用KNN算法进行监督学习，获取每类元件在同一工况下所有的测试数据集合；
步骤S4：通过判断步骤S3中获取的每类元件的测试数据通过型号进行汇总，并判断在同一工况下的测试数据是否符合正态分布，对于不符合正态分布的元件，进行初步标识，并把不符合正态分布的标识元件放入待分析队列中，同时根据爬取到的每类元件的预设阈值范围进行判断，把不符合预设阈值范围的每类元件标识出来并放入待分析队列中；
步骤S5：从待分析队列中一一获取每个标识元件，并对获取的每个标识元件分别在不同工况下的测试数据进行单独分析，并根据分析结果进行判断是否符合设计要求；若不符合设计要求，则放入到有问题队列；若符合设计要求则进行步骤S6；
步骤S6：将步骤S5中获取的符合设计要求的标识元件进行纵向扩展，判断每个符合设计要求的标识元件在单一电路网络中的测试值是否正常；若不正常，则把元件放入到有问题的队列，若正常，则舍弃标识元件；纵向扩展指的是以该元件为起点，向整个电路网络去扩展；
步骤S7：从有问题的队列中获取任意元件，通过采用数据模型分析方法对同一类元件所连接的电路网络进行误差计算，从而判断该元件的性能是否满足待测电子板卡的要求；若判断的同一类元件的性能满足待测电子板卡要求，则直接输出；若判断的同一类元件的性能不满足待测电子板卡要求，会自动的从设计资料中获取该元件的各类参数，从板卡电子元件库中匹配参数相近的元件；
步骤S8：把匹配到的所有参数相似的元件进行理论值仿真，记录所有仿真的结果，生成报告。
2.根据权利要求1所述的一种性能测试数据的分析方法，其特征在于，不同的文件类型使用不同的库，至少包括csv、pdf、xls和net中的一种或多种类型。
3.根据权利要求1所述的一种性能测试数据的分析方法，其特征在于，所述步骤S1，在测试过程中，不同的测试工站对每一类元件进行测试，获取针对每一类元件在不同测试环境下的所有测试数据，且每一类元件中的同一类元件在不同的测试工站中使用同样的名字标识，并通过聚类的方式，获取针对同一类元件在不同测试环境下的所有测试数据。
4.根据权利要求3所述的一种性能测试数据的分析方法，其特征在于，采用数据分析模型对同一类元件进行测试分析，包括如下步骤：
步骤1：获取元件分类后的测试数据；
步骤2：通过聚类的方式获取同一类元件的测试数据；分离包含指定元件的所有链路数据，用同一类元件个体在不同工况下的测试数据进行拟合，确定拟合函数；
步骤3：将推导出的拟合函数用于同一类元件的不同个体；
步骤4：不同个体通过采用皮尔逊相关系数判断相似度，并根据相似度分别获得这一批次的元件性能是否相近的判断结果。
5.根据权利要求1所述的一种性能测试数据的分析方法，其特征在于，所述步骤S5，基于最大值、最小值以及均值进行判断在指定工况下的测试数据值是否符合设计要求。
6.根据权利要求1所述的一种性能测试数据的分析方法，其特征在于，所述设计资料包括设计原理图、板卡电子元件库、网络针点关系表和BOM表中的一种或多种。
7.根据权利要求1所述的一种性能测试数据的分析方法，其特征在于，在步骤S6中，对于单一电路网络，需获取到该单一电路网络起始点的电压值作为源端值，通过替换源端值的方式进行计算判断测试值是否在允许的范围内。
8.根据权利要求1所述的一种性能测试数据的分析方法，其特征在于，根据元件的性能以及设定的筛选条件进行判断每类元件的参数是否相似。
9.一种性能测试数据的分析系统，其特征在于，采用权利要求1-权利要求8任一所述的性能测试数据的分析方法，包括用于数据采集的数据采集模块、用于数据整合的数据整合模块、用于数据分析的数据分析模块和用于导出数据的数据导出模块；数据采集模块包括设计原理图、板卡电子元件库、网络针点关系表和测试数据；数据分析模块包括基于Python的数据爬虫、基于pandas和scilk it-leam数据分析和tensorflow机器学习；数据导出模块可以导出异常报告以及推荐合适的元件；数据采集模块将采集到的数据输入至数据整合模块进行整合，并将整合的数据输入至数据分析模块进行分析，若在分析过程中出现异常，则会导出异常报告并推荐其他合适的元件，若未出现异常，则直接输出。
10.根据权利要求9所述的一种性能测试数据的分析系统，其特征在于，通过将数据分析模块与网络连接，分析系统自动把不符合设计要求的元件的性能参数传输至指定的网站进行匹配元件，最终输出相应的报告。
CN202210497876.6A 2022-05-09 2022-05-09 一种性能测试数据的分析方法及系统 Active CN114818502B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210497876.6A CN114818502B (zh) 2022-05-09 2022-05-09 一种性能测试数据的分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210497876.6A CN114818502B (zh) 2022-05-09 2022-05-09 一种性能测试数据的分析方法及系统

Publications (2)

Publication Number Publication Date
CN114818502A CN114818502A (zh) 2022-07-29
CN114818502B true CN114818502B (zh) 2023-04-07

Family

ID=82514153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210497876.6A Active CN114818502B (zh) 2022-05-09 2022-05-09 一种性能测试数据的分析方法及系统

Country Status (1)

Country Link
CN (1) CN114818502B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040006447A1 (en) * 2000-06-22 2004-01-08 Jacky Gorin Methods and apparatus for test process enhancement
CN104063593B (zh) * 2014-06-18 2017-01-18 电子科技大学 一种板级电路测试性指标计算方法
CN107967385B (zh) * 2017-11-27 2022-02-08 北京起重运输机械设计研究院 一种基于桥式起重机的电气模块化系统及设计方法
CN108564224B (zh) * 2018-04-24 2021-02-09 华中科技大学 一种环境应力筛选时间优化方法及设备
EP3811241B1 (en) * 2018-07-26 2023-08-30 Siemens Aktiengesellschaft Product performance prediction modeling method and apparatus, computer device, computer-readable storage medium, and product performance prediction method and prediction system
US11101905B1 (en) * 2020-07-08 2021-08-24 Keysight Technologies, Inc. Method for estimating radiative contamination at nodes of an RF circuit

Also Published As

Publication number Publication date
CN114818502A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN112034789A (zh) 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机
CN111797320B (zh) 数据处理方法、装置、设备及存储介质
CN116453438B (zh) 一种显示屏参数检测方法、装置、设备及存储介质
CN110874685A (zh) 基于神经网络的智能电能表运行状态判别方法及系统
CN110428020A (zh) 刀具健康评估模型训练方法、装置及电子设备
CN109297534B (zh) 用于评价室内环境质量的环境参数权重确定方法及系统
CN111191726A (zh) 一种基于弱监督学习多层感知器的故障分类方法
CN116484269B (zh) 显示屏模组的参数处理方法、装置、设备及存储介质
CN111338876A (zh) 一种故障模式与影响分析的决策方法、系统及存储介质
CN114818502B (zh) 一种性能测试数据的分析方法及系统
US11275362B2 (en) Test time reduction for manufacturing processes by substituting a test parameter
KR20220041600A (ko) 스마트공장 데이터 품질평가 방법
Blischke et al. Preliminary data analysis
CN111400644B (zh) 一种用于实验室分析样品的计算处理方法
CN112309511B (zh) 一种钽电解电容参数分解、购买预测方法
WO2017164095A1 (ja) 要因分析装置、要因分析方法、およびプログラムを記憶した記憶媒体
CN110688273B (zh) 分类模型的监控方法、装置、终端以及计算机存储介质
CN113869601A (zh) 一种电力用户负荷预测方法、装置及设备
CN114004276A (zh) 时间特征的处理方法、处理装置
CN114139643A (zh) 一种基于机器视觉的单甘酯质量检测方法及系统
CN112559589A (zh) 一种远程测绘数据处理方法及系统
CN112070535A (zh) 电动汽车价格预测方法和装置
CN111639024B (zh) 基于特征频度数据挖掘的软件质量预测方法
CN114564853B (zh) 一种基于fmea数据的评价报告的生成方法及电子设备
US10990092B2 (en) Test time reduction for manufacturing processes by removing a redundant test

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 519125 area a, 29 Xinke 1st Road, Baijiao Science and Technology Industrial Park, Doumen District, Zhuhai City, Guangdong Province

Applicant after: Zhuhai Jingshi Measurement and Control Technology Co.,Ltd.

Address before: 519125 area a, 29 Xinke 1st Road, Baijiao Science and Technology Industrial Park, Doumen District, Zhuhai City, Guangdong Province

Applicant before: P&R. MEASUREMENT Inc.

GR01 Patent grant
GR01 Patent grant