CN116184164A - 量产电控pcba老化测试异常检测系统及其检测方法 - Google Patents
量产电控pcba老化测试异常检测系统及其检测方法 Download PDFInfo
- Publication number
- CN116184164A CN116184164A CN202310088806.XA CN202310088806A CN116184164A CN 116184164 A CN116184164 A CN 116184164A CN 202310088806 A CN202310088806 A CN 202310088806A CN 116184164 A CN116184164 A CN 116184164A
- Authority
- CN
- China
- Prior art keywords
- aging test
- pcba
- model
- data
- control unit
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 243
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 title claims description 11
- RVCKCEDKBVEEHL-UHFFFAOYSA-N 2,3,4,5,6-pentachlorobenzyl alcohol Chemical compound OCC1=C(Cl)C(Cl)=C(Cl)C(Cl)=C1Cl RVCKCEDKBVEEHL-UHFFFAOYSA-N 0.000 title abstract 4
- 230000002431 foraging effect Effects 0.000 title description 2
- 230000032683 aging Effects 0.000 claims abstract description 191
- 230000005856 abnormality Effects 0.000 claims abstract description 43
- 238000010438 heat treatment Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2801—Testing of printed circuits, backplanes, motherboards, hybrid circuits or carriers for multichip packages [MCP]
- G01R31/281—Specific types of tests or tests for a specific type of fault, e.g. thermal mapping, shorts testing
- G01R31/2817—Environmental-, stress-, or burn-in tests
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R1/00—Details of instruments or arrangements of the types included in groups G01R5/00 - G01R13/00 and G01R31/00
- G01R1/02—General constructional details
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2801—Testing of printed circuits, backplanes, motherboards, hybrid circuits or carriers for multichip packages [MCP]
- G01R31/2806—Apparatus therefor, e.g. test stations, drivers, analysers, conveyors
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- General Engineering & Computer Science (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及量产电控PCBA老化测试异常检测系统及检测方法，工控单元包含程控电源、继电器通道开关单元和电流表，老化测试房内布置有多个老化测试架，每一老化测试架上装有多只老化测试箱；工控计算机通过信号控制总线连接多只程控电源，控制输出具体的直流电压电流，连接电流表实时获取通道的电流值，连接温度控制单元和湿度控制单元，下发温湿度控制指令并实时获取温湿度测量值，温度控制单元与老化测试房内的加温电热器、温度传感器组相连，控制老化测试房内的温度变化，湿度控制单元与老化测试房内的加湿器、湿度传感器组相连，控制老化测试房内的湿度变化；工控单元与老化测试箱连接，对待测PCBA供电并实时监测。大大提高测试的效率。
Description
技术领域
本发明涉及一种量产电控PCBA老化测试异常检测系统及其检测方法。
背景技术
目前，近几年工业互联网迅速发展，各种数字化自动化工厂应用层出不穷，也出现了种类丰富的数字化和自动化应用。老化(burn-in)测试是一种在一批待测设备在被客户投入实际使用之前将其中早期失效的个体筛选出来的方法。
生产线上使用的PCBA(Printed Circuit Board Assembly)老化测试包括按照特定要求进行的温度循环或者湿度循环，测试方式一种是老化的产品在不上电的情况下被放入老化房内进行高低温、高低湿度的可靠性测试，另外一种在上电的情况下放入老化房内进行老化测试，通常两种测试方式完成后再进行各种各样的功能测试，筛查出产生问题的PCBA产品。
现有技术和设备在工厂大规模量产PCBA进行上电老化测试的时候会遇到问题，由于PCBA功能测试机数量少、价格贵，量产时无法单独对每一块PCBA放入功能测试机中进行在线老化测试，需要将一组若干待测PCBA放入特定老化测试房，设定好温湿度循环控制流程后，进行老化测试。一方面在老化测试时会发生过热、短路等失效，从而导致测试的PCBA相互影响造成连带损失，同时也极易发生EHS(Environment、Health、Safety)事故；另一方面由于产线员工的操作失误，包括但不限于PCBA插入数量不对，各连接接口插接不到位等异常，从而导致老化测试异常、结果不可信，影响了老化测试效率，现有技术和系统不能满足实际的量产PCBA老化测试需要。
综上所述，需要设计出一种基于量产PCBA老化测试系统，能够根据不同PCBA测试种类，能够在小数据、非监督的状态下，即初期没有大量数据、不需要人手动设置各种阈值人为干预的情况下，能否实时判断被测PCBA是否异常并能及时报警，降低EHS事故并减少测试的损失，提高老化测试效率，成为亟待解决的问题。
发明内容
本发明的目的是克服现有技术存在的不足，提供一种量产电控PCBA老化测试异常检测系统及其检测方法。
本发明的目的通过以下技术方案来实现：
量产电控PCBA老化测试异常检测系统，特点是：包含显示器终端、工控单元和老化测试房，工控单元包含程控电源、继电器通道开关单元、电流表、温度控制单元、湿度控制单元和工控计算机，老化测试房内布置有多个老化测试架，每一老化测试架上装有多只用于装入待测PCBA的老化测试箱；工控计算机通过信号控制总线连接多只程控电源，控制输出具体的直流电压电流，连接电流表实时获取通道的电流值，连接温度控制单元和湿度控制单元，下发温湿度控制指令并实时获取温湿度测量值，温度控制单元与老化测试房内的加温电热器、温度传感器组相连，控制老化测试房内的温度变化，湿度控制单元与老化测试房内的加湿器、湿度传感器组相连，控制老化测试房内的湿度变化；工控单元与老化测试房内的老化测试箱连接，对待测PCBA供电并实时监测。
进一步地，上述的量产电控PCBA老化测试异常检测系统，其中，老化测试箱包含测试底板和底板连接卡槽，待测PCBA通过底板连接卡槽与测试底板连接，测试底板为待测PCBA供电。
进一步地，上述的量产电控PCBA老化测试异常检测系统，其中，工控计算机分别通过信号控制总线连接程控电源、继电器通道开关单元、电流表、温度控制单元以及湿度控制单元，程控电源通过供电功率线连接继电器通道开关单元，通过继电器通道开关单元控制电源输出，继电器通道开关单元通过供电功率线连接电流表，实时获取电流数据，通过供电功率线连接老化测试箱，通过切换电流电压输出，实时获取供电的电流数据，实现老化测试安全运行和数据采集。
进一步地，上述的量产电控PCBA老化测试异常检测系统，其中，工控单元的温度控制单元通过信号控制总线与老化测试房内的加温电热器、温度传感器组相连，湿度控制单元通过信号控制总线与和老化测试房内的加湿器、湿度传感器组相连；工控单元通过供电功率线与老化测试房内的老化测试箱连接。
进一步地，上述的量产电控PCBA老化测试异常检测系统，其中，信号控制总线为基于RS485的modbus总线，或者基于网络的deviceNet总线。
进一步地，上述的量产电控PCBA老化测试异常检测系统，其中，供电功率线为双芯带屏蔽电源线。
本发明量产电控PCBA老化测试异常检测方法，包括以下步骤：
(1)将老化测试箱与工控单元对应连接，扫码PCBA与相应的老化测试箱进行绑定；工控单元的电流表以等间隔周期采样每一路老化测试箱的电流数据，连续采样一个完整的老化测试周期，当没有发生异常后，作为一组正常的向量数据；
(2)初始化时间序列数据，将连续数据分段采样并作均值化处理；
(3)改进VAE模型，引入LSTM循环神经网络，将切片时间序列数据作为模型训练的输入，在深度学习工作站上生成基于该老化测试数据集的特定的正常工作模型，以分层数据格式文件HDF5存储；
(4)将深度学习工作站上生成的模型转换成基于C/C++文件的模型，并将该异常检测模型编译链接老化检测控制系统；
(5)将老化测试异常检测模型部署到工控计算机上运行，实时采集基于时间序列的电流数据，计算模型的判定函数Rt，如果结果大于阈值，则做出预测性报警。
更进一步地，上述的量产电控PCBA老化测试异常检测方法，具体包括以下步骤：
(1)将老化测试箱与工控单元对应连接，通过扫码枪扫码待测PCBA表面二维码和老化测试箱二维码，从而与相应的老化测试箱进行绑定；
按照既定流程上电并进行老化测试，工控单元的电流表以等间隔周期1s～10s，采样每一路老化测试箱的电流数据，连续采样一个完整的老化测试周期24小时～120小时；
将所有完成测试的PCBA放入FT功能测试机中测试通过，无异常后，将上述时间序列数据作为一组正常的向量数据；
(2)将采集到的电流数据按照每个老化测试箱中有多少块PCBA进行均值化处理，即每个老化测试箱检测的总电流除以该测试箱中PCBA数量；
初始化时间序列数据，每5个数据做一次均值处理，以1s采样间隔周期，5s做一次均值处理，以每10分钟作为一个时间窗口，每个时间窗口有120个采集并均值处理的电流数据，组成120维向量，作为一个窗口的时间序列数据；
老化测试房可放入10个测试架，每个测试架放入6个测试箱，满载一次老化测试可获得60组长时间序列数据，PCBA通过老化测试后，基于时间序列电流数据具有规律性，多组数据按照同样每10分钟作为时间窗口进行切片，作为VAE模型的数据输入；
(3)构建VAE模型，VAE模型包含编码器和解码器，X1、X2、X3…Xn外部输入的真实向量数据，进行均值方差计算，得到不同的正太分布模型的均值和方差，经过重参数计算，使得隐变量z服从正态分布N(0,I)，经过采样后得到隐变量Z1、Z2、Z3…Zn，经过解码器后得到生成的重构数据X'1、X'2、X'3…X'n，通过最小化损失函数￡构建编码器和解码器，得到基于电流数据的老化异常检测模型：
Еx～p(x)[f(x)]表示对f(x)算期望，其中x的分布为p(x)；
KL(p(x)║q(x))表示两个分布的KL散度；
构建基于时间序列数据的改进型VAE模型，原始的时间窗口输入模型，采用VAE的编码器进行编码，得到低维度的隐变量向量集，把其内嵌到LSTM中，用以预测下一个窗口的内嵌输入，通过LSTM模型运算后，预测内嵌输出，然后采用VAE解码器进行解码，得到重构的时间序列数据窗口，将重构时间序列数据预测误差作为异常判定标准；
将p个连续读数的局部窗口作为输入，通过编码器估计q维的低维内嵌，并通过解码器重建原始窗口；为训练VAE模型，从训练数据生成滚动窗口；wt＝[xt-p+1,…,xt]表示窗口在时间序列窗口t结束，连续读数p为120，范围为60～180维，编码器输出隐变量维度q为20维，范围为10～30维；
引入LSTM(Long Short-Term Memory)循环神经网络模型处理时间序列数据，用Wt＝[wt-(k-1)*p,wt-(k-2)*p,…,wt]表示时间序列，经过VAE编码器对k个非重叠窗口序列的VAE进行内嵌操作；
表示Wt经过VAE编码器转换后对应的内嵌输入，利用老化测试正常时间序列数据，通过最小化损失函数￡，即公式(1)，用随机梯度下降优化算法更新优化VAE模型参数，在优化VAE模型之后，采用来自训练完的VAE模型的编码器来估计训练数据集中的所有内嵌序列Et；为训练LSTM模型，LSTM模型取序列Et中的第一个k-1内嵌，并预测下一个内嵌，即：
LSTM表示循环神经网络模块；
LSTM模型算法可直接调用开源模块keras中的keras.layers.LSTM；
通过最小化内嵌的预测误差优化LSTM模型参数，即
深度学习工作站上按照上述方法采用python编程生成基于老化测试数据集的工作模型，训练完成后输出分层数据格式文件HDF5；
(4)将深度学习工作站上生成的模型转换成基于C/C++文件的模型，并将异常检测模型编译链接入老化检测控制系统；
(5)将老化测试异常检测模型部署到工控计算机上运行，实时采集基于时间序列的电流数据，经过VAE编码器转化，与LSTM预测下一个窗口对应的VAE的隐变量，根据隐变量采用训练好的VAE进行重构；
Decoder表示VAE解码器；
对于重构的窗口，定义一个函数Rt，通过计算wt预测误差来评估测试是否异常；
wt-(k-i)*p表示原始输入时间序列；
Rt表示预测误差；
设定一个阈值,并按照上述公式(4)进行计算，如果结果大于设定阈值，认定为老化异常发生，在该老化测试时间窗口结束后，做出预测性报警。
本发明与现有技术相比具有显著的优点和有益效果，具体体现在以下方面：
①本发明集成多种控制硬件和传感器，实现量产PCBA老化测试全流程数字化管理，增加测试过程的可追溯性，提高测试的生产效率；
②硬件结构简单、通用性强；老化测试系统提供电源供电并采集对应的电压电流数据，并且可通过更换老化箱中的测试底板，兼容不同种PCBA的大批量老化测试，减少后续的开发投资；不需要额外增加硬件投资成本、增加功能测试设备模块来完成老化异常检测，预测性报警降低了EHS事故的发生概率，同时能及时发现由于员工插接不到位或者漏接等操作失误导致的测试无效，提高测试的效率；
③采用深度学习算法中的VAE算法，VAE的优势在于提供概率测量而不是重建误差作为异常分数，称之为重构概率，该算法重构概率是一种考虑变量分布变异性的概率度量，相对于自动编码器AE和基于主成分PCA的异常检测方法使用重建误差来度量异常，该算法在老化测试异常检测领域内的应用中，重构概率比重建误差更具有原则性和客观性；
④改进型VAE模型方法，在VAE检测异常的基础上对输入时间序列进行切片，经过VAE编码器编码后在隐变量层引入回归预测模型LSTM，可在不超过时间窗口时长内做出实时预测性报警，降低EHS事故的发生概率，提高测试的效率；
⑤采用基于小数据、非监督实现训练数据模型，即不需要深度学习算法通常的大量数据的训练来获得可落地实用的算法模型，以1分钟采样间隔采样电流数据，48小时老化测试周期，100组数据左右即可完成算法模型的训练；模型的构建采用非监督方式，即不需要人为加入各种标签，可以降低人员开发部署成本，针对不同品种量产PCBA实现快速开发部署；
⑥用于管理量产PCBA老化测试工艺全流程，并实时检测测试异常，达到老化测试异常预测性报警的预期，有效降低工厂的损失，提高老化测试的效率；同时与工厂MES系统对接，实现PCBA生产测试的全流程数字化管理。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明具体实施方式了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1：本发明检测系统的结构示意图；
图2：工控单元的结构示意图；
图3：老化测试箱的结构示意图；
图4：本发明检测方法的流程示意图；
图5：基于电流数据训练老化异常检测变分自编码器模型示意图；
图6：基于时间序列的改进型VAE模型示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，方位术语和次序术语等仅用于区分描述，而不能理解为指示或暗示相对重要性。
如图1～3所示，量产电控PCBA老化测试异常检测系统，包含显示器终端1、工控单元2和老化测试房3，工控单元2包含程控电源21、继电器通道开关单元22、电流表23、温度控制单元24、湿度控制单元25和工控计算机26，老化测试房3内布置有多个老化测试架32，每一老化测试架上装有多只用于装入待测PCBA的老化测试箱31；工控计算机26通过信号控制总线27连接多只程控电源21，控制输出具体的直流电压电流，连接电流表23实时获取通道的电流值，连接温度控制单元24和湿度控制单元25，下发温湿度控制指令并实时获取温湿度测量值，工控单元2的温度控制单元24通过信号控制总线27与老化测试房3内的加温电热器、温度传感器组相连，通过PID算法闭环控制老化测试房3内的温度变化，湿度控制单元25通过信号控制总线27与和老化测试房内的加湿器、湿度传感器组相连，通过PID算法闭环控制老化测试房3内的湿度变化；工控单元2通过供电功率线28与老化测试房内的老化测试箱连接，工控单元2引出直流供电线路组连接至老化测试箱，对待测PCBA供电并实时监测。
老化测试箱31包含测试底板311和底板连接卡槽313，待测PCBA312通过底板连接卡槽313与测试底板311连接，测试底板311为待测PCBA312供电。
工控计算机26分别通过信号控制总线27连接程控电源21、继电器通道开关单元22、电流表23、温度控制单元24以及湿度控制单元25，程控电源21通过供电功率线28连接继电器通道开关单元22，通过继电器通道开关单元22控制电源输出，继电器通道开关单元22通过供电功率线28连接电流表23，实时获取电流数据，通过供电功率线28连接老化测试箱31，通过切换电流电压输出，实时获取供电的电流数据，实现老化测试安全运行和数据采集。信号控制总线27为基于RS485的modbus总线，或者基于网络的deviceNet总线。供电功率线28为双芯带屏蔽电源线。
显示器终端1包括带触摸屏的显示器、键盘和鼠标；老化测试房架构采用保温库板隔间组合而成，配置加温电热器、加湿器、盘架、拉门、循环风机、排风机等，模拟出一种高温、恶劣环境，使产品在此环境中接上模拟负载通电运作；老化测试箱用于装入待测PCBA，并提供电源和负载；老化测试架用来装老化测试箱，底部具体滚轮装置，装满一组后方便运送入老化测试房内。工控单元通过信号控制总线27与老化测试房3内各单元进行通讯连接，通过供电功率线28给老化测试架32上的各老化测试箱31供电。
程控电源21为直流程控电源，如普源精电的DP3000；继电器通道开关单元22为继电器控制模块组，如庆军电子的QJ-32RG-T1Z-24V；电流表如创鸿仪表的DW-81-B/C；温度控制单元24具有PID反馈控制，如创鸿仪表的AT900-R-A1-RS-P2；湿度控制单元25具有PID反馈控制，如安科瑞电气股份有限公司的WHD46；工控计算机26为通用计算机，具有多路串口和网口，如拓朗工控的IBOX-105V2-2L4C。
可根据不同的PCBA测试板种类，更换不同老化测试箱中的底板，由于老化测试中温湿度循环流程的固定性，通过实时采集工控单元供给老化测试箱的电流等数据，在小数据、非监督的状态下，即不需要人手动设置各种阈值人为干预的情况下，采用深度学习算法实时计算，分析老化测试中各个老化测试箱中的PCBA是否存在测试异常，为大批量老化测试提供预测性报警，如有异常及时切断对应老化测试箱的电源供给，从而降低损失；也可能是员工操作失误，PCBA漏插或者插接不到位，导致电流基于时间序列的数据异常，从而实时发出预测性报警，及时做出更正，从而提高整体老化测试效率。
量产电控PCBA老化测试异常检测流程，如图4，具体步骤为：
(1)将老化测试箱与工控单元对应连接，通过扫码枪扫码待测PCBA表面二维码和老化测试箱二维码，从而与相应的老化测试箱进行绑定；
按照既定流程上电并进行老化测试，工控单元的电流表以等间隔周期1s～10s，采样每一路老化测试箱的电流数据，连续采样一个完整的老化测试周期24小时～120小时；
将所有完成测试的PCBA放入FT功能测试机中测试通过，无异常后，将上述时间序列数据作为一组正常的向量数据；
(2)将采集到的电流数据按照每个老化测试箱中有多少块PCBA进行均值化处理，即每个老化测试箱检测的总电流除以该测试箱中PCBA数量；
初始化时间序列数据，每5个数据做一次均值处理，以1s采样间隔周期，5s做一次均值处理，以每10分钟作为一个时间窗口，每个时间窗口有120个采集并均值处理的电流数据，组成120维向量，作为一个窗口的时间序列数据；
老化测试房可放入10个测试架，每个测试架放入6个测试箱，满载一次老化测试可获得60组长时间序列数据，PCBA通过老化测试后，基于时间序列电流数据具有规律性，多组数据按照同样每10分钟作为时间窗口进行切片，作为VAE模型的数据输入；
(3)构建VAE模型，如图5，VAE模型包含编码器和解码器，X1、X2、X3…Xn外部输入的真实向量数据，进行均值方差计算，得到不同的正太分布模型的均值和方差，经过重参数计算，使得隐变量z服从正态分布N(0,I)，经过采样后得到隐变量Z1、Z2、Z3…Zn，经过解码器后得到生成的重构数据X'1、X'2、X'3…X'n，通过最小化损失函数￡构建编码器和解码器，得到基于电流数据的老化异常检测模型：
Еx～p(x)[f(x)]表示对f(x)算期望，其中x的分布为p(x)；
KL(p(x)║q(x))表示两个分布的KL散度；
构建基于时间序列数据的改进型VAE模型，如图6，原始的时间窗口输入模型，采用VAE的编码器进行编码，得到低维度的隐变量向量集，把其内嵌到LSTM中，用以预测下一个窗口的内嵌输入，通过LSTM模型运算后，预测内嵌输出，然后采用VAE解码器进行解码，得到重构的时间序列数据窗口，将重构时间序列数据预测误差作为异常判定标准；
说明如下：将p个连续读数的局部窗口作为输入，通过编码器估计q维的低维内嵌，并通过解码器重建原始窗口；为训练VAE模型，从训练数据生成滚动窗口；wt＝[xt-p+1,…,xt]表示窗口在时间序列窗口t结束，连续读数p为120，范围为60～180维，编码器输出隐变量维度q为20维，范围为10～30维；
引入LSTM(Long Short-Term Memory)循环神经网络模型处理时间序列数据，用Wt＝[wt-(k-1)*p,wt-(k-2)*p,…,wt]表示时间序列，经过VAE编码器对k个非重叠窗口序列的VAE进行内嵌操作；
表示Wt经过VAE编码器转换后对应的内嵌输入，利用老化测试正常时间序列数据，通过最小化损失函数￡，即公式(1)，用随机梯度下降优化算法更新优化VAE模型参数，在优化VAE模型之后，采用来自训练完的VAE模型的编码器来估计训练数据集中的所有内嵌序列Et；为训练LSTM模型，LSTM模型取序列Et中的第一个k-1内嵌，并预测下一个内嵌，即：
LSTM表示循环神经网络模块；
LSTM模型算法可直接调用开源模块keras中的keras.layers.LSTM；
通过最小化内嵌的预测误差优化LSTM模型参数，即
深度学习工作站上按照上述方法采用python编程生成基于老化测试数据集的工作模型，训练完成后输出分层数据格式文件HDF5；
(4)将深度学习工作站上生成的模型转换成基于C/C++文件的模型,使用第三方工具或者手动改写生成，如h5dump、hDFview、h5cc/h5c++，并将异常检测模型编译链接入老化检测控制系统；
(5)将老化测试异常检测模型部署到工控计算机上运行，实时采集基于时间序列的电流数据，经过VAE编码器转化，与LSTM预测下一个窗口对应的VAE的隐变量，根据隐变量采用训练好的VAE进行重构；
Decoder表示VAE解码器；
对于重构的窗口，定义一个函数Rt，通过计算wt预测误差来评估测试是否异常；
wt-(k-i)*p表示原始输入时间序列；
Rt表示预测误差；
设定一个阈值,并按照上述公式(4)进行计算，如果结果大于设定阈值，认定为老化异常发生，在该老化测试时间窗口结束后，做出预测性报警。
综上所述，本发明集成多种控制硬件和传感器，实现量产PCBA老化测试全流程数字化管理，增加测试过程的可追溯性，提高测试的生产效率。
硬件结构简单、通用性强；老化测试系统提供电源供电并采集对应的电压电流数据，并且可通过更换老化箱中的测试底板，兼容不同种PCBA的大批量老化测试，减少后续的开发投资；不需要额外增加硬件投资成本、增加功能测试设备模块来完成老化异常检测，预测性报警降低了EHS事故的发生概率，同时能及时发现由于员工插接不到位或者漏接等操作失误导致的测试无效，提高测试的效率。
采用深度学习算法中的VAE(Variational Auto-Encoder)算法，VAE的优势在于提供概率测量而不是重建误差作为异常分数，称之为重构概率，该算法重构概率是一种考虑变量分布变异性的概率度量，相对于自动编码器AE和基于主成分PCA的异常检测方法使用重建误差来度量异常，该算法在老化测试异常检测领域内的应用中，重构概率比重建误差更具有原则性和客观性。
传统VAE将完整的老化测试时间序列数据作为收入训练VAE模型，虽然可筛选出测试出现异常PCBA，但是无法实时的做出预测性报警，需要完整整个测试流程才能筛选出老化异常PCBA，存在局限性，改进型VAE模型方法，在VAE检测异常的基础上对输入时间序列进行切片，经过VAE编码器编码后在隐变量层引入回归预测模型LSTM，可在不超过时间窗口时长内做出实时预测性报警，降低EHS事故的发生概率，提高测试的效率。
采用基于小数据、非监督实现训练数据模型，即不需要深度学习算法通常的大量数据的训练来获得可落地实用的算法模型，以1分钟采样间隔采样电流数据，48小时老化测试周期，100组数据左右即可完成算法模型的训练；模型的构建采用非监督方式，即不需要人为加入各种标签，可以降低人员开发部署成本，针对不同品种量产PCBA实现快速开发部署。
用于管理量产PCBA老化测试工艺全流程，并实时检测测试异常，达到老化测试异常预测性报警的预期，有效降低工厂的损失，提高老化测试的效率；同时与工厂MES系统对接，实现PCBA生产测试的全流程数字化管理。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
上述仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (8)
1.量产电控PCBA老化测试异常检测系统，其特征在于：包含显示器终端(1)、工控单元(2)和老化测试房(3)，工控单元(2)包含程控电源(21)、继电器通道开关单元(22)、电流表(23)、温度控制单元(24)、湿度控制单元(25)和工控计算机(26)，老化测试房(3)内布置有多个老化测试架(32)，每一老化测试架上装有多只用于装入待测PCBA的老化测试箱(31)；工控计算机(26)通过信号控制总线(27)连接多只程控电源(21)，控制输出具体的直流电压电流，连接电流表(23)实时获取通道的电流值，连接温度控制单元(24)和湿度控制单元(25)，下发温湿度控制指令并实时获取温湿度测量值，温度控制单元(24)与老化测试房(3)内的加温电热器、温度传感器组相连，控制老化测试房(3)内的温度变化，湿度控制单元(25)与老化测试房(3)内的加湿器、湿度传感器组相连，控制老化测试房(3)内的湿度变化；工控单元(2)与老化测试房内的老化测试箱连接，对待测PCBA供电并实时监测。
2.根据权利要求1所述的量产电控PCBA老化测试异常检测系统，其特征在于：老化测试箱(31)包含测试底板(311)和底板连接卡槽(313)，待测PCBA(312)通过底板连接卡槽(313)与测试底板(311)连接，测试底板(311)为待测PCBA(312)供电。
3.根据权利要求1所述的量产电控PCBA老化测试异常检测系统，其特征在于：工控计算机(26)分别通过信号控制总线(27)连接程控电源(21)、继电器通道开关单元(22)、电流表(23)、温度控制单元(24)以及湿度控制单元(25)，程控电源(21)通过供电功率线(28)连接继电器通道开关单元(22)，通过继电器通道开关单元(22)控制电源输出，继电器通道开关单元(22)通过供电功率线(28)连接电流表(23)，实时获取电流数据，通过供电功率线(28)连接老化测试箱(31)，通过切换电流电压输出，实时获取供电的电流数据。
4.根据权利要求1所述的量产电控PCBA老化测试异常检测系统，其特征在于：工控单元(2)的温度控制单元(24)通过信号控制总线(27)与老化测试房内的加温电热器、温度传感器组相连，湿度控制单元(25)通过信号控制总线(27)与和老化测试房内的加湿器、湿度传感器组相连；工控单元通过供电功率线(28)与老化测试房内的老化测试箱连接。
5.根据权利要求1或3或4所述的量产电控PCBA老化测试异常检测系统，其特征在于：信号控制总线(27)为基于RS485的modbus总线，或者基于网络的deviceNet总线。
6.根据权利要求1或3或4所述的量产电控PCBA老化测试异常检测系统，其特征在于：供电功率线(28)为双芯带屏蔽电源线。
7.利用权利要求1所述的系统实现量产电控PCBA老化测试异常检测方法，其特征在于：包括以下步骤：
(1)将老化测试箱与工控单元对应连接，扫码PCBA与相应的老化测试箱进行绑定；工控单元的电流表以等间隔周期采样每一路老化测试箱的电流数据，连续采样一个完整的老化测试周期，当没有发生异常后，作为一组正常的向量数据；
(2)初始化时间序列数据，将连续数据分段采样并作均值化处理；
(3)改进VAE模型，引入LSTM循环神经网络，将切片时间序列数据作为模型训练的输入，在深度学习工作站上生成基于该老化测试数据集的特定的正常工作模型，以分层数据格式文件HDF5存储；
(4)将深度学习工作站上生成的模型转换成基于C/C++文件的模型，并将该异常检测模型编译链接老化检测控制系统；
(5)将老化测试异常检测模型部署到工控计算机上运行，实时采集基于时间序列的电流数据，计算模型的判定函数Rt，如果结果大于阈值，则做出预测性报警。
8.根据权利要求7所述的量产电控PCBA老化测试异常检测方法，其特征在于：具体包括以下步骤：
(1)将老化测试箱与工控单元对应连接，通过扫码枪扫码待测PCBA表面二维码和老化测试箱二维码，从而与相应的老化测试箱进行绑定；
按照既定流程上电并进行老化测试，工控单元的电流表以等间隔周期1s～10s，采样每一路老化测试箱的电流数据，连续采样一个完整的老化测试周期24小时～120小时；
将所有完成测试的PCBA放入FT功能测试机中测试通过，无异常后，将上述时间序列数据作为一组正常的向量数据；
(2)将采集到的电流数据按照每个老化测试箱中有多少块PCBA进行均值化处理，即每个老化测试箱检测的总电流除以该测试箱中PCBA数量；
初始化时间序列数据，每5个数据做一次均值处理，以1s采样间隔周期，5s做一次均值处理，以每10分钟作为一个时间窗口，每个时间窗口有120个采集并均值处理的电流数据，组成120维向量，作为一个窗口的时间序列数据；
老化测试房可放入10个测试架，每个测试架放入6个测试箱，满载一次老化测试可获得60组长时间序列数据，PCBA通过老化测试后，基于时间序列电流数据具有规律性，多组数据按照同样每10分钟作为时间窗口进行切片，作为VAE模型的数据输入；
(3)构建VAE模型，VAE模型包含编码器和解码器，X1、X2、X3…Xn外部输入的真实向量数据，进行均值方差计算，得到不同的正太分布模型的均值和方差，经过重参数计算，使得隐变量z服从正态分布N(0,I)，经过采样后得到隐变量Z1、Z2、Z3…Zn，经过解码器后得到生成的重构数据X'1、X'2、X'3…X'n，通过最小化损失函数￡构建编码器和解码器，得到基于电流数据的老化异常检测模型：
￡＝Еx～p(x)[Ez～p(z|x)[-lnq(x|z)+KL(P(z|x)||q(z))] 公式(1)
Еx～p(x)[f(x)]表示对f(x)算期望，其中x的分布为p(x)；
KL(p(x)║q(x))表示两个分布的KL散度；
￡表示损失函数的符号；
构建基于时间序列数据的改进型VAE模型，原始的时间窗口输入模型，采用VAE的编码器进行编码，得到低维度的隐变量向量集，把其内嵌到LSTM中，用以预测下一个窗口的内嵌输入，通过LSTM模型运算后，预测内嵌输出，然后采用VAE解码器进行解码，得到重构的时间序列数据窗口，将重构时间序列数据预测误差作为异常判定标准；
将p个连续读数的局部窗口作为输入，通过编码器估计q维的低维内嵌，并通过解码器重建原始窗口；为训练VAE模型，从训练数据生成滚动窗口；wt＝[xt-p+1,…,xt]表示窗口在时间序列窗口t结束，连续读数p为120，范围为60～180维，编码器输出隐变量维度q为20维，范围为10～30维；
引入LSTM循环神经网络模型处理时间序列数据，用Wt＝[wt-(k-1)*p,wt-(k-2)*p,…,wt]表示时间序列，经过VAE编码器对k个非重叠窗口序列的VAE进行内嵌操作；
表示Wt经过VAE编码器转换后对应的内嵌输入，利用老化测试正常时间序列数据，通过最小化损失函数￡，即公式(1)，用随机梯度下降优化算法更新优化VAE模型参数，在优化VAE模型之后，采用来自训练完的VAE模型的编码器来估计训练数据集中的所有内嵌序列Et；为训练LSTM模型，LSTM模型取序列Et中的第一个k-1内嵌，并预测下一个内嵌，即：
LSTM表示循环神经网络模块；
LSTM模型算法可直接调用开源模块keras中的keras.layers.LSTM；
通过最小化内嵌的预测误差优化LSTM模型参数，即
深度学习工作站上按照上述方法采用python编程生成基于老化测试数据集的工作模型，训练完成后输出分层数据格式文件HDF5；
(4)将深度学习工作站上生成的模型转换成基于C/C++文件的模型，并将异常检测模型编译链接入老化检测控制系统；
(5)将老化测试异常检测模型部署到工控计算机上运行，实时采集基于时间序列的电流数据，经过VAE编码器转化，与LSTM预测下一个窗口对应的VAE的隐变量，根据隐变量采用训练好的VAE进行重构；
Decoder表示VAE解码器；
对于重构的窗口，定义一个函数Rt，通过计算wt预测误差来评估测试是否异常；
wt-(k-i)*p表示原始输入时间序列；
Rt表示预测误差；
设定一个阈值,并按照上述公式(4)进行计算，如果结果大于设定阈值，认定为老化异常发生，在该老化测试时间窗口结束后，做出预测性报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310088806.XA CN116184164A (zh) | 2023-02-09 | 2023-02-09 | 量产电控pcba老化测试异常检测系统及其检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310088806.XA CN116184164A (zh) | 2023-02-09 | 2023-02-09 | 量产电控pcba老化测试异常检测系统及其检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116184164A true CN116184164A (zh) | 2023-05-30 |
Family
ID=86445640
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310088806.XA Pending CN116184164A (zh) | 2023-02-09 | 2023-02-09 | 量产电控pcba老化测试异常检测系统及其检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116184164A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117647725A (zh) * | 2024-01-29 | 2024-03-05 | 深圳维盛半导体科技有限公司 | Pcba的老化测试方法及系统 |
| CN118131117A (zh) * | 2024-05-07 | 2024-06-04 | 南京电力自动化设备三厂有限公司 | 一种电能表流水线式自动老化方法及系统 |
| CN118378092A (zh) * | 2024-06-20 | 2024-07-23 | 阿里云飞天(杭州)云计算技术有限公司 | 模型训练方法、异常检测方法、系统、电子设备及存储介质 |
-
2023
- 2023-02-09 CN CN202310088806.XA patent/CN116184164A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117647725A (zh) * | 2024-01-29 | 2024-03-05 | 深圳维盛半导体科技有限公司 | Pcba的老化测试方法及系统 |
| CN117647725B (zh) * | 2024-01-29 | 2024-04-02 | 深圳维盛半导体科技有限公司 | Pcba的老化测试方法及系统 |
| CN118131117A (zh) * | 2024-05-07 | 2024-06-04 | 南京电力自动化设备三厂有限公司 | 一种电能表流水线式自动老化方法及系统 |
| CN118378092A (zh) * | 2024-06-20 | 2024-07-23 | 阿里云飞天(杭州)云计算技术有限公司 | 模型训练方法、异常检测方法、系统、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN219456394U (zh) | 量产电控pcba老化测试异常检测系统 | |
| CN116184164A (zh) | 量产电控pcba老化测试异常检测系统及其检测方法 | |
| CN116008790B (zh) | 一种芯片老化测试系统及方法 | |
| CN110826855A (zh) | 智能配电房状态监测传感器入网性能的检验方法及系统 | |
| CN110919144A (zh) | 一种焊接电源自动检测装置及其检测方法 | |
| US11461686B2 (en) | Disaggregation of appliance usage from electrical meter data | |
| CN118070199A (zh) | 一种电力设备检测方法及检测系统 | |
| CN109375143B (zh) | 一种确定智能电能表剩余寿命的方法 | |
| CN117406048B (zh) | 一种变压器放电故障诊断方法及装置 | |
| Behravan et al. | Automatic model-based fault detection and diagnosis using diagnostic directed acyclic graph for a demand-controlled ventilation and heating system in Simulink | |
| CN113919546A (zh) | 一种设备寿命可视化预测系统 | |
| Figueiredo et al. | On the regularization parameter selection for sparse code learning in electrical source separation | |
| KR102566876B1 (ko) | 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템 및 방법 | |
| CN116453437A (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
| Haves et al. | Model-based performance monitoring: Review of diagnostic methods and chiller case study | |
| CN112379266A (zh) | 一种智能家具电机用检测方法 | |
| CN116859321B (zh) | 基于能源控制器的电能表计量误差监测方法 | |
| Addy et al. | Understanding the effect of baseline modeling implementation choices on analysis of demand response performance | |
| JPH05100890A (ja) | 制御装置信頼性診断システム | |
| Xi et al. | Economic losses risk assessment of industrial users due to voltage sags based on uncertainty of process immunity | |
| CN118094344B (zh) | 安全隐患检查方法、数控机床以及可读存储介质 | |
| Kolokotsa et al. | Sensor fault detection in building energy management systems | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
| CN117761442B (zh) | 一种电子负载老化程度测试方法、系统及试验设备 | |
| Yin et al. | Generalized accelerated failure time frailty model for systems subject to imperfect preventive maintenance |
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 |