CN117647725B - Pcba的老化测试方法及系统 - Google Patents
Pcba的老化测试方法及系统 Download PDFInfo
- Publication number
- CN117647725B CN117647725B CN202410119829.7A CN202410119829A CN117647725B CN 117647725 B CN117647725 B CN 117647725B CN 202410119829 A CN202410119829 A CN 202410119829A CN 117647725 B CN117647725 B CN 117647725B
- Authority
- CN
- China
- Prior art keywords
- current
- temperature
- data
- test
- characteristic
- 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
Links
- 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 claims abstract description 141
- 230000032683 aging Effects 0.000 title claims abstract description 111
- 238000010998 test method Methods 0.000 title claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 247
- 238000004458 analytical method Methods 0.000 claims abstract description 88
- 238000009826 distribution Methods 0.000 claims abstract description 77
- 230000002159 abnormal effect Effects 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 230000003595 spectral effect Effects 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 114
- 239000011159 matrix material Substances 0.000 claims description 94
- 238000003066 decision tree Methods 0.000 claims description 31
- 230000004927 fusion Effects 0.000 claims description 26
- 239000000203 mixture Substances 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000013101 initial test Methods 0.000 claims description 14
- 238000012300 Sequence Analysis Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 238000013450 outlier detection Methods 0.000 claims description 4
- 230000002431 foraging effect Effects 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 239000000306 component Substances 0.000 description 19
- 230000000875 corresponding effect Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 239000000047 product Substances 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 230000007774 longterm Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000012067 mathematical method Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请涉及PCBA老化测试技术领域，公开了一种PCBA的老化测试方法及系统。所述方法包括：对目标PCBA进行老化测试和数据采集，得到目标测试温度数据和目标测试电流数据；进行特征点提取，得到多个第一温度特征点和多个第一电流特征点并进行特征点区域中心分析，得到多个温度特征点区域中心以及多个电流特征点区域中心；建立温度拓扑分布关系以及电流拓扑分布关系；进行谱聚类算法优化，得到多个第二温度特征点和多个第二电流特征点；通过多任务PCBA分析模型进行多任务PCBA分析，得到PCBA老化趋势预测结果以及PCBA异常区域定位结果，本申请提高了PCBA的老化测试准确率。
Description
技术领域
本申请涉及PCBA老化测试技术领域，尤其涉及一种PCBA的老化测试方法及系统。
背景技术
在PCBA制造领域，老化测试是确保产品质量和可靠性的重要步骤。随着电子设备的广泛应用，PCBA的性能和稳定性对整个系统的可靠运行至关重要。然而，传统的老化测试方法存在一些挑战，例如无法充分挖掘时序数据中的隐藏信息，难以准确定位老化引起的异常区域，以及缺乏综合性的多任务分析模型来预测老化趋势。这些问题在当前电子制造环境中对产品质量和稳定性提出了严峻的挑战。
在传统的PCBA老化测试方法中，往往仅仅关注一些基本的温度和电流参数，而未能全面考虑时序数据的复杂性。此外，特征提取和拓扑关系建立的方法通常较为简单，无法充分挖掘数据中的潜在规律。由于电子系统的复杂性，老化引起的异常分布在多个区域，而传统方法难以准确找出这些异常区域的位置，从而影响了后续的故障诊断和修复工作。
发明内容
本申请提供了一种PCBA的老化测试方法及系统，用于提高了PCBA的老化测试准确率。
第一方面，本申请提供了一种PCBA的老化测试方法，所述PCBA的老化测试方法包括：
对目标PCBA进行老化测试和数据采集，得到初始测试温度数据和初始测试电流数据，并通过预置的自回归模型进行时间序列分析，得到时序测试温度数据和时序测试电流数据；
分别对所述时序测试温度数据和所述时序测试电流数据进行拉格朗日线性插值和主成分分析，得到目标测试温度数据和目标测试电流数据；
分别对所述目标测试温度数据和所述目标测试电流数据进行特征点提取，得到多个第一温度特征点和多个第一电流特征点，并通过预置的EM聚类算法进行特征点区域中心分析，得到多个温度特征点区域中心以及多个电流特征点区域中心；
分别对所述多个温度特征点区域中心以及多个电流特征点区域中心进行拓扑关系建立，得到温度拓扑分布关系以及电流拓扑分布关系；
根据所述温度拓扑分布关系以及所述电流拓扑分布关系对所述多个第一温度特征点和所述多个第一电流特征点进行谱聚类算法优化，得到多个第二温度特征点和多个第二电流特征点；
将所述多个第二温度特征点和所述多个第二电流特征点输入预置的多任务PCBA分析模型进行多任务PCBA分析，得到PCBA老化趋势预测结果以及PCBA异常区域定位结果。
第二方面，本申请提供了一种PCBA的老化测试系统，所述PCBA的老化测试系统包括：
采集模块，用于对目标PCBA进行老化测试和数据采集，得到初始测试温度数据和初始测试电流数据，并通过预置的自回归模型进行时间序列分析，得到时序测试温度数据和时序测试电流数据；
分析模块，用于分别对所述时序测试温度数据和所述时序测试电流数据进行拉格朗日线性插值和主成分分析，得到目标测试温度数据和目标测试电流数据；
提取模块，用于分别对所述目标测试温度数据和所述目标测试电流数据进行特征点提取，得到多个第一温度特征点和多个第一电流特征点，并通过预置的EM聚类算法进行特征点区域中心分析，得到多个温度特征点区域中心以及多个电流特征点区域中心；
建立模块，用于分别对所述多个温度特征点区域中心以及多个电流特征点区域中心进行拓扑关系建立，得到温度拓扑分布关系以及电流拓扑分布关系；
优化模块，用于根据所述温度拓扑分布关系以及所述电流拓扑分布关系对所述多个第一温度特征点和所述多个第一电流特征点进行谱聚类算法优化，得到多个第二温度特征点和多个第二电流特征点；
输出模块，用于将所述多个第二温度特征点和所述多个第二电流特征点输入预置的多任务PCBA分析模型进行多任务PCBA分析，得到PCBA老化趋势预测结果以及PCBA异常区域定位结果。
本申请提供的技术方案中，通过自回归模型和插值技术，对测试数据进行更精细的时序分析，提高了对PCBA老化过程的理解，有助于发现潜在的老化趋势。利用EM聚类算法提取特征点并分析特征点区域中心，有助于准确捕捉PCBA老化过程中的关键特征，提高了对异常情况的敏感性。通过建立温度和电流的拓扑关系，引入谱聚类算法优化特征点，有助于更好地理解特征点之间的关联性，提高了对老化趋势的建模准确性。引入多任务PCBA分析模型，同时进行老化趋势预测和异常区域定位，使测试更全面，同时提高了对PCBA整体健康状态的全面评估。解析PCBA老化测试策略，使得测试具备自动化的能力，提高了测试的操作便捷性。同时，通过箱型图法对异常值进行检测和去除，提高了数据的准确性和可信度。对测试数据进行归一化和线性变换，有助于消除不同PCBA之间的差异性，使得测试结果更具有普适性和可比性。通过建立温度和电流的拓扑分布关系，有助于更全面地理解PCBA内部的结构和相互作用，提高了对异常区域的准确定位和根因分析的可靠性，进而提高了PCBA的老化测试准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以基于这些附图获得其他的附图。
图1为本申请实施例中PCBA的老化测试方法的一个实施例示意图；
图2为本申请实施例中PCBA的老化测试系统的一个实施例示意图。
具体实施方式
本申请实施例提供了一种PCBA的老化测试方法及系统。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中PCBA的老化测试方法的一个实施例包括：
步骤S101、对目标PCBA进行老化测试和数据采集，得到初始测试温度数据和初始测试电流数据，并通过预置的自回归模型进行时间序列分析，得到时序测试温度数据和时序测试电流数据；
可以理解的是，本申请的执行主体可以为PCBA的老化测试系统，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的，获取预设的PCBA老化测试策略。并解析老化测试策略，以确定测试的具体时长和一系列测试参数集合，这些参数集合包括温度范围、电流变化、电压条件等，以确保测试能够模拟长期使用下PCBA的实际工作环境。对目标PCBA进行老化测试。通过模拟长期工作条件来加速PCBA的老化过程，从而能在较短的时间内观察到长期使用导致的问题和性能衰退。在老化测试的过程中，通过预置的传感器系统来获取目标PCBA的第一测试温度数据和第一测试电流数据。这些传感器必须精确且敏感，以确保可以捕捉到PCBA在极端条件下的微小变化。这些初步收集的数据包含一些异常值或噪声，这是在实验条件下常见的情况，由传感器误差、环境干扰或测试设置的不稳定性引起。为了提高数据的准确性和可靠性，接下来采用箱型图法对第一测试温度数据和第一测试电流数据进行离群值检测和异常去除。箱型图法是一种统计学方法，通过图形的方式显示数据分布的主要特征，适合于识别数据中的异常值。通过此方法处理后，可以获得更加净化的第二测试温度数据和第二测试电流数据，这些数据更能准确反映PCBA在正常工作条件下的表现。通过预置的自回归模型对第二测试温度数据和第二测试电流数据进行时间序列分析。根据测试的总时长，分析数据随时间的变化趋势，这有助于理解PCBA在长期使用中的性能变化。自回归模型是一种强大的时间序列分析工具，它可以基于过去的数据预测未来的趋势，这在预测PCBA的老化过程中尤为重要。
步骤S102、分别对时序测试温度数据和时序测试电流数据进行拉格朗日线性插值和主成分分析，得到目标测试温度数据和目标测试电流数据；
具体的，分别对时序测试温度数据和时序测试电流数据执行拉格朗日线性插值，填补存在的数据缺口，确保数据的完整性。拉格朗日线性插值是一种数学方法，它根据已知的数据点来估算在这些点之间未知位置的值，通过这种方式，生成标准测试温度数据和标准测试电流数据。对标准化数据进行归一化处理。通过归一化测试温度数据和归一化测试电流数据，确保后续分析过程中不同数据之间可以相互比较，且不会由于数据规模的不同而产生偏差。进行线性变换，将归一化的测试数据转化为线性温度特征集合和线性电流特征集合。线性变换是一种数学操作，它可以改变数据的表现形式，同时保留数据之间的基本关系，通过线性变换，更容易识别出数据中的重要模式和趋势。计算线性温度特征集合和线性电流特征集合的协方差矩阵。协方差矩阵是一个描述变量间相互关系的重要工具，它可以帮助理解不同测试参数间的相互影响。通过计算温度协方差矩阵和电流协方差矩阵，获得这些测试参数之间的关联强度和方向。分别计算这些协方差矩阵的特征相关性，理解不同特征（温度和电流的不同方面）之间的关系，这有助于识别出对PCBA老化测试最有影响的因素。通过这种分析，可以得出温度特征值和电流特征值，这些特征值是协方差矩阵中的主要成分，代表了数据中最重要的变化方向。根据特征值生成相应的特征向量，并对这些特征向量进行主成分归一化，以得出温度主成分特征权重和电流主成分特征权重。将特征值转化为可以用于数据重构的形式。通过将归一化测试温度数据与温度主成分特征权重相乘，并对结果进行加和运算，可以得到目标测试温度数据。同样，将归一化测试电流数据与电流主成分特征权重相乘，并进行加和运算，从而得到目标测试电流数据。这个过程有效地将原始数据转化为了反映PCBA老化特性的目标数据，为后续的老化分析提供了关键的输入。
步骤S103、分别对目标测试温度数据和目标测试电流数据进行特征点提取，得到多个第一温度特征点和多个第一电流特征点，并通过预置的EM聚类算法进行特征点区域中心分析，得到多个温度特征点区域中心以及多个电流特征点区域中心；
具体的，通过两个不同的高斯混合模型对目标测试温度数据和目标测试电流数据进行初始聚类。高斯混合模型是一种概率模型，它假设所有的样本点是由若干个高斯分布的混合生成的。第一高斯混合模型应用于温度数据，而第二高斯混合模型用于电流数据，从而区分出不同的温度和电流类别。通过预置的长短时记忆网络（LSTM）对数据进行特征点提取。LSTM是一种特殊的神经网络结构，适合处理和预测时间序列数据中的重要事件，它能够有效捕捉数据中的长期依赖关系。LSTM网络从温度和电流数据中识别出多个第一温度特征点和第一电流特征点，这些特征点代表着数据中最重要的变化和模式。通过EM聚类算法的E步骤（期望步骤）对这些特征点进行进一步处理。算法计算每个特征点属于不同类别的概率，这被称为隶属概率。通过这种方式，每个第一温度特征点被分配一个温度类别的隶属概率，同样，每个第一电流特征点也被分配一个电流类别的隶属概率，将特征点与初始聚类的结果相结合。通过EM聚类算法的M步骤（最大化步骤），根据每个特征点的隶属概率，对目标温度类别和目标电流类别的参数进行更新。具体来说，根据特征点的隶属概率对每个类别的均值、方差和权重进行调整。这样的调整使得聚类结果能更好地反映数据的实际分布，从而得到更加精确的温度特征点分布区域和电流特征点分布区域。对特征点分布区域进行特征中心聚类，找到每个分布区域的中心点，也就是最能代表该区域特征的点。通过对温度特征点分布区域和电流特征点分布区域进行这样的处理，最终得到了多个温度特征点区域中心和多个电流特征点区域中心。
步骤S104、分别对多个温度特征点区域中心以及多个电流特征点区域中心进行拓扑关系建立，得到温度拓扑分布关系以及电流拓扑分布关系；
具体的，对多个特征点区域中心进行欧几里得距离计算。欧几里得距离是一种衡量两点间“直线”距离的方法，它在多维空间中的计算基于各维度上的坐标差异。通过计算每个温度特征点区域中心间的欧几里得距离，得到第一欧几里得距离集合，同理，计算每个电流特征点区域中心间的距离，得到第二欧几里得距离集合。随后，基于距离集合，分别创建多个温度特征点区域中心和多个电流特征点区域中心的邻接矩阵。邻接矩阵是一种表示图中各顶点（特征点区域中心）之间连接关系的矩阵，其中的元素表示对应的两个点是否直接相连，以及它们之间的距离或权重。通过第一和第二邻接矩阵，可以形象地表示出温度特征点和电流特征点在多维空间中的相互关系。对邻接矩阵进行特征向量中心性分析。特征向量中心性分析是一种用于确定图中节点重要性的方法，它考虑了节点的连接关系和网络结构。通过分析第一邻接矩阵，得到每个温度特征点区域中心的第一特征向量中心性分析数据，同样地，第二邻接矩阵的分析则提供了每个电流特征点区域中心的第二特征向量中心性分析数据。这些数据反映了每个特征点在整个网络中的相对重要性和影响力，有助于识别那些在PCBA老化过程中起关键作用的特征点。基于特征向量中心性分析数据，构建对应的温度拓扑分布关系和电流拓扑分布关系。将分析结果转化为直观的拓扑结构，这些拓扑结构展示了不同特征点区域中心之间的相互关系和影响力。通过温度拓扑分布关系和电流拓扑分布关系，可以更加直观地理解PCBA在老化过程中温度和电流特性的变化模式，以及这些变化是如何相互作用和影响PCBA整体性能的。
步骤S105、根据温度拓扑分布关系以及电流拓扑分布关系对多个第一温度特征点和多个第一电流特征点进行谱聚类算法优化，得到多个第二温度特征点和多个第二电流特征点；
具体的，根据温度拓扑分布关系和电流拓扑分布关系计算相应的相似性矩阵。相似性矩阵是一种重要的工具，用于量化和表示特征点之间的相似度。通过计算第一温度特征点基于温度拓扑分布的相似性，以及第一电流特征点基于电流拓扑分布的相似性，分别构建温度相似性矩阵和电流相似性矩阵。这些矩阵不仅反映了特征点之间的直接关系，还揭示了它们在整个数据结构中的位置和角色。对温度相似性矩阵和电流相似性矩阵进行拉普拉斯矩阵分析，得到标准化温度拉普拉斯矩阵和标准化电流拉普拉斯矩阵。拉普拉斯矩阵是图论中的一个概念，它可以揭示数据点在图中的连接方式和结构特性。通过将相似性矩阵转换成标准化的拉普拉斯矩阵，可以更加深入地理解数据的内在结构和特征。随后，对标准化的拉普拉斯矩阵进行特征值分解。特征值分解是一种数学方法，用于从矩阵中提取关键信息和数据结构。通过对标准化温度拉普拉斯矩阵和标准化电流拉普拉斯矩阵进行特征值分解，得到描述温度和电流数据特征的多个目标特征值。这些特征值是数据的核心组成部分，代表了数据中最重要的模式和结构。通过谱聚类算法对目标特征值进行聚类分析。谱聚类是一种基于图论的聚类方法，它使用数据的特征值来识别数据中的团簇或群组。通过对目标温度特征值和目标电流特征值应用谱聚类算法，得到多个第二温度特征点和多个第二电流特征点。
步骤S106、将多个第二温度特征点和多个第二电流特征点输入预置的多任务PCBA分析模型进行多任务PCBA分析，得到PCBA老化趋势预测结果以及PCBA异常区域定位结果。
具体的，对第二温度特征点和第二电流特征点进行特征向量映射，得到温度特征输入向量和电流特征输入向量，将原始的特征数据转换成适合于机器学习模型处理的格式，确保了数据的可用性和有效性。将温度和电流特征输入向量输入预置的多任务PCBA分析模型中。多任务模型包括老化趋势预测网络和异常区域定位网络。老化趋势预测网络包括输入层、双向门限循环单元（BiGRU）、注意力机制层以及全连接层。这种网络结构设计用于准确预测PCBA的老化趋势，其中BiGRU能够有效捕捉时间序列数据的特征，注意力机制则增强了模型对关键信息的关注，全连接层则用于最终的老化趋势预测。异常区域定位网络包括多个第一和第二决策树以及贝叶斯网络，这些组件共同工作以定位温度和电流的异常区域。在老化趋势预测网络中，通过输入层进行向量融合，将温度和电流特征输入向量合并为融合特征输入向量。这一融合过程确保了温度和电流数据的综合分析，提高了预测的准确性。随后，BiGRU层对融合特征输入向量进行特征提取，生成融合特征目标向量，使得模型能够捕捉到数据中的时间依赖关系和动态变化。通过注意力机制层对这些目标向量进行加权分析，生成注意力特征目标向量，增强模型对数据中重要特征的关注，从而提高了预测的准确度和可靠性。全连接层基于这些注意力特征目标向量进行老化趋势预测，输出PCBA老化趋势预测结果。在异常区域定位网络中，通过多个第一决策树对温度特征输入向量进行分析，定位温度异常区域，并通过融合这些决策树的结果来得到最终的第一异常区域定位结果。同样，多个第二决策树对电流特征输入向量进行分析，定位电流异常区域，并通过融合这些结果来得到第二异常区域定位结果。贝叶斯网络则用于对这些定位结果进行根因分析，通过统计学方法评估不同异常区域之间的因果关系，从而确定PCBA的异常区域定位结果。通过这一系列的分析和处理，这种多任务PCBA分析模型能够准确地预测PCBA的老化趋势，并有效地定位异常区域，为进一步的维修和优化提供关键信息。
本申请实施例中，通过自回归模型和插值技术，对测试数据进行更精细的时序分析，提高了对PCBA老化过程的理解，有助于发现潜在的老化趋势。利用EM聚类算法提取特征点并分析特征点区域中心，有助于准确捕捉PCBA老化过程中的关键特征，提高了对异常情况的敏感性。通过建立温度和电流的拓扑关系，引入谱聚类算法优化特征点，有助于更好地理解特征点之间的关联性，提高了对老化趋势的建模准确性。引入多任务PCBA分析模型，同时进行老化趋势预测和异常区域定位，使测试更全面，同时提高了对PCBA整体健康状态的全面评估。解析PCBA老化测试策略，使得测试具备自动化的能力，提高了测试的操作便捷性。同时，通过箱型图法对异常值进行检测和去除，提高了数据的准确性和可信度。对测试数据进行归一化和线性变换，有助于消除不同PCBA之间的差异性，使得测试结果更具有普适性和可比性。通过建立温度和电流的拓扑分布关系，有助于更全面地理解PCBA内部的结构和相互作用，提高了对异常区域的准确定位和根因分析的可靠性，进而提高了PCBA的老化测试准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）获取预设的PCBA老化测试策略，并对PCBA老化测试策略进行解析，得到测试时长以及测试参数集合；
（2）根据测试时长以及测试参数集合，对目标PCBA进行老化测试，并通过预置的传感器获取目标PCBA的第一测试温度数据和第一测试电流数据；
（3）通过箱型图法分别对第一测试温度数据和第一测试电流数据进行离群值检测和异常去除，得到第二测试温度数据和第二测试电流数据；
（4）通过预置的自回归模型，根据测试时长分别对第二测试温度数据和第二测试电流数据进行时间序列分析，得到时序测试温度数据和时序测试电流数据。
具体的，获取预设的PCBA老化测试策略，包括详细的测试时长和一系列测试参数，如温度范围、电流变化、电压条件等。对该策略进行解析。从策略中提取出具体的测试时长和测试参数集合。根据测试时长以及测试参数集合，对目标PCBA进行老化测试。测试时长及参数集合定义了测试的具体环境，比如在多长时间内以多大的温度变化和电流变化来模拟长期使用的影响。在这个过程中，通过预置的传感器获取目标PCBA的第一测试温度数据和第一测试电流数据。老化测试期间收集的第一测试温度数据和第一测试电流数据包含一些离群值或异常数据，这些数据由于环境干扰、传感器误差或其他非预期因素产生。为确保数据的准确性，应用箱型图法对这些数据进行离群值检测和异常去除。箱型图法是一种统计学方法，它能够有效地识别出数据集中的异常值。这是通过计算四分位数和利用这些四分位数来确定数据的正常范围实现的。位于这个范围之外的数据点通常被视为离群值，并从数据集中移除。得到的第二测试温度数据和第二测试电流数据更能反映PCBA在正常条件下的表现。通过预置的自回归模型，对第二测试温度数据和第二测试电流数据进行时间序列分析。自回归模型是时间序列分析中的一种工具，通过分析历史数据来预测未来的变化趋势。模型根据测试时长和处理后的测试数据，分析数据随时间的变化趋势，从而生成时序测试温度数据和时序测试电流数据。这些数据反映了PCBA在整个测试周期内的性能表现。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）分别对时序测试温度数据和时序测试电流数据进行拉格朗日线性插值，得到标准测试温度数据以及标准测试电流数据；
（2）分别对标准测试温度数据以及标准测试电流数据进行归一化处理，得到归一化测试温度数据以及归一化测试电流数据；
（3）分别对归一化测试温度数据以及归一化测试电流数据进行线性变换，得到线性温度特征集合以及线性电流特征集合；
（4）分别计算线性温度特征集合以及线性电流特征集合的温度协方差矩阵以及电流协方差矩阵；
（5）分别计算温度协方差矩阵的温度特征相关性以及电流协方差矩阵的电流特征相关性；
（6）根据温度特征相关性计算温度协方差矩阵中多个温度线性特征对应的多个温度特征值，并根据电流特征相关性计算电流协方差矩阵中多个电流线性特征对应的多个电流特征值；
（7）根据多个温度特征值生成对应的温度特征向量，并对温度特征向量进行主成分归一化，得到温度主成分特征权重，并根据多个电流特征值生成对应的电流特征向量，并对电流特征向量进行主成分归一化，得到电流主成分特征权重；
（8）将归一化测试温度数据与温度主成分特征权重相乘，得到多个目标温度乘积，并对多个目标温度乘积进行加和运算，得到目标测试温度数据；将归一化测试电流数据与电流主成分特征权重相乘，得到多个目标电流乘积，并对多个目标电流乘积进行加和运算，得到目标测试电流数据。
具体的，分别对时序测试温度数据和时序测试电流数据进行拉格朗日线性插值，以补充存在的数据缺失或不连续性。拉格朗日线性插值是一种数学方法，用于在两个已知数据点之间预测未知点的值。这种方法适用于时间序列数据，如温度和电流测量，它可以帮助创建一个更加平滑和连续的数据集。例如，如果在某一特定时间点丢失了温度读数，拉格朗日插值可以根据周围的已知值来估算这个缺失点的温度。对标准测试温度数据和标准测试电流数据进行归一化处理，将数据转换为一个通用的格式，使其更易于处理和分析。随后，对归一化后的温度和电流数据进行线性变换，生成线性温度特征集合和线性电流特征集合。线性变换是一种数学操作，它改变数据的形式但保留其基本特性，从而提取数据中的关键信息，使其更适合于机器学习和统计分析。通过线性变换，可以从原始的归一化数据中提取出更有用的特征，这些特征更能反映PCBA老化过程中的重要变化。随后，分别计算线性温度特征集合和线性电流特征集合的协方差矩阵。协方差矩阵是一种统计工具，用于衡量不同变量间的变化趋势是否相似。协方差矩阵可以揭示温度和电流特征如何随老化过程一起变化。通过分析这些矩阵，可以得到有关温度和电流特征间关联程度的重要信息。计算温度协方差矩阵的温度特征相关性和电流协方差矩阵的电流特征相关性，进一步分析了不同特征间的相互关系，帮助确定哪些特征在PCBA老化过程中最为关键。例如，如果某个特定的温度特征与电流特征高度相关，这表明在老化过程中这两个参数之间存在一定的相互作用或依赖关系。基于特征相关性，分别计算出温度协方差矩阵和电流协方差矩阵中的多个温度和电流线性特征值。这些特征值是数据中的关键成分，它们代表了数据集中最重要的变化方向。根据这些特征值生成相应的特征向量，并对这些特征向量进行主成分归一化。主成分归一化是一种降维技术，它通过保留数据中最重要的变量来简化数据集。通过这种方式，可以得到温度和电流的主成分特征权重。这些权重反映了不同特征在老化过程中的重要性和贡献度。将归一化的测试温度数据与温度主成分特征权重相乘，得到多个目标温度乘积。类似地，将归一化的测试电流数据与电流主成分特征权重相乘，得到多个目标电流乘积。通过对这些乘积进行加和运算，最终得到目标测试温度数据和目标测试电流数据。
在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：
（1）通过预置的第一高斯混合模型对目标测试温度数据进行初始聚类，得到多个目标温度类别，并通过预置的第二高斯混合模型对目标测试电流数据进行初始聚类，得到多个目标电流类别；
（2）通过预置的长短时记忆网络分别对目标测试温度数据和目标测试电流数据进行特征点提取，得到多个第一温度特征点和多个第一电流特征点；
（3）通过预置的EM聚类算法的E步骤，分别对多个第一温度特征点和多个目标温度类别进行隶属概率计算，得到每个第一温度特征点的温度类别隶属概率，并分别对多个第一电流特征点和多个目标电流类别进行隶属概率计算，得到每个第一电流特征点的电流类别隶属概率；
（4）通过预置的EM聚类算法的M步骤，根据每个第一温度特征点的温度类别隶属概率对多个目标温度类别进行均值、方差和权重更新，得到多个温度特征点分布区域，并根据每个第一电流特征点的电流类别隶属概率对多个目标电流类别进行均值、方差和权重更新，得到多个电流特征点分布区域；
（5）分别对多个温度特征点分布区域进行特征中心聚类，得到多个温度特征点区域中心，并分别对多个电流特征点分布区域进行特征中心聚类，得到多个电流特征点区域中心。
具体的，通过预置的高斯混合模型（GMM）对目标测试温度和电流数据进行初始聚类。高斯混合模型是一种基于概率的聚类方法，它假设所有数据点都是由若干个高斯分布混合产生的。例如，第一高斯混合模型被应用于温度数据，通过该模型可以得到多个不同的目标温度类别，这些类别代表了数据中的主要温度分布模式。类似地，第二高斯混合模型用于电流数据，从而得到多个不同的电流类别。通过长短时记忆网络（LSTM）对目标测试数据进行特征点提取。LSTM是一种特殊的循环神经网络，适合处理和预测时间序列数据中的重要事件。LSTM网络能够有效捕捉数据中的时间依赖性和长期趋势，从而识别出温度和电流数据中的关键特征点。例如，在一系列温度测量中，LSTM会识别出温度升高或下降的趋势，以及这些趋势的持续时间和强度。这些被识别的特征点为第一温度特征点和第一电流特征点。通过预置的EM（期望最大化）聚类算法对这些特征点进行分析。EM聚类算法的E步骤（期望步骤）涉及计算每个特征点属于各个类别的概率，即隶属概率。通过考虑每个特征点与不同类别的高斯分布的相似度来计算，从而为每个第一温度特征点和第一电流特征点分配一个隶属概率。例如，一个特定的温度特征点有90%的概率属于“高温”类别和10%的概率属于“低温”类别。在EM算法的M步骤（最大化步骤）中，根据这些隶属概率对每个类别的参数进行更新。具体来说，这包括对每个类别的均值、方差和权重进行调整，以便更好地反映实际的数据分布。通过这种方式，可以得到更精确的温度和电流特征点分布区域，它们更准确地反映了测试数据中的主要趋势和模式。对分布区域进行特征中心聚类，确定每个分布区域的核心点，即那些最能代表该区域特征的点。这种聚类分析揭示了数据中最显著的模式和趋势。
在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：
（1）对多个温度特征点区域中心进行欧几里得距离计算，得到第一欧几里得距离集合，并对多个电流特征点区域中心进行欧几里得距离计算，得到第二欧几里得距离集合；
（2）根据第一欧几里得距离集合创建多个温度特征点区域中心的第一邻接矩阵，并根据第二欧几里得距离集合创建多个电流特征点区域中心的第二邻接矩阵；
（3）对第一邻接矩阵进行特征向量中心性分析，得到每个温度特征点区域中心的第一特征向量中心性分析数据，并对第二邻接矩阵进行特征向量中心性分析，得到每个电流特征点区域中心的第二特征向量中心性分析数据；
（4）根据第一特征向量中心性分析数据构建多个温度特征点区域中心对应的温度拓扑分布关系，并根据第二特征向量中心性分析数据构建多个电流特征点区域中心对应的电流拓扑分布关系。
具体的，对多个温度特征点区域中心和电流特征点区域中心进行欧几里得距离计算。欧几里得距离能够量化两个点在空间中的直线距离，适用于在多维空间中的特征点。例如，如果有两个温度特征点区域中心，分别位于不同的温度值和时间点，通过计算它们之间的欧几里得距离，可以量化这两个点在温度-时间空间中的相对位置。类似地，电流特征点区域中心之间的距离也通过同样的方式计算。从而分别得到温度和电流特征点区域中心的欧几里得距离集合。根据距离集合来创建对应的邻接矩阵。邻接矩阵是图论中用于表示点之间连接关系的一种矩阵形式，其中的元素表示对应点之间的距离或连接强度。一邻接矩阵是基于温度特征点区域中心的欧几里得距离集合构建的，而第二邻接矩阵则是基于电流特征点区域中心的距离集合。对邻接矩阵进行特征向量中心性分析。特征向量中心性是一种用于确定网络中节点（特征点区域中心）重要性的度量。这种分析考虑了每个点在整个网络中的位置和其它点与其的连接强度。通过对第一邻接矩阵进行特征向量中心性分析，得到每个温度特征点区域中心在整个温度特征网络中的相对重要性。同样，对第二邻接矩阵的分析揭示了每个电流特征点区域中心在电流特征网络中的重要性。根据特征向量中心性分析数据，构建温度和电流特征点区域中心的拓扑分布关系。这些拓扑关系不仅展示了不同特征点之间的连接方式，还揭示了它们在整个特征网络中的地位。例如，如果某个温度特征点区域中心在特征向量中心性分析中得分较高，这意味着在温度特征网络中它是一个关键节点，对理解整个PCBA的温度响应模式至关重要。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）根据温度拓扑分布关系计算多个第一温度特征点的温度相似性矩阵，并根据电流拓扑分布关系计算多个第一电流特征点的电流相似性矩阵；
（2）对温度相似性矩阵进行拉普拉斯矩阵分析，得到标准化温度拉普拉斯矩阵，并对电流相似性矩阵进行拉普拉斯矩阵分析，得到标准化电流拉普拉斯矩阵；
（3）对标准化温度拉普拉斯矩阵进行特征值分解，得到多个目标温度特征值，并对标准化电流拉普拉斯矩阵进行特征值分解，得到多个目标电流特征值；
（4）通过谱聚类算法对多个目标温度特征值进行聚类分析，得到多个第二温度特征点，并通过谱聚类算法对多个目标电流特征值进行聚类分析，得到多个第二电流特征点。
具体的，根据温度和电流的拓扑分布关系计算相应的相似性矩阵。基于温度特征点之间的拓扑关系，构建一个温度相似性矩阵，这个矩阵反映了不同温度特征点之间的相似度或者差异度。同样，电流特征点之间的拓扑关系用于构建电流相似性矩阵。这些相似性矩阵为后续的分析提供了一个量化和结构化的数据基础。进行拉普拉斯矩阵分析。拉普拉斯矩阵是一种描述数据点之间关系的矩阵。将相似性矩阵转换为标准化的拉普拉斯矩阵，将每个特征点的度数（即与该点相连的边的数量）考虑在内，从而使得拉普拉斯矩阵能够更全面地反映特征点之间的相互关系。标准化的拉普拉斯矩阵有助于突出数据结构中的重要特征。随后，对标准化的拉普拉斯矩阵进行特征值分解。特征值分解是一种数学方法，用于提取矩阵的主要特征和模式。通过分解标准化的温度拉普拉斯矩阵，得到多个代表温度特征的主要特征值，这些特征值捕捉了温度数据中最关键的变化和结构。同理，电流拉普拉斯矩阵的特征值分解揭示了电流数据中的主要特征。通过谱聚类算法对目标特征值进行聚类分析。谱聚类是一种基于数据的谱特性（即特征值和特征向量）进行聚类的方法，适用于识别复杂数据集中的团簇或模式。通过对目标温度特征值进行谱聚类分析，得到一组精细划分的第二温度特征点，这些特征点代表了温度数据中的主要模式和结构。同样，通过对目标电流特征值进行谱聚类分析，得到一组第二电流特征点，这些特征点揭示了电流数据中的关键特征和模式。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）对多个第二温度特征点进行特征向量映射，得到温度特征输入向量，并对多个第二电流特征点进行电流特征向量映射，得到电流特征输入向量；
（2）将温度特征输入向量和电流特征输入向量输入预置的多任务PCBA分析模型，多任务PCBA分析模型包括：老化趋势预测网络以及异常区域定位网络，老化趋势预测网络包括：输入层、双向门限循环单元、注意力机制层以及全连接层，异常区域定位网络包括：多个第一决策树、多个第二决策树以及贝叶斯网络；
（3）通过老化趋势预测网络中的输入层对温度特征输入向量和电流特征输入向量进行向量融合，得到融合特征输入向量；通过老化趋势预测网络中的双向门限循环单元对融合特征输入向量进行向量特征提取，得到融合特征目标向量；通过老化趋势预测网络中的注意力机制层对融合特征目标向量进行注意力机制加权分析，得到注意力特征目标向量；通过老化趋势预测网络中的全连接层对注意力特征目标向量进行PCBA老化趋势预测，得到PCBA老化趋势预测结果；
（4）通过异常区域定位网络中的多个第一决策树对温度特征输入向量进行温度异常区域定位，得到每个第一决策树的温度异常区域定位结果，并对每个第一决策树的温度异常区域定位结果进行融合分析，得到第一异常区域定位结果；通过异常区域定位网络中的多个第二决策树对电流特征输入向量进行电流异常区域定位，得到每个第二决策树的电流异常区域定位结果，并对每个第二决策树的电流异常区域定位结果进行融合分析，得到第二异常区域定位结果；通过异常区域定位网络中的贝叶斯网络对第一异常区域定位结果和第二异常区域定位结果进行根因分析，得到PCBA异常区域定位结果。
具体的，将多个第二温度特征点和第二电流特征点转换成特征向量。特征向量映射是一种将原始数据转换成机器学习算法可以理解和处理的形式的技术。通过转换，温度和电流的数据被转化成了一系列的向量，每个向量代表了一组特定的特征。例如，对于温度特征点，每个向量包含温度的峰值、谷值、平均值以及其他统计信息；类似地，电流特征点的向量包含电流的波动范围、平均电流等。将温度特征输入向量和电流特征输入向量输入预置的多任务PCBA分析模型中。这个模型包括两个主要部分：老化趋势预测网络和异常区域定位网络。老化趋势预测网络使用了一系列先进的机器学习技术，包括输入层、双向门限循环单元（BiGRU）、注意力机制层和全连接层。双向BiGRU有助于捕获时间序列数据中的前向和后向依赖关系，而注意力机制则能够突出重要的特征，全连接层则负责将这些特征转换成最终的老化趋势预测结果。在这个网络中，通过输入层对温度和电流的特征输入向量进行融合，创建一个综合的融合特征输入向量，然后BiGRU层对其进行分析，提取出关键的时间序列特征。注意力机制层进一步加强对重要特征的关注，并最终通过全连接层输出老化趋势的预测结果。同时，异常区域定位网络使用一组决策树和贝叶斯网络来识别和定位温度和电流异常区域。这个网络使用多个第一决策树对温度特征输入向量进行分析，以识别的温度异常区域，并将这些结果进行融合分析，得到最终的第一异常区域定位结果。类似地，多个第二决策树对电流特征输入向量进行分析，识别电流异常区域，并融合这些结果得到最终的第二异常区域定位结果。通过贝叶斯网络对这些异常区域结果进行根因分析，以确定异常的原因和性质。
上面对本申请实施例中PCBA的老化测试方法进行了描述，下面对本申请实施例中PCBA的老化测试系统进行描述，请参阅图2，本申请实施例中PCBA的老化测试系统一个实施例包括：
采集模块201，用于对目标PCBA进行老化测试和数据采集，得到初始测试温度数据和初始测试电流数据，并通过预置的自回归模型进行时间序列分析，得到时序测试温度数据和时序测试电流数据；
分析模块202，用于分别对所述时序测试温度数据和所述时序测试电流数据进行拉格朗日线性插值和主成分分析，得到目标测试温度数据和目标测试电流数据；
提取模块203，用于分别对所述目标测试温度数据和所述目标测试电流数据进行特征点提取，得到多个第一温度特征点和多个第一电流特征点，并通过预置的EM聚类算法进行特征点区域中心分析，得到多个温度特征点区域中心以及多个电流特征点区域中心；
建立模块204，用于分别对所述多个温度特征点区域中心以及多个电流特征点区域中心进行拓扑关系建立，得到温度拓扑分布关系以及电流拓扑分布关系；
优化模块205，用于根据所述温度拓扑分布关系以及所述电流拓扑分布关系对所述多个第一温度特征点和所述多个第一电流特征点进行谱聚类算法优化，得到多个第二温度特征点和多个第二电流特征点；
输出模块206，用于将所述多个第二温度特征点和所述多个第二电流特征点输入预置的多任务PCBA分析模型进行多任务PCBA分析，得到PCBA老化趋势预测结果以及PCBA异常区域定位结果。
通过上述各个组成部分的协同合作，通过自回归模型和插值技术，对测试数据进行更精细的时序分析，提高了对PCBA老化过程的理解，有助于发现潜在的老化趋势。利用EM聚类算法提取特征点并分析特征点区域中心，有助于准确捕捉PCBA老化过程中的关键特征，提高了对异常情况的敏感性。通过建立温度和电流的拓扑关系，引入谱聚类算法优化特征点，有助于更好地理解特征点之间的关联性，提高了对老化趋势的建模准确性。引入多任务PCBA分析模型，同时进行老化趋势预测和异常区域定位，使测试更全面，同时提高了对PCBA整体健康状态的全面评估。解析PCBA老化测试策略，使得测试具备自动化的能力，提高了测试的操作便捷性。同时，通过箱型图法对异常值进行检测和去除，提高了数据的准确性和可信度。对测试数据进行归一化和线性变换，有助于消除不同PCBA之间的差异性，使得测试结果更具有普适性和可比性。通过建立温度和电流的拓扑分布关系，有助于更全面地理解PCBA内部的结构和相互作用，提高了对异常区域的准确定位和根因分析的可靠性，进而提高了PCBA的老化测试准确率。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (6)
1.一种PCBA的老化测试方法，其特征在于，所述PCBA的老化测试方法包括：
对目标PCBA进行老化测试和数据采集，得到初始测试温度数据和初始测试电流数据，并通过预置的自回归模型进行时间序列分析，得到时序测试温度数据和时序测试电流数据；
分别对所述时序测试温度数据和所述时序测试电流数据进行拉格朗日线性插值和主成分分析，得到目标测试温度数据和目标测试电流数据；
分别对所述目标测试温度数据和所述目标测试电流数据进行特征点提取，得到多个第一温度特征点和多个第一电流特征点，并通过预置的EM聚类算法进行特征点区域中心分析，得到多个温度特征点区域中心以及多个电流特征点区域中心；具体包括：通过预置的第一高斯混合模型对所述目标测试温度数据进行初始聚类，得到多个目标温度类别，并通过预置的第二高斯混合模型对所述目标测试电流数据进行初始聚类，得到多个目标电流类别；通过预置的长短时记忆网络分别对所述目标测试温度数据和所述目标测试电流数据进行特征点提取，得到多个第一温度特征点和多个第一电流特征点；通过预置的EM聚类算法的E步骤，分别对所述多个第一温度特征点和所述多个目标温度类别进行隶属概率计算，得到每个第一温度特征点的温度类别隶属概率，并分别对所述多个第一电流特征点和所述多个目标电流类别进行隶属概率计算，得到每个第一电流特征点的电流类别隶属概率；通过预置的EM聚类算法的M步骤，根据每个第一温度特征点的温度类别隶属概率对所述多个目标温度类别进行均值、方差和权重更新，得到多个温度特征点分布区域，并根据每个第一电流特征点的电流类别隶属概率对所述多个目标电流类别进行均值、方差和权重更新，得到多个电流特征点分布区域；分别对所述多个温度特征点分布区域进行特征中心聚类，得到多个温度特征点区域中心，并分别对所述多个电流特征点分布区域进行特征中心聚类，得到多个电流特征点区域中心；
分别对所述多个温度特征点区域中心以及多个电流特征点区域中心进行拓扑关系建立，得到温度拓扑分布关系以及电流拓扑分布关系；
根据所述温度拓扑分布关系以及所述电流拓扑分布关系对所述多个第一温度特征点和所述多个第一电流特征点进行谱聚类算法优化，得到多个第二温度特征点和多个第二电流特征点；
将所述多个第二温度特征点和所述多个第二电流特征点输入预置的多任务PCBA分析模型进行多任务PCBA分析，得到PCBA老化趋势预测结果以及PCBA异常区域定位结果；具体包括：对所述多个第二温度特征点进行特征向量映射，得到温度特征输入向量，并对所述多个第二电流特征点进行电流特征向量映射，得到电流特征输入向量；将所述温度特征输入向量和所述电流特征输入向量输入预置的多任务PCBA分析模型，所述多任务PCBA分析模型包括：老化趋势预测网络以及异常区域定位网络，所述老化趋势预测网络包括：输入层、双向门限循环单元、注意力机制层以及全连接层，所述异常区域定位网络包括：多个第一决策树、多个第二决策树以及贝叶斯网络；通过所述老化趋势预测网络中的输入层对所述温度特征输入向量和所述电流特征输入向量进行向量融合，得到融合特征输入向量；通过所述老化趋势预测网络中的双向门限循环单元对所述融合特征输入向量进行向量特征提取，得到融合特征目标向量；通过所述老化趋势预测网络中的注意力机制层对所述融合特征目标向量进行注意力机制加权分析，得到注意力特征目标向量；通过所述老化趋势预测网络中的全连接层对所述注意力特征目标向量进行PCBA老化趋势预测，得到PCBA老化趋势预测结果；通过所述异常区域定位网络中的多个第一决策树对所述温度特征输入向量进行温度异常区域定位，得到每个第一决策树的温度异常区域定位结果，并对每个第一决策树的温度异常区域定位结果进行融合分析，得到第一异常区域定位结果；通过所述异常区域定位网络中的多个第二决策树对所述电流特征输入向量进行电流异常区域定位，得到每个第二决策树的电流异常区域定位结果，并对每个第二决策树的电流异常区域定位结果进行融合分析，得到第二异常区域定位结果；通过所述异常区域定位网络中的贝叶斯网络对所述第一异常区域定位结果和所述第二异常区域定位结果进行根因分析，得到PCBA异常区域定位结果。
2.根据权利要求1所述的PCBA的老化测试方法，其特征在于，所述对目标PCBA进行老化测试和数据采集，得到初始测试温度数据和初始测试电流数据，并通过预置的自回归模型进行时间序列分析，得到时序测试温度数据和时序测试电流数据，包括：
获取预设的PCBA老化测试策略，并对所述PCBA老化测试策略进行解析，得到测试时长以及测试参数集合；
根据所述测试时长以及所述测试参数集合，对目标PCBA进行老化测试，并通过预置的传感器获取所述目标PCBA的第一测试温度数据和第一测试电流数据；
通过箱型图法分别对所述第一测试温度数据和所述第一测试电流数据进行离群值检测和异常去除，得到第二测试温度数据和第二测试电流数据；
通过预置的自回归模型，根据所述测试时长分别对所述第二测试温度数据和所述第二测试电流数据进行时间序列分析，得到时序测试温度数据和时序测试电流数据。
3.根据权利要求1所述的PCBA的老化测试方法，其特征在于，所述分别对所述时序测试温度数据和所述时序测试电流数据进行拉格朗日线性插值和主成分分析，得到目标测试温度数据和目标测试电流数据，包括：
分别对所述时序测试温度数据和所述时序测试电流数据进行拉格朗日线性插值，得到标准测试温度数据以及标准测试电流数据；
分别对所述标准测试温度数据以及所述标准测试电流数据进行归一化处理，得到归一化测试温度数据以及归一化测试电流数据；
分别对所述归一化测试温度数据以及所述归一化测试电流数据进行线性变换，得到线性温度特征集合以及线性电流特征集合；
分别计算所述线性温度特征集合以及所述线性电流特征集合的温度协方差矩阵以及电流协方差矩阵；
分别计算所述温度协方差矩阵的温度特征相关性以及所述电流协方差矩阵的电流特征相关性；
根据所述温度特征相关性计算所述温度协方差矩阵中多个温度线性特征对应的多个温度特征值，并根据所述电流特征相关性计算所述电流协方差矩阵中多个电流线性特征对应的多个电流特征值；
根据所述多个温度特征值生成对应的温度特征向量，并对所述温度特征向量进行主成分归一化，得到温度主成分特征权重，并根据所述多个电流特征值生成对应的电流特征向量，并对所述电流特征向量进行主成分归一化，得到电流主成分特征权重；
将归一化测试温度数据与所述温度主成分特征权重相乘，得到多个目标温度乘积，并对所述多个目标温度乘积进行加和运算，得到目标测试温度数据；将归一化测试电流数据与所述电流主成分特征权重相乘，得到多个目标电流乘积，并对所述多个目标电流乘积进行加和运算，得到目标测试电流数据。
4.根据权利要求1所述的PCBA的老化测试方法，其特征在于，所述分别对所述多个温度特征点区域中心以及多个电流特征点区域中心进行拓扑关系建立，得到温度拓扑分布关系以及电流拓扑分布关系，包括：
对所述多个温度特征点区域中心进行欧几里得距离计算，得到第一欧几里得距离集合，并对所述多个电流特征点区域中心进行欧几里得距离计算，得到第二欧几里得距离集合；
根据所述第一欧几里得距离集合创建所述多个温度特征点区域中心的第一邻接矩阵，并根据所述第二欧几里得距离集合创建所述多个电流特征点区域中心的第二邻接矩阵；
对所述第一邻接矩阵进行特征向量中心性分析，得到每个温度特征点区域中心的第一特征向量中心性分析数据，并对所述第二邻接矩阵进行特征向量中心性分析，得到每个电流特征点区域中心的第二特征向量中心性分析数据；
根据所述第一特征向量中心性分析数据构建所述多个温度特征点区域中心对应的温度拓扑分布关系，并根据所述第二特征向量中心性分析数据构建所述多个电流特征点区域中心对应的电流拓扑分布关系。
5.根据权利要求1所述的PCBA的老化测试方法，其特征在于，所述根据所述温度拓扑分布关系以及所述电流拓扑分布关系对所述多个第一温度特征点和所述多个第一电流特征点进行谱聚类算法优化，得到多个第二温度特征点和多个第二电流特征点，包括：
根据所述温度拓扑分布关系计算所述多个第一温度特征点的温度相似性矩阵，并根据所述电流拓扑分布关系计算所述多个第一电流特征点的电流相似性矩阵；
对所述温度相似性矩阵进行拉普拉斯矩阵分析，得到标准化温度拉普拉斯矩阵，并对所述电流相似性矩阵进行拉普拉斯矩阵分析，得到标准化电流拉普拉斯矩阵；
对所述标准化温度拉普拉斯矩阵进行特征值分解，得到多个目标温度特征值，并对所述标准化电流拉普拉斯矩阵进行特征值分解，得到多个目标电流特征值；
通过谱聚类算法对所述多个目标温度特征值进行聚类分析，得到多个第二温度特征点，并通过所述谱聚类算法对所述多个目标电流特征值进行聚类分析，得到多个第二电流特征点。
6.一种PCBA的老化测试系统，其特征在于，所述PCBA的老化测试系统包括：
采集模块，用于对目标PCBA进行老化测试和数据采集，得到初始测试温度数据和初始测试电流数据，并通过预置的自回归模型进行时间序列分析，得到时序测试温度数据和时序测试电流数据；
分析模块，用于分别对所述时序测试温度数据和所述时序测试电流数据进行拉格朗日线性插值和主成分分析，得到目标测试温度数据和目标测试电流数据；
提取模块，用于分别对所述目标测试温度数据和所述目标测试电流数据进行特征点提取，得到多个第一温度特征点和多个第一电流特征点，并通过预置的EM聚类算法进行特征点区域中心分析，得到多个温度特征点区域中心以及多个电流特征点区域中心；具体包括：通过预置的第一高斯混合模型对所述目标测试温度数据进行初始聚类，得到多个目标温度类别，并通过预置的第二高斯混合模型对所述目标测试电流数据进行初始聚类，得到多个目标电流类别；通过预置的长短时记忆网络分别对所述目标测试温度数据和所述目标测试电流数据进行特征点提取，得到多个第一温度特征点和多个第一电流特征点；通过预置的EM聚类算法的E步骤，分别对所述多个第一温度特征点和所述多个目标温度类别进行隶属概率计算，得到每个第一温度特征点的温度类别隶属概率，并分别对所述多个第一电流特征点和所述多个目标电流类别进行隶属概率计算，得到每个第一电流特征点的电流类别隶属概率；通过预置的EM聚类算法的M步骤，根据每个第一温度特征点的温度类别隶属概率对所述多个目标温度类别进行均值、方差和权重更新，得到多个温度特征点分布区域，并根据每个第一电流特征点的电流类别隶属概率对所述多个目标电流类别进行均值、方差和权重更新，得到多个电流特征点分布区域；分别对所述多个温度特征点分布区域进行特征中心聚类，得到多个温度特征点区域中心，并分别对所述多个电流特征点分布区域进行特征中心聚类，得到多个电流特征点区域中心；
建立模块，用于分别对所述多个温度特征点区域中心以及多个电流特征点区域中心进行拓扑关系建立，得到温度拓扑分布关系以及电流拓扑分布关系；
优化模块，用于根据所述温度拓扑分布关系以及所述电流拓扑分布关系对所述多个第一温度特征点和所述多个第一电流特征点进行谱聚类算法优化，得到多个第二温度特征点和多个第二电流特征点；
输出模块，用于将所述多个第二温度特征点和所述多个第二电流特征点输入预置的多任务PCBA分析模型进行多任务PCBA分析，得到PCBA老化趋势预测结果以及PCBA异常区域定位结果；具体包括：对所述多个第二温度特征点进行特征向量映射，得到温度特征输入向量，并对所述多个第二电流特征点进行电流特征向量映射，得到电流特征输入向量；将所述温度特征输入向量和所述电流特征输入向量输入预置的多任务PCBA分析模型，所述多任务PCBA分析模型包括：老化趋势预测网络以及异常区域定位网络，所述老化趋势预测网络包括：输入层、双向门限循环单元、注意力机制层以及全连接层，所述异常区域定位网络包括：多个第一决策树、多个第二决策树以及贝叶斯网络；通过所述老化趋势预测网络中的输入层对所述温度特征输入向量和所述电流特征输入向量进行向量融合，得到融合特征输入向量；通过所述老化趋势预测网络中的双向门限循环单元对所述融合特征输入向量进行向量特征提取，得到融合特征目标向量；通过所述老化趋势预测网络中的注意力机制层对所述融合特征目标向量进行注意力机制加权分析，得到注意力特征目标向量；通过所述老化趋势预测网络中的全连接层对所述注意力特征目标向量进行PCBA老化趋势预测，得到PCBA老化趋势预测结果；通过所述异常区域定位网络中的多个第一决策树对所述温度特征输入向量进行温度异常区域定位，得到每个第一决策树的温度异常区域定位结果，并对每个第一决策树的温度异常区域定位结果进行融合分析，得到第一异常区域定位结果；通过所述异常区域定位网络中的多个第二决策树对所述电流特征输入向量进行电流异常区域定位，得到每个第二决策树的电流异常区域定位结果，并对每个第二决策树的电流异常区域定位结果进行融合分析，得到第二异常区域定位结果；通过所述异常区域定位网络中的贝叶斯网络对所述第一异常区域定位结果和所述第二异常区域定位结果进行根因分析，得到PCBA异常区域定位结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410119829.7A CN117647725B (zh) | 2024-01-29 | 2024-01-29 | Pcba的老化测试方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410119829.7A CN117647725B (zh) | 2024-01-29 | 2024-01-29 | Pcba的老化测试方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117647725A CN117647725A (zh) | 2024-03-05 |
| CN117647725B true CN117647725B (zh) | 2024-04-02 |
Family
ID=90045474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410119829.7A Active CN117647725B (zh) | 2024-01-29 | 2024-01-29 | Pcba的老化测试方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117647725B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008287942A (ja) * | 2007-05-15 | 2008-11-27 | Dowa Metaltech Kk | Ｐｃｂコネクタ用オス端子及びその製造方法 |
| CN116184164A (zh) * | 2023-02-09 | 2023-05-30 | 欧朗电子科技有限公司 | 量产电控pcba老化测试异常检测系统及其检测方法 |
| CN219456394U (zh) * | 2023-02-09 | 2023-08-01 | 欧朗电子科技有限公司 | 量产电控pcba老化测试异常检测系统 |
| CN117434429A (zh) * | 2023-12-21 | 2024-01-23 | 蓝芯存储技术(赣州)有限公司 | 芯片的稳定性测试方法及相关装置 |
-
2024
- 2024-01-29 CN CN202410119829.7A patent/CN117647725B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008287942A (ja) * | 2007-05-15 | 2008-11-27 | Dowa Metaltech Kk | Ｐｃｂコネクタ用オス端子及びその製造方法 |
| CN116184164A (zh) * | 2023-02-09 | 2023-05-30 | 欧朗电子科技有限公司 | 量产电控pcba老化测试异常检测系统及其检测方法 |
| CN219456394U (zh) * | 2023-02-09 | 2023-08-01 | 欧朗电子科技有限公司 | 量产电控pcba老化测试异常检测系统 |
| CN117434429A (zh) * | 2023-12-21 | 2024-01-23 | 蓝芯存储技术(赣州)有限公司 | 芯片的稳定性测试方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117647725A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| He et al. | A generic energy prediction model of machine tools using deep learning algorithms | |
| JP2020119605A (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| Papatheou et al. | Performance monitoring of a wind turbine using extreme function theory | |
| CN113298297B (zh) | 一种基于孤立森林与wgan网络的风电输出功率预测方法 | |
| CN112633421A (zh) | 一种用户异常用电行为检测方法及装置 | |
| Gandhi et al. | Towards data mining based decision support in manufacturing maintenance | |
| CN113888353A (zh) | 分布式光伏发电设备的能效诊断方法、系统及介质 | |
| JP2003044123A (ja) | プラント診断装置 | |
| EP4302248A1 (en) | System and method of monitoring an industrial environment | |
| CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
| CN116627116B (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
| Melendez et al. | Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units | |
| CN117647725B (zh) | Pcba的老化测试方法及系统 | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| Cohen et al. | Fault diagnosis of timed event systems: An exploration of machine learning methods | |
| RU2699685C1 (ru) | Способ анализа и контроля состояния технической установки, содержащей множество динамических систем | |
| Febriansyah et al. | Outlier detection and decision tree for wireless sensor network fault diagnosis | |
| Song et al. | Sparse adjacency forecasting and its application to efficient root cause diagnosis of process faults | |
| CN117439146B (zh) | 充电桩的数据分析控制方法及系统 | |
| CN117829002B (zh) | 电力线缆的老化诊断监测方法及系统 | |
| Ingole et al. | Investigation of Different Regression Models For The Predictive Maintenance of Aircraft's Engine | |
| Bieber et al. | The impact of metrics on the choice of prognostic methodologies | |
| Forest et al. | Interpretable Prognostics with Concept Bottleneck Models | |
| Chen et al. | A Method for Measurement Data Modeling and High-Dimensional Outlier Detection Based on Large Dimensional Matrix |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |