CN117214650B - 一种二极管综合性能智能检测方法及*** - Google Patents
一种二极管综合性能智能检测方法及*** Download PDFInfo
- Publication number
- CN117214650B CN117214650B CN202311482316.4A CN202311482316A CN117214650B CN 117214650 B CN117214650 B CN 117214650B CN 202311482316 A CN202311482316 A CN 202311482316A CN 117214650 B CN117214650 B CN 117214650B
- Authority
- CN
- China
- Prior art keywords
- diode
- detection
- performance
- data
- batch
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 218
- 230000000712 assembly Effects 0.000 claims abstract description 24
- 238000000429 assembly Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000011056 performance test Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000003556 assay Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 11
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000007689 inspection Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明公开了一种二极管综合性能智能检测方法及***,涉及二极管检测技术领域,包括:确定二极管的性能检测参数;获取学习数据;获取二极管的标准性能数据和性能数据标准偏差率;确定二极管的性能数据最大允许偏差率;确定二极管同批检测的最优数量;按照最优数量,划分批次;获得每个批次的二极管检测组件;获得每个批次的二极管检测组件的总性能检测数据;判断二极管检测组件是否合格。本发明的优点在于:通过高精度的检测算法和智能化的处理方式,能够快速、准确地识别出不良品,能够大幅缩短二极管检测时间,提高生产效率,降低二极管生产成本。
Description
技术领域
本发明涉及二极管检测技术领域,具体是涉及一种二极管综合性能智能检测方法及***。
背景技术
二极管元器件是用半导体材料制成的一种电子器件。二极管元器件有两个电极,正极,又叫阳极;负极,又叫阴极,给二极管元器件两极间加上正向电压时,二极管元器件导通, 加上反向电压时,二极管元器件截止。
二极管元器件的正反向导电性能是衡量二极管元器件性能的重要指标,因此在二极管元器件加工完成后需要对二极管元器件进行正反向导电性能检测,现有的检测方法有全检和抽检两种方式,全检的方式检测量大,检测效率低,抽检的方式,检测精度不高,易出现不良品漏检。
发明内容
为解决上述技术问题,提供一种二极管综合性能智能检测方法及***,本技术方案解决了上述的现有的检测方法有全检和抽检两种方式,全检的方式检测量大,检测效率低,抽检的方式,检测精度不高,易出现不良品漏检的问题。
为达到以上目的,本发明采用的技术方案为:
一种二极管综合性能智能检测方法,包括:
基于二极管的种类属性,确定二极管的性能检测参数;
设定一数据学习周期,获取与当前时刻最接近的学习周期内所有二极管的历史性能检测数据,记为学习数据;
通过学习数据进行分析,获取二极管的标准性能数据和性能数据标准偏差率;
基于二极管的属性,确定二极管的性能检测参数的需求阈值,基于二极管的性能检测参数的需求阈值和二极管的标准性能数据,确定二极管的性能数据最大允许偏差率;
基于二极管的性能数据标准偏差率和二极管的性能数据最大允许偏差率,确定二极管同批检测的最优数量;
按照最优数量,对待检测的二极管进行划分批次,并对不同批次的二极管进行编号,获得与待检测的二极管批次一一对应的批次编号;
对每个批次的二极管采用串联和/或并联的方式进行连接,获得每个批次的二极管检测组件;
对每个批次的二极管检测组件进行上电检测,获得每个批次的二极管检测组件的总性能检测数据;
基于每个批次的二极管检测组件的总性能检测数据,判断二极管检测组件是否合格,若是,将该批次的所有二极管标记为性能检测合格,若否,则对该批次的所有二极管依次进行单独性能检测。
优选的,所述通过学习数据进行分析,获取二极管的标准性能数据和性能数据标准偏差率具体包括:
对所有学习数据进行预处理,将学习数据不符合正态分布的离群值进行剔除,获得标准值训练数据;
求取所有标准值训练数据的平均值,作为二极管的标准性能数据;
通过标准偏差率计算公式,计算二极管的性能数据标准偏差率;
其中,所述标准偏差率计算公式为:
式中,为二极管的性能数据标准偏差率,/>为标准值训练数据总数量,/>为第i个标准值训练数据。
优选的,所述对所有学习数据进行预处理,将学习数据不符合正态分布的离群值进行剔除,获得标准值训练数据具体包括:
确定一检定水平,所述检定水平的取值范围为0.01-0.1;
基于检定水平和学习数据总数量,与格拉布斯表中查取对应的偏差阈值;
基于格拉布斯准则,构建异常值判定不等式,并基于异常值判定不等式,剔除所有学习数据中的异常值,得到标准值训练数据。
优选的,所述异常值判定不等式为:
式中,为学***均值,/>为所有学习数据的标准差,/>为第i个学习数据;
若满足异常值判定不等式,则/>为学习数据中的异常值。
优选的,所述基于二极管的性能检测参数的需求阈值和二极管的标准性能数据,确定二极管的性能数据最大允许偏差率具体包括:
计算二极管的性能检测参数的需求阈值与二极管的标准性能数据之间的差值,记为最大允许偏差值;
将最大允许偏差值与二极管的标准性能数据的比值,作为二极管的性能数据最大允许偏差率。
优选的,所述基于二极管的性能数据标准偏差率和二极管的性能数据最大允许偏差率,确定二极管同批检测的最优数量包括:
构建最优数量确定不等式组;
将二极管的性能数据标准偏差率和二极管的性能数据最大允许偏差率,代入最优数量确定不等式组中,确定唯一解,即为二极管同批检测的最优数量;
所述最优数量确定不等式组为:
式中,为二极管同批检测的最优数量,/>为最大允许偏差率。
优选的,所述基于每个批次的二极管检测组件的总性能检测数据,判断二极管检测组件是否合格具体包括:
检测获得每个批次的二极管检测组件的总性能检测值;
基于每个批次的二极管检测组件的总性能检测值,通过总偏差公式计算出每个批次的二极管检测组件的总性能偏差率;
判断二极管检测组件的总性能偏差率是否大于最大允许偏差率,若是,则判定二极管检测组件不合格,若否,则判定二极管检测组件合格。
优选的,所述总偏差公式为:
式中,为二极管检测组件的总性能偏差率,/>为每个批次的二极管检测组件的总性能检测值,/>为二极管的标准性能数据。
进一步的,提出一种二极管综合性能智能检测***,用于实现如上述的二极管综合性能智能检测方法,包括:
存储模块,所述存储模块用于存储二极管的历史性能检测数据;
数据学习模块,所述数据学习模块与所述存储模块电性连接,所述数据学习模块用于通过学习数据进行分析,获取二极管的标准性能数据和性能数据标准偏差率;
检测规划模块,所述检测规划模块与所述数据学习模块电性连接,所述检测规划模块用于基于二极管的性能数据标准偏差率和二极管的性能数据最大允许偏差率,确定二极管同批检测的最优数量和按照最优数量,对待检测的二极管进行划分批次,并对不同批次的二极管进行编号,获得与待检测的二极管批次一一对应的批次编号;
性能检测装置,所述性能检测装置用于对每个批次的二极管采用串联和/或并联的方式进行连接,获得每个批次的二极管检测组件和对每个批次的二极管检测组件进行上电检测,获得每个批次的二极管检测组件的总性能检测数据;
检测分析模块,所述检测分析模块与所述性能检测装置电性连接,所述检测分析模块用于基于每个批次的二极管检测组件的总性能检测数据,判断二极管检测组件是否合格。
与现有技术相比,本发明的有益效果在于:
本发明提出一种二极管综合性能智能检测方案,基于实际的加工经验中相同加工产线中加工出的产品的性能参数的正常波动偏差进行合理性的规划设计多个二极管同时检测的检测方案,可在满足二极管不良品检出精度的基础上,能够极大的提高二极管的检测效率。通过高精度的检测算法和智能化的处理方式,能够快速、准确地识别出不良品,有效防止二极管不良品流入市场。这样可以确保二极管产品的出厂良率,提供更加优质的产品。同时,能够大幅缩短检测时间,提高生产效率,降低生产成本。
附图说明
图1为本发明提出的二极管综合性能智能检测方法流程图;
图2为本发明中的获取二极管的标准性能数据和性能数据标准偏差率的方法流程图;
图3为本发明中的获得标准值训练数据的方法流程图;
图4为本发明中的确定二极管的性能数据最大允许偏差率的方法流程图;
图5为本发明中的确定二极管同批检测的最优数量的方法流程图;
图6为本发明中的判断二极管检测组件是否合格的方法流程图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。
参照图1所示,一种二极管综合性能智能检测方法,包括:
基于二极管的种类属性,确定二极管的性能检测参数;
设定一数据学习周期,获取与当前时刻最接近的学习周期内所有二极管的历史性能检测数据,记为学习数据;
通过学习数据进行分析,获取二极管的标准性能数据和性能数据标准偏差率;
基于二极管的属性,确定二极管的性能检测参数的需求阈值,基于二极管的性能检测参数的需求阈值和二极管的标准性能数据,确定二极管的性能数据最大允许偏差率;
基于二极管的性能数据标准偏差率和二极管的性能数据最大允许偏差率,确定二极管同批检测的最优数量;
按照最优数量,对待检测的二极管进行划分批次,并对不同批次的二极管进行编号,获得与待检测的二极管批次一一对应的批次编号;
对每个批次的二极管采用串联和/或并联的方式进行连接,获得每个批次的二极管检测组件;
对每个批次的二极管检测组件进行上电检测,获得每个批次的二极管检测组件的总性能检测数据;
基于每个批次的二极管检测组件的总性能检测数据,判断二极管检测组件是否合格,若是,将该批次的所有二极管标记为性能检测合格,若否,则对该批次的所有二极管依次进行单独性能检测。
本方案基于实际的加工经验中相同加工产线中加工出的产品的性能参数的正常波动偏差进行合理性的规划设计多个二极管同时检测的检测方案,可在满足二极管不良品检出精度的基础上,能够极大的提高二极管的检测效率。通过高精度的检测算法和智能化的处理方式,能够快速、准确地识别出不良品。
参照图2所示,通过学习数据进行分析,获取二极管的标准性能数据和性能数据标准偏差率具体包括:
对所有学习数据进行预处理,将学习数据不符合正态分布的离群值进行剔除,获得标准值训练数据;
求取所有标准值训练数据的平均值,作为二极管的标准性能数据;
通过标准偏差率计算公式,计算二极管的性能数据标准偏差率;
其中,标准偏差率计算公式为:
式中,为二极管的性能数据标准偏差率,/>为标准值训练数据总数量,/>为第i个标准值训练数据。
可以理解是,在正常的二极管加工过程中,相同生产环境下生产出的二极管通常具有着相同的性能参数,极少发生性能波动,基于此,本方案通过对若干个加工出的二极管的历史性能检测数据进行综合分析,得到二极管的标准性能数据和性能数据标准偏差率,该数据可有效的反映当前二极管的标准加工状态。
参照图3所示,对所有学习数据进行预处理,将学习数据不符合正态分布的离群值进行剔除,获得标准值训练数据具体包括:
确定一检定水平,检定水平的取值范围为0.01-0.1;
基于检定水平和学习数据总数量,与格拉布斯表中查取对应的偏差阈值;
基于格拉布斯准则,构建异常值判定不等式,并基于异常值判定不等式,剔除所有学习数据中的异常值,得到标准值训练数据。
异常值判定不等式为:
式中,为学***均值,/>为所有学习数据的标准差,/>为第i个学习数据;
若满足异常值判定不等式,则/>为学习数据中的异常值。
可以理解是,在二极管的加工过程中,会存在偶然事件导致的二极管性能发生异常,为避免这些偶然事件对二极管标准性能计算的影响,在进行二极管的标准性能数据和性能数据标准偏差率的训练学习时,进行剔除掉学习数据中的异常值,进而有效的保证计算出的二极管的标准性能数据和性能数据标准偏差率的精准度。
参照图4所示,基于二极管的性能检测参数的需求阈值和二极管的标准性能数据,确定二极管的性能数据最大允许偏差率具体包括:
计算二极管的性能检测参数的需求阈值与二极管的标准性能数据之间的差值,记为最大允许偏差值;
将最大允许偏差值与二极管的标准性能数据的比值,作为二极管的性能数据最大允许偏差率。
可以理解是,对于二极管的正反向导电性能均具有着单项优异性的特征,正向电阻率越低越佳,反向电阻率越高越佳,因此,在进行检测二极管性能时,只需要考虑导电性能单向满足条件即可,基于二极管的性能检测参数的需求阈值与二极管的标准性能数据计算出的二极管的性能数据最大允许偏差率,可有效的反映出二极管的不良品检出指标。
参照图5所示,基于二极管的性能数据标准偏差率和二极管的性能数据最大允许偏差率,确定二极管同批检测的最优数量包括:
构建最优数量确定不等式组;
将二极管的性能数据标准偏差率和二极管的性能数据最大允许偏差率,代入最优数量确定不等式组中,确定唯一解,即为二极管同批检测的最优数量;
最优数量确定不等式组为:
式中,为二极管同批检测的最优数量,/>为最大允许偏差率。
参照图6所示,基于每个批次的二极管检测组件的总性能检测数据,判断二极管检测组件是否合格具体包括:
检测获得每个批次的二极管检测组件的总性能检测值;
基于每个批次的二极管检测组件的总性能检测值,通过总偏差公式计算出每个批次的二极管检测组件的总性能偏差率;
判断二极管检测组件的总性能偏差率是否大于最大允许偏差率,若是,则判定二极管检测组件不合格,若否,则判定二极管检测组件合格。
总偏差公式为:
式中,为二极管检测组件的总性能偏差率,/>为每个批次的二极管检测组件的总性能检测值,/>为二极管的标准性能数据。
可以理解是,在二极管检测过程中,需要进行关注的二极管性能检测数据,一是二极管性能检测数据的异常偏差,二是二极管性能检测数据超过需求阈值,基于此,本方案在构建最优数量确定不等式组时,使所有处于正常偏差范围内的二极管的总偏差值之和的两倍依旧小于最大允许偏差率的最大二极管数据作为最优数量,采用该数量组成的二极管检测组件进行检测时,只要其中出现任意一个二极管的性能数据未达到需求阈值,即使其他所有的二极管均为偏向高品质的优良性能数据,依旧可以检出,因此,在检测时,只需对出现二极管检测组件的总性能偏差率大于最大允许偏差率的情况进行复检即可,通过此方式,能够快速、准确地识别出不良品,有效防止二极管不良品流入市场。这样可以确保二极管产品的出厂良率,提供更加优质的产品。
进一步的,基于与上述二极管综合性能智能检测方法相同的发明构思,本方案还提出一种二极管综合性能智能检测***,包括:
存储模块,存储模块用于存储二极管的历史性能检测数据;
数据学习模块,数据学习模块与存储模块电性连接,数据学习模块用于通过学习数据进行分析,获取二极管的标准性能数据和性能数据标准偏差率;
检测规划模块,检测规划模块与数据学习模块电性连接,检测规划模块用于基于二极管的性能数据标准偏差率和二极管的性能数据最大允许偏差率,确定二极管同批检测的最优数量和按照最优数量,对待检测的二极管进行划分批次,并对不同批次的二极管进行编号,获得与待检测的二极管批次一一对应的批次编号;
性能检测装置,性能检测装置用于对每个批次的二极管采用串联和/或并联的方式进行连接,获得每个批次的二极管检测组件和对每个批次的二极管检测组件进行上电检测,获得每个批次的二极管检测组件的总性能检测数据;
检测分析模块,检测分析模块与性能检测装置电性连接,检测分析模块用于基于每个批次的二极管检测组件的总性能检测数据,判断二极管检测组件是否合格。
上述二极管综合性能智能检测***的使用过程为:
步骤一:数据学***均值,作为二极管的标准性能数据,再通过标准偏差率计算公式,计算二极管的性能数据标准偏差率;
步骤二:检测规划模块计算二极管的性能检测参数的需求阈值与二极管的标准性能数据之间的差值,记为最大允许偏差值并将最大允许偏差值与二极管的标准性能数据的比值,作为二极管的性能数据最大允许偏差率,之后构建最优数量确定不等式组,再将二极管的性能数据标准偏差率和二极管的性能数据最大允许偏差率,代入最优数量确定不等式组中,确定唯一解,即为二极管同批检测的最优数量;
步骤三:性能检测装置对每个批次的二极管采用串联和/或并联的方式进行连接,获得每个批次的二极管检测组件,之后对每个批次的二极管检测组件进行上电检测,获得每个批次的二极管检测组件的总性能检测数据;
步骤四:检测分析模块基于每个批次的二极管检测组件的总性能检测值,通过总偏差公式计算出每个批次的二极管检测组件的总性能偏差率,之后判断二极管检测组件的总性能偏差率是否大于最大允许偏差率,若是,则判定二极管检测组件不合格,若否,则判定二极管检测组件合格。
综上所述,本发明的优点在于:通过高精度的检测算法和智能化的处理方式,能够快速、准确地识别出不良品,能够大幅缩短二极管检测时间,提高生产效率,降低二极管生产成本。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (6)
1.一种二极管综合性能智能检测方法,其特征在于,包括:
基于二极管的种类属性,确定二极管的性能检测参数;
设定一数据学习周期,获取与当前时刻最接近的学习周期内所有二极管的历史性能检测数据,记为学习数据;
通过学习数据进行分析,获取二极管的标准性能数据和性能数据标准偏差率;
基于二极管的属性,确定二极管的性能检测参数的需求阈值,基于二极管的性能检测参数的需求阈值和二极管的标准性能数据,确定二极管的性能数据最大允许偏差率;
基于二极管的性能数据标准偏差率和二极管的性能数据最大允许偏差率,确定二极管同批检测的最优数量;
按照最优数量,对待检测的二极管进行划分批次,并对不同批次的二极管进行编号,获得与待检测的二极管批次一一对应的批次编号;
对每个批次的二极管采用串联和/或并联的方式进行连接,获得每个批次的二极管检测组件;
对每个批次的二极管检测组件进行上电检测,获得每个批次的二极管检测组件的总性能检测数据;
基于每个批次的二极管检测组件的总性能检测数据,判断二极管检测组件是否合格,若是,将该批次的所有二极管标记为性能检测合格,若否,则对该批次的所有二极管依次进行单独性能检测;
所述通过学习数据进行分析,获取二极管的标准性能数据和性能数据标准偏差率具体包括:
对所有学习数据进行预处理,将学习数据不符合正态分布的离群值进行剔除,获得标准值训练数据;
求取所有标准值训练数据的平均值,作为二极管的标准性能数据;
通过标准偏差率计算公式,计算二极管的性能数据标准偏差率;
其中,所述标准偏差率计算公式为:
,
式中,为二极管的性能数据标准偏差率,/>为标准值训练数据总数量,/>为第i个标准值训练数据;
所述基于二极管的性能检测参数的需求阈值和二极管的标准性能数据,确定二极管的性能数据最大允许偏差率具体包括:
计算二极管的性能检测参数的需求阈值与二极管的标准性能数据之间的差值,记为最大允许偏差值;
将最大允许偏差值与二极管的标准性能数据的比值,作为二极管的性能数据最大允许偏差率;
所述基于二极管的性能数据标准偏差率和二极管的性能数据最大允许偏差率,确定二极管同批检测的最优数量包括:
构建最优数量确定不等式组;
将二极管的性能数据标准偏差率和二极管的性能数据最大允许偏差率,代入最优数量确定不等式组中,确定唯一解,即为二极管同批检测的最优数量;
所述最优数量确定不等式组为:
,
式中,为二极管同批检测的最优数量,/>为最大允许偏差率。
2.根据权利要求1所述的一种二极管综合性能智能检测方法,其特征在于,所述对所有学习数据进行预处理,将学习数据不符合正态分布的离群值进行剔除,获得标准值训练数据具体包括:
确定一检定水平,所述检定水平的取值范围为0.01-0.1;
基于检定水平和学习数据总数量,与格拉布斯表中查取对应的偏差阈值;
基于格拉布斯准则,构建异常值判定不等式,并基于异常值判定不等式,剔除所有学习数据中的异常值,得到标准值训练数据。
3.根据权利要求2所述的一种二极管综合性能智能检测方法,其特征在于,所述异常值判定不等式为:
,
式中,为学***均值,/>为所有学习数据的标准差,/>为第i个学习数据;
若满足异常值判定不等式,则/>为学习数据中的异常值。
4.根据权利要求3所述的一种二极管综合性能智能检测方法,其特征在于,所述基于每个批次的二极管检测组件的总性能检测数据,判断二极管检测组件是否合格具体包括:
检测获得每个批次的二极管检测组件的总性能检测值;
基于每个批次的二极管检测组件的总性能检测值,通过总偏差公式计算出每个批次的二极管检测组件的总性能偏差率;
判断二极管检测组件的总性能偏差率是否大于最大允许偏差率,若是,则判定二极管检测组件不合格,若否,则判定二极管检测组件合格。
5.根据权利要求4所述的一种二极管综合性能智能检测方法,其特征在于,所述总偏差公式为:
,
式中,为二极管检测组件的总性能偏差率,/>为每个批次的二极管检测组件的总性能检测值,/>为二极管的标准性能数据。
6.一种二极管综合性能智能检测***,其特征在于,用于实现如权利要求1-5任一项所述的二极管综合性能智能检测方法,包括:
存储模块,所述存储模块用于存储二极管的历史性能检测数据;
数据学习模块,所述数据学习模块与所述存储模块电性连接,所述数据学习模块用于通过学习数据进行分析,获取二极管的标准性能数据和性能数据标准偏差率;
检测规划模块,所述检测规划模块与所述数据学习模块电性连接,所述检测规划模块用于基于二极管的性能数据标准偏差率和二极管的性能数据最大允许偏差率,确定二极管同批检测的最优数量和按照最优数量,对待检测的二极管进行划分批次,并对不同批次的二极管进行编号,获得与待检测的二极管批次一一对应的批次编号;
性能检测装置,所述性能检测装置用于对每个批次的二极管采用串联和/或并联的方式进行连接,获得每个批次的二极管检测组件和对每个批次的二极管检测组件进行上电检测,获得每个批次的二极管检测组件的总性能检测数据;
检测分析模块,所述检测分析模块与所述性能检测装置电性连接,所述检测分析模块用于基于每个批次的二极管检测组件的总性能检测数据,判断二极管检测组件是否合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311482316.4A CN117214650B (zh) | 2023-11-09 | 2023-11-09 | 一种二极管综合性能智能检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311482316.4A CN117214650B (zh) | 2023-11-09 | 2023-11-09 | 一种二极管综合性能智能检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117214650A CN117214650A (zh) | 2023-12-12 |
CN117214650B true CN117214650B (zh) | 2024-01-26 |
Family
ID=89049677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311482316.4A Active CN117214650B (zh) | 2023-11-09 | 2023-11-09 | 一种二极管综合性能智能检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117214650B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004080865A (ja) * | 2002-08-12 | 2004-03-11 | Nissan Motor Co Ltd | 半導体の異常診断回路 |
CN102723754A (zh) * | 2012-06-01 | 2012-10-10 | 惠州市亿能电子有限公司 | 电池管理***电池组采集线断线识别电路及识别方法 |
CN107941421A (zh) * | 2017-11-06 | 2018-04-20 | 歌尔股份有限公司 | 一种产品的气密性测试方法和装置 |
CN111324502A (zh) * | 2018-12-13 | 2020-06-23 | 英业达科技有限公司 | 批量测试***及其方法 |
CN111381124A (zh) * | 2020-03-18 | 2020-07-07 | 清华大学 | 一种应用于航天电源的储能型超级电容筛选方法 |
CN113162908A (zh) * | 2021-03-04 | 2021-07-23 | 中国科学院信息工程研究所 | 一种基于深度学习的加密流量检测方法及*** |
CN115598162A (zh) * | 2021-12-21 | 2023-01-13 | 三峡大学(Cn) | 基于堆叠式模型的土壤重金属含量检测方法 |
CN116309378A (zh) * | 2023-02-24 | 2023-06-23 | 杭州珍林网络技术有限公司 | 一种基于人工智能的电子产品智能检测*** |
-
2023
- 2023-11-09 CN CN202311482316.4A patent/CN117214650B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004080865A (ja) * | 2002-08-12 | 2004-03-11 | Nissan Motor Co Ltd | 半導体の異常診断回路 |
CN102723754A (zh) * | 2012-06-01 | 2012-10-10 | 惠州市亿能电子有限公司 | 电池管理***电池组采集线断线识别电路及识别方法 |
CN107941421A (zh) * | 2017-11-06 | 2018-04-20 | 歌尔股份有限公司 | 一种产品的气密性测试方法和装置 |
CN111324502A (zh) * | 2018-12-13 | 2020-06-23 | 英业达科技有限公司 | 批量测试***及其方法 |
CN111381124A (zh) * | 2020-03-18 | 2020-07-07 | 清华大学 | 一种应用于航天电源的储能型超级电容筛选方法 |
CN113162908A (zh) * | 2021-03-04 | 2021-07-23 | 中国科学院信息工程研究所 | 一种基于深度学习的加密流量检测方法及*** |
CN115598162A (zh) * | 2021-12-21 | 2023-01-13 | 三峡大学(Cn) | 基于堆叠式模型的土壤重金属含量检测方法 |
CN116309378A (zh) * | 2023-02-24 | 2023-06-23 | 杭州珍林网络技术有限公司 | 一种基于人工智能的电子产品智能检测*** |
Also Published As
Publication number | Publication date |
---|---|
CN117214650A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116502112B (zh) | 一种新能源电源测试数据管理方法及*** | |
CN108306065A (zh) | 锂离子电池配组方法及锂离子电池配组*** | |
CN116245256B (zh) | 一种结合多因素的电容器质量预测方法、***及存储介质 | |
CN113406502B (zh) | 基于机器学习的缺陷电池筛选方法、设备及介质 | |
CN113820615B (zh) | 一种电池健康度检测方法与装置 | |
CN112858916B (zh) | 一种基于模型与数据驱动融合的电池包荷电状态估计方法 | |
CN112816889B (zh) | 一种锂离子电池dcr测试结果的修正方法 | |
CN113484764B (zh) | 基于多维阻抗谱的退役电池soh和一致性的评估方法 | |
CN116298993A (zh) | 一种电芯内阻异常识别方法、装置及终端设备 | |
CN114130713B (zh) | 一种电池梯次利用的筛选方法及装置 | |
CN117214650B (zh) | 一种二极管综合性能智能检测方法及*** | |
CN112748348B (zh) | 电池低温性能分布水平检测方法、***及存储介质 | |
CN114280485A (zh) | Soc估算及一致性评估方法、装置、计算机设备 | |
CN112871759B (zh) | 一种锂电池压降测评方法及*** | |
CN113447838A (zh) | 一种锂电池自放电检测方法及装置 | |
CN114374003A (zh) | 一种识别两轮车用深循环电池内化成充电微短路的方法 | |
CN116976754B (zh) | 一种高精度电容测量方法 | |
CN110297189B (zh) | 一种电池模组中单串电池的一致性评估方法 | |
CN116500467B (zh) | 低温区间中电池充电能力的检测方法和装置 | |
CN219320457U (zh) | 一种电池电量计芯片及具备其的电子设备 | |
CN118275929B (zh) | 一种电池包温度异常检测方法、***、介质和设备 | |
CN118070198B (zh) | 测试异常的分析方法及装置、可读存储介质、终端 | |
CN111064242B (zh) | 一种锂电电源放电电压检测方法及锂电电源供电电路 | |
CN118050616A (zh) | 显示模组用柔性fpc排线的可靠性测试方法及*** | |
CN115995621A (zh) | 一种用于电池检测的测试*** |
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 |