CN117630649B - Pcba的测试方法、装置、设备及存储介质 - Google Patents
Pcba的测试方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117630649B CN117630649B CN202410110673.6A CN202410110673A CN117630649B CN 117630649 B CN117630649 B CN 117630649B CN 202410110673 A CN202410110673 A CN 202410110673A CN 117630649 B CN117630649 B CN 117630649B
- Authority
- CN
- China
- Prior art keywords
- electromagnetic
- pcba
- target
- temperature
- data
- 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 210
- 238000012360 testing method Methods 0.000 title claims abstract description 134
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 241
- 238000010438 heat treatment Methods 0.000 claims abstract description 190
- 239000013598 vector Substances 0.000 claims abstract description 153
- 238000003466 welding Methods 0.000 claims abstract description 125
- 238000001514 detection method Methods 0.000 claims abstract description 102
- 238000009826 distribution Methods 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000005457 optimization Methods 0.000 claims abstract description 54
- 230000004927 fusion Effects 0.000 claims abstract description 53
- 239000000463 material Substances 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000010992 reflux Methods 0.000 claims abstract description 33
- 206010057040 Temperature intolerance Diseases 0.000 claims abstract description 23
- 230000008543 heat sensitivity Effects 0.000 claims abstract description 23
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 83
- 238000005476 soldering Methods 0.000 claims description 54
- 230000005653 Brownian motion process Effects 0.000 claims description 40
- 238000009792 diffusion process Methods 0.000 claims description 38
- 230000002068 genetic effect Effects 0.000 claims description 31
- 230000002457 bidirectional effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013439 planning Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010998 test method Methods 0.000 claims description 6
- 238000010206 sensitivity analysis Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 36
- 238000004519 manufacturing process Methods 0.000 description 10
- 230000008542 thermal sensitivity Effects 0.000 description 10
- 230000006399 behavior Effects 0.000 description 7
- 230000006378 damage Effects 0.000 description 6
- 230000005670 electromagnetic radiation Effects 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 6
- 238000001816 cooling Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 229910001092 metal group alloy Inorganic materials 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 229910000679 solder Inorganic materials 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011152 fibreglass Substances 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 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
- 150000003071 polychlorinated biphenyls Chemical class 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000003685 thermal hair damage Effects 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本申请涉及PCBA测试技术领域,公开了一种PCBA的测试方法、装置、设备及存储介质。所述方法包括:获取目标PCBA的材质信息以及电子组件的热敏感性并创建第一回流加热曲线;进行多次回流加热测试和检测,得到目标温度分布数据和目标电磁特性数据;进行温度变化特征分析和电磁特性变化分析;进行向量转换和特征融合,得到温度变化特征向量、电磁变化特征向量以及融合变化特征向量;通过PCBA焊接故障检测模型进行PCBA焊接故障检测,得到PCBA焊接故障检测结果;对第一回流加热曲线进行曲线优化,得到第二回流加热曲线,本申请实现了PCBA回流加热的自适应优化并提高了PCBA的焊接测试准确率。
Description
技术领域
本申请涉及PCBA测试技术领域,尤其涉及一种PCBA的测试方法、装置、设备及存储介质。
背景技术
随着电子产品的不断发展和智能化趋势,PCBA在各行业中的应用日益广泛。
在当前PCBA生产中,传统的测试方法难以全面评估焊接质量,如对PCBA材质和热敏感性的细致分析不足,以及在测试过程中如何准确获取温度分布和电磁特性数据的挑战,进而导致现有技术的准确率低。
发明内容
本申请提供了一种PCBA的测试方法、装置、设备及存储介质,本申请实现了PCBA回流加热的自适应优化并提高了PCBA的焊接测试准确率。
第一方面,本申请提供了一种PCBA的测试方法,所述PCBA的测试方法包括:
获取目标PCBA的材质信息以及电子组件的热敏感性,并根据所述材质信息和所述热敏感性创建所述目标PCBA的第一回流加热曲线;
根据所述第一回流加热曲线对所述目标PCBA进行多次回流加热测试和温度分布检测,得到每次回流加热测试的目标温度分布数据,并对所述目标PCBA进行电磁特性测量,得到每次回流加热测试的目标电磁特性数据;
基于第一Wiener过程模型对每次回流加热测试的目标温度分布数据进行温度变化特征分析,得到温度变化特征集合,并基于第二Wiener过程模型对每次回流加热测试的目标电磁特性数据进行电磁特性变化分析,得到电磁变化特征集合;
分别对所述温度变化特征集合和所述电磁变化特征集合进行相关系数分析,得到特征相关系数,并根据所述特征相关系数对所述温度变化特征集合和所述电磁变化特征集合进行向量转换和特征融合,得到温度变化特征向量、电磁变化特征向量以及融合变化特征向量;
将所述温度变化特征向量、所述电磁变化特征向量以及所述融合变化特征向量输入预置的PCBA焊接故障检测模型进行PCBA焊接故障检测,得到PCBA焊接故障检测结果;
通过预置的双层规划求解算法,根据所述PCBA焊接故障检测结果对所述第一回流加热曲线进行曲线优化,得到所述目标PCBA的第二回流加热曲线。
第二方面,本申请提供了一种PCBA的测试装置,所述PCBA的测试装置包括:
获取模块,用于获取目标PCBA的材质信息以及电子组件的热敏感性,并根据所述材质信息和所述热敏感性创建所述目标PCBA的第一回流加热曲线;
测试模块,用于根据所述第一回流加热曲线对所述目标PCBA进行多次回流加热测试和温度分布检测,得到每次回流加热测试的目标温度分布数据,并对所述目标PCBA进行电磁特性测量,得到每次回流加热测试的目标电磁特性数据;
分析模块,用于基于第一Wiener过程模型对每次回流加热测试的目标温度分布数据进行温度变化特征分析,得到温度变化特征集合,并基于第二Wiener过程模型对每次回流加热测试的目标电磁特性数据进行电磁特性变化分析,得到电磁变化特征集合;
转换模块,用于分别对所述温度变化特征集合和所述电磁变化特征集合进行相关系数分析,得到特征相关系数,并根据所述特征相关系数对所述温度变化特征集合和所述电磁变化特征集合进行向量转换和特征融合,得到温度变化特征向量、电磁变化特征向量以及融合变化特征向量;
检测模块,用于将所述温度变化特征向量、所述电磁变化特征向量以及所述融合变化特征向量输入预置的PCBA焊接故障检测模型进行PCBA焊接故障检测,得到PCBA焊接故障检测结果;
优化模块,用于通过预置的双层规划求解算法,根据所述PCBA焊接故障检测结果对所述第一回流加热曲线进行曲线优化,得到所述目标PCBA的第二回流加热曲线。
本申请第三方面提供了一种计算机设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述计算机设备执行上述的PCBA的测试方法。
本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的PCBA的测试方法。
本申请提供的技术方案中,通过分析PCBA的材质信息和电子组件的热敏感性,预测回流焊接温度点和温度范围,有助于提前识别潜在的焊接质量问题。通过多次回流加热测试和温度分布检测,获取目标温度分布数据和电磁特性数据,为焊接质量的预测和控制提供了准确的数据支持。使用第一Wiener过程模型对温度分布数据进行分析,可以捕捉到温度变化的漂移和扩散特性,为后续的故障检测提供了更深入的温度信息。基于第二Wiener过程模型对电磁特性数据进行分析,可以获得电磁变化的漂移和扩散特性,提高了对电磁特性变化的理解。通过对温度变化特征集合和电磁变化特征集合进行相关系数分析,可以量化它们之间的关联程度,提高了对不同特征之间关系的理解。进行向量转换和特征融合,得到温度变化特征向量、电磁变化特征向量以及融合变化特征向量,有助于综合考虑多个特征对焊接质量的影响,提高了故障检测的准确性。利用预置的PCBA焊接故障检测模型,将提取的特征向量输入模型,实现对PCBA焊接质量的全面检测。通过结合温度影响因素、电磁影响因素和综合影响因素的检测结果,提高了对焊接故障的全面判断能力。通过双层规划算法对第一回流加热曲线进行曲线优化,实现了对焊接过程的精细控制,提高了焊接质量和生产效率。可以同时考虑多个优化目标,如提高焊接质量、减少能耗等,实现了多目标优化。通过对焊接过程进行综合分析和优化,减少了试错和调整的时间,提高了生产效率。通过优化加热曲线,可以更有效地利用资源,减少能源消耗,降低生产成本,进而实现了PCBA回流加热的自适应优化并提高了PCBA的焊接测试准确率。
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的测试装置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的测试方法、装置、设备及存储介质。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、***、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的测试方法的一个实施例包括:
步骤101、获取目标PCBA的材质信息以及电子组件的热敏感性,并根据材质信息和热敏感性创建目标PCBA的第一回流加热曲线;
可以理解的是,本申请的执行主体可以为PCBA的测试装置,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,获取目标PCBA的材质信息,包括电路板本身的材料以及安装在电路板上的电子组件的材料。电路板的材料包括各种类型的绝缘基板,如FR4或者金属核心PCB,这些材料对热有不同的承受能力和传导特性。同样,电子组件也有各自的热敏感性,例如一些组件在较高温度下发生形变或损坏,而其他组件对温度变化相对稳定。对目标PCBA进行层次结构分析,识别和理解PCBA上各个组件的物理位置和它们在电路中的作用,明确每个组件的热敏感性,并预测在回流焊接过程中它们受到的热影响。例如,靠近PCBA中心的组件会比边缘部分的组件经历更高的温度。预测在回流焊接过程中所需的关键温度点。这包括确定达到良好焊接所需的最低温度,以及确保不会损害任何敏感组件的最高温度。温度范围的确定需要综合考虑所有组件的热敏感性以及板材料的热特性。对目标PCBA进行回流焊接时间预测。估计将PCBA加热到所需温度所需的时间,以及保持这个温度所需的持续时间,以确保焊接质量。过长的加热时间导致组件损害,而时间太短则导致焊接不良。根据回流焊接的温度范围数据和时间数据,创建目标PCBA的第一回流加热曲线。这个曲线不仅要确保达到适宜的焊接温度,而且要在整个焊接过程中保持组件的安全。
步骤102、根据第一回流加热曲线对目标PCBA进行多次回流加热测试和温度分布检测,得到每次回流加热测试的目标温度分布数据,并对目标PCBA进行电磁特性测量,得到每次回流加热测试的目标电磁特性数据;
具体的,根据第一回流加热曲线,对目标PCBA进行多次回流加热测试。在测试过程中,通过预置的红外温度传感器对目标PCBA进行温度分布检测,捕捉到PCBA表面以及不同组件在加热过程中的温度变化,从而获得每次加热测试的初始温度分布数据。对每次回流加热测试得到的初始温度分布数据进行数据清洗和数据标准化处理。数据清洗的目的是排除那些由于传感器误差、环境干扰或数据传输错误等因素造成的异常数据,确保后续分析的准确性。数据标准化处理则是为了将这些温度数据转化为一种通用格式,从而便于比较不同测试之间的数据差异。对目标PCBA进行电磁特性测量。对PCBA在不同加热阶段的电磁响应进行检测,以获得每次回流加热测试的初始电磁特性数据。这些数据包括磁场强度数据和频率分布数据,它们有助于评估PCBA的电磁兼容性和功能性能。由于PCBA在不同的加热阶段会展现出不同的电磁特性,因此这些数据提供了对PCBA电磁行为的深入了解。对每次回流加热测试所得到的初始电磁特性数据进行尺度归一化处理,得到每次回流加热测试的目标电磁特性数据,目标电磁特性数据包括:磁场强度数据和频率分布数据。将不同测试产生的数据转化为具有可比性的标准格式,从而使得不同测试之间的电磁特性数据可以进行有效比较。
步骤103、基于第一Wiener过程模型对每次回流加热测试的目标温度分布数据进行温度变化特征分析,得到温度变化特征集合,并基于第二Wiener过程模型对每次回流加热测试的目标电磁特性数据进行电磁特性变化分析,得到电磁变化特征集合;
具体的,基于第一Wiener过程模型对每次回流加热测试的目标温度分布数据进行漂移系数和扩散系数的估计。温度漂移系数代表了温度随时间变化的趋势,而温度扩散系数则描述了这种变化的随机性或不确定性。根据得到的温度漂移系数和扩散系数,对目标温度分布数据执行Wiener过程的条件概率计算。基于当前和过去的观测数据,通过Wiener过程模型预测未来某一时刻温度的概率分布。条件概率数据反映了在给定当前温度状态下,未来温度达到某一特定值的概率。根据温度条件概率数据,对目标温度分布数据进行温度变化特征提取。从复杂的温度数据中识别出关键的变化模式,形成温度变化特征集合。这些特征有助于理解PCBA在不同阶段的加热响应,为优化焊接工艺提供重要依据。同样,采用第二Wiener过程模型,对目标电磁特性数据进行漂移系数和扩散系数的估计。电磁漂移系数表示电磁特性随时间的变化趋势,而电磁扩散系数则描述这种变化的随机性或不确定性。通过这些系数的计算,可以揭示PCBA电磁特性在加热过程中的动态变化。利用电磁漂移系数和扩散系数,执行Wiener过程的条件概率计算,为电磁特性的未来状态提供预测。电磁条件概率数据提供了在当前电磁状态下未来某一时刻电磁特性达到特定值的概率分布。根据电磁条件概率数据,对目标电磁特性数据进行电磁变化特征提取。从电磁特性数据中识别关键的变化模式,形成电磁变化特征集合。这些电磁特征有助于理解PCBA在加热过程中的电磁行为,为提高电磁兼容性和优化电磁特性提供关键信息。
步骤104、分别对温度变化特征集合和电磁变化特征集合进行相关系数分析,得到特征相关系数,并根据特征相关系数对温度变化特征集合和电磁变化特征集合进行向量转换和特征融合,得到温度变化特征向量、电磁变化特征向量以及融合变化特征向量;
具体的,对温度变化特征集合进行统计分析,计算其均值和标准差,得到整个集合中温度变化的一般趋势和分散程度。同样,通过计算电磁变化特征的均值和标准差,得到电磁特性的普遍变化模式和变异性。通过皮尔逊相关系数计算分析温度变化特征的均值和标准差与电磁变化特征的均值和标准差之间的相关性。皮尔逊相关系数是衡量两组数据之间线性相关程度的统计量,其值在-1到1之间变化,接近1或-1表示变量间存在强相关,而接近0则表示没有显著相关。对温度变化特征集合进行归一化特征映射和向量转换,将温度变化特征转换为一系列数值向量,这些向量能够更有效地表示原始数据的特征。同样,电磁变化特征集合也经过类似的归一化特征映射和向量转换过程,转化为电磁变化特征向量。根据得到的特征相关系数,对温度变化特征向量和电磁变化特征向量进行特征融合。基于两组特征间的相关性,通过数学方法将这些特征向量结合成一个综合的融合变化特征向量。
步骤105、将温度变化特征向量、电磁变化特征向量以及融合变化特征向量输入预置的PCBA焊接故障检测模型进行PCBA焊接故障检测,得到PCBA焊接故障检测结果;
具体的,将温度变化特征向量、电磁变化特征向量和融合变化特征向量输入预置的PCBA焊接故障检测模型中。该模型包含三个不同的GRU(门控循环单元)网络和一个输出层,每个网络针对不同的特征集合执行特定的功能。模型中的第一GRU网络使用双向GRU单元对温度变化特征向量进行处理。双向GRU单元能够从两个方向学习温度数据的时间序列特征,从而更全面地捕捉温度变化的动态特性,从而得到温度隐藏特征向量,它包含了温度数据的深层特征。第一GRU网络中的单向GRU单元进一步对这些隐藏特征进行分析,以检测与温度相关的PCBA焊接故障,生成第一焊接故障检测结果。第二GRU网络对电磁变化特征向量执行类似的操作。双向GRU单元提取电磁数据的隐藏特征,得到电磁隐藏特征向量。这一步骤使得模型能够理解电磁特性变化的内在模式。单向GRU单元对这些隐藏特征进行分析,识别出的与电磁特性相关的焊接故障,产生第二焊接故障检测结果。通过第三GRU网络处理融合变化特征向量。双向GRU单元从融合特征向量中提取深层次的隐藏特征,得到融合隐藏特征向量。这些隐藏特征综合了温度和电磁特性的信息,为单向GRU单元提供了更丰富的数据。单向GRU单元随后分析这些融合的隐藏特征,检测的综合性焊接故障,输出第三焊接故障检测结果。通过模型的输出层将这三个GRU网络生成的焊接故障检测结果进行整合。输出层的作用是融合来自不同源的信息,生成最终的PCBA焊接故障检测结果。这个结果综合考虑了温度、电磁以及它们综合的影响因素,提供了一个全面的焊接故障诊断。
步骤106、通过预置的双层规划求解算法,根据PCBA焊接故障检测结果对第一回流加热曲线进行曲线优化,得到目标PCBA的第二回流加热曲线。
具体的,从PCBA焊接故障检测结果中提炼出多个优化目标。这些优化目标是根据检测到的故障类型和特点确定的,旨在解决在第一回流加热曲线中识别出的具体问题,例如减少焊接缺陷、优化加热时间或改善温度分布等。获取预置的双层规划求解算法,该算法由两个主要部分组成:第一层是多个遗传算法,而第二层是线性规划算法。遗传算法是一种模拟自然选择和遗传学原理的优化算法,它通过生成、评估、选择和修改一系列解决方案的过程来寻找最优解。本实施例中,每个遗传算法都负责探索不同的优化方向,寻找满足特定约束条件的最优加热曲线。根据确定的多个优化目标双层规划求解算法中每个遗传算法的约束条件。这些约束条件指导遗传算法在搜索过程中考虑哪些因素,例如特定温度范围、加热速率或特定区域的温度分布。每个遗传算法根据这些约束条件对第一回流加热曲线进行优化,生成一系列曲线优化参数。这些参数代表了不同方案中的回流焊接条件,如温度变化、加热和冷却速率等。将曲线优化参数输入第二层的线性规划算法中。线性规划是一种数学方法,用于在给定的线性约束下找到最优解。通过综合考虑来自各个遗传算法的优化参数,并确定最终的曲线形状。线性规划算法的输出是目标PCBA的第二回流加热曲线,这条曲线结合了所有优化目标和约束条件,提供比第一次更优化的焊接条件。
本申请实施例中,通过分析PCBA的材质信息和电子组件的热敏感性,预测回流焊接温度点和温度范围,有助于提前识别潜在的焊接质量问题。通过多次回流加热测试和温度分布检测,获取目标温度分布数据和电磁特性数据,为焊接质量的预测和控制提供了准确的数据支持。使用第一Wiener过程模型对温度分布数据进行分析,可以捕捉到温度变化的漂移和扩散特性,为后续的故障检测提供了更深入的温度信息。基于第二Wiener过程模型对电磁特性数据进行分析,可以获得电磁变化的漂移和扩散特性,提高了对电磁特性变化的理解。通过对温度变化特征集合和电磁变化特征集合进行相关系数分析,可以量化它们之间的关联程度,提高了对不同特征之间关系的理解。进行向量转换和特征融合,得到温度变化特征向量、电磁变化特征向量以及融合变化特征向量,有助于综合考虑多个特征对焊接质量的影响,提高了故障检测的准确性。利用预置的PCBA焊接故障检测模型,将提取的特征向量输入模型,实现对PCBA焊接质量的全面检测。通过结合温度影响因素、电磁影响因素和综合影响因素的检测结果,提高了对焊接故障的全面判断能力。通过双层规划算法对第一回流加热曲线进行曲线优化,实现了对焊接过程的精细控制,提高了焊接质量和生产效率。可以同时考虑多个优化目标,如提高焊接质量、减少能耗等,实现了多目标优化。通过对焊接过程进行综合分析和优化,减少了试错和调整的时间,提高了生产效率。通过优化加热曲线,可以更有效地利用资源,减少能源消耗,降低生产成本,进而实现了PCBA回流加热的自适应优化并提高了PCBA的焊接测试准确率。
在一具体实施例中,执行步骤101的过程可以具体包括如下步骤:
(1)获取目标PCBA的材质信息,材质信息包括电路板的材料以及安装到电路板上面的电子组件的材质;
(2)对目标PCBA进行层次结构分析,得到目标层次结构信息,并根据电子组件的材质对电子组件进行热敏感性分析,得到电子组件的热敏感性;
(3)根据目标层次结构信息以及电子组件的热敏感性对目标PCBA进行回流焊接温度点预测,得到回流焊接温度点数据;
(4)根据回流焊接温度点数据对目标PCBA进行回流焊接温度范围预测,得到回流焊接温度范围数据,并对目标PCBA进行回流焊接时间预测,得到回流焊接时长数据;
(5)根据回流焊接温度范围数据和回流焊接时长数据创建目标PCBA的第一回流加热曲线。
具体的,获取目标PCBA的材质信息,包括电路板本身的材料以及安装在电路板上的各种电子组件的材质。例如,电路板是由FR4玻璃纤维复合材料制成,而电子组件包括铜质的导电路径、硅基的半导体器件以及各种塑料和金属合金制成的连接器和封装。每种材料对热的响应都不相同,例如硅基半导体在高温下会受损,而金属合金能够承受更高的温度。对目标PCBA进行层次结构分析。识别和理解电路板上各个电子组件的物理位置、功能以及它们之间的相互关系。例如,一个处理器位于电路板的中心区域,周围有存储器、电源管理模块和各种传感器。这种层次结构分析有助于确定焊接过程中哪些区域受到高温的影响,以及哪些组件因为热敏感性而需要特别注意。在层次结构分析的基础上,对电子组件进行热敏感性分析。评估每种组件材质在加热过程中的表现,如温度上升导致的物理或化学变化。例如,塑料封装的组件在达到一定温度时会变形,而铜质的导电路径在更高的温度下仍保持稳定。这种热敏感性分析有助于在后续的回流焊接温度点预测中考虑到每个组件的特殊需求。根据层次结构信息和电子组件的热敏感性,对目标PCBA进行回流焊接温度点预测,确定在焊接过程中需要达到的关键温度点。这些温度点基于确保焊接质量的同时防止对热敏感组件造成损害的原则。例如,如果电路板中含有特别热敏感的组件,预测的温度点会相对较低,以避免损害这些组件。基于温度点数据,进一步对目标PCBA进行回流焊接温度范围预测,确定在焊接过程中温度应该维持的范围。这个范围需要确保焊点在整个板上均匀形成,同时防止对电子组件造成热损害。对目标PCBA进行回流焊接时间预测,估算加热和冷却的持续时间,以确保焊接的质量和效率。根据回流焊接温度范围数据和时长数据,创建目标PCBA的第一回流加热曲线。这条曲线代表了整个焊接过程中温度随时间的变化,需要综合考虑上述所有因素。例如,如果电路板中含有大量热敏感组件,加热曲线会设计成温和上升,以避免快速温升导致的损害;而在一个主要由耐高温材料组成的PCBA上,加热曲线会更陡峭,以快速达到所需的焊接温度。
在一具体实施例中,执行步骤102的过程可以具体包括如下步骤:
(1)根据第一回流加热曲线对目标PCBA进行多次回流加热测试,并通过预置的红外温度传感器对目标PCBA进行温度分布检测,得到每次回流加热测试的初始温度分布数据;
(2)分别对每次回流加热测试的初始温度分布数据进行数据清洗和数据标准化处理,得到每次回流加热测试的目标温度分布数据;
(3)对目标PCBA进行电磁特性测量,得到每次回流加热测试的初始电磁特性数据;
(4)分别对每次回流加热测试的初始电磁特性数据进行尺度归一化处理,得到每次回流加热测试的目标电磁特性数据,目标电磁特性数据包括:磁场强度数据和频率分布数据。
具体的,根据第一回流加热曲线,对PCBA进行一系列的加热测试。这些实验旨在模拟焊接过程中PCBA所经历的温度变化。例如,如果第一回流加热曲线指示在焊接过程的前半部分温度应逐渐上升,那么在实验中也应确保温度按照这一模式变化。在每次加热测试中,通过预置的红外温度传感器对PCBA的温度分布进行详细检测。红外温度传感器能够无接触地测量电路板表面的温度,为每个测试点提供准确的温度读数。例如,在电路板的不同部分,如处理器附近、电源管理模块或连接器区域,红外传感器能够捕捉到这些区域在加热过程中的温度变化。这些初始温度分布数据显示了PCBA在加热过程中温度的空间分布。对初始温度分布数据进行数据清洗和标准化处理。数据清洗的目的是去除那些由于传感器误差、环境因素或其他干扰而产生的异常值。例如,如果某个区域的温度读数异常高或低,且与周围区域的读数有显著差异,这表明读数是错误的,应从分析中排除。接着进行数据标准化处理,将所有的温度数据转换为一种统一的格式,以便于分析和比较。例如,可以将所有温度读数转换为相对于环境温度的差值,或者将它们标准化到一个固定的范围内,如0到1之间。对目标PCBA进行电磁特性测量。在每次回流加热测试中,使用专业的电磁特性测量设备来捕捉PCBA的电磁响应。例如,可以测量加热过程中PCBA产生的磁场强度,以及其在不同频率下的电磁辐射。这些初始电磁特性数据提供了关于PCBA在加热条件下电磁行为的初步理解,例如,哪些部分的电磁辐射增强,哪些部分的磁场强度变化显著。对初始电磁特性数据进行尺度归一化处理,确保数据的一致性和可比性。尺度归一化涉及将电磁数据转换为一个标准的尺度,使得来自不同测试的数据可以进行有效比较。例如,可以将所有磁场强度数据转换为相对于某个标准参考值的百分比,或者将频率分布数据调整为相对于某个基准频率的偏移量。
在一具体实施例中,执行步骤103的过程可以具体包括如下步骤:
(1)基于第一Wiener过程模型对每次回流加热测试的目标温度分布数据进行漂移系数估计,得到温度漂移系数,并对每次回流加热测试的目标温度分布数据进行扩散系数估计,得到温度扩散系数;
(2)根据温度漂移系数和温度扩散系数对每次回流加热测试的目标温度分布数据进行Wiener过程的条件概率计算,得到温度条件概率数据;
(3)根据温度条件概率数据对每次回流加热测试的目标温度分布数据进行温度变化特征提取,得到温度变化特征集合;
(4)基于第二Wiener过程模型对每次回流加热测试的目标电磁特性数据进行漂移系数估计,得到电磁漂移系数,并对每次回流加热测试的目标电磁特性数据进行扩散系数估计,得到电磁扩散系数;
(5)根据电磁漂移系数和电磁扩散系数对每次回流加热测试的目标电磁特性数据进行Wiener过程的条件概率计算,得到电磁条件概率数据;
(6)根据电磁条件概率数据对每次回流加热测试的目标电磁特性数据进行电磁变化特征提取,得到电磁变化特征集合。
具体的,基于第一Wiener过程模型对每次回流加热测试中目标温度分布数据的漂移系数和扩散系数的估计,这些系数是Wiener过程模型中的关键参数,用于描述随机过程中变量的动态行为。漂移系数的估计是为了确定温度变化在时间上的平均趋势。例如,如果某次加热测试显示电路板中央区域的温度随时间呈现稳定上升趋势,则该区域的漂移系数为正值,反映了这种持续的温升趋势。相反,如果温度趋势呈下降,则漂移系数为负。漂移系数的计算需要分析不同时间点的温度数据,并从中提取这种平均变化趋势。扩散系数的估计关注的是温度变化的随机性,或者说是温度从其平均趋势偏离的程度。这可以被视为温度随机波动的“强度”。扩散系数反映了温度数据在时间上的波动情况。例如,如果在某次测试中,电路板的某个区域在加热过程中温度波动较大,这表明该区域的扩散系数较高,指示了较大的随机性。根据漂移系数和扩散系数对每次回流加热测试的目标温度分布数据进行Wiener过程的条件概率计算,预测在给定当前温度和时间条件下,未来某一时刻温度达到某一特定值的概率。例如,如果在某次加热测试中,电路板的特定区域在初始阶段温度迅速上升,那么Wiener过程模型可以帮助预测这个区域在未来某一时刻达到特定温度阈值的概率。根据温度条件概率数据,进行温度变化特征的提取。从复杂的温度分布数据中识别出关键的变化模式,形成一个包含了温度变化特征的集合。这些特征有助于更深入地了解PCBA在不同加热条件下的热行为,从而为优化焊接过程提供重要信息。同样,对每次回流加热测试中目标电磁特性数据进行漂移系数和扩散系数的估计。电磁漂移系数反映了在加热过程中磁场强度或电磁辐射水平的整体趋势,而扩散系数则描述了这些电磁特性在时间上的随机波动。基于电磁特性的漂移系数和扩散系数,进行Wiener过程的条件概率计算,预测未来某一时刻电磁特性达到特定值的概率。例如,可以预测在加热过程的某一特定阶段,电磁辐射水平达到或超过某一阈值的概率。根据电磁条件概率数据,对目标电磁特性数据进行电磁变化特征提取。从电磁特性数据中提取关键的变化模式,形成一个电磁变化特征集合。这些特征反映了PCBA在加热过程中的电磁行为,有助于理解加热对PCBA功能的影响。
在一具体实施例中,执行步骤104的过程可以具体包括如下步骤:
(1)对温度变化特征集合进行均值和标准差计算,得到温度变化特征均值和温度变化特征标准差,并对电磁变化特征集合进行均值和标准差计算,得到电磁变化特征均值和电磁变化特征标准差;
(2)对温度变化特征均值和温度变化特征标准差、电磁变化特征均值和电磁变化特征标准差进行皮尔逊相关系数计算,得到特征相关系数;
(3)对温度变化特征集合进行归一化特征映射和向量转换,得到温度变化特征向量,并对电磁变化特征集合进行归一化特征映射和向量转换,得到电磁变化特征向量;
(4)根据特征相关系数对温度变化特征向量和电磁变化特征向量进行特征向量融合,得到融合变化特征向量。
具体的,对温度变化特征集合进行均值和标准差的计算,获取温度数据的中心趋势和离散程度的量化描述。这种统计分析有助于理解温度在PCBA上的分布特征,如某些区域是否比其他区域更容易加热或冷却。同样,对电磁变化特征集合进行均值和标准差计算,得到电磁变化特征均值和电磁变化特征标准差,量化地描述电磁特性在加热过程中的整体行为和变化范围。对温度变化特征的均值和标准差以及电磁变化特征的均值和标准差进行皮尔逊相关系数的计算。皮尔逊相关系数是衡量两组数据之间线性关系强度的统计量,其值在-1到1之间变化。相关系数的计算可以揭示温度变化和电磁特性之间是否存在某种线性关联。例如,如果相关系数接近1或-1,这表明在特定的加热条件下,温度的变化与电磁特性的变化密切相关;而如果相关系数接近0,则表明两者之间没有显著的线性关系。对温度变化特征集合进行归一化特征映射和向量转换,将统计数据转化为一种更适合机器学习和其他高级分析技术的格式。归一化是指将数据转换为一个共同的尺度,通常是0到1的范围,以消除不同量级带来的影响。例如,将PCBA上不同区域在不同测试条件下的温度变化数据转换为一个标准化的数值范围内,使这些数据更容易进行比较和分析。同样,电磁变化特征集合也经过类似的归一化和向量转换处理,从而得到一组可以表示电磁特性变化的数值向量。根据特征相关系数,对温度变化特征向量和电磁变化特征向量进行特征向量融合。基于温度和电磁特性之间的关联程度,将这两组向量结合成一个综合的融合变化特征向量。例如,如果温度和电磁特性之间存在强相关性,那么这两组向量可以通过加权方法结合起来,从而形成一个既包含温度变化信息又包含电磁特性信息的综合特征向量。
在一具体实施例中,执行步骤105的过程可以具体包括如下步骤:
(1)将温度变化特征向量、电磁变化特征向量以及融合变化特征向量输入预置的PCBA焊接故障检测模型,PCBA焊接故障检测模型包括第一GRU网络、第二GRU网络、第三GRU网络以及输出层;
(2)通过第一GRU网络中的双向GRU单元对温度变化特征向量进行隐藏特征提取,得到温度隐藏特征向量,并通过第一GRU网络中的单向GRU单元对温度隐藏特征向量进行PCBA焊接故障检测,得到温度影响因素的第一焊接故障检测结果;
(3)通过第二GRU网络中的双向GRU单元对电磁变化特征向量进行隐藏特征提取,得到电磁隐藏特征向量,并通过第二GRU网络中的单向GRU单元对电磁隐藏特征向量进行PCBA焊接故障检测,得到电磁影响因素的第二焊接故障检测结果;
(4)通过第三GRU网络中的双向GRU单元对融合变化特征向量进行隐藏特征提取,得到融合隐藏特征向量,并通过第三GRU网络中的单向GRU单元对融合隐藏特征向量进行PCBA焊接故障检测,得到综合影响因素的第三焊接故障检测结果;
(5)通过输出层对温度影响因素的第一焊接故障检测结果、电磁影响因素的第二焊接故障检测结果以及综合影响因素的第三焊接故障检测结果进行PCBA焊接故障检测结果融合,得到PCBA焊接故障检测结果。
具体的,将温度变化特征向量输入到第一GRU网络。该网络包含双向GRU单元,其作用是从时间序列数据中提取隐藏特征。例如,在对PCBA进行加热测试时,温度在不同时间点的变化会暗示焊接过程中潜在的问题。双向GRU单元能够从过去和未来的时间点捕捉温度变化的动态特征,从而生成一个包含了温度随时间变化深层次信息的温度隐藏特征向量。网络中的单向GRU单元使用这些隐藏特征来执行实际的故障检测,生成温度影响因素的焊接故障检测结果。将电磁变化特征向量输入第二GRU网络。这个网络的结构与第一网络类似,包含双向和单向GRU单元。双向GRU单元对电磁变化特征向量进行处理,提取出电磁特性随时间变化的隐藏特征,电磁特性的变化与焊接质量密切相关。例如,电磁辐射的异常增加表明焊接过程中产生了不期望的电流或热点。提取出的电磁隐藏特征向量随后被用于执行焊接故障检测,生成电磁影响因素的焊接故障检测结果。将融合变化特征向量输入第三GRU网络。该网络同样使用双向GRU单元来提取融合特征向量中的隐藏特征,这些特征结合了温度和电磁数据的信息。例如,如果在加热过程中某个区域的温度显著升高,并伴随着电磁辐射的增加,这表明该区域存在焊接缺陷。通过分析这些融合的隐藏特征,单向GRU单元能够更全面地检测潜在的焊接故障,生成综合影响因素的焊接故障检测结果。模型的输出层将这三个GRU网络生成的焊接故障检测结果进行整合。输出层的作用是融合来自不同源的信息,生成最终的PCBA焊接故障检测结果。例如,如果温度影响因素的检测结果和电磁影响因素的检测结果都指示了同一区域的潜在问题,输出层会将这些信息结合起来,提供一个更加确定的焊接故障信号。
在一具体实施例中,执行步骤106的过程可以具体包括如下步骤:
(1)根据PCBA焊接故障检测结果确定第一回流加热曲线的多个优化目标;
(2)获取预置的双层规划求解算法,双层规划求解算法包括第一层规划求解算法和第二层规划求解算法,第一层规划求解算法为多个遗传算法,第二层规划求解算法为线性规划算法;
(3)根据多个优化目标定义双层规划求解算法中每个遗传算法的约束条件,并基于约束条件,通过多个遗传算法对第一回流加热曲线进行曲线优化,得到每个遗传算法对应的曲线优化参数;
(4)通过第二层规划求解算法中的线性规划算法,对每个遗传算法对应的曲线优化参数进行线性规划,输出目标PCBA的第二回流加热曲线。
具体的,从PCBA焊接故障检测结果中提取信息,确定第一回流加热曲线的优化目标。这些目标包括减少焊点缺陷、优化加热速率以减少热应力,或者调整特定区域的温度分布以避免对敏感组件的损害。例如,如果故障检测结果显示某些区域出现过热现象,导致电子组件损坏,那么优化目标之一就是降低这些区域的最高温度限值。获取预置的双层规划求解算法,算法结构中包括两个层次的规划求解。第一层规划求解算法使用多个遗传算法,而第二层则采用线性规划算法。遗传算法是一种启发式搜索算法,它通过模拟生物进化中的自然选择和遗传机制来解决优化问题。例如,在调整加热曲线时,每个遗传算法可以探索不同的加热策略,如改变加热速率或调整特定阶段的温度。根据优化目标为每个遗传算法定义约束条件。这些约束条件指导算法在搜索过程中考虑哪些因素,确保解决方案既满足焊接质量要求,又不会对PCBA造成损害。例如,如果优化目标之一是降低某区域的温度,那么相应的遗传算法就会在这一区域寻找降温策略。每个遗传算法根据这些约束条件对第一回流加热曲线进行优化,生成一系列曲线优化参数。这些参数代表了不同策略中的加热条件,如温度变化、加热和冷却速率等。将曲线优化参数被输入第二层的线性规划算法中。线性规划是一种在给定线性约束条件下寻找最优解的方法。通过综合考虑来自各个遗传算法的优化参数,从中确定最终的第二回流加热曲线。例如,线性规划算法可以分析各个遗传算法提出的不同加热策略,选择出既能满足所有焊接质量要求又能最大限度减少故障概率的加热曲线。
上面对本申请实施例中PCBA的测试方法进行了描述,下面对本申请实施例中PCBA的测试装置进行描述,请参阅图2,本申请实施例中PCBA的测试装置一个实施例包括:
获取模块201,用于获取目标PCBA的材质信息以及电子组件的热敏感性,并根据所述材质信息和所述热敏感性创建所述目标PCBA的第一回流加热曲线;
测试模块202,用于根据所述第一回流加热曲线对所述目标PCBA进行多次回流加热测试和温度分布检测,得到每次回流加热测试的目标温度分布数据,并对所述目标PCBA进行电磁特性测量,得到每次回流加热测试的目标电磁特性数据;
分析模块203,用于基于第一Wiener过程模型对每次回流加热测试的目标温度分布数据进行温度变化特征分析,得到温度变化特征集合,并基于第二Wiener过程模型对每次回流加热测试的目标电磁特性数据进行电磁特性变化分析,得到电磁变化特征集合;
转换模块204,用于分别对所述温度变化特征集合和所述电磁变化特征集合进行相关系数分析,得到特征相关系数,并根据所述特征相关系数对所述温度变化特征集合和所述电磁变化特征集合进行向量转换和特征融合,得到温度变化特征向量、电磁变化特征向量以及融合变化特征向量;
检测模块205,用于将所述温度变化特征向量、所述电磁变化特征向量以及所述融合变化特征向量输入预置的PCBA焊接故障检测模型进行PCBA焊接故障检测,得到PCBA焊接故障检测结果;
优化模块206,用于通过预置的双层规划求解算法,根据所述PCBA焊接故障检测结果对所述第一回流加热曲线进行曲线优化,得到所述目标PCBA的第二回流加热曲线。
通过上述各个组成部分的协同合作,通过分析PCBA的材质信息和电子组件的热敏感性,预测回流焊接温度点和温度范围,有助于提前识别潜在的焊接质量问题。通过多次回流加热测试和温度分布检测,获取目标温度分布数据和电磁特性数据,为焊接质量的预测和控制提供了准确的数据支持。使用第一Wiener过程模型对温度分布数据进行分析,可以捕捉到温度变化的漂移和扩散特性,为后续的故障检测提供了更深入的温度信息。基于第二Wiener过程模型对电磁特性数据进行分析,可以获得电磁变化的漂移和扩散特性,提高了对电磁特性变化的理解。通过对温度变化特征集合和电磁变化特征集合进行相关系数分析,可以量化它们之间的关联程度,提高了对不同特征之间关系的理解。进行向量转换和特征融合,得到温度变化特征向量、电磁变化特征向量以及融合变化特征向量,有助于综合考虑多个特征对焊接质量的影响,提高了故障检测的准确性。利用预置的PCBA焊接故障检测模型,将提取的特征向量输入模型,实现对PCBA焊接质量的全面检测。通过结合温度影响因素、电磁影响因素和综合影响因素的检测结果,提高了对焊接故障的全面判断能力。通过双层规划算法对第一回流加热曲线进行曲线优化,实现了对焊接过程的精细控制,提高了焊接质量和生产效率。可以同时考虑多个优化目标,如提高焊接质量、减少能耗等,实现了多目标优化。通过对焊接过程进行综合分析和优化,减少了试错和调整的时间,提高了生产效率。通过优化加热曲线,可以更有效地利用资源,减少能源消耗,降低生产成本,进而实现了PCBA回流加热的自适应优化并提高了PCBA的焊接测试准确率。
本申请还提供一种计算机设备,所述计算机设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述PCBA的测试方法的步骤。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述PCBA的测试方法的步骤。
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***,***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 access 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的测试方法,其特征在于,所述PCBA的测试方法包括:
获取目标PCBA的材质信息以及电子组件的热敏感性,并根据所述材质信息和所述热敏感性创建所述目标PCBA的第一回流加热曲线;具体包括:获取目标PCBA的材质信息,所述材质信息包括电路板的材料以及安装到电路板上面的电子组件的材质;对所述目标PCBA进行层次结构分析,得到目标层次结构信息,并根据所述电子组件的材质对所述电子组件进行热敏感性分析,得到电子组件的热敏感性;根据所述目标层次结构信息以及所述电子组件的热敏感性对所述目标PCBA进行回流焊接温度点预测,得到回流焊接温度点数据;根据所述回流焊接温度点数据对所述目标PCBA进行回流焊接温度范围预测,得到回流焊接温度范围数据,并对所述目标PCBA进行回流焊接时间预测,得到回流焊接时长数据;根据所述回流焊接温度范围数据和所述回流焊接时长数据创建所述目标PCBA的第一回流加热曲线;
根据所述第一回流加热曲线对所述目标PCBA进行多次回流加热测试和温度分布检测,得到每次回流加热测试的目标温度分布数据,并对所述目标PCBA进行电磁特性测量,得到每次回流加热测试的目标电磁特性数据;
基于第一Wiener过程模型对每次回流加热测试的目标温度分布数据进行温度变化特征分析,得到温度变化特征集合,并基于第二Wiener过程模型对每次回流加热测试的目标电磁特性数据进行电磁特性变化分析,得到电磁变化特征集合;具体包括:基于第一Wiener过程模型对每次回流加热测试的目标温度分布数据进行漂移系数估计,得到温度漂移系数,并对每次回流加热测试的目标温度分布数据进行扩散系数估计,得到温度扩散系数;根据所述温度漂移系数和所述温度扩散系数对每次回流加热测试的目标温度分布数据进行Wiener过程的条件概率计算,得到温度条件概率数据;根据所述温度条件概率数据对每次回流加热测试的目标温度分布数据进行温度变化特征提取,得到温度变化特征集合;基于第二Wiener过程模型对每次回流加热测试的目标电磁特性数据进行漂移系数估计,得到电磁漂移系数,并对每次回流加热测试的目标电磁特性数据进行扩散系数估计,得到电磁扩散系数;根据所述电磁漂移系数和所述电磁扩散系数对每次回流加热测试的目标电磁特性数据进行Wiener过程的条件概率计算,得到电磁条件概率数据;根据所述电磁条件概率数据对每次回流加热测试的目标电磁特性数据进行电磁变化特征提取,得到电磁变化特征集合;
分别对所述温度变化特征集合和所述电磁变化特征集合进行相关系数分析,得到特征相关系数,并根据所述特征相关系数对所述温度变化特征集合和所述电磁变化特征集合进行向量转换和特征融合,得到温度变化特征向量、电磁变化特征向量以及融合变化特征向量;
将所述温度变化特征向量、所述电磁变化特征向量以及所述融合变化特征向量输入预置的PCBA焊接故障检测模型进行PCBA焊接故障检测,得到PCBA焊接故障检测结果;具体包括:将所述温度变化特征向量、所述电磁变化特征向量以及所述融合变化特征向量输入预置的PCBA焊接故障检测模型,所述PCBA焊接故障检测模型包括第一GRU网络、第二GRU网络、第三GRU网络以及输出层;通过所述第一GRU网络中的双向GRU单元对所述温度变化特征向量进行隐藏特征提取,得到温度隐藏特征向量,并通过所述第一GRU网络中的单向GRU单元对所述温度隐藏特征向量进行PCBA焊接故障检测,得到温度影响因素的第一焊接故障检测结果;通过所述第二GRU网络中的双向GRU单元对所述电磁变化特征向量进行隐藏特征提取,得到电磁隐藏特征向量,并通过所述第二GRU网络中的单向GRU单元对所述电磁隐藏特征向量进行PCBA焊接故障检测,得到电磁影响因素的第二焊接故障检测结果;通过所述第三GRU网络中的双向GRU单元对所述融合变化特征向量进行隐藏特征提取,得到融合隐藏特征向量,并通过所述第三GRU网络中的单向GRU单元对所述融合隐藏特征向量进行PCBA焊接故障检测,得到综合影响因素的第三焊接故障检测结果;通过所述输出层对所述温度影响因素的第一焊接故障检测结果、所述电磁影响因素的第二焊接故障检测结果以及所述综合影响因素的第三焊接故障检测结果进行PCBA焊接故障检测结果融合,得到PCBA焊接故障检测结果;
通过预置的双层规划求解算法,根据所述PCBA焊接故障检测结果对所述第一回流加热曲线进行曲线优化,得到所述目标PCBA的第二回流加热曲线;具体包括:根据所述PCBA焊接故障检测结果确定所述第一回流加热曲线的多个优化目标;获取预置的双层规划求解算法,所述双层规划求解算法包括第一层规划求解算法和第二层规划求解算法,所述第一层规划求解算法为多个遗传算法,所述第二层规划求解算法为线性规划算法;根据所述多个优化目标定义双层规划求解算法中每个遗传算法的约束条件,并基于所述约束条件,通过所述多个遗传算法对所述第一回流加热曲线进行曲线优化,得到每个遗传算法对应的曲线优化参数;通过所述第二层规划求解算法中的线性规划算法,对每个遗传算法对应的曲线优化参数进行线性规划,输出所述目标PCBA的第二回流加热曲线。
2.根据权利要求1所述的PCBA的测试方法,其特征在于,所述根据所述第一回流加热曲线对所述目标PCBA进行多次回流加热测试和温度分布检测,得到每次回流加热测试的目标温度分布数据,并对所述目标PCBA进行电磁特性测量,得到每次回流加热测试的目标电磁特性数据,包括:
根据所述第一回流加热曲线对所述目标PCBA进行多次回流加热测试,并通过预置的红外温度传感器对所述目标PCBA进行温度分布检测,得到每次回流加热测试的初始温度分布数据;
分别对每次回流加热测试的初始温度分布数据进行数据清洗和数据标准化处理,得到每次回流加热测试的目标温度分布数据;
对所述目标PCBA进行电磁特性测量,得到每次回流加热测试的初始电磁特性数据;
分别对每次回流加热测试的初始电磁特性数据进行尺度归一化处理,得到每次回流加热测试的目标电磁特性数据,所述目标电磁特性数据包括:磁场强度数据和频率分布数据。
3.根据权利要求1所述的PCBA的测试方法,其特征在于,所述分别对所述温度变化特征集合和所述电磁变化特征集合进行相关系数分析,得到特征相关系数,并根据所述特征相关系数对所述温度变化特征集合和所述电磁变化特征集合进行向量转换和特征融合,得到温度变化特征向量、电磁变化特征向量以及融合变化特征向量,包括:
对所述温度变化特征集合进行均值和标准差计算,得到温度变化特征均值和温度变化特征标准差,并对所述电磁变化特征集合进行均值和标准差计算,得到电磁变化特征均值和电磁变化特征标准差;
对所述温度变化特征均值和所述温度变化特征标准差、所述电磁变化特征均值和所述电磁变化特征标准差进行皮尔逊相关系数计算,得到特征相关系数;
对所述温度变化特征集合进行归一化特征映射和向量转换,得到温度变化特征向量,并对所述电磁变化特征集合进行归一化特征映射和向量转换,得到电磁变化特征向量;
根据所述特征相关系数对所述温度变化特征向量和所述电磁变化特征向量进行特征向量融合,得到融合变化特征向量。
4.一种PCBA的测试装置,其特征在于,所述PCBA的测试装置包括:
获取模块,用于获取目标PCBA的材质信息以及电子组件的热敏感性,并根据所述材质信息和所述热敏感性创建所述目标PCBA的第一回流加热曲线;具体包括:获取目标PCBA的材质信息,所述材质信息包括电路板的材料以及安装到电路板上面的电子组件的材质;对所述目标PCBA进行层次结构分析,得到目标层次结构信息,并根据所述电子组件的材质对所述电子组件进行热敏感性分析,得到电子组件的热敏感性;根据所述目标层次结构信息以及所述电子组件的热敏感性对所述目标PCBA进行回流焊接温度点预测,得到回流焊接温度点数据;根据所述回流焊接温度点数据对所述目标PCBA进行回流焊接温度范围预测,得到回流焊接温度范围数据,并对所述目标PCBA进行回流焊接时间预测,得到回流焊接时长数据;根据所述回流焊接温度范围数据和所述回流焊接时长数据创建所述目标PCBA的第一回流加热曲线;
测试模块,用于根据所述第一回流加热曲线对所述目标PCBA进行多次回流加热测试和温度分布检测,得到每次回流加热测试的目标温度分布数据,并对所述目标PCBA进行电磁特性测量,得到每次回流加热测试的目标电磁特性数据;
分析模块,用于基于第一Wiener过程模型对每次回流加热测试的目标温度分布数据进行温度变化特征分析,得到温度变化特征集合,并基于第二Wiener过程模型对每次回流加热测试的目标电磁特性数据进行电磁特性变化分析,得到电磁变化特征集合;具体包括:基于第一Wiener过程模型对每次回流加热测试的目标温度分布数据进行漂移系数估计,得到温度漂移系数,并对每次回流加热测试的目标温度分布数据进行扩散系数估计,得到温度扩散系数;根据所述温度漂移系数和所述温度扩散系数对每次回流加热测试的目标温度分布数据进行Wiener过程的条件概率计算,得到温度条件概率数据;根据所述温度条件概率数据对每次回流加热测试的目标温度分布数据进行温度变化特征提取,得到温度变化特征集合;基于第二Wiener过程模型对每次回流加热测试的目标电磁特性数据进行漂移系数估计,得到电磁漂移系数,并对每次回流加热测试的目标电磁特性数据进行扩散系数估计,得到电磁扩散系数;根据所述电磁漂移系数和所述电磁扩散系数对每次回流加热测试的目标电磁特性数据进行Wiener过程的条件概率计算,得到电磁条件概率数据;根据所述电磁条件概率数据对每次回流加热测试的目标电磁特性数据进行电磁变化特征提取,得到电磁变化特征集合;
转换模块,用于分别对所述温度变化特征集合和所述电磁变化特征集合进行相关系数分析,得到特征相关系数,并根据所述特征相关系数对所述温度变化特征集合和所述电磁变化特征集合进行向量转换和特征融合,得到温度变化特征向量、电磁变化特征向量以及融合变化特征向量;
检测模块,用于将所述温度变化特征向量、所述电磁变化特征向量以及所述融合变化特征向量输入预置的PCBA焊接故障检测模型进行PCBA焊接故障检测,得到PCBA焊接故障检测结果;具体包括:将所述温度变化特征向量、所述电磁变化特征向量以及所述融合变化特征向量输入预置的PCBA焊接故障检测模型,所述PCBA焊接故障检测模型包括第一GRU网络、第二GRU网络、第三GRU网络以及输出层;通过所述第一GRU网络中的双向GRU单元对所述温度变化特征向量进行隐藏特征提取,得到温度隐藏特征向量,并通过所述第一GRU网络中的单向GRU单元对所述温度隐藏特征向量进行PCBA焊接故障检测,得到温度影响因素的第一焊接故障检测结果;通过所述第二GRU网络中的双向GRU单元对所述电磁变化特征向量进行隐藏特征提取,得到电磁隐藏特征向量,并通过所述第二GRU网络中的单向GRU单元对所述电磁隐藏特征向量进行PCBA焊接故障检测,得到电磁影响因素的第二焊接故障检测结果;通过所述第三GRU网络中的双向GRU单元对所述融合变化特征向量进行隐藏特征提取,得到融合隐藏特征向量,并通过所述第三GRU网络中的单向GRU单元对所述融合隐藏特征向量进行PCBA焊接故障检测,得到综合影响因素的第三焊接故障检测结果;通过所述输出层对所述温度影响因素的第一焊接故障检测结果、所述电磁影响因素的第二焊接故障检测结果以及所述综合影响因素的第三焊接故障检测结果进行PCBA焊接故障检测结果融合,得到PCBA焊接故障检测结果;
优化模块,用于通过预置的双层规划求解算法,根据所述PCBA焊接故障检测结果对所述第一回流加热曲线进行曲线优化,得到所述目标PCBA的第二回流加热曲线;具体包括:根据所述PCBA焊接故障检测结果确定所述第一回流加热曲线的多个优化目标;获取预置的双层规划求解算法,所述双层规划求解算法包括第一层规划求解算法和第二层规划求解算法,所述第一层规划求解算法为多个遗传算法,所述第二层规划求解算法为线性规划算法;根据所述多个优化目标定义双层规划求解算法中每个遗传算法的约束条件,并基于所述约束条件,通过所述多个遗传算法对所述第一回流加热曲线进行曲线优化,得到每个遗传算法对应的曲线优化参数;通过所述第二层规划求解算法中的线性规划算法,对每个遗传算法对应的曲线优化参数进行线性规划,输出所述目标PCBA的第二回流加热曲线。
5.一种计算机设备,其特征在于,所述计算机设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述计算机设备执行如权利要求1-3中任一项所述的PCBA的测试方法。
6.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-3中任一项所述的PCBA的测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410110673.6A CN117630649B (zh) | 2024-01-26 | 2024-01-26 | Pcba的测试方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410110673.6A CN117630649B (zh) | 2024-01-26 | 2024-01-26 | Pcba的测试方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117630649A CN117630649A (zh) | 2024-03-01 |
CN117630649B true CN117630649B (zh) | 2024-03-26 |
Family
ID=90018516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410110673.6A Active CN117630649B (zh) | 2024-01-26 | 2024-01-26 | Pcba的测试方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117630649B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108188560A (zh) * | 2017-12-12 | 2018-06-22 | 广州亨龙智能装备股份有限公司 | 基于Linux***的手持式电阻焊焊接质量监控*** |
CN215551006U (zh) * | 2021-05-06 | 2022-01-18 | 天津军星管业集团有限公司 | 一种电磁熔接焊机用温度、湿度检测与功率补偿控制结构 |
CN114417534A (zh) * | 2022-02-21 | 2022-04-29 | 北京科技大学 | 一种基于Wiener过程和P-EMD的机械结构剩余寿命预测方法 |
-
2024
- 2024-01-26 CN CN202410110673.6A patent/CN117630649B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108188560A (zh) * | 2017-12-12 | 2018-06-22 | 广州亨龙智能装备股份有限公司 | 基于Linux***的手持式电阻焊焊接质量监控*** |
CN215551006U (zh) * | 2021-05-06 | 2022-01-18 | 天津军星管业集团有限公司 | 一种电磁熔接焊机用温度、湿度检测与功率补偿控制结构 |
CN114417534A (zh) * | 2022-02-21 | 2022-04-29 | 北京科技大学 | 一种基于Wiener过程和P-EMD的机械结构剩余寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117630649A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Coble et al. | Identifying optimal prognostic parameters from data: a genetic algorithms approach | |
Jiang et al. | Learning deep correlated representations for nonlinear process monitoring | |
US8527223B2 (en) | Methods and systems for energy prognosis | |
EP3623097A1 (en) | Soldering process parameter suggestion method and system thereof | |
KR101508641B1 (ko) | 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법 | |
Losi et al. | Anomaly detection in gas turbine time series by means of Bayesian hierarchical models | |
Casoetto et al. | Multisensor process performance assessment through use of autoregressive modeling and feature maps | |
CN112171057B (zh) | 基于激光焊接的质量检测方法、装置及存储介质 | |
Martinez et al. | On-line health condition monitoring of power connectors focused on predictive maintenance | |
Ismail et al. | Remaining useful life estimation for thermally aged power insulated gate bipolar transistors based on a modified maximum likelihood estimator | |
CN117706943B (zh) | 一种换流变阀侧套管末屏分压器的自适应控制方法及*** | |
CN117689270B (zh) | 电力设备生产过程质量管理改进方法、***及存储介质 | |
CN117630649B (zh) | Pcba的测试方法、装置、设备及存储介质 | |
Mharakurwa | In‐Service Power Transformer Life Time Prospects: Review and Prospects | |
Jin et al. | Deep Machine Learning-Based Asset Management Approach for Oil-Immersed Power Transformers Using Dissolved Gas Analysis | |
WO2022158037A1 (ja) | 品質予測システム、モデル生成装置、品質予測方法、及び品質予測プログラム | |
Wang et al. | The method of analyzing accelerated degradation data based on acceleration factor constant principle | |
CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
Straat et al. | An Industry 4.0 example: Real-time quality control for steel-based mass production using Machine Learning on non-invasive sensor data | |
Jaai et al. | Fusion prognostics | |
CN117629422B (zh) | 一种光伏组件测温方法及*** | |
Wang et al. | Remaining useful life prediction method by integrating two-phase accelerated degradation data and field information | |
CN117150368B (zh) | 一种印刷电路板故障诊断方法、***、设备及存储介质 | |
CN117647725B (zh) | Pcba的老化测试方法及*** | |
CN117783769B (zh) | 基于可视平台的配电网络故障定位方法、***、设备及存储介质 |
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 |