一种基于深度学习的PCBA设计参数优化方法及系统与流程

本发明涉及pcba设计优化，尤其涉及一种基于深度学习的pcba设计参数优化方法及系统。

背景技术：

1、pcba设计优化技术领域涵盖元器件物理布局走线规则设定层叠结构规划以及热分布设计等核心事项，整体而言该领域涉及针对印制电路板上的元件物理坐标位置导线几何走向过孔空间分布以及铜箔厚度与线宽尺寸进行规划与排列；其中，传统pcba设计参数优化方法是指针对印制电路板在运行与制造过程中的信号阻抗匹配约束与热分布数值设定事项，通常利用有限元分析工具输入电路板几何尺寸介质层介电常数以及热导率数值，设定网格剖分尺寸比例和温度边界条件并代入求解麦克斯韦方程组与傅里叶导热偏微分方程，随后依据计算得出的分布场数值手动修改走线长度匹配误差值差分对物理间距以及散热过孔阵列的排列密度。

2、现有电路板设计方法在运行中依赖人工处理复杂多维参数的非线性影响，工程师面对工艺限制与性能指标时仅能基于经验进行局部调整，这种人工评估模式难以在密集互连场景下统筹全局边界条件实现最佳数值寻优，缺乏特征响应的前瞻推演使得团队迟滞至，导致在物理打样或详细仿真阶段才能探查出性能瓶颈，反复试错过程易因参数配合失误引发信号失真及过热失效，会造成研发资源消耗并拖延交付进度。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点，而提出的一种基于深度学习的pcba设计参数优化方法及系统。

2、为了实现上述目的，本发明采用了如下技术方案，一种基于深度学习的pcba设计参数优化方法，包括以下步骤：

3、s1：采集pcba设计约束参数和制造工艺限制参数，提取pcba叠层结构设定参数、信号传输走线宽度设定参数、信号传输走线间距设定参数和电路板内部埋孔尺寸设定参数，得到初始空间探索参数组合数据；

4、s2：基于制造参数公差范围数据设定边界区间，并在所述边界区间内对所述初始空间探索参数组合数据执行随机变异算法获取随机扰动分布特征数值，将所述随机扰动分布特征数值与初始标定数值进行叠加运算，生成制造公差变异参数组合数据；

5、s3：将所述制造公差变异参数组合数据输入包含隐藏层权重矩阵与激活函数的深度学习多维性能预测模型中执行前向传播特征映射，获取电气与热力学性能预测特征数据；

6、s4：依据所述初始空间探索参数组合数据与所述电气与热力学性能预测特征数据计算pcba性能波动幅度量化数值，结合所述pcba设计约束参数与所述制造公差变异参数组合数据计算pcba规范满足比例特征数值，整合所述pcba性能波动幅度量化数值与所述pcba规范满足比例特征数值建立变异性能稳健性量化评估数据；

7、s5：依据所述变异性能稳健性量化评估数据自所述初始空间探索参数组合数据中获取目标设计参数组合数据，根据所述pcba性能波动幅度量化数值与所述制造参数公差范围数据建立公差敏感度参数，合并所述公差敏感度参数与所述目标设计参数组合数据生成pcba设计优化参数与敏感度量化数据。

8、本发明改进有，所述s1的具体步骤为：

9、s111：采集pcba设计约束参数和制造工艺限制参数，解析所述pcba设计约束参数和所述制造工艺限制参数，从中提取pcba叠层结构设定参数、信号传输走线宽度设定参数、信号传输走线间距设定参数和电路板内部埋孔尺寸设定参数；

10、s112：基于所述pcba叠层结构设定参数、所述信号传输走线宽度设定参数、所述信号传输走线间距设定参数和所述电路板内部埋孔尺寸设定参数构建参数映射拓扑结构，利用所述参数映射拓扑结构排列多项参数组合节点，建立参数空间组合矩阵；

11、s113：遍历所述参数空间组合矩阵内部包含的多项所述参数组合节点，提取各项所述参数组合节点内记录的数据特征张量，对多项所述数据特征张量进行拼接，得到初始空间探索参数组合数据。

12、本发明改进有，所述s2的具体步骤为：

13、s211：采集制造参数公差范围数据，解析所述初始空间探索参数组合数据，从中提取信号传输走线线宽特征数值、电路板介质层厚度特征数值和电路板内部过孔直径特征数值，将所述信号传输走线线宽特征数值、所述电路板介质层厚度特征数值和所述电路板内部过孔直径特征数值映射为随机变异算法的计算节点，建立基础变异节点集；

14、s212：针对所述基础变异节点集，从所述制造参数公差范围数据中提取各项节点关联的容差上下限数值，依据所述容差上下限数值限定所述随机变异算法执行数值采样操作的边界区间，在所述边界区间内对所述基础变异节点集记录的初始标定数值进行伪随机采样获取扰动样本数值，计算所述扰动样本数值与所述初始标定数值之间的绝对差值，汇总多项节点对应的绝对差值得到随机扰动分布特征数值；

15、s213：从所述基础变异节点集中提取各项节点保留的所述初始标定数值，对所述初始标定数值与所述随机扰动分布特征数值进行数值叠加运算，利用叠加运算结果覆盖各项节点保留的所述初始标定数值构建参数变异演化节点，对多项所述参数变异演化节点进行组合，生成制造公差变异参数组合数据。

16、本发明改进有，所述对所述初始标定数值与所述随机扰动分布特征数值进行数值叠加运算，利用叠加运算结果覆盖各项节点保留的所述初始标定数值构建参数变异演化节点的过程具体为：

17、根据历史加工测试数据记载的偏差离散度正向映射确定叠加缩放系数；

18、计算所述随机扰动分布特征数值与所述叠加缩放系数的乘积提取带权扰动数值；

19、计算所述带权扰动数值与所述初始标定数值的加和输出所述叠加运算结果；

20、基于制造设备物理加工边界极值确定工艺极限阈值的容许区间；

21、若所述叠加运算结果处于所述工艺极限阈值的容许区间内，则利用所述叠加运算结果覆盖各项节点保留的所述初始标定数值构建所述参数变异演化节点；

22、若所述叠加运算结果超出所述工艺极限阈值的容许区间，则将所述叠加运算结果变更为所述工艺极限阈值的边界极值，利用所述边界极值覆盖各项节点保留的所述初始标定数值构建所述参数变异演化节点。

23、本发明改进有，所述s3的具体步骤为：

24、s311：解析所述制造公差变异参数组合数据，从中提取多维参数特征节点，根据深度学习多维性能预测模型输入层特征接收限制条件，对所述多维参数特征节点执行数据张量化拼接重组操作，建立模型输入特征张量；

25、s312：获取所述深度学习多维性能预测模型内部隐藏层部署的网络权重矩阵与激活函数，依据所述网络权重矩阵与激活函数对所述模型输入特征张量执行前向传播特征映射运算，计算网络映射输出节点对应的pcba信号反射幅值数值、pcba信号串扰干扰量数值和pcba内部热点温度绝对值数值；

26、s313：将所述pcba信号反射幅值数值与所述pcba信号串扰干扰量数值关联转换为电气特征矩阵，并将所述pcba内部热点温度绝对值数值映射为热力学特征基准数值，对所述电气特征矩阵与所述热力学特征基准数值进行合并，得到电气与热力学性能预测特征数据。

27、本发明改进有，所述s4的具体步骤为：

28、s411：解析所述初始空间探索参数组合数据，从中提取pcba无误差理想状态对应的初始性能基准特征数值，将所述电气与热力学性能预测特征数据和所述初始性能基准特征数值映射至同一数值区间内得到归一化预测特征数值和归一化基准特征数值，计算所述归一化预测特征数值与所述归一化基准特征数值之间的偏差距离数值，生成pcba性能波动幅度量化数值；

29、s412：将所述电气与热力学性能预测特征数据与所述pcba设计约束参数执行数值比对操作，依据比对结果统计所述制造公差变异参数组合数据内含的合规变异样本数量数值，从所述制造公差变异参数组合数据中提取其涵盖的变异样本总数量数值，计算所述合规变异样本数量数值与所述变异样本总数量数值之间的样本数量比值，获取pcba规范满足比例特征数值；

30、s413：将所述pcba性能波动幅度量化数值映射为性能稳定性惩罚项节点，并将所述pcba规范满足比例特征数值映射为设计合规性奖励项节点，将所述性能稳定性惩罚项节点与所述设计合规性奖励项节点进行关联以构建多维抗干扰评估矩阵，建立变异性能稳健性量化评估数据。

31、本发明改进有，所述将所述pcba性能波动幅度量化数值映射为性能稳定性惩罚项节点，并将所述pcba规范满足比例特征数值映射为设计合规性奖励项节点，将所述性能稳定性惩罚项节点与所述设计合规性奖励项节点进行关联以构建多维抗干扰评估矩阵的过程具体为：

32、基于历史制造失效批次对应性能偏离均值的线性拟合回归结果确定惩罚映射权重；

33、计算所述pcba性能波动幅度量化数值与所述惩罚映射权重的乘积，生成所述性能稳定性惩罚项节点；

34、依据现有量产产线良品率波动方差数值的反向相关关联关系配置奖励映射权重；

35、计算所述pcba规范满足比例特征数值与所述奖励映射权重的乘积，生成所述设计合规性奖励项节点；

36、将所述性能稳定性惩罚项节点映射为列特征向量，将所述设计合规性奖励项节点映射为行特征向量；

37、对所述列特征向量与所述行特征向量执行正交化张量积交叉运算，输出所述多维抗干扰评估矩阵。

38、本发明改进有，所述s5的具体步骤为：

39、s511：依据所述变异性能稳健性量化评估数据对多项所述初始空间探索参数组合数据执行数值降序排列操作，提取降序序列排名首位的节点，并将排名首位的节点所对应的空间探索参数组合数据作为目标设计参数组合数据；

40、s512：针对所述目标设计参数组合数据，计算所述pcba性能波动幅度量化数值与所述制造参数公差范围数据之间的特征比值，得到所述目标设计参数组合数据对应的pcba性能变化梯度特征数值，将所述pcba性能变化梯度特征数值映射为评估体系的特征节点，建立公差敏感度参数；

41、s513：通过键值对绑定的方式建立所述目标设计参数组合数据内部特征节点与所述公差敏感度参数之间的映射关联关系，对所述公差敏感度参数和所述目标设计参数组合数据进行合并，生成pcba设计优化参数与敏感度量化数据。

42、本发明改进有，所述建立公差敏感度参数的过程具体为：

43、基于预先录入的制造设备加工精度偏差统计分布特征限定公差敏感度权重的数值映射区间，从中提取对应的公差敏感度权重；

44、计算所述pcba性能波动幅度量化数值与所述公差敏感度权重的乘积，提取带权性能波动数值；

45、计算所述带权性能波动数值与所述制造参数公差范围数据的商值，得到所述目标设计参数组合数据对应的所述pcba性能变化梯度特征数值；

46、依据预置的印刷电路板组件可靠性测试容许偏差极值设定梯度评价基准值；

47、对所述pcba性能变化梯度特征数值与所述梯度评价基准值执行数值大小比对操作；

48、若所述pcba性能变化梯度特征数值大于所述梯度评价基准值，则将所述pcba性能变化梯度特征数值映射为所述评估体系的高风险特征节点，利用所述高风险特征节点建立所述公差敏感度参数；

49、若所述pcba性能变化梯度特征数值小于或等于所述梯度评价基准值，则将所述pcba性能变化梯度特征数值映射为所述评估体系的常规特征节点，利用所述常规特征节点建立所述公差敏感度参数。

50、一种基于深度学习的pcba设计参数优化系统，所述基于深度学习的pcba设计参数优化系统用于实现上述基于深度学习的pcba设计参数优化方法，所述系统包括：

51、约束边界解析模块，采集pcba设计约束参数和制造工艺限制参数，提取pcba叠层结构设定参数、信号传输走线宽度设定参数、信号传输走线间距设定参数和电路板内部埋孔尺寸设定参数，得到初始空间探索参数组合数据；

52、随机扰动模拟模块，基于制造参数公差范围数据设定边界区间，并在所述边界区间内对所述初始空间探索参数组合数据执行随机变异算法获取随机扰动分布特征数值，将所述随机扰动分布特征数值与初始标定数值进行叠加运算，生成制造公差变异参数组合数据；

53、物理特性推演模块，将所述制造公差变异参数组合数据输入包含隐藏层权重矩阵与激活函数的深度学习多维性能预测模型中执行前向传播特征映射，获取电气与热力学性能预测特征数据；

54、抗干扰量化分析模块，依据所述初始空间探索参数组合数据与所述电气与热力学性能预测特征数据计算pcba性能波动幅度量化数值，结合所述pcba设计约束参数与所述制造公差变异参数组合数据计算pcba规范满足比例特征数值，整合所述pcba性能波动幅度量化数值与所述pcba规范满足比例特征数值建立变异性能稳健性量化评估数据；

55、全局优选决策模块，依据所述变异性能稳健性量化评估数据自所述初始空间探索参数组合数据中获取目标设计参数组合数据，根据所述pcba性能波动幅度量化数值与所述制造参数公差范围数据建立公差敏感度参数，合并所述公差敏感度参数与所述目标设计参数组合数据生成pcba设计优化参数与敏感度量化数据。

56、与现有技术相比，本发明的优点和积极效果在于：

57、本发明中，提取初始参数并在容差边界内执行随机变异算法，获取扰动特征，将公差变异数据输入多维性能预测模型，获取电热预判数值，基于性能波动与规范满足比例，构建稳健性量化评估体系，以筛选目标设计组合并生成优化参数，底层寻优逻辑融合制造与电气约束，实现全空间高效计算，统筹全局条件精准规避多维结构交叠的隐性干扰，在前置规划阶段阻断热斑聚拢与阻抗失配风险，克服人工调参造成的瓶颈滞后排查缺陷，能够缩减试样迭代次数并压缩交付周期。