一种电子元器件的故障检测方法及系统与流程
本发明涉及电子元器件故障检测,具体为一种电子元器件的故障检测方法及系统。
背景技术:
1、电子元器件是各类电子设备的核心组成单元,其可靠性直接决定了整个系统的运行安全与使用寿命。随着电子元器件向高密度、小型化、高功率方向快速发展,以及先进封装技术(如芯片堆叠、混合键合)的普及,故障模式日趋多样化和隐蔽化。传统的单一电学参数阈值检测方法已难以满足复杂工况下的检测需求,多传感器信息融合技术因此被引入电子元器件故障诊断领域。现有技术中,已有方案通过检测电子元器件的工作温度和工作电压两个物理量,采用dempster-shafer证据理论进行信息融合,得出各待诊断元件的信度函数分配,从而确定故障元件。也有方案利用模糊信息处理技术对温度和电压数据进行融合以提升诊断能力。此外,随着边缘计算技术的发展,部分方案尝试在边缘侧部署轻量化模型以实现数据的本地化处理与初步分析,减少数据传输延迟。在传感数据层面,红外热成像、可见光成像、超声检测等多模态传感技术已被分别应用于电子元器件的温度场分析、外观缺陷检测和内部结构探测等方面。
2、然而,上述现有技术仍存在以下不足。第一,现有的多传感器融合方案多局限于温度与电压两参数的简单融合,且融合策略为静态加权或固定信度分配,未能根据实际工况动态调整各传感模态的置信度与融合权重;当某一传感通道受环境干扰(如温度漂移导致电学测量基线偏移)而失真时,融合结果的可靠性将显著下降。第二,现有方案中的温漂补偿多采用硬件层面的固定补偿方式,如传感器工艺调制或放大电路硬补偿,补偿精度受限于硬件设计且无法适应动态变化的工况条件。第三,现有边缘计算方案中边缘端与云端之间的数据交互多为单向传输,边缘端仅作为数据采集与预处理节点,缺乏基于边缘端推理结果对前端传感参数和云端推理策略进行动态调节的反馈机制。第四,现有深度学习方案中多模态特征的融合权重固定不变,未考虑不同模态特征在不同工况条件下的置信度差异,限制了模型在复杂环境下的泛化能力和诊断精度。针对上述问题,本发明提供了一种电子元器件的故障检测方法及系统。
技术实现思路
1、本发明为了解决现有技术的问题,提供了一种电子元器件的故障检测方法及系统。
2、为了解决上述技术问题,本发明是通过以下技术方案实现的:第一方面,一种电子元器件的故障检测系统,包括,多模态传感器采集模块,用于采集待测电子元器件的多源传感数据,所述多源传感数据包括电学参数数据、热学参数数据、光学图像数据和超声回波信号数据;
3、边缘计算模块,与所述多模态传感器采集模块通信连接,设置于靠近所述待测电子元器件的一侧,用于对所述多源传感数据进行实时预处理、多模态特征融合和初步故障判定,生成初步检测结果和疑似故障数据;
4、云端分析模块,与所述边缘计算模块通信连接,用于接收所述边缘计算模块上传的所述疑似故障数据,基于深度学习模型进行深度故障识别与分类,生成最终故障诊断结果,并将优化后的模型参数反馈至所述边缘计算模块;
5、所述边缘计算模块配置为:根据所述多源传感数据中热学参数数据计算所述待测电子元器件在当前工况下的温漂补偿系数,利用所述温漂补偿系数对所述电学参数数据进行实时修正,基于修正后的电学参数数据、所述热学参数数据和所述光学图像数据生成融合特征向量,并基于所述融合特征向量进行所述初步故障判定;
6、所述边缘计算模块还配置为:仅将判定为存在疑似故障的所述多源传感数据及其对应的融合特征向量上传至所述云端分析模块,正常数据在边缘侧处理后即丢弃或本地存储。
7、在第一方面的一种具体的实施方式中,所述多模态传感器采集模块包括:
8、电压传感器,用于采集所述待测电子元器件的电压信号;
9、电流传感器,用于采集所述待测电子元器件的电流信号;
10、红外热成像传感器,用于采集所述待测电子元器件的表面温度分布图像;
11、可见光图像传感器,用于采集所述待测电子元器件的表面形貌图像;
12、超声检测传感器,用于向所述待测电子元器件发射超声波并接收回波信号,以检测所述待测电子元器件的内部结构缺陷。
13、第二方面,一种电子元器件的故障检测方法,包括以下步骤:
14、s1、通过多模态传感器采集待测电子元器件的多源传感数据,所述多源传感数据包括电学参数数据、热学参数数据和光学图像数据;
15、s2、在边缘计算节点对所述多源传感数据进行实时预处理,包括滤波去噪、时序对齐和归一化处理;
16、s3、在所述边缘计算节点,根据所述热学参数数据计算所述待测电子元器件在当前工况下的温漂补偿系数,利用所述温漂补偿系数对所述电学参数数据进行实时修正,消除环境温度或器件自热效应对电学参数数据的基线漂移干扰;
17、s4、在所述边缘计算节点从预处理及修正后的各模态数据中提取多模态特征,包括从修正后的电学参数数据中提取电学特征、从热学参数数据中提取热学特征、从光学图像数据中提取图像特征,并对所述多模态特征进行融合,生成融合特征向量;
18、s5、在所述边缘计算节点基于轻量化故障检测模型和所述融合特征向量进行初步故障判定,生成初步检测结果;
19、s6、根据所述初步检测结果判断是否存在疑似故障,若存在疑似故障,则将对应的疑似故障数据及融合特征向量上传至云端分析模块;若不存在疑似故障,则丢弃或本地存储所述多源传感数据;
20、s7、在所述云端分析模块基于深度学习模型对所述疑似故障数据进行深度故障识别与分类,生成最终故障诊断结果;
21、s8、将所述最终故障诊断结果反馈至用户终端,并将基于所述疑似故障数据优化后的模型参数反馈至所述边缘计算节点,更新所述轻量化故障检测模型。
22、在第二方面的一种具体的实施方式中,所述步骤s3中,所述温漂补偿系数按照以下方式确定:
23、获取所述红外热成像传感器采集的所述待测电子元器件的表面温度分布图像,提取器件结温或壳温t;
24、基于通过预先标定实验建立的该型号电子元器件的温度-电阻特性曲线或温度-电流特性曲线,确定当前温度下的温漂补偿系数;
25、所述电学参数数据的修正按照以下公式进行:
26、
27、其中,为修正前的电学参数数据,为修正后的电学参数数据,为当前提取的器件温度,为参考校准温度,为当前温度下的温漂补偿系数,所述温漂补偿系数的取值范围为至,具体值由所述温度-电阻特性曲线或温度-电流特性曲线的斜率确定。
28、在第二方面的一种具体的实施方式中,所述步骤s4与所述步骤s5之间还包括:
29、计算补偿修正后的融合特征向量与未补偿修正前的初始融合特征向量之间的偏差值,所述偏差值按照以下公式计算:
30、
31、其中,为基于修正后的电学参数数据生成的融合特征向量,为基于未修正的电学参数数据生成的初始融合特征向量,表示向量的欧几里得范数;
32、根据所述偏差值生成第一控制参数,所述第一控制参数用于调节所述多模态传感器采集模块中红外热成像传感器的采样帧率和电压传感器及电流传感器的采样位数;
33、所述采样帧率与所述偏差值之间呈动态负相关关系,具体为:
34、当时,;
35、当时,;
36、其中,为预设偏差阈值,通过历史故障数据的统计分析预先确定,和分别为红外热成像传感器的最高采样帧率和最低采样帧率,和分别为电压传感器及电流传感器的最高采样位数和最低采样位数;当所述偏差值增大时,降低采样帧率和采样位数以释放边缘计算算力;当所述偏差值减小时,提高采样帧率和采样位数以获取更精细的故障特征数据。
37、在第二方面的一种具体的实施方式中,所述步骤s5中,所述轻量化故障检测模型进行初步故障判定的判定敏感度阈值根据所述偏差值动态调整,调整策略如下:
38、
39、其中,为基准敏感度阈值,预设最大允许偏差值,为预设调节系数,的取值范围为0.1至0.5,所述基准敏感度阈值、所述预设最大允许偏差值和所述预设调节系数均通过历史故障数据的统计分析预先确定;
40、当连续次检测中每次的所述偏差值均大于前一次检测的偏差值时,所述判定敏感度阈值上调,以降低误报率;当连续次检测中每次的所述偏差值均小于前一次检测的偏差值时,所述判定敏感度阈值下调,以提升对早期微弱故障的捕获能力;其中和均为正整数,,。
41、在第二方面的一种具体的实施方式中,所述步骤s7中,所述云端分析模块接收所述边缘计算模块上传的所述疑似故障数据、所述补偿后的融合特征向量以及所述偏差值;
42、所述云端分析模块基于多模态注意力机制的深度学习模型对所述疑似故障数据进行深度故障识别与分类,所述多模态注意力机制包括电学注意力分支、热学注意力分支和光学注意力分支,各注意力分支的权重系数根据所述偏差值进行动态分配:
43、当时,判定当前电学参数数据受温度干扰超过容忍范围,所述深度学习模型自动加大所述热学注意力分支的权重系数并降低所述电学注意力分支的权重系数,其中,且的增量与呈正相关,的减量与呈正相关,为预设最大允许偏差值,通过历史故障数据的统计分析预先确定;
44、当时,所述深度学习模型按照预设的基准权重系数分配各注意力分支的权重。
45、在第二方面的一种具体的实施方式中,所述云端分析模块将动态分配后的所述多模态注意力机制的权重配置参数随所述优化后的模型参数一同反馈下发至所述边缘计算节点;
46、所述边缘计算节点将接收到的所述权重配置参数应用于下一次检测流程中的所述步骤s4的特征融合阶段,以实现多模态融合权重的跨周期动态修正。
47、在第二方面的一种具体的实施方式中,所述步骤s8中,所述模型参数的优化采用联邦学习方式,所述云端分析模块聚合多个边缘计算节点上传的模型梯度信息,生成全局优化模型参数后分发至各边缘计算节点;
48、所述云端分析模块还维护故障知识库,所述故障知识库存储有各型号电子元器件的故障特征图谱及其对应的故障类型和严重等级标签,所述深度学习模型在深度故障识别与分类时将提取的深度特征与所述故障知识库中的故障特征图谱进行比对匹配,以识别故障类型并评定故障严重等级;
49、所述故障知识库根据每次深度故障识别与分类的验证结果进行增量更新。
50、第三方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现电子元器件的故障检测方法的步骤。
51、本发明的有益效果为:
52、1.通过边-云协同的层次化推理架构与多模态数据流的精准调控,显著提升了故障检测的实时性与资源利用效率。本发明在边缘侧部署轻量化推理模型,对多源异构传感数据进行本地化预处理与初步诊断,有效避免了海量原始数据向云端的大规模传输,大幅降低了网络带宽占用与传输延迟。同时,通过引入温漂动态补偿机制,利用热学参量实时修正电学测量值的基线漂移,消除了环境温度与器件自热效应引入的测量不确定性,从信号源头保障了特征提取的保真度。在此基础上,系统以补偿前后特征向量的差异度为量化指标,动态调节边缘端的判定敏感度阈值与前端传感单元的采样策略,实现了计算资源与感知精度的自适应均衡,使得边缘端在有限算力条件下能够维持稳定、高效的初步筛查性能。
53、2.通过跨层级参数闭环反馈与云端推理策略的主动迁移,实现了故障检测模型在多源干扰下的自适应进化与鲁棒增强。云端分析模块接收边缘端上传的疑似故障数据及其关联的差异度指标,依据该指标动态分配多模态注意力机制的权重分布,有效抑制了受温度干扰严重的电学特征对融合判据的误导,强化了热学等抗干扰模态在深度推理中的贡献度。云端优化后的注意力权重配置随模型参数一并反馈至边缘端,使边缘侧在后续检测周期中能够继承云端的历史优化经验,完成特征融合策略的跨周期动态修正。此外,云端采用联邦学习框架聚合多边缘节点的梯度信息,在保障数据隐私的前提下实现全局模型的增量更新,同时维护并迭代故障知识图谱,使系统具备对新故障模式的持续认知与快速适应能力,最终形成了从信号采集、特征融合到诊断决策的完整闭环自优化体系。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com