Применение искусственной нейронной сети в задаче тепловой диагностики печатного узла бортового устройства контроля разбега самолета

Техническая диагностика и контроль радиоэлектронного устройства являются неотъемлемой частью его жизненного цикла, поскольку позволяют оценить не только техническое состояние узлов и модулей в текущий момент времени, но также дают возможность выявить скрытые дефекты, возникшие в процессе производства или эксплуатации устройства, и сделать прогноз об остаточном ресурсе изделия. Можно сказать, что в процессе технического диагностирования осуществляется оценка надежностных показателей исследуемого устройства и степень соответствия заложенного и реализуемого функционала, что неразрывно связано с качественной характеристикой изделия. Современные радиоэлектронные устройства, характеризующиеся высокой схемотехнической, конструктивной и технологической сложностью, требуют дополнительной проработки существующих методов диагностики и поиска новых подходов, позволяющих повысить разрешающую способность, достоверность и эффективность диагностических процедур. В последнее время в этой сфере наряду с традиционными, проверенными на практике методами, активно используются достижения из области искусственного интеллекта, машинного обучения, аппарата нейронных сетей. Кроме этого, применение моделирования и вычислительного эксперимента в конструкторском проектировании позволили на ранних этапах разработки, еще до изготовления опытного образца, объединить проектные и диагностические процедуры, провести разноплановые исследования виртуального двойника устройства и своевременно внести необходимые изменения, предупредив тем самым проявление негативных эффектов в готовом изделии. В статье приведены результаты исследования, направленного на создание тепловой модели проектируемого узла и разработку искусственной нейронной сети для распознавания конструктивных дефектов устройства по его тепловому полю. В ходе исследования активно применялись специализированные системы автоматизированного проектирования, включающие средства инженерного анализа и расчетов, а также высокоуровневый язык программирования Python. Результаты исследования имеют практическую направленность и могут использоваться разработчиками радиоэлектронных устройств с целью достижения высоких показателей надежности и эксплуатационных характеристик изделия на всех стадиях его жизненного цикла.

1. Увайсов С.У., Черноверская В.В., Нгуен Вьет Данг, Нгуен Ван Туан. Проектирование печатного узла устройства контроля процесса разбега самолета. Динамика сложных систем. 2022;23(2):31−43. DOI: 10.18127/j19997493-202202-02.

2. Богачек Г.Д., Букрин И.В., Иевлев В.И. Технология поверхностного монтажа, автоматическая установка компонентов: под общ. ред. В.И. Иевлева. Екатеринбург: Изд-во Урал. ун-та; 2018. 104 с.

3. Дао Ань Куан. Термодиагностика печатных узлов радиоэлектронных устройств: дисс. … канд. техн. наук: 2.2.13. Москва; 2021. 136 с.

4. Меркухин Е.Н. Априорный критерий оценки эффективности оптимизации теплового режима путем рационального размещения электронных элементов. Современные наукоемкие технологии. 2018;10:77−81. Доступно по: http://toptechnologies.ru/ru/article/view?id=37198.

5. Андрейченков А.В., Андрейченкова О.Н. Интеллектуальные информационные системы и методы искусственного интеллекта: учебник. М.: ИНФРА-М; 2021. 530 с. DOI: 10.12737/1009595.

6. Вьюгин В.В. Математические основы теории машинного обучения и прогнозирования. М.; 2013. 387 с.

7. Увайсов С.У., Черноверская В.В., Дао Ань Куан, Нгуен Ван Туан, Занг Ван Тхань. Метод опорных векторов в задаче тепловой диагностики конструктивных дефектов радиоэлектронных устройств. Вестник Концерна ВКО «Алмаз – Антей». 2022;1:58–70. Доступно по: https://doi.org/10.38013/2542-0542-2022-1-58-70.

8. Алямовский А.А., Собачкин А.А., Одинцов Е.В., Харитонович А.И., Пономарев Н.Б. SolidWorks. Компьютерное моделирование в инженерной практике. СПб.: БХВ-Петербург; 2005. 800 с.

9. Горбаченко В.И., Ахметов Б.С., Кузнецова О.Ю. Интеллектуальные системы: нечеткие системы и сети: учебное пособие для вузов. М.: Юрайт; 2019. 105 с.

10. Printed circuit boards (PCB) inspection by thermal imaging. Доступно по: https://www.batterfly.com/shop/en/blog-posts?journal_blog_post_id=12 (дата обращения: 04.06.2022).

11. Sexton J. Infrared Inspection Finds Elusive Faults. Test & Measurement World. 2001. Доступно по: https://www.academia.edu/30273154/PCB_Testing_Using_Infrared_Thermal_Signatures (дата обращения: 01.06.2022).

12. Data Sheets: GNSS modules – NEO-7, ATmega640/1280/1281/2560/2561, HC-05-Bluetooth, MPU-6000 and MPU-6050. Доступно по: https://radiodetali.com/media/catalog/product/a/t/atmel-2549-8-bit-avr-microcontroller-atmega640-128-1065468.pdf (дата обращения: 15.04.2022).

13. SOLIDWORKS Web Help, Simulation. Доступно по: https://help.solidworks.com/2020/English/SolidWorks/SWHelp_List.html?id=1830c8da5ad948ff893d9ffa6a59473d#Pg0 (дата обращения: 01.02.2022).

14. Beale M.H., Hagan M.T., Demuth H.B. Neural Network Toolbox. User’s Guide. Natick: Math Works, Inc.; 2015. 406 p.