В статье приведены результаты применения метода акустической эмиссии (АЭ) и алгоритмов машинного обучения в задаче диагностики дефектов расслоения структуры многослойной печатной платы (МПП). Для решения поставленной задачи применяется комбинация физического и вычислительного экспериментов. Для проведения натурных испытаний в исследовании используется вибростенд для формирования нагрузки на испытуемый объект и получения сигналов акустической эмиссии. Вычислительный эксперимент проводится с помощью математического моделирования в специализированной среде ABAQUS. Для получения наилучшего решения задачи в ходе эксперимента решается оптимизационная задача по определению частоты гармонического сигнала, формируемого вибростендом, для получения максимального отклика исследуемой МПП и однозначной идентификации дефекта расслоения. В численных экспериментах были промоделированы воздействия и реакции (сигналы АЭ) МПП при различных частотах входных вибросигналов, лежащих в диапазоне от 100 до 2000 Гц. Натурные эксперименты проводились в лаборатории контроля и испытаний радиоэлектронных средств кафедры КПРЭС РТУ МИРЭА. Результаты исследования показали, что наиболее эффективной для обнаружения дефекта расслоения является частота вибрационного воздействия, равная 1500 Гц (дефект почти прямоугольной формы размером 30×37 мм). В дальнейшем это было подтверждено корреляционным анализом, позволившим выявить максимальные различия между сигналами акустической эмиссии годного образца МПП и образца с внесенным дефектом расслоения для входного вибровоздействия заданной частоты. Вторая часть исследования посвящена обработке результатов физического и вычислительного экспериментов, установлению степени адекватности полученных математических моделей реальным образцам МПП и процессам, протекающим в них, а также применению алгоритмов машинного обучения для более достоверной диагностики дефектов МПП. В представленном исследовании в качестве алгоритмов машинного обучения применялись методы случайного леса и опорных векторов (SVM). По результатам их выполнения была оценена точность работы двух алгоритмов.
The article presents the results of the acoustic emission method application (AE) and machine learning algorithms in the problem of diagnosing defects in the stratification of a multilayer printed circuit board structure (MPB). A combination of physical and computational experiments is used to solve the problem. To conduct full-scale tests, the study uses a vibration stand to generate a load on the test object and receive acoustic emission signals. The computational experiment is carried out using mathematical modeling in a specialized ABAQUS environment. In order to obtain the best solution to the problem, an optimization problem is solved during the experiment to determine the frequency of the harmonic signal generated by the vibration stand with a view to receiving the maximum response of the MPB under review and unambiguous identification of the bundle defect. When conducting the numerical experiments, the effects and reactions (AE signals) of MPB were modeled at different frequencies of input vibration signals ranging from 100 to 2000 Hz. Full-scale experiments were conducted in the laboratory of control and testing of radioelectronic devices at the Department of KPRES of RTU MIREA. The results of the study have shown that the vibration frequency most effective for detecting a delamination defect equals 1500 Hz (a defect of almost rectangular shape with a size of 30×37 mm). Subsequently, this was confirmed by correlation analysis, which made it possible to identify the maximum differences between the acoustic emission signals of a suitable MPB sample and a sample with a delamination defect for the input vibration of a given frequency. The second part of the study deals with processing of the physical and computational experiment results, establishing the degree of adequacy of the obtained mathematical models to real samples of MPB and the processes occurring in them, as well as the use of machine learning algorithms for more reliable diagnosis of MPB defects. In the presented study, the random forest and the support vector machine learning (SVM) methods were employed as machine learning algorithms. Based on the results of their execution, the accuracy of the two algorithms was evaluated.
The authors declare that there are no conflicts of interest present.