Акустико-эмиссионная диагностика латентных дефектов в многослойных печатных платах радиоэлектронных устройств

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.

1. Смирнов А.О., Фарафонов В.А., Картошкин А.Д. Акустическая эмиссия в материалах: механизмы генерации волн, применение и технологические особенности неразрушающего контроля. Вестник науки. 2023;5(4):828–833.

2. Marcas, J., Smith, A., Jones, R. Application of vibration table and acoustic emission to detect delamination defects in printed circuit boards. Journal of Engineering Acoustics. 2016;48(2):117–129.

3. Hu X., Yue Y., Cai C., Qi Z.M. Temperature-robust optical microphone with a compact grating interferometric module. Applied Optics. 2023;62(23):6072–6080 DOI: 10.1364/AO.489968.

4. Teng S., Chen X., Chen G., Cheng L., Bassir D. Structural damage detection based on convolutional neural networks and population of bridges. Measurement. 2022;202:17–47. DOI: 10.1016/j.measurement.2022.111747.

5. Слесарев Д.А. Обработка и анализ сигналов в неразрушающем контроле М.: МЭИ; 2013. 99 с.

6. Галлямов И.И. Физические основы неразрушающего контроля и дефектоскопии. Уфа: УГНТУ; 2015. 101 с.

7. Нуштаев Д.В., Тропкин С.Н. Abaqus: пособие для начинающих. М.: ООО «ТЕСИС»; 2010. 43 c.

8. Фам Лэ Куок Хань. Диагностика радиоэлектронных устройств при испытаниях на ударные воздействия: дисс. … канд. техн. наук. М.: РТУ МИРЭА; 2021. 157 с.

9. Золочевский А.А., Беккер А.А. Введение в ABAQUS. Методическое пособие. Харьков: ТОВ «Бізнес Інвестор Груп»; 2011. 49 c.

10. Манилык Т., Ильин К. Практическое применение программного комплекса ABAQUS в инженерных задачах. Версия 6.5. М.: МФТИ, ООО «ТЕСИС»; 2006. 67 с.

11. Увайсов С.У., Черноверская В.В., Нгуен Конг Дык, Лыу Нгок Тиен. Применение искусственной нейронной сети в задаче ультразвуковой диагностики печатных плат радиоэлектронных устройств. Моделирование, оптимизация и информационные технологии. 2023;11(2). URL: https://moitvivt.ru/ru/journal/pdf?id=1338. DOI: 10.26102/2310-6018/2023.41.2.020ю

12. Ермаков С.М. Метод Монте-Карло в вычислительной математике: вводный курс. М.: БИНОМ. Лаборатория знаний; 2018. 192 с.

13. Увайсов С.У. Черноверская В.В. Данг Н.В. Туан Н.В. Применение искусственной нейронной сети в задаче тепловой диагностики печатного узла бортового устройства контроля разбега самолета. Моделирование, оптимизация и информационные технологии. 2022;10(3). URL: https://moitvivt.ru/ru/journal/pdf?id=1218. DOI: 10.26102/2310-6018/2022.38.3.012.7.

14. Ростовцев В.С. Искусственные нейронные сети: учебник. Киров: Изд-во ВятГУ; 2014. 208 с.