核心概念
本文提出了一種基於頻域反射係數信號模式的機器學習方法,用於電子互連的非破壞性故障診斷,可以有效識別缺陷的根本原因和嚴重程度,並對工業環境中的噪音具有較強的抵抗力。
摘要
書目資訊
Kang, T. Y., Lee, H., & Suh, S. (2024). Non-destructive Fault Diagnosis of Electronic Interconnects by Learning Signal Patterns of Reflection Coefficient in the Frequency Domain. Microelectronics Reliability. Retrieved from arXiv:2304.10207v3 [cs.LG]
研究目標
本研究旨在開發一種非破壞性方法,利用電子信號模式,特別是頻域中的反射係數信號模式,來檢測電子互連中的缺陷,並確定其根本原因和嚴重程度。
方法
- 製作了具有不同缺陷狀態(機械損壞和腐蝕)的銅互連測試載具。
- 使用向量網路分析儀測量了不同缺陷狀態下互連的反射係數信號模式。
- 將反射係數信號模式與其他電子信號(直流電阻、時域反射儀 (TDR) 和指定頻率下的散射參數 (S 參數))進行比較,以評估其在故障診斷中的有效性。
- 採用機器學習技術,包括傳統機器學習方法(隨機森林和 k 均值聚類)和深度學習方法(多類卷積神經網路 (CNN) 和嚴重程度評級集成學習 (SREL)),利用反射係數信號模式對缺陷進行分類和診斷。
- 通過將白高斯雜訊添加到數據中來評估所提出方法在雜訊條件下的穩健性。
主要發現
- 與直流電阻、TDR 和指定頻率下的 S 參數等一維電子信號相比,反射係數信號模式在區分不同缺陷狀態(正常、機械損壞和腐蝕,以及不同的嚴重程度)方面表現出獨特的特徵,證明了其在早期檢測和根本原因分析方面的能力。
- t 分佈隨機鄰域嵌入 (t-SNE) 降維結果表明,基於缺陷資訊,反射係數信號模式可以很好地分組,這表明這些模式是機器學習和深度學習方法的有效輸入數據。
- 基於反射係數信號模式的機器學習和深度學習技術在電子互連故障診斷方面取得了令人滿意的結果,證明了該方法的可行性。
- 所提出的 SREL 方法在雜訊條件下優於傳統機器學習和多類 CNN 方法,在實驗數據中實現了 99.3% 的最大診斷準確率,證明了其在準確性和雜訊穩健性方面的優勢。
主要結論
該研究表明,基於頻域反射係數信號模式的機器學習方法可以作為一種非破壞性、雜訊穩健的電子互連故障診斷工具。該方法能夠及早發現缺陷,並同時分析缺陷原因和嚴重程度,而無需藉助輔助工具。
意義
這項研究為電子互連的非破壞性故障診斷領域做出了貢獻,為提高電子系統在工業環境中的可靠性和性能提供了新的途徑。
局限性和未來研究方向
未來的研究方向包括將該方法擴展到不同類型的電子設備和材料,以進一步驗證其適用性和穩健性,以及將其與實時監控系統和自動故障診斷演算法相結合,以便在電子系統中實現主動維護並最大程度地減少潛在的故障和損壞。
統計資料
正常互連的平均直流電阻為 0.60 歐姆。
具有機械缺陷的互連(M1、M2 和 M3)的平均直流電阻分別為 0.62、0.63 和 0.70 歐姆。
具有腐蝕缺陷的互連(C1、C2 和 C3)的平均直流電阻分別為 0.60、0.62 和 0.65 歐姆。
正常互連的平均 TDR 值為 53.2 歐姆。
具有機械缺陷的互連(M1、M2 和 M3)的平均 TDR 值分別為 58.9、57.2 和 48.8 歐姆。
具有腐蝕缺陷的互連(C1、C2 和 C3)的平均 TDR 值分別為 59.1、53.8 和 53.1 歐姆。
正常互連在 8 GHz 時的平均 S11 參數值為 -10.0 dB。
具有機械缺陷的互連(M1、M2 和 M3)在 8 GHz 時的平均 S11 參數值分別為 -6.0、-4.9 和 -3.7 dB。
具有腐蝕缺陷的互連(C1、C2 和 C3)在 8 GHz 時的平均 S11 參數值分別為 -4.0、-5.5 和 -5.4 dB。
SREL 方法在 EfficientNet 基線網路上的診斷準確率為 99.3%。
多類 CNN 模型在 EfficientNet 骨幹網路上的診斷準確率為 98.6%。
隨機森林的診斷準確率為 98.6%。
k 均值聚類的準確率最低,為 81.2%。