toplogo
登入

基於頻域反射係數信號模式學習的電子互連非破壞性故障診斷


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。

edit_icon

客製化摘要

edit_icon

使用 AI 重寫

edit_icon

產生引用格式

translate_icon

翻譯原文

visual_icon

產生心智圖

visit_icon

前往原文

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%。
引述

深入探究

如何將這種基於反射係數信號模式的故障診斷方法應用於更複雜的電子系統,例如多層印刷電路板或具有多種互連類型的系統?

將基於反射係數信號模式的故障診斷方法應用於更複雜的電子系統,例如多層印刷電路板 (PCB) 或具有多種互連類型的系統,會面臨一些挑戰,但同時也存在一些潛在的解決方案: 挑戰: 信號複雜性增加: 多層 PCB 和多種互連類型會導致反射係數信號更加複雜,難以辨識特定缺陷的特征模式。 信號 접근성: 在複雜系統中,並非所有互連點都容易 접근 以進行反射係數測量。 數據量需求增加: 訓練機器學習模型需要大量的數據,而複雜系統中缺陷種類和嚴重程度的組合會顯著增加數據需求。 解決方案: 多通道測量: 可以採用多通道測量技術,同時獲取多個互連點的反射係數信號,並結合信號處理技術分離不同缺陷源的影響。 先進的信號處理技術: 可以利用時頻分析、小波變換等先進信號處理技術,從複雜的反射係數信號中提取更具代表性的特征,提高缺陷辨識的準確性。 分層建模: 可以採用分層建模的方法,先訓練針對特定互連類型或 PCB 層級的模型,再將這些模型組合起來,構建針對整個系統的故障診斷模型。 遷移學習: 可以利用遷移學習技術,將已訓練好的模型應用於新的互連類型或 PCB 層級,減少對新數據的需求。 總之,將基於反射係數信號模式的故障診斷方法應用於更複雜的電子系統需要克服一些挑戰,但通過採用多通道測量、先進的信號處理技術、分層建模和遷移學習等方法,可以有效提高診斷的準確性和效率。

如果電子互連中存在多種缺陷類型,例如同時存在機械損壞和腐蝕,那麼該方法的診斷性能如何?

當電子互連中存在多種缺陷類型時,例如同時存在機械損壞和腐蝕,基於反射係數信號模式的故障診斷方法的性能會受到一定影響,主要體現在: 特征混疊: 不同缺陷類型可能會產生相似的反射係數信號模式,導致特征混疊,降低診斷的準確性。 缺陷交互作用: 多種缺陷同時存在可能會產生交互作用,導致反射係數信號模式更加複雜,難以辨識單一缺陷的特征。 為了提高診斷性能,可以考慮以下方法: 多特征融合: 除了反射係數信號模式外,還可以結合其他傳感器數據,例如溫度、濕度、電阻等,構建多特征融合模型,提高缺陷辨識的準確性。 深度學習模型: 可以採用深度學習模型,例如卷積神經網絡 (CNN) 或循環神經網絡 (RNN),自動學習複雜的特征表示,提高對多種缺陷類型的辨識能力。 缺陷標籤細化: 在數據標註階段,可以對缺陷類型進行更細致的分類,例如區分不同程度的機械損壞和腐蝕,提高模型對不同缺陷類型的敏感度。 總之,當電子互連中存在多種缺陷類型時,需要採用更先進的信號處理技術、機器學習模型和數據標註方法,才能有效提高基於反射係數信號模式的故障診斷方法的性能。

基於機器學習的故障診斷方法的發展如何促進電子產品設計和製造過程的改進,以提高可靠性和耐用性?

基於機器學習的故障診斷方法的發展,為電子產品設計和製造過程的改進提供了新的思路和工具,可以從以下幾個方面促進電子產品可靠性和耐用性的提升: 1. 缺陷預測和預防: 設計階段: 通過分析歷史數據和仿真模型,機器學習可以預測潛在的缺陷模式和高風險區域,幫助設計師在設計階段就採取措施,例如優化電路佈局、選擇更可靠的材料和元器件等,從源頭上減少缺陷的產生。 製造階段: 機器學習可以分析生產過程中的各種參數,例如溫度、壓力、濕度等,以及產品的測試數據,預測潛在的製造缺陷,並及時調整生產參數或進行質量控制,避免缺陷產品流入市場。 2. 加速產品測試和驗證: 虛擬測試: 機器學習可以構建虛擬測試模型,模擬真實環境下的產品運行狀態,並預測產品的壽命和可靠性,從而減少對昂貴且耗時的物理測試的依賴。 加速老化測試: 機器學習可以分析產品在加速老化測試中的數據,預測產品在正常使用條件下的壽命和可靠性,縮短產品測試周期。 3. 優化維護策略: 預測性維護: 機器學習可以根據產品的運行狀態和歷史數據,預測產品的剩余壽命和故障時間,提醒用戶及時進行維護,避免因故障導致的停機和損失。 個性化維護: 機器學習可以根據不同用戶的使用習慣和環境條件,制定個性化的維護策略,提高維護效率,降低維護成本。 總之,基於機器學習的故障診斷方法的發展,為電子產品設計、製造和維護提供了全新的思路和工具,可以有效提高產品的可靠性和耐用性,降低產品的開發成本和維護成本,延長產品的使用壽命,提升用戶體驗。
0
star