详情

原文传递一种FPGA焊接点故障在线状态监测方法

专利名称：	一种FPGA焊接点故障在线状态监测方法
摘要：	本发明涉及一种FPGA焊接点故障在线状态监测方法，包括：建立SJ BIST故障诊断模型，在测试端口外接小电容，通过测量外接小电容的充放电时间，得到焊接点的阻抗值；对得到的电阻值和电阻值对应的焊接点的健康状态的数据进行分析得到焊接点健康状态的样本数据；使用遗传算法进行参数寻优，得到β和γ两个参数的最优组合；使用最小二乘支持向量机方法对焊接点健康状态的样本数据进行训练，得到焊接点健康状态的故障等级分类。本发明使用单刀多掷开关进行切换电路，当前一个焊接点的数据传递到PC机后保存，然后清除BIST测试电路的测试数据，为进行下一次的测量做准备，实现了快速、准确的测量大量的数据。
专利类型：	发明专利
申请人：	合肥工业大学
发明人：	佐磊;徐相相;陈昊;姜学义;朱良帅;何怡刚;李兵;尹柏强
专利状态：	有效
申请日期：	1900-01-20T15:00:00+0805
发布日期：	1900-01-20T12:00:00+0805
申请号：	CN202010040563.9
公开号：	CN111141794A
代理机构：	合肥金安专利事务所(普通合伙企业)
代理人：	吴娜
分类号：	G01N27/20;G01R31/28;H05K13/08;G;H;G01;H05;G01N;G01R;H05K;G01N27;G01R31;H05K13;G01N27/20;G01R31/28;H05K13/08
申请人地址：	230009 安徽省合肥市包河区屯溪路193号
主权项：	1.一种FPGA焊接点故障在线状态监测方法，其特征在于：该方法包括下列顺序的步骤： (1)建立SJ BIST故障诊断模型，在测试端口外接小电容，通过测量外接小电容的充放电时间，得到焊接点的阻抗值； (2)通过测量大量的焊接点，得到焊接点信息，对得到的电阻值和电阻值对应的焊接点的健康状态的数据进行分析得到焊接点健康状态的样本数据； (3)使用遗传算法进行参数寻优，得到β和γ两个参数的最优组合； (4)使用最小二乘支持向量机方法对焊接点健康状态的样本数据进行训练，得到焊接点健康状态的故障等级分类。 2.根据权利要求1所述的FPGA焊接点故障在线状态监测方法，其特征在于：所述步骤(1)具体是指：每两个焊点外接一个小电容，通过测量各个小电容的充放电时间，转换成各个焊点的阻值；电容的充放电公式为：或者式中，V0为电容上的初始电压值；V1为电容最终可充到或放到的电压值，也就是BGA封装的FPGA所能提供的最大电压值；Vt为t时刻电容上的电压值；t为充电时间；R为测量焊接点的阻抗值；C为外接小电容的电容值；设电容的初始电压V0＝0，BGA封装的供电电压为3.3V，式(2)可写成：当测量出t时刻电容的电压值Vt即可快速计算出焊接点的阻抗值；焊接点阻抗值的公式为： 3.根据权利要求1所述的FPGA焊接点故障在线状态监测方法，其特征在于：所述步骤(2)具体是指：用外接小电容对焊点的健康信息进行诊断，通过观察外接电容的充放电时间以及BIST读取的电容电压信号来对焊接点的健康信息进行预测诊断；SJ BIST模型中包含输入输出缓冲电路和输出驱动电路，多次重复焊接点的测量位置做测试实验得到大量的数据，对数据进行分析得到焊接点健康信息的二维的样本数据如下： Xi,j i∈[1,n],j∈[1,3] 其中，Xi,j为第i个焊接点的电阻值第j种健康状态；把所得到的二维数据，其中一部分作为训练样本，另一部分作为测试样本。 4.根据权利要求1所述的FPGA焊接点故障在线状态监测方法，其特征在于：所述步骤(3)具体包括以下步骤： (1)使用格雷码编码方式对训练样本进行编码； (2)种群的规模生成：生成80组染色体，含有β核函数参数和γ正则化参数两个参数，一个染色体上含有β和γ两个基因，这两个基因的初始值范围取在[0,100]； (3)以个体适应度的值来评定各个个体的优劣程度； (4)将适应度的值从小到大进行排列，采用轮盘赌法选择个体遗传到下一个群体中；轮盘赌法就是把对应所有适应度函数值加起来，再用各自的适应度函数值去除以这个适应度函数值之和，然后再随机生成一个0～1的概率值p，选择的个体的概率值p1≥p，则选择概率值为p1的这个个体； (5)设置交叉概率Pc＝0.6，选择单点交叉； (6)设置变异概率Pm＝0.15，采用基本位变异的方法进行变异运算，产生新个体； (7)选择迭代300次，迭代次数小于300时，返回第(4)步，直到达到迭代次数上限300次，选择最大适应度的值的染色体个体作为基于改进的最小二乘支持向量机的最优参数。 5.根据权利要求1所述的FPGA焊接点故障在线状态监测方法，其特征在于：所述步骤(4)具体是指：利用最小二乘支持向量机对焊接点故障的样本数据进行训练，根据以上的测试实验结果的数据以及支持向量机的训练结果，预测焊接球电阻值在0～10Ω之间焊接点是处于健康状态，焊接球电阻值在10～400Ω之间焊接点是处于裂缝且FPGA可以继续工作，焊接球电阻值大于400Ω的时候焊接点断裂，焊接球与FPGA和PCB板不再接触，焊接点失效，FPGA处于异常，可能会停止工作；由此得到FPGA焊接点的故障预测分类等级：分别是健康、故障态、芯片失效，对应的焊接点的阻抗值分别为0～10Ω，10～400Ω，大于400Ω；故障态是指焊接球出现裂缝或部分断裂，芯片失效是指焊接球完全断裂；采用标签1、2、3分别表示FPGA焊接点失效故障的健康、故障态、芯片失效三个等级；利用遗传算法得到的正则化参数γ和核参数β的最优组合，构建最小二乘支持向量机的分类决策函数，最小二乘支持向量机的分类决策函数的输出为FPGA焊接点的故障的等级，最小二乘支持向量机分类决策函数的输出为1、2或3，1、2、3分别表示FPGA焊接点故障的健康、故障态、芯片失效三个等级；最小二乘支持向量机分类决策函数的输入为工作频率和外接小电容的电容值确定时测得的FPGA焊接点的电阻值；给定样本训练集，该样本训练集为样本数据集合，其中样本训练集为{(x1,y1),…(xn,yn)},n为训练样本容量，xi∈Rn表示第i个样本输入，yi∈{1,2，…，n}表示第i个样本的期望输出，即类标；当作为训练样本集中xi的二维数据的电阻值在0～10Ω时，训练样本的期望输出yi等于1；当作为训练样本xi的二维数据的电阻值在10～400Ω时，训练样本的期望输出yi等于2；当作为训练样本xi的二维数据的电阻值在大于400Ω，训练样本的期望输出yi等于3；利用遗传算法得到的正则化参数γ和核参数β的最优组合，构建最小二乘支持向量机的分类决策函数为：式中，ω为权向量，b为偏置常数，K(xi，xj)为最小二乘支持向量机的核函数；是核参数β的函数，xi表示第i个样本输入，xj表示第j个样本输入；对于最小二乘支持向量机，引入松弛变量ξi和错分样本的正则化参数γ，最小二乘支持向量机的约束条件是：式中，xi、yi分别表示输入的第i个训练样本及其对应的输出；n表示训练样本容量；ξi表示松弛因子，且ξi≥0；γ表示正则化参数；为和空间的映射函数；ω表示权向量；b表示偏置常数。
所属类别：	发明专利