Статья: 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.