面向5G技术的电子元器件智能检测研究
文章来源:环城鑫官网
“5G+ 先进制造”推进了电子工业智能化的进程,在广覆盖、低延时、高可靠互联网背景下,蓬勃发展的现代信息技术与制造场景的有机结合,诞生了诸多新业态和新模式。电子设备和相关系统的基础和核心就是电子元器件,如果电子元器件的质量难以保证,就不会生产出优良的电子产品,就难以发挥电子产品的功能。由此,电子企业生存发展的首要任务就是利用科学的手段严格检测产品,以优质的产品质量增强自身的市场竞争力。而 5G 技术在电子工业领域的应用,推进了电子元件检测智能化的进程。
1 电子元器件检测中存在的问题
1.1 元器件的安全可靠性
因为电子元器件的结构相当精密,在极其复杂的工作环境中,只有确保绝对的安全可靠,才可以满足不同领域对产品的需求。特别是在军民结合的领域中,生产优质产品的前提条件就是电子元器件的安全可靠性。国家军工标准中对电子产品质量要求异常的严格,为了准确地评价产品,必须进行严格的检测。针对集成电路的制造,必须具备匹配产品要求的制造环境,首先要进行电学实验,严格按照实验程序进行规范化的操作,以保证实现产品要求的各项性能指标。由此不难看出,保证电子产品质量的关键措施就是对电子元器件的严格检测。目前广泛使用的检测方式包括电气产品通用环境类实验和电性能参数测试。
1.2 设备与系统不配套问题
传统的电子元器件的检测设备不仅在功能方面不完善,更不具备相匹配的操作系统。通常情况下,提供电子元器件以及集成电路检测设备的是传统设备供应商,其设备成本超高,如果进行系统升级会耗费大量时间。很多电子企业的检测设备只能进行局域网通信,难以兼容新型工业互联网和人工智能技术。在设备和系统不完善的情况下,更多依赖的是工作人员手工检测电子元器件。因为设备类型不统一,结构又复杂,检测模式有缺陷,操作人员会进行更多的手工检测工作,一旦工作疏忽就难以发现有质量的产品,造成检验结果的不准确。问题的症结在于操作人员是按照自己的工作经验判断产品的质量,大大增加了电子元器件检测的不确定性。
1.3 数据孤立问题
企业的检测设备尽管在检测过程中可以采集到数据,但这些数据与电子元器件难以形成联系。尽管计算机能够控制检测设备,但检测设备却不能与产品通信。在检测工作完成后,产品与采集的数据没有相互联系,工作人员难以对产品状态进行跟踪。这就导致在分析数据时难以和产品关联,无法追溯检测过程,严重降低了数据的利用率。当前,电子元器件的质量检测量大、检测内容复杂、面临很大的技术难度、检测周期过长、检测效率差。如果只是利用人工分析设备采集的大量数据,数据的准确性很难保证。所以,很多电子企业开始利用工业互联网技术来改进检测工作,进行检测流程的优化,显著提升了检测效率和准确度。
2 5G 技术在电子元器件智能检测中的关键意义
2.1 智能化可以满足信息共享的需求
企业传统的电子产品检测中心具有一定的封闭性,从待测的电子元器件样品的送检到检测报告形成,从启动检测设备到操作看板管理,全部检测过程会有大量工作人员穿插其中。所以,在电子元器件质量检测软件的研发中,很多企业力图从管理实验任务、自动化测试、结构标准化、自动生成报告等诸多环节来提升检测过程的智能化。但因为现有的检测设备信息化程度的差异性、缺失业务数据的中台、互联网环境的影响,检测数据的采集、共享和分析的效果还不能完全达到业务要求,大量数据的交换和共享还难以实现。
2.2 5G 技术促进检测智能化的进程
随着 5G 技术的日趋成熟,5G+ 工业互联网的融合模式将会为智能检测提供良好的技术支撑,真正实现了质量检测数据分享向接入数据、传输的低延时、分析建模智能化的2.0版本升级更新,促进了信息自动化水平的不断提升,让检测设备的数据生产能力更强、制定的解决方案更有实用性。同时,大数据和云计算资源可以通过 5G 数据业务中台、智能终端进行分配和调用,企业可以依托该优势构建检验测试流程的操控台,还能够利用移动窗口进行工业互联网上的信息交互,并在移动互联网上分享,完成与消费者的有效连接,从而通过智能检测管理平台上检测试验知识的沉淀和流转,显著提升产品检测效率的同时,更挖掘了网络化协同检测潜能,为电子工业制造的升级创造了条件。
3 5G 技术在电子元器件智能检测中的应用途径
3.1 综合应用的路径
从集成电路、电子元器件的检验筛选为出发点,结合老炼检测试验、电子元器件测试电性能的参数等检测程序,借助工业互联网系统,依托5G技术、大数据建模预测分析、工业物联网、B1可视化技术、数据采集和存储等的分析和应用,研究制定集成电路、高端电子元器件智能检测的改进方案。其一,通过高信息化、自动化智能检测设备的研发和改进方案的制定,完成科技含量高的自动测试、自动筛选的功能,该功能可以精细到对每个元器件信息采集、存储和溯源。其二,通过现代工业互联网技术中的容器化和微服务技术,借鉴通用化、组件化、平台化的设计理念,进行工业物联数据系统的设计,检测数据中台的构建,利用 5G 技术进行产品测试数据、检验设备数据的传输,利用 APP 软件管理和应用检验设备和产品测试数据,真正打通质检过程全周期的所有数据。
工业物联网应用集成解决方案
通过大数据、云计算、物联网等高端技术,构建电子元器件检测的数据采集和数据分析的平台,主要有设备接入、传输数据、管理设备、服务开放、微服务、监控、机理模型、规则引擎等。服务开放、数据传输等。应用场景和系统架构见图 1所示。
图1 5G 技术下工业互联网应用场景及系统架构
质检数据共享
电子元器件的试验标准进行自动匹配,完全可以利用设备仪表自动实现试验数据收集、判定试验结果,同时能够按照客户需求对试验报告模板进行自主选择。
匹配产品与检测数据
通过 5G 技术改造传统电子元器件检测设备,真正实现智能化的检测,设计信息化夹具载板、载盒,将5G通信模组植入其中,可以准确地一一对应每个待测产品与检测数据,真正实现了产品与检测设备的有效通信。
有线和无线融合解决方案
以 5G 基站部署为基础,将移动信息终端配置在4G/5G网络环境下、同时在该环境下进行5G数据采集终端等与物联平台的适配,真正实现了检测数据收集和传输的高效性,切实提升了检测数据治理的效果,确保了检测系统通信的安全。
创新举措
在 5G 技术背景下,具备超强的数据传输能力,可以将5G工业互联网与电子元器件检测系统有机结合,以促进智能化检测水平的提高。针对传统检测设备难以与产品通信的问题,5G工业互联网完全可以保证两者间的通信,如此就对产品质量进行追溯。表现在两个方面。第一,对检测流程的优化。在智能终端和装备应用的兼容中,分析电子产品可以利用大数据,以发挥数据的作用。第二,提高智能检测系统的全面性,创建有针对性的实训基地,以培养高素质的复合型人才。
3.2 5G 技术与 CNN 结合的算法框架建设
(1)联合编程
5G 技术大连接的特征成功地促进了工业互联网与CNN网络的兼容,解决了电子元器件检测中的分类预测问题。该应用在电子元器件导线头检测中作用显著。当完成第一阶段经典机器视觉对线头的筛检工作后,线头部位的筛检工作由CNN网络进行,系统最终会获得两方面的计算参数和分类结果,以此综合考虑导线头类别。在具体的应用过程中,利用经典深度学习开源框架与自动化设备通用编程软件进行联合编程,搭建起的智能化软件结构实现了CNN网络模型与经典机器视觉算法结合的目的。因为自动化设备通用编程软件可以有效进行检测目标数据的获得、存储和预处理,并对工程师经验引导的算法流程进行构建, 深度学习算法的框架实现了核心模型的识别。
深度学习模型
由于电子元器件导线线头失效形式复杂多样,所构建的基础数据集无法做到对失效特征的全面覆盖。针对这一问题,基于 5G 的 2.0 版的智能模型理念,对初始深度学习模型进行集训,以此为基础上构建处理模式,即人工智能算法与工程师经验的有机结合,以有效扩充训练集样本数量和种类,在确保可控的情况下完成算法精度的迭代上升。而每一轮迭代都会以以前模型判断结果为依据,以更正发现的原有样本数据分类标签的错误,在对训练集规模进行控制同时,进行细化、分类、补充以及归属处理未知的样本数据,从而在新的训练集的基础上重新训练模型,以进一步提升样品识别的准确率。
分类识别模型
决定分类识别模型学习上限的因素,包括样品数据的质量、类别标签的完整度和不同类别间样本规模及数量比例等。为了提升识别的准确率,就要不断地完善识别模型,由此本研究在建设样本数据集方面创建符合业务场景的程序和更新方式。在数据库的在线数据采集整理的基础上,参考统计分析和反馈调节机制,重点整理未知新型失效样本,实现了一种基于自适应样本标签跟踪和改进机制的工程师监督识别模型,实现了训练集的周期性动态更新。
3.3 数据集建设
5G 技术的 2.0版智能算法模型保证了结果精度的下限,而结果精度的上限是由数据决定的。而5G多元化的特点可以将信息技术与制造场景有机融合。而本文的电子元器件的产品外观筛检工作是一个典型的分类任务,也就是在获得产品外观图像的前提下,判断元器件样本是不是合格,原则上可以对二分类问题进行设置。但因为多样的失效特征、复杂的失效形式等原因的影响,本文的研究力图将给分类问题进行细化,构建多分类的模型,综合电子元器件的相关数据,在进行工程师对样品数据整理、采集、分类模式以及标注标签的基础上,对分类标签和样本数量进行确定,以进行有针对性地处理,构建适应检测业务需求的多分类基础数据集。在实际的进行过程中,基础数据集大体分两个阶段。
参照检测工程师的检测经验,综合 auto-encoder 的无监督聚类结果,把采集到的样本图像数据根据产品的外观质量从高到低进行五大类别的定义:不合格为NG、缺丝为 QS、过度偏不合格为GD-NG、过度偏合格为GD-OK、合格OK。
对基础数据中导线头的核心特征进行提取,包括正、歪、浅、散、断、缺等。并在此基础上描述失效特征并对分类标签结果进行细化,让数据集中分类标签科学合理性。值得一提的是,一些类别数据因为数量过少,极容易产生噪声干扰分类模型的分类边界,从而发生模型的过拟合现象,导致数据稀少样本周围被识别模型判断为错误类别,形成一定的分类误差,严重影响到多分类模型的预测精度。为了杜绝这种现象发生,在建设数据的过程中必须考虑在风险可控的情况下,对部分稀少类别的数据集进行合理的合并,促进不同类别数据集数据样本比例相对均匀,从数据集的层面模型的类别分析更加稳健。
4 结束语
产品的质量是电子信息生产企业生存和发展的根本保障。作为电子设备和相关系统基本单元的电子元器件,一旦产品出现任何问题都会给合作企业带来麻烦,甚至造成不可估量的经济损失。由此,对电子元器件质量的检测工作尤为重要,而传统的检测系统存在着诸多漏洞,技术改造势在必行。5G 技术在电子生产企业系统的应用,促进电子工业生产朝着更高层次发展,同时也推动了检测系统智能化的进程,最大程度解决了传统电子元器件检测中的问题。
版权声明:
《一步步新技术》网站的一切内容及解释权皆归《一步步新技术》杂志社版权所有,转载请注明出处!
《一步步新技术》杂志社。