摘要
当前航电电路板具有高度集成化、模块化的特点，传统基于先验知识的人工诊断法和以电信号为驱动的诊断法存在故障诊断率低、故障定位不佳等问题，且在对电路板进行检测信号注入时可能导致元器件二次损伤。针对此问题，本文提出了一种基于红外温度数据的电路板故障诊断方法，能够实现无损检测的同时兼顾故障诊断精度。 首先，选定实验电路板，设计了以红外热像仪为核心的电路板红外温度数据采集系统，通过电路仿真实验设计了电路板故障模式，以设定好的采集周期采集电路板原始红外热像图数据。然后，从红外热像仪处理软件中提取电路板关键元件芯片的温度数据，建立电路板芯片升温过程中静态、动态特征模型，将其输入到利用Sine混沌映射以及Levy飞行改进的麻雀搜索算法（SSA）优化后的BP神经网络中进行训练和测试，完成电路板芯片故障诊断，综合故障诊断率达97.84%。最后，针对完整红外温度数据曲线存在冷却区间无效数据、人为提取特征不彻底的问题，在一维卷积神经网络（1DCNN）的数据输入层后引入了注意力机制降低无效数据段区间权重，利用LeakyReLU激活函数减少神经元坏死，并利用SSA优化后的支持向量机（SVM）模型作为1DCNN的分类层，提出了改进1DCNN-SSA-SVM故障诊断模型，在减少人工干预的情况下进一步提高了特征提取效果，综合故障诊断率为99.07%。 本文通过多个对比实验，验证了基于红外温度数据能够有效表征电路板元器件工作状态，基于传统和深度学习的数据处理方法均能够实现对电路板芯片元器件的高精度故障诊断，表明了本文所提方法的有效性以及鲁棒性。
NETL