PCB故障智能診斷與可視化技術研究.pdf

1、隨著科學技術的發(fā)展，印刷電路板（Printed Circuit Board，PCB）需求量的日益增加，板載電子電路系統(tǒng)也變得越來越復雜，對出廠前故障診斷的要求也越來越高，如何快速、高效地檢測PCB板的質量，已經(jīng)成為生產(chǎn)企業(yè)不得不高度重視的問題。然而，傳統(tǒng)的人工檢測方法存在著勞動強度大、可靠性差(易發(fā)生漏檢和誤檢)等缺點，直觀、高效的智能檢測方法逐步替代人工檢測方法成為必然趨勢。
　　本文對PCB的智能診斷和可視化技術進行研究，首先

2、介紹了PCB故障診斷技術的背景及其研究意義，比較全面地闡述了PCB的故障診斷技術，包括PCB故障的分類、診斷PCB故障的常用方法等，著重闡述了本文所采用的PCB功能測試法；并針對傳統(tǒng)的PCB故障診斷技術過程繁瑣、不直觀等缺點，提出了基于工控軟件LabVIEW（Laboratory Virtual Instrument Engineering Workbench）和PLC（Programmable Logic Controller，PLC

3、）的PCB故障診斷可視化系統(tǒng)。該系統(tǒng)將采用LabVIEW和PLC作為主要的開發(fā)平臺，為了解決PCB故障元件的精確定位問題，本文利用Visual C++6.0封裝Visio2007 ActiveX Control繪圖控件，繼而將ActiveX控件嵌入到LabVIEW中，通過LabVIEW友好的人機交互界面定位被檢測到的故障元件，以實現(xiàn)系統(tǒng)的可視化；為更好地建立PCB故障智能診斷與可視化系統(tǒng)的模型，本文還引入了隱馬爾科夫模型（Hidden

4、Markov Models，HMM），并且對HMM要解決的三個基本問題，即評估問題、解碼問題和訓練問題，以及針對這三個問題的Foreword-Backward算法、Viterbi算法和Ba um-We lch算法進行了詳述；為解決HMM初始參數(shù)的確立及訓練的難題，引入了遺傳算法（Genetic Algorithm，GA）和時域上相關的隱馬爾科夫模型（Time Correlation HMM,TC-HMM）；隨后，分別介紹了遺傳編碼、適應

5、度函數(shù)、遺傳算子以及時域上相關的隱馬爾科夫模型算法的設計；為了能更加清晰地描述PCB故障智能診斷與可視化系統(tǒng)的構建，本文重點闡述了基于遺傳算法與TC-HMM相結合的故障診斷方法的實現(xiàn)，最終利用遺傳算法改進和優(yōu)化時域上相關的隱馬爾科夫模型的參數(shù)初始化訓練過程，以建立本文所需的PCB故障智能診斷模型。最后，為驗證本文所提出的算法和所建立模型的綜合性能，建立了智能診斷模型的實驗平臺，通過大量實驗和測試驗證診斷系統(tǒng)的性能。實際結果表明該診斷系統(tǒng)