Индивидуальное прогнозирование, на данный момент, обеспечивает наибольшую точность (ИП). Смысл данного прогнозирования заключается в том, что по величине информативного параметра или по результатам наблюдения за каждым конкретным экземпляром и полученной прогнозной модели делается вывод о потенциальной надежности и качеству работы этого экземпляра, то есть о возможности его использования по назначению в течение заданного срока службы. Сейчас, основной проблемой является либо отсутствие прогнозных моделей для многих ЭРИ, либо недостаточная точность их прогнозирования. Поэтому актуальной задачей является разработка таких прогнозных моделей и повышение их точности, что обеспечивается применением принципа экстремума погрешности.
Цель работы и решаемые задачи
Цель данной работы разработка прогнозной модели и анализ ее эффективности на примере качества работы стабилитронов.
Для достижения поставленной цели следует решить следующие задачи:
— создание математических прогнозной модели на основе нейросетей;
— синтез прогнозной модели при постоянной обучающей выборке;
— синтез прогнозной модели при переменной обучающей выборке.
— прогнозирование значений Uст при t=1000ч по значениям t=25ч, t=100ч;
— выбор способа реализации прогнозной модели.
Предлагаемая модель прогнозирования качества полупроводниковых приборов позволит существенно сократить интервал обучения, может найти широкое применение при анализе качества радиоэлектронной аппаратуры.
В ходе контроля на качество, устанавливаются:
— качество маркировки;
— правильность заполнения сопроводительной документации;
— полнота комплектации;
Нужна помощь в написании автореферата?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.
— работоспособность изделия.
Тем самым, мы можем определить, будет ли работоспособно наше изделие, по пришествию 1000ч. Это позволит, повысить надежность изделий, где будет применены данные ЭРЭ, что позволит экономить вкладываемые денежные средства.
При выполнении работы использовались теоретические и экспериментальные исследования. Теоретические исследования основываются на методах математической статистики, распознавании образов, методах численного моделирования.
Экспериментальные исследования выполнены с использованием нейросетевой модели со стандартной функцией программы MATLAB.
Научная новизна работы заключается в том, что предложена, разработана и исследована прогнозная модель качества приборов на основе нейросетей, с использованием экстремума погрешности, обеспечивающая уменьшение интервала обучения прогнозной модели, а также существенное увеличение интервала прогноза.
Доклады и апробации результатов работы
Основные положения и результаты работы докладывались на следующих конференциях:
- На Всероссийской научно-практической конференции «Современные технологии в кораблестроительном и авиационном образовании, науке и производстве», посвященной 100-летию со дня рождения Р.Е. Алексеева дипломом Лауреата
- На региональном научном семинаре «Информационные технологии и прикладная математика» дипломом II степени, которая проходила в 2016 году в АФ ННГУ им. Н.И. Лобачевского.
Основное содержание работы
Во введении обоснована актуальность темы, определены цели и задачи работы, отмечена научная новизна проведенных исследований.
В первом разделе работы рассмотрен обзор методов и моделей прогнозирования, приведены различные методы аппроксимации экспериментальных данных. В данной работе был использован формализованный метод с использованием структурной модели – нейросети. В качестве программной реализации выбран пакет Matlab.
Приведено обоснование выбора нейронных сетей с радиально-базисными функциями.
Во втором разделе приведено описание прогнозной модели качества стабилитронов на основе нейросетевой модели.
Для разработки прогнозной модели были заимствованы данные из работы Мишанова Р.О., Пиганова М.Н., которые были получены с помощью проведения обучающего эксперимента. Была использована выборка, состоящая из 50 стабилитронов 2С182Ж. Измерялись значения информативных параметров (коэффициент теплового тока Кт и дифференциальное сопротивление Rδ). В качестве прогнозного параметра измерялось значение дрейф напряжения стабилизации ∆Uст. Величина ∆Uст оценивалась за 25,100,250,500 и 1000 часов испытаний при температуре +120°С. Было установлено граничное значение ∆Uст.гр=20 мВ при значении t=1000 ч. При ∆Uст< 20 мВ — изделие принималось как годное. При ∆Uст > 20 мВ — негодное.
В данной работе была поставлена задача прогнозировать по значениям напряжения стабилизации при t=25 часов, t=100 часов прогнозировать значения этого параметра при t=1000 ч., это позволит сократить количество испытаний, сэкономить время, затраченное на их реализацию.
В данной работе расчеты проводились с помощью нейросетей. Рассматривалась нейросетевая модель со стандартной функцией программы MATLAB, имеющей следующий вид:
net = newrb(P,T,GOAL,SPREAD), (1)
где P — матрица входных данных;
T — вектор выходных данных;
GOAL — среднеквадратическая ошибка (в нашей модели принята равной 0,3);
Нужна помощь в написании автореферата?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.
SPREAD — параметр влияния радиально-базисной функции (в нашей модели принят равным 2,3).
Функция newrb – это матрицы входных и выходных векторов, P и T и конструктивные параметры GOAL и SPREAD. Метод проектирования newrb заключается в том, что функция создает нейроны по одному. После чего проверяется ошибка новой сети, и если она достаточно мала, погрешность минимальная, то нейросеть считается законченной. В противном случае добавляется следующий нейрон. Эта процедура повторяется до тех пор, пока ошибка не будет минимальна.
Для того чтобы получить допустимые значения погрешности, необходимо правильно задать конструктивные параметры GOAL и SPREAD.
В работе были использованы и сравнены между собой два способа расчетов. Первый, на основе экстремума погрешности при постоянной выборке и второй, основанный на переменной обучающей выборке. Нами были взяты значения 50 стабилитронов, из которых 25 мы поместили в обучающую выборку, остальные 25 в проверочную.
Обучающая выборка, по которой синтезируется модель, представлена в таблице 1. Данные по проверочным точкам представлены в таблице 2.
Таблица 1 — Обучающая выборка
Таблица 2 — Проверочная выборка
Подробно остановимся на первом методе, основанном на постоянной обучающей выборке.
В процессе калибровочных работ была снята зависимость средней абсолютной погрешности проверочных точек от средней абсолютной погрешности точек постоянной обучающей выборки. При этом для низких значений погрешности проверочных точек имеет место совпадение расчетных и экспериментальных данных (в смысле годности, негодности), что показано в таблице 3. При больших погрешностях проверочных точек имело место несовпадение экспериментальных и расчетных данных.
Таблица 3 — Сравнение экспериментальных и расчетных данных
Изменение средней абсолютной погрешности точек осуществлялось за счет изменения состава обучающей выборки. В первом ряду обучающей матрицы выбиралось несколько наибольших значений напряжения стабилизации. В данных одного эксперимента одно значение изменялось, алгоритм расчета представлен на рисунке 1. При этом средняя абсолютная погрешность проверочных точек уменьшалась. Далее аналогичная процедура применялась к другой выбранной величине, проводился аналогичный алгоритм расчета. Изменение значений осуществлялось методом многомерной оптимизации.
Таким образом, каждой точке графика (рисунок 2) соответствует измененная матрица обучающей выборки.
Расчеты продолжались до тех пор, пока не была достигнута необходимая величина снижения погрешности проверочных точек. Тем самым, воздействуя на обучающую выборку, получается снижение погрешности проверочных точек.
Затем, был рассмотрен второй способ, основанный на переменной обучающей выборке.При переменной обучающей выборке к ее ядру присоединялась проверочная точка. К столбцам 25ч и 100ч обучающей выборки присоединялись проверочные точки из первой строки из столбцов 25ч и 100ч проверочной выборки, данную матрицу с 26-ю строками записывалась в программный код в Mathlab, откуда была получена выходная величина у, значение при 1000ч, для проверочной выборки. Затем, происходит удаление данных проверочных точек первого столбца, а туда записываются проверочные точки из второй строки проверочной матрицы и так далее, алгоритм представлен на рисунке 3, полученные значения показаны в таблице 4.
График зависимости средней абсолютной погрешности проверочных точек от средней абсолютной погрешности точек переменной обучающей выборки, показан на рисунке 4. Таким образом, каждой точке графика соответствует измененная матрица обучающей выборки.
Таблица 4 — Сравнение экспериментальных и расчетных данных
Был сделан вывод, что второй способ, с переменной обучающей выборкой, оказался более точным, по отношению к первому, с постоянной обучающей выборкой.
В данной работе мы стремимся, чтобы расчетные данные были, как можно ближе к экспериментальным. Сравнив расчетные значения, полученные в ходе работы, с экспериментальными значениями, полученными с использованием метода экстраполяции, было доказано, что используя нейросеть с большей точностью можно определить годность/негодность стабилитронов, сократив при этом число экспериментов, их общее время, не говоря, об экономической выгоде.
Предлагаемая модель прогнозирования качества полупроводниковых приборов позволит существенно сократить интервал обучения, может найти широкое применение при анализе качества радиоэлектронной аппаратуры.
Нужна помощь в написании автореферата?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.
В третьем разделе рассмотрены способы реализации нейросетей, обоснован выбор аппаратной реализации:
1. Программная реализация нейросетевых алгоритмов:
— нейропакет BrainMaker Pro;
— нейропакет NeuroSolutions;
— нейропакет NeuralWorks Professional II/Plus;
— нейропакет Process Advisor;
— нейропакет NeuroShell 2.
2. Программно-аппаратная реализация НС:
Программно-аппаратная реализация НС реализуется с применением стандартных ПЭВМ с аппаратной платой, содержащей нейросетевой блок (нейроплаты), выполняющий типовые нейрооперации (взвешенное суммирование и нелинейное преобразование) и управляющим ППП на программном уровне.
Из-за чрезмерно высокой стоимости их применение, до настоящего времени, ограничено единичными специализированными системами для решения узкого круга прикладных задач.
3. Аппаратная реализация нейросетей:
А) Цифровое исполнение:
— каскадируемая архитектура;
— архитектура RBF (Radial Basis Function);
— цифровые сигнальные процессоры (DSP);
— процессорные матрицы (систолические процессоры);
— программируемые логические интегральные схемы;
— контроллеры (микроконтроллеры).
Нужна помощь в написании автореферата?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.
Б) Аналоговое исполнение;
В) Гибридное исполнение.
Программные способы реализуются на традиционных однопроцессорных ЭВМ. Достоинствами, которых являются доступность, гибкость, экономичность, а принципиальным недостатком — невозможность реализации пространственно-временного параллелизма присущего НС. Программно-аппаратные реализации на базе компьютеров с широкомасштабным параллелизмом весьма результативны для исследований и реализации больших нейронных сетей с большим объемом обучающего набора данных. Их главный недостаток связан с их недоступностью из-за их уникальности и высокой стоимости. Аппаратные средства НС наиболее перспективны для реализации.
В данной работе было отдано предпочтение цифровой технологии аппаратной реализации нейросетей с применением элементной базы в виде микроконтроллера. Из-за большого ассортимента они доступны на рынке, благодаря маленькой цене возможно сокращение общей стоимости разработки.
В четвертом разделе аппаратной реализации метода подобрана элементная база в виде микроконтроллера с поддержкой МаtLab.
В последние годы при разработке систем управления объектами различного типа и уровня сложности все больше внимания уделяется микроконтроллерной технике. Это связано с ее бурным развитием и широким ассортиментом предлагаемой продукции.
Ассортимент МК компании Piccolo разделен на две серии: TMS320F2802x и TMS320F2803x. МК TMS320F2802x демонстрируют базовый уровень интеграции аппаратных ресурсов и доступны в 38- и 48-выводных корпусах. Внутри серии МК различаются объемом памяти, степенью интеграции некоторых УВВ и быстродействием АЦП. Все микроконтроллеры этой серии рассчитаны на работу в пределах расширенного температурного диапазона (-40…105°С), но некоторые из них (48-выводные F2822/3/6/7) также доступны в исполнении для работы в автомобильном температурном диапазоне -40…125°С. МК серии TMS320F2803x — новая разработка TI, на данный момент имеющая статус «для предварительного ознакомления».
Архитектура МК Piccolo также несет в себе ряд преимуществ:
1. Простота применения.
Благодаря интеграции прецизионных генераторов, супервизора питания, схемы сброса при подаче питания и стабилизатора напряжения, МК Piccolo характеризуются чрезвычайно простой внешней обвязкой. Фактически достаточными являются внешняя подача напряжения питания 3,3 В и установка блокировочных конденсаторов у выводов питания. Для облегчения работы с разнообразными датчиками положения и скорости у некоторых МК предусмотрены блоки квадрутурного энкодера (QEP) и захвата (eCAP).
2. Высокое быстродействие обработки сигналов.
Помимо DSP-инструкций и блока CLA, ускорению обработки сигналов также способствуют высокая тактовая частота ЦПУ (до 68 МГц) и оптимизированная по минимальности задержек система прерываний.
Первыми ИС семейства «Piccolo», доступными для заказа, являются ИС TMS320F28023 и TMS320F28027.
Эти микросхемы выполнены в корпусах LQFP-48 для TMS320F28027 и TSSOP-38 для TMS320F28023, но, несмотря на малое число выводов, они содержат достаточно богатый набор периферии, среди которой необходимо отметить встроенный стабилизатор напряжения, позволяющий питать ядро ИС и остальную часть только от одного источника и исключить использование внешнего стабилизатора.
Весьма интересным является стоимость выше описанных микросхем. Прогнозируется, что уже при партиях 1000 штук в год, их стоимость в России будет начинаться от 100 рублей для TMS320F28023 и от 130 рублей для TMS320F28027. При столь низкой стоимости семейство «Piccolo» является серьезным конкурентом как для ARM процессоров, так и для самых простых 8-разрядных микроконтроллеров.
Основные параметры ИС TMS320F2802х представлены в таблице 5.
Таблица 5 — Параметры ИС TMS320F2802х
Рассмотрев характеристики первых доступных для заказа ИС семейства «Piccolo», останавливаемся на выборе микроконтроллера TMS320F28027, так как он имеет характеристики лучше, чем TMS320F28023/
Реализация прогнозной модели на микроконтроллере TMS320F28027.
HXL-F28027 – недорогая полнофункциональная платформа, предназначенная как для профессионалов, так и для начинающих разработчиков, и позволяющая облегчить освоение процесса разработки систем цифрового управления в реальном времени на базе 32-разрядных микроконтроллеров семейства C2000™ Piccolo™.
Основой платы является микроконтроллер Piccolo™ TMS320F28027. Кроме того, оценочная плата содержит интегрированный изолированный эмулятор USB JTAG программатора/отладчика серии XDS100, обеспечивающий простоту программирования и отладки, 40 контактов для доступа к портам микроконтроллера F28027 и установки дополнительных плат расширения, кнопку сброса микроконтроллера и программируемые кнопки, светодиоды и т.д. Помимо всех необходимых аппаратных средств для разработки, разработчикам бесплатно доступно большое количество примеров кода, библиотек, драйверов и множество других ресурсов, предоставляемых посредством программного приложения controlSUITE, доступного на официальном сайте компании. Наряду с controlSUITE, разработчикам также доступна неограниченная версия интегрированной среды разработки Code Composer Studio v.5.
Отличительные особенности:
- 32-разрядный микроконтроллер Piccolo™TMS320F28027.
- Интегрированный изолированный эмулятор JTAG программатора / отладчика серии XDS100, обеспечивающий программирование и отладку в режиме реального времени посредством порта USB.
- Кнопка сброса процессора и программируемые кнопки.
- Контакты для доступа к портам микроконтроллера и установки дополнительных плат расширения.
- Переключатели выбора режима загрузки (USB, UART).
- Светодиоды статуса последовательного порта.
- Совместимость со всеми микроконтроллерами семейства F2802x.
- Напряжение питания 5 В (источник питания — порт USB).
- Бесплатная неограниченная версия интегрированной среды разработки Code Composer Studio v.5.
- Бесплатное приложение controlSUITE, обеспечивающее доступ к библиотекам, примерам, драйверам и документации.
Благодаря использованию современного комплекса программных и аппаратных средств, необходимого для разработки и отладки, стало возможным получение компактного и экономичного устройства, легко воспроизводимого при серийном производстве и удобного в применении при разработке других проектов. Чтобы практически использовать данную плату с записанным в микроконтроллер программным кодом, ее следует подключить к компьютеру с помощью кабеля miniUSB-USB, который будет принимать данные на и выдавать результат работы.
В пятом разделе приводится экономическое обоснование эффективности проведенного исследования: проведен расчет общей трудоемкость, численность исполнителей и общие затраты на разработку программного продукта, по которому можно сделать заключение об эффективности проекта.
В шестом разделе рассмотрены вопросы безопасности и экологичности проектных решений: проведен обзор актуальной в настоящее время проблемы соблюдения требований к организации рабочего места в цехах ПП, освещенности и микроклимату рабочего места, уровню шума, организации отопления и вентиляции.
Основные результаты работы
Таким образом, задачи, поставленные в техническом задании, в данной работе решены.
Нужна помощь в написании автореферата?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.
В данной работе мы стремимся, чтобы расчетные данные были, как можно ближе к экспериментальным. Сравнив расчетные значения, полученные в ходе работы, с экспериментальными значениями, полученными с использованием метода экстраполяции, было доказано, что используя нейросеть с большей точностью можно определить годность/негодность стабилитронов, сократив при этом число экспериментов, их общее время, вследствие чего была достигнута экономическая выгода.
Предлагаемая модель прогнозирования качества полупроводниковых приборов позволит кратно снизить интервал обучения прогнозной модели, позволила существенно увеличить интервал прогноза.
Публикации
1. Чанова М.И., Качалов О.Б., Ямпурин Н.П. Разработка прогнозной модели качества приборов на основе экстремума погрешности/ Сборник Всероссийской научно-практической конференции «Современные технологии в кораблестроительном и авиационном образовании, науке и производстве» — Нижний Новгород, НГТУ, 2016г.
2. Чанова М.И. Разработка прогнозной модели качества стабилитронов при переменной обучающей выборке/ Сборник Регионального научного семинара «Информационные технологии и прикладная математика» — Арзамас, АФ ННГУ, 2016г. с. 271-276.