Методи та засоби виявлення дефектних електронних компонентів комп'ютерною системою тестування

Abstract

Кваліфікаційна робота присвячена вирішенню актуальної задачі підвищення ефективності та достовірності автоматизованого контролю якості електронних компонентів шляхом розробки комплексної методики та комп’ютерного тестування. У роботі проведено аналіз існуючих методів тестування, який виявив, що традиційні порогові алгоритми є недостатньо ефективними для ідентифікації прихованих дефектів. На основі проведених досліджень розроблено комбінований метод виявлення дефектів, що базується на чотирирівневій каскадній обробці інформації, яка містить попередню обробку даних для нормалізації вхідних параметрів, rule-based контроль для швидкої фільтрації явного браку, кластерний аналіз на основі алгоритму K-Means для адаптивної сегментації змішаних партій виробів та інтелектуальний пошук аномалій з використанням алгоритму Isolation Forest. Практична реалізація системи виконана мовою програмування Python із застосуванням бібліотек NumPy, Pandas та Scikit-learn, а також включає графічний інтерфейс користувача та локальну базу даних SQLite для збереження історії вимірювань. Результати підтвердили, що розроблена комп’ютерна система забезпечує виявлення дефектів навіть в умовах невизначеності номіналів.

The qualification work is devoted to solving the relevant problem of increasing the efficiency and reliability of automated quality control of electronic components through the development of a comprehensive methodology and computer testing. An analysis of existing testing methods was carried out in the work, which revealed that traditional threshold algorithms are insufficiently effective for identifying hidden defects. Based on the conducted research, a combined defect detection method has been developed, based on four-level cascade information processing. It includes data pre-processing for normalization of input parameters, rule-based control for rapid filtering of obvious defects, cluster analysis based on the K-Means algorithm for adaptive segmentation of mixed product batches, and intelligent anomaly search using the Isolation Forest algorithm. The practical implementation of the system is performed in the Python programming language using the NumPy, Pandas, and Scikit-learn libraries, and also includes a graphical user interface and a local SQLite database for storing the measurement history. The results confirmed that the developed computer system ensures the detection of defects even under conditions of uncertainty of nominal values.