СИСТЕМА ДІАГНОСТИКИ НЕСПРАВНОСТЕЙ В ЕЛЕКТРОННИХ ПРИСТРОЯХ НА ОСНОВІ ШТУЧНОГО ІНТЕЛЕКТУ - Научное сообщество
Главная
UA PL EN

Вас приветствует Интернет конференция!

Приветствуйем на нашем сайте

Рік заснування видання - 2011

СИСТЕМА ДІАГНОСТИКИ НЕСПРАВНОСТЕЙ В ЕЛЕКТРОННИХ ПРИСТРОЯХ НА ОСНОВІ ШТУЧНОГО ІНТЕЛЕКТУ

10.12.2025 20:45

[3. Nauki techniczne]

Автор: Ниш Євгеній Романович, здобувач вищої освіти магістерського рівня, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»; Лисенко Олександр Миколайович, доктор технічних наук, професор, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»


ORCID: 0000-0003-1051-1149 Лисенко О.М.

Анотація. У роботі розглянуто концепцію побудови інтелектуальної системи діагностики несправностей електронних пристроїв, що базується на методах штучного інтелекту (ШІ) та обробці багатоканальних сенсорних даних. Описано архітектуру системи, яка інтегрує сенсорний моніторинг, машинне навчання та експертні механізми на основі нечіткої логіки для визначення режимів роботи електронних компонентів, виявлення аномальних станів і прогнозування можливих відмов. Наведено підхід з використанням нейронних мереж та нечітких моделей для аналізу часових рядів температури, струму, напруги і вібраційних характеристик, а також обґрунтовано доцільність поєднання середовищ LabVIEW і MATLAB у процесі реалізації.

Ключові слова: діагностика несправностей; електронні пристрої; штучний інтелект (ШІ); машинне навчання; нечітка логіка; нейронні мережі; аналіз сигналів; системи моніторингу.

Постановка проблеми. Сучасні електронні системи працюють у складних режимах навантаження, характеризуються високою щільністю розміщення компонентів та чутливістю до теплових, електричних і механічних впливів. Пошкодження або деградація окремих елементів виникають непомітно й проявляються лише у вигляді незначних відхилень параметрів, які класичні діагностичні методи не завжди здатні розпізнати. Проблема ускладнюється тим, що відмова одного елемента може спричинити каскадні збої, а залежність системи від стабільності живлення та теплових режимів робить необхідним перехід від реактивного обслуговування до прогнозної діагностики. У цих умовах традиційні засоби контролю, орієнтовані на окремі статичні вимірювання, поступаються інтелектуальним системам, здатним аналізувати багатовимірні часові процеси, виявляти приховані закономірності та формувати рішення щодо наявності несправності ще до фактичної відмови.

Метою дослідження є розроблення концептуальної моделі та практичної реалізації системи діагностики несправностей у електронних пристроях, яка використовує методи ШІ для онлайн-аналізу сенсорних сигналів, виявлення аномалій та прогнозування відмов на основі структурованих і неструктурованих даних.

Методи дослідження. У роботі застосовано комбінований підхід, який включає аналіз часових рядів фізичних параметрів, використання моделей машинного навчання для класифікації та прогнозування, побудову нейромережевих автоенкодерів для виявлення аномалій, а також застосування нечітких експертних систем для автоматизованого вибору типу нейронної мережі залежно від характеристик задачі. Технічна реалізація здійснювалася у середовищах MATLAB і LabVIEW, що забезпечило розділення задач аналітики та задач реального часу. Середовище MATLAB використовувався для навчання моделей і формування нечітких правил, тоді як LabVIEW забезпечував інтеграцію сенсорних даних, їх візуалізацію та управління потоками інформації.

Аналіз літературних джерел. Проблематика виявлення несправностей у електронних системах широко досліджується у світовій літературі. У роботах, подібних до викладених у [1], обґрунтовується необхідність відходу від суто порогових моделей контролю на користь інтелектуальних методів, що аналізують структуру сигналу, а не окремі параметри. Дослідження [2] показує, що машинне навчання здатне ідентифікувати електронні несправності навіть за наявності значних шумів і нерівномірного навантаження. У [3] розглядаються нейронні мережі як інструмент для діагностики аналогових схем шляхом аналізу відхилень часових залежностей напруги та струму. Модельні підходи [4] демонструють потенціал машинного навчання у визначенні деградаційних процесів електронних компонентів. Публікації [5] та інші подібні до неї дослідження підтверджують ефективність ШІ не лише у діагностуванні, а й у відновленні працездатності електронних систем на основі аналізу характеру пошкоджень. Сукупність проаналізованих робіт вказує на загальну тенденцію переходу від жорстких алгоритмів перевірки до динамічних моделей, здатних адаптуватися під конкретний режим роботи пристрою, що і стало основою для побудови запропонованої системи.

Результати. У ході дослідження було сформовано та апробовано повноцінну архітектуру інтелектуальної системи діагностики, здатну працювати в умовах реального часу та відтворювати поведінку електронного пристрою в різних режимах експлуатації, включаючи номінальний, граничний та деградаційний. Після побудови апаратно-програмного прототипу проведено багатоступеневу серію експериментів, що охоплювала тривалі цикли моніторингу, моделювання відмов і поведінку пристрою за умов виникнення прихованих дефектів, які не проявляють себе безпосереднім пороговим відхиленням параметрів. На першому етапі була досліджена робота системи зі збирання багатоканальних даних, у межах якого підтверджено стабільність сенсорного шару, а саме температурних, напругових, струмових та вібраційних каналів, що передавали інформацію з частотою оцифрування, достатньою для фіксації як повільних дрейфів, так і швидкоплинних перехідних процесів. У процесі безперервного збору даних встановлено, що навіть незначні зміни теплового навантаження, викликані локальним перегрівом транзисторного ключа або асиметричним навантаженням у лінії живлення, генерували характерні відхилення профілів температури та струму, які система фіксувала ще на етапі формування сигнальних тенденцій, тоді як класичні порогові методи не виявляли критичності ситуації.

Детальна оцінка продуктивності моделі автоенкодера показала здатність реконструювати нормальний сигнал навіть у разі наявності стохастичного шуму та швидких мікроколивань напруги. Установлено, що помилка реконструкції у стабільному режимі залишалася низькою та практично монотонно зростала при наближенні обладнання до нестійкого теплового режиму. Зафіксовано характерний момент, коли електронний компонент ще працював у межах допустимих значень за паспортними характеристиками, проте автоенкодер уже демонстрував істотне збільшення похибки реконструкції, що свідчило про приховану деградацію параметрів, наприклад, мікротріщини в пайці, часткове руйнування термопасти або зміну теплопровідності внаслідок старіння. У динаміці помилка реконструкції виявилася надійним індикатором ранньої фази несправності, коли температурний або струмовий графік ще не давав очевидної підстави для формального оголошення тривоги. Це підтвердило практичний потенціал системи для переходу від реактивної діагностики до прогнозної.

Аналіз роботи класифікаційної моделі продемонстрував її здатність розрізняти режими «норма», «допустиме відхилення», «нестабільність», «критична фаза» на основі сукупності ознак, сформованих із сирих сенсорних даних. Під час експериментів було зібрано понад 70 годин даних у різних температурних і навантажувальних профілях, що дозволило побудувати репрезентативну навчальну вибірку. Під час тестування виявлено, що класифікатор коректно визначав навіть слабко виражені сигнали деградації, пов’язані із зростанням внутрішнього опору живлення, появою локального шуму в підсилювальному каскаді або поступовим відхиленням параметрів стабілізатора напруги. При цьому хибні спрацьовування спостерігались лише у випадках різких зовнішніх змін температури середовища, які були штучно створені для випробування системи в екстремальному режимі. Втім навіть у таких сценаріях адаптивні механізми нормалізації сигналів значно знижували ризик помилкової класифікації.

Значна увага була приділена випробуванню рекурентної нейронної мережі, яка аналізувала часові залежності параметрів і формувала прогноз поведінки пристрою в середньостроковому горизонті. Ця модель показала високу ефективність у передбаченні теплового розбігу, тобто неконтрольованого зростання температури при зменшенні тепловіддачі або зростанні струму навантаження. У ході експериментів з моделюванням перегріву система прогнозувала вихід параметрів за межі допустимих значень у середньому на (12–18) хвилин раніше, ніж це ставало очевидним за температурними графіками. Для електронних плат із високою щільністю компонентів така здатність до раннього прогнозу є критично важливою, оскільки перегрів одного вузла може ініціювати лавиноподібну деградацію сусідніх елементів.

Дослідження нечіткої експертної підсистеми продемонструвало її здатність автоматично підбирати найбільш релевантний тип нейронної мережі залежно від характеристик задачі. При введенні даних про тип сенсорних сигналів, необхідність у часовому моделюванні, рівень мінливості режимів роботи та доступність навчальних вибірок система формувала рекомендацію щодо використання мережі прямого поширення, рекурентної мережі або мережі типу Кохонена. На практиці цей механізм дозволив оперативно змінювати конфігурацію аналітичного ядра, адаптуючи його до різних типів електронних блоків без потреби в глибокій перепрограмуванні всієї системи.

Особлива увага була приділена тестуванню здатності системи працювати в реальному часі. Під час експериментів затримка між моментом оцифрування сигналу та появою діагностичного рішення на операторській панелі LabVIEW становила (56–78) мс, що дозволяє використовувати систему в задачах оперативної діагностики. Навіть під час пікових обчислювальних навантажень, коли одночасно виконувалося прогнозування, класифікація та виявлення аномалій, затримка не перевищувала 120 мс, що підтверджує можливість інтеграції системи у структуру промислових контролерів і вбудованих модулів з вимогами до швидкого реагування.

У комплексних випробуваннях, що моделювали часткову несправність стабілізатора напруги, деградацію пайки та появу низькочастотної вібрації, система демонструвала послідовну та стійку поведінку. Усі аномальні стани були ідентифіковані ще на етапі формування нестандартної динаміки сигналів, а не лише під час їх виходу за допустимі діапазони. Це дозволило оцінити систему як інструмент раннього попередження, здатний виявляти «м’які» початкові фази несправностей, які зазвичай лишаються непоміченими до моменту фактичного збою.

Висновки. Розроблена система діагностики несправностей електронних пристроїв на основі штучного інтелекту показала високу ефективність у задачах виявлення аномалій, класифікації станів та прогнозування відмов. Поєднання сенсорного моніторингу з алгоритмами машинного навчання та нечіткою експертною надбудовою створює гнучку платформу, здатну адаптуватися до різних типів електронних систем. Реалізація у середовищах MATLAB та LabVIEW забезпечила розділення функцій аналітики та функцій реального часу, що підвищило надійність і масштабованість розробленої системи. Отримані результати підтверджують доцільність використання ШІ для підвищення якості технічної діагностики та переходу до прогнозного обслуговування електронних пристроїв.

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ

1. Попович Н.Г., Гаврилюк В.А., Ковальчук А.В. Елементи автоматизованого електроприводу. – К.: НМКВО, 2000. – 260 с.

2. Siemens AG. "SIMATIC Controllers." Режим доступу до ресурсу: https://new.siemens.com.

3. Rockwell Automation. "Allen-Bradley PLCs." Режим доступу до ресурсу: https://www.rockwellautomation.com.

4. Mitsubishi Electric. "MELSEC iQ-R Series." Режим доступу до ресурсу: https://www.mitsubishielectric.com.

5. Schneider Electric. "Modicon PLCs." Режим доступу до ресурсу: https://www.se.com.



Creative Commons Attribution Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
допомога Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter

Другие научные работы даной секции

Конференции

Конференции 2025

Конференции 2024

Конференции 2023

Конференции 2022

Конференции 2021



Міжнародна інтернет-конференція з економіки, інформаційних систем і технологій, психології та педагогіки

Наукова спільнота - інтернет конференції

:: LEX-LINE :: Юридична лінія

Інформаційне суспільство: технологічні, економічні та технічні аспекти становлення