基于PCA和多维监测数据的主板异常诊断方法及装置与流程

本发明涉及主板可靠性测试异常诊断技术领域，特别涉及一种基于主成分分析(pca)的主板的可靠性测试过程监控及异常诊断方法及装置。

背景技术：

主板又称主机板、系统板、逻辑板、母板、底板等，是构成复杂电子系统，例如互联网高通量路由器的中心。随着互联网高通量路由器的迅速发展和普及，主板的结构和性能也变得越来越复杂，显然，在出售之前，主板的可靠性测试越来越有必要用来确保产品满足企业标准或行业标准，并达到相应的性能。主板的可靠性测试是一个复杂的过程，其实质是把主板放在一些超常规的运行环境中，比如说极限的高温和低温，高低温冲击循环等环境，加速反应主板在使用环境中的状况，来验证其是否达到在研发、设计、制造中预期的质量目标，从而对主板整体进行评估，以确定其可靠性寿命。在测试过程中，主板的潜在缺陷无法被完全直接地检测到，测试者只能通过对主板各个部位的温度，电压以及电流信息这些间接变量的实时监测，实现对主板状态的实时监测和异常诊断。这一过程是一个多变量，强耦合的复杂过程。根据多个变量的监测数据，同时兼顾变量与变量之间的相关关系，以及同一变量在不同时间点上的相关关系，准确地诊断出异常主板目前在技术上存在较大困难。

技术实现要素：

为此，本发明的一个目的在于提出一种基于pca和多维监测数据的主板异常诊断方法，该方法能够及时、有效、低成本地识别出异常的主板，降低主板次品率。

本发明的另一个目的在于提出一种基于pca和多维监测数据的主板异常诊断装置。

为达到上述目的，本发明一方面的实施例提出了基于pca和多维监测数据的主板异常诊断方法，包括以下步骤：建立监测模型，并根据主板可靠性测试机理和变量相关性分析确定所述监测模型的输入变量；利用所述输入变量对所述监测模型进行训练，以获得训练样本的统计量，并处理所述训练样本的统计量，确定监测控制界限；读取并处理待监测主板的测试数据，得到测试数据的统计量；判断所述测试数据的统计量是否超过所述监测控制界限，若超过，则判定所述待监测主板异常，若未超过，则判定所述待监测主板正常。

本发明实施例的基于pca和多维监测数据的主板异常诊断方法，通过建立一个综合考虑整个可靠性测试过程的监测模型，并给出每个主板的综合健康度作为监测指标，从而能够及时有效的监测主板的健康状况，并且诊断出潜在故障，对于保证主板可靠性和降低主板次品率有较为明显的作用。

另外，根据本发明上述实施例的基于pca和多维监测数据的主板异常诊断方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述输入变量包括温度，电压和电流三个过程变量。

进一步地，在本发明的一个实施例中，所述利用所述输入变量对所述监测模型进行训练，以获得训练样本的统计量，进一步包括：对所述输入变量进行初始化，组成数据矩阵；对所述数据矩阵进行中心标准化处理，得到标准化数据矩阵；利用pca法对所述标准化数据矩阵进行特征压缩，以将数据映射至低维空间，获得低维数据矩阵；根据所述低维数据矩阵求得所述测试数据的统计量。

进一步地，在本发明的一个实施例中，所述利用pca法对所述标准化数据矩阵进行特征压缩，进一步包括：计算所述标准化数据矩阵的样本协方差矩阵；对所述样本协方差矩阵进行特征分解，得到特征向量和特征值；选取预设数量的特征向量和特征值，将数据映射至低维空间中，得到所述低维数据矩阵。

进一步地，在本发明的一个实施例中，当所述待监测主板正常时，还将当前测试数据增添至所述输入变量中，以更新所述监测模型的参数。

为达到上述目的，本发明另一方面的实施例提出了基于pca和多维监测数据的主板异常诊断装置，包括：建模模块，用于建立监测模型，并根据主板可靠性测试机理和变量相关性分析确定所述监测模型的输入变量；训练模块，用于利用所述输入变量对所述监测模型进行训练，以获得训练样本的统计量，并处理所述训练样本的统计量，确定监测控制界限；测试模块，用于读取并处理待监测主板的测试数据，得到测试数据的统计量；判断模块，用于判断所述测试数据的统计量是否超过所述监测控制界限，若超过，则判定所述待监测主板异常，若未超过，则判定所述待监测主板正常。

另外，根据本发明上述实施例的基于pca和多维监测数据的主板异常诊断装置还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述输入变量包括温度，电压和电流三个过程变量。

进一步地，在本发明的一个实施例中，所述训练模块进一步包括：初始化单元，用于对所述输入变量进行初始化，组成数据矩阵；标准化单元，用于对所述数据矩阵进行中心标准化处理，得到标准化数据矩阵；低维映射单元，用于利用pca法对所述标准化数据矩阵进行特征压缩，以将数据映射至低维空间，获得低维数据矩阵；数据处理单元，用于根据所述低维数据矩阵求得所述测试数据的统计量；确定单元，用于处理所述训练样本的统计量，确定监测控制界限。

进一步地，在本发明的一个实施例中，所述低维映射单元具体用于：计算所述标准化数据矩阵的样本协方差矩阵；对所述样本协方差矩阵进行特征分解，得到特征向量和特征值；选取预设数量的特征向量和特征值，将数据映射至低维空间中，得到所述低维数据矩阵。

进一步地，在本发明的一个实施例中，还包括：更新模块，用于当所述待监测主板正常时，将当前测试数据增添至所述输入变量中，以更新所述监测模型的参数。

本发明附加的方面和优点将在下面的描述中部分给出，或通过本发明的实践了解。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的基于pca和多维监测数据的主板异常诊断方法流程图；

图2为根据本发明一个实施例的一块主板上各传感器之间的相关性图；

图3为根据本发明一个实施例的50块正常主板可靠性测试期间各个传感器数据的变化，其中，前两行为温度的变化，中间两行为电压的变化，最后两行为电流的变化；

图4为根据本发明一个实施例的t²统计量的密度估计函数图像；

图5为根据本发明一个实施例的训练样本的t²统计量的值，其中虚线为监测控制上限ucl；

图6为根据本发明一个实施例的测试样本的t²统计量的值，监测出的异常的主板由黑色的圆圈标注；

图7为根据本发明一个实施例的监测出的异常主板异常的数据图像；

图8为根据本发明一个实施例的基于pca和多维监测数据的主板异常诊断装置结构示意图。

具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的基于pca和多维监测数据的主板异常诊断方法及装置，首先将参照附图描述根据本发明实施例提出的基于pca和多维监测数据的主板异常诊断方法。

图1是本发明一个实施例的基于pca和多维监测数据的主板异常诊断方法流程图。

如图1所示，该基于pca和多维监测数据的主板异常诊断方法包括以下步骤：

在步骤s1中，建立监测模型，并根据主板可靠性测试机理和变量相关性分析确定监测模型的输入变量。

其中，输入变量包括温度，电压和电流三个过程变量。

换而言之，步骤s1为主板可靠性测试过程监测模型输入变量的选择和确定。具体而言，根据主板可靠性测试机理以及变量相关性分析，选择温度、电压、电流三个过程变量为监测模型的输入变量。每个单板上在不同的位置布有p1个温度传感器，p2个电压传感器，p3个电流传感器。在整个测试过程中，每个温度传感器测得m1个数据，每个电压传感器测得m2个数据，每个电流传感器测得m3个数据。通过前期的变量相关性检验可得到以下结论：同一变量对应的传感器之间相关性较强；而不同变量对应的传感器之间相关性较弱。因此可以对各个变量分别监测，最后根据各个变量的异常辨识指标综合评价主板的健康度。

在步骤s2中，利用输入变量对监测模型进行训练，以获得训练样本的统计量，并处理训练样本的统计量，确定监测控制界限。

进一步地，在本发明的一个实施例中，利用输入变量对监测模型进行训练，以获得训练样本的统计量，进一步包括：

对输入变量进行初始化，组成数据矩阵；

对数据矩阵进行中心标准化处理，得到标准化数据矩阵；

利用pca法对标准化数据矩阵进行特征压缩，以将数据映射至低维空间，获得低维数据矩阵；

根据低维数据矩阵求得测试数据的统计量。

进一步地，在本发明的一个实施例中，利用pca法对标准化数据矩阵进行特征压缩，以将数据映射至低维空间，获得低维数据矩阵，进一步包括：

计算标准化数据矩阵的样本协方差矩阵；

对样本协方差矩阵进行特征分解，得到特征向量和特征值；

选取预设数量的特征向量和特征值，将数据映射至低维空间中，得到低维数据矩阵。

也就是说，如图1所示，步骤s2是对监测模型的训练过程，可具体理解为：

步骤s2-1，对输入变量进行初始化；

取n块正常主板的数据作为训练模型的输入数据，组成数据矩阵x＝(xij)n×p，其中xij代表第i块主板的第j个数据,i＝1,2,…,n,j＝1,2,…,p。

步骤s2-2，对数据矩阵进行初始化；

对步骤s1的每个变量分别进行中心标准化处理，得到标准化数据矩阵y＝(yij)n×p，即

步骤s2-3，利用pca法进行特征压缩，把数据映射至低维空间；

步骤s2-3-1，计算y＝(yij)n×p的样本协方差矩阵c；

步骤s2-3-2，对样本协方差矩阵c进行特征分解，即c＝e′λe，其中e＝(e1,e2,…,epp×p为特征向量组成的矩阵，λ＝diagλ1,λ2,…,λp为特征值组成的对角矩阵。则y·e为主板的主成分组成的数据矩阵。设前d个主成分能够表达数据变异百分比(percentage)的信息量，则选取前d个特征向量和特征值，把数据映射到d维正交空间上

其中，z的每一列都相互独立，均值为0，协方差矩阵为

步骤s2-4，利用z求各个主板的异常辨识指标；

计算各训练样本的t²统计量，其中，z()表示z的第i行。

步骤s2-5，确定t²统计量的监测控制界限；

根据各训练样本的t²统计量，训练出t²统计量的概率分布，选取其上α分位数作为监测控制上限，记作ucl。

在步骤s3中，读取并处理待监测主板的测试数据，得到测试数据的统计量。

也就是说，步骤s3为监测实现过程，读取待监测的主板测试数据x(0)＝(x01,x02,…,x0p)′，并且将测试数据进行中心标准化处理，计算处理后的测试数据的t²统计量。

在步骤s4中，判断测试数据的统计量是否超过监测控制界限，若超过，则判定待监测主板异常，若未超过，则判定待监测主板正常。

进一步地，在本发明的一个实施例中，当待监测主板正常时，还将当前测试数据增添至输入变量中，以更新监测模型的参数。

可以理解为，当测试数据的t²统计量超过监测控制上限时，判定主板异常；当测试数据t²统计量没有超过监测控制上限时，判定主板正常，并且把该数据放在训练模型中更新训练模型的参数，对训练模型进行评价改进。

下面以近一个月内生产的801块同一型号的主板为对象建立数学模型，对本发明实施例的基于pca和多维监测数据的主板异常诊断方法做进一步说明。

每一个主板在不同位置上布有6个温度传感器，6个电压传感器，6个电流传感器，在可靠性测试期间分别对温度、电压、电流的特征量进行监控。如图2所示，同一变量对应的传感器之间相关性较强；而不同变量对应的传感器之间相关性较弱，满足了本应用的要求。图3显示了其中50块正常主板在测试期间这些特征量的变化趋势。特征变量随时间的变化趋势较为简单，因此可以利用pca把数据有效地转化到低维空间。

利用801块主板的数据训练模型，把数据映射到三维空间可以保留95％以上的信息量。然后计算各个训练样本的t²统计量，并且令α＝0.05根据其分布得到监测控制上限ucl＝12.6235。图4和图5分别为根据训练样本得到的t²统计量的密度估计和t²统计量图像。

将上述训练的模型应用于主板可靠性测试异常诊断中，如图6所示，对256块主板进行诊断，各个测试主板的t²统计量。该监测模型可以准确地监测出，其中3块异常的主板。如图7所示，三块异常主板的异常数据。

综上所述，本发明实施例提出的基于pca和多维监测数据的主板异常诊断方法，针对主板可靠性测试应用场景，采用基于pca的过程监测方法对主板可靠性测试过程进行监测，把主板数据映射到了低维的空间，滤掉噪声的干扰同时充分发掘数据内部复杂的结构，最终设计出一种新的异常辨识的综合指标，同时提供了一种异常控制限的确定方法，从而能够及时有效地识别出异常的主板，为主板的可靠度保证提供了技术支持。与现有技术相比，本发明实施例结构简单，复杂度低，运算速度快，且监测快速有效，准确度高，具有较好的实用性和经典性，因此，本发明实施例是一种低成本，高效实用的主板质量监测方法。

其次参照附图描述根据本发明实施例提出的基于pca和多维监测数据的主板异常诊断装置。

图8是本发明一个实施例的基于pca和多维监测数据的主板异常诊断装置结构示意图。

如图8所示，该装置10包括：建模模块100、训练模块200、测试模块300、判断模块400和更新模块500。

其中，建模模块100，用于建立监测模型，并根据主板可靠性测试机理和变量相关性分析确定监测模型的输入变量，输入变量包括温度，电压和电流三个过程变量。

训练模块200，用于利用输入变量对监测模型进行训练，以获得训练样本的统计量，并处理训练样本的统计量，确定监测控制界限。

进一步地，在本发明的一个实施例中，训练模块200进一步包括：

初始化单元201，用于对输入变量进行初始化，组成数据矩阵；

标准化单元202，用于对数据矩阵进行中心标准化处理，得到标准化数据矩阵；

低维映射单元203，用于利用pca法对标准化数据矩阵进行特征压缩，以将数据映射至低维空间，获得低维数据矩阵，其中，低维映射单元203具体为：计算标准化数据矩阵的样本协方差矩阵；对样本协方差矩阵进行特征分解，得到特征向量和特征值；选取预设数量的特征向量和特征值，将数据映射至低维空间中，得到低维数据矩阵。

数据处理单元204，用于根据低维数据矩阵求得测试数据的统计量；

确定单元205，用于处理训练样本的统计量，确定监测控制界限。

测试模块300，用于读取并处理待监测主板的测试数据，得到测试数据的统计量。

判断模块400，用于判断测试数据的统计量是否超过监测控制界限，若超过，则判定待监测主板异常，若未超过，则待监测主板正常。

更新模块500，用于当待监测主板正常时，将当前测试数据增添至输入变量中，以更新监测模型的参数。

根据本发明实施例提出的基于pca和多维监测数据的主板异常诊断装置，通过建立一个综合考虑整个可靠性测试过程的监测模型，并给出每个主板的综合健康度作为监测指标，从而能够及时有效的监测主板的健康状况，并且诊断出潜在故障，在降低主板次品率方面已有显著效果。。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。