Оценка параметров DN-распределения с помощью помехоустойчивой кластеризации для автоматизированных систем технической диагностики
Разработан метод оценки параметров DN-распределения при отбраковочных испытаниях изделий электронной техники и процедура реализации этого метода. Повышение помехоустойчивости и снижение погрешности процедуры отбраковки достигается за счет применения мультистартового субградиентного итеративного мето...
Gespeichert in:
| Veröffentlicht in: | Штучний інтелект |
|---|---|
| Datum: | 2010 |
| 1. Verfasser: | |
| Format: | Artikel |
| Sprache: | Russian |
| Veröffentlicht: |
Інститут проблем штучного інтелекту МОН України та НАН України
2010
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/58649 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Оценка параметров DN-распределения с помощью помехоустойчивой кластеризации для автоматизированных систем технической диагностики / Г.Ю. Щербакова // Штучний інтелект. — 2010. — № 4. — С. 491-496. — Бібліогр.: 10 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-58649 |
|---|---|
| record_format |
dspace |
| spelling |
Щербакова, Г.Ю. 2014-03-29T11:08:20Z 2014-03-29T11:08:20Z 2010 Оценка параметров DN-распределения с помощью помехоустойчивой кластеризации для автоматизированных систем технической диагностики / Г.Ю. Щербакова // Штучний інтелект. — 2010. — № 4. — С. 491-496. — Бібліогр.: 10 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/58649 621.382 Разработан метод оценки параметров DN-распределения при отбраковочных испытаниях изделий электронной техники и процедура реализации этого метода. Повышение помехоустойчивости и снижение погрешности процедуры отбраковки достигается за счет применения мультистартового субградиентного итеративного метода адаптивной кластеризации в пространстве вейвлет-преобразования. Розроблено метод визначення параметрів DN-розподілу для оцінки надійності під час відбраковування виробів електронної техніки. Запропоновано процедуру реалізації цього методу. Підвищення завадостійкості і достовірності процедури відбраковування досягається за рахунок використання мультистартового субградієнтного ітеративного методу адаптивної кластеризації в просторі вейвлет-перетворення. The DN-distribution parameters evaluation method and own implementation procedure for the reliability estimation in time of electronic components accelerated life test was carrying out. In that procedure multi starting sub gradient iterative clustering methods for electronic components division in two groups by reliability level is used. That division procedure noise immunity increasing and error decreasing by applying of this clustering method was achieved. ru Інститут проблем штучного інтелекту МОН України та НАН України Штучний інтелект Интеллектуальные системы планирования, управления, моделирования и принятия решений Оценка параметров DN-распределения с помощью помехоустойчивой кластеризации для автоматизированных систем технической диагностики Оцінка параметрів DN-розподілу за допомогою завадостійкої кластеризації для автоматизованих систем технічної діагностики DN-distribution Parameters Evaluation with Noise Stability Clustering for the Automated Systems of Technical Diagnostics Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Оценка параметров DN-распределения с помощью помехоустойчивой кластеризации для автоматизированных систем технической диагностики |
| spellingShingle |
Оценка параметров DN-распределения с помощью помехоустойчивой кластеризации для автоматизированных систем технической диагностики Щербакова, Г.Ю. Интеллектуальные системы планирования, управления, моделирования и принятия решений |
| title_short |
Оценка параметров DN-распределения с помощью помехоустойчивой кластеризации для автоматизированных систем технической диагностики |
| title_full |
Оценка параметров DN-распределения с помощью помехоустойчивой кластеризации для автоматизированных систем технической диагностики |
| title_fullStr |
Оценка параметров DN-распределения с помощью помехоустойчивой кластеризации для автоматизированных систем технической диагностики |
| title_full_unstemmed |
Оценка параметров DN-распределения с помощью помехоустойчивой кластеризации для автоматизированных систем технической диагностики |
| title_sort |
оценка параметров dn-распределения с помощью помехоустойчивой кластеризации для автоматизированных систем технической диагностики |
| author |
Щербакова, Г.Ю. |
| author_facet |
Щербакова, Г.Ю. |
| topic |
Интеллектуальные системы планирования, управления, моделирования и принятия решений |
| topic_facet |
Интеллектуальные системы планирования, управления, моделирования и принятия решений |
| publishDate |
2010 |
| language |
Russian |
| container_title |
Штучний інтелект |
| publisher |
Інститут проблем штучного інтелекту МОН України та НАН України |
| format |
Article |
| title_alt |
Оцінка параметрів DN-розподілу за допомогою завадостійкої кластеризації для автоматизованих систем технічної діагностики DN-distribution Parameters Evaluation with Noise Stability Clustering for the Automated Systems of Technical Diagnostics |
| description |
Разработан метод оценки параметров DN-распределения при отбраковочных испытаниях изделий электронной техники и процедура реализации этого метода. Повышение помехоустойчивости и снижение погрешности процедуры отбраковки достигается за счет применения мультистартового субградиентного итеративного метода адаптивной кластеризации в пространстве вейвлет-преобразования.
Розроблено метод визначення параметрів DN-розподілу для оцінки надійності під час відбраковування виробів електронної техніки. Запропоновано процедуру реалізації цього методу. Підвищення завадостійкості і достовірності процедури відбраковування досягається за рахунок використання мультистартового субградієнтного ітеративного методу адаптивної кластеризації в просторі вейвлет-перетворення.
The DN-distribution parameters evaluation method and own implementation procedure for the reliability estimation in time of electronic components accelerated life test was carrying out. In that procedure multi starting sub gradient iterative clustering methods for electronic components division in two groups by reliability level is used. That division procedure noise immunity increasing and error decreasing by applying of this clustering method was achieved.
|
| issn |
1561-5359 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/58649 |
| citation_txt |
Оценка параметров DN-распределения с помощью помехоустойчивой кластеризации для автоматизированных систем технической диагностики / Г.Ю. Щербакова // Штучний інтелект. — 2010. — № 4. — С. 491-496. — Бібліогр.: 10 назв. — рос. |
| work_keys_str_mv |
AT ŝerbakovagû ocenkaparametrovdnraspredeleniâspomoŝʹûpomehoustoičivoiklasterizaciidlâavtomatizirovannyhsistemtehničeskoidiagnostiki AT ŝerbakovagû ocínkaparametrívdnrozpodíluzadopomogoûzavadostíikoíklasterizacíídlâavtomatizovanihsistemtehníčnoídíagnostiki AT ŝerbakovagû dndistributionparametersevaluationwithnoisestabilityclusteringfortheautomatedsystemsoftechnicaldiagnostics |
| first_indexed |
2025-11-25T20:34:18Z |
| last_indexed |
2025-11-25T20:34:18Z |
| _version_ |
1850522847198314496 |
| fulltext |
«Штучний інтелект» 4’2010 491
5Щ
УДК 621.382
Г.Ю. Щербакова
Одесский национальный политехнический университет, г. Одесса, Украина
Galina_onpu@mail.ru
Оценка параметров DN-распределения
с помощью помехоустойчивой
кластеризации для автоматизированных
систем технической диагностики
Разработан метод оценки параметров DN-распределения при отбраковочных испытаниях изделий
электронной техники и процедура реализации этого метода. Повышение помехоустойчивости и снижение
погрешности процедуры отбраковки достигается за счет применения мультистартового субградиентного
итеративного метода адаптивной кластеризации в пространстве вейвлет-преобразования.
Автоматизированные системы технической диагностики (АСТД) при производст-
ве изделий электронной техники (ИЭТ) используются для решения различных задач,
в том числе и для оценки параметров надежности. Поскольку современное состояние
электроники характеризуется увеличением многофункциональности и микроминиатю-
ризации ИЭТ, информация в таких системах представлена в виде многомерных масси-
вов коррелированных между собой параметров, применение АСТД для оценки пара-
метров надежности сложных ИЭТ не имеет альтернатив. При производстве ИЭТ часто
необходимо отобрать для особо важной аппаратуры более надежные ИЭТ, для чего
необходимо выбрать модель оценки надежности и оценить ее параметры. В случае ес-
ли планируется оценить влияние внезапных отказов, чаще всего ограничиваются оцен-
кой одного параметра – интенсивности отказов экспоненциального распределения λ .
Снижают погрешность оценки параметров надежности, применяя двухпараметричес-
кие распределения, в частности, двухпараметрическое DN-распределение [1-4].
Длительность ускоренных испытаний значительно меньше реальной долговеч-
ности ИЭТ. В связи с высокой надежностью ИЭТ эти испытания проводятся до отказа
малой части выборки и поэтому сопровождаются значительной погрешностью. Источ-
ником погрешности является высокая дисперсия оценки параметров DN-распределения,
которая еще и увеличивается за счет зашумленности данных о надежности (объектив-
ных и субъективных ошибок при их сборе и учете).
При таких исследованиях, например, в процессе ускоренных испытаний интеграль-
ных схем (ИС) на долговечность выявлено, что их интенсивность отказов имеет би-
модальный характер (первый пик характеризует отказы аномальных ИС, а второй –
отказы основной части выборки); при этом среднее время безотказной работы для этих
групп ИС может отличаться на четыре порядка [5]. В подобной ситуации для повыше-
ния помехоустойчивости и понижения погрешности оценки параметров надежности
при отбраковке потенциально ненадежных ИЭТ необходимо повысить помехоустой-
чивость и понизить погрешность разделения партии ИЭТ на две группы.
Щербакова Г.Ю.
«Искусственный интеллект» 4’2010 492
5Щ
Состояние ИЭТ при отбраковке описывается значением их параметров, кото-
рые изменяются от объекта к объекту, а в процессе испытаний – и во времени. Когда
этих параметров много и они коррелированны между собой, при разделении ИЭТ при-
меняют автоматизированный подход, который реализуют с помощью одного из методов
распознавания образов – статистической классификации. Такая классификация состоит
из двух этапов – кластеризации и классификации. Методы кластеризации используют-
ся для разбиения ИЭТ на группы (кластеры), а методы статистической классификации –
для принятия решения при оценке параметров надежности. В процессе кластеризации
при отбраковке среди испытуемых ИЭТ нужно выделить две компактные подгруппы
(кластеры) с общими свойствами и разной степенью монотонности зависимости конт-
ролируемых параметров от наработки [5]. Оценить скорость изменения параметров
ИЭТ кластера возможно, применяя адаптивный подход, когда начальные параметры
центров кластеров определяются из анализа в предыдущий момент времени.
ИЭТ разделяют на кластеры по признаку компактности параметров, посредством
оптимизации функционала качества. Метод оптимизации выбирают с учетом свойств
этого функционала качества, который может быть явно не известен, может обладать по-
верхностью многоэкстремальной, зашумленной, поскольку отбраковка может произ-
водиться по малым выборкам. Методы кластеризации, основанные на градиентном
поиске, в этих условиях не обеспечивают достаточной помехоустойчивости, а субгра-
диентные методы – достаточной точности. Для снижения влияния этих недостатков
предлагается применить мультистартовый субградиентный итеративный метод адап-
тивной кластеризации в пространстве вейвлет-преобразования (ВП), позволяющий
проводить кластеризацию с низкой погрешностью при высоком уровне помех в дан-
ных и малых объемах выборок [6].
Целью данной работы является разработка метода определения параметров
DN-распределения для оценки надежности партии ИЭТ для повышения помехо-
устойчивости и снижения погрешности автоматизированной отбраковки в АСТД с
помощью мультистартового субградиентного адаптивной кластеризации в простран-
стве ВП и процедуры реализации этого метода.
Создание и использование информационных технологий и автоматизированных
систем технической диагностики (АСТД) при производстве изделий электронной тех-
ники (ИЭТ) в значительной степени определяется возможностями получения и обра-
ботки необходимой для диагностики информации, так и наличием методологических
основ, позволяющих на основе этой информации принимать решения. АСТД в элект-
ронике используются для решения различных задач, в том числе и для оценки пара-
метров надежности. Поскольку современное состояние электроники характеризуется
увеличением многофункциональности и микроминиатюризации ИЭТ, информация в
таких системах представлена в сложной форме, в виде многомерных массивов корре-
лированных между собой параметров, применение АСТД для сложных ИЭТ не имеет
альтернатив. АСТД в процессе своего функционирования используют процедуры фор-
мирования и обработки информации, позволяющие принимать решение о степени со-
ответствия параметров объекта требованиям нормативно-технической документации
и сформировать при необходимости соответствующие управляющие воздействия в
процессе производства. Именно поэтому снижение погрешности принятых решений
в АСТД, особенно в случае выбора надежных ИЭТ для аппаратуры ответственного на-
значения, где велика цена неверного решения, является достаточно важной задачей.
Область применения таких систем при выборе надежных ИЭТ ограничена дейст-
вием комплекса противоречий. С одной стороны, рост качественных характеристик
Оценка параметров DN-распределения...
«Штучний інтелект» 4’2010 493
5Щ
систем формирования и отображения информации АСТД обусловлен высокой стои-
мостью их аппаратной части (систем тестирования, точной механики и оптики). С другой
стороны, быстрое совершенствование элементной базы и технологий монтажа является
причиной роста количества организаций, ориентированных на мелкосерийное, опытное
производство, производство прототипов, для которых применение таких АСТД ограни-
чено экономическими причинами. Сокращение жизненного цикла продукции в элек-
тронике требует сокращения времени на контрольно-диагностические операции при
выборе надежных ИЭТ, что обусловливает необходимость проведения таких операций
по малым выборкам данных, увеличивая их зашумленность; зашумленность данных
в АСТД растет также из-за помех в каналах связи, неравномерности изменения темпе-
ратуры объекта или датчиков и т.д., а процедуры принятия решений в АСТД на основе
градиентных итеративных алгоритмов последовательного приближения отличаются
низкой помехоустойчивостью. В связи с ростом сложности электронной аппаратуры
для обеспечения систем безопасности различных производств растут требования к ее
надежности, с другой стороны, процедуры принятия диагностических решений, раз-
работанные на основе помехоустойчивых субградиентных итеративных алгоритмов
последовательного приближения, отличаются высокой погрешностью. Кроме того, от-
сутствуют методологические основы, позволяющие на основе существующих мето-
дов выбора распределений надежности и оценки их параметров повысить степень ав-
томатизации выбора надежных ИЭТ.
Чаще всего оценивают надежность ИЭТ и устройств на их основе с помощью
экспоненциального распределения с одним параметром – интенсивностью отказов λ .
При этом допущение о постоянстве λ во времени повышает погрешность оценки на-
дежности по сравнению с двухпараметрическими распределениями. Экспоненциаль-
ное распределение применяют, когда преобладают внезапные отказы [1], но оно не
подходит для описания наработки, если происходит много приработочных отказов или
существенны явления старения, что приводит к изменению интенсивности отказов во
времени [2]. Поэтому использование экспоненциальной модели отказа при оценке па-
раметров надежности ИЭТ приводит к существенным погрешностям [1]. В связи с этим
с помощью экспоненциального распределения рекомендуется проводить относительную
оценку параметров надежности на этапе эскизного проектирования, когда необходимо
оценить надежность различных вариантов, и на основании их анализа выбрать эле-
ментную базу [3].
Для выявления и удаления ИЭТ с действительными и потенциальными отказа-
ми из готовой партии до поставки потребителю проводят отбраковочные испытания
при выходном контроле. Для оценки соответствия отобранных ИЭТ требованиям по-
требителя параметры их надежности оцениваются, как правило, в процессе ускорен-
ных цензурированных испытаний. В процессе таких испытаний при анализе деграда-
ционных процессов, приводящих к отказам ИЭТ, выявлено, что они имеют случайную
природу, причем изменение этих процессов носит как монотонный, так и не монотон-
ный характер. Так, например, сложные ИЭТ, такие как интегральные схемы (ИС), од-
новременно подвержены влиянию множества факторов. Эти факторы, некоррелиро-
ванные и коррелированные между собой, формируют общий процесс деградации ИС.
Параметры деградационных процессов, превышение которыми определенных значений
может вызвать отказ компонента ИС, имеют разную физическую природу: скопление
дислокаций, пластические и упругие деформации, усталостное механическое разруше-
ние, электролитическая коррозия, генерация и перемещение зарядов на поверхности
кисталла полупроводника и т.д. [1], [3].
Щербакова Г.Ю.
«Искусственный интеллект» 4’2010 494
5Щ
Сравнительный анализ вероятностно-физических распределений, учитывающих
физические процессы, приводящие к отказу, изложен в [3]. Исходя из этого анализа,
рассчитанные оценки надежности таких сложных ИЭТ, как ИС, по результатам уско-
ренных испытаний имеют погрешность не более 10%, если в качестве модели отка-
зов используется двухпараметрическое диффузионное DN-распределение, соответст-
вующее немонотонному марковскому процессу [1], [4]. В случае, когда не удается
установить превалирующие процессы деградации, приводящие к отказам, также реко-
мендуется использовать это распределение для объектов, состоящих из ИЭТ [4].
Задача оценки параметров DN-распределения состоит в следующем. Пусть име-
ется N объектов (ИЭТ), каждый характеризующийся набором из k параметров. Век-
тор ))(,),(),(()( 21 txtxtxtx k
jjjj K= характеризует состояние j -го объекта в момент вре-
мени t . Это означает, что взаимное расположение множества точек )(,),(1 txtx NK в
k-мерном пространстве параметров X отражает реальную классификацию (группировку
по параметрам во времени) исследуемых объектов. Для выявления этой структуры ис-
пользуется мультистартовый метод кластеризации [6]. С его помощью при отбраковке
в момент времени 1t производится разделение n точек в пространстве X на 2 класса
(кластера). Вводится понятие центра класса )(tai , ri ,,1 K= . В момент времени 2t
каждая точка )t(x 2j с помощью классификации относится к тому или иному классу, по-
лученному на первом шаге. Далее производится пересчет значений центров кластеров
)( 2tai , ,,,1 ri K= и подсчет для точек )( 2tx j расстояний до новых центров ri ,,,1K=
nj ,,1 K= . Такая процедура выполняется для всех m моментов времени. Далее для
каждой из двух групп оцениваются параметры DN-распределения [4], [7]
+
−Φ+
−
Φ== −
t
t
t
ttDNtF
µν
µν
µν
µνµ )2exp(),;()( 2 , (1)
где µ – параметр масштаба, совпадающий с математическим ожиданием случайной
величины t ; ν – параметр формы, равный коэффициенту вариации распределения ве-
личины t .
Предлагаемый метод опробован на примере партии резисторов, предназначенных
для аппаратуры ответственного назначения [8]. В качестве прогнозирующих парамет-
ров использованы уровень шума и математическое ожидание изменения сопротивле-
ния в группах. Данные первого контроля (через 24 часа работы в нагруженном режиме)
разделены с помощью адаптивной кластеризации на 2 кластера, включившие: первый –
группы с 1 по 8, второй – 9 группу по уровню шума [8], [9].
Далее по методике [10] были вычислены коэффициенты вариации диагностичес-
кого параметра – математического ожидания изменения сопротивления для первого,
второго кластера и всей партии резисторов без отбраковки по формуле
2
1
1
1
1n
j n
i
ji
i
nn
ji ji
x i
x x
n
ν
=
=
=
∆ =
∆ − ∆∑ ∑
∑
, (2)
где jijiji xxx −=∆ +1 , индекс j – соответствует номеру кластера 2,1=j или 3=j для всей
партии резисторов; индекс i соответствует моменту времени (наработки) ),,2,1( niti K= .
Оценка параметров DN-распределения...
«Штучний інтелект» 4’2010 495
5Щ
Интервалы между измерениями ii ttt −=∆ +1 приняты неравномерными (матема-
тическое ожидание изменения сопротивления определялось через 24, 168, 1 000, 5 000,
10 000 часов после начала измерений) [8]. Далее согласно методике [4], с учетом то-
го, что значения jν составили соответственно 38,11 =v , 43,12 =v и 55,13 =v , оцени-
ваются параметры масштаба посредством решения уравнения
)(~),,( ijjjiij tFtF =νµ , (3)
где ,)(~ NitF ij = ),,1( ri K= ; i – номер отказа в соответствующем кластере ),,1( ri K= ;
it – наработка i -го отказавшего резистора, поскольку точная информация о моменте
отказа отсутствует [8], при расчетах моментом отказа считалась правая граница вре-
менного интервала, в течение которого он отказал.
Усредненная оценка параметра jµ для каждой из трех групп резисторов опреде-
лялась как
∑
=
=
r
i
jij r 1
1 µµ ,
где jiµ – результаты решений уравнений (3) при ),,1( ri K= .
В результате рассчитанные значения средней наработки до отказа составили со-
ответственно 4,8 лет при отсутствии отбраковки, 7,5 лет – для резисторов первого клас-
тера и порядка 2 лет для резисторов второго кластера.
Разработан метод определения параметров для DN-распределения при отбрако-
вочных испытаниях ИЭТ и процедура реализации этого метода. Метод опробован на
примере отбраковки резисторов по уровню шума и стабильности. Повышение поме-
хоустойчивости и снижение погрешности процедуры отбраковки достигается за счет
применения в этом методе мультистартового субградиентного итеративного метода
адаптивной кластеризации в пространстве ВП (относительная погрешность опреде-
ления минимума тестовой функции при кластеризации с отношением сигнал/шум по
амплитуде 1,17 составила 8,32% [6]). Этот результат позволяет рекомендовать разрабо-
танный метод при автоматизированном отборе ИЭТ, предназначенных для длительно
работающей аппаратуры ответственного назначения.
Литература
1. Романов В. Количественная оценка надежности интегральных микросхем с учетом математичес-
кой модели отказов / В. Романов // ЭКиС. – 2005. – № 4.– С. 4-7.
2. Байхельт Ф. Надежность и техническое обслуживание. Математический подход / Ф. Байхельт, П. Фран-
кен; пер. с нем. – М. : Радио и связь, 1988. – 392 с.
3. Стрельников В.П. Новая технология исследования надежности машин и аппаратуры / В.П. Стрель-
ников // Математичні машини і системи. – 2007. – № 3-4. – С. 227-238.
4. Серебровский А.Н. Об использовании вероятностно-физических моделей отказов для оценки ве-
роятностей элементарных событий, порождающих техногенную опасность / А.Н. Серебровский,
В.П. Стрельников // Математичні машини і системи. – 2007. – № 1. – С. 137-143.
5. Строгонов А. Оценка долговечности БИС по результатам ускоренных испытаний [Электронный
ресурс] / А. Строгонов // Технологии в электронной промышленности. – 2007. – № 3. – Режим до-
ступа к ресурсу : http://www.tech-e.ru/2007_3_90.php.
6. Щербакова Г.Ю. Адаптивная кластеризация в пространстве вейвлет-преобразования / Г.Ю. Щер-
бакова, В.Н. Крылов // Радиоэлектронные и компьютерные системы. – 2009. – № 6 (40). –
С. 123-127.
Щербакова Г.Ю.
«Искусственный интеллект» 4’2010 496
5Щ
7. Стрельников В.П. Оценка ресурса изделий электронной техники / В.П. Стрельников // Матема-
тичні машини і системи. – 2004. – № 2. – С. 186-195.
8. Неразрушающий контроль элементов и узлов радиоэлектронной аппаратуры / [Б.Е. Бердичевс-
кий, Л.Г. Дубицкий, Г.М. Сушинский, А.П. Агеев]; под ред. Б.Е. Бердичевского. – М. : Сов.
радио, 1976. – 296 с.
9. Щербакова Г.Ю. Прогнозирование надежности при отбраковке с помощью помехоустойчивой
кластеризации / Г.Ю. Щербакова, В.Н. Крылов // Материалы Международной научной конферен-
ции «Интеллектуальные системы принятия решений и проблемы вычислительного интеллекта»
ISDMCI’2010. – Херсон : ХНТУ, 2010. – Т. 2. – С. 509-511.
10. Стрельников В.П. Оценка остаточного ресурса на основе измерения диагностических параметров
[Электронный ресурс] / В.П. Стрельников // Системотехника. – 2003. – № 1. – С. 1-7. – Режим до-
ступа к ресурсу : http://systech-miem.edu.ru /2003/n1/Strelnikov.htm.
Г.Ю. Щербакова
Оцінка параметрів DN-розподілу за допомогою завадостійкої кластеризації
для автоматизованих систем технічної діагностики
Розроблено метод визначення параметрів DN-розподілу для оцінки надійності під час відбраковування
виробів електронної техніки. Запропоновано процедуру реалізації цього методу. Підвищення завадостійкості
і достовірності процедури відбраковування досягається за рахунок використання мультистартового
субградієнтного ітеративного методу адаптивної кластеризації в просторі вейвлет-перетворення.
G.Yu. Shcherbakova
DN-distribution Parameters Evaluation with Noise Stability Clustering
for the Automated Systems of Technical Diagnostics
The DN-distribution parameters evaluation method and own implementation procedure for the reliability
estimation in time of electronic components accelerated life test was carrying out. In that procedure multi
starting sub gradient iterative clustering methods for electronic components division in two groups by reliability
level is used. That division procedure noise immunity increasing and error decreasing by applying of this
clustering method was achieved.
Статья поступила в редакцию 01.06.2010.
|