PCB红外诊断仪诊断策略

　　
在PCB红外诊断系统中，"好板"的热图像不同于被测PCB的热图像，任何不同被反映在结果热图的差值图像中，该差值图像然后被技术员或工程师主观评价，并确定该PCB的功能。
传统PCB ATE的用户期望系统能指示操作员到故障部件，缺乏专门技术使得它难于使用目前不同成像系统提供的热图像信息。为了引导红外热成像成为一种可行的ATE技术，系统的输出结果必须是针对PCB的故障诊断，而不是热图像的差值图像。
本文采用人工神经网络（ANN）作为诊断规则/关系开发方法。ANN经常用于模式分类，在此处应用于诊断的形成和提高分类关系，在使用热成像的ANN系统中，PCB的热信息将提供作为ANN的输入，ANN的隐含层响应特征，比如某组器件温度分布，ANN的输出层将响应某个特征模式，指示故障部件，ANN通过范例学习复杂关系的能力被用于使热模式跟设备故障联系起来。
对每种PCB类型的原始训练周期被要求训练ANN，ANN使用热特征和已知故障的"训练集"进行训练，该训练集通过使用带已知故障的PCB来开发，要产生训练集，每个故障PCB的热图像被采集并转换为设备空间信息，训练集包括热信号连同与该信号相关的故障，全部故障板的设备空间信息形成训练集。
"反向传播"算法被用于ANN的训练中，在该算法中，热模式及其相关的已知故障范例被提供给网络，网络产生一个输出，它是存贮在网络权值和输入中信息的一个函数，实际输出（预测故障）和期待值（已知故障）之间的误差通过ANN反向传播来校正权值和减少误差，一旦误差减少到一个可接受水平，训练中止，允许进入网络的预置规则可用于加速诊断关系的开发，这些规则将大大加快ANN在实际故障中的训练，这对于在只得到有限的PCB或故障数据的地方，优化用于诊断的ANN可能是一种更可行的方法，ANN的输出代表故障设备、故障节点和故障电源。