автореферат диссертации по радиотехнике и связи, 05.12.04, диссертация на тему:Индивидуальное прогнозирование параметров элементов и компонентов микросборок и узлов радиоэлектронных устройств передачи информации

На правах рукописи

Карпов Олег Владимирович

ИНДИВИДУАЛЬНОЕ ПРОГНОЗИРОВАНИЕ ПАРАМЕТРОВ ЭЛЕМЕНТОВ И КОМПОНЕНТОВ МИКРОСБОРОК И УЗЛОВ РАДИОЭЛЕКТРОННЫХ УСТРОЙСТВ ПЕРЕДАЧИ ИНФОРМАЦИИ

Специальность 05.12.04 - «Радиотехника, в том числе системы и устройства

телевидения»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Самара - 2005

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования «Самарский государственный аэрокосмический университет имени академика С.П.Королева»

Научный руководитель:

доктор технических наук, доцент

Пиганов М.Н.

Официальные оппоненты:

доктор технических наук, профессор кандидат технических наук, доцент

Нестеров В.Н.; Голубев Ю.С.

Ведущая организация:

Государственный научно-производственный ракетно-космический центр "ЦСКБ-Прогресс" (г. Самара).

Защита диссертации состоится 30 сентября 2005 г. в 14.00 ч. на заседании диссертационного совета Д 219.003.01

Поволжской государственной академии телекоммуникаций и информатики по адресу: 443010, г. Самара, ул. Льва Толстого, 23.

С диссертацией можно ознакомится в библиотеке Государственного образовательного учреждения высшего профессионального образования «Поволжская государственная академия телекоммуникаций и информатики».

Автореферат разослан августа 2005 года.

Ученый секретарь

диссертационного совета Д 219.003.01

доктор технических наук

Горячкин О.В.

2оо6-4

ЦоЪЪ

Обшая характеристика работы

з <1/?Г%с>Г

Актуальность темы.

Радиоэлектронная аппаратура (РЭА), являющаяся важнейшей составной частью сложных и разнообразных радиотехнических систем, должна в процессе эксплуатации выполнять возложенные на нее задачи формирования, усиления, преобразования, передачи и запоминания сигналов, несущих полезную информацию. В связи с требованиями к повышению качества приборов и механизмов и все возрастающим значением сложных и дорогостоящих систем весьма актуальной в настоящее время становится задача оценки состояния сложных систем в процессе их изготовления и эксплуатации.

При разработке, изготовлении и эксплуатации объекта принимаются разнообразные меры, направленные на обеспечение его безотказности. Однако полностью устранить возможность появления отказов не удается. Поэтому задача поддержания работоспособного состояния объекта заключается, прежде всего, в своевременном распознавании отказов и устранении причин их появления. Распознавание отказов необходимо и для того, чтобы предупредить аварийные ситуации, которые могут повлечь за собой тяжелые последствия.

Наиболее действенным методом оценки состояния объектов, а также прогнозирования юс изменения во времени является техническая диагностика. Она решает задачи распознавания состояний системы, определения причин нарушения работоспособности, а также установления вида и места дефекта.

Поэтому достаточно актуальной задачей является выявление информативных параметров, разработка методик, алгоритмов и операторов индивидуального прогнозирования (ИП) для конкретных электрорадиоизделий (ЭРИ), обладающих относительной простотой реализации, характеризующихся относительно невысокими требованиями к ресурсам ЭВМ.

В настоящее время разработан большой арсенал средств технической диагностики и ИП, включающий статистические, вероятностные, логические, нечеткие и нейросетевые методы.

В настоящей работе для решения задачи повышения надежности радиоэлектронных устройств передачи информации космических средств предлагается использовать комплексный подход к ИП ЭРИ. Он представляет комбинацию методов распознавания образов и экстраполяции. Это позволит сочетать достоинства обоих методов, используя ЭВМ и разработанный в рамках работы программный комплекс «Прогнозирование», а также сократить временные и материальные затраты на индивидуальное прогнозирование, что имеет важное научное и промышленное значение.

Цель работы.

Повышение эффективности прогнозирования параметров элементов микросборок и систем передачи информации за счет совершенствования методик прогнозирования, определения более информативных параметров и создания новых операторов прогнозирования. Создание программного комплекса для проведения прогнозирования с использованием суперпозиции методов экстраполяции, метода дискриминантных функций (МДФ), метода потенциальных функций (МПФ), а также метода регрессионных моделей.

Объект исследований.

Технология, методы, алгоритмы и программное обеспечение процесса ИП методами экстраполяции, МДФ, МПФ и регрессионных моделей.

Методика исследований.

Общая методика исследований предусматривает теоретический анализ существующих методов и алгоритмов прогнозирования, выбор наиболее эффективных, разработку новых методик и операторов ИП для наиболее критичных ЭРИ, их экспериментальную проверку в лабораторных и производственных условиях и технико-экономическую оценку результатов исследований.

В теоретических исследованиях использованы:

- методы вероятностного статистического анализа данных;

- методы построения квазидетерминированных (КД) математических моделей поведения объектов исследования;

•• закономерности изменения во времени параметров эчементов РЭА;

- методы и алгоритмы оптимального индивидуального прогнозирования;

- методы численного анализа и математического моделирования. Экспериментальные исследования проводились в лабораторных

условиях на основе общепринятых и частных методик, разработанных автором. Основные расчеты и обработка результатов экспериментов выполнялись с использованием методов статистического и регрессионного анализа на ЭВМ.

Научная новизна диссертации.

1. Разработана методика определения наиболее информативных параметров для индивидуального прогнозирования РЭА с определением показателей качества прогнозирования и выявления наилучших операторов прогнозирования.

2. Созданы алгоритмы и программное обеспечение для комплексного индивидуального прогнозирования параметров элементов РЭА различными методами

3. Разработаны новые операторы индивидуального прогнозирования на основе метода дискриминантных функций, обеспечивающие опенку состояния по большому числу информативных параметров, и метода потенциальных фуякцйй.

4. Создана структурная модель управления качеством элементов и компонентов микросборок для устройств передачи информации на этапе индивидуального прогнозирования.

Практическая ценность работы и реализация результатов

исследований.

На основе проведенных исследований были:

- разработаны алгоритмы определения параметров КД-моделей любого вида и любого порядка, позволяющие также проводить выбор модели, наиболее точно отражающей поведение исследуемого объекта для метода прогнозирования экстраполяцией;

- разработаны оптимальные алгоритмы нахождения дискриминантных и потенциальных функций для разделения классов при индивидуальном прогнозировании;

- разработаны операторы индивидуального прогнозирования для различных методов и ЭРИ;

- проведено обоснование выбора программно-аппаратной конфигурации для создания и работы программного комплекса прогнозирования, позволяющей эффективно проводить процесс прогнозирования;

- разработана программная модель, позволяющая автоматизировать процесс прогнозирования, выявлять наиболее информативные параметры ЭРИ, с последующим построением математической модели по выявленным параметрам;

- выбраны, обоснованы и экспериментально проверены показатели качества прогнозирования различными методами.

Научные положения и результаты работы, выносимые на защиту:

1. Методика определения информативных параметров и выявления наилучших операторов прогнозирования.

2. Математическое, алгоритмическое и программное обеспечение комплексной реализации методов экстраполяции, МДФ, МПФ и регрессионных моделей.

3. Результаты теоретических исследований процессов прогнозирования методами экстраполяции, МДФ, МПФ и регрессионных моделей.

4. Полученные данные лабораторных исследований по изучению влияния различных операторов прогнозирования на качество прогнозирования.

5. Результаты производственных испытаний экспериментального программного комплекса для прогнозирования параметров элементов и узлов РЭА.

Апробация.

Основные положения и результаты диссертационной работы докладывались

на следующих конференциях: международных симпозиумах «Надежность и

качество» (Пенза, 2001, 2004, 2005); конференции «Королевские чтения».

(Самара: СГАУ, 2001); международной научной конференции «Актуальные

проблемы радиоэлектроники» (Самара: СГАУ, 2003); международной научно-технической конференции «Технико-экономические проблемы промышленного производства» (Набережные Челны: КамПИ, 2000); Всероссийской научно-технической конференции (Таганрог: ТРТУ, 2002); международной конференции «XXIX Гагаринские чтения» (Москва: МАТИ, 2004); всероссийской научно-технической конференции «Новые информационные технологии в научных исследованиях и в образовании», (Рязань: РГРТА, 2004); XII международной науч.-техн. конф. «Радиоэлектроника, электротехника и энергетика» (Москва: МЭИ, 2005); Всероссийской НТК «Актуальные проблемы радиоэлектроники и телекоммуникаций» (Самара: СГАУ, 2004, 2005). Основные положения диссертационной работы подтверждены актами внедрения.

Публикации. Основные положения диссертации опубликованы в 18 научных работах.

Структура и объем диссертации. Диссертация изложена на 147 страницах машинописного текста, состоит из четырех разделов, общих выводов по работе, списка литературы и 6 приложений. Содержит 8 таблиц и 23 рисунка. Список использованной литературы включает в себя 147 наименований.

СОДЕРЖАНИЕ РАБОТЫ

Во введении дано обоснование актуальности темы, изложены основные научные положения, выносимые на защиту, цели и задачи исследований.

В первом разделе рассмотрены современные практические и теоретические разработки в области прогнозирования. Проведен анализ и классификация существующих методов и алгоритмов прогнозирования. Определено перспективное направление по совершенствованию существующих методов прогнозирования. Наиболее перспективным и быстроразвивающимся направлением в прогнозировании является развитие программного обеспечения, которое может базироваться на множестве современных методов и моделей.

Вопросам развития и совершенствования методов прогнозирования посвящены работы О.Л. Бордюжи, Д.В. Гасканова, М.В. Головицыной, В.В. Клюева, В.И. Дубровина, С.А. Субботина, И.Ю. Бутусова, Ю.Н. Внукова, Н.Х. Корецкого и других, которые рассматривают математические вопросы прикладного использования различных методов при прогнозировании надежности.

В настоящее время разработан большой арсенал средств технической диагностики, включающий статистические, вероятностные, логические, нечеткие и нейросетевые методы.

Совместное использование нескольких методов прогнозирования позволяет уменьшить временные и материальные затраты на обработку и анализ экспериментальных данных. Краткий обзор существующих программных средств прогнозирования позволяет составить представление о современном положении дел в рассматриваемом направлении. Дан обзор как универсальных программных пакетов и их возможностей, так и программ сторонних разработчиков (MyAnalyzer, KDD, PolyAnalyst, Scientific Workplace).

Во втором разделе рассмотрены вопросы, тесно связанные с контролем и обеспечением качества при производстве микросборок. Предложена структурная схема управления качеством на этапе ИП (см. рис. 1). Так, задачи прогнозирования качества микроэлектронной аппаратуры (МЭА) и микросборок (МСБ) решаются на этапах испытаний, применения и эксплуатации. Модель управления качеством МЭА и МСБ на этапе ИП можно представить в виде отдельных взаимосвязанных этапов, на любом из которых возможно использование прогнозирования.

Здесь также проводится обоснование выбора критериев информативности признаков с последующим анализом задачи отбора информативных параметров.

Приведены методы проведения испытаний, программа и методика исследований, перечень основных информативных параметров, контролируемых при измерениях и способы их отбора для прогнозирования.

Рассмотрены процедуры отбора информативных параметров.

Объем выборки выбирался следующим образом.

Если количество годных и бракованных изделий примерно одинаково и равно 50% (речь идет лишь об обеспечении требуемой доверительной вероятности соответствия распределения по видам дефектов в выборке распределению дефектов в генеральной совокупности), то стандартная формула не отвечает требованиям доверительной вероятности. А если число элементов выборки существенно меньше числа элементов в генеральной совокупности (менее 10%), то гипергеометрическое распределение можно аппроксимировать биномиальным распределением, что в итоге, с учетом коэффициента качества, приведет к следующей формуле:

t2

« - Less. . к

"imn с2 К ,

5п

где tpjao — квантиль нормального распределения, соответствующий заданной доверительной вероятности Р.

6„ — двухсторонний доверительный интервал, в который с вероятностью Рза0 попадает частость появления события (дефекта).

к -- коэффициент качества, который может принимать значения [1..2] и определяет поправку на точность расчетов и достоверность исходных данных для определения минимального количества элементов в выборке. Он обеспечивает запас достоверности прогнозирования.

Рис 1. Модель управления качеством микросборок на этапе ИП

Предложены информативные параметры для оценки уровня качества ЭРИ. Например, для чип-конденсаторов: сопротивление изоляции, ток утечки, допуск на номинал, напряжение остаточной поляризации, напряжение начала ионизации, частотная зависимость емкости и тангенса угла диэлектрических потерь и др.; - а для чип-резисторов: величина удельного сопротивления, температурный коэффициент сопротивления, уровень шумов, величина дрейфа сопротивления резистора за определенное время и др.

Проведенные исследования показали, что для некоторых ЭРИ наиболее эффективна отбраковка по одному информативному параметру. Однако для большинства ЭРИ эффективна отбраковка по нескольким информативным параметрам.При отбраковке по совокупности отбраковочных критериев резко возрастает число забракованных элементов, что снижает эффективность отбраковки.

Были рассмотрены и проанализированы виды отказов и причины их возникновения во всех группах устройств, используемых в микросборках:

- полупроводниковые приборы;

- конденсаторы;

- резисторы.

Проведен выбор и дано обоснование контролируемых параметров для каждого вида элементов микросборки.

Задача ИП по информативным параметрам с классификацией сводилась к отысканию такого оператора прогнозирования Н^, используя который можно по совокупности значений информативных параметров х,® каждого экземпляра оценить его принадлежность к тому или другому классу на момент

тт г., 0) „ © V.® ,. 0)1 . V- *©

где К|*® - номер класса ]-го экземпляра по результатам прогнозирования; х,® - значение 1-го информативного параметра .¡-го экземпляра, 1=1,2,... К.

В нашем случае классификация заключалась в разделении проверяемых элементов на два класса - К1 и К2 (8=1,2). Будем условно считать, что стабильные элементы принадлежат к классу К1, а нестабиль ные - К2.

Таким образом, предлагаемая методика отбраковки нестабильных элементов включает следующие этапы:

1. Выбор информативных параметров.

1.1.Построение операторов прогнозирования для каждого

информативного параметра. 1.2.0пределение численных показателей качества прогнозирования для

каждого оператора. 1,З.Отбор информативного параметра.

2. Построение модели, наиболее точно отражающей поведение информативного параметра во времени одним из выбранных методов.

3. Определение численных показателей качества прогнозирования.

4. Корректировка выбранной модели.

5. Повторное прогнозирование (если требуется).

6. Отбраковка потенциально нестабильных образцов.

Следует заметить, что использование рассмотренных вероятностных методов ИП целесообразно, если обеспечены стабильность и устойчивость технологического процесса изготовления изделия.

Введение в технологический процесс изготовления ЭРИ и РЭА малотрудоемких операций по измерению информативных параметров и обработке результатов для классификации каждого элемента по уровню его качества даст значительный экономический эффект на этапе эксплуатации.

Дальнейшее повышение характеристик прогнозирования стабильности ЭРИ возможно путем выявления других, более информативных параметров. Эту операцию позволяет проводить программный комплекс «Прогнозирование».

В третьем разделе приведено обоснование выбора программного обеспечения для создания программного комплекса «Прогнозирование», сделан выбор аппаратной части комплекса и описана работа с программой.

Общая блок-схема алгоритма комплексной реализации четырех методов прогнозирования представлена на рис. 2.

Программный комплекс «Прогнозирование» позволяет выполнять следующие операции по автоматизации процесса расчетов при прогнозировании методами экстраполяции, регрессионных моделей, МДФ и МПФ:

• ИП состояния РЭА указанными методами;

• качественную оценку прогнозируемого параметра (классификация по двум признакам) для эксплуатационных целей, а также количественную оценку параметра;

• изменение значений границ классификации или использование интервала значений;

• выбор типа преобразования и метода нормировки исходных данных для улучшения разделимости классов;

• определение численных характеристик качества прогнозирования;

• вывод исходных, промежуточных данных и результирующих графиков на печать и во внешний файл;

• ручное редактирование выборки и результатов прогнозирования (в случае необходимости);

• поддержку стандартного буфера обмена Windows для импорта и экспорта любых данных из программы в приложения Windows.

В четвертом разделе произведена обработка выборок параметров различных ЭРИ при помощи программного комплекса «Прогнозирование». Описаны методы проведения испытаний, программа испытаний. Для прогнозирования использовались радиоэлементы, входящие в состав МСБ, которые используются в бортовой аппаратуре передачи информации. Новая методика определения информативных параметров была опробована на ряде выборок для следующих критичных типов ЭРИ:

- конденсаторы;

- резисторы;

- стабилитроны.

Так, например, при ИП стабильности тонкопленочных конденсаторов МПФ в качестве информативных параметров стабильности емкости были использованы Ac, Atg8H, R„3, Ae Atg5„ (для выборки №1). В качестве аналогичных параметров стабильности сопротивления резисторов использовались иш, {(„(коэффициент нелинейности), ТКС (выборка №2). Для стабилитронов были рекомендованы следующие информативные параметры Дис, Rd и коэффициент теплового увеличения тока Кг (выборка №3).

В процессе обучающего эксперимента измерялись значения всех информативных параметров и прогнозируемого параметра y0)(tnp) для каждого j-ro экземпляра исходных выборок Затем производили сравнение y0)(tnp) с граничным значением у0'^ и находили фактический класс экземпляра.

и

Обучение заключалось в обработке результатов обучающего эксперимента в соответствии с выбранным оператором прогнозирования (определялись оценки у*®(1[1р) и К*®5). В процессе, обработки результатов обучающего эксперимента был сделан переход от оперирования со значениями информативных параметров к разностям этих значений и проведено нормирование контролируемых информативных параметров.

Рис. 2. Блок-схема программного комплекса «Прогнозирование»

Классификацию экземпляров производили по следующим условиям: (р'[ > Пф -* К1; > П,р -» К2; (р"г > П, -> К1; (р'\ > К2,

)ьк\ ¡-кг !~кг

где (рй и (р" - суммарные нормированные потенциалы j-ro экземпляра

, к г

классов К1 и К2 соответственно; Пф - порог.

Суммарные нормированные потенциалы определяли по формулам:

Я= ~л I + г 2 + Г=Т ^.

' /еК 1 1еК 2 т 1е/С1 1еХ 2

Л! ¡4

где П] и п2 - количество образцов классов К1 и К2, соответственно, п^пг^п; (ри - величина потенциала ] -го исследуемого экземпляра в пространстве информативных параметров, наводимая 1-ым экземпляром. Потенциал (рт определяли по следующей формуле:

„<'•) ~ 1' 1+4^7'

где <7/ - величина условного потенциала в точке /-го экземпляра;

= +1 и Ц] = -1, если экземпляр принадлежит к классам К1 и К2, соответственно;

а, в - коэффициенты, определяемые экспериментально; обычно а = 4, р = 3;

- расстояние между точками /то и 1-го экземпляров в пространстве информативных параметров.

Величину Я® определяли по формуле: - -х!0^//,,

где х!/) и X/" - нормированные значения ¡' -го информативного параметра}-го и 1-го экземпляров, соответственно; ц, - весовой коэффициент /-го параметра.

Экзамен заключался в проверке соответствия прогнозируемого состояния каждого у'-го экземпляра с фактическим, известным по данным обучающего эксперимента. Эффективность распознавания оценивали по величинам вероятностей правильных решений Р.;рав, ошибочных решений Рош, рисков потребителя Рп и изготовителя Рш априорной вероятности принятия решения об отнесении экземпляра к годным по результатам прогноза Р (Реш. К1).

Алгоритм ИП МДФ основан на разделении К-мерного пространства информативных параметров с помощью (К-1) - мерной гиперплоскости на две области, соответствующие классам К1 и К2. В нашем случае К=2 и гиперплоскость представляет прямую линию.

Уравнение разделяющей прямой имеет вид: д(хьх;») = р|Х! + р2х2 = Пй, где g(x1;x2) - дискриминантная функция;

рь Рг - постоянные коэффициенты, задающие положение разделяющей прямой на поле корреляции информативных параметров хь х2;

Пк - порог.

Необходимо было найти такие значения коэффициентов Pi, р2 и П„, которые наилучшим образом (в смысле минимума ошибочных решений) задают положение разделяющей прямой на поле корреляции.

Для этого использовали критерий оптимальности следующего вида:

1 2 D [giK\] + D [g/Kl] где g/Kl, g/K2 - случайные величины, равные значению дискриминантной функции для экземпляров класса К1 и К2, соответственно; M*[g/Kl], M*[g/K2] - оценки математических ожиданий; D*[g/Kl], D*fg/K2] - оценки дисперсий.

M'ig/Kl] = jrfl.M'R/Kl], M'[g/K2) = t ДМ*К/К2],

где M [х;/К1], М*[х,/К2] - оценки математического ожидания i-ro параметра для классов К1 и К2, соответственно.

k п

/=1 i=i где 0*[х/К1], D"[x/K12] - оценки дисперсий i-ro параметра для классов К1 и К2, соответственно.

Для ИП с помощью МДФ использовали образцы тех же выборок и тот же набор информативных параметров, что и для МПФ.

Метод экстраполяции основан на использовании КД моделей. Для каждой выборки был выделен условный информативный параметр, причем в идеальном случае он должен отличаться от остальных простотой и

повышенной точностью измерения. Для первой выборки это - для

второй - —, для третьей - AUC. R

Для описания временной зависимости вышеперечисленных параметров была подобрана логарифмическая модель вида:

y*0,(tnp) = ao<j)+aI(j,ln(tnp+l), где y*0)(tnp) - оценка значения прогнозируемого параметра к моменту времени Ц,;

ао®, aj® - коэффициенты КД модели.

Очевидно, что при t=0, y*0)(ti) = ai/1'- Поэтому для каждого j -го экземпляра необходимо было по данным наблюдения определить лишь коэффициент ai°\

Находили такие коэффициенты a/j), при которых оценка у*®^) возможно меньше отклонялась бы от фактических значений yw(tnp). Для этого был использован метод наименьших квадратов.

Точность прогнозирования оценивали величиной второго начального

момента m(p)2(k): m\fk) = (Л^ f ,

" ¿=1

где Дк0) = уи)(Ц,) - у*0^); Р - номер модели.

Чем меньше т(р)хк), тем выше точность прогнозирования. Экспериментальные данные точности прогнозирования (вероятности принятия правильных решений Р^ав), рисков изготовителя Р„ и потребителя Р„, вероятности принятия решения об отнесении экземпляра к годным Р(реш.К1) представлены в таблице 1.

После проведения обучения были получены модели: Для стабилитронов: Для МДФ: Пд=Дис +1,694* Кт +0,603* Па(оптим)=23,5 РОш=0,18. Для МПФ: Щоптим)=-0.03; вероятность ошибки Ро^-0,02. Для метода регрессионных моделей:

ДЧС=-13,43 +13,6* Кт+0.031*1^; П(оптим)=11,5; РОш=0,12. Матожидание ошибки Мош= -1,35-10"15. Дисперсия ошибки Оош= 4,11. Для резисторов:

Для МДФ: Пд=Диш+0,145*ДК+0,9*Дак; Пд(ОПТИМ)=17,5; Рош=0,02. Для МПФ можно привести качественную оценку данного метода для сравнения с другими на примере одной и гой же выборки: П^оптим)—0,011 вероятность ошибки Рош=0,02. Для метода регрессионных моделей:

Диш = -3,78 - 0.295*ДЯ + 34.34*Дак; П(оптим)=14; Рош=0,06. Матожидание ошибки Мош= -3,3-10 15. Дисперсия ошибки Оош= 64,85.

Для конденсаторов: Для МДФ: Пд=ДС/С +0,417^6+0,517*[Де-Д1§5]; Пв(оптим)=17; Рош=0,04. Для МПФ: ГЦоптим^О.О!; вероятность ошибки Рош =0,025. Для метода регрессионных моделей:

ДС/С=1,98+19.75^8+0.47*[Де-Д1д51; П(оптим)=13,2; Роы=0,06. Матожидание ошибки Мош= -3,69-10"1 . Дисперсия ошибки 0ОШ=10,4832. Для экстраполяции (логарифмическая модель): ДС/С = 0,45+ 0,157*1п(1+1); П(оптим)=-0,8; Рош=0,12. Матожидание ошибки Мош = 0,004. Дисперсия ошибки 0ош = 0,007.

В нашем случае классы хорошо разделяются, поэтому наилучшие результаты прогнозирования получены для МДФ, который более прост, чем МПФ.

Более высокая точность получена при прогнозировании экстраполяцией. Однако, ИП экстраполяцией требует больших затрат времени (для некоторых видов -ЭРИ до 1000 часов). Поэтому, несмотря на высокие характеристики, прогнозирование экстраполяцией с экономической точки зрения более целесообразно использовать на этапе эксплуатации. На этапе изготовления рассмотренных классов радиоэлементов более эффективно прогнозирование по информативным параметрам с помощью МДФ. После анализа результатов прогнозирования были сделаны следующие выводы: - наиболее точно поведение параметров большинства радиоэлементов во времени описывает логарифмическая КД-модель;

- использование предварительного определения информативных параметров с помощью МДФ и МПФ дает возможность снизить количество контролируемых параметров на последующих этапах.

Таблица 1. Вероятностные характеристики прогнозирования стабильности ЭРИ

Метод прогнозирования № выборки

1 (стабилитроны) 2 (резисторы) 3 (конденсате ры)

РЦ Р- Р(реш К1) Рпр«Я Рп Р, Р(реш К» Р|фШ Рг Р. PftMU ко

Регрессионные модели 0,86 0,28 0,7 0,81 0,85 0,25 0,68 0,78 0,87 0,3 0,61 0,84

МПФ 0,8 0,05 0,4 0,64 0,79 0,06 0,5 0,65 0,88 0,09 03 0,68

МДФ 0,87 0,02 0,3 0,9 0,93 0,02 03 0,8 0,91 0,06 0,1 0,77

Экстраполяция 0,88 0,02 0,1 0,78 0,91 0,02 0,1 0,74 0,96 0,03 0,1 0,63

На рис. 3 показаны графики вероятностных показателей выборки конденсаторов после прогнозирования.

-»-Црюяоат

-• ^pKtfti) >чр<-ча «рек

Рис. 3. Итоговый график вероятностей

В приложениях приведены блок-схемы алгоритмов всех используемых в программном комплексе методов прогнозирования, тексты модулей программы на языке Delphi, структурная схема программы «Прогнозирование», результаты промежуточных расчетов для прогнозирования и результаты прогнозирования в виде графиков и таблиц, а также акты внедрения.

ОБЩИЕ ВЫВОДЫ

1. Применение комплексных методов прогнозирования позволяет уменьшить объем выборки, а также сократить время и стоимость испытаний.

2. Показана эффективность комплексного, совместного использования различных методов прогнозирования с применением вычислительных средств.

3. Разработаны универсальные алгоритмы МДФ и МГГФ для большого количества информативных параметров.

4. Построены операторы ИП различными методами для исследованных типов ЭРИ.

5. Сформулированы основные требования к программно-аппаратному обеспечению процесса прогнозирования, выбраны критерии оценки эффективности для каждого из методов.

6. Создан программный комплекс для проведения предварительной обработки данных и последующего прогнозирования с использованием суперпозиции методов экстраполяции, регрессионных моделей, МПФ и МДФ, который позволяет автоматизировать большинство рутинных этапов прогнозирования.

7. Проведен анализ влияния способа предварительного преобразования выборок на качество прогнозирования.

8. Показана возможность значительно ускорить процесс прогнозирования за счет применения программного комплекса «Прогнозирование». Это позволяет просчитывать одни и те же выборки одновременно несколькими методами, выбирая для дальнейшей оптимизации ту модель, которая дает наибольшее качество.

9. Обоснованы и проверены на практике методы выявления наиболее информативных параметров для прогнозирования и выявления наилучших операторов прогнозирования, а также изучено влияние различных факторов на качество прогнозирования (вид предварительного преобразования, метод прогнозирования, тип прогнозируемого параметра).

10. Выбраны, обоснованы и проверены экспериментальным путем численные критерии оценки качества прогнозирования различными методами.

Список опубликованных работ:

1 Пиганов М.Н., Карпов О.В. Индивидуальное прогнозирование стабильности элементов микросборок // Надежность и качество: Труды международного симпозиума. — Пенза: ПГУ, 2001. — С. 334-337.

2. Карпов О.В. Программная реализация алгоритмов прогнозирования // Королевские чтения: Труды конференции, СГАУ, 2001. — С.233-235.

3. Карпов О.В., Бабин С.А. Прогнозирование стабильности тонкопленочных конденсаторов // VI Королевские чтения: Тез. докл. всеросс. научн. конференции. — Самара: СГАУ, 2001. — С. 72.

4 Карпов О.В. Использование нелинейных моделей при прогнозировании состояния РЭА методами экстраполяции // Прикладная математика: Труды конференции. — Самара: СГАУ, 2001. — С. 111-115.

5. Карпов О.В. Совместная программная реализация алгоритмов прогнозирования методами экстраполяции, дискриминанта ых и потенциальных функций // Актуальные проблемы радиоэлектроники: Материалы Всероссийской науч.-техн. конф. — Самара: Изд-во «НТЦ», 2003 — С.59-60.

6. Карпов О.В. Прогнозирование стабильности параметров тонкопленочных резисторов // Техническая кибернетика, радиоэлектроника и системы управления: Тезисы докладов VI Всероссийской науч. конф. студ. и аспир. — Таганрог: ТРТУ, 2002. — С. 196.

7. Карпов О.В. Алгоритмические особенности реализации метода экстраполяции при прогнозировании надежности микросборок // Вестник СГАУ. Серия «Актуальные проблемы радиоэлектроники».— Самара: СГАУ, 2003. Вып. 8. — С. 79-82.

8. Карпов О.В., Пиганов М.Н. Структурная модель управления качеством микросборок на этапе индивидуального прогнозирования // Вестник СГАУ. Серия «Актуальные проблемы радиоэлектроники». — Самара: СГАУ, 2004. Вып. 9. — С. 101-105.

9. Карпов О.В. Реализация алгоритма прогнозирования по нескольким признакам для метода дискриминантных функций на ЭВМ // Вестник СГАУ. Серия «Актуальные проблемы радиоэлектроники». — Самара: СГАУ, 2004. Вып. 9. — С. 106-109.

10 Карпов О.В. Индивидуальное прогнозирование параметров элементов и компонентов микросборок II Актуальные проблемы радиоэлектроники и телекоммуникаций: Материалы Всероссийской науч.-техн. конф. — Самара: СГАУ, 2004. — С. 52-53.

11. Карпов О.В. Определение объема выборки при индивидуальном прогнозировании различными методами // XXIX Гагаринские чтения: Труды Международной конференции. — М: МАТИ, 2004. — С. 117-119.

12 Карпов О.В. Регрессионные модели в индивидуальном прогнозировании надежности элементов РЭА // Новые информационные технологии в

научных исследованиях п в образовании: Тез, докл. IX всероссийской научно-технической конференции. —- Рязань: РГРА, 2004. — С.53-54.

13. Карпов О.В., Пиганов М.Н. Индивидуальное прогнозирование параметров элементов и компонентов микросборок // Надежность и Качество: Труды международного симпозиума. — Пенза: ПТУ, 2004. — С. 357.

14. Карпов О.В., Пиганов М.Н. Прогнозирование по нескольким признакам методом дискриминантных функций с использованием ЭВМ // Радиоэлектроника, электротехника и энергетика: Тез. докл. XI междунар. науч.-техн. конф. студентов и аспирантов. — М: МЭИ, 2005. — С. 65-66.

15. Ерёмин И.В., Карпов О.В., Пиганов М.Н. Анализ отказов конденсаторов // Радиоэлектроника, электротехника и энергетика: Тез. докл. XI междунар. науч.-техн. конф. студентов и аспирантов. — М: МЭИ, 2005. — С. 217218.

16. Карпов О.В. Операторы прогнозирования качества бескорпусных стабилитронов // Актуальные проблемы радиоэлектроники и телекоммуникаций: материалы всероссийской НТК. — Самара: СГАУ, 2005. —С. 96-101.

17. Карпов О.В. Операторы прогнозирования качества электрорадиоэлементов // Актуальные проблемы радиоэлектроники и телекоммуникаций: Материалы всероссийской НТК. — Самара: СГАУ, 2005.— С. 103-110.

18 Карпов О.В., Еремина И Н. Индивидуальное прогнозирование показателей качества микросборок методом экстраполяции // Надежность и Качество: Труды международного симпозиума. — Пенза: ПТУ, 2005. — С.354.

ЛР № 020444 от 10.03.98 г. Подписано в печать 26.08.2005. Формат 60 х 84 1/16 Бумага офсетная Усл. печ. л. 1 Заказ 420 тираж 100

Ризограф Самарской государственной сельскохозяйственной академии 446442, п. Усть-Кинельский, ул. Учебная 1

№15484

РНБ Русский фонд

2006-4 14033

ВВЕДЕНИЕ.

1. СОСТОЯНИЕ ВОПРОСА. ЦЕЛЬ И ЗАДАЧИ ИССЛЕДОВАНИЙ. ОБЗОР МЕТОДОВ ПРОГНОЗИРОВАНИЯ.

1.1. Метод прогнозирования с использованием регрессионной модели.

1.2. Метод экстраполяции.

1.3. Использование теории распознавания образов.

1.3.1. Основные задачи адаптивного распознавания образов.

1.3.2. Метод дискриминантных функций.

1.3.3. Метод потенциальных функций.30 ;

1.3.4. Метод классификации с оценкой значимости признаков.

1.3.5. Метод сравнения с прототипом.

1.3.6. Метод к-ближайших соседей.

1.3.7. Алгоритмы вычисления оценок ("голосования").

1.3.8. Коллективы решающих правил.

1.4. Использование принципов нейронных сетей.

1.5. Сравнительный анализ методов прогнозирования.

1.6. Обзор операторов прогнозирования качества ЭРИ.

1.7. Обзор программных средств прогнозирования.

1.8. Краткие выводы и постановка задач.

2. УПРАВЛЕНИЕ КАЧЕСТВОМ ЭЛЕМЕНТОВ И КОМПОНЕНТОВ МИКРОСБОРОК НА ЭТАПЕ ИНДИВИДУАЛЬНОГО ПРОГНОЗИРОВАНИЯ.

2.1. Структурная модель управления качеством микросборок.

2.2. Критерии информативности признаков.

2.3. Отбор информативных параметров.

2.4. Технология проведения испытаний.

2.5. Методика проведения обучающего эксперимента.

2.6-Виды отказов полупроводниковых приборов.

2.6.1. Полупроводниковые диоды и стабилитроны.

2.6.2. Транзисторы биполярные.

2.6.3. Транзисторы полевые.

2.7. Дефекты конденсаторов.

2.8. Виды отказов резисторов.

3. ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ПРОГНОЗИРОВАНИЯ.

3.1. Выбор языка программирования.

3.2. Выбор ЭВМ.

3.3. Разработка алгоритма программы.

3.4. Состав модулей программы.

3.5. Описание работы с программой.

4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ И ИХ АНАЛИЗ.

4.1. Программа экспериментальных исследований.

4.2. Методика экспериментальных исследований.

4.3. Разработка операторов прогнозирования качества ЭРИ.

4.3.1. Исследование выборки конденсаторов.

4.3.2. Исследование выборки стабилитронов.

4.3.3. Исследование выборки резисторов.

4.4. Выводы.

Радиоэлектронная аппаратура (РЭА), являющаяся важнейшей составной частью сложных и разнообразных радиотехнических систем, должна в процессе эксплуатации выполнять возложенные на нее задачи формирования, усиления, преобразования, передачи и запоминания сигналов, несущих полезную информацию. Увеличение роли информации в жизни современного общества, рост потребностей в передаче, обработке, накоплении информации обусловливает широкое использование РЭА во всех областях народного хозяйства. Поэтому на РЭА возлагаются все более ответственные функции, что приводит к ее непрерывному усложнению. В связи с требованиями к повышению качества приборов и механизмов и все возрастающим значением сложных и дорогостоящих систем весьма актуальной в настоящее время становится задача оценки состояния сложной аппаратуры и ее элементов в процессе их изготовления и эксплуатации.

При разработке, изготовлении и эксплуатации объекта принимаются разнообразные меры, направленные на обеспечение его безотказности. Однако полностью устранить возможность появления отказов не удается. Поэтому задача поддержания работоспособного состояния объекта заключается, прежде всего, в своевременном прогнозировании отказов и устранении причин их появления. Прогнозирование отказов необходимо и для того, чтобы предупредить аварийные ситуации, которые могут повлечь за собой тяжелые последствия.

Наиболее действенными методами оценки состояния объектов и прогнозирования его изменения во времени являются методы технической диагностики, которая решает задачи распознавания состояний системы, определения причин нарушения работоспособности, а также установления вида и места дефекта.

Поэтому достаточно актуальной является разработка методов и средств прогнозирования, обладающих относительной простотой реализации, характеризующихся относительно невысокими требованиями к ресурсам ЭВМ и, при этом, позволяющих строить достаточно точные модели многомерных нелинейных объектов и процессов. Подмножеством таких методов являются эвристические методы - методы, не имеющие строгого теоретического обоснования, основанные на опыте и интуиции разработчика.

В настоящее время разработан большой арсенал методов технической диагностики, включающий статистические, вероятностные, логические [48; 50; 97; 111; 112; 3], нечеткие и нейросетевые методы [54; 56; 57].

Статистические, вероятностные и логические методы характеризуются относительной простотой реализации, однако требуют достаточно большого объема экспериментальных данных и не позволяют получать высокоточные модели многомерных объектов и процессов.

В свою очередь нейросетевые методы и методы нечеткой логики позволяют строить более точные модели в условиях ограниченного набора обучающих данных, но при этом характеризуются относительной сложностью практической реализации и высокими требованиями к ресурсам ЭВМ.

В настоящей работе для решения задач прогнозирования предлагается использовать комплексный подход к индивидуальному прогнозированию: комбинацию методов распознавания образов и экстраполяции. Это позволит сочетать достоинства обоих методов (используя ЭВМ и разработанный в рамках работы программный комплекс «Прогнозирование»), а также сократить временные и материальные затраты на индивидуальное прогнозирование, что имеет важное научное и промышленное значение.

Настоящая работа выполнена на основе тематического плана НИР, утвержденного ученым советом Самарского государственного аэрокосмического университета в 2000 году по теме «Индивидуальное прогнозирование параметров элементов и компонентов микросборок».

На основании выполненных исследований на защиту выносится: новая методика определения информативных параметров и выявления наилучших операторов прогнозирования. В ходе работы были доработаны алгоритмы существующих методов прогнозирования применительно к их реализации на ЭВМ. В работе также представлены следующие научные положения:

• Методика определения информативных параметров и выявления наилучших операторов прогнозирования.

• Математическое, алгоритмическое и программное обеспечение комплексной реализации методов экстраполяции, метода дискриминантных функций (МДФ), метода потенциальных функций (МПФ) и регрессионных моделей.

• Результаты теоретических исследований процессов прогнозирования методами экстраполяции, МДФ, МПФ и регрессионных моделей.

• Полученные данные лабораторных исследований по изучению влияния различных операторов прогнозирования на качество прогнозирования.

• Результаты производственных испытаний экспериментального программного комплекса для прогнозирования параметров элементов и узлов РЭА.

Диссертационная работа выполнена на кафедре «Конструирование и производство РЭС» и НИЛ-39 Самарского государственного аэрокосмического университета в 2000.2005 годах.

ОБЩИЕ ВЫВОДЫ

1. Применение комплексных методов прогнозирования позволяет уменьшить объем выборки, а также сократить время и стоимость испытаний.

2. Показана эффективность комплексного, совместного использования различных методов прогнозирования с применением вычислительных средств.

3. Разработаны универсальные алгоритмы МДФ и МПФ для большого количества информативных параметров.

4. Построены операторы ИП различными методами для исследованных типов ЭРИ.

5. Сформулированы основные требования к программно-аппаратному обеспечению процесса прогнозирования, выбраны критерии оценки эффективности для каждого из методов.

6. Создан программный комплекс для проведения предварительной обработки данных и последующего прогнозирования с использованием суперпозиции методов экстраполяции, регрессионных моделей, МПФ и МДФ, который позволяет автоматизировать большинство рутинных этапов прогнозирования.

7. Проведен анализ влияния способа предварительного преобразования выборок на качество прогнозирования.

8. Показана возможность значительно ускорить процесс прогнозирования за счет применения программного комплекса «Прогнозирование». Это позволяет просчитывать одни и те же выборки одновременно несколькими методами, выбирая для дальнейшей оптимизации ту модель, которая дает наибольшее качество.

9. Обоснованы и проверены на практике методы выявления наиболее информативных параметров для прогнозирования и выявления наилучших операторов прогнозирования, а также изучено влияние различных факторов на качество прогнозирования (вид предварительного преобразования, метод прогнозирования, тип прогнозируемого параметра).

10. Выбраны, обоснованы и проверены экспериментальным путем численные критерии оценки качества прогнозирования различными методами.

1. Doug Grant and Scott Wurcer AVOIDING PASSIVE-COMPONENT PITFALLS Analog Devices, Application Note, AN-348. -12 c.

2. DubnerP.N. Statistical tests for feature selection in KORA recognition algorithms. Pattern Recognition And Image Analysis (http://infoscope.ws/AI/pattrec/featsel/index.html), 1994, v.4, No. 4, p.396.

3. Айзерман М.А., Бравеман Э.М., Розоноэр JI.H. Проблема обучения машин распознаванию внешних ситуаций В сб.: Самообучающиеся автоматические системы. — М.:Наука, 1966. - С. 121-125.

4. Айзерман М.А., Браверманн Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. — М.: Наука, 1970. 384 с.

5. Алгоритмы и программы восстановления зависимостей / под. ред. В.Н. Вапника. — М.:Наука, гл. ред. физико-математической литературы, 1984. —816 с.

6. Андерсон Т. Введение в многомерный статистический анализ. — М.: 1963.-500 с.

7. Андреев А.И., ЖадновВ.В., Кофанов Ю.Н. Виды и причины отказов радиоэлектронных средств. — М.:МГИЭМ, 1995. — 64 с.

8. Андреева В.В., Пиганов М.Н., Алиев M.JI. Индивидуальноепрогнозирование экстраполяцией стабильности тонкопленочных конденсаторов//Устройства, элементы и методы комплексной микроминиатюризации РЭА: Межвуз. сб. — Казань: КАИ, 1982. — С.87-90.

9. Андреева В.В., Пиганов М.Н., Беляков А.И. Индивидуальное прогнозирование экстраполяцией стабильности тонкопленочных резисторов//Микроминиатюризация радиоэлектронных устройств: Межвуз. сб. —Рязань: РРТИ, 1981. Вып.4. —С.123-127.

10. Андреева В.В., Пиганов М.Н., Скоморохов Г.Ю. Индивидуальное прогнозирование стабильности прецизионных тонкопленочных конденсаторов//Микроминиатюризация радиоэлектронных устройств: Межвуз. сб. —Рязань: РРТИ, 1980. Вып.З. — С.72-76.

11. Барабаш Ю.Л. Коллективные статистические решения при распознавании. — М.:Радио и связь, 1983. — 224 с.

12. Бовель Е.И., Паршин В.В. Нейронные сети в системах автоматического распознавания речи //Зарубежная радиоэлектроника. 1998. №4. С. 50-57.

13. Бонгард М.М. Проблема узнавания. — М.:Наука, 1967. 320 с.

14. Боровиков В.П. Statistica: искусство анализа данных на компьютере. Для профессионалов. — СПб.: Питер, 2001.— 656 с.

15. Боровиков В.П., Ивченко Г.И. Прогнозирование в системе Statistica в среде WINDOWS. — М.: Финансы и статистика, 1999.— 382 с.

16. Боровиков С.М., Латышев В.Г., Петров К.А Исследование эффективности методов индивидуального прогнозирования состояния РЭС с использованием информативных параметров. — Бел.гос.ун-тинформатики и радиоэлектроники, 1996. — 102 с.

17. Боровиков С.М., СтасюкД.М., Зорин Д.В. Эффективность методов индивидуального прогнозирования в управлении качеством радиоаппаратуры. Сб. Ы Научной сессии, посвященной Дню радио, 4.1. — М.: РНТО РЭС им. А.С.Попова, 1996. С. 53-56.

18. Ванцвайг М.Н. Алгоритм обучению распознаванию образов «Кора» // Алгоритмы обучению распознаванию образов. — М.: Сов. радио, 1973. — С. 82-91.

19. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. — М.:Наука, 1979.-447 с.

20. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. Стохастические проблемы обучения. — М.:Наука, 1974. 416 с.

21. Вешкурцев Ю.М., БычковЕ.Д. Автоматизированные системы контроля и диагностики РЭС: Учеб. пособие. — Омск Изд-во ОмГТУ 2001 — 100 с.

22. Внуков Ю.Н., Дубровин В.И. Методики прогнозирования с использованием теории статистических оценок и статистической классификации //Высокие технологии в машиностроении /Материалы VI международного науч.-тех. семинара. — Харьков:ХГПУ,1996.— С. 2627.

23. Внуков Ю.Н., Дубровин В.И. Алгоритм классификации с использованием дискриминантных функций // Высокие технологии в машиностроении. /Сборник научных трудов ХГПУ. — Харьков, 1998. — С. 64-66.

24. Волошин Г.Я. Методы распознавания образов (конспект лекций) // Библиотека диссертаций. — http://disser.hlO.ru/rasrazdell.html.

25. Волошин Г.Я., Шибанов Г.П. Распознавание в системах автоконтроля. — М.:Машиностроение, 1973. 125 с.

26. Вопросы статистической теории распознавания. Ю.Л. Барабаш,

27. Б.В. Барский, В.Т. Зиновьев и др.; Под ред.Б.В. Барского. — М.: Советское радио, 1967. — 400 с.

28. Глудкин О.П., Обичкин Ю.Г., Блохин В.Г. Статистические методы в технологии производства радиоэлектронной аппаратуры /Под общ.ред. В.Н.Черняева. — М.: Энергия, 1977. 296 с.

29. Гмошинский В.Г., ФлиорентГ.И. Теоретические основы инженерного прогнозирования. — М.: Наука, 1977. — 209 с.

30. Гольцман Ф.М. Физический эксперимент и статистические выводы.— Л.: изд.ЛГУ, 1982. — 190 с.

31. Горелик А.Л., Гуревич И.Б., Скрипкин В.А. Современное состояние проблемы распознавания: Некоторые аспекты. — М.: Радио и связь (Кибернетика), 1985.- 160 с.

32. Горелик А.Л., Скрипкин В.А. Методы распознавания. — М.: Высшая школа, 1989. —232 с.

33. Горлов М.И., Королев С.Ю. Физические основы надежности интегральных микросхем: Учебное пособие. — Воронеж: Издательство Воронежского университета, 1995. — 200 с.

34. ГОСТ 11630-84. Приборы полупроводниковые. Общие технические условия. (Взамен ГОСТ 11630-70) .— М.: Издательство стандартов, 1985.

35. ГОСТ 21342.0-75. Резисторы. Общие требования при измерении электрических параметров. Взамен ГОСТ 11199-65 в части разд. 1, ГОСТ 3223-67 в части разд. 1. —М.: Издательство стандартов, 1994.

36. ГОСТ 21342.13-78. Резисторы. Метод измерения сопротивления изоляции. Взамен ГОСТ 3223-67 в части метода измерения сопротивления изоляции, ГОСТ 11199-65 в части метода измерения сопротивления изоляции. — М.: Издательство стандартов, 1994.

37. ГОСТ 21342.14-86. Резисторы. Метод испытания импульсной нагрузки. -Взамен ГОСТ 21342.14-78. — М.: Издательство стандартов, 1994.

38. ГОСТ 21342.15-78. Резисторы. Метод определения температурной зависимости сопротивления. Взамен ГОСТ 15478-70.— М.: Издательство стандартов, 1994.

39. ГОСТ 21342.16-78. Резисторы. Метод измерения нелинейности сопротивления. —М.: Издательство стандартов, 1994.

40. ГОСТ 21342.17-78. Резисторы. Метод определения изменения сопротивления от изменения напряжения. Взамен ГОСТ 3223-67 в части метода определения изменения сопротивления от напряжения. — М.: Издательство стандартов, 1994.

41. ГОСТ 21342.19-78. Резисторы. Методы измерения уровня шумов. -Взамен ГОСТ 3223-67 в части метода проверки ЭДС собственных шумов, ГОСТ 11199-65 в части метода проверки ЭДС собственных шумов. — М.: Издательство стандартов, 1994.

42. ГОСТ 21342.20-78. Резисторы. Метод измерения сопротивления. -Взамен ГОСТ 3223-67 в части метода измерения сопротивления, ГОСТ 11199-65 в части метода измерения сопротивления.— М.: Издательство стандартов, 1994.

43. ГОСТ 25359-82. Изделия электронной техники. Общие требования к надежности и методы испытаний. — М.: Издательство стандартов, 1983.

44. ГОСТ 25360-82 Изделия электронной техники. Правила приемки. — М.: Издательство стандартов, 1994.

45. ГОСТ Р 50296-92. Конденсаторы постоянной емкости для электронной аппаратуры. Часть 10. Групповые технические условия на многослойные керамические конденсаторы-чипы постоянной емкости. — М.:

46. Издательство стандартов, 1993.

47. Грищенко В.Т. Интегрированная система управления качеством в производстве бытовой радиоэлектронной аппаратуры: Дис.канд. техн.наук: 05.13.07. — Воронеж, 1996.- 143 с.

48. Гуревич И.Б., Журавлев Ю.И. Минимизация булевых функций и эффективные алгоритмы распознавания. — Кибернетика, 1974, № 3. — С. 16-20.

49. Дегтярев С.В. Основы теории распознавания образов: Учеб. пособие./С.В. Дегтярев, Е.И. Духнич, Н.А. Кореневский и др.; М-во общ. и проф. образования Рос. Федерации. Кур. гос. техн. ун-т, 1999. — 152 с.

50. Диде Э. Методы анализа данных. (Перевод с французского С.А. Айвазяна, В.Д. Конакова, С.Ю. Адамова. Под редакцией С.А. Айвазяна и

51. B.М. Бухштабера). — М.: Финансы и статистика, 1985. — 238 с.

52. Донской В.И. Алгоритмы обучения, основанные на построении решающих деревьев // Журнал вычислит, математики и математич. физики, 1982, т. 22, № 4. С. 963-974.

53. Дорофеюк А.А., Лумельский В.Я. Реализация алгоритмов обучения распознаванию образов без учителя на ЭВМ // Алгоритмы обучения распознаванию образов / Под ред. Вапника В.Н. — М.: Сов. радио, 1973,1. C. 181-198.

54. Дубровин В.И., Субботин С.А. Алгоритм классификации с оценкой значимости признаков. 3-я Международная конференция и выставка. — М.РНТОРЭС им. А.С. Попова, 2000. — С. 40-45.

55. Дубровин В.И., Субботин С.А. Эвристический алгоритм классификации и его нейросетевая интерпретация // Радюелектронжа. 1нформатика. Управлшня, 2000, № 1. — С. 72-76.

56. Дуда Р., Харт П. Распознавание образов и анализ сцен /Пер.с англ. — М.: Мир, 1978. —510 с.

57. Дьяконов В .П. Справочник по MathCAD PLUS 7.0 PRO.— М.: СК Пресс, 1998.-352 с.

58. Дэн Оузьер и др. Delphi 3. Освой самостоятельно. Пер. с англ.— М.: «Издательство БИНОМ», 1998. 560 с.

59. Дюк В. Data Mining — состояние, проблемы, новые решения (http://on.wplus.net/sparm/science/Datamining.html), 1999.

60. Дюкова Е.В. Алгоритмы распознавания типа «Кора»: сложность реализации и метрические свойства // Распознавание, классификация, прогноз. Математические методы и их применение. Вып. 2. — М.: Наука, 1989.-С. 99-125.

61. Дюран Б., Одел П. Кластерный анализ: Пер. с англ. — М.: Статистика, 1977.- 125 с.

62. Ерёмин И.В., Карпов О.В., Пиганов М.Н. Анализ отказов конденсаторов // Радиоэлектроника, электротехника и энергетика: Тез. докл. XI междунар. науч.-техн. конф. студентов и аспирантов. — М: МЭИ,2005. —С. 217-218.

63. Журавлев Ю.И. Избранные научные труды. — Изд. Магистр, 1999. -420 с.

64. Журавлев Ю.И. Об алгебраических методах в задачах распознавания и классификации // Распознавание. Классификация. Прогноз. Математические методы и их применение. Вып. 1. — М.: Наука. 1989. — С. 9-16.

65. Журавлев Ю.И., Гуревич И.Б. Распознавание образов и распознавание изображений // Распознавание, классификация, прогноз. Математические методы и их применение. Вып. 2. — М.: Наука, 1989. — С.5-72.

66. Загоруйко Н.Г. Методы распознавания и их применение. — М.: Сов. радио, 1972. — 206 с.

67. Зайченко Ю.П., Кучерук С.Ю. Основы проектирования интеллектуальных систем.— Ьйр://1аза.о^.иаЛрг.рЬр?1ап§=икг&сЬ=1, 2002-2004.

68. Испытания элементов радиоэлектронной аппаратуры (Физические методы надежности). Некрасов М.М., Платонов В.В., Дадеко Л.И. — Киев: Вища школа, 1981. 304 с.

69. Калкаманов Х.А. Оптимизация обучения в математических моделях распознавания образов. Сборник научных трудов БирГПИ "Вопросы математического моделирования и механики сплошных сред". Выпуск 1. — Бирск, 1996. —С. 122-132.

70. Карпов О.В. Индивидуальное прогнозирование параметров элементов и компонентов микросборок // Актуальные проблемы радиоэлектроники и телекоммуникаций: Материалы Всероссийской науч.-техн. конф. — Самара: СГАУ, 2004. — С. 52-53.

71. Карпов О.В. Операторы прогнозирования качества бескорпусных стабилитронов // Актуальные проблемы радиоэлектроники ителекоммуникаций: материалы всероссийской НТК. — Самара: СГАУ, 2005, —С. 96-101.

72. Карпов О.В. Операторы прогнозирования качества электрорадиоэлементов // Актуальные проблемы радиоэлектроники и телекоммуникаций: Материалы всероссийской НТК. — Самара: СГАУ, 2005.— С. 103-110.

73. Карпов О.В. Реализация алгоритма прогнозирования по нескольким признакам для метода дискриминантных функций на ЭВМ // Вестник СГАУ. Серия «Актуальные проблемы радиоэлектроники». — Самара: СГАУ, 2004. Вып. 9. — С. 106-109.

74. Карпов О.В. Алгоритмические особенности реализации метода экстраполяции при прогнозировании надежности микросборок // Вестник СГАУ. Серия «Актуальные проблемы радиоэлектроники».— Самара: СГАУ, 2003. Вып. 8. — С. 79-82.

75. Карпов О.В. Индивидуальное прогнозирование стабильности элементов микросборок // Надежность и качество: Труды международного симпозиума. — Пенза: ПГУ, 2001. — С. 334-337.

76. Карпов О.В. Использование нелинейных моделей при прогнозировании состояния РЭА методами экстраполяции // Прикладная математика: Труды конференции. — Самара: СГАУ, 2001. — С. 111-115.

77. Карпов О.В. Определение объема выборки при индивидуальном прогнозировании различными методами // XXIX Гагаринские чтения: Труды Международной конференции. — М: МАТИ, 2004. — С. 117-119.

78. Карпов О.В. Прогнозирование стабильности параметров тонкопленочных резисторов // Техническая кибернетика, радиоэлектроника и системы управления: Тезисы докладов VI Всероссийской науч. конф. студ. и аспир. — Таганрог: ТРТУ, 2002. — С. 196.

79. Карпов О.В. Прогнозирование стабильности тонкопленочныхконденсаторов // VI Королевские чтения: Тез. докл. всеросс. научн. конференции. — Самара: СГАУ, 2001. — С. 72.

80. Карпов О.В. Программная реализация алгоритмов прогнозирования // Королевские чтения: Труды конференции, СГАУ, 2001. — С.233-235.

81. Карпов О.В., Еремина И.Н. Индивидуальное прогнозирование показателей качества микросборок методом экстраполяции // Надежность и Качество: Труды международного симпозиума. — Пенза: ПГУ, 2005. — С.354.

82. Карпов О.В., Пиганов М.Н. Индивидуальное прогнозирование параметров элементов и компонентов микросборок // Надежность и Качество: Труды международного симпозиума. — Пенза: ПГУ, 2004. — С. 357.

83. Карпов О.В., Пиганов М.Н. Структурная модель управления качеством микросборок на этапе индивидуального прогнозирования // Вестник СГАУ. Серия «Актуальные проблемы радиоэлектроники». — Самара:

84. СГАУ, 2004. Вып. 9. — С. 101-105.

85. Классификация и кластер / Под ред. Дж. Вэн Райвин; Пер. с англ. под ред. Ю.И. Журавлева. М.: Мир, 1978. 390 с.

86. Корецкий Н.Х., Дубровин В.И. Прогнозирование надежности элементов РЭС на основе информативных параметров // Теория и практика обеспечения надежности и качества радиоэлектронных средств. -Киев:УМК ВО, 1992. — С. 90-95.

87. Кузин JI.T. Основы кибернетики. Основы кибернетических моделей ,Т2.-Москва:Энергия, 1979. —584 с.

88. Мазуров В.Д. Комитеты систем неравенств и задача распознавания // Кибернетика, 1971, №2. —С. 140-146.

89. Мазуров В.Д. Метод комитетов в задачах оптимизации и классификации. М.: Наука, 1990. 248 с.

90. Майерс Г. Надежность программного обеспечения: Пер. с англ. — М.: Мир, 1980.-300 с.

91. Математические методы распознавания образов: (ММРО-8): Тезисы докладов. 1997, Москва, ВЦ РАН. - 317 с.

92. Математическое моделирование. Процессы в нелинейных средах/Под ред. A.A. Самарского, С.П. Курдюмова, В.А. Галактионова. М.: Наука, 1986.-312 с.

93. Матросов В.Л., Гаджиев Т.С., Калкаманов Х.А. Корректные модели алгоритмов вычисления оценок ограниченной емкости. Сборник научных трудов молодых ученых Дагестанского пединститута. Махачкала, 1993. — С. 40-44.

94. Маттеча JI. Практика обеспечения надежности. Электроника, 1975, № 22. — С. 34-45.

95. Минский М., Пейперт С. Персептроны. М.: Мир, 1971. — 252 с.

96. Мэтьюз Дж.Г., Финк К.Д. Численные методы. Использование Matlab. -Вильяме, 2001. — 720 с.

97. Назаров Н.Г. Планирование и обработка результатов — М.: Изд-во стандартов, 2000. — 301 с.

98. Назаров Н.Г. Современные методы и алгоритмы обработки измерений и контроля качества продукции. -М.: Изд-во стандартов, 1995. — 167 с.

99. Нейронные сети. Statistica Neural Networks: Пер. с англ.— М.: Горячая линия-Телеком, 2001.— 182 с.

100. Неразрушающий контроль и диагностика: Справочник / В.В.Клюев, Ф.Р. Соснин, A.B. Ковалев и др.; Под ред. В.В. Клюева, 2-е изд., испр. и доп. М.: Машиностроение, 2003. - 656 с.

101. Неразрушающий контроль элементов и узлов радиоэлектронной аппаратуры. Под редакцией Б.Е. Бердичевского М.: Советское радио, 1976.-296 с.

102. ОСТ 470.012.007-71. Узлы функциональные. Метод индивидуального прогнозирования надежности.

103. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ -М.:Высшая школа, 1989. — 367 с.

104. Перроте А.И., Карташов Г.Д., Цветаев К.Н. Основы ускоренных испытаний радиоэлементов на надежность. М.: Советское радио, 1968. — 224 с.

105. Пестряков В.Б., Андреева В.В. Индивидуальное прогнозирование состояния РЭА методами экстраполяции, учебное пособие — Куйбышев: КуАИ, 1981. — 92 с.

106. Пестряков В.Б., Андреева В.В. Индивидуальное прогнозирование состояния РЭА с использованием теории распознавания образов —

107. Куйбышев: КуАИ, 1980. — 89 с.

108. Пиганов М.Н. Индивидуальное прогнозирование показателей качества элементов и компонентов микросборок. — М.: Новые технологии, 2002. — 267 с.

109. Пиганов М.Н. Индивидуальное прогнозирование стабильности резистивных элементов микросборок на основе регрессионных моделей//Надежность и качество: Труды междун. симпоз. 27.0502.06.02 — Россия, Пенза, 2002. — С. 67-69.

110. Пиганов М.Н. Прогнозирование показателей микросборок // Сертификация и управление качеством продукции: Матер. 2-й междун. НТК 21 — 23.05.02. — Брянск, Россия, 2002. — С. 83-85.

111. Пиганов М.Н. Совершенствование технологии исследовательских испытаний микросхем // Методы и средства оценки и повышения надежности приборов, устройств и систем: Тез. докл. междун. НТК. — Пенза, Россия, 1995. С. 52-53.

112. Пиганов М.Н., Плотников В.Б. Индивидуальное прогнозирование качества толстопленочных резисторов методом потенциальных функций//Сертификация и управление качеством продукции: Тез. докл. междун. НТК 13 — 15.10.99. — Брянск, Россия, 1999. — С. 416-417.

113. Плис А.И., Сливина H.A. Mathcad: математический практикум. М.: Финансы и Статистика, 1999. - 656 с.

114. Прикладаная статистика: Классификация и снижение размерности: Справ, изд. / С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин; Под ред. С.А. Айвазяна.-М.: Финансы и статистика, 1989. -607 с.

115. Пряников B.C. Прогнозирование отказов полупроводниковых приборов. М.:Энергия, 1978. 112 с.

116. Рудаков К.В. О числе гиперплоскостей, разделяющих конечные множества точек // ДАН СССР, 1976, т. 231, № 6. С. 1296-1299.

117. Рыжаков В.В. Надежность технических систем и ее прогнозирование. Часть 1. Надежность технических систем. Издание 2-е, исправленное. Пенза: ПТИ, 2001. — 100 с.

118. Рыжаков В.В. Надежность технических систем и ее прогнозирование. Часть 2. Прогнозирование надежности технических систем. Издание 2-е, исправленное. Пенза: ПТИ, 2000. 95 с.

119. Рязанов В.В. О построении оптимальных алгоритмов распознавания и таксономии (классификации) при решении прикладных задач // Распознавание. Классификация. Прогноз. Математические методы и их применение. Вып. 1. М.: Наука, 1989. - С. 229-279.

120. Себестиан Г.С. Процессы принятия решений при распознавании образов. Киев: Техника, 1965. 312 с.

121. Сергиев В.Г. Технология микроэлектронных устройств : Учеб. пособие / Сергиев В. Г., Колмакова Н. С., Смыслова Р. В. ; Челяб. гос. техн. ун-т, Каф. "Технология приборостроения", 1996. — 93 с.

122. Симанков B.C., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов: Монография (научное издание) / Техн. ун-т Кубан. гос. технол. ун-та. — Краснодар, 1999. —318 с.

123. Тарасевич Ю.Ю. Решение прикладных задач на MathCAD. Методическое пособие по курсу "Математические модели и методы врасчетах на ЭВМ". Астрахань: Изд-во АГТУ, 1995. 40 с.

124. Тарасевич Ю.Ю. Численные методы на Mathcad'e http://wvAv.exponenta.ru/educat/systemat/tarasevich/default.asp.

125. Татиевский А.Б. Практика применения методов прогнозирования показателей качества на промышленных предприятиях. — JL: ЛДНТП, 1977. —32 с.

126. Темников Ф.Е. Теоретические основы информационной техники. -М.: Энергия, 1979.-511 с.

127. Технологическое обеспечение качества R и С элементов интегральных схем методом контроля информативных параметров / И.Н. Воженин, В.Е.Власова, Т.П.Власова и др. - Электронная техника. Серия 10. Микроэлектронные устройства, 1977, вып.5. — С. 106-110.

128. Тренировка РЭА в форсированном режиме. Радиоэлектроника за рубежом, 1985, вып. 1(2). — С. 11-14.

129. Ту Дж., Гонсалес Р. Принципы распознавания образов / Пер.с англ. -М.: Мир, 1978.-410 с.

130. Уинстон П. Искусственный интеллект / Пер.с англ., -М.: Мир, 1980.— 520 с.

131. Ухов H.H., Михайлов С.К., Белякова Е.И. Прогнозирование качества продукции/Под ред. Л.С. Бляхмана- Л.:Наука, 1980. 127 с.

132. Фаронов В.В., Шумаков П.В. Delphi4. Руководство разработчика баз данных. — М.: «Нолидж», 1999. — 560 с.

133. Физические основы надежности интегральных схем. Под редакцией Ю.Г. Миллера. М.: Советское радио, 1976 — 320с.

134. Фомин В.Н. Математическая теория обучаемых опознающих систем. Л.: ЛГУ, 1976.-294 с.

135. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов. — М.: Радио и связь, 1986. — 264 с.

136. Фу К. Структурные методы в распознавании образов / Пер.с англ. — М.:1. Мир, 1977. — 320 с.

137. Цыпкин Я.З. Основы информационной теории идентификации.— М.: Наука, 1984.-520 с.

138. Чернобровкин Д.И., Кутолин С.А. Научные принципы прогнозирования перспективности материалов для целей микроэлектроники. — Электронная техника. Серия 6. Материалы, 1977, вып.4. — С. 48-56.

139. Чуев Ю.В., Михайлов Ю.Б., Кузьмин В.И. Прогнозирование количественных характеристик процессов. — М.: Сов. радио, 1975. — 400 с.