Повышение эффективности автоматизации проектирования документации контроля, диагностики и ремонта сменных элементов радиоэлектронной аппаратуры

ВВЕДЕНИЕ

Современные образцы вооружения и военной техники (ВВТ) противовоздушной обороны (ПВО) представляют собой сложные технические системы, рассчитанные на длительные сроки эксплуатации. В связи со сложностью образцы ВВТ ПВО обладают конечной надежностью. Поэтому для обеспечения требуемых уровней технической готовности образцов ВВТ ПВО в течение заданных сроков эксплуатации проводятся работы по их техническому обслуживанию и войсковому ремонту.

Высокие значения тактико-технических характеристик (ТТХ) современных ВВТ ПВО обеспечиваются входящей в их состав радиоэлектронной аппаратурой (РЭА), построенной по многоуровневому конструктивному принципу. Нижний уровень структуры РЭА составляют конструктивные сменные элементы (КСЭ), представляющие собой печатные платы с установленными на них электрорадиоэлементами (ЭРЭ) в виде интегральных схем разной степени интеграции. В одном КСЭ может быть до 100 и более ЭРЭ, соединенных функциональными электрическими связями. Основную сложность при войсковом ремонте КСЭ составляют обнаружение, локализация места нахождения на плате и идентификация типа неисправного ЭРЭ – с последующим демонтажем и заменой на исправный ЭРЭ. Указанный процесс диагностики неисправностей достаточно сложный даже для одного типа КСЭ РЭА. В составе каждого типа ВВТ применяют несколько сотен типов КСЭ РЭА.

Для обеспечения требуемой производительности войскового ремонта КСЭ РЭА разработаны и применяются автоматизированные системы контроля и диагностики (АСКД).

АСКД работают на основе интерактивной электронной ремонтной документации (ИЭРД) [6] КСЭ, разрабатываемой под каждый тип КСЭ. Основу ИЭРД КСЭ составляет контрольно-диагностическое программное обеспечение. При этом основную трудоемкость составляет разработка диагностического программного обеспечения. Этот процесс частично автоматизирован, однако значительная часть выполняется квалифицированным разработчиком вручную. Поэтому актуальной задачей является поиск решений по повышению производительности процессов автоматизации проектирования ИЭРД КСЭ.

С этой целью были проведены исследования по применению сверточных нейронных сетей для задач автоматизации проектирования ИЭРД КСЭ. Результаты первого этапа исследований изложены в данной статье.

СОВРЕМЕННОЕ СОСТОЯНИЕ ВОПРОСА

В связи со схемной сложностью КСЭ для контроля их работоспособности требуется формирование большого количества комбинаций тестовых сигналов, также требуется измерение соответствующих комбинаций сигналов откликов. Для обеспечения требуемой производительности и достоверности оценки состояния КСЭ контроль их работоспособности и диагностику неисправностей осуществляют с применением специализированных многоканальных многопараметровых автоматизированных измерительных систем (АИС), получивших наименование «Автоматизированная система контроля и диагностики» [1–4].

Известен ряд установок отечественного и зарубежного производства, используемых для контроля работоспособности и диагностики неисправностей составных частей радиоэлектронной аппаратуры.

Примером является система S790 фирмы Diagnosys Systems Ltd, однако непосредственное использование данных установок при проведении войскового ремонта (ВР) образцов ВВТ ПВО, находящихся на вооружении ВС РФ, неприемлемо по следующим причинам:

а) высокая стоимость, в несколько раз превосходящая фактическую стоимость отечественных АСКД [5];

б) отсутствие подобной аппаратуры в перечне разрешенных к применению в интересах Минобороны РФ;

в) сильная зависимость от поставщика (возможность эмбарго).

Отечественным примером является система контроля логических блоков автоматизированная АСК-ЛБ-КМ производства АО «Ижевский мотозавод «Аксион-холдинг». Система предназначена для функционального и параметрического контроля, диагностики неисправностей изделий, выполненных с использованием цифровых узлов и элементов дискретной автоматики. Однако АСК-ЛБ-КМ имеет ряд существенных недостатков:

а) система не является инвариантной ко всем видам блоков РЭА; для контроля диагностики всего спектра ремонтопригодных блоков РЭА (цифровые, аналоговые источники вторичного питания) потребуется доработка по составу контрольно-измерительных приборов, что является экономически невыгодным;

б) так как система АСК-ЛБ-КМ реализована на операционной системе MS-DOS, дальнейшие модернизации не являются возможными, следовательно, система не является адаптивной к появляющимся разновидностям блоков РЭА, особенно это касается блоков РЭА с микропроцессорами.

Вследствие этого в АО «ГПТП «Гранит» были разработаны автоматизированные системы контроля и диагностики (АСКД), которые адаптивны для широкой номенклатуры ремонтопригодных типов КСЭ РЭА.

Реализация процедур контроля работоспособности и диагностики неисправностей КСЭ с применением АСКД основана на применении ИЭРД. Комплекты ИЭРД на конкретные типы КСЭ РЭА разрабатываются на предприятии АО «ГПТП «Гранит» высококвалифицированными специалистами.

Типовая конструкторская документация на КСЭ РЭА с точки зрения ремонта недостаточно информативна. При ремонте КСЭ поиск местоположения неисправного ЭРЭ требует достаточно высокой квалификации оператора, который должен уметь читать и разбираться как в электронной принципиальной схеме, так и в сборочном чертеже.

Основу ИЭРД составляет конструкторская документация и фотографии печатной платы КСЭ РЭА, на которых разработчиком ИЭРД размечаются все компоненты и контрольные точки для быстрого поиска и навигации, что в первую очередь снижает требуемую квалификацию ремонтного персонала и сокращает время ремонта.

В общем случае процедура диагностики неисправностей при ремонте КСЭ заключается в следующем. По каждой неисправной электрической цепи схемы КСЭ в контрольных точках (КТ) в направлении от выхода ко входу проверяются параметры сигналов на соответствие эталонным значениям. Это осуществляется путем установки щупа различных измерительных приборов (осциллограф, мультиметр, логический анализатор) в проверяемую контрольную точку (КТ) печатной платы. Проверяемая КТ автоматически отображается на фотографии КСЭ РЭА и на принципиальной электрической схеме, выделяется жирной рамкой синего цвета (рис. 1).

Для удобной и рациональной работы оператору необходима наглядная информация о местоположении и наименовании каждого элемента объекта диагностики. Таким образом, фотографию КСЭ РЭА необходимо размечать вплоть до контактов каждого ЭРЭ.

Этапы формирования ИЭРД отображены на рисунке 2.

Ряд процедур проектирования ИЭРД СЭ в настоящее время автоматизирован [7]. Однако некоторые специфические процедуры, связанные с подготовкой и преобразованием исходных данных для ИЭРД СЭ, в настоящее время выполняются вручную.

В ходе ввода исходных данных ИЭРД при разметке компонентов на фотографии на КСЭ высококвалифицированному инженеру предстоит длительная монотонная работа, продолжительность которой может занимать от 5 до 14 рабочих дней.

Например, в среднем типовой объект диагностики содержит от 50 до 200 ЭРЭ и контакты краевых разъемов. Разметка каждого ЭРЭ включает в себя выделение корпуса и выводов (ножек) этого элемента. Количество ножек самого распространенного вида элементов (микросхем) составляет 14 и более.

Таким образом, можно подсчитать, что в среднем инженеру предстоит вручную разметить 50–200 (радиокомпонентов) × 14–30 (выводов элемента) + 1 (корпус элемента) + 46–144 (выводы краевого разъема) = 796–6344 объектов.

Необходимо учитывать человеческий фактор. С увеличением количества радиоэлектронных элементов, требующих разметки, растет вероятность ошибки. Следовательно, даже опытный инженер с увеличением сложности диагностируемого объекта может допустить ошибку в разметке.

Таким образом, возникает необходимость разработки эффективных методов автоматизации проектирования ИЭРД. Известные методы автоматизации проектирования ИЭРД КСЭ не обеспечивают решения данной задачи.

В результате проведенного аналитического поиска были выявлены предпосылки использования для этих целей элементов искусственного интеллекта, в частности сверточных нейронных сетей. Для оценки возможности такого решения были проведены теоретические и экспериментальные исследования.

ПРЕДЛАГАЕМЫЕ РЕШЕНИЯ И РЕЗУЛЬТАТЫ ИХ ИССЛЕДОВАНИЙ

Для решения схожих задач [8–10] использовались классические методы компьютерного зрения и сегментация текстур на основе трейс преобразования. С появлением необходимых вычислительных ресурсов появилась возможность реализовать методы автоматической разметки объектов, используя элементы искусственного интеллекта. В данной статье рассматривается метод детекции ЭРЭ печатной платы с помощью методов глубокого обучения, а именно – с использованием сверточных нейронных сетей. При помощи модификации распространенного алгоритма детекции объектов на базе нейронных сетей становится возможным автоматизировать процесс разметки объекта диагностики, предоставив этап разметки алгоритму детекции, тем самым повысив эффективность и сократив время разработки ИЭРД.

Таким образом, вся монотонная работа будет выполнена детектором. Следовательно, получается значительно сократить сроки диагностики и ремонта КСЭ РЭА и минимизировать человеческий фактор на этапе разметки. Этап разметки сменных элементов и их составляющих становится относительно быстрой процедурой.

Сверточная нейронная сеть — специальная архитектура искусственных нейронных сетей, предложенная Яном Лекуном и нацеленная на эффективное распознавание образов. Данной архитектуре удается гораздо точнее распознавать объекты на изображениях, так как, в отличие от многослойного перцептрона, учитывается двухмерная топология изображения. При этом сверточные сети устойчивы к небольшим смещениям, изменениям масштаба и поворотам объектов на входных изображениях [11].

Для реализации алгоритма детекции КСЭ РЭА использовался один из известных подходов к решению данной задачи – transfer learning.

Нейронные сети, применяемые для классификации, как правило, содержат N выходных нейронов в последнем слое, где N – это количество классов. В нашей задаче количество классов отличается от того, которое было в исходной обучающей выборке. В таком случае необходимо полностью заменить последний слой и вставить новый, соответствующий классам детектируемых объектов.

Алгоритм реализован в программной среде Matlab2020. Создание обучающей выборки осуществлялось с помощью библиотеки Image Learning, создание, отладка архитектуры нейронной сети были выполнены с использованием библиотеки Deep Learning Toolbox.

Для реализации алгоритма необходима достаточная по объему и качеству обучающая выборка. Проводилась данная процедура по следующему алгоритму, представленному на рисунке 3.

Создание обучающей выборки осуществлялось с помощью Сканер Syntarex Master A3 (рис. 4).

В результате в состав обучающей выборки вошли фотографии 176 объектов диагностики с разрешением 6000×4000, или 6830 элементов типа «микросхема» (рис. 5).

В таблице 1 приведены типы распознаваемых объектов: выделено три основных кластера сменных радиоэлектронных элементов – микросхем:

• микросхемы, имеющие 14 или 16 выводов, серебряного цвета (микросхемы серии 530ЛА, 533ЛН и т. д.);
• микросхемы, имеющие 14 или 16 выводов, темно-зеленого цвета (микросхемы серии Б19К и т. д.);
• микросхемы, имеющие более 16 выводов (микросхемы серии 133КП1 и т. д.). Итоговое количество элементов каждого класса показано на рисунках 6 и 7.

Для реализации детекции радиоэлектронных элементов предварительно были выбраны следующие варианты решения [12–17]:

1. SSD.
2. Fast RCNN.
3. Faster RCNN.
4. YoloV2.
5. YoloV3.

Результаты оценивались с помощью метрики K_Accuracy – доля правильных ответов алгоритма:

K_Accuracy = TP / (TP + FP),

где TP – количество верно определенных объектов, FP – количество неверно определенных объектов.

В итоге, наивысший показатель точности на тестовой выборке обеспечил детектор Faster RCNN. В 79 % случаев детектор определил положение и вид элемента верно.

Отдельно стоит отметить, что важнейшую роль в формировании обучающей выборки составило освещение. Для уменьшения влияния внешней окружающей среды КСЭ РЭА покрыты лаком, что создает шумы в изображении – блики. Пример бликов представлен на рисунке 8.

Так как варьирование таких параметров, как контрастность, яркость, выдержка, резкость, тон, насыщенность, разрешение, недостаточно нивелирует влияние внешней окружающей среды, были рассмотрены и проанализированы следующие варианты схем освещения КСЭ РЭА (рис. 9, 10).

Для тестирования схем освещения выбраны 35 отличающихся принципиально по виду КСЭ РЭА, что составило 20 % от итоговой выборки. В результате тестирования на получившихся данных алгоритм эффективнее при работе на данными, созданными с помощью световой схемы № 1. Точность работы детектора при разных вариациях света представлена на рисунке 11.

На рисунке 12 приведены примеры различных параметров освещения при КСЭ.

Результатом работы детектора Faster RCNN является изображение с идентифицированным положением и типом искомого объекта, что представлено на рисунках 13, 14.

Итоговая точность работы алгоритма для каждого класса сменного радиоэлектронного элемента показана на рисунке 15.

В итоге после применения данного алгоритма оператору необходимо произвести оценку качества работы детектора и при необходимости скорректировать до необходимого результата, чем является полностью размеченный КСЭ РЭА.

ЗАКЛЮЧЕНИЕ

Проведенные исследования подтвердили потенциальную эффективность применения элементов искусственного интеллекта для сокращения трудоемкости проектирования интерактивной электронной ремонтной документации по контролю и диагностике КСЭ РЭА с применением АСКД.

Дальнейшие исследования данного вопроса будут продолжены, следующий этап – это обучение нейронной сети распознаванию выводов микросхем и возможности адаптивного подбора оптимальных параметров освещения.

Реализация данного подхода сократит трудоемкость формирования исходных данных, что в настоящее время составляет не менее 20 % от общей трудоемкости разработки ИЭРД.