基于红外温度序列的电路板故障诊断研究

电路板红外温度序列包含了丰富的故障类别信息,充分利用其局部与全局特征可以提高电路板故障诊断的准确率。为此,文中提出了一种由特征提取网络(Features Extraction Network,FEN)与关系学习网络(Relationship Learning Network,RLN)并行构成的可综合利用温度序列局部特征及特征间关系的电路板故障诊断模型。其中,FEN基于多尺度膨胀卷积(Multi-scale Dilated CNN,MDCNN)残差结构搭建,可在不增加训练参数的前提下构建多层次感受野,学习温度序列不同范围的空间特征;RLN基于嵌入长短期记忆网络的注意力机制(Long Short-Term Memory hybridized with Attention,LSTMwAtt)结构搭建,通过控制温度序列信息传递来学习特征重要性并分配权重,挖掘不同位置特征间的相关性。实验结果显示,所提模型在两个自建电路板温度序列测试数据集上的诊断性能优于同类型的FCN、MFCN、LSTM和LSTM-FCN,故障诊断准确率分别达到91.15%和96.27%,可实现对电路板故障的高准确率诊断。