Прогнозирование качества паяных соединении электронных узлов Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 621.382.049.77

ПРОГНОЗИРОВАНИЕ КАЧЕСТВА ПАЯНЫХ СОЕДИНЕНИИ ЭЛЕКТРОННЫХ УЗЛОВ

© 2011 И. Ю. Шумских

Самарский государственный аэрокосмический университет имени академика С. П. Королёва (национальный исследовательский университет)

Приведены результаты построения прогнозных моделей качества паяных соединений печатных узлов на основе припойных паст СоЬаг XF3+. Для построения моделей были использованы регрессионный и программный комплекс «Прогнозирование 1.3». Рассмотрены три приёма преобразования результатов обучающего эксперимента: нормирование и центрирование контролируемых параметров, нормирование по математическому ожиданию, нормирование по дисперсии. Проведено исследование и дана сравнительная оценка математических моделей.

Математическая модель, прогноз, преобразование параметров, паяные соединения, печатный узел, регрес-

сия, обучение, эффективность прогнозирования.

Введение

Современный этап развития радиоэлектроники и телекоммуникационных систем характеризуется обострением проблемы надежности вследствие усложнения радиоэлектронных средств (РЭС), выражающегося как в резком увеличении количества используемых элементов и блоков, в появлении качественно новых ответственных функций, возлагаемых человеком, так и в расширении условий работы. На аппаратуру различного назначения приходится действовать в условиях интенсификации режимов работы и выполнять различные функции [1]. В силу этих причин повышаются требования к точности и эффективности выполнения заданных функций не только системой в целом, но и каждым отдельным элементом.

Высокие достигнутые уровни надежности электрорадиоизделий (ЭРИ) космического назначения, трудности их подтверждения традиционными методами испытаний, а также определяющее влияние на надежность скрытых дефектов, не выявляемых существующей системой технологического контроля и приемочных испытаний, определило развитие работ по исследованию механизмов и причин отказов, разработке методик диагностического неразрушающего контроля, прогнозирования показателей качества.

Одним из перспективных направлений в разработке эффективных и экономически приемлемых методов оценки качества и на-

дежности РЭС и ЭРИ является индивидуальное прогнозирование их будущего состояния [2-5]. Наименьшие затраты времени при индивидуальном прогнозировании обеспечивают методы теории распознавания образов [3]. Если число информативных параметров превышает два, то целесообразно использовать метод регрессионных моделей (регрессионный метод) [6].

Методика построения моделей

Индивидуальное прогнозирование с использованием методов теории распознавания образов включает следующие основные этапы: обучающий эксперимент, обучение, экзамен и собственно прогнозирование.

Процедура обучающего эксперимента для паяных соединений (ПС) на основе при-пойных паст СоЬаг XF3+ рассмотрена в предыдущей работе. В ней для прогнозирования качества ПС было рекомендовано три информативных параметра: вязкость (Х1),

клейкость (Х2) и кислотное число (Х3).

Для построения прогнозных моделей проведем обучение и экзамен. Выберем регрессионный метод, т.к. число информативных параметров больше двух. В качестве прогнозируемого параметра будем использовать поверхностное сопротивление изоляции

(X).

Обучение заключалось в обработке результатов обучающего эксперимента в соответствии с выбранным оператором прогнози-

рования. Теоретические основы и математический аппарат для данного этапа описаны в [7]. Построение моделей проводилось с использованием программного комплекса «Прогнозирование 1.3» [8]. В процессе обработки результатов обучающего эксперимента был сделан переход от оперирования со значениями информативных параметров к разностям этих значений и проведено нормирование и центрирование контролируемых информативных параметров, а также нормирование по математическому ожиданию и дисперсии.

За граничное значение прогнозируемого параметра (поверхностного сопротивления

изоляции) была принята величина Ы09 Ом. Был выявлен фактический класс годности каждого экземпляра: годные - 1, не годные -2 (табл. 1).

В табл. 2 представлены преобразованные данные по нормировке и центрированию.

В табл. 3 представлены преобразованные данные по нормировке математического ожидания (МО) признаков.

В табл. 4 представлены преобразованные данные по нормировке дисперсии признаков.

Таблица 1. Результаты обучающего эксперимента

Класс годности Поверхностное сопротивление изоляции, 109 Ом Вязкость, Па-с Клейкость, г Кислотное число, мг КОН

1 1,5 202 112 124

2 0,7 158 96 117

1 1,2 199 110 124

1 1,1 184 106 126

0,7 241 91 113

1 2,6 210 112 123

0,5 224 114 102

1 2,1 205 112 123

1 1,7 200 111 124

1 1,3 195 109 124

1 1,1 183 106 125

1 1,1 161 100 128

0,9 190 106 120

1 2,1 213 112 123

1 1,2 191 107 126

1 1,1 238 100 126

1 2,3 210 112 123

1 2,5 212 113 123

0,9 185 106 119

1 2,8 225 114 122

1 2,4 208 112 123

0,5 231 116 115

1 2,2 205 111 124

1 1,9 196 110 124

1 2,2 210 112 123

Класс годности Поверхностное сопротивление изоляции, 109 Ом Вязкость, Па-с Клейкость, г Кислотное число, мг КОН

2 0,5 238 117 111

1 1,2 198 111 124

1 2,3 213 112 123

1 1,5 196 109 124

2 0,5 245 90 110

2 0,7 239 95 115

1 1,2 181 105 126

2 0,3 242 92 109

1 1,5 201 112 124

1 1,5 200 112 124

2 0,8 231 104 119

1 1,2 195 109 125

1 2,2 210 112 123

2 0,9 227 105 120

1 2,1 211 112 123

2 0,8 229 104 117

2 0,7 233 102 115

1 1,3 195 108 124

1 2 204 111 123

2 0,5 230 104 113

1 2,2 220 114 122

1 2 215 112 123

2 0,9 229 114 119

1 1,5 199 110 124

1 1 192 105 120

Таблица 2. Преобразованные данные по нормировке и центрированию

№ кл. У1 Х1 Х2 Х3 У У* dУ

1 0,1521 -0,3463 0,6527 0,5950 1,5 1,7626 -0,2626

2 -1,0405 -2,5293 -1,8458 -0,7400 0,7 0,1786 0,5214

1 -0,2952 -0,4951 0,3404 0,5950 1,2 1,6533 -0,4533

1 -0,4442 -1,2393 -0,2842 0,9764 1,1 1,5177 -0,4177

2 -1,0405 1,5886 -2,6266 -1,5028 0,7 0,3281 0,3719

1 1,7918 0,0506 0,6527 0,4043 2,6 1,7495 0,8506

2 -1,3387 0,7452 0,9651 -3,6006 0,5 0,3076 0,1924

1 1,0465 -0,1975 0,6527 0,4043 2,1 1,7088 0,3912

1 0,4502 -0,4455 0,4966 0,5950 1,7 1,7039 -0,0039

1 -0,1461 -0,6936 0,1843 0,5950 1,3 1,5783 -0,2783

1 -0,4442 -1,2890 -0,2842 0,7857 1,1 1,4315 -0,3315

1 -0,4442 -2,3804 -1,2212 1,3578 1,1 1,2322 -0,1322

Таблица 2. Окончание

№ кл. У1 Х1 Х2 Х3 У У* dУ

2 -0,7424 -0,9417 -0,2842 -0,1678 0,9 1,0977 -0,1977

1 1,0465 0,1994 0,6527 0,4043 2,1 1,7738 0,3262

1 -0,2952 -0,8920 -0,1281 0,9764 1,2 1,6171 -0,4171

1 -0,4442 1,4398 -1,2212 0,9764 1,1 1,7016 -0,6016

1 1,3446 0,0506 0,6527 0,4043 2,3 1,7495 0,5506

1 1,6428 0,1498 0,8089 0,4043 2,5 1,8082 0,6918

2 -0,7424 -1,1897 -0,2842 -0,3585 0,9 0,9790 -0,0790

1 2,0900 0,7948 0,9651 0,2136 2,8 1,8782 0,9218

1 1,4937 -0,0486 0,6527 0,4043 2,4 1,7332 0,6668

2 -1,3387 1,0925 1,2774 -1,1214 0,5 1,4650 -0,9650

1 1,1956 -0,1975 0,4966 0,5950 2,2 1,7445 0,4555

1 0,7483 -0,6440 0,3404 0,5950 1,9 1,6289 0,2711

1 1,1956 0,0506 0,6527 0,4043 2,2 1,7495 0,4506

2 -1,3387 1,4398 1,4335 -1,8842 0,5 1,2519 -0,7519

1 -0,2952 -0,5448 0,4966 0,5950 1,2 1,6876 -0,4876

1 1,3446 0,1994 0,6527 0,4043 2,3 1,7738 0,5262

1 0,1521 -0,6440 0,1843 0,5950 1,5 1,5864 -0,0864

2 -1,3387 1,7871 -2,7828 -2,0749 0,5 0,0838 0,4162

2 -1,0405 1,4894 -2,0020 -1,1214 0,7 0,6380 0,0620

1 -0,2952 -1,3882 -0,4404 0,9764 1,2 1,4509 -0,2509

2 -1,6368 1,6382 -2,4704 -2,2656 0,3 0,0663 0,2338

1 0,1521 -0,3959 0,6527 0,5950 1,5 1,7545 -0,2545

1 0,1521 -0,4455 0,6527 0,5950 1,5 1,7463 -0,2463

2 -0,8915 1,0925 -0,5965 -0,3585 0,8 1,2678 -0,4678

1 -0,2952 -0,6936 0,1843 0,7857 1,2 1,6564 -0,4564

1 1,1956 0,0506 0,6527 0,4043 2,2 1,7495 0,4506

2 -0,7424 0,8940 -0,4404 -0,1678 0,9 1,3559 -0,4559

1 1,0465 0,1002 0,6527 0,4043 2,1 1,7576 0,3424

2 -0,8915 0,9933 -0,5965 -0,7400 0,8 1,0953 -0,2953

2 -1,0405 1,1917 -0,9089 -1,1214 0,7 0,8866 -0,1866

1 -0,1461 -0,6936 0,0281 0,5950 1,3 1,5358 -0,2358

1 0,8974 -0,2471 0,4966 0,4043 2 1,6582 0,3418

2 -1,3387 1,0429 -0,5965 -1,5028 0,5 0,7909 -0,2909

1 1,1956 0,5467 0,9651 0,2136 2,2 1,8375 0,3625

1 0,8974 0,2987 0,6527 0,4043 2 1,7901 0,2099

2 -0,7424 0,9933 0,9651 -0,3585 0,9 1,6763 -0,7763

1 0,1521 -0,4951 0,3404 0,5950 1,5 1,6533 -0,1533

1 -0,5933 -0,8424 -0,4404 -0,1678 1 1,0715 -0,0715

МО: -1,5Е-16 5,08Е-16 1,04Е-15 8,73Е-16 1,398 1,398 -8,2Е-16

DIS: 1 1 1 1 0,449 0,249 0,2000

SKO: 1 1 1 1 0,670 0,499 0,4473

Таблица 3. Преобразованные данные по нормировке МО

№ кл. У1 Х1 Х2 Х3 У У* dУ

1 1,0730 0,9666 1,0388 1,0258 1,5 2,8006 -1,3006

№ кл. У1 Х1 Х2 Х3 У У* dУ

2 0,5007 0,7561 0,8904 0,9679 0,7 0,7919 -0,0919

1 0,8584 0,9522 1,0202 1,0258 1,2 2,4276 -1,2276

1 0,7868 0,8805 0,9831 1,0424 1,1 2,1052 -1,0052

2 0,5007 1,1532 0,8440 0,9348 0,7 -4,4475 5,1475

1 1,8598 1,0049 1,0388 1,0175 2,6 2,4218 0,1782

2 0,3577 1,0719 1,0573 0,8438 0,5 2,3320 -1,8320

1 1,5022 0,9810 1,0388 1,0175 2,1 2,6604 -0,5604

1 1,2160 0,9570 1,0295 1,0258 1,7 2,6380 -0,9380

1 0,9299 0,9331 1,0109 1,0258 1,3 2,3604 -1,0604

1 0,7868 0,8757 0,9831 1,0341 1,1 2,1559 -1,0559

1 0,7868 0,7704 0,9275 1,0589 1,1 1,6485 -0,5485

2 0,6438 0,9092 0,9831 0,9927 0,9 1,8367 -0,9367

1 1,5022 1,0192 1,0388 1,0175 2,1 2,2786 -0,1786

1 0,8584 0,9140 0,9924 1,0424 1,2 2,0293 -0,8293

1 0,7868 1,1389 0,9275 1,0424 1,1 -2,0202 3,1202

1 1,6452 1,0049 1,0388 1,0175 2,3 2,4218 -0,1218

1 1,7883 1,0145 1,0480 1,0175 2,5 2,5844 -0,0844

2 0,6438 0,8853 0,9831 0,9845 0,9 2,0782 -1,1782

1 2,0029 1,0767 1,0573 1,0093 2,8 2,2251 0,5749

1 1,7167 0,9953 1,0388 1,0175 2,4 2,5172 -0,1172

2 0,3577 1,1054 1,0759 0,9514 0,5 2,4756 -1,9756

1 1,5737 0,9810 1,0295 1,0258 2,2 2,3994 -0,1994

1 1,3591 0,9379 1,0202 1,0258 1,9 2,5708 -0,6708

1 1,5737 1,0049 1,0388 1,0175 2,2 2,4218 -0,2218

2 0,3577 1,1389 1,0851 0,9183 0,5 2,4115 -1,9115

1 0,8584 0,9475 1,0295 1,0258 1,2 2,7334 -1,5334

1 1,6452 1,0192 1,0388 1,0175 2,3 2,2786 0,0214

1 1,0730 0,9379 1,0109 1,0258 1,5 2,3127 -0,8127

2 0,3577 1,1724 0,8347 0,9100 0,5 -4,8876 5,3876

2 0,5007 1,1437 0,8811 0,9514 0,7 -3,3257 4,0257

1 0,8584 0,8661 0,9739 1,0424 1,2 1,9903 -0,7903

2 0,2146 1,1580 0,8533 0,9017 0,3 -4,2253 4,5253

1 1,0730 0,9618 1,0388 1,0258 1,5 2,8483 -1,3483

1 1,0730 0,9570 1,0388 1,0258 1,5 2,8960 -1,3960

2 0,5723 1,1054 0,9646 0,9845 0,8 -0,6331 1,4331

1 0,8584 0,9331 1,0109 1,0341 1,2 2,3575 -1,1575

1 1,5737 1,0049 1,0388 1,0175 2,2 2,4218 -0,2218

2 0,6438 1,0862 0,9739 0,9927 0,9 -0,1871 1,0871

1 1,5022 1,0097 1,0388 1,0175 2,1 2,3741 -0,2741

2 0,5723 1,0958 0,9646 0,9679 0,8 -0,5317 1,3317

2 0,5007 1,1149 0,9460 0,9514 0,7 -1,2328 1,9328

1 0,9299 0,9331 1,0017 1,0258 1,3 2,1024 -0,8024

1 1,4306 0,9762 1,0295 1,0175 2 2,4500 -0,4500

2 0,3577 1,1006 0,9646 0,9348 0,5 -0,5676 1,0676

1 1,5737 1,0527 1,0573 1,0093 2,2 2,4637 -0,2637

Таблица 3. Окончание

№ кл. У1 Х1 Х2 Х3 У У* dУ

1 1,4306 1,0288 1,0388 1,0175 2 2,1832 -0,1832

2 0,6438 1,0958 1,0573 0,9845 0,9 2,0431 -1,1431

1 1,0730 0,9522 1,0202 1,0258 1,5 2,4276 -0,9276

1 0,7153 0,9188 0,9739 0,9927 1 1,4832 -0,4832

МО: 1 1 1 1 1,398 1,398 -1,32Е-15

DIS: 0,2302 0,0093 0,0035 0,0019 0,4500 4,0539 2,9966

SKO: 0,4798 0,0964 0,0594 0,0434 0,6708 2,0134 1,7311

Таблица 4. Преобразованные данные по нормировке дисперсии

№ кл. У1 Х1 Х2 Х3 У У* dУ

1 3,3334 0,4972 2,7312 4,5098 1,5 4,6778 -3,1778

2 1,5556 0,3889 2,3410 4,2552 0,7 12,4950 -11,7950

1 2,6667 0,4898 2,6824 4,5098 1,2 4,9326 -3,7326

1 2,4445 0,4529 2,5849 4,5826 1,1 8,0319 -6,9319

1,5556 0,5932 2,2191 4,1098 0,7 -12,9432 13,6432

1 5,7778 0,5169 2,7312 4,4735 2,6 2,3742 0,2258

1,1111 0,5514 2,7800 3,7097 0,5 -1,0070 1,5070

1 4,6667 0,5046 2,7312 4,4735 2,1 3,8153 -1,7153

1 3,7778 0,4923 2,7068 4,5098 1,7 4,9493 -3,2493

1 2,8889 0,4800 2,6580 4,5098 1,3 5,7806 -4,4806

1 2,4445 0,4505 2,5849 4,5462 1,1 8,3222 -7,2222

1 2,4445 0,3963 2,4386 4,6553 1,1 12,8271 -11,7271

2,0000 0,4677 2,5849 4,3644 0,9 6,3152 -5,4152

1 4,6667 0,5243 2,7312 4,4735 2,1 1,5096 0,5904

1 2,6667 0,4701 2,6093 4,5826 1,2 6,3194 -5,1194

1 2,4445 0,5858 2,4386 4,5826 1,1 -9,3613 10,4613

1 5,1112 0,5169 2,7312 4,4735 2,3 2,3742 -0,0742

1 5,5556 0,5218 2,7556 4,4735 2,5 2,1027 0,3973

2,0000 0,4554 2,5849 4,3280 0,9 7,7584 -6,8584

1 6,2223 0,5538 2,7800 4,4371 2,8 -1,3371 4,1371

1 5,3334 0,5120 2,7312 4,4735 2,4 2,9506 -0,5506

1,1111 0,5686 2,8287 4,1825 0,5 -2,4419 2,9419

1 4,8889 0,5046 2,7068 4,5098 2,2 3,5083 -1,3083

1 4,2223 0,4824 2,6824 4,5098 1,9 5,7973 -3,8973

1 4,8889 0,5169 2,7312 4,4735 2,2 2,3742 -0,1742

1,1111 0,5858 2,8531 4,0370 0,5 -4,1461 4,6461

1 2,6667 0,4874 2,7068 4,5098 1,2 5,5258 -4,3258

1 5,1112 0,5243 2,7312 4,4735 2,3 1,5096 0,7904

1 3,3334 0,4824 2,6580 4,5098 1,5 5,4923 -3,9923

1,1111 0,6031 2,1947 4,0007 0,5 -14,3947 14,8947

1,5556 0,5883 2,3166 4,1825 0,7 -11,1512 11,8512

1 2,6667 0,4455 2,5605 4,5826 1,2 8,5917 -7,3917

0,6667 0,5957 2,2435 3,9643 0,3 -12,9181 13,2181

1 3,3334 0,4948 2,7312 4,5098 1,5 4,9661 -3,4661

1 3,3334 0,4923 2,7312 4,5098 1,5 5,2543 -3,7543

№ кл. У1 Х1 Х2 Х3 У У* dУ

2 1,7778 0,5686 2,5361 4,3280 0,8 -6,1094 6,9094

1 2,6667 0,4800 2,6580 4,5462 1,2 5,7785 -4,5785

1 4,8889 0,5169 2,7312 4,4735 2,2 2,3742 -0,1742

2 2,0000 0,5588 2,5605 4,3644 0,9 -4,6537 5,5537

1 4,6667 0,5194 2,7312 4,4735 2,1 2,0860 0,0140

2 1,7778 0,5637 2,5361 4,2552 0,8 -5,5288 6,3288

2 1,5556 0,5735 2,4873 4,1825 0,7 -7,2874 7,9874

1 2,8889 0,4800 2,6337 4,5098 1,3 5,4756 -4,1756

1 4,4445 0,5021 2,7068 4,4735 2 3,7986 -1,7986

2 1,1111 0,5661 2,5361 4,1098 0,5 -5,8087 6,3087

1 4,8889 0,5415 2,7800 4,4371 2,2 0,1040 2,0960

1 4,4445 0,5292 2,7312 4,4735 2 0,9331 1,0669

2 2,0000 0,5637 2,7800 4,3280 0,9 -2,4837 3,3837

1 3,3334 0,4898 2,6824 4,5098 1,5 4,9326 -3,4326

1 2,2222 0,4726 2,5605 4,3644 1 5,4338 -4,4338

МО: 3,11Е+00 5,14Е-01 2,63Е+00 4,40Е+00 1,398 1,398 -1,08Е-14

DIS: 2,2222 0,0024 0,0243 0,0363 0,4499 40,558 38,0692

SKO: 1,4907 0,0496 0,1561 0,1907 0,6708 6,3685 6,1700

По результатам обучения были построены следующие прогнозные модели:

- для первого приёма преобразования данных (нормирование и центрирование):

У(Х) =-14,3231 +0,0081Х1 +0,0425Х2+0,0781Х3;

- для второго приёма преобразования данных (нормирование по математическому ожиданию):

У(Х) =-16,0965-0,0477Х1+0,2581Х2-0,0029Х3;

- для третьего приёма преобразования данных (нормирование по дисперсии):

У(Х) = 29,0042-0,2882Х1+0,3049Х2-0,0021Х3. Экзамен

Экзамен, как правило, состоит в оценке ошибки прогнозирования, вероятности правильных решений, рисков потребителя и изготовителя [9]. В ряде случаев оценивают и проверяют на соответствие требованиям ряд других характеристик [10].

Проведём исследование и анализ полученных моделей. Для этого воспользуемся программным комплексом «Прогнозирование 1.3». На рис. 1 приведена зависимость вероятностных характеристик от порога регрессионной функции П для первого приёма преобразования данных. Из этого рисунка видно, что при П>1,5 риск изготовителя равен нулю. Минимальное значение риска по-

требителя составляет 0,32 при П=1,9...2,7. Минимальная вероятность ошибки будет при П=1,95.2,7 и составляет 0,32.

На рис. 2 приведена аналогичная зависимость для второго приёма преобразования данных. Как видно из данного рисунка, минимальное значение риска потребителя также равно нулю 0,32, но уже при П=2,9...3,7, а риск изготовителя равен нулю при П>2,8. Вероятность ошибки при П=2,85...3,7 по-прежнему равна 0,32.

На рис. 3, на котором приведена зависимость для третьего приёма преобразованных данных, видно, что риск потребителя минимален и равен 0,31 при П=9...13. Риск изготовителя при этом достигает нуля при П>13. Вероятность ошибки равна 0,32 при П=9.15.

Выводы

Построены прогнозные модели качества паяных соединений и проведено прогнозирование их качества.

Было проведено также нормирование и центрирование данных выборки, их нормировка по математическому ожиданию и дисперсии признаков. Наименьшую дисперсию ошибки имеет первый приём преобразования данных.

Вероятность

Порог параметров, П

Рис. 1. Влияние порога регрессионной функции на эффективность прогнозной модели № 1

Порог параметров, П

Рис. 2. Влияние порога регрессионной функции на эффективность прогнозной модели № 2

- Р(решК2Ла)

- Р(решК1/К2) Р(К2УрешК1) р.потр.

- Р(К1УрешК2) р.гаг

* Р(решК1 ) го кн.по прог.

- Рпринятия ошиб реш

Порог параметров, П

Рис. 3. Влияние порога регрессионной функции на эффективность прогнозной модели № 3

Библиографический список

1. Сыноров, В. Ф. Физические основы надежности интегральных схем [Текст] /

B. Ф. Сыноров, Р. П. Пивоварова, Б. К. Петров; Под. Ред. Ю. Г. Миллера. - М.: Сов. радио, 1976. - 320 с.

2. Гаскаров, Д. В. Прогнозирование технического состояния и надежности радиоэлектронной аппаратуры [Текст] / Д. В. Гас-каров, Т. А. Голинкевич, А. В. Мозгалевский.

- М.: Сов. Радио, 1974. - 224с.

3. Пиганов, М.Н. Прогнозирование надежности радиоэлектронных средств [Текст] / М. Н. Пиганов, С. В. Тюлевин // Научнотехнические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. -2009. - №1 (72). - 174-180с.

4. Тюлевин, С. В. Структурная модель индивидуального прогнозирования параметров космической аппаратуры [Текст] / С. В. Тюлевин, М. Н. Пиганов // Вестник СГАУ. -2008. - № 1. - С. 92-96.

5. Пиганов, М. Н. Индивидуальное прогнозирование стабильности элементов микросборок [Текст] / М. Н. Пиганов, О. В. Карпов // Надежность и качество: Труды международного симпозиума. - Пенза: ПГУ, 2001. -

C. 334-337.

6. Тюлевин, С. В. Структурная модель индивидуального прогнозирования параметров космической аппаратуры [Текст] / С. В. Тюлевин, М. Н. Пиганов // Вестник СГАУ. -2008. - № 1. - С. 92-96.

7. Пиганов, М. Н. Индивидуальное прогнозирование показателей качества элементов и компонентов микросборок [Текст] / М. Н. Пиганов. - М.: Новые технологии, 2002. - 267 с.

8. Пиганов, М. Н. Прогнозирование надежности радиоэлектронных средств [Текст] / М. Н. Пиганов, С. В. Тюлевин // Перспективы развития телекоммуникационных систем и информационные технологии: Труды меж-дун. конф. - СПб.: Изд-во Политехн. ун-та, 2008. - С. 423-440.

9. Пиганов, М. Н. Индивидуальное прогнозирование показателей качества элементов микросборок [Текст] / М. Н. Пиганов. -Самара: СГАУ, 1999. - 160 с.

10. Пиганов, М. Н. Технологические основы обеспечения качества микросборок [Текст] / М. Н. Пиганов. - Самара: СГАУ, 1999. - 231 с.

QUALITY FORECASTING SOLDER JOINT ELECTRONIC COMPONENTS

© 2011 I. Y. Shumskikh

Samara State Aerospace University named after academician S. P. Korolyov (National Research University)

The results of the construction of forecasting models of quality of solder joints of printed circuit assemblies based on solder pastes Cobar XF3+. To construct the models were used regression and software complex "Prognozirova-nie 1.3". Examined three steps transform learning results of the experiment: valuation and alignment of controlled parameters, valuation of the expectation, valuation of the variance. Study and a comparative evaluation of mathematical models.

Mathematical model, forecast, transformation parameters, solder joints, printed circuit assembly, regression, training, performance forecasting.

Информация об авторах

Шумских Илья Юрьевич, аспирант, Самарский государственный аэрокосмический университет имени академика С. П. Королёва (национальный исследовательский университет). E-mail: [email protected]. Область научных интересов: качество паяных соединений электронных узлов.

Shumskikh Ilya Urevich, post-graduate student, Samara State Aerospace University named after academician S. P. Korolyov (National Research University). E-mail: [email protected]. Research interests: quality of solder joints of electronic components.