Regisztráció és bejelentkezés

MOSFET-ek és más elektronikai komponensek T3Ster mérésének automatizálása mesterséges intelligencia, neurális hálók és számítógépes látás segítségével

Napjainkban a növekvő elektrifikáció, az okos-eszközök elterjedése, a villamosenergia-fogyasztási igények növekedése, az elektronika és autóelektronika terén végbemenő bővülés, valamint a villamos autók egyre népszerűbbé válása miatt különös hangsúly helyeződik az elektronikai iparra, valamint azon belül is a teljesítménytranzisztorok iparágára. Ezen elektronikai eszközöknek a nagyobb leadott villamos teljesítményéhez az egyre kisebb felületükön, egyre nagyobb hőteljesítményt kell leadniuk, ami komoly műszaki kihívást eredményez, hiszen épp a túl magas hőmérséklet a vezető meghibásodási ok esetükben. Így kiemelten fontos termikus vizsgálatuk, melyet termikus tranziens méréssel, T3Ster méréssel lehet elvégezni. Ezen mérési folyamat automatizálásában, gyorsításában, gazdaságosabbá tételében vettem részt a Robert Bosch Kft. ThID csapatában, amely termikus identifikációval foglalkozik. Egy LabVIEW környezetben vezérelt robothoz fejlesztettem olyan komplex elektronikai eszközt, látórendszert, amely segíteni tudja az automatikusan mérni kívánó robotot a mérendő MOSFET-ek és más elektronikai komponensek megtalálásában, a hozzájuk való navigációban. A rendszer hardver- és szoftverfejlesztését is én végeztem. Megfelelő szenzorral rendelkező kamerát és hozzá optikát választottam. Ezekhez egyszerre akár több vezérlő számítógép kiszolgálására is képes szerver platformot valósítottam meg egy Raspberry Pi 4 Model B segítségével. Autodesk Inventor Professional 2022 szoftverben megterveztem a mechanikai integrációt segítő konstrukciót, majd 3D nyomtatóval kinyomtattam. Munkám leghangsúlyosabb részében mesterséges intelligencia, teljesen konvolúciós neurális hálók, valamint számítógépes látás algoritmusainak segítségével szemantikus szegmentációt és kulcspont keresést végeztem a robot navigálásához. A teljesen konvolóciós neurális hálókat saját kóddal implementáltam, a tanításhoz szükséges adathalmazt az éles mérés esetében is használt kamerával és optikával készítettem el és kézzel annotáltam. A neurális hálókat komplex vizsgálat alá vetettem. Automatizált futtatások segítségével 21380 alkalommal tanítottam be és értékeltem ki hálókat, módosítva a mélységet, a csatornaszámokat, a felbontást, és a batch méretet. Ezeket a nyílt forráskódú Python 3 programozási nyelven elsősorban az OpenCV, Pytorch és Torchvision könyvtárak segítségével végeztem. A mérendő komponensekhez való navigálást robusztusan megvalósító, 100 μm és 1° pontosságú elektronikai rendszert készítettem, amelyhez 94 % pontosságú IoU érték társult a szemantikus szegmentáció esetében, amelyet valós, eredeti mérési környezetben teszteltem. Szakirodalmi vizsgálatom során nem találtam olyan megoldást, amely ilyen pontossággal használt volna szemantikus szegmentációt és helymeghatározást elektronikai komponensekre. Így munkám felhasználható további tudományos és ipari újításokhoz, projektekhez. Ezen felül újszerű megoldásnak számít a teljesen konvolúciós neurális hálók és a SIFT algoritmus együttes használata, melyekkel ezeket az eredményeket elértem.

szerző

  • Békési Gergő Bendegúz
    Villamosmérnöki szak, mesterképzés
    mesterképzés (MA/MSc)

konzulensek

  • Dr. Ekler Péter
    Docens, Automatizálási és Alkalmazott Informatikai Tanszék
  • Urbin Ágnes
    tanársegéd, Mechatronika, Optika és Gépészeti Informatika Tanszék

helyezés

Continental Automotive Hungary Kft I. helyezett