Thermal Optimization of Electronic Devices on PCB Based on the Ant Colony Algorithm

توضیحات

ABSTRACT

With the integration of the electronic devices on the printed circuit board, the heat flux density in  narrow spaces isincreasing rapidly. The placement of electronic devices can affect the temperature of the overall circuit board. In addition, some special devices usually need to meet many location requirements. For example, the devices such as FPGAs, ARMs and MCUs need to be placed in the central position of the PCB for the use of multiple peripheral circuits. In order to optimize the temperature of devices with a priori layout requirement, this paper uses the micro-element thermal equilibrium method to establish the temperature field model and then the ant colony algorithm with classified compensation is used to search optimized position of all components. Simulation experiment results show that the proposed algorithm can effectively reduce the maximum temperature of devices in the case of the electronic devices meet the needs of the circuit function.

INTRODUCTION

The thermal stress of the system will be enlarged with the increase of heat flux in the circuit board , resulting in a significant increase of the circuit failure rate. However, electronic engineers usually neglect the steady-state temperature variety caused by the placement of components or just simply separate the chips with high power consumption. In addition, we can also use computer simulation software to calculate the temperature, such as Flotherm . However, it’s difficult to deal with the overlapping region when the number of components is significant and the range of optimization are relatively large. In order to overcome these questions, many layout optimization algorithms have been researched which can be divided into optimization algorithm and heuristic algorithm. The optimization algorithms take advantage of operational research knowledge and can get the optimal solution of the layout accurately. However, when the PCB area is large, the time complexity is also high. The heuristic algorithm can discover the sub optimal solution of the feasible solution space by guiding rules under the acceptable cost of the system. In a complex scene, heuristic algorithms are more suitable for engineering applications such as genetic algorithms, simulated annealing algorithms  and ant colony .algorithms

چکیده

با ادغام دستگاه های الکترونیکی در تخته مدار چاپی، تراکم جریان گرما در فضاهای باریک به سرعت در حال افزایش است. قرار دادن دستگاه های الکترونیکی می تواند بر روی درجه حرارت کلی تخته مدار تاثیر گذارد. علاوه بر این، برخی از دستگاه های خاص معمولا نیاز به بسیاری از نیازهای محل را برآورده می کنند. به عنوان مثال، دستگاه هایی نظیر FPGA ها، ARM ها و MCU ها باید در جایگاه مرکزی PCB برای استفاده از چندین مدار محیطی قرار گیرند. به منظور بهینه سازی دمای دستگاه ها با نیاز پیشین به مقیاس، این مقاله از روش تعادل حرارتی میکرو عناصر برای ایجاد مدل میدان درجه حرارت استفاده می کند و سپس الگوریتم colony colony با جبران طبقه بندی شده برای جستجوی موقعیت بهینه سازی تمام اجزای مورد استفاده قرار می گیرد. نتایج آزمایش شبیه سازی نشان می دهد که الگوریتم پیشنهادی می تواند به طور موثر حداکثر دمای دستگاه ها را در صورتی که دستگاه های الکترونیکی مطابق با نیاز تابع مدار باشد، کاهش دهد.

مقدمه

استرس حرارتی سیستم با افزایش شار حرارتی در تخته مدار افزایش می یابد و موجب افزایش قابل توجه میزان شکست مدار می شود. با این حال، مهندسین الکترونیک معمولا از تنش های حالت پایدار ناشی از قرار دادن اجزای تشکیل دهنده استفاده می کنند یا فقط تراشه ها را با مصرف انرژی بالا جدا می کنند. علاوه بر این، ما همچنین می توانیم از نرم افزار شبیه سازی کامپیوتری برای محاسبه دمای، مانند Flotherm استفاده کنیم. با این حال، هنگامی که تعداد اجزاء قابل توجه است و دامنه بهینه سازی نسبتا بزرگ هستند، مشکل ساز شدن با منطقه همپوشانی است. به منظور غلبه بر این سوالات، بسیاری از الگوریتم های بهینه سازی طرح ریزی شده اند که می توانند به الگوریتم بهینه سازی و الگوریتم اکتشافی تقسیم شوند. الگوریتم های بهینه سازی استفاده از دانش تحقیق عملیاتی را می توانند بهینه سازی راه حل طرح را با دقت دریافت کنند. با این حال، زمانی که منطقه PCB بزرگ است، پیچیدگی زمان نیز بالا است. الگوریتم اکتشافی می تواند راه حل زیر بهینه از فضای راه حل عملی را با هدایت قوانین زیر هزینه قابل قبول سیستم کشف کند. در یک صحنه پیچیده، الگوریتم های اکتشافی بیشتر برای برنامه های مهندسی مانند الگوریتم های ژنتیکی، الگوریتم های آنیلینگ شبیه سازی شده و الگوریتم های کلونی مورچه مناسب هستند.

Year: 2018

Publisher : IEEE

 By :  Lianlian Wang, Guanghua Lu and Kunkun Yang

File Information: English Language/ 5 Page / size: 411 KB

Download

سال : 1396

ناشر : IEEE

کاری از : لیانلیان وانگ، Guanghua لو و Kunkun یانگ

اطلاعات فایل : زبان انگلیسی / 5 صفحه / حجم : KB 411

لینک دانلود