Machine learning-based prediction of remaining useful lifetime for solder joints based on real mission profile data

In an increasingly digitalized world, electronic systems are central to the operation of essential services. Ensuring the reliability of these systems is crucial, particularly in safety-critical applications where failures can have serious consequences. On circuit boards, solder joints are one of the key interconnection components whose degradation over time poses a significant challenge for system longevity. To address this, the Prognostic and Health Monitoring (PHM) domain has emerged as a promising solution framework to enable early detection of potential failures and support condition-based maintenance strategies. In this article, we present a methodology to estimate remaining useful lifetime (RUL) of solder joints under field operation. A light rail vehicle (tram) was equipped with sensors to measure mission profile loads (mainly temperature data) near the critical electronic components. In parallel, a finite element-based digital twin model of a solder joint was developed to generate a training data set. Then, a multilayer perceptron (MLP) was used to correlate the temperature characteristics with fatigue evolution in the solder joint. The MLP was able to predict fatigue increments with good accuracy which enables the estimation of further lifetime consumption. The major challenge with insufficient loading data, especially operational mission profile data, was addressed by supplementary synthetic data. Finally, the lifetime modeling method is presented in this article. Overall, this work provides a solution to estimate RUL of solder joints under mission profile loads, suitable for a portable inline PHM framework.

In einer zunehmend digitalisierten Welt sind elektronische Systeme von zentraler Bedeutung für den Betrieb wichtiger Dienste und Anwendungen. Die Gewährleistung der Zuverlässigkeit dieser Systeme ist von entscheidender Bedeutung, insbesondere bei sicherheitskritischen Anwendungen, bei denen Ausfälle schwerwiegende Folgen haben können. Auf Leiterplatten sind die Lötstellen eine der wichtigsten Verbindungskomponenten, deren Ermüdung im Laufe der Zeit eine erhebliche Herausforderung für die Langlebigkeit des Systems darstellt. Daher hat sich der Bereich Prognostic and Health Monitoring (PHM) als vielversprechender Lösungsrahmen herauskristallisiert, der eine frühzeitige Erkennung potenzieller Ausfälle ermöglicht und zustandsorientierte Wartungsstrategien unterstützt. In diesem Artikel stellen wir eine Methode zur Abschätzung der verbleibenden Nutzungsdauer (remaining useful lifetime - RUL) von Lötstellen im Feldbetrieb vor. Eine Straßenbahn wurde mit Sensoren ausgestattet, um die Belastungen im Einsatzprofil in der Nähe der kritischen Komponenten zu messen (vorwiegend Temperaturdaten). Ein auf finiten Elementen basierendes Modell eines digitalen Zwillings der Lötstelle wurde entwickelt, um einen Trainingsdatensatz zu erzeugen. Somit konnte ein Mehrlagiges Perzeptron (MLP) eingesetzt werden, um Temperaturinformationen mit der Ermüdungsentwicklung im Lotkontakt zu korrelieren. Das MLP war in der Lage, die Ermüdungszunahme mit guter Genauigkeit vorherzusagen, was eine weitere Abschätzung des Lebensdauerverbrauchs ermöglicht. Das große Problem der unzureichenden Belastungsdaten, insbesondere der Daten zum Einsatzprofil, wurde durch ergänzende synthetische Daten gelöst. Darüber hinaus wird in diesem Artikel eine Methode zur Modellierung der Lebensdauer vorgestellt. Insgesamt bietet diese Arbeit eine Lösung zur Abschätzung der RUL von Lötstellen unter Einsatzprofilbelastungen, die sich für ein portables Inline-PHM-System eignet.