CN103439647A - 一种动态电源电流监测的模拟电路故障诊断方法 - Google Patents

Abstract

本发明涉及一种动态电源电流监测的模拟电路故障诊断方法，包括：建立训练集样本：当待测对应电路运行于正常或各种故障状态时，分别采集电源电流信号，并对其离散化；对采集的信号进行小波分析，进行N层小波分解，以各层高频小波分解系数序列的绝对值之和为元素组成N维故障特征向量；神经网络训练：根据故障特征向量维数N和待测对应电路故障模式的类别总数M-1，确定神经网络的输入层节点数目N、输出层节点数目M和隐层神经元数目

再利用训练集样本按目标条件进行网络训练，a在网络训练过程调整选取1～10中优选的值；N、M、a是自然数；故障诊断：提取待测具体电路的故障特征向量并输入经过训练的神经网络，得到诊断结果。

Description

一种动态电源电流监测的模拟电路故障诊断方法

技术领域

本发明涉及集成电路测试技术领域，具体涉及一种动态电源电流监测的模拟电路故障诊断方法。

背景技术

模拟电路中的电流是一个重要的参数，也是故障信息的重要组成部分之一，包含着大量的电路拓扑结构信息。模拟集成电路发生故障时，输出电流信息也将随之发生相应变化，所测得的电源电流信号中往往包含有非平稳或时变信息，而这些信息直接反映了电路运行状态。小波分析具有时频局部化特性，用于非平稳和时变信号的故障特征提取十分有效，它能深刻反映电路运行状态的本质；神经网络可应用于故障模式的识别，实现故障特征与故障模式之间复杂的非线性映射。将这二者优点结合起来，会提高模拟电路故障诊断的正确率。动态电源电流测试（Dynamic Supply Current Testing,IDDT）对模拟电路故障诊断非常有效。对任一电路而言，由于电源节点是通用的，因而IDDT技术的实现也较为方便。因此，我们提出了一种基于小波-神经网络的模拟电路动态电源电流监测的故障诊断方法。本发明对高密度和高集成度集成电路的测试，提供了一种解决方案，具有较强的实用性。

发明内容

本发明需要解决的技术问题是，如何提供一种动态电源电流监测的模拟电路故障诊断方法，能提高对高密度和高集成度模拟集成电路故障诊断的正确率。

本发明的上述技术问题这样解决：构建一种动态电源电流监测的模拟电路故障诊断方法，其特征在于，包括以下步骤：

建立训练集样本：当待测对应电路运行于正常或各种故障状态时，分别采集电源电流信号，并对其离散化；对采集的信号进行小波分析，进行N层小波分解，以各层高频小波分解系数序列的绝对值之和为元素组成N维故障特征向量；

神经网络训练：根据电路故障特征向量维数N和待测对应电路故障模式的类别总数M-1，确定神经网络的输入层节点数目N、输出层节点数目M和隐层神经元数目

再对该结构的神经网络利用所述训练集样本按目标条件进行网络训练，a在网络训练过程调整选取1～10中优选的值；N、M、a是自然数；

故障诊断：提取待测具体电路的故障特征向量并输入经过训练的神经网络，得到诊断输出结果。

按照本发明提供的故障诊断方法，所述故障特征向量的提取步骤具体包括：

对采样信号进行N层多尺度分析（Mallat）分解，得到第1层到第N层，共N个高频小波分解系数序列{d¹,d²,Λ,d^N}；

对各层高频分解系数序列进行绝对值求和：设D_j为第j层高频小波分解系数序列d^j的绝对值之和，则有：

$D_j=\underset{l=1}{\overset{n}{\mathrm{\Σ}}}\left|d_l^j\right|$

式中：n为序列d^j中分量的个数。

特征向量构成：按尺度顺序，以各层高频小波分解系数序列的绝对值之和为元素构成特征向量，即{D₁,D₂,Λ,D_N}；

归一化处理：将数据变换为[0，1]区间，或者[-1，1]区间。

按照本发明提供的故障诊断方法，神经网络的训练步骤具体包括：

确定网络结构参数：根据电路故障特征向量维数N和电路故障模式的类别总数M-1，确定神经网络的输入层节点数目N、输出层节点数目M和隐层神经元数目

a在网络训练过程调整选取1～10中优选的自然数值；

训练神经网络：以所述训练集样本中故障特征向量为训练样本输入向量，并以每个故障特征向量各自对应的故障状态确定对应训练样本输出向量｛y1,y2,…,…,yM｝按目标条件进行重复训练，｛y1,y2,…,…,yM｝中y1对应正常状态位，其他元素对应各自故障模式位，它们的值都是真“1”或假“0”；所述对应的工作状态是正常状态、一种故障模式或多种故障模式共存中的任一种。

按照本发明提供的故障诊断方法，神经网络训练采用加动量修正的反向传播（BP）算法。

按照本发明提供的故障诊断方法，所述目标条件是设定的均方误差值，神经网络训练调整的次数是复数次。

按照本发明提供的故障诊断方法，a的调整选取是在网络训练过程中若不能满足要求，则逐个增加或逐个减少数目。

本发明提供的动态电源电流监测的模拟电路故障诊断方法，对待测对应电路的电源电流进行信号采集，利用小波分析进行数据处理，实现故障特征提取，建立样本集、训练神经网络；通过神经网络对提取的待测具体电路的特征向量进行分类决策，实现模拟电路的故障诊断。对任一电路而言，由于电源节点是通用的，因此本发明技术的实现也较为方便，具有操作简单及准确率高的特点。

附图说明

下面结合附图和具体实施例进一步对本发明进行详细说明。

图1是本发明动态电源电流监测结构装置示意图；

图2是本发明一种动态电源电流监测故障诊断实现流程图；

图3是实验仿真电路的电路原理图；

图4是图3所示实验仿真电路中所用运放的电路原理图；

图5是本发明神经网络结构；

图6是本发明神经网络均方误差与训练周期关系。

具体实施方式

首先，说明本发明动态电源电流监测的模拟电路故障诊断方法：

本发明模拟电路动态电源电流故障诊断方法，包括以下步骤：

101）信号采样：当待测对应电路运行于不同故障模式时，分别采集电源电流信号，并对其离散化。

102）故障特征提取：对采集的信号进行小波分析，进行N层小波分解，以各层高频小波分解系数序列的绝对值之和为元素组成故障特征向量。

103）神经网络训练：为了让神经网络网络能够识别电路的故障模式，需要确定网络结构参数，对神经网络进行训练，达到所期望的误差目标。

104）故障诊断：把待测具体电路的故障特征向量输入经过训练的神经网络，得到诊断输出结果，即可判断电路故障模式。

进一步，对于步骤102）中的故障特征提取，小波分析的实现过程如下：

201）对采样信号进行N层Mallat分解，得到第1层到第N层，共N个高频小波分解系数序列{d¹,d²,Λ,d^N}；

202）对各层高频分解系数序列进行绝对值求和。设D_j为第j层高频小波分解系数序列d^j的绝对值之和，则有：

$D_j=\underset{l=1}{\overset{n}{\mathrm{\Σ}}}\left|d_l^j\right|$

式中：n为序列d^j中分量的个数。

203）特征向量构成。按尺度顺序，以各层高频小波分解系数序列的绝对值之和为元素构成特征向量，即{D₁,D₂,Λ,D_N}；

204）归一化处理。将数据变换为[0，1]区间，或者[-1，1]区间。

神经网络可应用于故障模式的识别，实现故障特征与故障模式之间复杂的非线性映射，但依赖于故障特征参数的有效性和网络参数的选取。步骤103）神经网络训练的实现过程如下：

301）确定网络结构参数。根据电路故障特征向量维数和电路故障模式，确定神经网络的输入与输出层节点数目。假设对采样信号进行N层小波分解，获得N维的故障特征向量，即网络输入层节点数目为N；如果待测电路有M-1种故障模式，则输出层节点数目为M；隐层神经元数目预选取为（N和M分别为输入/输出层数目，a=1～10），若在网络训练过程中不能满足要求，则逐个增加（或减少）隐层神经元数目。

302）训练神经网络。为了让神经网络能够识别电路的故障模式，首先必须对网络进行训练。以故障特征向量为训练样本输入向量，训练样本输出向量确定方法为：设电路有M种故障模式，即模式1、模式2、…、模式j、…、模式k、…、模式M，网络输出为｛y1,y2,…,yj,…,yk,…,yM｝，若电路状态处于模式j，则令yj=1，其余为0，网络输出向量为｛0,0,…,1,…,0,…,0｝，若电路状态同时处于模式j和模式k，则网络输出向量为｛0,0,…,1,…,1,…,0｝。

对于步骤104）中的故障诊断，其实现过程为：

利用训练好的神经网络，把待测具体电路的故障特征向量输入经过训练的神经网络，得到诊断输出结果，即可判断电路当前故障模式。

第二，下面结合具体实施实例和附图对本发明作进一步阐述，但本发明并不限于以下实施实例。

如图1所示，本发明动态电源电流监测的结构装置示意图。

如图2所示，本发明一种动态电源电流监测故障诊断实现流程图，主要内容包括：信号采集，对电源电流信号进行采样；故障特征提取，利用小波分析对采样数据进行处理，建立样本集；故障诊断，通过训练神经网络对各种状态下的特征向量进行分类决策，实现模拟电路的故障诊断检测和定位。

如图3和图4所示，为实验电路图实例。以下将作为实际待测电路进行动态电源电流监测故障诊断的说明。

实例1，信号采集。对电源电流信号在0～2.5ms进行均匀采样，获得1001个数据。其中：电路输入为V_in=sin(2*10³*π*t)，元器件R1-R6=10k，C1=C2=0.01uF，以“PSpice9.1”电路分析软件进行建模及仿真。

实例2，故障特征提取。利用“db3小波”对对所获得的数据进行4层Mallat分解；然后对每一层分解的高频系数进行绝对值求和，获得相对应的4维故障特征向量{D₁,D₂,D₃,D₄}。

如图5所示，神经网络的框架结构图，由：输入层、隐层和输出层所构成。

实例3，样本集构造。考虑软故障：电容C1↓为0.006uf，电容C2↓为0.006uf，电阻R5↑为11.5K；硬故障：电阻R6Open，M3(OP3)Short。有5种故障模式，再加电路正常状态，共有6种。当某一元器件发生故障，其余器件均在容差范围内正常工作。故障模式采用“n中取1”表示法，如输出为：100000表示电路正常状态；001000表示C2↓故障。因此4维故障特征向量与6种故障模式构成神经网络的输入与输出序列。

实例4，神经网络构造。输入层：神经元数目4个，即小波变换获得的故障特征向量；输出层。神经元数目6个，即电路的故障模式；隐层，神经元数目预选取10个、13个。

如图6所示，神经网络训练，达到设定的均方误差后，进行模拟电路元器件的故障诊断。

实例5，训练神经网络。应用反向传播（BP）算法的启发式改进方法，即加动量修正法，提高神经网络的训练速度。将训练样本序列输入神经网络，均方误差设定为0.01，神经网络结构为4-10-13-6，学习速度0.30，动量因子0.80，网络经过27,223次训练调整后达到设定的均方误差值。

实例6，故障诊断。利用训练后的神经网络，对元器件进行故障检测，诊断结果平均正确率均达95%，故障覆盖率较高，诊断效果明显。

由实例1-6可知，本发明提出的一种动态电源电流监测的模拟电路故障诊断方法，证明利用小波分析提取电源电流的故障特征，形式简单且故障特征维数低，用来建立和训练神经网络快捷，实现对模拟电路故障诊断是可行的。

以上所述仅为本发明的较佳实施例，凡依本发明权利要求范围所做的均等变化与修饰，皆应属本发明权利要求的涵盖范围。

Claims (6)

1.一种动态电源电流监测的模拟电路故障诊断方法，其特征在于，包括以下步骤：

建立训练集样本：当待测对应电路运行于正常或各种故障状态时，分别采集电源电流信号，并对其离散化；对采集的信号进行小波分析，进行N层小波分解，以各层高频小波分解系数序列的绝对值之和为元素组成N维故障特征向量；

神经网络训练：根据电路故障特征向量维数N和待测对应电路故障模式的类别总数M-1，确定神经网络的输入层节点数目N、输出层节点数目M和隐层神经元数目

再对该结构的神经网络利用所述训练集样本按目标条件进行网络训练，a在网络训练过程调整选取1～10中优选的值；N、M、a是自然数；

故障诊断：提取待测具体电路的故障特征向量并输入经过训练的神经网络，得到诊断输出结果。

2.根据权利要求1所述故障诊断方法，其特征在于，所述故障特征向量的提取步骤具体包括：

对采样信号进行N层Mallat分解，得到第1层到第N层，共N个高频小波分解系数序列{d¹,d²,Λ,d^N}；

对各层高频分解系数序列进行绝对值求和：设D_j为第j层高频小波分解系数序列d^j的绝对值之和，则有：

$D_j=\underset{l=1}{\overset{n}{\mathrm{\Σ}}}\left|d_l^j\right|$

式中：n为序列d^j中分量的个数。

特征向量构成：按尺度顺序，以各层高频小波分解系数序列的绝对值之和为元素构成特征向量，即{D₁,D₂,Λ,D_N}；

归一化处理：将数据变换为[0，1]区间，或者[-1，1]区间。

3.根据权利要求1所述故障诊断方法，其特征在于，神经网络的训练步骤具体包括：

确定网络结构参数：根据电路故障特征向量维数N和电路故障模式的类别总数M-1，确定神经网络的输入层节点数目N、输出层节点数目M和隐层神经元数目

a在网络训练过程调整选取1～10中优选的自然数值；

训练神经网络：以所述训练集样本中故障特征向量为训练样本输入向量，并以每个故障特征向量各自对应的工作状态确定对应训练样本输出向量｛y1,y2,…,…,yM｝按目标条件进行重复训练，｛y1,y2,…,…,yM｝中y1对应正常状态位，其他元素对应各自故障模式位，它们的值都是真“1”或假“0”；所述对应的工作状态是正常状态、一种故障模式或多种故障模式共存中的任一种。

4.根据权利要求1或3所述故障诊断方法，其特征在于，神经网络训练采用加动量修正的BP算法。

5.根据权利要求1或3所述故障诊断方法，其特征在于，所述目标条件是设定的均方误差值，神经网络训练调整的次数是复数次。

6.根据权利要求1或3所述故障诊断方法，其特征在于，a的调整选取是在网络训练过程中若不能满足要求，则逐个增加或逐个减少数目。

Images