CN105652182A - 一种基于电路网络和图搜索的电路板故障定位***及方法 - Google Patents
一种基于电路网络和图搜索的电路板故障定位***及方法 Download PDFInfo
- Publication number
- CN105652182A CN105652182A CN201511000975.5A CN201511000975A CN105652182A CN 105652182 A CN105652182 A CN 105652182A CN 201511000975 A CN201511000975 A CN 201511000975A CN 105652182 A CN105652182 A CN 105652182A
- Authority
- CN
- China
- Prior art keywords
- test
- fault
- node
- test node
- attribute
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2801—Testing of printed circuits, backplanes, motherboards, hybrid circuits or carriers for multichip packages [MCP]
- G01R31/281—Specific types of tests or tests for a specific type of fault, e.g. thermal mapping, shorts testing
- G01R31/2813—Checking the presence, location, orientation or value, e.g. resistance, of components or conductors
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种基于电路网络和图搜索的电路板故障定位***,所述***包含:测试节点属性获取模块,用于获取测试节点的属性信息,所述属性信息包含:电路接口属性和测试执行属性;路由文件获取模块,用于获取路由文件,所述路由文件用于描述测试仪器的通道与测试节点之间的连线关系;最优节点选择模块,用于根据故障敏感度和故障隔离度参数对手动测试节点进行筛选;测试逻辑生成模块,用于基于测试节点属性信息和路由文件生成筛选得到的最优节点集合中节点的测试逻辑;测试结果输出模块,用于基于得到的测试逻辑对选择的测试点进行测试,进而完成电路板的故障定位。
Description
技术领域
本发明属于电路板测试与诊断技术领域,特别涉及一种基于电路网络和图搜索的电路板故障定位方法。
背景技术
电路板在故障定位时需要对中间节点的数据进行测量采集,并根据测量结果进行电路状态的判断并分析推断出下一步的测试策略;目前在电路板故障定位中,主要依赖于人工输入相应的测试节点信息并确定节点的测试顺序,工作量大、自动化程度不高并且导致测试节点的数量和分布不够优化、拓扑逻辑性不强。
为了提高电路板测试与诊断TP开发的效率,在现有TP开发方法的基础上,提出研制基于电路网络和图搜索的电路板故障定位方法则十分必要。
发明内容
本发明的目的在于,为了解决上述的技术问题,本发明提供一种基于电路网络和图搜索的电路板故障定位***及方法。
为了实现上述目的,本发明提供一种基于电路网络和图搜索的电路板故障定位***,所述***包含:
测试节点属性获取模块,用于获取测试节点的属性信息,所述属性信息包含:电路接口属性和测试执行属性;
路由文件获取模块,用于获取路由文件,所述路由文件用于描述测试仪器的通道与测试节点之间的连线关系;
最优节点选择模块,用于根据故障敏感度和故障隔离度参数对手动测试节点进行筛选,进而选择若干个节点组成最优测试节点集合,其中,所述故障隔离度表征测试点对故障的区分能力;
测试逻辑生成模块,用于基于测试节点属性信息和路由文件生成筛选得到的最优节点集合中节点的测试逻辑,或基于测试节点属性信息和路由文件生成自动测试节点的测试逻辑;其中所述测试逻辑关系包含:顺序、选择、循环或跳转;
测试结果输出模块,用于基于得到的测试逻辑对选择的测试点进行测试,进而完成电路板的故障定位。
可选的,上述***还包含:
配置模块,用于输入需要配置的待测电路板的测试节点的测试属性,所述测试属性包含:电路接口属性和测试执行属性;
路由文件生成模块,用于基于输入的测试节点的属性信息生成测试节点与测试仪器的路由文件,其中,所述路由文件用于描述测试仪器的通道与测试节点之间的连线关系。
可选的,上述***还包含:
存储及接口模块,用于存储故障定位结果并用于与基于人工智能算法的测试诊断知识的接口;
图像管理模块,用于完成对所测试电路板的原理图和PCB的导入、编辑、属性设置和保存。
进一步可选的,上述最优节点选择模块进一步包含:
第一处理子模块,用于计算各待选测试节点的区别度因子,并依据得到区别度因子的值按从大到小顺序将待选测试节点进行重新排序;
第二处理子模块,用于初始化最优测试节点集N*为空,并标记重排序后的待选测试节点的集合为P={P0,P1,…,Pi,…Pk},同时初始化参数i的取值为i=1,其中i的取值范围为:i=1,…,K,其中,K为待测试节点的总个数;
第三处理子模块,用于从待选测试节点的集合中选择节点Pi,对该测试节点Pi的故障特征数据集进行故障归类计算;
并根据所有测试样本的计算结果,计算该测试节点Pi的故障隔离组和故障隔离度
判别子模块,用于验证集合N*与测试节点Pi的故障隔离组的并集隔离度是否成立,如果等式满足,则将测试节点Pi添加至验证集合N*,并驱动结束子模块;如果则舍弃测试节点Pi并设置参数i的值为:i=i+1,重新启动第三处理子模块进行处理;否则,将测试Pi添加至验证集合N*,启第三处理子模块;
结束子模块,用于判断当选择的最优测试节点能够区分所有故障,则最优节点集合的筛选过程结束。
可选的,上述方案采用如下方法获得区别度因子的值:
首先,定义第i个测试节点第j类故障样本的类内距离dij为:
其中,m,n=1,2,…,N,m≠n;i=1,2,…,K;j=1,2,…,M,m和n的含义为;N为样本个数,K为待测试节点的总个数,M为故障类总个数,Pij(m)和Pij(n)分别表示第i个测试点第j类故障对于第m个和第n个样本的特征值;
第i个测试节点M个类的类内距离的平均值Di为:
第i个测试节点第j类故障的N个样本的平均值qij:
第i个测试点的M个类的类间距离的平均值D′i为:
其中,μ,ω=1,2,…,M,μ≠ω;qiμ,qiω分别表示第i个测试点的第μ个和第ω个类的N个样本的平均值;
然后,基于上述参数,定义测试节点i的区别度αi的计算公式为:
αi=(D′i/Di)·(min(Rbi)/max(Rwi))(5)
其中,min(Rbi)和max(Rwi)分别表示第i个测试节点样本数据的最小类间离散值和最大类内离散值。
可选的,上述方案采用如下方法获得测试节点Pi的故障隔离度:
将重排序后的候选测试节点记为Pi,M类故障模式记为故障集合F={F0,F1,…,FM-1},其中F0为无故障情况;规定如下:
1)若F中某故障模式Fm下所有故障样本被准确识别,且对其余故障模式下的任意故障样本不存在被误诊为Fm的情况,则规定故障隔离组:是测试节点Pi的一个故障隔离组,且该故障集合中仅包含一个元素Fm;
2)若故障模式Fm中的部分故障样本被误诊为故障Fn,则记Fm和Fn属于测试节点Pi的一个故障模糊组,并记为:若Fm中的部分样本被误诊为故障模式Fn和Fq,则记Fm,Fn和Fq为测试节点Pi的一个故障模糊组,记为依次类推;
其中以上定义中m,n,q=0,1,...,M-1;m≠n≠q;
定义幂集ρ(F)表示电路故障集合F={F0,F1,…,FM-1};AGPi为测试节点Pi所有故障模糊组的集合;IGPi为测试节点Pi所有故障隔离组的集合;
根据上述定义得到:
其中,||为取集合中元素个数,即故障个数;
定义隔离度,对于测试节点Pi和M类故障模式,定义测试节点的故障隔离度为:
显然,
利用K最近邻算法计算所有测试节点的故障隔离度。
此外,本发明还提供了一种基于电路网络和图搜索的电路板故障定位方法,所述方法包含:
步骤101)获取测试节点的属性信息,所述测试属性包含:电路接口属性和测试执行属性;
步骤102)获取路由文件,所述路由文件用于描述测试仪器的通道与测试节点之间的连线关系;
步骤103)根据故障敏感度和故障隔离度参数对手动测试节点进行筛选,进而选择若干个节点组成最优测试节点集合:其中,所述故障隔离度表征测试点对故障的区分能力;
步骤104)基于测试节点属性信息和路由文件生成筛选得到的最优节点集合中节点的测试逻辑,或基于测试节点属性信息和路由文件生成自动测试节点的测试逻辑;其中所述测试逻辑包含:所述逻辑关系包含:顺序、选择、循环或跳转;
步骤105)基于得到的测试逻辑对测试节点进行测试,进而完成电路板的故障定位。
可选的,上述步骤101)之前还包含:
输入需要配置的待测电路板的测试节点的测试属性,所述测试属性包含:电路接口属性和测试执行属性;
基于输入的测试节点的属性信息生成测试节点与测试仪器的路由文件,其中,所述路由文件用于描述测试仪器的通道与测试节点之间的连线关系。
可选的,上述步骤103)进一步包含:
步骤103-1)计算各待选测试节点的区别度因子,并依据得到区别度因子的值按从大到小顺序将待选测试节点进行重新排序;
步骤103-2)初始化最优测试节点集N*为空,并标记重排序后的待选测试节点的集合为P={P0,P1,…,Pk},同时初始化参数i的取值为i=1,其中i的取值范围为:i=1,…,K,其中,K为待测试节点的总个数;
步骤103-3)从待选测试节点的集合中选择节点Pi,对该节点Pi的故障特征数据集进行故障归类计算;
并根据所有测试样本的计算结果,计算该测试节点Pi的故障隔离组和故障隔离度
判别子模块,用于验证集合N*与测试节点Pi的故障隔离组的并集隔离度是否成立,如果等式满足,则将测试节点Pi添加至验证集合N*,并转入步骤103-4);如果则舍弃测试节点Pi并设置参数i的值为:i=i+1,转入步骤103-3);否则,将测试Pi添加至验证集合N*,转入步骤103-3);
步骤103-4)当选择的最优测试节点能够区分所有故障,则最优节点集合的筛选过程结束。
可选的,上述方案还采用如下方法获得区别度因子的值:
定义第i个测试节点第j类故障样本的类内距离dij为:
其中,m,n=1,2,…,N,m≠n;i=1,2,…,K;j=1,2,…,M,m和n的含义为(m和n:大于1且为自然数);N为样本个数,K为测试节点总个数,M为故障类总个数,Pij(m),Pij(n)分别表示第i个测试点第j类故障对于第m个和第n个样本的特征值;
第i个测试节点M个类的类内距离的平均值Di为:
第i个测试节点第j类故障的N个样本的平均值qij:
第i个测试点的M个类的类间距离的平均值D′i为:
其中,μ,ω=1,2,…,M,μ≠ω;qiμ,qiω分别表示第i个测试点的第μ个和第ω个类的N个样本的平均值;
定义测试节点i的区别度αi为:
αi=(D′i/Di)·(min(Rbi)/max(Rwi))(5)
其中,min(Rbi)和max(Rwi)分别表示第i个测试节点样本数据的最小类间离散值和最大类内离散值。
与现有技术相比,本发明的有益效果在于:
本发明是在现有TP开发软件的基础上,重点提高TP开发的易用性和开发效率。主要解决如下各方面的问题:TP编写、调试与测试不直观;TP编写工作量大;TP复用性较差;TP修改较为繁琐;TP离线调试功能弱;TP与智能诊断算法之间互相独立。
附图说明
图1是本发明提供的方法的流程示意图;
图2是本发明技术方案的基本工作流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细的说明。
本发明提供一种基于电路网络和图搜索的电路板故障定位***,所述***包含:
测试节点属性获取模块,用于获取测试节点的属性信息,所述属性信息包含:电路接口属性和测试执行属性;
路由文件获取模块,用于获取路由文件,所述路由文件用于描述测试仪器的通道与测试节点之间的连线关系;
最优节点选择模块,用于根据故障敏感度和故障隔离度参数对手动测试节点进行筛选,进而选择若干个节点组成最优测试节点集合,其中,所述故障隔离度表征测试点对故障的区分能力;
测试逻辑生成模块,用于基于测试节点属性信息和路由文件生成筛选得到的最优节点集合中节点的测试逻辑,或基于测试节点属性信息和路由文件生成自动测试节点的测试逻辑;其中所述测试逻辑包含:所述逻辑关系包含:顺序、选择、循环或跳转;
测试结果输出模块,用于基于得到的测试逻辑对选择的测试点进行测试,进而完成电路板的故障定位。
可选的,上述***还包含:
配置模块,用于输入需要配置的待测电路板的测试节点的测试属性,所述测试属性包含:电路接口属性和测试执行属性;
路由文件生成模块,用于基于输入的测试节点的属性信息生成测试节点与测试仪器的路由文件,其中,所述路由文件用于描述测试仪器的通道与测试节点之间的连线关系。
可选的,上述***还包含:
存储及接口模块,用于存储故障定位结果并用于与基于人工智能算法的测试诊断知识的接口;
图像管理模块,用于完成对所测试电路板的原理图和PCB的导入、编辑、属性设置和保存。
进一步可选的,上述最优节点选择模块进一步包含:
第一处理子模块,用于计算各待选测试节点的区别度因子,并依据得到区别度因子的值按从大到小顺序将待选测试节点进行重新排序;
第二处理子模块,用于初始化最优测试节点集N*为空,并标记重排序后的待选测试节点的集合为P={P0,P1,…,Pi,…Pk},同时初始化参数i的取值为i=1,其中i的取值范围为:i=1,…,K,其中,K为待测试节点的总个数;
第三处理子模块,用于从待选测试节点的集合中选择节点Pi,对该测试节点Pi的故障特征数据集进行故障归类计算;
并根据所有测试样本的计算结果,计算该测试节点Pi的故障隔离组和故障隔离度
判别子模块,用于验证集合N*与测试节点Pi的故障隔离组的并集隔离度是否成立,如果等式满足,则将测试节点Pi添加至验证集合N*,并驱动结束子模块;如果则舍弃测试节点Pi并设置参数i的值为:i=i+1,重新启动第三处理子模块进行处理;否则,将测试Pi添加至验证集合N*,启第三处理子模块;
结束子模块,用于判断当选择的最优测试节点能够区分所有故障,则最优节点集合的筛选过程结束。
可选的,上述方案采用如下方法获得区别度因子的值:
首先,定义第i个测试节点第j类故障样本的类内距离dij为:
其中,m,n=1,2,…,N,m≠n;i=1,2,…,K;j=1,2,…,M,m和n的含义为;N为样本个数,K为待测试节点的总个数,M为故障类总个数,Pij(m)和Pij(n)分别表示第i个测试点第j类故障对于第m个和第n个样本的特征值;
第i个测试节点M个类的类内距离的平均值Di为:
第i个测试节点第j类故障的N个样本的平均值qij:
第i个测试点的M个类的类间距离的平均值D′i为:
其中,μ,ω=1,2,…,M,μ≠ω;qiμ,qiω分别表示第i个测试点的第μ个和第ω个类的N个样本的平均值;
然后,基于上述参数,定义测试节点i的区别度αi的计算公式为:
αi=(D′i/Di)·(min(Rbi)/max(Rwi))(5)
其中,min(Rbi)和max(Rwi)分别表示第i个测试节点样本数据的最小类间离散值和最大类内离散值。
可选的,上述方案采用如下方法获得测试节点Pi的故障隔离度:
将重排序后的候选测试节点记为Pi,M类故障模式记为故障集合F={F0,F1,…,FM-1},其中F0为无故障情况;规定如下:
1)若F中某故障模式Fm下所有故障样本被准确识别,且对其余故障模式下的任意故障样本不存在被误诊为Fm的情况,则规定故障隔离组:是测试节点Pi的一个故障隔离组,且该故障集合中仅包含一个元素Fm;
2)若故障模式Fm中的部分故障样本被误诊为故障Fn,则记Fm和Fn属于测试节点Pi的一个故障模糊组,并记为:若Fm中的部分样本被误诊为故障模式Fn和Fq,则记Fm,Fn和Fq为测试节点Pi的一个故障模糊组,记为依次类推;
其中以上定义中m,n,q=0,1,...,M-1;m≠n≠q;
定义幂集ρ(F)表示电路故障集合F={F0,F1,…,FM-1};AGPi为测试节点Pi所有故障模糊组的集合;IGPi为测试节点Pi所有故障隔离组的集合;
根据上述定义得到:
其中,||为取集合中元素个数,即故障个数;
定义隔离度,对于测试节点Pi和M类故障模式,定义测试节点的故障隔离度为:
显然,
利用K最近邻算法计算所有测试节点的故障隔离度。
此外,本发明还提供了一种基于电路网络和图搜索的电路板故障定位方法,所述方法包含:
步骤101)获取测试节点的属性信息,所述测试属性包含:电路接口属性和测试执行属性;
步骤102)获取路由文件,所述路由文件用于描述测试仪器的通道与测试节点之间的连线关系;
步骤103)根据故障敏感度和故障隔离度参数对手动测试节点进行筛选,进而选择若干个节点组成最优测试节点集合:其中,所述故障隔离度表征测试点对故障的区分能力;
步骤104)基于测试节点属性信息和路由文件生成筛选得到的最优节点集合中节点的测试逻辑,或基于测试节点属性信息和路由文件生成自动测试节点的测试逻辑;其中所述测试逻辑包含:所述逻辑关系包含:顺序、选择、循环或跳转;
步骤105)基于得到的测试逻辑对测试节点进行测试,进而完成电路板的故障定位。
可选的,上述步骤101)之前还包含:
输入需要配置的待测电路板的测试节点的测试属性,所述测试属性包含:电路接口属性和测试执行属性;
基于输入的测试节点的属性信息生成测试节点与测试仪器的路由文件,其中,所述路由文件用于描述测试仪器的通道与测试节点之间的连线关系。
可选的,上述步骤103)进一步包含:
步骤103-1)计算各待选测试节点的区别度因子,并依据得到区别度因子的值按从大到小顺序将待选测试节点进行重新排序;
步骤103-2)初始化最优测试节点集N*为空,并标记重排序后的待选测试节点的集合为P={P0,P1,…,Pk},同时初始化参数i的取值为i=1,其中i的取值范围为:i=1,…,K,其中,K为待测试节点的总个数;
步骤103-3)从待选测试节点的集合中选择节点Pi,对该节点Pi的故障特征数据集进行故障归类计算;
并根据所有测试样本的计算结果,计算该测试节点Pi的故障隔离组和故障隔离度
判别子模块,用于验证集合N*与测试节点Pi的故障隔离组的并集隔离度是否成立,如果等式满足,则将测试节点Pi添加至验证集合N*,并转入步骤103-4);如果则舍弃测试节点Pi并设置参数i的值为:i=i+1,转入步骤103-3);否则,将测试Pi添加至验证集合N*,转入步骤103-3);
步骤103-4)当选择的最优测试节点能够区分所有故障,则最优节点集合的筛选过程结束。
可选的,上述方案还采用如下方法获得区别度因子的值:
定义第i个测试节点第j类故障样本的类内距离dij为:
其中,m,n=1,2,…,N,m≠n;i=1,2,…,K;j=1,2,…,M,m和n的含义为(m和n:大于1且为自然数);N为样本个数,K为测试节点总个数,M为故障类总个数,Pij(m),Pij(n)分别表示第i个测试点第j类故障对于第m个和第n个样本的特征值;
第i个测试节点M个类的类内距离的平均值Di为:
第i个测试节点第j类故障的N个样本的平均值qij:
第i个测试点的M个类的类间距离的平均值D′i为:
其中,μ,ω=1,2,…,M,μ≠ω;qiμ,qiω分别表示第i个测试点的第μ个和第ω个类的N个样本的平均值;
定义测试节点i的区别度αi为:
αi=(D′i/Di)·(min(Rbi)/max(Rwi))(5)
其中,min(Rbi)和max(Rwi)分别表示第i个测试节点样本数据的最小类间离散值和最大类内离散值。
实施例
本发明所研究的开发方法的总体架构包括:实现测试属性配置、电路图形管理、测试节点配置、测试逻辑实现、虚拟在线调试、在线调试执行、数据保存与数据接口等功能。
本发明的具体实现原理如图1所示:
本发明的技术方案实现了测试配置、电路图管理、测试程序(testprogram,以下简称:TP)开发与执行、虚拟与在线调试等功能,并具备与基于人工智能算法的测试诊断知识的接口。本发明提供的方法的基本流程如图2所示,具体流程步骤包含:
1、测试属性配置
测试属性配置主要包含三方面的内容:电路接口属性设置、测试执行属性配置和测试执行界面设计。
上述电路接口属性主要用于描述电路的接口信息,且电路的接口信息包含电路的接口的连接器节点和电路的接口的内部测试节点的测试性等;如果测试节点属于连接器节点,则采用自动测试,否则采用手动测试;并且在节点配置环节对不可测试节点进行相关信息提示和禁止探笔测试属性配置。
测试执行属性主要完成电路测试执行类型的配置,用于生成测试逻辑范例;测试执行类型主要包含基于故障树的功能测试与诊断测试、基于诊断知识的智能诊断推理等类型。
测试执行界面设计主要完成对测试执行时的UI界面的配置,根据现有的TP开发方法完成,重点是完成测试时测试数据、步骤与电路板原理图/PCB的节点交互。
2、电路图形管理
电路图形管理属于开发配置管理的子功能,主要完成对所测试电路板的原理图、PCB等的管理如导入、编辑、属性设置和保存等功能。
开发方法具备对Protel、AltiumDesigner等主流电路设计方法输出文件的兼容能力,可通过导入到方式实现对上述方法生成的电路图进行二次编辑,如原理图的绘制、元器件图形符号的绘制与移动等功能。
开发方法具备单独的电路图绘制功能,可实现测试节点的生成与配置,实现对图形元素如元器件、连线等的属性配置功能。
3、测试节点配置
测试节点配置属于开发配置管理的子功能,主要完成对需要测试的电路节点的属性的设置和测试节点与测试仪器的路由文件生成。测试节点的属性主要包括该测试节点的测试信息描述、测试信号属性、测试仪器属性和测试逻辑属性等。其中,测试逻辑属性规定了本节点与其他节点的逻辑关系(顺序、选择、循环和跳转中的一种)。
测试路由文件主要用于描述测试仪器的通道与测试节点之间的连线关系,可用于后续的测试逻辑生成。通过在可自动测试节点的属性配置中,提取对应的测试仪器及通道属性,自动生成基于XML格式的路由文件。
4、测试逻辑实现
测试逻辑实现功能属于开发配置管理的子功能,实现测试逻辑的配置管理与逻辑预览功能。本部分包含节点属性配置信息获取、路由文件获取、最优测试节点集合生成、逻辑生成与TP实现功能。
节点属性配置信息获取,主要提取测试信息描述、测试信号属性等;其中,测试信息描述用于在生成的TP中对当前测试节点的信息进行描述;测试信号属性用于对TP实际测试中获取的信号范围进行判定。
路由文件获取:读入基于节点属性配置生成的路由文件,用于建立测试仪器和测试节点之间的软件描述关系,实现对连接器节点的自动测试。
最优测试节点集合生成:为了减少手动测试节点的数量,针对除连接器节点之外的手动测试节点进行优化,构建最优测试节点集合:
在考虑故障敏感度和故障隔离度等指标的基础上,研究更加全面的测试点故障检测能力综合加权评价的优选算法,达到使不同故障模糊集间的最小间距大,而同一故障集间的最大类内间距小的目的。
故障区别度定义:
将各故障模式看作故障类,各类别可以区分开是因为故障类位于不同的响应区域。某个测试点对应的各类故障模式下的特征样本,如果对同一类的平均类内距离越小,不同类的平均类间距离越大,则该测试点对故障的区分性越强。样本中最小类间距离大而最大类内距离小的样本,对应的测试点对故障的区别能力强(也可称为对故障灵敏),即故障区别度大。
定义第i个测试点第j类故障样本的类内距离dij为
其中,m,n=1,2,…,N,m≠n;i=1,2,…,K;j=1,2,…,M。N为样本个数,K为测试点个数,M为故障类个数,Pij(m),Pij(n)分别表示第i个测试点第j类故障第m个和第n个样本特征值。
第i个测试点M个类的类内距离的平均值Di为
第i个测试点第j类故障N个样本的平均值qij
第i个测试点M个类的类间距离的平均值D′i为
式中μ,ω=1,2,…,M,μ≠ω;qiμ,qiω分别表示第i个测试点的第μ个和第ω个类N个样本的平均值。
定义测试点i区别度αi为
αi=(D′i/Di)·(min(Rbi)/max(Rwi))(5)
min(Rbi)和max(Rwi)分别表示第i个测试点样本数据的最小类间离散值和最大类内离散值。
αi的大小反映了第i个测试点对M类故障进行分类的难易程度,αi越大表示第i个测试点对故障特征越敏感,区别故障的能力越强。根据测试点敏感度因子对待选测试点重排序可以保证最优测试点优先入选测试点集,避免测试点选择盲目性,减小后续算法计算量。
故障隔离度定义:
故障隔离度表征测试点对故障的区分能力,是重排序后的测试节点入选最优测试点集合的一个重要判断条件。
将重排序后的候选测试节点记为Pi=(i=1,2,...,K),M类故障模式记为故障集合F={F0,F1,…,FM-1},其中F0为无故障情况。规定如下:
1)若F中某故障模式Fm下所有故障样本被准确识别,且对其余故障模式下的任意故障样本,不存在被误诊为Fm的情况,则规定:是测试点Pi的一个故障隔离组,该集合中仅包含一个元素Fm;
2)若故障模式Fm中的部分故障样本被误诊为故障Fn,则记Fm和Fn属于节点Pi的一个故障模糊组,并记为:若Fm中的部分样本被误诊为故障模式Fn,Fq,则记Fm,Fn,Fq为节点Pi的一个故障模糊组,记为依次类推。
以上定义中,m,n,q=0,1,...,M-1;m≠n≠q。
定义幂集ρ(F)表示电路故障集合F={F0,F1,…,FM-1};AGPi为测试点Pi所有故障模糊组的集合;IGPi为测试点Pi所有故障隔离组的集合。根据上述定义得到:
其中,||为取集合中元素(即故障)个数。
定义隔离度。对于测试点Pi(i=1,2,…,K)和M类故障模式,定义其测试点故障隔离度
显然,
利用K最近邻(K-nearest-neighbor,KNN)可计算所有测试点的故障隔离度。
测试节点优化算法流程图如图1所示,具体为:
a.计算各待选测试点区别度因子,并依据其值按从大到小顺序将测试点进行重新排序;
b.初始化最优测试点集N*为空,并标记重排序后的待优选测试节点的集合为P={P0,P1,…,Pk},初始化i=1,i=1,…,K;
c.选择测试点Pi,利用KNN对该测试点故障特征数据集进行故障归类计算。根据所有测试样本的计算结果,计算该测试点故障隔离组和故障隔离度
d.验证集合N*与测试点Pi故障隔离组的并集隔离度是否成立,如果等式满足,则将Pi添加至N*,转至e;如果舍弃Pi(i=i+1),转至c;否则,将Pi添加至N*,转至c;
e.测试点可以隔离所有故障,算法结束。
通过上述算法,可将故障区别度、故障隔离度、测试点检测代价综合在一起,并且综合了故障出现概率等因素,构建了最优的测试节点集合。
测试逻辑生成和TP实现:在节点配置中,对每个节点的测试逻辑属性进行了配置;将优化后的测试节点按照所配置的逻辑属性及测试顺序,生成顺序、选择、循环或跳转逻辑,进一步地,构建出基于最优的测试节点集合的逻辑树;软件针对上述逻辑关系生成四类逻辑软件块,基于逻辑树,建立起TP。
通过将原理图中的测试节点号拖拽到测试逻辑配置区域实现测试逻辑的配置,并对相关的测试逻辑判别条件如循环次数、跳转目标等进行设置。
5、虚拟在线调试
虚拟在线调试功能主要实现对ATE离线状态时的在线模拟调试功能。虚拟在线调试时,TP运行状态完全与在线调试相同;开发方法提供单步、连续、区间、断点、注释等执行方式,具备运行、停止、暂停等控制方式;运行界面具备原理图/PCB测试节点闪烁、测试信息读取、测试逻辑顺序显示等功能;当运行到测试仪器时由调试人员手工输入相关信息或读取提前设置好的脚本信息,完成对仪器信息的模拟;在暂停或停止状态下,可实现对测试逻辑、测试信息等的调整功能。
6、在线调试执行
在线调试执行与虚拟在线调试功能基本一致,但其基于现有TP开发方法,实现对ATE的控制;在响应数据采集时,将节点数据全部按照一定的格式存储。
经过多次运行的TP,可在测试属性配置部分进行诊断知识生成的配置,根据多次运行的结论、数据、节点信息等,自动分析是否具备可生成诊断知识并在条件具备时调用诊断知识模块,完成相关知识的生成,在线调试执行时可按照相关提示完成测试诊断。
其中第5步和第6步即虚拟在线调试和在线调试执行这两个步骤是并行的。
7、数据保存与数据接口
开发方法输出的数据主要包括与现有TP开发方法兼容的TP数据、电路数据、测试数据、开发配置数据、测试逻辑数据等。开发方法提供与现有TP开发方法、诊断知识软件模块、主流EDA环境等兼容的数据接口,并可作为多个独立的动态链接库被其他软件调用。
以某型装备中的某型电路板为实例,基于该开发方法进行开发,对其中的测试节点配置进行如下具体说明:
完成对该电路中需要测试的电路节点的属性的设置,主要包括以下四点:1、对测试节点的测试信息进行描述;2、设置测试信号属性;3、测试仪器属性;4、测试逻辑属性。具体说明如下:
1、对该电路进行测试信息描述,包括对电路中节点的节点号、与相关元器件的连接关系、测试目的、测试仪器及可能的测试结论分别进行描述。测试信息针对不同的测试情境分为多组,在不同的情境中进行选择;
2、设置测试信号属性,预留基于信号测试的相关接口。基于仪器测试,分析信号属性主要包含该测试点正常状态下的信号属性,如正弦、参数值如电压、频率、占空比等及各参数的容差,并设定TTL、CMOS、LVTTL等典型信号类型的容差功能。
3、对电路中节点测试用的仪器进行测试仪器属性设定,主要包含两类信息:激励与采集仪器信息和测试路由信息。
4、测试逻辑属性主要完成对测试节点与上下节点之间的逻辑关系的设定。
最后应说明,此处所描述的实例仅用于解释本发明,本发明并不限定具体智能终端类型、业务类别,对以上内容所做的变换也落在本发明的保护范围之内。
Claims (10)
1.一种基于电路网络和图搜索的电路板故障定位***,其特征在于,所述***包含:
测试节点属性获取模块,用于获取测试节点的属性信息,所述属性信息包含:电路接口属性和测试执行属性;
路由文件获取模块,用于获取路由文件,所述路由文件用于描述测试仪器的通道与测试节点之间的连线关系;
最优节点选择模块,用于根据故障敏感度和故障隔离度参数对手动测试节点进行筛选,进而选择若干个节点组成最优测试节点集合,其中,所述故障隔离度表征测试节点对故障的区分能力;
测试逻辑生成模块,用于基于测试节点属性信息和路由文件生成筛选得到的最优节点集合中节点的测试逻辑,或基于测试节点属性信息和路由文件生成自动测试节点的测试逻辑;其中所述测试逻辑关系包含:顺序、选择、循环或跳转;
测试结果输出模块,用于基于得到的测试逻辑对选择的测试点进行测试,进而完成电路板的故障定位。
2.根据权利要求1所述的基于电路网络和图搜索的电路板故障定位***,其特征在于,所述***还包含:
配置模块,用于输入需要配置的待测电路板的测试节点的测试属性,所述测试属性包含:电路接口属性和测试执行属性;
路由文件生成模块,用于基于输入的测试节点的属性信息生成测试节点与测试仪器的路由文件,其中,所述路由文件用于描述测试仪器的通道与测试节点之间的连线关系。
3.根据权利要求1所述的基于电路网络和图搜索的电路板故障定位***,其特征在于,所述***还包含:
存储及接口模块,用于存储故障定位结果并用于与基于人工智能算法的测试诊断知识的接口;
图像管理模块,用于完成对所测试电路板的原理图和PCB的导入、编辑、属性设置和保存。
4.根据权利要求1所述的基于电路网络和图搜索的电路板故障定位***,其特征在于,所述最优节点选择模块进一步包含:
第一处理子模块,用于计算各待选测试节点的区别度因子,并依据得到区别度因子的值按从大到小顺序将待选测试节点进行重新排序;
第二处理子模块,用于初始化最优测试节点集N*为空,并标记重排序后的待选测试节点的集合为P={P0,P1,…,Pi,…Pk},同时初始化参数i的取值为i=1,其中i的取值范围为:i=1,…,K,其中,K为待测试节点的总个数;
第三处理子模块,用于从待选测试节点的集合中选择节点Pi,对该测试节点Pi的故障特征数据集进行故障归类计算;
并根据所有测试样本的计算结果,计算该测试节点Pi的故障隔离组和故障隔离度
判别子模块,用于验证集合N*与测试节点Pi的故障隔离组的并集隔离度是否成立,如果等式满足,则将测试节点Pi添加至验证集合N*,并驱动结束子模块;如果则舍弃测试节点Pi并设置参数i的值为:i=i+1,重新启动第三处理子模块进行处理;否则,将测试Pi添加至验证集合N*,启第三处理子模块;
结束子模块,用于判断当选择的最优测试节点能够区分所有故障,则最优节点集合的筛选过程结束。
5.根据权利要求4所述的基于电路网络和图搜索的电路板故障定位***,其特征在于,采用如下方法获得区别度因子的值:
首先,定义第i个测试节点第j类故障样本的类内距离dij为:
其中,m,n=1,2,…,N,m≠n;i=1,2,…,K;j=1,2,…,M,m和n的含义为;N为样本个数,K为待测试节点的总个数,M为故障类总个数,Pij(m)和Pij(n)分别表示第i个测试点第j类故障对于第m个和第n个样本的特征值;
第i个测试节点M个类的类内距离的平均值Di为:
第i个测试节点第j类故障的N个样本的平均值qij:
第i个测试点的M个类的类间距离的平均值D′i为:
其中,μ,ω=1,2,…,M,μ≠ω;qiμ,qiω分别表示第i个测试点的第μ个和第ω个类的N个样本的平均值;
然后,基于上述参数,定义测试节点i的区别度αi的计算公式为:
αi=(D′i/Di)·(min(Rbi)/max(Rwi))(5)
其中,min(Rbi)和max(Rwi)分别表示第i个测试节点样本数据的最小类间离散值和最大类内离散值。
6.根据权利要求4所述的基于电路网络和图搜索的电路板故障定位***,其特征在于,采用如下方法获得测试节点Pi的故障隔离度:
将重排序后的候选测试节点记为Pi,M类故障模式记为故障集合F={F0,F1,…,FM-1},其中F0为无故障情况;规定如下:
1)若F中某故障模式Fm下所有故障样本被准确识别,且对其余故障模式下的任意故障样本不存在被误诊为Fm的情况,则规定故障隔离组:是测试节点Pi的一个故障隔离组,且该故障集合中仅包含一个元素Fm;
2)若故障模式Fm中的部分故障样本被误诊为故障Fn,则记Fm和Fn属于测试节点Pi的一个故障模糊组,并记为:若Fm中的部分样本被误诊为故障模式Fn和Fq,则记Fm,Fn和Fq为测试节点Pi的一个故障模糊组,记为 依次类推;
其中以上定义中m,n,q=0,1,...,M-1;m≠n≠q;
定义幂集ρ(F)表示电路故障集合F={F0,F1,…,FM-1};为测试节点Pi所有故障模糊组的集合;为测试节点Pi所有故障隔离组的集合;
根据上述定义得到:
其中,||为取集合中元素个数,即故障个数;
定义隔离度,对于测试节点Pi和M类故障模式,定义测试节点的故障隔离度为:
显然,
利用K最近邻算法计算所有测试节点的故障隔离度。
7.一种基于电路网络和图搜索的电路板故障定位方法,所述方法包含:
步骤101)获取测试节点的属性信息,所述测试属性包含:电路接口属性和测试执行属性;
步骤102)获取路由文件,所述路由文件用于描述测试仪器的通道与测试节点之间的连线关系;
步骤103)根据故障敏感度和故障隔离度参数对手动测试节点进行筛选,进而选择若干个节点组成最优测试节点集合:其中,所述故障隔离度表征测试点对故障的区分能力;
步骤104)基于测试节点属性信息和路由文件生成筛选得到的最优节点集合中节点的测试逻辑,或基于测试节点属性信息和路由文件生成自动测试节点的测试逻辑;其中所述测试逻辑包含:所述逻辑关系包含:顺序、选择、循环或跳转;
步骤105)基于得到的测试逻辑对测试节点进行测试,进而完成电路板的故障定位。
8.根据权利要求7所述的基于电路网络和图搜索的电路板故障定位方法,其特征在于,所述步骤101)之前还包含:
输入需要配置的待测电路板的测试节点的测试属性,所述测试属性包含:电路接口属性和测试执行属性;
基于输入的测试节点的属性信息生成测试节点与测试仪器的路由文件,其中,所述路由文件用于描述测试仪器的通道与测试节点之间的连线关系。
9.根据权利要求7所述的基于电路网络和图搜索的电路板故障定位方法,其特征在于,所述步骤103)进一步包含:
步骤103-1)计算各待选测试节点的区别度因子,并依据得到区别度因子的值按从大到小顺序将待选测试节点进行重新排序;
步骤103-2)初始化最优测试节点集N*为空,并标记重排序后的待选测试节点的集合为P={P0,P1,…,Pk},同时初始化参数i的取值为i=1,其中i的取值范围为:i=1,…,K,其中,K为待测试节点的总个数;
步骤103-3)从待选测试节点的集合中选择节点Pi,对该节点Pi的故障特征数据集进行故障归类计算;
并根据所有测试样本的计算结果,计算该测试节点Pi的故障隔离组和故障隔离度
判别子模块,用于验证集合N*与测试节点Pi的故障隔离组的并集隔离度是否成立,如果等式满足,则将测试节点Pi添加至验证集合N*,并转入步骤103-4);如果则舍弃测试节点Pi并设置参数i的值为:i=i+1,转入步骤103-3);否则,将测试Pi添加至验证集合N*,转入步骤103-3);
步骤103-4)当选择的最优测试节点能够区分所有故障,则最优节点集合的筛选过程结束。
10.根据权利要求9所述的基于电路网络和图搜索的电路板故障定位方法,其特征在于,采用如下方法获得区别度因子的值:
定义第i个测试节点第j类故障样本的类内距离dij为:
其中,m,n=1,2,…,N,m≠n;i=1,2,…,K;j=1,2,…,M,m和n的含义为(m和n:大于1且为自然数);N为样本个数,K为测试节点总个数,M为故障类总个数,Pij(m),Pij(n)分别表示第i个测试点第j类故障对于第m个和第n个样本的特征值;
第i个测试节点M个类的类内距离的平均值Di为:
第i个测试节点第j类故障的N个样本的平均值qij:
第i个测试点的M个类的类间距离的平均值D′i为:
其中,μ,ω=1,2,…,M,μ≠ω;qiμ,qiω分别表示第i个测试点的第μ个和第ω个类的N个样本的平均值;
定义测试节点i的区别度αi为:
αi=(D′i/Di)·(min(Rbi)/max(Rwi))(5)
其中,min(Rbi)和max(Rwi)分别表示第i个测试节点样本数据的最小类间离散值和最大类内离散值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511000975.5A CN105652182B (zh) | 2015-12-28 | 2015-12-28 | 一种基于电路网络和图搜索的电路板故障定位***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511000975.5A CN105652182B (zh) | 2015-12-28 | 2015-12-28 | 一种基于电路网络和图搜索的电路板故障定位***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105652182A true CN105652182A (zh) | 2016-06-08 |
CN105652182B CN105652182B (zh) | 2018-10-02 |
Family
ID=56476966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511000975.5A Active CN105652182B (zh) | 2015-12-28 | 2015-12-28 | 一种基于电路网络和图搜索的电路板故障定位***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105652182B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106526460A (zh) * | 2016-12-29 | 2017-03-22 | 北京航天测控技术有限公司 | 一种电路故障定位方法及装置 |
CN111814289A (zh) * | 2020-09-08 | 2020-10-23 | 成都同飞科技有限责任公司 | 一种基于图式理论的供水管网爆管分析方法及分析*** |
CN116736091A (zh) * | 2023-08-10 | 2023-09-12 | 湖南遥光科技有限公司 | 电子***测试点扩展方法及***、故障诊断方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4114093A (en) * | 1976-12-17 | 1978-09-12 | Everett/Charles, Inc. | Network testing method and apparatus |
CN101533061A (zh) * | 2009-04-09 | 2009-09-16 | 浙江大学 | 基于稀疏pmu配置的大型输电网络故障定位方法 |
CN101714184A (zh) * | 2009-11-20 | 2010-05-26 | 北京航空航天大学 | 一种电路板级电磁兼容敏感度行为级建模*** |
US20100229132A1 (en) * | 2009-03-06 | 2010-09-09 | Synopsys, Inc. | Statistical formal activity analysis with consideration of temporal and spatial correlations |
CN102520341A (zh) * | 2011-12-05 | 2012-06-27 | 南京航空航天大学 | 一种基于Bayes-KFCM算法的模拟电路故障诊断方法 |
CN102565623A (zh) * | 2011-12-21 | 2012-07-11 | 北京交通大学 | 一种多分支复杂配电网在线故障搜索定位的方法和装置 |
CN103728551A (zh) * | 2013-01-30 | 2014-04-16 | 中国人民解放军海军航空工程学院 | 一种基于级联集成分类器的模拟电路故障诊断方法 |
-
2015
- 2015-12-28 CN CN201511000975.5A patent/CN105652182B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4114093A (en) * | 1976-12-17 | 1978-09-12 | Everett/Charles, Inc. | Network testing method and apparatus |
US20100229132A1 (en) * | 2009-03-06 | 2010-09-09 | Synopsys, Inc. | Statistical formal activity analysis with consideration of temporal and spatial correlations |
CN101533061A (zh) * | 2009-04-09 | 2009-09-16 | 浙江大学 | 基于稀疏pmu配置的大型输电网络故障定位方法 |
CN101714184A (zh) * | 2009-11-20 | 2010-05-26 | 北京航空航天大学 | 一种电路板级电磁兼容敏感度行为级建模*** |
CN102520341A (zh) * | 2011-12-05 | 2012-06-27 | 南京航空航天大学 | 一种基于Bayes-KFCM算法的模拟电路故障诊断方法 |
CN102565623A (zh) * | 2011-12-21 | 2012-07-11 | 北京交通大学 | 一种多分支复杂配电网在线故障搜索定位的方法和装置 |
CN103728551A (zh) * | 2013-01-30 | 2014-04-16 | 中国人民解放军海军航空工程学院 | 一种基于级联集成分类器的模拟电路故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
赵鹏等: "基于敏感度因子与故障隔离度的模拟电路测点选择", 《传感器与微***》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106526460A (zh) * | 2016-12-29 | 2017-03-22 | 北京航天测控技术有限公司 | 一种电路故障定位方法及装置 |
CN106526460B (zh) * | 2016-12-29 | 2019-06-04 | 北京航天测控技术有限公司 | 一种电路故障定位方法及装置 |
CN111814289A (zh) * | 2020-09-08 | 2020-10-23 | 成都同飞科技有限责任公司 | 一种基于图式理论的供水管网爆管分析方法及分析*** |
CN116736091A (zh) * | 2023-08-10 | 2023-09-12 | 湖南遥光科技有限公司 | 电子***测试点扩展方法及***、故障诊断方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN105652182B (zh) | 2018-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105760296B (zh) | 自动化测试控制方法、装置及终端 | |
CN102156255B (zh) | 用于测试印刷电路板上的连接的方法及装置 | |
US5157668A (en) | Method and apparatus for locating faults in electronic units | |
US6324665B1 (en) | Event based fault diagnosis | |
US4242751A (en) | Automatic fault-probing method and apparatus for checking electrical circuits and the like | |
CN105022691B (zh) | 一种基于uml图的高度自动化软件测试方法 | |
CN102169846B (zh) | 一种在集成电路晶圆测试过程中实现多维变量密码并行写入的方法 | |
CN105068929A (zh) | 测试脚本生成方法和装置、测试方法、测试装置以及测试*** | |
CN103308846B (zh) | 一种基于模型识别的集成芯片功能性能检测方法和装置 | |
CN104898042B (zh) | 产生特征化扫描样本的方法与装置 | |
CN113759200B (zh) | 一种基于图像处理的数字插件通用自动测试*** | |
CN103744415B (zh) | 地铁cbtc***测试方法及装置 | |
US20140058699A1 (en) | Information processing apparatus, test data generating apparatus, and test data generating method | |
CN103218297B (zh) | 测试数据的筛选方法及装置 | |
CN109491922A (zh) | 一种基于模型驱动的测试方法和装置 | |
CN105652182A (zh) | 一种基于电路网络和图搜索的电路板故障定位***及方法 | |
CN106646315A (zh) | 一种数字测量仪器的自动测试***及其测试方法 | |
CN106526460B (zh) | 一种电路故障定位方法及装置 | |
CN105334451A (zh) | 边界扫描测试*** | |
CN107741909A (zh) | 一种用于分布式块存储的自动化测试方法及*** | |
CN101894073B (zh) | 基于控制流交集的缺陷自动定位装置及其自动定位方法 | |
CN108804298B (zh) | 一种用于scada***响应时间测试的装置 | |
CN109165155B (zh) | 一种基于聚类分析的软件缺陷修复模板提取方法 | |
CN107346128A (zh) | 用于锁控板的自动化测试方法和*** | |
CN103165405A (zh) | 一种通过gpib接口实时生成多维变量密码方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |