《電子技術應用》
您所在的位置:首頁 > 嵌入式技術 > 設計應用 > 大規(guī)模集成電路模塊級云-小波故障診斷
大規(guī)模集成電路模塊級云-小波故障診斷
2014年電子技術應用第12期
孫寰勇,,殷 順,,劉春梅,余漢華
(中機國能電力工程有限公司,上海200061)
摘要: 隨著集成電路的結構功能模塊化,,元件級診斷已沒有必要,且容差特性將導致累積誤差缺陷,。對此提出一種云模型嵌套小波網絡的大規(guī)模集成電路故障診斷方法,。采集網絡撕裂后的模塊化集成電路狀態(tài)信息,用正向云模型對采集量歸一化預處理作為小波網絡數據量輸入,,經訓練后的輸出數據組逆云化處理,,得出辨識明晰的診斷結果。例證說明,,該方法提高了集成電路的故障診斷精度,。
中圖分類號: TN710
文獻標識碼: A
文章編號: 0258-7998(2014)12-0033-03
The cloud-wavelet fault diagnosis of modular large scale integrated circuit
Sun Huanyong,Yin Shun,,Liu Chunmei,,Yu Hanhua
(ChinaSinogy Electric Engineering Co.,Ltd.,Shanghai 200061,,China)
Abstract: With the structure function of integrated circuit is modularized, unit diagnosis is unnecessary, and the module has error tolerance character. The paper presents a large-scale integrated circuit fault diagnosis method with cloud model nested wavelet neural network. The modularized integrated circuit state information is collected after network decomposition, the forward cloud model is used to normalized preprocess the acquisition volume as the data input, the output data set after training get inversed cloud process and the obtained diagnosis results can be clearly identified. The examples prove that the method raised in the paper improves the accuracy of fault diagnosis of integrated circuit.
Key words : forward cloud,;inverse cloud processing;network decomposition method,;large-scale integrated circuit,;fault diagnosis

0 引言

  大規(guī)模集成電路的測試診斷已從傳統(tǒng)診斷方法衍伸到智能領域,群體算法,、小波技術,、模糊控制并受到該領域學者的廣泛推崇。但由于電路規(guī)模日益功能化和模塊化,,伴隨的電磁干擾和容差性能使得電路的測試診斷容易誤診斷,。準確的模塊級故障定位和辨識明晰的診斷結果是工程迫切需要解決的課題,也是理論走向實際應用的關鍵步驟[1-5],?;诖耍疚耐ㄟ^網絡撕裂大規(guī)模集成電路,,利用云模型實現(xiàn)容差模塊定性定量間的轉化,,更好地實現(xiàn)診斷精度的提高,防止誤診斷,。

  首先對大規(guī)模集成電路進行網絡撕裂成模塊化小電路,,利用正向云模型把提取能量特征預處理,作為網絡輸入向量,,用最優(yōu)小波網絡來測試訓練輸出量,,再逆向云處理,實現(xiàn)了任務的精確辨識,。通過將此方法與傳統(tǒng)小波網絡方法對比,,能明顯得出本文方法的優(yōu)越性。

1 云-小波模型

  李德毅教授提出的云是基于傳統(tǒng)概率論和模糊集理論,,解決定性定量間不確定性關系的模型,。設論域集合U={x},T是集合U相關聯(lián)的語言表達值,。集合U中的某元素x對應于T所表達出定性概念的隸屬度CT(x)具有穩(wěn)定傾向的隨機性變量數,,CT(x)在論域范圍上的分布稱為隸屬云。CT(x)的取值范圍在區(qū)間[0,,1]上,,隸屬云是從論域集合C={x}到區(qū)間[0,1]的一對多映射,,即:

  CT(x):  U→[0,,1],,  x∈U,  x→CT(x)

  云數字特征用期望Ex,、熵En和超熵He 3個數值來表征,。(Ex,En,,He)是描述云概念的數值特征基礎。圖1能全面的反應3個數值特征量(Ex,,En,,He)性質。

  用帶X條件正向云對象和帶Y條件逆向云對象構造規(guī)則云發(fā)生器,, 定性規(guī)則表示為:

  If  A  then  B

001.jpg

  如圖2所示,,A、B為語言值表示的對象,。CGA表示對應輸入語言值A的帶X條件的云對象,,CGB表示對應輸入語言值B的帶Y條件的云對象。當輸入某一特定的X刺激前件CGA時,,隨機產生一組?值,。又控制輸出CGB定量產生一組隨機云滴drop(xi,i),。正態(tài)云發(fā)生器是用確定的語言值表述的某個定性與其定量表示間不確定轉化模型,,從定性到定量的一個正反饋偽映射;逆向云發(fā)生器實現(xiàn)從定量數據到定性語言值的不確定性轉換,,即實現(xiàn)從定量到定性映射,,將定量精確數據轉換為定性語言值(Ex,En,,He)表示的概念反映的云滴的整體,。

002.jpg

  云模型與小波網絡的結合,是指整個系統(tǒng)由云模型和小波網絡構成,,兩者直接相連,,但卻又相對獨立,如圖3所示,。云模糊邏輯化作為小波網絡的前置處理手段,,為小波網絡提供輸入特征向量,即信號經云化后,,再輸入給小波網絡以完成分類,、函數比較等功能,最后送入逆云化處理得出最終診斷數據,。

003.jpg

  云模型的小波神經網絡結構如圖4所示,。在輸入層中有p個輸入,,即一次輸入含有p個估計元素的輸入序列;云化層包含p個X正態(tài)云發(fā)生器,,形成的云滴drop(xi,,i)輸入到包含m個小波基神經元的隱含層;擬合后進入逆云化層,;逆云化層包含q個Y正態(tài)云發(fā)生器,,逆云化后輸出q個估計值。ij是云化層的神經元i到隱含層的神經元j之間的權值,,jk為隱含層的神經元j到逆云化層的神經元k之間的權值,;代表隱含層的小波基函數,其中aj,、bj分別是小波基的伸縮因子和平移因子,,j、k分別是隱含層和逆云化層的網絡閾值,。由圖4可知,,在云化層和逆云化處理層中,都要用到相應參數的數字特征(Ex,,En,,He),因此在對網絡進行訓練之前,,需要用X逆云算法求出各參數的數字特征值,。

  本文小波網絡轉移函數采用morlet小波,即:

  14.png

  設定上式中包含所有參數的集合?茲,,輸入層為p個序列值組成的時間序列,,即[xk,xk-1,,…,,xk-p+1],輸出層為k+l個序列值的預測值dropk+l,。

  以預測均方誤差函數方程作為迭代目標函數C:

  510.jpg

  綜上完成了云-小波網絡結構的實現(xiàn),,以正向云實現(xiàn)了數據的預處理,而逆向云又實現(xiàn)了數據的定性到定量的轉化[6],。

2 網絡撕裂法

  大規(guī)模電路網絡撕裂法根據需要將網絡撕裂成模塊化小電路,,進而進行模塊量級故障定位。對于網絡N,,由結構功能分析,,網絡可劃分成n個模塊Ai(i=1,2,,…,,n),,Ai模塊是網絡N子網絡,如圖5所示,。Ai用點來表示,,模塊與模塊之間的相互關聯(lián)用線段表示,實現(xiàn)了撕裂關聯(lián)診斷圖TG表達,。

004.jpg

  對網絡N進行撕裂,,子網絡集為N1(A1,A2,,A5),,…,N3(A6,,An-1,,An)等,,對子網絡集Ni等進行邏輯診斷,。構造對應于Ai的判斷邏輯值,其元素為“0”或“1”,。子網絡Aj在撕裂時,,“0”被判為無故障,若有故障則為“l(fā)”,。由此可推斷出模塊的故障定位,。

3 診斷實例

  以視頻放大電路圖進行模塊化撕裂后如圖6顯示。

005.jpg

  測試故障設定A1A7模塊同時故障,。正常節(jié)點電壓和故障電路的節(jié)點電壓見表1,。

008.jpg

  云小波網絡采用5層結構,輸出層神經元個數為4,,小波網絡輸入層神經元個數為7,,經訓練完成后對電路故障分別進行測試。網絡輸出結果見表2,。

  設定A1 A7同時故障,,取(A1,A2,,A3),,(A4,A5,,A9),,(A6,A10,,A11),,(A7,,A8,A12)為診斷模塊,。表2可見,,傳統(tǒng)診斷方法判斷邏輯信號模糊,出現(xiàn)粘滯現(xiàn)象,,在模塊(A6,,A10,A11)的A6上0.596 3數據處理不明顯,,易出現(xiàn)誤判斷,,而云-小波方法恰恰能解決這些問題。圖7,、圖8也證實了表2的處理情況,,在同等條件下,云-小波方法的誤判斷概率誤差小,。

4 結論

  本文利用云模型與小波網絡相結合形成的模擬電路故障診斷方法,,改變了傳統(tǒng)小波分析的預處理信號方式,以云模型的定性定量間的良好轉換特性,,實現(xiàn)了容差數據的智能化處理,。再結合網絡撕裂方法從模塊級分析故障,從而提高故障診斷能力,。理論和實踐均表明,,引入的云模型小波網絡對模擬電路進行故障診斷比傳統(tǒng)小波網絡效果更好,且模塊級診斷更符合現(xiàn)代科技發(fā)展的趨勢,。

參考文獻

  [1] 楊士元.模擬系統(tǒng)的故障診斷與可靠性設計[M]. 北京:清華大學出版社,,1993.

  [2] AMINIAN M,AMINIAN F.Neural network basedanalog-circuit fault diagnosis using wavelet transform as preprocessor[J].IEEE Trans.Circuits.Syst.-Ⅱ,,2000,,44(3):151-156.

  [3] 劉美容,何怡剛,,方葛豐,,等.遺傳小波神經網絡在模擬電路故障診斷中的應用[J].湖南大學學報,2009,,36(3):40-44.

  [4] 羅克龍,,何怡剛,祝文姬,,等.大規(guī)模直流模擬電路軟故障區(qū)間診斷方法[J].計算機輔助設計與圖形學學報,,2012,24(2):271-278.

  [5] 譚陽紅,,何怡剛,,陳洪云,,等.大規(guī)模電路故障診斷神經網絡方法[J].電路與系統(tǒng)學報,200l,,6(4):25-28.

  [6] 劉常昱,,馮芒.基于云X信息的逆向云新算法[J].系統(tǒng)仿真學報,2004,,16(11):2417-2420.


此內容為AET網站原創(chuàng),,未經授權禁止轉載。