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(lǐng)域，群體算法,、小波技術(shù),、模糊控制并受到該領(lǐng)域?qū)W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(zhǔn)確的模塊級(jí)故障定位和辨識(shí)明晰的診斷結(jié)果是工程迫切需要解決的課題，也是理論走向?qū)嶋H應(yīng)用的關(guān)鍵步驟[1-5],?；诖耍疚耐ㄟ^網(wǎng)絡(luò)撕裂大規(guī)模集成電路,，利用云模型實(shí)現(xiàn)容差模塊定性定量間的轉(zhuǎn)化,，更好地實(shí)現(xiàn)診斷精度的提高，防止誤診斷,。

　　首先對(duì)大規(guī)模集成電路進(jìn)行網(wǎng)絡(luò)撕裂成模塊化小電路,，利用正向云模型把提取能量特征預(yù)處理，作為網(wǎng)絡(luò)輸入向量,，用最優(yōu)小波網(wǎng)絡(luò)來測試訓(xùn)練輸出量,，再逆向云處理，實(shí)現(xiàn)了任務(wù)的精確辨識(shí),。通過將此方法與傳統(tǒng)小波網(wǎng)絡(luò)方法對(duì)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(guān)系的模型,。設(shè)論域集合U={x},，T是集合U相關(guān)聯(lián)的語言表達(dá)值。集合U中的某元素x對(duì)應(yīng)于T所表達(dá)出定性概念的隸屬度CT(x)具有穩(wěn)定傾向的隨機(jī)性變量數(shù),，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(duì)多映射，即：

　　CT(x)：  U→[0,，1],，  x∈U，  x→CT(x)

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

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

　　If  A  then  B

　　如圖2所示,，A、B為語言值表示的對(duì)象,。CGA表示對(duì)應(yīng)輸入語言值A(chǔ)的帶X條件的云對(duì)象,，CGB表示對(duì)應(yīng)輸入語言值B的帶Y條件的云對(duì)象。當(dāng)輸入某一特定的X刺激前件CGA時(shí),，隨機(jī)產(chǎn)生一組?值,。又控制輸出CGB定量產(chǎn)生一組隨機(jī)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(gè)定性與其定量表示間不確定轉(zhuǎn)化模型,，從定性到定量的一個(gè)正反饋偽映射；逆向云發(fā)生器實(shí)現(xiàn)從定量數(shù)據(jù)到定性語言值的不確定性轉(zhuǎn)換,，即實(shí)現(xiàn)從定量到定性映射,，將定量精確數(shù)據(jù)轉(zhuǎn)換為定性語言值(Ex，En,，He)表示的概念反映的云滴的整體,。

　　云模型與小波網(wǎng)絡(luò)的結(jié)合,，是指整個(gè)系統(tǒng)由云模型和小波網(wǎng)絡(luò)構(gòu)成，兩者直接相連,，但卻又相對(duì)獨(dú)立,，如圖3所示。云模糊邏輯化作為小波網(wǎng)絡(luò)的前置處理手段,，為小波網(wǎng)絡(luò)提供輸入特征向量,，即信號(hào)經(jīng)云化后，再輸入給小波網(wǎng)絡(luò)以完成分類,、函數(shù)比較等功能,，最后送入逆云化處理得出最終診斷數(shù)據(jù)。

　　云模型的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示,。在輸入層中有p個(gè)輸入,，即一次輸入含有p個(gè)估計(jì)元素的輸入序列；云化層包含p個(gè)X正態(tài)云發(fā)生器,，形成的云滴drop(xi,，i)輸入到包含m個(gè)小波基神經(jīng)元的隱含層；擬合后進(jìn)入逆云化層,；逆云化層包含q個(gè)Y正態(tài)云發(fā)生器,，逆云化后輸出q個(gè)估計(jì)值。ij是云化層的神經(jīng)元i到隱含層的神經(jīng)元j之間的權(quán)值,，jk為隱含層的神經(jīng)元j到逆云化層的神經(jīng)元k之間的權(quán)值,；代表隱含層的小波基函數(shù)，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(wǎng)絡(luò)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(yīng)參數(shù)的數(shù)字特征(Ex,，En,，He)，因此在對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前,，需要用X逆云算法求出各參數(shù)的數(shù)字特征值,。

　　本文小波網(wǎng)絡(luò)轉(zhuǎn)移函數(shù)采用morlet小波，即：

　　設(shè)定上式中包含所有參數(shù)的集合?茲,，輸入層為p個(gè)序列值組成的時(shí)間序列,，即[xk，xk-1,，…,，xk-p+1],，輸出層為k+l個(gè)序列值的預(yù)測值dropk+l。

　　以預(yù)測均方誤差函數(shù)方程作為迭代目標(biāo)函數(shù)C：

　　綜上完成了云-小波網(wǎng)絡(luò)結(jié)構(gòu)的實(shí)現(xiàn),，以正向云實(shí)現(xiàn)了數(shù)據(jù)的預(yù)處理,，而逆向云又實(shí)現(xiàn)了數(shù)據(jù)的定性到定量的轉(zhuǎn)化[6]。

2 網(wǎng)絡(luò)撕裂法

　　大規(guī)模電路網(wǎng)絡(luò)撕裂法根據(jù)需要將網(wǎng)絡(luò)撕裂成模塊化小電路,，進(jìn)而進(jìn)行模塊量級(jí)故障定位,。對(duì)于網(wǎng)絡(luò)N，由結(jié)構(gòu)功能分析,，網(wǎng)絡(luò)可劃分成n個(gè)模塊Ai(i=1,，2，…,，n),，Ai模塊是網(wǎng)絡(luò)N子網(wǎng)絡(luò)，如圖5所示,。Ai用點(diǎn)來表示,，模塊與模塊之間的相互關(guān)聯(lián)用線段表示，實(shí)現(xiàn)了撕裂關(guān)聯(lián)診斷圖TG表達(dá),。

　　對(duì)網(wǎng)絡(luò)N進(jìn)行撕裂,，子網(wǎng)絡(luò)集為N1(A1，A2,，A5),，…，N3(A6,，An-1,，An)等，對(duì)子網(wǎng)絡(luò)集Ni等進(jìn)行邏輯診斷,。構(gòu)造對(duì)應(yīng)于Ai的判斷邏輯值,，其元素為“0”或“1”,。子網(wǎng)絡(luò)Aj在撕裂時(shí),，“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(shí)例

　　以視頻放大電路圖進(jìn)行模塊化撕裂后如圖6顯示。

　　測試故障設(shè)定A1A7模塊同時(shí)故障,。正常節(jié)點(diǎn)電壓和故障電路的節(jié)點(diǎn)電壓見表1,。

　　云小波網(wǎng)絡(luò)采用5層結(jié)構(gòu)，輸出層神經(jīng)元個(gè)數(shù)為4,，小波網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)為7,，經(jīng)訓(xùn)練完成后對(duì)電路故障分別進(jìn)行測試,。網(wǎng)絡(luò)輸出結(jié)果見表2。

　　設(shè)定A1 A7同時(shí)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(hào)模糊，出現(xiàn)粘滯現(xiàn)象,，在模塊(A6,，A10，A11)的A6上0.596 3數(shù)據(jù)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(shí)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(jié)論

　　本文利用云模型與小波網(wǎng)絡(luò)相結(jié)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(yù)處理信號(hào)方式，以云模型的定性定量間的良好轉(zhuǎn)換特性,，實(shí)現(xiàn)了容差數(shù)據(jù)的智能化處理,。再結(jié)合網(wǎng)絡(luò)撕裂方法從模塊級(jí)分析故障，從而提高故障診斷能力,。理論和實(shí)踐均表明,，引入的云模型小波網(wǎng)絡(luò)對(duì)模擬電路進(jìn)行故障診斷比傳統(tǒng)小波網(wǎng)絡(luò)效果更好，且模塊級(jí)診斷更符合現(xiàn)代科技發(fā)展的趨勢(shì),。

參考文獻(xiàn)

　　[1] 楊士元.模擬系統(tǒng)的故障診斷與可靠性設(shè)計(jì)[M]. 北京：清華大學(xué)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(jīng)網(wǎng)絡(luò)在模擬電路故障診斷中的應(yīng)用[J].湖南大學(xué)學(xué)報(bào),，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(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),，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(jīng)網(wǎng)絡(luò)方法[J]．電路與系統(tǒng)學(xué)報(bào)，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(xué)報(bào)，2004,，16（11）：2417-2420.