文獻(xiàn)標(biāo)識(shí)碼: A
文章編號(hào): 0258-7998(2014)12-0033-03
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.