基于電流測試的混合電路故障診斷

摘要：在運用小波神經(jīng)網(wǎng)絡(luò )進(jìn)行混合電路故障診斷的過(guò)程中，測試參數的選取至關(guān)重要。研究了一種基于電流測試的故障診斷。該方法即通過(guò)PSPICE模擬電路的靜態(tài)及動(dòng)態(tài)電流信息，再通過(guò)小波神經(jīng)網(wǎng)絡(luò )的結合，證明了該方法在混合電路故障診斷中的可行性，為提高混合電路的故障診斷率提供了一種新的方法。
關(guān)鍵詞：小波神經(jīng)網(wǎng)絡(luò )；混合電路；電流測試；故障診斷

0 引言
隨著(zhù)電子技術(shù)的飛速發(fā)展和制造工藝的不斷提高，使得電路的復雜程度不斷增加，芯片尺寸日益減小，使得系統級芯片上集成了越來(lái)越多的混合信號電路，而不再是單單的數字電路或者模擬電路。由于數模兩種電路的測試方法不同，傳統的測試已經(jīng)不能滿(mǎn)足發(fā)展的需求，這給儀器設備的設計者、使用者、維護者帶來(lái)了前所未有的挑戰，也使得數／?；旌闲盘栯娐返臋z測日益受到業(yè)內人士的高度重視。本文提出的基于電流測試的混合電路故障診斷正是在這樣的背景下提出的。

1 電流測試的理論知識
電流測試就是指通過(guò)測量電源電流并從中有效提取電路的故障信息，最終實(shí)現對電路故障的檢測與定位。包括靜態(tài)電流測試技術(shù)IDDQ和動(dòng)態(tài)電流測試技術(shù)IDDT。
電路正常工作時(shí)，靜態(tài)電流非常小，但是存在缺陷的電路靜態(tài)電流非常大，所以當檢測到電路中的靜態(tài)電流出現異常，即可判定電路出現了故障。這也正是IDDQ測試的原理。但是，CMOS電路中某些故障，如開(kāi)路故障等，并不引起靜態(tài)電流的異常。因此，有必要在此引進(jìn)動(dòng)態(tài)電流測試。本文也正是基于此考慮了靜態(tài)電流和動(dòng)態(tài)電流測試的結合，而并非單純的靜態(tài)電流測試。IDDT是一個(gè)短暫導通的電流，即CMOS電路狀態(tài)轉換過(guò)程中，PMOS晶體管和NMOS晶體管同時(shí)導通，使得在電源與地之間形成了一個(gè)導通電路，如圖1所示。由于IDDT是電路在動(dòng)態(tài)轉換過(guò)程中電流的變化情況，因此IDDQ的大小并不影響它的結果。所以，這也避免了深亞微米電路不斷增長(cháng)的靜態(tài)漏電流對測試的影響。本文正是研究?jì)烧叩慕Y合在混合電路故障診斷中的重要意義。

2 小波神經(jīng)網(wǎng)絡(luò )對混合電路故障診斷
小波神經(jīng)網(wǎng)絡(luò )(Wavelet Neural Network)是小波分析理論與人工神經(jīng)網(wǎng)絡(luò )ANN理論相結合。目前，二者的結合有如下兩種途徑：
(1)松散型結合。即小波分析作為神經(jīng)網(wǎng)絡(luò )的前置處理手段，為神經(jīng)網(wǎng)絡(luò )提供輸入特征向量。
(2)緊致型結合。小波和神經(jīng)網(wǎng)絡(luò )直接融合，即小波函數和尺度函數形成神經(jīng)元。
本文采用松散型的小波與神經(jīng)網(wǎng)絡(luò )的結合。先通過(guò)PSPICE進(jìn)行正常電路與故障電路建模仿真，提取靜態(tài)電流IDDQ和動(dòng)態(tài)電流IDDT參數，并在Matlab中運用小波分析對所得到的電流進(jìn)行特征提取，并結合神經(jīng)網(wǎng)絡(luò )進(jìn)行具體分析。步驟如下：
(1)參數的提取。在PSPICE中提取正常電路及具有橋接故障、開(kāi)路故障等多種故障電路的電流信息。
(2)小波分析。對(1)中得到的電流信息在Matlab中進(jìn)行小波分解，提取小波系數，并進(jìn)一步計算RMS。
(3)故障定位。將小波分析與BP神經(jīng)網(wǎng)絡(luò )結合，分析判斷其定位效果，具體步驟如圖2所示。

3 混合電路故障診斷實(shí)例
在PSPICE中用以7404與共集電極放大電路組成的混合電路進(jìn)行故障模型的研究，其電路模型如圖3所示。通過(guò)靈敏度分析可知R1，R2，R5，C1對于電路的影響較大。在電路中設置4個(gè)橋接故障、4個(gè)開(kāi)路故障，如表1所示。雖然生產(chǎn)過(guò)程中導致電路缺陷各式各樣，但根據各種缺陷的失效機理，可以采用各種各樣的故障模型來(lái)等效。本文對于橋接故障，采用在橋接點(diǎn)之間連接一個(gè)電阻建立故障模型，阻值分別取10 Ω，1 kΩ和1 MΩ來(lái)對應相對小、近似相等、相對大。而對于開(kāi)路故障，采用在開(kāi)路點(diǎn)接入10 MΩ點(diǎn)電阻來(lái)建立故障模型。

3．1 IDDQ在混合電路故障檢測中的應用
在PSPICE中對各個(gè)故障模型進(jìn)行仿真，可以很容易得出靜態(tài)電流值。IDDQ對于混合電路的橋接故障可以很明顯地看出漏電流的區別，但是它卻檢測不出開(kāi)路故障。
3．2 IDDT在混合電路故障檢測中的應用
對于在PSPICE中得到的正常電路及開(kāi)路故障動(dòng)態(tài)電流信息，在Matlab中進(jìn)行5層小波變換，得出小波系數。再通過(guò)均方根誤差來(lái)體現它們之間的差別。均方根誤差用式(1)來(lái)定義：

式中：Fi為開(kāi)路故障的小波系數；Gi為正常電路的小波系數；N為小波系數的個(gè)數。通過(guò)式(1)得出RMS的值，見(jiàn)表2。

所以，通過(guò)前面兩節的分析可以看出，靜態(tài)電流測試和動(dòng)態(tài)電流測試的結合可以明顯地提高混合電路的故障覆蓋率，為今后進(jìn)行混合電路故障診斷起到了一定的指導意義。
3．3 小波特征提取與BP神經(jīng)網(wǎng)絡(luò )的結合
(1)能量特征的提取。電路的電流信息進(jìn)行5層小波分解，得到高頻小波分解系數及低頻小波分解系數向量(d5，…，d1，a5)。其中，高頻系數的提取在Matlab中用detcoef函數，而低頻系數提取足采用appcoef函數。再把各系數向量組合成能量特征向量：
F=(Ed5…Ed1，Ea5)
(2)確定BP神經(jīng)網(wǎng)絡(luò )結構和參數。BP神經(jīng)網(wǎng)絡(luò )輸入神經(jīng)元個(gè)數由測試節點(diǎn)決定；隱層個(gè)數可通過(guò)“試湊法”和式(2)粗略地估計。

式中：m，n和l分別為隱層節點(diǎn)數、輸入節點(diǎn)數、輸出節點(diǎn)數；a為1～10之間不確定的數。
經(jīng)過(guò)反復試驗，本文的BP神經(jīng)網(wǎng)絡(luò )結果為6-7-4。
(3)訓練BP神經(jīng)網(wǎng)絡(luò )。電路仿真時(shí)進(jìn)行20次Monte Carlo分析產(chǎn)生20個(gè)樣本，其中10個(gè)為訓練樣本．另外10個(gè)測試樣本。本文總共要進(jìn)行4組訓練。網(wǎng)絡(luò )訓練誤差曲線(xiàn)如圖4所示。從圖中可以知道，網(wǎng)絡(luò )經(jīng)過(guò)4432步訓練達到了目標誤差。

(4)對BP神經(jīng)網(wǎng)絡(luò )進(jìn)行測試，以檢驗已訓練的BP神經(jīng)網(wǎng)絡(luò )。結果如表3所示，本文的小波神經(jīng)網(wǎng)絡(luò )檢測率達到了95％。

4 結論及展望
傳統的故障診斷方法如故障字典、基于靈敏度的分析法、子網(wǎng)絡(luò )撕裂法等能解決一些測試和診斷。但是，隨著(zhù)混合信號電路的廣泛應用，高可靠性對故障診斷提出了更高的要求。通過(guò)本課題，首先知道了靜態(tài)電流測試和動(dòng)態(tài)電流測試相結合，可以明顯提高混合電路的故障覆蓋率；其次，小波神經(jīng)網(wǎng)絡(luò )的結合對于故障的定位明顯優(yōu)于單一神經(jīng)網(wǎng)絡(luò )的方法。從最新的文獻資料中，也可以清晰地知道將兩種或多種故障診斷方法相結合已經(jīng)成為了混合電路故障診斷的一個(gè)發(fā)展趨勢。
雖然本課題提高了混合電路的故障診斷率，但是測試向量的生產(chǎn)、混合電路的統一建模、測試響應的統一分析等對于混合電路故障診斷仍是一個(gè)嚴峻的挑戰。