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)絡進行混合電路故障診斷的過程中，測試參數(shù)的選取至關重要。研究了一種基于電流測試的故障診斷。該方法即通過PSPICE模擬電路的靜態(tài)及動態(tài)電流信息，再通過小波神經(jīng)網(wǎng)絡的結(jié)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。
關鍵詞：小波神經(jīng)網(wǎng)絡；混合電路；電流測試；故障診斷

0 引言
隨著電子技術的飛速發(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(tǒng)級芯片上集成了越來越多的混合信號電路，而不再是單單的數(shù)字電路或者模擬電路。由于數(shù)模兩種電路的測試方法不同，傳統(tǒng)的測試已經(jīng)不能滿足發(fā)展的需求，這給儀器設備的設計者、使用者、維護者帶來了前所未有的挑戰(zhàn)，也使得數(shù)／?；旌闲盘栯娐返臋z測日益受到業(yè)內(nèi)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測量電源電流并從中有效提取電路的故障信息，最終實現(xiàn)對電路故障的檢測與定位。包括靜態(tài)電流測試技術IDDQ和動態(tài)電流測試技術IDDT。
電路正常工作時，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(xiàn)異常，即可判定電路出現(xiàn)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，有必要在此引進動態(tài)電流測試。本文也正是基于此考慮了靜態(tài)電流和動態(tài)電流測試的結(jié)合，而并非單純的靜態(tài)電流測試。IDDT是一個短暫導通的電流，即CMOS電路狀態(tài)轉(zhuǎn)換過程中，PMOS晶體管和NMOS晶體管同時導通，使得在電源與地之間形成了一個導通電路，如圖1所示。由于IDDT是電路在動態(tài)轉(zhuǎn)換過程中電流的變化情況，因此IDDQ的大小并不影響它的結(jié)果。所以，這也避免了深亞微米電路不斷增長的靜態(tài)漏電流對測試的影響。本文正是研究兩者的結(jié)合在混合電路故障診斷中的重要意義。

2 小波神經(jīng)網(wǎng)絡對混合電路故障診斷
小波神經(jīng)網(wǎng)絡(Wavelet Neural Network)是小波分析理論與人工神經(jīng)網(wǎng)絡ANN理論相結(jié)合。目前，二者的結(jié)合有如下兩種途徑：
(1)松散型結(jié)合。即小波分析作為神經(jīng)網(wǎng)絡的前置處理手段，為神經(jīng)網(wǎng)絡提供輸入特征向量。
(2)緊致型結(jié)合。小波和神經(jīng)網(wǎng)絡直接融合，即小波函數(shù)和尺度函數(shù)形成神經(jīng)元。
本文采用松散型的小波與神經(jīng)網(wǎng)絡的結(jié)合。先通過PSPICE進行正常電路與故障電路建模仿真，提取靜態(tài)電流IDDQ和動態(tài)電流IDDT參數(shù)，并在Matlab中運用小波分析對所得到的電流進行特征提取，并結(jié)合神經(jīng)網(wǎng)絡進行具體分析。步驟如下：
(1)參數(shù)的提取。在PSPICE中提取正常電路及具有橋接故障、開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中進行小波分解，提取小波系數(shù)，并進一步計算RMS。
(3)故障定位。將小波分析與BP神經(jīng)網(wǎng)絡結(jié)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例
在PSPICE中用以7404與共集電極放大電路組成的混合電路進行故障模型的研究，其電路模型如圖3所示。通過靈敏度分析可知R1，R2，R5，C1對于電路的影響較大。在電路中設置4個橋接故障、4個開路故障，如表1所示。雖然生產(chǎn)過程中導致電路缺陷各式各樣，但根據(jù)各種缺陷的失效機理，可以采用各種各樣的故障模型來等效。本文對于橋接故障，采用在橋接點之間連接一個電阻建立故障模型，阻值分別取10 Ω，1 kΩ和1 MΩ來對應相對小、近似相等、相對大。而對于開路故障，采用在開路點接入10 MΩ點電阻來建立故障模型。

3．1 IDDQ在混合電路故障檢測中的應用
在PSPICE中對各個故障模型進行仿真，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(qū)別，但是它卻檢測不出開路故障。
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路故障動態(tài)電流信息，在Matlab中進行5層小波變換，得出小波系數(shù)。再通過均方根誤差來體現(xiàn)它們之間的差別。均方根誤差用式(1)來定義：

式中：Fi為開路故障的小波系數(shù)；Gi為正常電路的小波系數(shù)；N為小波系數(shù)的個數(shù)。通過式(1)得出RMS的值，見表2。

所以，通過前面兩節(jié)的分析可以看出，靜態(tài)電流測試和動態(tài)電流測試的結(jié)合可以明顯地提高混合電路的故障覆蓋率，為今后進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)絡的結(jié)合
(1)能量特征的提取。電路的電流信息進行5層小波分解，得到高頻小波分解系數(shù)及低頻小波分解系數(shù)向量(d5，…，d1，a5)。其中，高頻系數(shù)的提取在Matlab中用detcoef函數(shù)，而低頻系數(shù)提取足采用appcoef函數(shù)。再把各系數(shù)向量組合成能量特征向量：
F=(Ed5…Ed1，Ea5)
(2)確定BP神經(jīng)網(wǎng)絡結(jié)構和參數(shù)。BP神經(jīng)網(wǎng)絡輸入神經(jīng)元個數(shù)由測試節(jié)點決定；隱層個數(shù)可通過“試湊法”和式(2)粗略地估計。

式中：m，n和l分別為隱層節(jié)點數(shù)、輸入節(jié)點數(shù)、輸出節(jié)點數(shù)；a為1～10之間不確定的數(shù)。
經(jīng)過反復試驗，本文的BP神經(jīng)網(wǎng)絡結(jié)果為6-7-4。
(3)訓練BP神經(jīng)網(wǎng)絡。電路仿真時進行20次Monte Carlo分析產(chǎn)生20個樣本，其中10個為訓練樣本．另外10個測試樣本。本文總共要進行4組訓練。網(wǎng)絡訓練誤差曲線如圖4所示。從圖中可以知道，網(wǎng)絡經(jīng)過4432步訓練達到了目標誤差。

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

4 結(jié)論及展望
傳統(tǒng)的故障診斷方法如故障字典、基于靈敏度的分析法、子網(wǎng)絡撕裂法等能解決一些測試和診斷。但是，隨著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。通過本課題，首先知道了靜態(tài)電流測試和動態(tài)電流測試相結(jié)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)絡的結(jié)合對于故障的定位明顯優(yōu)于單一神經(jīng)網(wǎng)絡的方法。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(jié)合已經(jīng)成為了混合電路故障診斷的一個發(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(tǒng)一建模、測試響應的統(tǒng)一分析等對于混合電路故障診斷仍是一個嚴峻的挑戰(zhàn)。