摘要:动态电源电流测试对模拟集成电路故障诊断十分有效。采用斜坡电压源代替传统的恒定直流电压,从电源电流波形采样训练神经网络的数据并建立故障字典。利用小波变换具有同时在时-频域分析信号、大量压缩数据的属性,对采样信号进行小波包分解,提取故障特征来训练神经网络,简化了网络结构、提高了训练速度。实验结果表明,该方法能够实现快速故障检测及定位,具有准确率高的特点。
关键词:故障诊断;模拟电路;动态电源电流;神经网络
引言
自20世纪60年代至今,模拟电路故障诊断一直是研究者感兴趣的热门领域。虽然模拟电路出现较早,但与数字电路的高速发展相比,模拟电路测试技术却进展缓慢,未取得突破性的进展。这是由于模拟电路自身属性所决定的,即:输入输出均是连续量、元器件容差、非线性及反馈的存在。因而,模拟电路不能很好的建模,缺乏通用有效的故障模型。神经网络具有解决上述困难天然属性,即:分类、学习和推理能力,较强的鲁棒性和自适应能力,良好的发展前景,这为模拟电路故障诊断研究提供了新的解决方案。
基于神经网络的模拟/混合电路故障诊断文献十分丰富。但大部分从测试点提取电压信号特征进行故障诊断,而从电源电流测试角度开展的工作还十分有限。模拟电路中的电流是一个重要的参数,也是故障信息的重要组成部分,包含着电路拓扑结构的丰富信息。若电路发生故障,输出电流波形将随之发生相应变化,含有丰富的故障类信息。对任一电路而言,电源节点是通用的,测量也比较方便,特别是目前模拟/混合电路的集成度与复杂度不断提高,可利用的测试管脚有限,给测试和诊断带来极大困难,因此对电源电流测试的研究具有重要意义。动态电源电流测试对模拟电路故障诊断十分有效。
文献采用斜坡电压代替传统的恒定直流电压,从时域提取电源电流信号特征来训练Kohonen自组织特征映射神经网络,最终取得了较好的故障诊断效果。文献[4]首先采用正弦电压信号,也从时域提取电源电流信号特征来训练三层感知机神经网络进行故障诊断;若发生故障混叠(不同的故障有相同的波形特征),则再次使用斜坡电压代替原先的正弦电压,重复上述步骤,最终的联合故障诊断准确率达100%。上述文献从测试信号波形采样数据提取所需故障特征,直接输入神经网络进行故障诊断。这就带来弊端:为不丢失信息,需大量采集数据,导致网络结构复杂;特别是发生故障混叠时,将得不到期望的故障诊断结果。文献运用小波变换对输出电压采样数据进行预处理,克服了上述弊端,达到了理想的诊断效果。
本文利用动态电源电流测试对ITC''97标准电路-补偿式CMOS运放进行故障诊断实验。采用斜坡电压源代替传统的恒定直流电压,从电源电流波形采样得到训练神经网络的数据,并建立故障字典。由于每个波形采集的数据量庞大,需压缩数据而又保证电路信息不丢失。小波变换具有同时在时-频域分析信号、大量压缩数据的属性,对采样数据经小波变换预处理后,能有效提取故障特征,简化了神经网络结构、提高了训练速度。
小波变换预处理
小波变换
小波变换具有同时在时-频域分析信号、大量压缩数据的属性,已广泛应用于信号检测、故障诊断等研究领域。在模拟集成电路故障诊断中,小波变换用来预处理采样数据,提取故障特征。任一信号f(t)(f(t)∈L2(R))的连续小波变换为
令式(1)中a=2j,b=k2j=ka,(j,k)∈Z2;则W(a,b)为二进小波变换。二进小波变换通过多分辨分析算法来实现,将信号分解为近似(低频)和细节(高频)两部分,分别对近似和细节继续分解,形成信号f(t)的多层分解结构。如图1所示。
在小波变换中,由于构造方法不同,形成了不同的小波,比较著名的有Haar、Daubechies、Meyer、Morlet等,选择合适的母小波对模拟/混合集成电路的故障诊断十分重要。经过分析小波系数发现,利用Haar小波变换得出的小波系数特征值最为显著。
小波包分解提取特征
从本质上讲,模拟电路故障诊断相当于一个分类问题:根据测量数据判断电路状态是属于哪个故障类。而从采样数据中提取反映故障状态的特征参数是进行故障诊断的关键,因为故障特征与电路所处的状态是一一对应的映射关系。
小波包分解是小波变换理论在信号处理应用的重大发展,提供了一种更加精细的分析方法。本文运用小波包分解提取模拟电路故障特征,是基于“能量-故障”的故障诊断方法,在小波包分解系数单支重构的基础上,以各频段信号能量来构造动态电源电流的故障特征向量,该方法无需系统的模型结构,直接利用各频率成份能量的变化来诊断故障。因在各频率成份信号能量中,包含丰富的故障信息,某种或某几种频率成份能量的改变即代表对应的故障模式。此方法已广泛用于机械、电力故障诊断。文献用该法从输出电压响应提取故障特征值进行模拟电路的故障诊断,取得了较好的诊断效果。利用小波包分解提取故障特征的步骤如下。
(1)小波包分解与单支重构
设Xij为原始信号S经小波包分解后的第i层的第j个节点的小波包分解系数,Sij为Xij的单支重构信号,则总信号S为
(2)特征提取
当系统出现故障时,对各频带信号的能量有较大影响。因此,以能量为元素可构造一个特征向量。设Sij对应的能量为Eij,则
式中:xij(k=1,2,.,n)———重构信号Sij离散点的幅值。由此特征向量T为
T=[Ei1,Ei2,.,Ei2i] (4)
(3)归一化
归一化是为了消除特征向量元素之间大的变化范围,特别是相差几个数量级的情况。变换规则如下。
式中:Emin和Emax———每一列中元素的最小与最大值。
在故障特征提取过程中,要选择适当的小波包分解层数,若分解层数过少,不能有效提取故障特征;若分解层数过多,则特征向量维数大,将影响诊断速度,本文采用三层小波包分解来提取模拟电路的故障特征。
仿真实验
诊断电路及故障模型
本文的诊断电路选自ITC''97标准电路中的补偿式
CMOS运放,如图2所示,其中电压源采用文献的方法,使用斜坡电压Vdd(t)代替传统的恒定直流电压源Vdd,上升时间为24μs,脉冲宽度为6μs。使用OrCAD/PSpice9.1软件对该电路进行建模与仿真。
模拟/混合电路故障模型分为两类:硬故障(亦称灾难故障)、软故障(亦称参数故障)。硬故障是指元件的开路和短路故障,软故障是指元件的参数超出预定的容差范围。
数字电路中,大部分故障采用s-a-1和s-a-0故障模型来建模和仿真,大大推动了数字电路故障诊断理论的完善和成熟;模拟电路硬故障模型也可采用呆滞型故障模型进行建模及仿真。呆滞开路故障是指元器件端在电路中断开而与电路没有连接,可通过在开路点串连一个大电阻(R0=100MΩ)实现;呆滞短路故障是指元器件两端直接导线相连,可通过在元器件两端并联一个小电阻(Rs=0.01Ω)实现。针对诊断电路中的MOSFET管呆滞型故障模型如图3所示;若MOSFET管无故障,则Ro=0.01Ω,Rs=100MΩ。与之类似,可方便得到元器件电容硬故障模型,在此不再赘述。而软故障模型则通过偏移电阻标称值+/-6σ实现(σ为正态分布)。
故障字典构建
本文诊断电路中共有11个元件,考虑电阻(R1)的软故障;MOSFET管的硬故障:开路故障(M1,M2,M4)与短路故障(M1,M5,M7),再加电路正常状态,共有8种故障模式。如图4所示。
当某一元器件发生故障,其余均处于正常工作状态,间隔0.03μs从电源电流波形均匀采样一次数据,建立故障字典。所采集的数据经小波变换预处理后,提取与故障类对应的8个故障特征参数,作为神经网络的输入;8种故障模式作为神经网络的输出,分别使用0(正常)和1(故障)来表示。如输出为:10000000表示电路正常状态;01000000表示R1+6σ故障。
为此构造两个故障字典(样本集):训练故障字典和测试故障字典。通过Monte-Carlo分析共产生160个样本,其中80个为训练样本构成训练故障字典,80个为测试样本构成测试故障字典。
故障诊断结果
本节将使用BP神经网络对待测模拟电路进行故障诊断。整个设计与训练过程是在MATLAB6.1仿真环境下,使用PIII450,64M内存PC机实现。
应用BP算法的启发式改进方法,即加动量修正法,提高神经网络的训练速度。将训练样本序列输入神经网络,神经网络结构为8-15-8,学习速度0.25,动量因子0.80,经过27033次训练调整后,均方误差达到0.015,如图5所示。为检验经过训练的网络故障诊断效果,分别使用训练故障字典和测试故障字典对网络进行测试,如表1所示。
从表1中可以看出,对采样数据经小波变换预处理后,能够有效提取故障特征,大大提高了故障诊断的准确率,训练故障字典的平均正确率达92%,测试故障字典的平均正确率达94%,诊断效果很理想。若未经小波变换预处理,将从源电流波形采集的1001个数据直接输入神经网络,网络十分庞大复杂,且这些元器件的故障状态波形十分相似如图4所示,导致训练后的神经网络也只能诊断出R1、M1及M7硬故障的状态。
结束语
本文利用小波变换具有同时在时-频域分析信号、大量压缩数据的属性,对从电源电流波形采样的原始数据进行小波包分解,有效提取故障特征来训练神经网络,简化了网络结构,提高了训练速度,实现了快速故障诊断及故障元件的辨识,具有正确率高的特点。
