基于電流測試的混合電路故障診斷
加入技術(shù)交流群
1 電流測試的理論知識(shí)
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(shí)現(xiàn)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(dāng)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(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(jié)合，而并非單純的靜態(tài)電流測試。IDDT是一個(gè)短暫導(dǎo)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(shí)導(dǎo)通，使得在電源與地之間形成了一個(gè)導(dǎo)通電路，如圖1所示。由于IDDT是電路在動(dòng)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(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(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(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(jié)合。小波和神經(jīng)網(wǎng)絡(luò)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(luò)的結(jié)合。先通過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(shù)，并在Matlab中運(yùn)用小波分析對所得到的電流進(jìn)行特征提取，并結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)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(jìn)行小波分解，提取小波系數(shù)，并進(jìn)一步計(jì)算RMS。
(3)故障定位。將小波分析與BP神經(jīng)網(wǎng)絡(luò)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(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(shè)置4個(gè)橋接故障、4個(gè)開路故障，如表1所示。雖然生產(chǎn)過程中導(dǎo)致電路缺陷各式各樣，但根據(jù)各種缺陷的失效機(jī)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(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來對應(yīng)相對小、近似相等、相對大。而對于開路故障，采用在開路點(diǎn)接入10 MΩ點(diǎn)電阻來建立故障模型。
3．1 IDDQ在混合電路故障檢測中的應(yīng)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(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(yīng)用
對于在PSPICE中得到的正常電路及開路故障動(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(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(gè)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(dòng)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(jìn)行混合電路故障診斷起到了一定的指導(dǎo)意義。
3．3 小波特征提取與BP神經(jīng)網(wǎng)絡(luò)的結(jié)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(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(luò)結(jié)構(gòu)和參數(shù)。BP神經(jīng)網(wǎng)絡(luò)輸入神經(jīng)元個(gè)數(shù)由測試節(jié)點(diǎn)決定；隱層個(gè)數(shù)可通過“試湊法”和式(2)粗略地估計(jì)。
式中：m，n和l分別為隱層節(jié)點(diǎn)數(shù)、輸入節(jié)點(diǎn)數(shù)、輸出節(jié)點(diǎn)數(shù)；a為1～10之間不確定的數(shù)。
經(jīng)過反復(fù)試驗(yàn)，本文的BP神經(jīng)網(wǎng)絡(luò)結(jié)果為6-7-4。
(3)訓(xùn)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(xùn)練樣本．另外10個(gè)測試樣本。本文總共要進(jìn)行4組訓(xùn)練。網(wǎng)絡(luò)訓(xùn)練誤差曲線如圖4所示。從圖中可以知道，網(wǎng)絡(luò)經(jīng)過4432步訓(xùn)練達(dá)到了目標(biāo)誤差。
(4)對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，以檢驗(yàn)已訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)。結(jié)果如表3所示，本文的小波神經(jīng)網(wǎng)絡(luò)檢測率達(dá)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(luò)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(yīng)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(dòng)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(luò)的結(jié)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(xiàn)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(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(tǒng)一建模、測試響應(yīng)的統(tǒng)一分析等對于混合電路故障診斷仍是一個(gè)嚴(yán)峻的挑戰(zhàn)。
評論