【技术实现步骤摘要】
本专利技术属于电路故障诊断，尤其是涉及一种基于图卷积神经网络的组合逻辑多故障诊断方法及系统。
技术介绍
1、在芯片规模日益增长的情况下，电子设计自动化（eda）工具在芯片设计领域中不可或缺。为了尽早检测芯片制造中的缺陷，可测试性设计（dft）成为重要流程。其中，良率学习阶段的故障诊断是关键步骤，分析量产芯片中的缺陷对良率提升有重要意义。早期故障诊断方法主要基于故障字典和故障失效响应分析。近年来，ai技术也被应用于故障诊断。例如通过将随机向量输入神经网络模型和测试电路，比较输出结果来评分故障；利用人工神经网络（ann）学习输入向量与故障类型及引线之间的关系。最近的研究使用ann训练故障诊断模型，学习输入向量与故障检测之间的关系，但未能有效处理组合逻辑多故障的增强和屏蔽关系。因此，基于仿真故障字典生成的训练数据模型无法学习多故障关系，导致对组合逻辑多故障同时存在时的诊断不准确。
技术实现思路
1、基于上述问题，本专利技术提供了一种克服上述问题或者至少部分地解决上述问题的一种基于图卷积神经网络的组合逻辑多故障诊断方法及系统，通过故障元素图方法分析随机产生的多故障数据，考虑了多个组合逻辑故障同时存在的情况，并将分析的结果送入图卷积神经网络中训练得到故障诊断模型，从而可以在很短的运行时间内，得到比较准确的故障诊断数据，提高了通过故障诊断模型预测故障发生概率的准确性。
2、根据本专利技术的第一方面，提供一种基于图卷积神经网络的组合逻辑多故障诊断方法，包括如下步骤：
3、
4、向所述待诊断组合逻辑电路的随机节点位置注入随机数量故障生成随机测试向量，基于所述随机测试向量通过电路仿真模型获取失效响应数据；
5、基于所述失效响应数据通过故障元素图方法构建故障元素图集合，基于所述故障元素图集合计算故障得分并与对应的故障关联生成故障训练数据；
6、将所述故障训练数据输入到图卷积神经网络模型中进行迭代训练构建故障诊断模型；
7、基于所述故障诊断模型对待诊断组合逻辑电路的实时失效响应数据进行诊断，得到每个节点的故障概率。
8、上述技术方案中，通过将组合逻辑电路的网表文件转换为逻辑电路有向图，并提取各节点的特征，能够高效地表示电路的结构和属性。此外，利用图卷积神经网络进行故障诊断，能够充分利用组合逻辑电路的结构信息，提高诊断的准确性和效率。通过随机选择节点位置进行故障注入，并生成随机测试向量，能够模拟各种可能的故障情况，从而构建出丰富多样的故障训练数据，使得故障诊断模型能够适应不同类型的故障，并具备较好的泛化能力。基于故障元素图方法迭代更新故障元素图集合，并计算故障得分与对应的故障关联，能够准确地识别出故障节点和故障类型。基于训练好的故障诊断模型，可以实时地对组合逻辑电路的失效响应数据进行诊断，并快速得到每个节点的故障概率，能够在电路故障发生时迅速作出响应，减少故障对系统的影响。
9、可选地，在根据本专利技术的方法中，获取待诊断组合逻辑电路的网表文件并转换为逻辑电路有向图，提取所述逻辑电路有向图中各节点对应的节点特征，包括：
10、获取待诊断组合逻辑电路对应的网表文件；
11、基于所述待诊断组合逻辑电路的网表文件构建对应的逻辑电路有向图；
12、对所述逻辑电路有向图中的所有节点进行分类得到对应的节点类型，基于所述节点类型对节点进行标记，其中，所述节点类型包括输入节点、输出节点和中间节点；
13、提取每个所述节点的节点特征并进行归一化构建节点特征矩阵。
14、上述技术方案中，通过将网表文件转换为逻辑电路有向图，能够提供一个结构化的方式来理解和分析组合逻辑电路，有助于捕捉电路中的逻辑关系和信号流动路径。通过对有向图中的节点进行分类，并基于节点类型进行标记，有助于在后续的故障诊断中区分不同类型的节点。通过提取每个节点的特征并进行归一化处理，可以消除特征之间的量纲差异，使得不同特征在数值上具有可比性，有助于图卷积神经网络模型更好地学习和理解节点的特性，提高诊断的准确性和效率。
15、可选地，在根据本专利技术的方法中，基于所述待诊断组合逻辑电路的网表文件构建对应的逻辑电路有向图，包括：
16、读取所述网表文件识别所述待诊断组合逻辑电路中各组件及各组件之间的连接关系；
17、初始化用于存储节点和有向边的有向数据结构；
18、遍历所述网表文件中的各组件，分别将各组件映射至所述有向数据结构对应节点得到中间有向图；
19、将所述各组件之间的连接关系添加至所述中间有向图对应的边得到逻辑电路有向图。
20、上述技术方案中，通过将网表文件中的组件及其连接关系映射到有向数据结构中，能够直观地展示组合逻辑电路的结构和信号流向，方式有助于更好地理解电路的工作原理和故障可能发生的位置。在构建逻辑电路有向图的过程中，根据输入到输出的信号流向添加有向边，确保了逻辑电路有向图能够准确地反映组合逻辑电路的实际工作情况。通过遍历网表文件中的组件，并将其映射到有向数据结构中的节点，大大提高了构建逻辑电路有向图的效率。此外，由于逻辑电路有向图是基于数据结构构建的，因此后续对电路的分析和诊断也可以高效地进行。
21、可选地，在根据本专利技术的方法中，提取每个所述节点的节点特征并进行归一化构建节点特征矩阵，包括：
22、提取每个节点对应的结构特征和功能特征，所述结构特征至少包括节点的度、邻接节点类型和节点层级，所述功能特征至少包括逻辑功能；
23、分别将所述结构特征和所述功能特征转换为对应的特征编码；
24、对所述特征编码中的数值型特征进行归一化，消除各特征编码之间的量纲差异；
25、基于归一化后的所述特征编码作为列，对应的节点作为行构建特征矩阵。
26、上述技术方案中，通过提取的结构特征和功能特征并转换为对应的特征编码，确保了特征的数字化和可处理性，使得后续图卷积神经网络模型能够直接使用得到的特征。提供了节点的多维信息，有助于更全面地理解节点的性质和在网络中的角色。将特征编码作为列，对应的节点作为行构建特征矩阵，使得整个网络的数据结构能够以一个易于处理的矩阵形式表示，矩阵形式的特征表示方便进行对应的图分析。
27、可选地，在根据本专利技术的方法中，向所述待诊断组合逻辑电路的随机节点位置注入随机数量故障生成随机测试向量，基于所述随机测试向量通过电路仿真模型获取失效响应数据，包括：
28、基于所述节点特征构建待诊断组合逻辑电路对应的电路仿真模型；
29、通过泊松分布生成用于表示故障的随机数量的随机数；
30、遍历逻辑电路有向图中的所有节点，根据所述随机数量选择对应数量的节点向电路仿真模型注入故障信号；
31、基于均匀随机分布法生成随机测试向量，结合所述随机测试向量本文档来自技高网...
【技术保护点】
1.一种基于图卷积神经网络的组合逻辑多故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于图卷积神经网络的组合逻辑多故障诊断方法，其特征在于，获取待诊断组合逻辑电路的网表文件并转换为逻辑电路有向图，提取所述逻辑电路有向图中各节点对应的节点特征，包括：
3.根据权利要求2所述的基于图卷积神经网络的组合逻辑多故障诊断方法，其特征在于，基于所述待诊断组合逻辑电路的网表文件构建对应的逻辑电路有向图，包括：
4.根据权利要求2所述的基于图卷积神经网络的组合逻辑多故障诊断方法，其特征在于，提取每个所述节点的节点特征并进行归一化构建节点特征矩阵，包括：
5.根据权利要求1所述的基于图卷积神经网络的组合逻辑多故障诊断方法，其特征在于，向所述待诊断组合逻辑电路的随机节点位置注入随机数量故障生成随机测试向量，基于所述随机测试向量通过电路仿真模型获取失效响应数据，包括：
6.根据权利要求1所述的基于图卷积神经网络的组合逻辑多故障诊断方法，其特征在于，基于所述失效响应数据通过故障元素图方法构建故障元素图集合，基于所述故障元素图
7.根据权利要求1所述的基于图卷积神经网络的组合逻辑多故障诊断方法，其特征在于，将所述故障训练数据输入到图卷积神经网络模型中进行迭代训练构建故障诊断模型，包括：
8.根据权利要求7所述的基于图卷积神经网络的组合逻辑多故障诊断方法，其特征在于，将所述故障训练数据输入到所述图卷积神经网络模型中进行前向传播，获取预测故障得分，包括：
9.根据权利要求1所述的基于图卷积神经网络的组合逻辑多故障诊断方法，其特征在于，基于所述故障诊断模型对待诊断组合逻辑电路的实时失效响应数据进行诊断，得到每个节点的故障概率，包括：
10.一种基于图卷积神经网络的组合逻辑多故障诊断系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于图卷积神经网络的组合逻辑多故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于图卷积神经网络的组合逻辑多故障诊断方法，其特征在于，获取待诊断组合逻辑电路的网表文件并转换为逻辑电路有向图，提取所述逻辑电路有向图中各节点对应的节点特征，包括：
3.根据权利要求2所述的基于图卷积神经网络的组合逻辑多故障诊断方法，其特征在于，基于所述待诊断组合逻辑电路的网表文件构建对应的逻辑电路有向图，包括：
4.根据权利要求2所述的基于图卷积神经网络的组合逻辑多故障诊断方法，其特征在于，提取每个所述节点的节点特征并进行归一化构建节点特征矩阵，包括：
5.根据权利要求1所述的基于图卷积神经网络的组合逻辑多故障诊断方法，其特征在于，向所述待诊断组合逻辑电路的随机节点位置注入随机数量故障生成随机测试向量，基于所述随机测试向量通过电路仿真模型获取失效响应数据，包括：
6....
【专利技术属性】
技术研发人员：叶靖，
申请(专利权)人：中科鉴芯北京科技有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。