一种动态电源电流监测的模拟电路故障诊断方法技术

本发明专利技术涉及一种动态电源电流监测的模拟电路故障诊断方法，包括：建立训练集样本：当待测对应电路运行于正常或各种故障状态时，分别采集电源电流信号，并对其离散化；对采集的信号进行小波分析，进行N层小波分解，以各层高频小波分解系数序列的绝对值之和为元素组成N维故障特征向量；神经网络训练：根据故障特征向量维数N和待测对应电路故障模式的类别总数M-1，确定神经网络的输入层节点数目N、输出层节点数目M和隐层神经元数目再利用训练集样本按目标条件进行网络训练，a在网络训练过程调整选取1～10中优选的值；N、M、a是自然数；故障诊断：提取待测具体电路的故障特征向量并输入经过训练的神经网络，得到诊断结果。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及，包括：建立训练集样本：当待测对应电路运行于正常或各种故障状态时，分别采集电源电流信号，并对其离散化；对采集的信号进行小波分析，进行N层小波分解，以各层高频小波分解系数序列的绝对值之和为元素组成N维故障特征向量；神经网络训练：根据故障特征向量维数N和待测对应电路故障模式的类别总数M-1，确定神经网络的输入层节点数目N、输出层节点数目M和隐层神经元数目再利用训练集样本按目标条件进行网络训练，a在网络训练过程调整选取1～10中优选的值；N、M、a是自然数；故障诊断：提取待测具体电路的故障特征向量并输入经过训练的神经网络，得到诊断结果。【专利说明】
本专利技术涉及集成电路测试
，具体涉及。
技术介绍
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之一，包含着大量的电路拓扑结构信息。模拟集成电路发生故障时，输出电流信息也将随之发生相应变化，所测得的电源电流信号中往往包含有非平稳或时变信息，而这些信息直接反映了电路运行状态。小波分析具有时频局部化特性，用于非平稳和时变信号的故障特征提取十分有效，它能深刻反映电路运行状态的本质；神经网络可应用于故障模式的识别，实现故障特征与故障模式之间复杂的非线性映射。将这二者优点结合起来，会提高模拟电路故障诊断的正确率。动态电源电流测试(Dynamic Supply Current Testing, IDDT)对模拟电路故障诊断非常有效。对任一电路而言，由于电源节点是通用的，因而IDDT技术的实现也较为方便。因此，我们提出了一种基于小波-神经网络的模拟电路动态电源电流监测的故障诊断方法。本专利技术对高密度和高集成度集成电路的测试，提供了一种解决方案，具有较强的实用性。
技术实现思路
本专利技术需要解决的技术问题是，如何提供，能提高对高密度和高集成度模拟集成电路故障诊断的正确率。本专利技术的上述技术问题这样解决:构建，其特征在于，包括以下步骤:建立训练集样本:当待测对应电路运行于正常或各种故障状态时，分别采集电源电流信号，并对其离散化；对采集的信号进行小波分析，进行N层小波分解，以各层高频小波分解系数序列的绝对值之和为元素组成N维故障特征向量；神经网络训练:根据电路故障特征向量维数N和待测对应电路故障模式的类别总数M-1，确定神经网络的输入层节点数目N、输出层节点数目M和隐层神经元数目相+ M+a,再对该结构的神经网络利用所述训练集样本按目标条件进行网络训练，a在网络训练过程调整选取I?10中优选的值；N、M、a是自然数；故障诊断:提取待测具体电路的故障特征向量并输入经过训练的神经网络，得到诊断输出结果。按照本专利技术提供的故障诊断方法，所述故障特征向量的提取步骤具体包括:对采样信号进行N层多尺度分析(Mallat)分解，得到第I层到第N层，共N个高频小波分解系数序列{K A,dN}；对各层高频分解系数序列进行绝对值求和:设I为第j层高频小波分解系数序列dJ的绝对值之和，则有:【权利要求】1.，其特征在于，包括以下步骤:建立训练集样本:当待测对应电路运行于正常或各种故障状态时，分别采集电源电流信号，并对其离散化；对采集的信号进行小波分析，进行N层小波分解，以各层高频小波分解系数序列的绝对值之和为元素组成N维故障特征向量；神经网络训练:根据电路故障特征向量维数N和待测对应电路故障模式的类别总数M-1，确定神经网络的输入层节点数目N、输出层节点数目M和隐层神经元数目 2.根据权利要求1所述故障诊断方法，其特征在于，所述故障特征向量的提取步骤具体包括: 对采样信号进行N层Mallat分解，得到第I层到第N层，共N个高频小波分解系数序列{d1，d2，Λ , dN}； 对各层高频分解系数序列进行绝对值求和:设为第j层高频小波分解系数序列cF_的绝对值之和，则有: 3.根据权利要求1所述故障诊断方法，其特征在于，神经网络的训练步骤具体包括: 确定网络结构参数:根据电路故障特征向量维数N和电路故障模式的类别总数M-1，确定神经网络的输入层节点数目N、输出层节点数目M和隐层神经元数目 4.根据权利要求1或3所述故障诊断方法，其特征在于，神经网络训练采用加动量修正的BP算法。5.根据权利要求1或3所述故障诊断方法，其特征在于，所述目标条件是设定的均方误差值，神经网络训练调整的次数是复数次。6.根据权利要求1或3所述故障诊断方法，其特征在于，a的调整选取是在网络训练过程中若不能满足要求，则逐个增加或逐个减少数目。【文档编号】G01R31/316GK103439647SQ201310381745【公开日】2013年12月11日 申请日期:2013年8月28日 优先权日:2013年8月28日 【专利技术者】王承, 何进, 杜彩霞, 朱小安, 何清兴, 钟胜菊, 梅金河 申请人:深圳华越天芯电子有限公司本文档来自技高网...

【技术保护点】
一种动态电源电流监测的模拟电路故障诊断方法，其特征在于，包括以下步骤：建立训练集样本：当待测对应电路运行于正常或各种故障状态时，分别采集电源电流信号，并对其离散化；对采集的信号进行小波分析，进行N层小波分解，以各层高频小波分解系数序列的绝对值之和为元素组成N维故障特征向量；神经网络训练：根据电路故障特征向量维数N和待测对应电路故障模式的类别总数M?1，确定神经网络的输入层节点数目N、输出层节点数目M和隐层神经元数目再对该结构的神经网络利用所述训练集样本按目标条件进行网络训练，a在网络训练过程调整选取1～10中优选的值；N、M、a是自然数；故障诊断：提取待测具体电路的故障特征向量并输入经过训练的神经网络，得到诊断输出结果。FDA0000373562550000011.jpg

【技术特征摘要】

【专利技术属性】
技术研发人员：王承，何进，杜彩霞，朱小安，何清兴，钟胜菊，梅金河，
申请(专利权)人：深圳华越天芯电子有限公司，
类型：发明
国别省市：