基于小波－神经网络的模拟集成开关电流电路测试方法

摘要

本发明公开了一种基于小波—神经网络的模拟集成开关电流电路测试方法。包括以下步骤：针对典型故障情况，选择激励信号，将激励响应输出信号在时域和频域中分别采样作为神经网络训练样本；利用开关电流电路结构特性，采用群组灵敏度分析选择确定测试缺陷点；为降低神经网络的复杂性，采用小波多尺度分解对各类响应数据进行预处理，产生故障细貌后在输入神经网络；神经网络用于将不同的缺陷响应结果分类、识别。测量待测电路的实际电压信号，将其输入训练好的神经网络模型，完成故障测试与识别。本发明的方法用于模拟集成开关电流电路软硬故障及缺陷问题有明显的优势，且有结构简单、速度快，准确率高的优点。

说明书

技术领域

本发明涉及一种模拟集成开关电流电路测试方法，特别涉及一种基于小波-神经网络的模拟集成开关电流电路测试方法。

背景技术

在离散时间模拟电路领域，由于不需要浮地电容、兼容标准数字工艺，且采用电流模信号极为适应低功耗应用，开关电流电路作为一种可替换开关电容的技术已被越来越广泛的应用。然而在开关电流电路的测试方面，传统的模拟电路测试方法并不适应开关电流电路，目前国外有报道的开关电流电路测试方法是利用直流或低频信号进行功能测试，对于模拟电路容差分析、参数缺陷导致的故障都未能涉及，且提出的方法一般只适应特殊结构的开关电流电路。由于模拟电路特性各异、测量参数多变以及各种非线性因素造成了其测试方法的复杂性，阈值确定也是一个困难的问题。近几年来较常用的方法是利用神经网络来进行模拟电路故障诊断。但神经网络理论上有较多的缺陷无法圆满解决，例如结构选择、局部极值、过学习等问题，其中最重要的问题就是训练时间过长。对于一个很小的电路，为得到理想的故障分类都需要非常多的训练样本，这样造成网络结构难以接受的复杂及过长的训练时间。

发明内容

为了解决模拟集成开关电流电路的测试存在的上述技术问题，本发明提供一种基于小波-神经网络的模拟集成开关电流电路测试方法。采用本发明方法可简化神经网络分析器的结构，并减少训练时间，提高测试精度。

本发明解决上述技术问题的技术方案包括以下步骤：

1)建立测试电路，设置故障集，以及施加于测试电路的激励信号；

2)根据开关电流电路特性将构成测试电路的器件进行群组，按照群组方式进行灵敏度分析，确定电路的测试节点；

3)针对典型故障情况，在节点施加激励信号进行开关电流电路故障响应测试，得到可及点响应值；

4)利用小波多尺度分解，对故障响应信号进行时域与频域的分解预处理，获得低频细貌；

5)用小波预处理后的细貌数据作为训练样本训练神经网络；

6)测量待测电路的实际电压信号，将其输入训练好的神经网络模型，分析支持模型的稳态输出结果，得到故障及缺陷的测试与识别结果。

本发明的技术效果在于：本发明根据开关电流特有结构，将构成电路的CMOS元件通过群组灵敏度分析的方法进行分类，根据对电路性能的影响程度确定故障节点的选取，在节点施加选择的激励信号，测试激励响应。在神经网络样本训练之前对响应数据进行小波预处理，以提取的低频细貌数据作为训练样本可全面地提取被测开关电流电路动态行为样本，同时极大的简化神经网络分析器的结构，并减少训练时间，提高模拟集成开关电流电路测试精度。

下面结合附图对本发明作进一步的说明。

附图说明

图1为本发明的流程图。

图2为本发明中的小波分解示意图。

图3为本发明中标准5％偏差的增益可接受边界。

图4为本发明中开关电流电路测试用故障模型。

图5为本发明中开关电流CMOS灾难性故障的时域响应。

图6为本发明中群组c的各类归一化跨导的时域与频域响应。

图7为本发明中群组d的各类归一化跨导的时域与频域响应。

图8为本发明中群组c理想与带偏差电路频域响应信号的第三层次小波分解。

图9本发明中群组c理想与带偏差电路时域响应信号的第三层次小波分解。

图10为本发明中组d理想与带偏差电路频域响应信号的第三层次小波分解。

图11为本发明中群组d理想与带偏差电路时域响应信号的第五层次小波分解。

图12小波神经网络测试结构图

图13为本发明中6类灾难性故障的测试器分析结果。

图14为本发明中偏差为5％的缺陷电路分析结果。

图15为本发明中偏差为20％的缺陷电路分析结果。

具体实施方式

本发明基于小波-神经网络的模拟集成开关电流电路测试方法过程如下：

构造一个有代表性的测试模拟集成开关电流电路。

选择故障集：对已建立的模拟电路，考虑电路中的元件硬故障(即元件短路或开路)，而不考虑电路中的引线故障。实际的方案是根据被测电路的特点和以往的经验以及元件故障率来选择若干单故障和多个故障作为故障集。

选择激励信号：通常选用与实际工作相似的输入信号作为激励信号。为了充分隔离故障集中的所有(至少大部分)故障，实际工作中可采用多种输入信号的组合信号作为电路激励。

对构成开关电流电路的CMOS参数进行灵敏度分析。器件的灵敏度代表其对电路内、外部参数的影响程度。根据周期开关线性电路分析方法，对于一个N相开关，周期为T的开关电流电路采用正弦信号作为输入信号，参数x(z)关于节点电压E_i(z)的灵敏度为：

$S_x^{E_i}=\frac{x}{E_i}\underset{m=1}{\overset{f}{\Sigma }}\underset{k=1}{\overset{f}{\Sigma }}\underset{l=1}{\overset{f}{\Sigma }}\frac{{\partial E}_{i,\mathrm{mk}}}{{\partial x}_l}$

其中m＝1，2...f为输出相位，k＝1，2...f为输入相位，x_l(z)是在相位l期间的参数x(z)。

节点电压E_i，mk(z)对于工作在不同相位的输入a和输出支路b的跨导G_mab(z)的灵敏度为：

$S_{G_{\mathrm{mab}}}^{E_i}=\frac{G_{\mathrm{mab}}}{E_i}\underset{m=1}{\overset{f}{\Sigma }}\underset{k=1}{\overset{f}{\Sigma }}\underset{l=1}{\overset{f}{\Sigma }}{V}_{a,\mathrm{lk}}{V}_{b,\mathrm{lm}}$

在给定的跨导随机误差的条件下可以进一步计算出绝对或统计偏差，从标准曲线加上或减去偏差就可以获得误差容限。计算统计偏差的公式如下：

$\Delta \left|E_a\left(\mathrm{j\omega }\right)\right|=0.05\times 8.686\sqrt{\underset{i}{\Sigma }{\left(\mathrm{Re}{S}_{G_{\mathrm{mi}}}^{E_a\left(\mathrm{j\omega }\right)}\right)}^2}$

其中0.868为分贝衰减常数。即采用分贝表示时需要在公式中加入分贝衰减系数，否则不必加入该系数。

开关电流电路兼容全数字工艺，电路仅由CMOS晶体管构成，为获得设计需要的功能，各个MOS管跨导的大小必须严格符合电流定标结果。以6阶切比雪夫低通滤波器为例，构成滤波器的全部CMOS管按照定标计算可分为11个值，其归一化跨导值及其在5％标准偏差条件下的复数灵敏度如表1所示。图3是根据灵敏度分析得出的电路增益在5％标准偏差条件下可接受的偏差范围。

表1群细参数的灵敏度

采用图4故障模型，可模拟栅源短路、栅漏短路、漏源短路、漏极开路、源极开路及栅极开路等各类灾难性故障，通过不同的电路电容值的调整还可以模拟各类参数性缺陷。获得的响应数据如图5所示。为全面采集参数性故障数据，对于参数偏差造成的响应也需要进行采集，其频域与时域响应数据如图6-7所示。结果现实灵敏度相对较大的C群组比灵敏度相对较小的d群组对电路性能影响更为明显。

施加激励信号，测量激励响应，将各类响应数据样本经过小波处理后加载到神经网络进行训练。

小波分解与低频系数提取：小波分解可以在提取输出信号主要特征的同时保存电路的动态特性。根据小波理论任何带有有限能量的信号都可以用小波信号的线性组合实现。它的系数表征信号与基本功能的一致性以及特殊特征，也就是我们需要提取的。

小波一维分解定义为：

$W(a,b)=\underset{-\infty }{\overset{\infty }{\int }}f\left(t\right){\psi }^{*}a,b\left(t\right)\mathrm{dt}$

其中${\psi }_{(a,b)}\left(t\right)=\frac{1}{\sqrt{\left|a\right|}}\psi \left(\frac{t-b}{a}\right)$

式中a和b为实数，^*号表示复共扼。W(a，b)是f(t)的分解系数。小波分解是两个变量的函数。对于给定的a，ψ_a，b(t)是母小波ψ_a，0(t)在时间轴上b的偏移。变量b代表时间偏移。较小的a值对应小的ψ_a，b(t)尺度或高的频率与1/a比率。大a的值对应一个大尺度ψ_a，b(t)，扩展母小波并收缩其频谱。因此，在频域小波的频谱看上去就像带通滤波器响应，中心频率为w0，带宽Δω。参数a增大会使得频域分解加强而时域分解降低。a降低则降低频域分解提高时域分解。因此被测电路输出信号的小波分解可以获得所有频谱成分在不同尺度细节的信息。输出测试节点测量的输出响应信号进行小波分解的系数可以作为瞬态功能测试的评估参数。这样的预处理可以降低降低分析的尺度而基本不丢失信号特性品质。

在每一尺度都对信号的小波分解系数W(a，b)进行计算是一件非常费时的计算工作。为避免这种情况，可以采用离散采样的方式，得到离散小波。离散小波分析设定采样点遵循以下规律：a^m＝2^m，b_mn＝a_mnT＝2^mnT，其中T为采样周期，m，n为整数，离散小波定义为：

$W(m,n)2^{-\frac{m}{2}}\underset{k}{\Sigma }x\left(k\right)\psi (2^{-m}k-n)$

其中ψ(k)是ψ(t)的离散形式，x(k)是离散信号。一个原始信号经小波可以分解为低频细貌A_j和高频细貌D_j，其中低频细貌代表了信号的近似结构而高频细貌表现特殊的细节。因而信号的特征可以由低频细貌获得。每一次分解信号样本数目减少半，因此可以在正常提出信号特性的前提下，大大的较少样本数目从而简化神经网络的结构减少训练所需的时间。

正确地选择母小波在信号处理中是非常关键的。现已证明几类小波在信号与图像处理中非常适用。它们分别是Daubechies，Biorthogonal，Haar，Shanon小波等等。每一类小波都具有特殊性能适用于一些特殊的应用。Haar小波对时间定位能力较强，对频率定位能力较弱。而Shanon小波却恰恰相反，时间定位能力较弱而具有较强的频率定位能力，因为它具有一个理想带宽滤波器的频谱特性。另外还有标准正交小波的定位能力介于两者之间.因此本文采用Daubechies类母小波，它们是标准正交小波。实验表明采用Daubechies类的db2小波可以在较广电路缺陷中获得更为精确的小波系数。

db2分解的系数计算与低频系数提取程序如下^]：

[c，1]wavedec(s，3，“db2”)：％db2第三层次分解；

ca1＝appcoef(c，1，“db2”，1)；％从[c，1]提取第一尺度低频系数A₁

ca2＝appcoef(c，1，“db2”，2)；％从[c，1]提取第二尺度低频系数A₂

ca3＝appcoef(c，1，“db2”，3)；％从[c，1]提取第三尺度低频系数A₃.

ca1，ca2，ca3分别是第一、二、三尺度低频系数

小波分解示意图如图2所示。

分别将激励响应的时域与频域信号进行小波分解，结果如图8-11所示.从时域和频域信号分解来看，经过三次分解，故障信号与理想信号的明显区别已经在波形中表现出来。对于灵敏度较低的d群组时域响应信号经过5次分解也达到分辨效果。

小波神经网络测试：小波神经网络的测试结构如图12，输入X到隐含层的权为2^m，隐层激活函数为小波尺度函数φ(·)，且第i个隐层节点的域值为b_i，隐层到输出层的权值为w_ij，输出节点的域值为0。设隐层有p个节点。共q个输出，有：

$y_i=f\left(\underset{j=1}{\overset{p}{\Sigma }}{w}_{\mathrm{ij}}{\mathrm{outh}}_j\right)$

${\mathrm{out}}_j=\phi (\underset{m=1}{\overset{n}{\Sigma }}{x}_{\mathrm{im}}{a}_{\mathrm{im}}+b_i),i=\mathrm{1,2}\mathrm{\Lambda q}$

其中f(·)为sigmoid函数，整个网络待训练的参数有j待定权值a_im，b_j，w_ij，其中(m＝1，2.Λ n；i＝1，2，Λ q；j＝1，2，Λ p)

上述开关电流电路故障响应仿真可以有开关电流专用仿真工具ASIZ进行，信号样本的小波预处理及神经网络分析可用MATLB工具箱实现。实验结果表明，不采用小波预处理，所用神经网络需要三层，38个节点，神经元需18个。经过小波预处理后就只需两层5个节点，8个神经元，经过100个训练周期，故障收敛进度达到10^-9.图13-15是测试器对各类故障的测试结果。由图可知对于各类灾难性故障，测试器可以达到90％以上的故障覆盖率。对于灵敏度较低的群组_{b，f，g，h，I}等，其参数变化对于电路性能参数影响不明显，但超出可接受范围的参数变化依然可以达到90％以上的故障覆盖率。