基于Pspice的混合信号电路故障检测*

张灿兵 潘 强 郁卫星

(海军工程大学电子工程学院1) 武汉 430033)(91656部队2) 宁波 315718)

1 引言

随着科学技术的飞速发展和制造工艺的不断提高,电路系统的复杂程度日益提高,为了降低成本,芯片设计人员往往把模拟电路和数字电路集成到一个芯片上。这就产生了数模混合信号电路并得到了广泛应用,据统计,当前超过60%的集成电路芯片内包含有数模混合信号电路,并且随着集成电路技术的进步,数模混合电路所占的比例还将进一步扩大[1]。数模混合信号电路的快速发展,使得数模混合信号电路的检测日益受到业内人士的重视。

目前混合电路测试面临的问题:1)模拟故障的定义;2)模拟和数字混合器件中,模拟电路的选择;3)测试激励生成。由于电路中各点电流是相通的,电流测试就无需区分数字电路和模拟电路。为此,本文采用电流信息作为被测信号,用神经网络和故障字典相结合的方法对混合信号电路进行故障检测。

2 数模混合信号电路的仿真

利用PSPICE9.2.1建立数模混合信号电路:以7404反相器组成的混合信号电路进行故障检测如图1所示,对电路进行建模仿真[2]。通过对电路进行瞬态分析和灵敏度分析,发现电源v1、v2和负载r3处的电流信息对电路中元器件的变化比较敏感,因此可以作为该电路故障检测的参数。

图1 混合信号电路图

在元器件容差均为10%的状态下,对电路进行1000次蒙特卡洛分析和最坏分析,r3处的电流幅度分布图可以发现检测点r3处的电流幅度都在10%以内变化(如图2所示)且波形不发生变化;而当r3的阻值变化为20%的情况下,其电流幅度变化较大(如图3所示),由此我们可以用r3处的电流幅度信息为检测参数来建立故障字典。同样可以发现v1和v2处电流幅度信息也可以作为检测参数来建立故障字典。为了准确地检测混合信号电路的故障,可以采用v1、v2、r3处的电流幅度的最大值作为参数进行故障检测,共3个检测参数。

3 故障字典的建立

检测参数的获取,利用Pspice 9.2对电路进行建模仿真,观察电源和负载端电流信息;提取特征参数;利用BP网络来建立正常状态下的故障字典,以判断电路的状态。

1)数据采集与特征参数的提取[3～4]。在各元器件的容差均为10%的状态下,对被测电路进行充分仿真并结合蒙特卡洛、灵敏度和最坏分析对电路进行分析,然后采集电源和负载端电流信息作为故障检测参数。

2)BP网络结构参数[5]。根据电路特征参数的维数,确定BP网络的输入与隐层节点数目。假特征参数的维数是N,则输入层节点数目为N;电路检测状态只有两种即正常状态和故障状态,故输出层节点数目为1;隐层节点数目按公式 N+1+a(N为输入层节点数目,a=1～10)进行选取,若在网络训练过程中不满足要求,则逐个增加(或减少)隐层节点数目。经过分析,隐层和输出层的激励函数分别采用非线性的正切-S型(tan-sigmoid)函数和非线性的对数-S型(log-sigmoid)函数。

3)故障字典的建立。为了让BP网络识别电路的状态,首先必须对BP网络进行训练,即建立故障字典。以特征参数为训练样本输入向量,训练样本输出标准为:假设电路特征参数的维数为N,只有当N个维数均满足正常状态的条件,电路才处于正常状态,网络输出“1”;任意1个维数不满足正常状态下的条件就判定电路有故障,网络输出“0”。本文主要进行混合信号电路的故障检测,利用大量训练样本对网络进行训练,建立故障字典,达到所期望的误差目标。

4)检测结果。把待测电路的特征参数输入到训练过的BP网络(即故障字典),得到输出结果,从而判断电路的状态。

4 故障检测结果

由以上分析可知该电路所需的BP网络的结构为:输入层神经元数目为3个,即特征参数的维数;输出层神经元数目为1个,即电路的状态只有两个(正常和故障);隐层神经元数目为3～12个。

运用MATLAB7.1对BP网络进行设计、训练、测试,得到的 BP网络结构3—12—1[6]。网络的具体参数如下:隐层和输出层分别选用非线性函数tansig和 logsig,训练函数用弹性梯度下降法(trainrp),学习速率为 0.01,最大训练次数为10000,训练精度为0.009,权值变化增加量为1.2,权值变化减小量为0.5,初始权值变化为0.07,权值变化最大值为50。经过多次训练、测试得到训练、测试结果图如图4所示。

其中图中十字表示期望目标,实线表示训练结果,虚线表示测试结果。

图4 训练、测试结果图

训练向量共252组,其中前28组向量期望输出为“1”表示电路正常,其余期望输出均为“0”;测试向量共226组,其中只有在13～15、31～43处共17组测试向量所表示的电路是正常的,即期望输出为“1”,其余期望输出均为“0”。利用 MAT LAB 7．1图表里的工具函数可以找出训练结果只有前三组数据没有达到期望输出结果,即训练的正确率为98.8%;测试结果为“1”(判断准则为:大于 0.5默认为“1”,反之为“0”)的数据是:15～17,33～42组,与测试向量相比发现测试向量的漏检数据为5组,虚检为2组,误检率3.1%,由此可知利用改进的BP网络建立的故障字典能够很好地实现混合信号电路的故障检测。

5 结语

本文以7404反相器组成的混合信号电路为实例,利用Pspice9.2对该电路进行了建模、仿真、分析,以其电流信息为测试参数来建立故障字典,运用matlab 7.1对该方法进行了训练、检验、计算。检测结果证明该方法不仅能检测出电路中阻容元件故障还能检测出三极管、反相器、电源的故障,具有很高的故障覆盖率和故障检测率(96.9%)。

[1]汪涌.基于DES理论的数模混合电路故障诊断技术研究[D].合肥:合肥工业大学,2008

[2]王辅春.电子电路 CAD与ORCAD教程[M].北京:机械工业出版社,2005

[3]M.R.A shouri.Fault detection of analog circuits using neural networks and Monte-Carlo analysis[C]//Proc.44thMidwest Symposium,2001,2:14～17

[4]Kyung Ki Kim,Yong-Bin Kim,Minsu Choi,et al.Accurate Macro-modeling for Leakage Current for IDDQ Test.Instrumentation and Measurement Technology Conference-IM TC 2007 Warsaw,Poland,2007,5:1～3

[5]王承,陈光褕,谢永乐.小波-神经网络在模拟电路故障诊断中的应用[J].系统仿真学报,2005,17(8):1936～1938

[6]董长虹.MAT LAB神经网络与应用[M].北京:国防工业出版社,2007