基于小波概率神经网络的CMOS电路IDDT诊断方法*

熊　波　潘　强

(海军工程大学电子工程学院　武汉　430033)



基于小波概率神经网络的CMOS电路IDDT诊断方法*

熊波潘强

(海军工程大学电子工程学院武汉430033)

摘要近年来利用动态电流(IDDT)测试研究CMOS电路故障的方法得到广泛关注。论文结合小波变换和概率神经网络方法,提出一种基于小波分析和神经网络的IDDT诊断方法。小波分析具有时频局部化特征,能有效提取突变信号特征,概率神经网络训练容易,收敛速度快,可以实现任意的非线性逼近,具有良好的分类效果。论文结合二者优点,实现对CMOS电路故障的诊断,达到90%以上准确率。

关键词IDDT; 小波分析; 概率神经网络; CMOS电路

IDDT Diagnosis Method of CMOS Circuit Based on Wavelet Probabilistic Neural Network

XIONG BoPAN Qiang

(College of Electronic Engineering, Naval University of Engineering, Wuhan430033)

AbstractIn recent years, IDDT is widely used in studying the fault of CMOS circuit. Combined with wavelet transform and probabilistic neural network, an IDDT diagnosis method based on wavelet analysis and neural network is proposed. With the characteristic of time and frequency localization, wavelet analysis can effectively extract the characteristic of mutation signal, and makes probabilistic neural network training easier, possesses fast convergence speed and good classification results, and can realize any nonlinear approximation. Combine with the advantages of wavelet transform and neural network, the fault diagnosis of CMOS circuit is realized with more than 90% accuracy.

Key WordsIDDT, wavelet analysis, probabilistic neural network, CMOS circuit

Class NumberTP391

1引言

随着微电子技术的发展和COMS电路的广泛应用,集成电路越来越小型化,复杂化[1]。集成电路的故障诊断要求不断提高。测试参数的选择也从传统的电压量延伸到电流量。CMOS电路的电流信号也包含电路故障的特征。

CMOS电路正常工作时,静态电流非常小,当电路在输入发生变化时,电路内部各点状态随之变化,在各点状态稳定下来之前,由于电路中PMOS管和NMOS管可能在瞬间同时导通以及电路中电容的充放电,电源到地之间产生剧烈而复杂变化的

电源电流,这个电流就是动态电流(IDDT)[2]。IDDT测试即观察这个电流变化来判断电路是否存在故障。其测试原理如图1所示。

图1　IDDT测试原理

对于IDDT测试采用的方法有两类:一类是基于积分的平均电流分析法[3],另一类是基于信号处理的方法[4]。前者通过比较IDDT平均值的大小来判断是否有故障,后者通过对IDDT的信号采样分析来判断是否有故障[5]。本文采用的是对IDDT信号进行小波分析,得到小波系数各分量的标准差作为故障特征集,利用概率神经网络的方法来快速准确诊断电路故障。

2故障建模

2.1桥接故障

桥接故障是电路间两个或两个以上节点短路造成的,晶体管端点间的桥接就是其中之一。包含栅极与源极的桥接、栅极与漏极的桥接、源极与漏极的桥接及单元其他节点的桥接[6]。其中有部分故障可以用固定型故障模型来描述,通常采用短路电阻来表示,建立故障模型。

本文选取栅极与源极间的桥接故障为代表,在这之间接入小电阻R建立故障模型,如图2。设置R取值范围在1Ω~10Ω之间。

2.2晶体管故障

晶体管参数故障是指晶体管参数发生变化时,其实际值与额定值不同引起的故障,该类故障不会影响电路的逻辑功能,但降低了电路的可靠性,属于软故障。在仿真中,本文选择通过改变CMOS管的沟道数W来模拟,分别取W为10和50的情况。

2.3开路故障

在实际中,大多数情况下开路故障并不等效于信号完全断开,可以通过再串联一个较大的电阻来模拟[7]。常考虑的有晶体管源极开路和漏极开路,本文选取CMOS管源极开路为代表,通过串联1M大电阻R1来模拟,如图3。

图2　桥接故障模型

图3　开路故障模型

3基于小波概率神经网络的IDDT故障诊断

根据上述分析,设计基于小波概率神经网络的IDDT故障诊断方案如图4所示。

图4　基于小波概率神经网络的IDDT故障诊断流程图

本文对基本的CMOS与非门电路如图5进行仿真实验。本文采用了两个不同频率的正弦信号引起电路跳变来模拟各种不同的测试向量。在电路中接入IPTINT来记录CMOS电路在桥接故障、开路故障及晶体管参数故障下IDDT的信号特征。

图5　CMOS与非门电路

3.1小波特征提取

小波分析方法是一种窗口大小固定但其形状可以改变,时间窗和频率窗都可以改变的时频局部分析方法[8]。因此对信号有较强的特征提取功能[9]。采用小波分析,将电路故障信号进行分解,获得不同高低频段的信号成份。由于信号变化剧烈,在统计学中常用标准差来表示样本的离散程度,这里计算高低频段的信号成份的标准差作为电路故障特征。

故障特征的提取步骤:

1) 首先对采样的电流信号进行三层haar小波分解。

2) 对分解得到的系数分层重构得到低频分量A3和高频分量D1、D2和D3。

3) 求A3、D1、D2和D3的标准差std(A3)、std(D1)、std(D2)和std(D3)。

4) 构造特征向量R=[std(A3)std(D1)std(D2)std(D3)]。

部分特征向量的结果见表1所示。

表1　电流信号的部分特征向量值

3.2概率神经网络诊断

概率神经网络是在1989年由D.F.Specht博士提出的一种神经网络,其结构简单,应用广泛[10]。由于概率神经网络是在径向基神经网络基础上融合了密度函数估计和贝叶斯决策理论,在某些易满足的条件下,概率神经网络实现的判别边界渐进的逼近贝叶斯最佳判定面。其结构由输入层、隐含层、求和层和输出层组成,结构如图6所示。

图6　概率神经网络结构

向量x输入到隐含层,隐含层中第i类模式的第j神经元所确定的输入/输出关系由下式定义:

(1)

i=1,2,…,n,n为训练样本中的总类数。d为样本空间数据的维数,xij为第i类样本的第j个中心。求和层把隐含层中属于同一类的隐含神经元的输出做加权平均:

(2)

其中,vi表示第i类类别的输出,L表示第i类类别的神经元个数。

输出层取求和层中最大的一个作为输出的类别:

y=argmax(vi)

(3)

考虑电路元件的容差,使仿真结果更符合实际,对每种故障进行50次蒙特卡洛分析。得到50组电流信号。这21种故障共1050个样本,其中每种故障分出30组作训练样本,20组作为测试样本。将提取到的特征向量R输入到进行训练和测试后,诊断结果如表2所示。

表2　诊断结果统计

从统计结果看出,电路的平均故障诊断率达到90.4%。

4结语

本文采用小波与神经网络结合的分析方法,通过仿真CMOS管的桥接故障、晶体管故障和开路故障,得到各故障状态下的特征向量。再采用概率神经网络的分类方法,有效地区分各种故障状态。虽然本文对IDDT进行小波与神经网络分析方法的研究,但是对于大规模集成电路情况下的故障诊断仍是一个严峻的挑战。

参 考 文 献

[1] 金撼尘.微电子技术发展的新领域[J].电子世界,2014(9):5-6.

[2] 白金纬,张德源.基于电流的数字集成电路故障诊断的方法研究[D].成都:电子科技大学,2008.

[3] Abhishek S, Jitin T, Jim P. Power Supply Transient Signal Analysis Under Real Process and Test Hardware Models[C]//Proceeding of VTS, Monterey,2002:395-404.

[4] Min Y H, Kuang J H, Niu X Y. At-speed current testing[C]//Proceedings of IEEE 12thAsian Symposium(ATS), Xi’an,2003:397-400.

[5] 贾其燕,王友仁.数字电路IDDT测试生成及故障诊断技术研究[D].南京:南京航空航天大学,2009.

[6] 胡玥,程坦,冯涛.基于小波分析的数字电路动态电流测试技术[J].平顶山工学院学报,2007(1):37-39.

[7] 樊艳.电流信息在集成电路故障诊断中的应用研究[D].成都:电子科技大学,2006.

[8] 王佳宁.常用时频变换方法的浅析与比较[J].科技创新导报,2011(27):112.

[9] 余长庚,雷加.基于小波-神经网络的数字电路IDDT故障诊断[J].计算机工程与应用,2010(46):211-214.

[10] 陈明.MATLAB神经网络原理与实例精析[M].北京:清华大学出版社,2013.

中图分类号TP391

DOI:10.3969/j.issn.1672-9730.2016.03.029

作者简介:熊波,男,硕士研究生,研究方向:电路系统综合测试与故障诊断。

收稿日期:2015年9月8日,修回日期:2015年10月21日