CN101246200B - 一种基于神经网络的模拟pcb智能测试系统 - Google Patents
一种基于神经网络的模拟pcb智能测试系统 Download PDFInfo
- Publication number
- CN101246200B CN101246200B CN2008100307758A CN200810030775A CN101246200B CN 101246200 B CN101246200 B CN 101246200B CN 2008100307758 A CN2008100307758 A CN 2008100307758A CN 200810030775 A CN200810030775 A CN 200810030775A CN 101246200 B CN101246200 B CN 101246200B
- Authority
- CN
- China
- Prior art keywords
- processor
- circuit
- links
- switch matrix
- sampling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开了一种基于神经网络的模拟PCB智能测试系统,包括主控PC机,处理器、存储器、通信电路、函数信号发生器、多路采样开关矩阵、时序电路、译码电路、A/D转换器、采样保持器、差分放大器,函数信号发生器在处理器的控制下输出激励信号到被测电路的激励节点,被测电路的响应信号经多路采样电路送到处理器,再通过通信电路送到主控PC机,主控PC机对采样信号进行小波包变换消噪处理,并进行主元分析和归一化处理,得到故障特征向量;将故障特征向量,输入训练好的BP神经网络,BP神经网络的输出即为故障类型。本发明能有效地将PCB测试故障定位到元件级,并且采用CMOS开关阵列简单而有效的测试方法,大大提高了系统的可扩展性。
Description
技术领域
本发明涉及一种模拟PCB测试系统,特别涉及一种基于神经网络的模拟PCB智能测试系统。
背景技术
随着大规模模拟集成电路的发展,模拟电路的复杂度和密集度不断增长,任何一个部件和器件的故障都会影响全局,因此对模拟电路运行的可靠性提出了更为严格的要求;同时在模拟电路发生故障后,要求能实时定位故障以便检修、调试、替换。从本质上讲模拟电路故障诊断实际上相当于一个分类问题,根据测量数据判断电路状态是属于哪个故障类。传统的分类及诊断方法,需要进行大量计算,特别是由于容差的影响,计算相当复杂,实用性较差。
神经网络具有的较强容错能力,为容差电路硬故障和软故障的诊断提供了一种有效的方法,并为电路故障诊断开辟一条新的途径。BP神经网络就是电路故障诊断方法的一种较为有效的方法。但BP网络采用沿梯度下降的搜索算法,因而对初始权向量敏感,且很容易收敛于局部极小点。
发明内容
为解决模拟PCB测试中所存在的上述技术问题,本发明提供一种基于神经网络的模拟PCB智能测试系统,本发明可实时快速测试模拟PCB电路。
本发明解决上述技术问题的技术方案:包括主控PC机,处理器、存储器、通信电路、函数信号发生器、多路采样开关矩阵、时序电路、译码电路、A/D转换器、采样保持器、差分放大器,所述函数信号发生器分别与多路采样开关矩阵、处理器相连,A/D转换器一端与处理器相连,另一端经采样保持器、差分放大器与多路采样开关矩阵相连,时序电路分别与处理器、A/D转换器、采样保持器、差分放大器相连,处理器还分别与通信电路、存储器、译码电路相连,译码电路的另一端与多路采样开关矩阵相连,主控PC机经通信电路与处理器相连,函数信号发生器在处理器的控制下输出激励信号经多路采样开关矩阵送到被测电路的激励节点,被测电路的响应信号经多路采样开关矩阵、差分放大器、采样保持器、A/D转换器送到处理器,再通过通信电路送到主控PC机,主控PC机对采样信号进行小波包变换消噪处理,并进行主元分析和归一化处理,得到故障特征向量;将故障特征向量,输入训练好的BP神经网络,BP神经网络的输出即为故障类型。
上述基于BP神经网络的模拟PCB智能测试系统中,还包括采样自诊断电路,所述采样自诊断电路分别与处理器、多路采样开关矩阵相连。
上述基于BP神经网络的模拟PCB智能测试系统中,所述函数信号发生器由处理器、驱动电路、电容网络、函数发生器、DAC阵列、放大器、缓冲器组成,处理器、驱动电路、电容网络、函数发生器依次串接,DAC阵列串接于处理器、函数发生器之间,函数发生器的输出经放大器送到缓冲器,缓冲器与处理器相连。
本发明的技术效果在于:本发明采用函数信号发生器产生测试所需各种激励信号,可满足适用不同测试电路的要求;采用高性能的16位DSP处理器能够快速地实现实时数据的采集和数据的传输,这种控制系统不仅硬件平台组建灵活、重用性好和更具有实时性,便于工程实现;本发明中采用基于小波变换、主元分析和归一化策略提取故障特征向量,提高了故障的分辨率;通过遗传算法来优化BP网络,使优化后的神经网络能够较好地克服BP网络所固有的缺陷,从而达到全局最优;而且结合遗传BP神经网络的故障诊断方法,能有效地使故障定位到元件级,提高故障诊断分辨率人。
下面结合附图对本发明作进一步的说明。
附图说明
图1为本发明的结构框图。
图2为本发明中基于遗传BP网络进行模拟电路故障诊断的流程框图。
图3为本发明中函数信号发生器的结构图。
具体实施方式
参见图1,本发明包括处理器、存储器、通信电路、函数信号发生器、多路采样开关矩阵、时序电路、译码电路、A/D转换器、采样保持器、差分放大器,所述译码电路、时序电路、A/D转换器、采样保持器、差分放大器、多路采样开关矩阵构成采样电路完成测试信号的采样,采样自诊断电路可对测试采样进行自诊断,通信电路用于处理器与上位机的通信,函数信号发生器在处理器的控制下输出激励信号经多路采样开关矩阵送到被测电路的激励节点。
本发明中的处理器可采用有TI公司生产的TMS320C5416DSP芯片、4mbitflash、256k*16bit SRAM、2500gate CPLD和一个JTAG插口,利用这个插口可以通过仿真器和CCS下载程序进行实验;而采样保持器模块与AD转换模块主要是实现模拟信号转换为数字信号,即DSP能够处理的信号;与PC上位机通信电路实现的是与PC主控机进行数据与控制命令之间的传输。译码电路实现的是对DSP发过来的信号进行译码选通所需要的开关;开关矩阵主要是采用64个16选1的模拟开关实现从256个测试节点中选通4路,即实现了对被诊断的电路施加正与负的激励信号以及采样返回的正和负的测量信号;而采样自诊断电路主要实现了采样板的自检。这种采用CMOS开关阵列的简单而有效的测试方法,大大提高了系统的可扩展能力,对本系统来说可以扩展应用到1024个测试节点的情况。
函数信号发生器的结构框图如图3所示,其中包括信号实现、频率控制和幅度控制模块。信号实现模块是这个系统的核心部分,由MAXIN公司生产的MAX038芯片构成,它受微处理机(单片机)的控制产生信号;频率控制模块主要完成频段选择、频率粗调和频率细调功能;而幅度控制模块主要是控制输出信号的峰值幅度。
本发明进行模拟PCB测试的原理如下:函数信号发生器在处理器的控制下输出激励信号经多路采样开关矩阵送到被测电路的激励节点,被测电路的响应信号经多路采样开关矩阵、差分放大器、采样保持器、A/D转换器送到处理器,再通过通信电路送到主控PC机,主控PC机再对采样信号进行处理。
主控PC机基于遗传BP网络的模拟电路故障诊断系统主要由特征向量的提取、神经网络的设计和故障诊断的实现组成。其中特征向量的提取主要由小波包分解结合主元分析来实现。以含噪声信号的小波特征向量提取为例,一个含噪声信号的基本模型可以表示为:s(n)=f(n)+σe(n),n为采样间隔,f(n)为特征信号,e(n)为噪声信号。对含噪声信号进行消噪分解,将去噪细节系数和轮廓系数一起构成候选特征向量,再将分解后各尺度函数空间子频带内信号能量,按尺度顺序排列成的向量即为特征向量,其具体步骤为:
(1)原始信号采样序列N层正交小波分解,得到各尺度函数空间上的低频和高频小波分解系数序列cj k和dj k。
(2)对高频系数进行消噪处理。
(3)求各层小波分解系数(包括低频与高频系数)序列的采样点能量。
(4)特征向量的构造:当系统发生故障时,会对各频带内的采样点能量有较大的影响,故以能量为元素可以构成特征向量F,F的构造如下:
考虑L类故障识别问题,设样本的k层小波分解的各频段的能量值为E=[E0,E1,E2,E3,…],Emax=max(E),Emin=min(E),则
则各能量值为:f=[E0′,E1′,E2′,E3′,…]
根据Monte-Carlo分析的结果,设求出第i和j类故障模式的能量特征值的均值和方差向量分别为μi,k、 μj,k、 σi,k和σj,k,定义
则 故小波分解的层数k应满足 即对某小波进行分解时,如果进一步分解使 增大,则继续执行,否则该系数不再分解。求得满足要求的k后,将各Jk按值的大小进行排列为Jf1≥Jf2≥…≥Jfk,设Fi,j={Jd≥λ,λ>0,d∈[f1,fk]},则最后的特征值为
候选特征向量经过主元分析(PCA)后,消除信号中的冗余分量,减少了神经网络输入空间的维数,归一化后形成训练样本和检验样本。
而遗传算法优化BP网络是利用遗传算法全局性搜索的特点,寻找最为合适的网络连接权和网络结构。考虑到单隐层的BP网络具有较好的分类效果,且结构简单,在此设置隐层数为1,并设同层节点之间没有联接权相连,这样由于输入层与输出层节点的个数已由建模样本决定,因此优化BP网络结构时,主要是优化它的隐层节点个数、各节点之间的连接权等。
利用遗传算法优化BP网络首先要确定编码方式。尽管二进制编码方式最自然和直接,交叉和变异算子也可以直接使用,但为了提高编码精度,必须使用较长的编码,若编码过长,计算量将很长,进化速度缓慢,从而不可避免地存在精度和效率冲突的问题,为在具体的诊断过程中取得满意的效果,在此采用实数编码的方式。其次是要确定种群规模。种群规模须考虑与遗传算法的迭代次数和染色体长度的关系。再则确定适应度。适应度函数是优化问题中的目标函数。BP网络的一个重要特点是网络的输出值与期望的输出值之间的误差平方和越小,表示网络性能越好,故在此定义适应度函数F(Xm)为:
F(Xm)=1/E
式中,E为网络的能量函数;Xm为第m个训练样本。接着是GA操作。在这里,选择方法用的是截断选择策略。以适应度的平均值为参考,每一代进化淘汰适应度高于平均值的n个体,同时保留一个最优个体直接到下一代。
最后要将GA搜索到的最优局部空间作为神经网络训练开始空间,即将GA进化得到的权值作为神经网络权值的初始值,由神经网络进行进一步训练,进行局部精确搜索,从而可以得到令人满意的结果。
模拟电路故障诊断的实现是采用基于遗传BP网络(GA-BP)的诊断方法,通过对各种故障模式的学习来实现对故障的分类和各种期望属性的估计;从电路的测试节点的典型输出波形获取故障信息,提取故障特征向量,再从特征向量中抽象出元件的故障征兆,作为遗传BP网络的输入空间,进行模式识别,以确定故障类型。主要包括以下几方面的内容:
(1)训练样本与特征提取:首先对待测电路进行灵敏度分析,确定电路的测试节点,针对典型故障情况,在样本提取节点进行小波消噪分解,并进行特征抽取,设第i个样本提取节点提取的特征向量为TVi=[A1,A2,…,An],TV=[TV1,TV2,…,TVq](q为样本提取节点的数目),则特征向量为列向量TV=cs(TV),并将特征向量作为输入样本输入遗传BP网络。在分析故障时,对电路在给定的容差范围内进行Monte-Carlo分析,以形成容差电路的样本,其中,一部分作为神经网络的训练样本,另一部分作为检验样本。
(2)遗传BP网络结构设计及训练:首先由(1)的建模样本决定网络输入层与输出层节点的个数,再用遗传算法优化BP网络隐层节点个数和各节点之间的连接权,并设定对于第i类状态第i号样本,网络的目标输出向量为yi=(0,…,1,…,0),其中第i元素为1,其它元素均为0。利用存储器中的训练样本训练遗传BP网络,使其误差平方和小于期望误差,并将训练后的网络权值、阈值及误差存于存储器中。
(3)故障模拟以检验此故障分类器的有效性。
(4)诊断:电路实际测量电压信号经特征提取后,输入训练好的遗传BP网络,网络的输出即为故障的类型。
Claims (1)
1.一种基于BP神经网络的模拟PCB智能测试系统,其特征在于:包括主控PC机、处理器、存储器、通信电路、函数信号发生器、多路采样开关矩阵、时序电路、译码电路、A/D转换器、采样保持器、差分放大器、采样自诊断电路,所述函数信号发生器分别与多路采样开关矩阵、处理器相连,A/D转换器一端与处理器相连,另一端经采样保持器、差分放大器与多路采样开关矩阵相连,时序电路分别与处理器、A/D转换器、采样保持器、差分放大器相连,采样自诊断电路分别与处理器、多路采样开关矩阵相连,处理器还分别与通信电路、存储器、译码电路相连,译码电路的另一端与多路采样开关矩阵相连,主控PC机经通信电路与处理器相连,所述函数信号发生器由处理器、驱动电路、电容网络、函数发生器、DAC阵列、放大器、缓冲器组成,处理器、驱动电路、电容网络、函数发生器依次串接,DAC阵列串接于处理器、函数发生器之间,函数发生器的输出经放大器送到缓冲器,缓冲器与处理器相连;函数信号发生器在处理器的控制下输出激励信号经多路采样开关矩阵送到被测电路的激励节点,被测电路的响应信号经多路采样开关矩阵、差分放大器、采样保持器、A/D转换器送到处理器,再通过通信电路送到主控PC机,主控PC机对采样信号进行小波包变换消噪处理,并进行主元分析和归一化处理,得到故障特征向量;将故障特征向量,输入训练好的BP神经网络,BP神经网络的输出即为故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100307758A CN101246200B (zh) | 2008-03-10 | 2008-03-10 | 一种基于神经网络的模拟pcb智能测试系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100307758A CN101246200B (zh) | 2008-03-10 | 2008-03-10 | 一种基于神经网络的模拟pcb智能测试系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101246200A CN101246200A (zh) | 2008-08-20 |
CN101246200B true CN101246200B (zh) | 2010-08-04 |
Family
ID=39946770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008100307758A Expired - Fee Related CN101246200B (zh) | 2008-03-10 | 2008-03-10 | 一种基于神经网络的模拟pcb智能测试系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101246200B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101813747B (zh) * | 2009-06-19 | 2011-12-07 | 哈尔滨理工大学 | 基于维纳核和神经网络的非线性模拟电路故障诊断方法 |
CN101711036B (zh) * | 2009-11-17 | 2014-04-09 | 中兴通讯股份有限公司 | 无线收发信机系统可靠性验证的多样本监测系统及方法 |
CN101819253B (zh) * | 2010-04-20 | 2013-10-23 | 湖南大学 | 一种基于概率神经网络的容差电路故障诊断方法 |
CN101943324B (zh) * | 2010-06-28 | 2012-10-17 | 东北大学 | 基于小波和rbf神经网络的微弱信号检测装置及方法 |
CN102610080A (zh) * | 2011-01-24 | 2012-07-25 | 佳木斯大学 | 一种基于现场总线64路煤矿瓦斯测量传输器 |
CN102279358B (zh) * | 2011-06-20 | 2013-11-27 | 湖南大学 | 一种基于mcskpca的神经网络模拟电路故障诊断方法 |
CN102509108B (zh) * | 2011-10-14 | 2014-12-17 | 桂林电子科技大学 | 一种焊点缺陷鉴别方法 |
CN102520342B (zh) * | 2011-12-07 | 2013-11-06 | 南京航空航天大学 | 基于动态反馈神经网络建模的模拟电路测试节点选择方法 |
CN102778647B (zh) * | 2012-08-17 | 2015-04-15 | 中国科学院高能物理研究所 | 电路测试系统及方法 |
CN105044590B (zh) | 2015-08-07 | 2017-08-25 | 合肥工业大学 | 一种单测量节点模拟电路故障诊断方法 |
CN106485321B (zh) * | 2015-10-08 | 2019-02-12 | 上海兆芯集成电路有限公司 | 具有架构神经网络执行单元的处理器 |
CN106815829B (zh) * | 2015-12-02 | 2020-06-30 | 深圳市祈飞科技有限公司 | 一种电子元器件引脚配准pcb板孔的定位优化方法 |
CN106777612B (zh) * | 2016-12-02 | 2020-12-01 | 全球能源互联网研究院有限公司 | 一种建立pcb类型的预测模型和pcb设计的方法及装置 |
CN107167650A (zh) * | 2017-06-26 | 2017-09-15 | 上海空间电源研究所 | 高共模蓄电池单体电压采集电路和采集方法 |
CN107561429A (zh) * | 2017-08-25 | 2018-01-09 | 哈尔滨工业大学(威海) | 电路辐射故障诊断装置 |
CN109272497A (zh) * | 2018-09-05 | 2019-01-25 | 深圳灵图慧视科技有限公司 | 产品表面缺陷检测方法、装置和计算机设备 |
CN109557455A (zh) * | 2018-12-12 | 2019-04-02 | 成都世纪光合作用科技有限公司 | 一种产品测试系统 |
CN110231529A (zh) * | 2019-06-11 | 2019-09-13 | 山东科技大学 | 一种控制柜智能故障诊断系统及故障诊断方法 |
CN111308327B (zh) * | 2019-12-02 | 2021-01-26 | 电子科技大学 | 模拟电路故障定位与故障元件参数辨识方法 |
CN113219252B (zh) * | 2021-05-14 | 2022-03-01 | 浙江大学 | 一种非侵入式在线检测变换器阻抗的方法 |
CN113721121B (zh) * | 2021-09-02 | 2024-04-19 | 长江存储科技有限责任公司 | 一种用于半导体工艺的故障检测方法及装置 |
-
2008
- 2008-03-10 CN CN2008100307758A patent/CN101246200B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101246200A (zh) | 2008-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101246200B (zh) | 一种基于神经网络的模拟pcb智能测试系统 | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
CN101221213A (zh) | 基于粒子群算法的模拟电路故障诊断神经网络方法 | |
CN103487749B (zh) | 高压断路器机械状态在线监测诊断系统及方法 | |
CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
CN101614787B (zh) | 基于M-ary结构分类器的模拟电子电路故障诊断方法 | |
CN102520342B (zh) | 基于动态反馈神经网络建模的模拟电路测试节点选择方法 | |
CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
CN113935460A (zh) | 类不平衡数据集下的机械故障智能诊断方法 | |
CN107316046A (zh) | 一种基于增量补偿动态自适应增强的故障诊断方法 | |
CN108520301A (zh) | 一种基于深度置信网络的电路间歇故障诊断方法 | |
CN103064008B (zh) | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN107272644B (zh) | 潜油往复抽油机的dbn网络故障诊断方法 | |
CN108535635A (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
CN104777418A (zh) | 一种基于深度波尔兹曼机的模拟电路故障诊断方法 | |
CN106874950A (zh) | 一种暂态电能质量录波数据的识别分类方法 | |
CN110020637B (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN109858503A (zh) | 基于梯度提升决策树的牵引变流器故障诊断方法 | |
CN115774851B (zh) | 基于分级知识蒸馏的曲轴内部缺陷检测方法及其检测系统 | |
CN111427775A (zh) | 一种基于Bert模型的方法层次缺陷定位方法 | |
CN113705396B (zh) | 一种电机故障诊断方法、系统及设备 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN113268833A (zh) | 一种基于深度联合分布对齐的迁移故障诊断方法 | |
CN103544393A (zh) | 追踪儿童语言能力发展的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100804 Termination date: 20210310 |
|
CF01 | Termination of patent right due to non-payment of annual fee |