CN107133476B - 一种基于响应混叠性度量的测试激励与测点的协同优化方法 - Google Patents

一种基于响应混叠性度量的测试激励与测点的协同优化方法 Download PDF

Info

Publication number
CN107133476B
CN107133476B CN201710335811.0A CN201710335811A CN107133476B CN 107133476 B CN107133476 B CN 107133476B CN 201710335811 A CN201710335811 A CN 201710335811A CN 107133476 B CN107133476 B CN 107133476B
Authority
CN
China
Prior art keywords
normal
fault
samples
test
normal distribution
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.)
Active
Application number
CN201710335811.0A
Other languages
English (en)
Other versions
CN107133476A (zh
Inventor
俞洋
姜月明
王鹤潼
李志盛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201710335811.0A priority Critical patent/CN107133476B/zh
Publication of CN107133476A publication Critical patent/CN107133476A/zh
Application granted granted Critical
Publication of CN107133476B publication Critical patent/CN107133476B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16ZINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00Subject matter not provided for in other main groups of this subclass

Landscapes

  • Tests Of Electronic Circuits (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

一种基于响应混叠性度量的测试激励与测点的协同优化方法,本发明涉及基于响应混叠性度量的测试激励与测点的协同优化方法。本发明为了解决现有模拟电路中,由于器件容差的存在使得器件故障状态和正常状态界限模糊,导致早期故障检测较低的问题。本发明包括:一:在全频带范围获取电路N个测点M次正常工作和M次故障元件H故障状态下的特征信息,即得到M个正常样本和M个故障样本;二:息得到在全频带下M个正常样本和M个故障样本对应的正态分布曲线,以及正态分布的均值和标准差;三:计算全频带的正常样本与故障样本之间的响应混叠性;四:选择使响应混叠性度量函数达到最小值的测试激励和测点。本发明应用于电路故障检测领域。

Description

一种基于响应混叠性度量的测试激励与测点的协同优化方法
技术领域
本发明涉及基于响应混叠性度量的测试激励与测点的协同优化方法。
背景技术
随着我国国防科技的发展,电子系统广泛地应用在导弹控制、通信、目标探测、敌我识别等领域中,武器装备中电子系统的规模日益扩大,复杂程度越来越高,所以电子系统的可靠性决定了武器装备的性能。对于武器装备中的板级电子系统来说,影响其可靠性的重要因素之一是电路中关键元器件的参数漂移引起的早期故障,其中关键器件主要包括两类:一类是高灵敏度元器件,即该类器件的参数偏差对电路输出响应影响较大;二类是高退化率元器件,该类器件虽然一开始对电路输出响应影响较小,但是元器件本身具有较高的退化率,在一段工作时间后,由于元器件由于器件参数变化速率大,相对于其他器件参数偏差较大,同样会对电路输出响应造成较大的影响。
由于模拟电路中的早期故障对电路的影响较为微弱,如果仅仅选择电路输出节点作为测试节点,早期故障特征不明显,与正常样本的混叠性较大,不利于早期故障的检测;同时,对于同一早期故障,在不同频率激励下,测点的响应也不尽相同,为了将早期故障特征激发的更加显著,需对测点和测试频率进行综合分析,优选使响应混叠性较小的激励和测点,增大各故障模式间的差异程度,减小故障模式分类和识别难度,提高早期故障检测率。
发明内容
本发明的目的是为了解决现有模拟电路中,由于器件容差的存在使得器件故障状态和正常状态界限模糊,导致早期故障检测较低的问题,而提出一种基于响应混叠性度量的测试激励与测点的协同优化方法。
一种基于响应混叠性度量的测试激励与测点的协同优化方法包括以下步骤:
步骤一:在全频带范围获取电路N个测点M次正常工作的特征信息以及M次由故障元件H引起的故障状态下的特征信息,即得到M个正常样本和M个故障样本;
步骤二:根据特征信息得到在全频带下M个正常样本和M个故障样本对应的正态分布曲线,正常样本的正态分布曲线的均值μ2和标准差σ2,故障样本的正态分布曲线的均值μ1和标准差σ1
步骤三:采用混叠性度量函数计算全频带的正常样本与故障样本之间的响应混叠性;
步骤四:根据步骤三计算得到的响应混叠性,选择使响应混叠性度量函数达到最小值的测试激励和测点。
本发明提供了一种基于响应混叠性度量的测试激励与测点的协同优化方法,能够生成产生将早期故障特征的测试激励和测点,提高了模拟电路早期故障检测率,尤其是对于较难检测的元器件参数偏差较小的早期故障检测率比较高,这是传统的方法所没有达到的效果。
模拟电路中的元器件由于加工工艺导致参数发生变化,该变化称为器件的容差,一般情况下服从正态分布。所以本发明提出的算法就是基于器件容差的这一特性展开的。根据大数定理,一定数量的器件组成的电路,电路的响应也近似正态分布。因此本发明利用了这一结论,将正常响应和故障响应之间的混叠性用正常响应的分布曲线和故障响应的分布曲线的重叠区域来表示,因此算法的核心目标是全局搜索使重叠区域最小的测试激励和测点。
模拟电路的测点为N个,每个测点在全频带下提取的频点,每个测点的不同频点的样本都对应着一条正态分布曲线,将电路正常输出响应曲线记为Fnormal,早期故障输出响应曲线记为Ffault,设电路的正常输出响应曲线Fnormal符合正态分布N(μ11 2),故障状态曲线Ffault符合正态分布N(μ22 2)。
当Fnormal和Ffault出现相交时,说明故障响应与正常响应由于元器件容差的存在出现了混叠,该重叠区域的面积S表示正常输出响应和故障输出响应之间的混叠程度,因此当重叠区域越大,正常样本和故障样本的混叠性越大,导致故障检测率越低;反之,重叠区域越小时,故障样本与正常样本更容易区分,故障检测率较高。因此本文算法的核心就是以重叠区域的面积表征响应之间的混叠性为度量标准,全局搜索得到使重叠区域面积达到最小的测试频率和测点,以获得更高的故障检测率。通过图1具体说明响应混叠性度量算法的原理。
首先得到正常响应和故障响应相交点的横坐标,如图1所示。那么重叠区域的面积可以利用Fnormal和Ffault的积分求得,由于两条曲线的位置不同会影响积分的上下限,所以分为两种不同的情况,第一种情况如图1中正常和故障2的状态,当μ12时,交点的横坐标为x1,根据正态分布曲线分布的函数表达式以及交点坐标值,采用如(1)所示的表达式进行计算,式中x是样本电压值的积分变量。
第二种情况如图1中正常和故障1的状态,当μ12时,交点的横坐标为x0,具体表达式如(2)所示。
总结并整理得到表达式(3):
设响应混叠性度量函数为D(N,f),利用公式(3),对Fnormal和Ffault全局搜索获得使面积S达到最小值的激励频率和测点。则得到度量函数如公式(4)所示。
D(N,f)=min(S) (4)
针对模拟电路中关键器件造成的早期故障,采用响应混叠性度量函数得到每个器件的测试激励和测点,有效地提高了早期故障检测率,保证了模拟电路的高可靠性。
本发明的有益效果为:
因此本发明主要针对两类关键器件偏差造成的模拟电路早期故障进行测试激励和测点的优选,有效地提高早期模拟检测率。采用本发明中的基于响应混叠性度量函数获取的模拟电路早期故障测试激励和测点能够更好的激发早期故障特征信息,对于难以检测的早期故障状态,如:模拟电路潜在故障,其检测效果要远好于采用传统的测试激励时的检测效果,检测率达到90%以上,尤其对参数偏差较小,与正常状态较为接近的早期故障,能获得较高的故障检测率,检测率达到85%以上,这是目前传统测试激励和测点选择方法所没有达到的效果。
附图说明
图1为正常响应和两种故障响应的正态分布曲线图;
图2为本发明实例采用的Leapfrog仿真电路图
具体实施方式
具体实施方式一:一种基于响应混叠性度量的测试激励与测点的协同优化方法包括以下步骤:
步骤一:步骤一:在全频带范围获取电路N个测点M次正常工作的特征信息以及M次由故障元件H引起的故障状态下的特征信息,即得到M个正常样本和M个故障样本;
步骤二:根据特征信息得到在全频带下M个正常样本和M个故障样本对应的正态分布曲线,正常样本的正态分布曲线的均值μ2和标准差σ2,故障样本的正态分布曲线的均值μ1和标准差σ1
步骤三:采用混叠性度量函数计算全频带的正常样本与故障样本之间的响应混叠性;
步骤四:根据步骤三计算得到的响应混叠性,选择使响应混叠性度量函数达到最小值的测试激励和测点。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中特征信息为每个测点的电压值。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤二中根据特征信息得到在全频带下M个正常样本和M个故障样本对应的正态分布曲线,以及正态分布的均值和标准差的具体过程为:
根据M个正常样本和M个故障样本的电压值,采用Matlab数学工具箱中的normfit函数(正态分布曲线拟合函数),获得M个正常样本和M个故障样本对应的正态分布曲线。得到的正态分布曲线横坐标为样本的电压值,纵坐标为样本电压值的概率密度分布。根据M个正常样本和M个故障样本对应的正态分布曲线,得到正常样本的正态分布曲线的均值和标准差为μ2和σ2,以及故障样本的正态分布曲线的均值和标准差为μ1和σ1
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤三中根据步骤二采用混叠性度量函数计算全频带的正常样本与故障样本之间的响应混叠性的具体过程为:
步骤三一:判断正常样本和故障样本的正态分布曲线的位置,求取正常状态的正态分布曲线与故障状态的正态分布曲线交点的横坐标值,即比较μ2和μ1的大小,当μ12时,将交点的横坐标记为x1,当μ12时,将交点的横坐标记为x0;由于电路的正常状态和故障状态不会相同,所以μ2与μ1不存在相等的情况。
步骤三二:根据交点横坐标的值,计算正常样本的正态分布曲线和故障样本正态分布曲线的重叠区面积S,面积S表示正常状态和关键故障状态之间的响应混叠性,而面积S需要通过正常状态的正态分布曲线和故障状态的正态分布曲线的积分求的,所以结合正态分布函数得到本发明算法公式如下:
步骤三三:计算待测电路N个测点在全频带下的响应混叠性度量函数D(N,f),计算公式为:
D(N,f)=min(S)。
其它步骤及参数与具体实施方式一至三之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本发明以Leapfrog电路为例详细说明基于响应混叠性度量的测试激励和测点优化方法。首先,在PSPice软件中搭建仿真电路如图2所示。图中R1=R2=R3=R4=R5=R6=R7=R8=R9=R10=R11=R12=R13=10kΩ,C1=C4=10nF,C2=C3=20nF,其中电阻和电容的容差均为5%。电路的关键元器件包括高灵敏度器件和高退化率器件,针对Leapfrog电路,通过灵敏度分析确定了高灵敏度器件为R1、R2、R4、R5,电容由于自身结构的特殊性相对电路中的其他器件具有更高的退化率,所以电容C1、C2、C3、C4为高退化率器件。针对模拟电路中的关键器件,采用本专利提出的响应混叠性算法进行测试激励和测点的选择,结果如表1所示。
表1每个关键器件的最佳测试频率和测点
为了验证选取的激励和测点可以有效的提高早期故障检测率,本专利采用支持向量数据描述方法(SVDD)作为分类器进行关键器件引起的早期故障检测,检测结果如表2所示。
表3检测方案1的早期故障检测率
分析上述实验结果可以得出:(1)从表2可知,对各个关键器件的早期故障检测率较高,除了C4器件,其他关键器件的检测率都达到85%以上;(2)表2中关键器件的早期故障检测率较高,但是C4针对容值偏差较小的故障检测率较低,只有56%,这是由于C4是高退化率器件,不是高灵敏度器件,从而在器件参数变化较小时对电路输出响应的影响微弱,但是C4是高退化率器件,随着工作时间的增加会对电路输出响应造成较大的影响。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (3)

1.一种基于响应混叠性度量的测试激励与测点的协同优化方法,其特征在于:所述基于响应混叠性度量的测试激励与测点的协同优化方法包括以下步骤:
步骤一:在全频带范围获取电路N个测点M次正常工作的特征信息以及M次由故障元件H引起的故障状态下的特征信息,即得到M个正常样本和M个故障样本;
步骤二:根据特征信息得到在全频带下M个正常样本和M个故障样本对应的正态分布曲线,正常样本的正态分布曲线的均值μ2和标准差σ2,故障样本的正态分布曲线的均值μ1和标准差σ1
步骤三:采用混叠性度量函数计算全频带的正常样本与故障样本之间的响应混叠性;
具体过程为:
步骤三一:判断正常样本和故障样本的正态分布曲线的位置,求取正常状态的正态分布曲线与故障状态的正态分布曲线交点的横坐标值,即比较μ2和μ1的大小,当μ12时,将交点的横坐标记为x1,当μ12时,将交点的横坐标记为x0
步骤三二:根据交点横坐标的值,计算正常样本的正态分布曲线和故障样本正态分布曲线的重叠区面积S,面积S表示正常状态和关键故障状态之间的响应混叠性,公式如下:
步骤三三:计算待测电路N个测点在全频带下的响应混叠性度量函数D(N,f),计算公式为:
D(N,f)=min(S);
步骤四:根据步骤三计算得到的响应混叠性,选择使响应混叠性度量函数达到最小值的测试激励和测点。
2.根据权利要求1所述的一种基于响应混叠性度量的测试激励与测点的协同优化方法,其特征在于:所述步骤一中特征信息为每个测点的电压值。
3.根据权利要求2所述的一种基于响应混叠性度量的测试激励与测点的协同优化方法,其特征在于:所述步骤二中:根据特征信息得到在全频带下M个正常样本和M个故障样本对应的正态分布曲线,以及正态分布的均值和标准差的具体过程为:
根据M个正常样本和M个故障样本的电压值,采用Matlab数学工具箱中的normfit函数,获得M个正常样本和M个故障样本对应的正态分布曲线以及正态分布的均值和方差;得到的正态分布曲线横坐标为样本的电压值,纵坐标为样本电压值的概率密度分布。
CN201710335811.0A 2017-05-12 2017-05-12 一种基于响应混叠性度量的测试激励与测点的协同优化方法 Active CN107133476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710335811.0A CN107133476B (zh) 2017-05-12 2017-05-12 一种基于响应混叠性度量的测试激励与测点的协同优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710335811.0A CN107133476B (zh) 2017-05-12 2017-05-12 一种基于响应混叠性度量的测试激励与测点的协同优化方法

Publications (2)

Publication Number Publication Date
CN107133476A CN107133476A (zh) 2017-09-05
CN107133476B true CN107133476B (zh) 2019-12-10

Family

ID=59731622

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710335811.0A Active CN107133476B (zh) 2017-05-12 2017-05-12 一种基于响应混叠性度量的测试激励与测点的协同优化方法

Country Status (1)

Country Link
CN (1) CN107133476B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108181550B (zh) * 2018-01-12 2020-05-12 天津大学 一种交流微电网故障类型判断和选相方法
KR102457527B1 (ko) * 2018-01-25 2022-10-21 한화정밀기계 주식회사 플립 칩의 플럭스 도포 상태 검사 방법
CN111398777B (zh) * 2020-03-10 2022-03-15 哈尔滨工业大学 基于合成偏差的模拟电路测试激励优化方法
CN111610428B (zh) * 2020-04-26 2023-01-17 哈尔滨工业大学 一种基于响应混叠性度量小波包分解算法的参数优化方法
CN114833455B (zh) * 2022-05-23 2024-02-23 荣烯新材(北京)科技有限公司 飞秒激光进行轧辊辊面无序微造型的方法、装置及应用

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894296A (zh) * 2010-07-05 2010-11-24 湖南大学 一种基于标准差与偏斜度的模拟电路故障诊断神经网络方法
CN104237770A (zh) * 2014-08-15 2014-12-24 电子科技大学 一种模拟电路故障诊断方法
EP2704339B1 (en) * 2012-09-04 2017-11-22 OCT Circuit Technologies International Limited Built-in self-test technique for detection of imperfectly connected antenna in OFDM transceivers

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8135571B2 (en) * 2008-08-14 2012-03-13 International Business Machines Corporation Validating manufacturing test rules pertaining to an electronic component

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894296A (zh) * 2010-07-05 2010-11-24 湖南大学 一种基于标准差与偏斜度的模拟电路故障诊断神经网络方法
EP2704339B1 (en) * 2012-09-04 2017-11-22 OCT Circuit Technologies International Limited Built-in self-test technique for detection of imperfectly connected antenna in OFDM transceivers
CN104237770A (zh) * 2014-08-15 2014-12-24 电子科技大学 一种模拟电路故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
How to Reduce Aliasing in Linear Analog Testing;Zhen Guo;《GLSVLSI’04 proceedings of the 14th ACM Great lakes symposium on VLSI》;20041231;第368-371页 *
基于动态模糊聚类分析的模糊集划分新方法;周德新;《计算机测量与控制》;20111231;第19卷(第1期);第148-151页 *
基于提升奇异值分解和 EEMD 的 IMU 模拟电路故障特征提取方法;何星等;《信息与控制》;20141231;第43卷(第3期);第293-299页 *
基于斜率特征的容差模拟电路故障诊断方法;胡梅;《测试技术学报》;20151231;第29卷(第4期);第283-289页 *

Also Published As

Publication number Publication date
CN107133476A (zh) 2017-09-05

Similar Documents

Publication Publication Date Title
CN107133476B (zh) 一种基于响应混叠性度量的测试激励与测点的协同优化方法
CN107480386B (zh) 一种基于响应混叠性度量与遗传算法的测试激励优选方法
Wang et al. A novel weighted sparse representation classification strategy based on dictionary learning for rotating machinery
CN104853435B (zh) 一种基于概率的室内定位方法和装置
CN110850164B (zh) 考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法
CN103197230B (zh) 一种基于特征提取的集成电路故障检测方法
CN104900551B (zh) 一种晶圆质量管控方法和装置
CN106842094B (zh) 磁力计校准的数据处理方法和装置
Yang et al. Complex field fault modeling-based optimal frequency selection in linear analog circuit fault diagnosis
CN110879351B (zh) 一种基于rcca-svm的非线性模拟电路故障诊断方法
CN106257488B (zh) 一种基于邻域特征空间鉴别分析的雷达目标识别方法
CN106662472B (zh) 偏差估计装置和方法以及故障诊断装置和方法
CN108985373B (zh) 一种多传感器数据加权融合方法
CN108426571A (zh) 一种电子罗盘本地实时校准方法及装置
CN110208660A (zh) 一种用于电力设备局部放电缺陷诊断的训练方法及装置
CN110161181A (zh) 混合气体的组分浓度识别方法及系统
Al-Masri et al. Partial discharge localization in power transformers using invariant extended Kalman filter
CN111610428B (zh) 一种基于响应混叠性度量小波包分解算法的参数优化方法
US9625520B2 (en) Latch-up test device and method for testing wafer under test
CN108845247B (zh) 一种模拟电路模块故障诊断方法
CN107346300B (zh) 一种基于绝对传递率函数的传递路径分析方法
CN107203677B (zh) 一种电子系统多退化进程研究方法
CN108021876B (zh) 一种基于参数辨识的压气机故障诊断方法
Saleh et al. New testability analysis and multi-frequency test set compaction method for analogue circuits
Mosin An approach to construction the neuromorphic classifier for analog fault testing and diagnosis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant