CN108241114A - 混合电路芯片的在线故障检测方法、装置及故障检测电路 - Google Patents

混合电路芯片的在线故障检测方法、装置及故障检测电路 Download PDF

Info

Publication number
CN108241114A
CN108241114A CN201611219799.9A CN201611219799A CN108241114A CN 108241114 A CN108241114 A CN 108241114A CN 201611219799 A CN201611219799 A CN 201611219799A CN 108241114 A CN108241114 A CN 108241114A
Authority
CN
China
Prior art keywords
fault
parameter
feature
acquisition
circuit
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.)
Granted
Application number
CN201611219799.9A
Other languages
English (en)
Other versions
CN108241114B (zh
Inventor
刘元安
张洪光
梁洁玫
王梓睿
吴帆
范文浩
李嘉珂
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201611219799.9A priority Critical patent/CN108241114B/zh
Publication of CN108241114A publication Critical patent/CN108241114A/zh
Application granted granted Critical
Publication of CN108241114B publication Critical patent/CN108241114B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Electronic Circuits (AREA)

Abstract

本发明实施例公开了一种混合电路芯片的在线故障检测方法、装置及故障检测电路，预先确定故障诊断电路，将故障诊断电路嵌入至待检测混合电路芯片所在的处理电路中；在线故障检测的过程，包括：在混合电路芯片所在的设备正常运行过程中，实时采集所述混合电路芯片的预设的故障敏感参数的参数值；对采集到的各个故障敏感参数的参数值进行特征提取，获得各个故障敏感参数的当前波形图特征；将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式；根据获得的故障模式，确定故障诊断结果并输出。利用本发明实施例，达到了对混合电路芯片是否发生故障进行在线检测的目的。

Description

混合电路芯片的在线故障检测方法、装置及故障检测电路
技术领域
本发明涉及电子电路技术领域，特别涉及一种混合电路芯片的在线故障检测方法、装置及故障检测电路。
背景技术
随着大规模集成电路的快速发展，射频电路、模拟电路、数字电路被集成在同一芯片中，统称为SOC(System on Chip，片上系统)，这种片上系统的芯片，也可以称为混合电路芯片。这种混合电路芯片结构有许多优点，但同时它又对芯片的测试以及故障检测带来了一系列挑战。
目前，对于混合电路芯片的故障检测，都是线下测试，也就是在混合电路芯片所在的电路板未正常使用的状态下，进行故障检测。例如，内建自测试需要在中断混合电路芯片原有通信业务的前提下，通过输入激励，分析激励响应来检测混合电路芯片是否故障，测试的时候无法进行其他业务，是一种线下测试方法。
实际应用中，有很多情况需要在设备正常运行的状态下，对设备中的混合电路芯片进行实时的故障检测，例如：在航空航天领域，往往需要在不中断原有业务的情况下，也就是保持设备正常运行的状态下，对设备中的混合电路芯片进行故障检测，并及时作出如设备切换等处理，以保证业务的不中断。因此，对混合电路芯片是否发生故障进行在线检测，是一个亟待解决的问题。
发明内容
本发明实施例的目的在于提供一种混合电路芯片的在线故障检测方法、装置及故障检测电路，以对混合电路芯片是否发生故障进行在线检测。
为达到上述目的，本发明实施例提供了一种混合电路芯片的在线故障检测方法，预先确定故障诊断电路，将故障诊断电路嵌入至待检测混合电路芯片所在的处理电路中；
所述在线故障检测的过程，包括：
在所述混合电路芯片所在的设备正常运行过程中，实时采集所述混合电路芯片的预设的故障敏感参数的参数值；
对采集到的各个故障敏感参数的参数值进行特征提取，获得各个故障敏感参数的当前波形图特征；
将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式；
根据获得的故障模式，确定故障诊断结果并输出。
具体的，所述预先确定故障诊断电路，将故障诊断电路嵌入至待检测混合电路芯片所在的处理电路中的步骤，包括：
根据历史故障数据，确定所述待检测混合电路芯片易导致故障的故障敏感参数；
根据确定的故障敏感参数，确定采集各个故障敏感参数的第一参数采集电路；
将第一参数采集电路和处理器连接，构成所述故障诊断电路；
将故障诊断电路和待检测混合电路芯片所在的处理电路设置在同一个电路板中。
具体的，所述根据历史故障数据，确定所述待检测混合电路芯片易导致故障的故障敏感参数的步骤，包括：
将所述待检测混合电路芯片的历史故障数据存储至历史故障数据库中；所述历史故障数据，包括：历史发生的所有故障的故障模式、每个故障发生时，待检测混合电路芯片各个参数的值、以及每种故障模式对应的子功能模块；
根据历史故障数据库，获得功能模块-子模块矩阵MS和子模块-故障模式矩阵SF；
将MS矩阵和SF矩阵相乘得到功能模块-故障模式矩阵MF；
从所述MF矩阵中，提取出易导致故障的故障敏感参数。
具体的，所述预先设置的波形图特征与故障模式的对应关系保存在预先训练的神经网络中；
所述将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式的步骤，包括：
将获得的各个故障敏感参数输入至预先训练的神经网络；
获得神经网络根据各个故障敏感参数的波形图特征与故障模式的对应关系，输出的故障模式；
根据获得的故障模式，确定故障诊断结果并输出。
具体的，所述预先训练神经网络的步骤，包括：
在将所述电路板安装至设备之前，设置各个故障敏感参数的波形图特征与故障模式之间的初始对应关系，作为神经网络的初始数据，输入至所述故障诊断电路的处理器中；
对所述电路板注入故障，使得参数采集电路采集到的故障敏感参数的参数值，为发生预设故障模式时的参数值；
处理器接收参数采集电路采集到的故障敏感参数的参数值，对采集到的各个故障敏感参数的参数值进行特征提取，获得各个故障敏感参数的当前波形图特征；
将获得的各个故障敏感参数的当前波形图特征输入至所述神经网络中；
获得神经网络根据各个故障敏感参数的波形图特征和故障模式之间的初始对应关系，输出的故障模式；
判断获得的故障模式是否为注入的故障对应的故障模式；
如果是，则将各个故障敏感参数的波形图特征和故障模式之间的初始对应关系，保存在所述神经网络中，结束训练过程；
如果否，则调整各个故障敏感参数的波形图特征和故障模式之间的对应关系，将调整后的对应关系作为初始对应关系，返回所述对所述电路板注入故障的步骤。
具体的，预先对每种故障模式的波形图提取对应的多个波形图特征，每个波形图特征划分为多个等级；
所述预先设置的波形图特征与故障模式的对应关系，包括每种故障模式的波形图对应的每个波形图特征的不同等级；
所述将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式的步骤，包括：
将获得的当前波形图特征与每种故障模式的波形图对应的每个波形图特征的不同等级进行匹配，获得当前波形图特征对应的故障模式。
具体的，
所述将第一参数采集电路和处理器连接，构成所述故障诊断电路的步骤之前，还包括：
根据历史故障数据，确定所述待检测混合电路芯片易导致故障的辅助敏感参数；
根据确定的辅助敏感参数，确定采集各个辅助敏感参数的第二参数采集电路；
所述将第一参数采集电路和处理器连接，构成所述故障诊断电路的步骤，包括：
将所述第一参数采集电路和第二参数采集电路分别与所述处理器连接，构成所述故障诊断电路。
具体的，
所述在线故障检测的过程，还包括：
在所述混合电路芯片所在的设备正常运行过程中，实时采集所述混合电路芯片的预设的辅助敏感参数的参数值；
将获得的每个辅助敏感参数的参数值，与对应预设的辅助敏感参数的正常参数值进行匹配，如果匹配，则生成该辅助敏感参数正常的诊断信息；如果不匹配，则生成该辅助敏感参数异常的诊断信息；
所述根据获得的故障模式，确定故障诊断结果并输出的步骤，包括：
将获得的故障模式和根据各个辅助敏感参数生成的各个诊断信息，确定为故障诊断结果进行输出。
为达到上述目的，本发明实施例提供了一种混合电路芯片的在线故障检测装置，包括：
预设单元，用于预先确定故障诊断电路，将故障诊断电路嵌入至待检测混合电路芯片所在的处理电路中；
参数实时采集单元，用于在所述混合电路芯片所在的设备正常运行过程中，实时采集所述混合电路芯片的预设的故障敏感参数的参数值；
特征提取单元，用于对采集到的各个故障敏感参数的参数值进行特征提取，获得各个故障敏感参数的当前波形图特征；
故障模式获得单元，用于将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式；
故障诊断结果输出单元，根据获得的故障模式，确定故障诊断结果并输出。
为达到上述目的，本发明实施例提供了一种混合电路芯片的在线故障检测电路，所述故障诊断电路嵌入至待检测混合电路芯片所在的处理电路中，包括：第一参数采集电路和与之相连的处理器；
所述第一参数采集电路，用于在所述混合电路芯片所在的设备正常运行过程中，实时采集所述混合电路芯片的预设的故障敏感参数的参数值；
所述处理器，用于对采集到的各个故障敏感参数的参数值进行特征提取，获得各个故障敏感参数的当前波形图特征；将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式；根据获得的故障模式，确定故障诊断结果并输出。
由上述的技术方案可见，本发明实施例提供了一种混合电路芯片的在线故障检测方法、装置及故障检测电路，预先确定故障诊断电路，将故障诊断电路嵌入至待检测混合电路芯片所在的处理电路中；所述在线故障检测的过程，包括：在所述混合电路芯片所在的设备正常运行过程中，实时采集所述混合电路芯片的预设的故障敏感参数的参数值；对采集到的各个故障敏感参数的参数值进行特征提取，获得各个故障敏感参数的当前波形图特征；将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式；根据获得的故障模式，确定故障诊断结果并输出。
可见，利用本发明实施例，不需要基于线下测试以对混合电路芯片进行故障检测，满足了在设备正常运行的状态下，对设备中的混合电路芯片进行实时的故障检测的需求，达到了对混合电路芯片是否发生故障进行在线检测的目的。
当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中信号采集的流程示意图；
图2为本发明实施例中利用FMEA分析确定故障敏感参数的流程示意图；
图3为本发明实施例提供的混合电路芯片的在线故障检测方法的一种流程示意图；
图4为本发明实施例中采用的BP神经网络模型的结构示意图；
图5为本发明实施例提供的RF231主供电电压跌落的故障波形图；
图6为本发明实施例提供的RF231主时钟紊乱的故障波形图；
图7为本发明实施例提供的分集巴伦损坏2的故障波形图；
图8为一种RF231射频混合电路芯片的结构框图；
图9为图8所示RF231射频芯片的功能模块关系图；
图10为本发明实施例提供的故障诊断电路与RF231射频芯片所在的处理电路的连接示意图；
图11为AT32UC3C0512芯片及其外围电路的结构框图；
图12为本发明实施例提供的混合电路芯片的在线故障检测装置的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面首先对本发明实施例提供的一种混合电路芯片的在线故障检测方法进行详细说明。
为了实现混合电路的在线故障检测，本发明实施例预先确定了故障诊断电路，并将故障诊断电路嵌入至待检测混合电路芯片所在的处理电路中。
具体的，本发明实施例提供了一种混合电路芯片的在线故障检测电路，将所述故障诊断电路嵌入至待检测混合电路芯片所在的处理电路中，包括：第一参数采集电路和与之相连的处理器；
所述第一参数采集电路，用于在所述混合电路芯片所在的设备正常运行过程中，实时采集所述混合电路芯片的预设的故障敏感参数的参数值；
所述处理器，用于对采集到的各个故障敏感参数的参数值进行特征提取，获得各个故障敏感参数的当前波形图特征；将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式；根据获得的故障模式，确定故障诊断结果并输出。
具体的，预先确定故障诊断电路，将故障诊断电路嵌入至待检测混合电路芯片所在的处理电路中，可以根据历史故障数据，确定所述待检测混合电路芯片易导致故障的故障敏感参数；根据确定的故障敏感参数，确定采集各个故障敏感参数的第一参数采集电路；将第一参数采集电路和处理器连接，构成所述故障诊断电路；将故障诊断电路和待检测混合电路芯片所在的处理电路设置在同一个电路板中。例如，确定的故障敏感参数为电压、电流，则可以在待检测混合电路芯片的主供电VCC附近加入采样电阻和电流检测芯片，采集电流和电压参数。其中，考虑到需要多路A/D转换收集采集的故障敏感参数数据、搭载故障检测软件等需求，应尽量选择支持多路A/D采集、处理速度快、功能强大同时硬件占用面积较小的处理器，如STC(System Chip，系统芯片)系列单片机等。A/D信号采集采用轮询的方式依次采集，将采集后的信号进行保存，以在故障检测时使用。如图1所示，图1为本发明实施例提供的信号采集的流程示意图。如图1所示，先对中央处理器的基础寄存器进行设置，并初始化ADC，然后打开ADC通道，在等待ADC转换完成后，关闭ADC通道，再继续进行打开ADC通道的步骤。
具体的，根据历史故障数据，可以针对待检测混合电路芯片进行FMEA分析(Failure Mode and Effect Analysis，故障模式及影响分析)，确定所述待检测混合电路芯片易导致故障的故障敏感参数。
如图2所示，图2为本发明实施例提供的利用FMEA分析确定故障敏感参数的流程示意图，可以包括如下步骤：
S201，将所述待检测混合电路芯片的历史故障数据存储至历史故障数据库中；所述历史故障数据，包括：历史发生的所有故障的故障模式、每个故障发生时，待检测混合电路芯片各个参数的值、以及每种故障模式对应的子功能模块；
具体的，历史故障数据库是通过人为地收集历史故障数据，如电源子模块曾经发生过断路、短路、过流、过压等故障，记录发生故障时待检测混合电路芯片上电流、电压等各个参数的值，以及每个故障模式对应的子功能模块，例如过流故障对应的子功能模块为基带处理模块，从而将这些故障数据进行记录并存储得到的。其中，故障模式即为故障类型。
S202，根据历史故障数据库，获得功能模块-子模块矩阵MS和子模块-故障模式矩阵SF；
具体的，根据存储到历史故障数据库中的历史故障数据，得到矩阵MS(Module-Submodule，功能模块-子模块矩阵)和矩阵SF(Submodule-Failure，子模块-故障模式矩阵)。其中，在矩阵MS中，行代表待检测混合电路芯片的各个功能模块，列代表待检测混合电路芯片的各个子模块，项aij为1时说明待检测混合电路芯片的第j个子模块属于第i个功能模块，例如a12为1时说明待检测混合电路芯片的第2个子模块m属于第1个功能模块n。在矩阵SF中，行代表待检测混合电路芯片的各个子模块，列代表待检测混合电路芯片历史上发生的故障模式，项bij为1时说明待检测混合电路芯片的第i个子模块曾发生过第j种故障模式，例如b21为1时说明待检测混合电路芯片的第2个子模块曾发生过第1种故障模式。
S203，将MS矩阵和SF矩阵相乘得到功能模块-故障模式矩阵MF；
具体的，将功能模块-子模块矩阵MS与子模块-故障模式矩阵SF相乘，得到矩阵MF(Module-Failure，功能模块-故障模式矩阵)，也可以称之为模块故障模式知识库。
S204，从所述MF矩阵中，提取出易导致故障的故障敏感参数。
具体的，可以对MF矩阵进行人为分析，得到待检测混合电路芯片易发生的故障模式，根据易发生的故障模式，确定相较于其他参数会产生明显改变的某些参数，将其确定为故障敏感参数，如电流、电压、功率(射频电路)等。
另外，所述将第一参数采集电路和处理器连接，构成所述故障诊断电路的步骤之前，还可以包括：根据历史故障数据，确定所述待检测混合电路芯片易导致故障的辅助敏感参数；根据确定的辅助敏感参数，确定采集各个辅助敏感参数的第二参数采集电路；所述将第一参数采集电路和处理器连接，构成所述故障诊断电路的步骤，包括：将所述第一参数采集电路和第二参数采集电路分别与所述处理器连接，构成所述故障诊断电路。例如，根据历史故障数据，确定辅助敏感参数为射频发送信号的功率，则可以利用功分器和射频检测芯片设计第二参数采集电路，采集耦合出的射频发送信号的功率。
如图3所示，本发明实施例提供的在线故障检测的过程，包括：
S301，在所述混合电路芯片所在的设备正常运行过程中，实时采集所述混合电路芯片的预设的故障敏感参数的参数值；
S302，对采集到的各个故障敏感参数的参数值进行特征提取，获得各个故障敏感参数的当前波形图特征；
具体的，在实际应用中，可以对采集到的各个故障敏感参数的参数波形图提取特征，提取出的特征值即为各个故障敏感参数的当前波形图特征。例如，采集的其中一个故障敏感参数为电流，采集到的连续不断的电流值组成了电流波形图，对电流波形图提取出的直流特征为：均值、标准差、最大值、最小值等，即为获得了电流的当前波形图特征。
S303，将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式；
具体的，所述波形图特征与故障模式的对应关系，可以通过两种方式进行设置；
第一种，预先设置的波形图特征与故障模式的对应关系可以保存在预先训练的神经网络中；
所述将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式的步骤，包括：
将获得的各个故障敏感参数输入至预先训练的神经网络；获得神经网络根据各个故障敏感参数的波形图特征与故障模式的对应关系，输出的故障模式；根据获得的故障模式，确定故障诊断结果并输出。在实际应用中，预先设置的波形图特征与故障模式的对应关系可以称之为故障诊断向量，由对人工神经网络进行训练得到。
具体的，所述预先训练神经网络的步骤，包括：
在将所述电路板安装至设备之前，设置各个故障敏感参数的波形图特征与故障模式之间的初始对应关系，作为神经网络的初始数据，输入至所述故障诊断电路的处理器中；
对所述电路板注入故障，使得参数采集电路采集到的故障敏感参数的参数值，为发生预设故障模式时的参数值；
处理器接收参数采集电路采集到的故障敏感参数的参数值，对采集到的各个故障敏感参数的参数值进行特征提取，获得各个故障敏感参数的当前波形图特征；
将获得的各个故障敏感参数的当前波形图特征输入至所述神经网络中；
获得神经网络根据各个故障敏感参数的波形图特征和故障模式之间的初始对应关系，输出的故障模式；
判断获得的故障模式是否为注入的故障对应的故障模式；
如果是，则将各个故障敏感参数的波形图特征和故障模式之间的初始对应关系，保存在所述神经网络中，结束训练过程；
如果否，则调整各个故障敏感参数的波形图特征和故障模式之间的对应关系，将调整后的对应关系作为初始对应关系，返回所述对所述电路板注入故障的步骤。
具体的，设置各个故障敏感参数的波形图特征与故障模式之间的初始对应关系，可以为隐含层数和激活函数，作为神经网络的初始数据，输入至所述故障诊断电路的处理器中；对电路板注入的故障，可以为在FMEA分析的过程中针对待检测混合电路芯片的历史故障数据，所提取出的常见故障模式的一种；判断获得的故障模式是否为注入的故障对应的故障模式、调整各个故障敏感参数的波形图特征和故障模式之间的对应关系，均可以在将所述电路板安装至设备之前人为完成。
示例性的，故障注入可以采用直接注入法，即是在待检测混合电路芯片中直接注入故障，如表1所示。
表1
示例性的，图4为本发明实施例中采用的BP神经网络模型的结构示意图。BP(BackPropagation)神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐含层(hidden layer)和输出层(output layer)，如图4所示。其中，输入层用于接收输入的波形图特征，在图4中，接收的波形图特征表示为特征值a、特征值b，隐含层存储了各个故障敏感参数的波形图特征与故障模式的对应关系，输出层用于输出结果。
示例性的，在实际应用中，预先训练神经网络，还可以在matlab人工神经网络工具箱中，首先设置隐含层数、激活函数；对所述电路板注入故障，设计硬件电路采集注入的故障所对应的故障敏感参数的参数值，从而获得对应的故障敏感参数的参数波形图；将注入的故障所对应的参数波形图输入到人工神经网络，点击训练后即可得到故障诊断向量，将故障诊断向量存储在故障诊断电路的处理器中。
第二种：
预先对每种故障模式的波形图提取对应的多个波形图特征，每个波形图特征划分为多个等级；
所述预先设置的波形图特征与故障模式的对应关系，包括每种故障模式的波形图对应的每个波形图特征的不同等级；
所述将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式的步骤，包括：
将获得的当前波形图特征与每种故障模式的波形图对应的每个波形图特征的不同等级进行匹配，获得当前波形图特征对应的故障模式。
具体的，预先对每种故障模式的波形图提取对应的多个波形图特征，每个波形图特征划分为多个等级，将每种故障模式的波形图对应的每个波形图特征的不同等级对应存储。
这样，可以利用多属性决策(Multiple Attribute Decision Making，MADM)技术，将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式。
示例性的，假设有三种故障模式A1、A2、A3，A1为RF231主供电电压跌落，A2为RF231主时钟紊乱，A3为分集巴伦损坏2，三种故障模式的波形图分别如图5、图6、图7所示。其中，波形的特征有：故障波形振动的剧烈程度C1、故障波形的阈值范围C2、故障波形毛刺的出现概率C3。针对C1，划分为5个等级：非常剧烈S1、剧烈S2、一般S3、比较平缓S4、平缓S5；针对C2，划分为5个等级：非常宽泛S1、比较宽泛S2、一般宽泛S3、比较集中S4、非常集中S5；针对C3，划分为5个等级：非常大S1、比较大S2、一般S3、比较小S4、非常小S5。针对三种故障模式A1、A2、A3，构建如表2所示的矩阵。
表2
故障模式/等级 C1 C2 C3
A1 S4 S2 S4
A2 S2 S3 S2
A3 S1 S4 S1
其中，获得的当前波形图特征为：C1为比较平缓S4，C2为一般宽泛S3，C3为比较小S4。将获得的当前波形图特征与每种故障模式的波形图对应的每个波形图特征的不同等级进行匹配，还可以利用现代决策理论技术中的基于距离的语言信息集成算子，计算获得的当前波形图与故障A1、A2、A3的故障波形图的语言有序加权平均距离l1、l2、l3，其中距离l1最小，说明当前波形图与故障模式A1的波形图匹配最高，即获得当前波形图特征对应的故障模式为RF231主供电电压跌落。
S304，根据获得的故障模式，确定故障诊断结果并输出。
具体的，所述在线故障检测的过程，还包括：
在所述混合电路芯片所在的设备正常运行过程中，实时采集所述混合电路芯片的预设的辅助敏感参数的参数值；
将获得的每个辅助敏感参数的参数值，与对应预设的辅助敏感参数的正常参数值进行匹配，如果匹配，则生成该辅助敏感参数正常的诊断信息；如果不匹配，则生成该辅助敏感参数异常的诊断信息；
所述根据获得的故障模式，确定故障诊断结果并输出的步骤，包括：
将获得的故障模式和根据各个辅助敏感参数生成的各个诊断信息，确定为故障诊断结果进行输出。
具体的，获得的每个辅助敏感参数的参数值，与对应预设的辅助敏感参数的正常参数值进行匹配，可以利用在处理器中存储的判断获得的每个辅助敏感参数是否正常的程序，判断辅助敏感参数是否正常，从而生成各个辅助敏感参数生成的各个诊断信息。
示例性的，图8为一种RF231射频混合电路芯片的结构框图，其内部主要分为模拟部分电路和数字部分电路。其中，PA(Power Amplifier)为功率放大器；PLL(Phase LockedLoop)为锁相环；LNA(Low Noise Amplifier)为低噪声放大器；ADC(Analog to DigitalConverter)为A/D转换控制器；PPF(Poly-Phase Filter)为多相滤波器；BPF(Band PassFilter)为带通滤波器；AGC(Automatic Gain Control)为自动增益控制；Limiter为限幅放大器；XOSC(Crystal oscillator)为时钟模块；TX BBP(Transmit Base Band Processor)为发送基带处理器；DVREG(Digital Voltage Regulator)为电压调节器；SPI(SerialPeripheral Interface)为SPI控制器；Frame Buffer为帧缓冲区；RX BBP(Receive BaseBand Processor)为接收基带处理器；AES(Advanced Encryption Standard)为加密模块；Control Logic为控制逻辑模块；CR(Configuration Registers)为寄存器。
如图9所示，具体的，将上述子模块按功能分成若干功能模块，其中，逻辑控制模块包含SPI控制器、逻辑控制；基带处理模块包含接收、发送基带处理器；存储模块包含帧缓冲、寄存器；电压控制模块包含电压调节器；加密模块包含加密器；滤波模块包含多相滤波器、带通滤波器；功放模块包含功率放大器；信号放大模块包含低噪声放大器、自动增益控制器、限幅放大器；A/D控制模块包含A/D控制器；同步模块包含锁相环，其功能模块之间的关系如图9所示。通过查阅相关历史数据可知射频系统的故障模式主要有：过流、过压、过热、器件参数老化、断路、短路、失同步、单粒子翻转。利用FMEA分析，得到矩阵MS、SF，进而两者相乘得到MF。MS、SF、MF中的行列值所代表的意义可以如表3、表4和表5所示：
表3
表4
表5
对表5进行人为分析，RF231射频混合电路芯片的故障一般体现为射频信号失真(基带处理、滤波、放大)，其中电流、电压等是影响射频系统是否发生故障的关键所在，同时，射频混合电路芯片出现故障往往会体现为发送信号波形的异常，因此，确定其故障敏感参数为电流信号、电压信号，辅助敏感参数为射频发送信号。
根据确定的故障敏感参数和辅助敏感参数，确定第一参数采集电路和第二参数采集电路，将两个采集电路分别和处理器连接，构成故障诊断电路，将故障诊断电路嵌入至待检测混合电路芯片RF231所在的处理电路中。
示例性的，图10为本发明实施例提供的故障诊断电路与RF231射频芯片所在的处理电路的连接示意图。如图10所示，采样电阻(毫欧级，通常为1mΩ～30mΩ)和电流检测芯片包含在第一参数采集电路中，功分器和射频检测芯片包含在第二参数采集电路中，在实际应用中，第一参数采集电路和第二参数采集电路的硬件电路图可以利用现有技术来进行详细设计，具体以可以实现采集故障敏感参数和辅助敏感参数为准。其中，RF231射频芯片即为待检测混合电路芯片，射频检测芯片可以采用HMC1120芯片，电流检测芯片可以采用INA282芯片，功分器可以采用PD2450U03型号的功分器，巴伦为平衡器，RFN和RFP为双端射频输出信号，射频检测芯片和电流检测芯片的输出均为电压，CPU通过存储的将A/D采集到的电压转换成射频功率和主供电部分VCC处的电流的程序，分别得到对应的射频功率和主供电部分VCC处的电流，其中，CPU在判断射频功率是否正常之后，可以将生成的辅助敏感参数射频发送信号的诊断信息通过串口输出到电脑端。
示例性的，针对模数混合电路芯片AT32UC3C0512，该芯片及其外围电路的结构框图如图11所示，主要包括控制主芯片、485接口、488接口、232接口、GPIO(General PurposeInput Output，通用输入/输出)接口、LED(Light Emitting Diode，发光二极管)指示灯、电源、时钟、传感器、CPLD(Complex Programmable Logic Device，复杂可编程逻辑器件)等模块。将上述组件按功能分成若干子模块：主控模块包含控制主芯片；供电模块包含电源；时钟模块包含时钟；外接功能模块包含传感器、CPLD、LED指示灯；外接口模块包含488接口、485接口、232接口、GPIO接口。通过查阅芯片的历史故障数据可知此模数混合电路芯片的故障模式主要有：过流、过压、过热、器件参数老化、断路、短路、失同步、单粒子翻转。利用FMEA技术，得到MS矩阵和SF矩阵，将两者相乘得到矩阵MF，其中，矩阵MS、SF和MF分别如表6、表7和表8所示：
表6
表7
表8
由表8可见，模数混合电路芯片AT32UC3C0512一般出现在外接模块中(外接功能模块、外接口模块)，其中电流、电压是影响控制底板是否发生故障的关键所在，同时，需要辅助看门狗电路来对主控芯片(AT32UC3C0512)状态进行监控，因为一旦主控芯片发生故障整个系统必将瘫痪，因此，确定故障敏感参数为电流信号、电压信号，辅助敏感参数为AT32UC3C0512工作状态信号。
示例性的，根据电流信号和电压信号，确定第一参数电路；根据辅助敏感参数AT32UC3C0512工作状态信号，确定第二参数电路为看门狗电路；将第一参数电路和看门狗电路，分别与处理器连接，构成故障诊断电路。预先确定故障诊断电路后，将故障诊断电路嵌入至待检测混合电路芯片所在的处理电路中，从而实现在模数混合电路芯片AT32UC3C0512所在的设备正常运行过程中，对模数混合电路芯片进行在线故障检测的目的。
可见，利用本发明实施例，不需要基于线下测试以对混合电路芯片进行故障检测，满足了在设备正常运行的状态下，对设备中的混合电路芯片进行实时的故障检测的需求，达到了对混合电路芯片是否发生故障进行在线检测的目的。
参见图12，图12为本发明实施例提供的混合电路芯片的在线故障检测装置的一种结构示意图，该检测装置可以包括：
预设单元，用于预先确定故障诊断电路，将故障诊断电路嵌入至待检测混合电路芯片所在的处理电路中；
参数实时采集单元，用于在所述混合电路芯片所在的设备正常运行过程中，实时采集所述混合电路芯片的预设的故障敏感参数的参数值；
特征提取单元，用于对采集到的各个故障敏感参数的参数值进行特征提取，获得各个故障敏感参数的当前波形图特征；
故障模式获得单元，用于将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式；
故障诊断结果输出单元，根据获得的故障模式，确定故障诊断结果并输出。
可见，利用本发明实施例，不需要基于线下测试以对混合电路芯片进行故障检测，满足了在设备正常运行的状态下，对设备中的混合电路芯片进行实时的故障检测的需求，达到了对混合电路芯片是否发生故障进行在线检测的目的。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称得的存储介质，如：ROM/RAM、磁碟、光盘等。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种混合电路芯片的在线故障检测方法，其特征在于：预先确定故障诊断电路，将故障诊断电路嵌入至待检测混合电路芯片所在的处理电路中；
所述在线故障检测的过程，包括：
在所述混合电路芯片所在的设备正常运行过程中，实时采集所述混合电路芯片的预设的故障敏感参数的参数值；
对采集到的各个故障敏感参数的参数值进行特征提取，获得各个故障敏感参数的当前波形图特征；
将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式；
根据获得的故障模式，确定故障诊断结果并输出。
2.根据权利要求1所述的方法，其特征在于，所述预先确定故障诊断电路，将故障诊断电路嵌入至待检测混合电路芯片所在的处理电路中的步骤，包括：
根据历史故障数据，确定所述待检测混合电路芯片易导致故障的故障敏感参数；
根据确定的故障敏感参数，确定采集各个故障敏感参数的第一参数采集电路；
将第一参数采集电路和处理器连接，构成所述故障诊断电路；
将故障诊断电路和待检测混合电路芯片所在的处理电路设置在同一个电路板中。
3.根据权利要求2所述的方法，其特征在于，所述根据历史故障数据，确定所述待检测混合电路芯片易导致故障的故障敏感参数的步骤，包括：
将所述待检测混合电路芯片的历史故障数据存储至历史故障数据库中；所述历史故障数据，包括：历史发生的所有故障的故障模式、每个故障发生时，待检测混合电路芯片各个参数的值、以及每种故障模式对应的子功能模块；
根据历史故障数据库，获得功能模块-子模块矩阵MS和子模块-故障模式矩阵SF；
将MS矩阵和SF矩阵相乘得到功能模块-故障模式矩阵MF；
从所述MF矩阵中，提取出易导致故障的故障敏感参数。
4.根据权利要求2所述的方法，其特征在于，所述预先设置的波形图特征与故障模式的对应关系保存在预先训练的神经网络中；
所述将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式的步骤，包括：
将获得的各个故障敏感参数输入至预先训练的神经网络；
获得神经网络根据各个故障敏感参数的波形图特征与故障模式的对应关系，输出的故障模式；
根据获得的故障模式，确定故障诊断结果并输出。
5.根据权利要求4所述的方法，其特征在于，所述预先训练神经网络的步骤，包括：
在将所述电路板安装至设备之前，设置各个故障敏感参数的波形图特征与故障模式之间的初始对应关系，作为神经网络的初始数据，输入至所述故障诊断电路的处理器中；
对所述电路板注入故障，使得参数采集电路采集到的故障敏感参数的参数值，为发生预设故障模式时的参数值；
处理器接收参数采集电路采集到的故障敏感参数的参数值，对采集到的各个故障敏感参数的参数值进行特征提取，获得各个故障敏感参数的当前波形图特征；
将获得的各个故障敏感参数的当前波形图特征输入至所述神经网络中；
获得神经网络根据各个故障敏感参数的波形图特征和故障模式之间的初始对应关系，输出的故障模式；
判断获得的故障模式是否为注入的故障对应的故障模式；
如果是，则将各个故障敏感参数的波形图特征和故障模式之间的初始对应关系，保存在所述神经网络中，结束训练过程；
如果否，则调整各个故障敏感参数的波形图特征和故障模式之间的对应关系，将调整后的对应关系作为初始对应关系，返回所述对所述电路板注入故障的步骤。
6.根据权利要求2所述的方法，其特征在于，预先对每种故障模式的波形图提取对应的多个波形图特征，每个波形图特征划分为多个等级；
所述预先设置的波形图特征与故障模式的对应关系，包括每种故障模式的波形图对应的每个波形图特征的不同等级；
所述将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式的步骤，包括：
将获得的当前波形图特征与每种故障模式的波形图对应的每个波形图特征的不同等级进行匹配，获得当前波形图特征对应的故障模式。
7.根据权利要求2所述的方法，其特征在于，所述将第一参数采集电路和处理器连接，构成所述故障诊断电路的步骤之前，还包括：
根据历史故障数据，确定所述待检测混合电路芯片易导致故障的辅助敏感参数；
根据确定的辅助敏感参数，确定采集各个辅助敏感参数的第二参数采集电路；
所述将第一参数采集电路和处理器连接，构成所述故障诊断电路的步骤，包括：
将所述第一参数采集电路和第二参数采集电路分别与所述处理器连接，构成所述故障诊断电路。
8.根据权利要求5所述的方法，其特征在于，所述在线故障检测的过程，还包括：在所述混合电路芯片所在的设备正常运行过程中，实时采集所述混合电路芯片的预设的辅助敏感参数的参数值；
将获得的每个辅助敏感参数的参数值，与对应预设的辅助敏感参数的正常参数值进行匹配，如果匹配，则生成该辅助敏感参数正常的诊断信息；如果不匹配，则生成该辅助敏感参数异常的诊断信息；
所述根据获得的故障模式，确定故障诊断结果并输出的步骤，包括：
将获得的故障模式和根据各个辅助敏感参数生成的各个诊断信息，确定为故障诊断结果进行输出。
9.一种混合电路芯片的在线故障检测装置，其特征在于，包括：
预设单元，用于预先确定故障诊断电路，将故障诊断电路嵌入至待检测混合电路芯片所在的处理电路中；
参数实时采集单元，用于在所述混合电路芯片所在的设备正常运行过程中，实时采集所述混合电路芯片的预设的故障敏感参数的参数值；
特征提取单元，用于对采集到的各个故障敏感参数的参数值进行特征提取，获得各个故障敏感参数的当前波形图特征；
故障模式获得单元，用于将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式；
故障诊断结果输出单元，根据获得的故障模式，确定故障诊断结果并输出。
10.一种混合电路芯片的在线故障检测电路，其特征在于，将所述故障诊断电路嵌入至待检测混合电路芯片所在的处理电路中，包括：第一参数采集电路和与之相连的处理器；
所述第一参数采集电路，用于在所述混合电路芯片所在的设备正常运行过程中，实时采集所述混合电路芯片的预设的故障敏感参数的参数值；
所述处理器，用于对采集到的各个故障敏感参数的参数值进行特征提取，获得各个故障敏感参数的当前波形图特征；将获得的各个故障敏感参数的当前波形图特征与预先设置的波形图特征与故障模式的对应关系进行匹配，获得当前波形图特征对应的故障模式；根据获得的故障模式，确定故障诊断结果并输出。
CN201611219799.9A 2016-12-26 2016-12-26 混合电路芯片的在线故障检测方法、装置及故障检测电路 Active CN108241114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611219799.9A CN108241114B (zh) 2016-12-26 2016-12-26 混合电路芯片的在线故障检测方法、装置及故障检测电路

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611219799.9A CN108241114B (zh) 2016-12-26 2016-12-26 混合电路芯片的在线故障检测方法、装置及故障检测电路

Publications (2)

Publication Number Publication Date
CN108241114A true CN108241114A (zh) 2018-07-03
CN108241114B CN108241114B (zh) 2020-05-26

Family

ID=62702034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611219799.9A Active CN108241114B (zh) 2016-12-26 2016-12-26 混合电路芯片的在线故障检测方法、装置及故障检测电路

Country Status (1)

Country Link
CN (1) CN108241114B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109738782A (zh) * 2018-12-07 2019-05-10 上海交通大学 基于测量数据机器学习的电路板故障检测方法和系统
CN110597678A (zh) * 2019-09-09 2019-12-20 腾讯科技（深圳）有限公司 一种调试方法及调试单元
US20220335327A1 (en) * 2021-04-19 2022-10-20 Rohde & Schwarz Gmbh & Co. Kg Electronic device and method of setting processing parameters
CN116007686A (zh) * 2023-03-28 2023-04-25 四川华鲲振宇智能科技有限责任公司 一种ai处理芯片质量监测方法、设备及系统
CN116302899A (zh) * 2023-05-18 2023-06-23 中诚华隆计算机技术有限公司 一种芯粒故障诊断方法和装置
CN116400201A (zh) * 2023-06-06 2023-07-07 中诚华隆计算机技术有限公司 一种芯粒工作状态监测方法、装置、电子设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216527A (zh) * 2007-12-29 2008-07-09 湖南大学 一种基于神经网络的在线电子电路故障诊断方法
CN101226223A (zh) * 2008-01-29 2008-07-23 电子科技大学 一种电路板级自检测系统
CN101477172A (zh) * 2009-02-18 2009-07-08 湖南大学 一种基于神经网络的模拟电路故障诊断方法
CN101614787A (zh) * 2009-07-07 2009-12-30 南京航空航天大学 基于M-ary结构分类器的模拟电子电路故障诊断方法
CN102208028A (zh) * 2011-05-31 2011-10-05 北京航空航天大学 一种适用于动态复杂系统的故障预测和诊断方法
CN102221651A (zh) * 2011-03-11 2011-10-19 太原理工大学 一种矿用隔爆型干式变压器故障在线诊断及预警方法
CN102426334A (zh) * 2011-11-28 2012-04-25 北京航空航天大学 一种放大电路的贮存性能表征参数确定方法
CN102637019A (zh) * 2011-02-10 2012-08-15 武汉科技大学 一种工业生产过程智能集成故障诊断方法及装置
CN103792486A (zh) * 2014-02-27 2014-05-14 北京航空航天大学 基于fmea中故障影响数据的电路板测试设计与相关性矩阵建立方法
CN104597892A (zh) * 2014-12-16 2015-05-06 北京航天测控技术有限公司 一种用于电子信息装备层次化故障诊断方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216527A (zh) * 2007-12-29 2008-07-09 湖南大学 一种基于神经网络的在线电子电路故障诊断方法
CN101226223A (zh) * 2008-01-29 2008-07-23 电子科技大学 一种电路板级自检测系统
CN101477172A (zh) * 2009-02-18 2009-07-08 湖南大学 一种基于神经网络的模拟电路故障诊断方法
CN101614787A (zh) * 2009-07-07 2009-12-30 南京航空航天大学 基于M-ary结构分类器的模拟电子电路故障诊断方法
CN102637019A (zh) * 2011-02-10 2012-08-15 武汉科技大学 一种工业生产过程智能集成故障诊断方法及装置
CN102221651A (zh) * 2011-03-11 2011-10-19 太原理工大学 一种矿用隔爆型干式变压器故障在线诊断及预警方法
CN102208028A (zh) * 2011-05-31 2011-10-05 北京航空航天大学 一种适用于动态复杂系统的故障预测和诊断方法
CN102426334A (zh) * 2011-11-28 2012-04-25 北京航空航天大学 一种放大电路的贮存性能表征参数确定方法
CN103792486A (zh) * 2014-02-27 2014-05-14 北京航空航天大学 基于fmea中故障影响数据的电路板测试设计与相关性矩阵建立方法
CN104597892A (zh) * 2014-12-16 2015-05-06 北京航天测控技术有限公司 一种用于电子信息装备层次化故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MICHAEL E. STOCK EY AL.: "A COMPARISON OF FUNCTIONAL MODELS FOR USE IN THE FUNCTION-FAILURE DESIGN METHOD", 《SOURCE OF ACQUISITION NASA AMES RESEARCH CENTER》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109738782A (zh) * 2018-12-07 2019-05-10 上海交通大学 基于测量数据机器学习的电路板故障检测方法和系统
CN109738782B (zh) * 2018-12-07 2020-11-06 上海交通大学 基于测量数据机器学习的电路板故障检测方法和系统
CN110597678A (zh) * 2019-09-09 2019-12-20 腾讯科技（深圳）有限公司 一种调试方法及调试单元
CN110597678B (zh) * 2019-09-09 2022-05-31 腾讯科技（深圳）有限公司 一种调试方法及调试单元
US20220335327A1 (en) * 2021-04-19 2022-10-20 Rohde & Schwarz Gmbh & Co. Kg Electronic device and method of setting processing parameters
CN116007686A (zh) * 2023-03-28 2023-04-25 四川华鲲振宇智能科技有限责任公司 一种ai处理芯片质量监测方法、设备及系统
CN116302899A (zh) * 2023-05-18 2023-06-23 中诚华隆计算机技术有限公司 一种芯粒故障诊断方法和装置
CN116400201A (zh) * 2023-06-06 2023-07-07 中诚华隆计算机技术有限公司 一种芯粒工作状态监测方法、装置、电子设备及存储介质
CN116400201B (zh) * 2023-06-06 2023-08-11 中诚华隆计算机技术有限公司 一种芯粒工作状态监测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN108241114B (zh) 2020-05-26

Similar Documents

Publication Publication Date Title
CN108241114A (zh) 混合电路芯片的在线故障检测方法、装置及故障检测电路
CN201340445Y (zh) 电子产品的自动测试系统
CN105116317B (zh) 集成电路测试系统与方法
CN105589020B (zh) 一种用于配电设备巡检及带电检测的检测仪及方法
CN203241494U (zh) 直流系统交流串电及绝缘故障监测选线装置
US10718810B2 (en) Power drive transistor resonance sensor
CN108064347A (zh) 通讯模块的音频管脚测试方法及测试装置
CN108387878A (zh) 一种相控阵雷达tr组件自动测试装置与方法
CN109257120B (zh) 预测射频电路故障表征参数的优选方法
CN203840353U (zh) 一种卫星地球站载波动态监测设备
CN104133169A (zh) 非接触芯片测试系统与方法
CN109217922A (zh) 一种光模块上报接收信号丢失告警的方法及装置
CN103957531B (zh) 采用智能通信终端进行信号测试的方法和装置
CN206224538U (zh) 一种嵌入式读写器及资产管理系统
CN107181538A (zh) 一种中频信号功率检测电路及检测方法
CN112198477B (zh) 全向告警设备性能用的检测设备的检测方法
CN109406117A (zh) 一种基于改进rbfnn算法的多通道远程振动信号监示系统及监测方法
CN106019089A (zh) 一种根据相间信号相关关系特征进行局部放电判别的方法
CN106961337A (zh) 网络连接装置与线路检测方法
CN109061409A (zh) 暂态地电压局部放电检测装置
CN107543569A (zh) 基于调频声波的空间扰动检测方法与装置
CN114866944B (zh) 一种多路音频输出异常定位测试方法及系统
CN106054691A (zh) 控制系统
CN109946528A (zh) 天线在位检测电路、方法、装置和系统、无线终端
CN105356952B (zh) 一种无源互调检测装置及方法

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