CN110135088B - 基于退化特征参数正常包络模型的模拟电路早期故障检测方法 - Google Patents
基于退化特征参数正常包络模型的模拟电路早期故障检测方法 Download PDFInfo
- Publication number
- CN110135088B CN110135088B CN201910420731.4A CN201910420731A CN110135088B CN 110135088 B CN110135088 B CN 110135088B CN 201910420731 A CN201910420731 A CN 201910420731A CN 110135088 B CN110135088 B CN 110135088B
- Authority
- CN
- China
- Prior art keywords
- circuit
- degradation
- output signal
- output
- model
- 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
Links
Images
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
- G01R31/316—Testing of analog circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Tests Of Electronic Circuits (AREA)
- Analogue/Digital Conversion (AREA)
Abstract
基于退化特征参数正常包络模型的模拟电路早期故障检测方法,属于电子系统可靠性领域。电路早期故障状态和正常工作状态有较大混叠难以区分,导致检测结果不理想。基于退化特征参数正常包络模型的模拟电路早期故障检测方法,确定电路的输出信号及分析电路中可能存在的退化源作为电路的关键元器件;建立关键元器件的退化模型,通过仿真实验获取退化数据;对电路的输出信号进行特征提取,提取出能够反映输出信号退化的特征参数;建立基于退化的特征参数的正常包络模型并进行检测,完成电路的早期故障检测。
Description
技术领域
本发明涉及一种模拟电路早期故障检测方法。
背景技术
模拟电路中的故障可以分为硬故障和软故障两种,其中硬故障指的是由于元器件短路或断路造成电路失效,软故障是指电路中的元器件参数偏移超出容差范围而引起电路性能下降。电路的早期故障属于电路软故障的早期阶段,这时电路性能刚刚开始退化。故障检测是对待测电路是否存在故障进行检测,不需细分故障状态及故障位置,只需检测电路系统是否处于正常状态。
在电子系统的故障检测领域,国内外的研究机构以及学者已经完成了相当多的研究工作,但故障检测研究的对象大多数为模拟电路参数变化较大的软故障,主要集中在元器件参数偏离容差范围50%以上的故障,而对早期故障检测的研究则很少涉及。然而早期故障检测对提高系统的可靠性有着很重要的意义,因为元器件的退化效应会导致电路出现渐变性故障,且故障程度会随时间逐渐加深。当电路出现早期故障时,其性能已经开始下降,只是故障特征微弱,难以察觉,但若任其发展则可能会导致系统失效,造成非常严重的后果。
因此,为了解决上述问题,需要找到一种模拟电路的故障检测方法,可以区分待测电路的早期故障状态和正常工作状态,对待测电路的早期故障进行检测,实现电路故障隐患的早期预报。
发明内容
本发明的目的是为了解决电路早期故障状态和正常工作状态有较大混叠难以区分,导致的检测结果不理想问题,而提出一种基于退化特征参数正常包络模型的模拟电路早期故障检测方法。
基于退化特征参数正常包络模型的模拟电路早期故障检测方法,所述方法包括以下步骤:
步骤一、确定电路的输出信号及分析电路中可能存在的退化源作为电路的关键元器件;
步骤二、建立关键元器件的退化模型,通过仿真实验获取退化数据;
步骤三、对电路的输出信号进行特征提取,提取出能够反映输出信号退化的特征参数;
步骤四、建立基于退化的特征参数的正常包络模型并进行检测,完成电路的早期故障检测。
本发明的有益效果为:
本发明能够区分待测电路的早期故障状态和正常工作状态,对待测电路的早期故障进行检测,实现电路故障隐患的早期预报。
本发明解决了电路早期故障状态和正常工作状态有较大混叠难以区分导致检测结果不理想的问题。以某高压电源板为例,本发明对故障偏移量为10%、20%、30%、40%的检测效果如下表所示。
高斯过程回归模型检测率
附图说明
图1为本发明方法流程图;
图2a为本发明涉及的某高压电源板第一部分电路图;
图2b为本发明涉及的某高压电源板第二部分电路图;
图3为本发明涉及的小波包分解第四个参数的高斯过程回归正常包络模型;
图4a为本发明涉及的无故障时检测结果;
图4b为本发明涉及的出现故障时检测结果;
图5为本发明涉及的有明显退化趋势和没有明显退化趋势的图示,其中,曲线a表示有明显退化趋势,曲线b表示没有明显退化趋势,其中,需要说明书的是,退化趋势明显是不同于退化率的,两者为不同的概念,图中曲线a所表示的退化率低于曲线b所表示的退化率,却具有明显的退化趋势。
具体实施方式
具体实施方式一:
本实施方式的基于退化特征参数正常包络模型的模拟电路早期故障检测方法,结合图1对本实施方式进行说明,所述方法包括以下步骤:
步骤一、分析电路的原理和功能,确定电路的输出信号及分析电路中可能存在的退化源作为电路的关键元器件;
步骤二、建立关键元器件的退化模型,通过仿真实验获取退化数据;
步骤三、对电路的输出信号进行特征提取,提取出能够明显反映输出信号退化的特征参数;
步骤四、建立基于退化的特征参数的正常包络模型并进行检测,完成电路的早期故障检测。
具体实施方式二:
本实施方式与具体实施方式一不同的是:
所述步骤一中确定电路的输出信号的过程为,将电路的最终输出作为电路的输出信号;当电路存在中间级输出时,则将中间级输出作为输出信号;
所述步骤一中电路中可能存在的退化源作为电路的关键元器件包括两种情况:
一种是将在电路中易发生退化的元器件作为电路中的关键元器件;
另一种是对输出影响大的元器件,运用PSPice AA对电路中的基础元器件进行灵敏度分析,确定各元器件参数的变化对输出的影响程度,选择对输出影响程度大的元器件作为电路中的关键元器件;其中,对输出影响程度大是指:影响程度最大的,以及大于影响程度最大的值的50-80%的元器件,阈值的选择视具体情况而定;例如,将各元器件参数的变化对输出的影响程度从大到小排列后,第一位的影响程度是100,第二的影响程度是30,那么,只选取影响程度为第一位的元器件;如果第一位的影响程度是100,第二位的影响程度是99,第三位的影响程度是95,第四位的影响程度是30,那么就选取排序为前三个的元器件。
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:所述步骤二中建立关键元器件的退化模型,通过仿真实验获取退化数据的具体过程为:
步骤二一、对元器件的退化机理进行分析,建立每个关键元器件退化的模型;
步骤二二、根据元器件退化的模型计算出每个关键元器件在各时刻的参数退化状态;
步骤二三、将关键元器件退化后的参数加入到电路中,对各时刻分别进行仿真,得到电路在各时刻的输出即电路的退化状态作为获取到的退化数据。
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:所述步骤三中对电路的输出信号进行特征提取,提取出能够明显反映输出信号退化的特征参数的具体过程为:
步骤三一、分析获取到的退化数据,
若输出信号的参数噪声扰动较小且有明显的退化趋势,则不需要对输出的信号进行特征提取,直接用输出信号的参数作为特征来建立模型;
若输出信号的参数噪声扰动较大且没有明显的退化趋势如图5中曲线b所示,则不能直接作为输出的特征,需要对输出的信号进行特征提取,使得电路的特征更加明显;
其中,输出信号的参数包括电压、周期、脉宽等;
明显的退化趋势是指特征退化曲线平滑如图5中曲线a所示,以Aout为周期,退化趋势由三次多项式拟合为:
PERAout=2.248×10-6t3+2.136×10-4t2-1.457×10-2t+37.02;
式中,t表示时间;
退化趋势的拟合优度通过以下指标衡量:
和方差、误差平方和以SSE0.05047为衡量标准;
均方根、标准差以RMSE0.01689为衡量标准;
决定系数为R-square以1为衡量标准;
校正后的决定系数Adjusted R-square以1为衡量标准;
当SSE和RMSE越接近0,则拟合效果越好;R-square和Adjusted R-square越接近1,则拟合效果越好;
步骤三二、对参数特征退化趋势不明显的输出信号进行特征提取,由于不同特征提取方法对不同信号的处理能力不同,需要运用多种方法分别进行退化特征参数的提取;
步骤三三、通过以下条件评估各特征提取方法的提取效果,选择提取效果好的特征提取方法用于下一步正常包络模型的建模,提取效果好满足以下条件:
一是满足电路发生退化后输出的特征与未发生退化时要易于区分的条件;
二是满足特征曲线较为平滑,噪声扰动较小,有明显的退化趋势。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:
本实施方式与具体实施方式一至四之一不同的是:所述步骤四中建立基于退化的特征参数的正常包络模型并进行检测,完成电路的早期故障检测的具体过程为:
步骤四一、运用高斯过程回归算法,建立基于退化特征参数的正常包络模型;
步骤四二、对待检测电路的输出信号进行特征提取,将处理后的结果运用正常包络模型进行检测,得到电路故障检测结果。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:
本实施方式与具体实施方式五不同的是:所述步骤一中作为电路中的关键元器件还包括在电路中起到重要作用元器件。
采用以下实施例验证本发明的有益效果:
实施例一:
以某高压电源板电路为例说明本发明对模拟电路早期故障检测的研究成果,某高压电源板电路图如图2a和2b所示:
首先按照实施步骤一,确定电路的输出为最终输出Vout1、Vout2、Vout3和中间级输出Aout、Bout,将中间级输出前的电路作为电路的第一部分,中间级输出到最终输出间的部分作为电路的第二部分。运用PSPice AA对电路中的基础元器件进行灵敏度分析,选取退化明显和对输出影响大的元器件作为关键元器件,高压电源板中的大功率器件如MOSFET也对电路的退化有很大的影响,综合灵敏度分析的结果、元器件在电路中起到的作用以及元器件易发生退化的程度,选择以下元器件作为电路中的关键元器件建立退化模型。
表2-1高压电源板中关键器件
按照实施步骤二,分析元器件退化机理并建立退化模型。
电阻的阻值退化模型可表示为:
电解电容的退化速率受温度的影响可表示为:
式中,r为退化速率,A是与电容退化机理有关的常数,T为工作时的热力学温度(K),E为激活能,k为波尔兹曼常数。
电解电容的等效串联电阻ESR和电容值C随时间的变化可表示为:
C(t)=A2+B2·t
三极管直流电流增压HFE随时间变化可表示为:
式中CE和CB为反射区和基区的杂质浓度,WE和WB为发射区和基区的宽度,μpe和μnb是发射区和基区少子的迁移率,t为使用时间,T为工作时的热力学温度(K),E为激活能,k为波尔兹曼常数。
MOSFET阈值电压Vth的退化模型可表示为:
MOSFET沟道电阻Rd的退化模型可表示为:
式中,A、B、C都是与工作温度和材料本身相关的系数,t为使用时间,T为工作时的热力学温度(K),E为激活能,k为波尔兹曼常数,Vgs和Id是MOSFET的栅源电压和漏极电流。
在完成底层元器件退化模型建立之后,运用PSPice仿真得到电路各时刻的退化状态。根据退化模型分别计算每个关键元器件从未发生退化至退化到第180个月时的参数,在PSPice的电路中更改元器件参数并对每个时刻进行仿真,共可得到电路的181组输出,即电路在各时刻的退化状态,作为退化数据。
按照实施步骤三,电路第一部分的两路输出Aout和Bout的周期和脉宽两个参数退化曲线趋势较明显可直接作为第一部分输出的特征来建立模型。而电路第二部分输出的三路高压信号的输出电压、上升时间、纹波电压等各参数均扰动较大且没有明显的趋势,不能直接作为输出的特征,需要对输出的信号进行特征提取,使得电路的特征更加明显。
为了找到与模型最匹配的特征提取方式,对小波分解、小波包分解、PCA、信息熵、DBN几种特征提取的方法进行了研究,选取其中效果较好的方法和参数建立模型。特征提取的效果可由两方面来进行评估,一是电路发生退化后输出的特征与未发生退化时要易于区分,二是特征曲线要较为平滑,噪声扰动较小,最好有明显的退化趋势。退化后输出的特征与未发生退化时的特征是否易于区分可用两者间的差值和欧氏距离进行衡量,计算每种特征提取结果归一化之后的差值和欧氏距离取平均值,最终选取小波包分解、PCA和信息熵三种特征提取方法。
特征提取结果差值和欧氏距离平均值
按照实施步骤四,分别对Aout和Bout的周期和脉宽,以及对Vout1、Vout2、Vout3特征提取后的参数建立基于高斯过程回归算法的正常包络模型,以小波包分解第四个参数模型为例,如图3所示,图中的区域代表了95%的置信区间,作为模型的最佳估计区间区域中间的曲线为模型的最佳估计值
选择效果较好的模型完成对待测电路的检测,对待测电路的输出信号进行特征提取,将处理后的结果运用模型进行检测,当时,参数在模型估计的范围之内,则电路无故障,反之则检测结果为出现故障。或者描出参数的点与模型的相对位置,当描出的点在高斯过程回归的模型区域内则电路无故障,如图4a所示,反之则检测结果为出现故障,如图4b所示,可以更加直观的判断电路是否发生故障,即可完成对电路故障的检测。
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 (5)
1.一种基于退化特征参数正常包络模型的模拟电路早期故障检测方法,其特征在于:所述方法包括以下步骤:
步骤一、确定电路的输出信号及分析电路中可能存在的退化源作为电路的关键元器件;
步骤二、建立关键元器件的退化模型,通过仿真实验获取退化数据;
步骤三、对电路的输出信号进行特征提取,提取出能够反映输出信号退化的特征参数;
步骤四、建立基于退化的特征参数的正常包络模型并进行检测,完成电路的早期故障检测。
2.根据权利要求1所述的基于退化特征参数正常包络模型的模拟电路早期故障检测方法,其特征在于:
所述步骤一中确定电路的输出信号的过程为,将电路的最终输出作为电路的输出信号;当电路存在中间级输出时,则将中间级输出作为输出信号;
所述步骤一中电路中可能存在的退化源作为电路的关键元器件包括两种情况:
一种是将在电路中易发生退化的元器件作为电路中的关键元器件;
另一种是对输出影响大的元器件,运用PSPice AA对电路中的基础元器件进行灵敏度分析,确定各元器件参数的变化对输出的影响程度,选择对输出影响程度大的元器件作为电路中的关键元器件;其中,对输出影响程度大是指影响程度最大的,以及大于影响程度最大的值的50-80%的元器件。
3.根据权利要求2所述的基于退化特征参数正常包络模型的模拟电路早期故障检测方法,其特征在于:所述步骤二中建立关键元器件的退化模型,通过仿真实验获取退化数据的具体过程为:
步骤二一、对元器件的退化机理进行分析,建立每个关键元器件退化的模型;
步骤二二、根据元器件退化的模型计算出每个关键元器件在各时刻的参数退化状态;
步骤二三、将关键元器件退化后的参数加入到电路中,对各时刻分别进行仿真,得到电路在各时刻的输出即电路的退化状态作为获取到的退化数据。
4.根据权利要求3所述的基于退化特征参数正常包络模型的模拟电路早期故障检测方法,其特征在于:所述步骤三中对电路的输出信号进行特征提取,提取出能够反映输出信号退化的特征参数的具体过程为:
步骤三一、分析获取到的退化数据,
若输出信号有明显的退化趋势,则不需要对输出的信号进行特征提取,直接用输出信号的参数作为特征来建立模型;
若输出信号没有明显的退化趋势,则不能直接作为输出的特征,需要对输出的信号进行特征提取,使得电路的特征更加明显;
其中,输出信号的参数包括电压、周期、脉宽;
明显的退化趋势是指特征退化曲线平滑,以Aout为周期,退化趋势由三次多项式拟合为:
PERAout=2.248×10-6t3+2.136×10-4t2-1.457×10-2t+37.02;
式中,t表示时间;
退化趋势的拟合优度通过以下指标衡量:
和方差、误差平方和以SSE0.05047为衡量标准;
均方根、标准差以RMSE0.01689为衡量标准;
决定系数为R-square以1为衡量标准;
校正后的决定系数Adjusted R-square以1为衡量标准;
当SSE和RMSE越接近0,则拟合效果越好;R-square和Adjusted R-square越接近1,则拟合效果越好;
步骤三二、对参数特征退化趋势不明显的输出信号进行特征提取,运用多种方法分别进行退化特征参数的提取;
步骤三三、通过以下条件评估各特征提取方法的提取效果,选择提取效果好的特征提取方法用于下一步正常包络模型的建模,提取效果好满足以下条件:
一是满足电路发生退化后输出的特征与未发生退化时要易于区分的条件;
二是满足特征曲线平滑,有明显的退化趋势。
5.根据权利要求4所述的基于退化特征参数正常包络模型的模拟电路早期故障检测方法,其特征在于:所述步骤四中建立基于退化的特征参数的正常包络模型并进行检测,完成电路的早期故障检测的具体过程为:
步骤四一、运用高斯过程回归算法,建立基于退化特征参数的正常包络模型;
步骤四二、对待检测电路的输出信号进行特征提取,将处理后的结果运用正常包络模型进行检测,得到电路故障检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910420731.4A CN110135088B (zh) | 2019-05-20 | 2019-05-20 | 基于退化特征参数正常包络模型的模拟电路早期故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910420731.4A CN110135088B (zh) | 2019-05-20 | 2019-05-20 | 基于退化特征参数正常包络模型的模拟电路早期故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110135088A CN110135088A (zh) | 2019-08-16 |
CN110135088B true CN110135088B (zh) | 2022-08-23 |
Family
ID=67571788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910420731.4A Active CN110135088B (zh) | 2019-05-20 | 2019-05-20 | 基于退化特征参数正常包络模型的模拟电路早期故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135088B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406537B (zh) * | 2020-03-16 | 2024-05-07 | 上海长庚信息技术股份有限公司 | 一种电力设备故障程度的定量评估方法 |
US20220237353A1 (en) * | 2021-01-27 | 2022-07-28 | Taiwan Semiconductor Manufacturing Company Limited | Fault detection of circuit based on virtual defects |
CN115993504B (zh) * | 2023-03-23 | 2023-08-18 | 山东盛日电力集团有限公司 | 一种电气设备的智能故障诊断方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571120A (zh) * | 2009-05-31 | 2009-11-04 | 北京航空航天大学 | 基于倍频相对能量和的分层聚类航空泵多故障诊断方法 |
CN107036817A (zh) * | 2017-04-05 | 2017-08-11 | 哈尔滨理工大学 | 基于磷虾群算法的svr滚动轴承性能衰退预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004035608B4 (de) * | 2004-07-22 | 2016-02-04 | Intel Deutschland Gmbh | Empfänger eines Positionsbestimmungssystems und Verfahren zur Positionsbestimmung mit erhöhter Empfindlichkeit |
CN104019831B (zh) * | 2014-06-20 | 2017-01-04 | 哈尔滨工业大学 | 基于emd和熵权的陀螺仪故障诊断方法 |
CN106169001B (zh) * | 2016-07-11 | 2019-06-21 | 北京航空航天大学 | 一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法 |
CN108333208B (zh) * | 2018-01-22 | 2020-10-09 | 航天科工防御技术研究试验中心 | 一种整机级产品贮存寿命加速试验方法 |
CN109190210B (zh) * | 2018-08-17 | 2020-05-12 | 电子科技大学 | 基于Saber平台建模仿真的电路性能可靠性分析方法 |
CN109143164A (zh) * | 2018-10-11 | 2019-01-04 | 哈尔滨工业大学 | 基于高斯过程回归的无线信号源定位方法 |
-
2019
- 2019-05-20 CN CN201910420731.4A patent/CN110135088B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571120A (zh) * | 2009-05-31 | 2009-11-04 | 北京航空航天大学 | 基于倍频相对能量和的分层聚类航空泵多故障诊断方法 |
CN107036817A (zh) * | 2017-04-05 | 2017-08-11 | 哈尔滨理工大学 | 基于磷虾群算法的svr滚动轴承性能衰退预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110135088A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135088B (zh) | 基于退化特征参数正常包络模型的模拟电路早期故障检测方法 | |
Bankapalli et al. | TCAD augmented machine learning for semiconductor device failure troubleshooting and reverse engineering | |
US9607684B2 (en) | Circuit-level abstraction of multigate devices using two-dimensional technology computer aided design | |
US20120065920A1 (en) | Evaluation method, evaluation apparatus, and simulation method of semiconductor device | |
CN101551831B (zh) | 一种与总剂量辐射相关的器件建模方法 | |
US8156460B2 (en) | Method of estimating a leakage current in a semiconductor device | |
US20090094013A1 (en) | Two-step simulation methodology for aging simulations | |
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 | |
CN108363893B (zh) | 一种复杂条件下的单粒子脉冲电流源建模方法 | |
Ye et al. | Simulation of random telegraph noise with 2-stage equivalent circuit | |
CN101136347A (zh) | 一种mos管界面态的测试方法 | |
WO2020062885A1 (en) | Acoustic wave signal reading circuits, control methods, and acoustic wave signal reading apparatuses | |
CN103261902B (zh) | Cmos器件的iddq测试 | |
CN103913698A (zh) | 基于小波分形及核主元特征的开关电流电路故障诊断方法 | |
CN107039299A (zh) | Mos管参数退化电路和mos管参数退化预警电路 | |
CN109164719B (zh) | 供电电路、生成方法和控制方法 | |
CN113419589A (zh) | 电路参量的修调方法、修调电路、芯片、电子设备 | |
CN111245364B (zh) | 确定电气系统的校正的电流-电压特性曲线的方法 | |
CN112730958B (zh) | 一种电压过冲检测电路 | |
KR20160110116A (ko) | 반도체 장치의 성능 분석을 위한 시스템, 방법 및 컴퓨터 프로그램 제품 | |
CN110058150B (zh) | 差分时钟交叉点检测电路及检测方法 | |
US20160210386A1 (en) | Circuit simulation device, circuit simulation method, and circuit simulation program | |
US7276930B2 (en) | Circuit and method for detecting skew of transistor in semiconductor device | |
US20150236699A1 (en) | Input buffer circuit, method, and integrated circuit | |
Shuai et al. | A hybrid electronic components detection parameter sequence optimization method based on random forest and mean decrease accuracy |
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 |