CN110969206A - 基于层次划分的电路故障实时诊断与自修复方法 - Google Patents
基于层次划分的电路故障实时诊断与自修复方法 Download PDFInfo
- Publication number
- CN110969206A CN110969206A CN201911201994.2A CN201911201994A CN110969206A CN 110969206 A CN110969206 A CN 110969206A CN 201911201994 A CN201911201994 A CN 201911201994A CN 110969206 A CN110969206 A CN 110969206A
- Authority
- CN
- China
- Prior art keywords
- fault
- circuit
- module
- repair
- cgp
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Tests Of Electronic Circuits (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了基于层次划分的电路故障实时诊断与自修复方法,包括如下具体步骤:Step1:将电路系统按照功能进行模块划分并依据调用关系分层,利用故障树分析方法赋予各个模块不同的影响因子;Step2:选取Step1中需要监控与修复的模块获得电路相应CGP编码,模拟单粒子翻转效应对CGP编码进行故障注入获得大量故障样本数据,利用获得故障样本数据离线训练神经网络;Step3:当故障发生时结合Step2发送来的故障模块编号与Step1中不同模块编号对应的影响因子来决定故障模块的修复顺序,并利用补偿机制保证修复期间系统的正常运行。该方法解决了限制故障智能检测发展的数据集问题,同时提供一种基于电路故障模块影响度的修复方法。
Description
技术领域
本发明属于集成电路领域,具体说是一种基于层次划分的电路故障实时诊断与自修复方法。
背景技术
互联网技术的快速发展使得作为载体的电路系统越来越复杂并被应用于各种环境中。在一些人类无法企及需要借助机器来达到探索与研究目的的极端环境,如航空航天领域,集成电路受到电磁辐射影响极易发生单粒子翻转(SEU)故障导致巨大的经济损失。这要求电路系统必须具有高稳定性与高可靠性。传统集成电路直接由人工来设计实现,一般不具有故障检测功能,而设计得到的电路结构固定很难更改自身电路结构以应对多变的外部环境造成的各种故障,上述问题使得在电路发生故障时无法及时恢复正常运行导致系统瘫痪。为了克服传统电路设计方式暴露出的各种问题,同时提高系统在面对各种故障解决能力,提高系统的稳定性与可靠性,迫切需要一种能够实现故障检测与修复的方法。
发明内容
本发明的目的是为了解决现有技术中的不足,提供一种基于层次划分的电路故障实时诊断与自修复方法,该方法解决了限制故障智能检测发展的数据集问题,同时提供一种基于电路故障模块影响度的修复方法,为提高系统可靠性提供了一种电路故障实时智能检测并实时快速修复的方案。
为实现上述目的,本申请的技术方案为:基于层次划分的电路故障实时诊断与自修复方法,包括如下具体步骤:
Step1:将需要实现的电路系统按照功能进行模块划分并依据调用关系分层,利用故障树分析方法赋予各个模块不同的影响因子;
Step2:选取Step1中需要监控与修复的模块获得电路相应CGP编码,模拟单粒子翻转效应对CGP编码进行故障注入获得大量故障样本数据,利用获得故障样本数据离线训练神经网络,并不断提高分类精度;将训练后的神经网络与需要监控的电路下载到电路板上实现故障检测;
Step3:当故障发生时结合Step2发送来的故障模块编号与Step1中不同模块编号对应的影响因子来决定故障模块的修复顺序,并利用补偿机制保证修复期间系统的正常运行。
进一步的,针对上述步骤Step1进行详细描述如下:
Step1.1:在电路系统设计时将系统按照功能进行模块划分并将模块进行编号,利用模块间的调用关系对模块进行分层;
Step1.2:按照故障树分析方法为Step1.1中分层模块赋予影响因子DegreeK(k={1…n}),K值越大标志该模块故障对系统影响越大;
Step1.3:将获得的模块影响因子DegreeK配置到电路板中。
进一步的,针对上述步骤Step2进行详细描述如下:
Step2.1:获取Step1.1需要监控与修复的模块电路对应的CGP编码,对CGP编码模拟单粒子翻转效应进行故障注入并标记故障发生位置;
Step2.2:将Step2.1获得的故障CGP编码电路配置到电路板中,输入一条数据获得对应故障电路的真实输出,结合Step2.1中故障发生位置,得到一条故障样本数据,重复本步骤获得该故障CGP编码电路对应的故障数据;
Step2.3:重复Step2.1与Step2.2获得故障电路数据集,利用该数据集对用于监控电路的神经网络进行离线训练获得高精度的神经网络模型;
Step2.4:将获得的Step1.1电路与其对应的Step2.3用于电路实时监控神经网络模型下载到电路板中,当向电路输入数据时神经网络模型同时获取电路的输入与输出数据作为该模型自身输入,并输出监控结果,当结果向量中有不为0的数,则说明电路发生故障;
Step2.5:对Step2.4获得的故障模块进行故障再确认,如果仍然显示故障,则将故障模块编号发送给故障修复模块。
进一步的,针对上述步骤Step3进行详细描述如下:
Step3.1:隔离Step2.5获得的故障电路,将故障电路与Step1.3预先存储的模块影响因子相结合,赋予K值大的故障模块高修复优先级;
Step3.2:利用电路真值表代替Step2.5故障电路保证系统的正常运行,同时利用演化算法按照Step3.1获得的修复优先级从高到低依次演化相应的电路,每当成功演化出一条电路就及时替换相应的故障电路,直到所有故障电路全部替换完成。
本发明具有以下明显效果:(1)对CGP编码方案进行故障注入可以获得大量且有效的故障样本数据,解决了限制智能诊断的桎梏;(2)利用故障分析树获得系统各模块的影响因子,为故障模块提供一种修复策略。(3)通过对电路模块进行操作缩小了故障修复时需要修复的电路规模充分发挥FPGA部分可重构的优势。(4)使用真值表作为故障补偿机制保证系统在发生故障后可以正常运行增加了系统的可靠性。
附图说明
图1系统模块分层并赋予影响因子图。
图2CGP编码故障注入示例图。
图3故障集中样本数据示例表。
图4故障实时监控模型图。
图5故障补偿与修复模型图。
具体实施方式
以下结合发明内容和说明书附图详细说明本发明的具体实施。
本实施例提供了一种基于层次划分的电路故障实时诊断与自修复方法,具体实施步骤如下所示:
Step1.1:如图1所示,电路系统设计时将系统按照功能进行模块划分并将模块进行编号,利用模块间的调用关系对模块进行分层;
Step1.2:按照故障树分析方法为Step1.1中分层模块的最小割集,将最小割集中的模块与各模块对其他模块的影响程度相结合,赋予最顶层模块最小影响因子K=1,赋予最小割集中对其他模块影响最大的模块影响因子K=n,并以此为不同模块赋予K值越小标志该模块故障对系统影响越小;
Step1.3:将获得的模块编号与其对应的影响因子K预存到电路板中。
Step2.1:使用演化算法可以获取Step1.1需要监控与修复的模块电路对应的CGP编码,CGP编码故障注入示例图如图2所示,图中利用随机函数产生随机故障点编码9,通过将编码9输出进行翻转模拟单粒子翻转故障同时标记为ModuleC故障;
Step2.2:将设计好的电路中ModuleC替换为Step2.1获得的故障CGP编码电路并将整个电路配置到电路板中,输入一条数据获得对应故障电路的真实输出,结合Step2.1中故障发生位置,得到一条故障样本数据如图3所示,其中电路标签C显示为1标志ModuleC故障,重复本步骤获得该故障CGP电路对应的故障数据;
Step2.3:重复Step2.1与Step2.2获得故障电路数据集,选取神经网络模型利用该数据集对需要监控电路的神经网络进行离线训练获得高精度的神经网络模型,在选取监控对象时一般选取处于同一层的电路,不同层电路设计使用不同神经网络模型进行同时监控检测以此来减少受到故障传播现象影响而修补本来不需要修复的故障模块;
Step2.4:将获得的Step1.1电路与其对应的Step2.3用于电路实时监控神经网络模型下载到电路板中,当向电路输入数据时监控模型同时获取电路的输入与输出数据D0作为该检测模型自身输入,并输出检测结果D1,将检测结果与0向量比较,不等说明当前有模块发生故障;
Step2.5:为了防止出现故障误报情况,在获得Step2.4输出结果D1中显示的故障模块,发送信号S0给获取故障模块对应的真值表,通过输入真值表输入值得到故障模块输出值与对应真值表输出值进行比较实现故障再确认,如果仍然显示故障将故障模块编号发送给故障修复模块;
Step3:故障发生后如图5所示,由检测模块发送信号S1到多路模拟开关MUX,隔离故障电路D1,利用发送信号S0到电路真值表获取故障电路D1对应的真值表并触发故障补偿信号S2,将真值表值D1_T用于代替故障电路保证电路的正常运行。在检测模块发送信号S1到多路模拟开关MUX时也发送信号S0到预存的影响因子表并获得故障模块D1分别对应的影响因子D1_K并将其发送给故障修复模块,故障修复模块获得检测模块发送来的激活信号S3和影响因子表发来的影响因子D1_K,利用演化算法优先演化K值大的故障模块,每当成功演化出一条电路就及时替换相应的故障电路,直到所有电路全部替换完成。
当然,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的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 (4)
1.基于层次划分的电路故障实时诊断与自修复方法,其特征在于,包括如下具体步骤:
Step1:将电路系统按照功能进行模块划分并依据调用关系分层,利用故障树分析方法赋予各个模块不同的影响因子;
Step2:选取Step1中需要监控与修复的模块获得电路相应CGP编码,模拟单粒子翻转效应对CGP编码进行故障注入获得大量故障样本数据,利用获得故障样本数据离线训练神经网络;将训练后的神经网络与需要监控的电路下载到电路板上实现故障检测;
Step3:当故障发生时结合Step2发送来的故障模块编号与Step1中不同模块编号对应的影响因子来决定故障模块的修复顺序,并利用补偿机制保证修复期间系统的正常运行。
2.根据权利要求1所述基于层次划分的电路故障实时诊断与自修复方法,其特征在于,针对上述步骤Step1进行详细描述如下:
Step1.1:在电路系统设计时将系统按照功能进行模块划分并将模块进行编号,利用模块间的调用关系对模块进行分层;
Step1.2:按照故障树分析方法为Step1.1中分层模块赋予影响因子Degree K(k={1…n}),K值越大标志该模块故障对系统影响越大;
Step1.3:将获得的模块影响因子Degree K配置到电路板中。
3.根据权利要求2所述基于层次划分的电路故障实时诊断与自修复方法,其特征在于,针对上述步骤Step2进行详细描述如下:
Step2.1:获取Step1.1需要监控与修复的模块电路对应的CGP编码,对CGP编码模拟单粒子翻转效应进行故障注入并标记故障发生位置;
Step2.2:将Step2.1获得的故障CGP编码电路配置到电路板中,输入一条数据获得对应故障电路的真实输出,结合Step2.1中故障发生位置,得到一条故障样本数据,重复本步骤获得该故障CGP编码电路对应的故障数据;
Step2.3:重复Step2.1与Step2.2获得故障电路数据集,利用该数据集对用于监控电路的神经网络进行离线训练获得神经网络模型;
Step2.4:将获得的Step1.1电路与其对应的Step2.3用于电路实时监控神经网络模型下载到电路板中,当向电路输入数据时神经网络模型同时获取电路的输入与输出数据作为该模型自身输入,并输出监控结果,当结果向量中有不为0的数,则说明电路发生故障;
Step2.5:对Step2.4获得的故障模块进行故障再确认,如果仍然显示故障,则将故障模块编号发送给故障修复模块。
4.根据权利要求2或3所述基于层次划分的电路故障实时诊断与自修复方法,其特征在于,针对上述步骤Step3进行详细描述如下:
Step3.1:隔离Step2.5获得的故障电路,将故障电路与Step1.3预先存储的模块影响因子相结合,赋予K值大的故障模块高修复优先级;
Step3.2:利用电路真值表代替Step2.5故障电路保证系统的正常运行,同时利用演化算法按照Step3.1获得的修复优先级从高到低依次演化相应的电路,每当成功演化出一条电路就及时替换相应的故障电路,直到所有故障电路全部替换完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911201994.2A CN110969206B (zh) | 2019-11-29 | 2019-11-29 | 基于层次划分的电路故障实时诊断与自修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911201994.2A CN110969206B (zh) | 2019-11-29 | 2019-11-29 | 基于层次划分的电路故障实时诊断与自修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110969206A true CN110969206A (zh) | 2020-04-07 |
CN110969206B CN110969206B (zh) | 2023-06-06 |
Family
ID=70032127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911201994.2A Active CN110969206B (zh) | 2019-11-29 | 2019-11-29 | 基于层次划分的电路故障实时诊断与自修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969206B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113917850A (zh) * | 2021-08-26 | 2022-01-11 | 卡斯柯信号有限公司 | 一种基于软件实现的轨旁仿真系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015005077A (ja) * | 2013-06-20 | 2015-01-08 | 株式会社日立製作所 | 障害情報管理方法、障害情報管理装置及びプログラム |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN106055426A (zh) * | 2016-05-21 | 2016-10-26 | 大连理工大学 | 基于演化硬件的实时容错系统设计方法 |
CN107884706A (zh) * | 2017-11-09 | 2018-04-06 | 合肥工业大学 | 基于向量值正则核函数逼近的模拟电路故障诊断方法 |
CN108520301A (zh) * | 2018-04-17 | 2018-09-11 | 重庆大学 | 一种基于深度置信网络的电路间歇故障诊断方法 |
-
2019
- 2019-11-29 CN CN201911201994.2A patent/CN110969206B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015005077A (ja) * | 2013-06-20 | 2015-01-08 | 株式会社日立製作所 | 障害情報管理方法、障害情報管理装置及びプログラム |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN106055426A (zh) * | 2016-05-21 | 2016-10-26 | 大连理工大学 | 基于演化硬件的实时容错系统设计方法 |
CN107884706A (zh) * | 2017-11-09 | 2018-04-06 | 合肥工业大学 | 基于向量值正则核函数逼近的模拟电路故障诊断方法 |
WO2019090878A1 (zh) * | 2017-11-09 | 2019-05-16 | 合肥工业大学 | 基于向量值正则核函数逼近的模拟电路故障诊断方法 |
CN108520301A (zh) * | 2018-04-17 | 2018-09-11 | 重庆大学 | 一种基于深度置信网络的电路间歇故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
李伯虎;柴旭东;张霖;李潭;卿杜政;林廷宇;刘阳;: "面向新型人工智能系统的建模与仿真技术初步研究", 系统仿真学报, no. 02 * |
王耀宣;叶俊民;陈静汝;欧中红;: "一种基于二分图故障检测模型的软件故障定位方法研究", 计算机科学, no. 06 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113917850A (zh) * | 2021-08-26 | 2022-01-11 | 卡斯柯信号有限公司 | 一种基于软件实现的轨旁仿真系统 |
CN113917850B (zh) * | 2021-08-26 | 2024-03-29 | 卡斯柯信号有限公司 | 一种基于软件实现的轨旁仿真系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110969206B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5157668A (en) | Method and apparatus for locating faults in electronic units | |
Deb et al. | QSI's integrated diagnostics toolset | |
Ferguson et al. | Test pattern generation for realistic bridge faults in CMOS ICs | |
Ye et al. | Board-level functional fault diagnosis using artificial neural networks, support-vector machines, and weighted-majority voting | |
CN105045574A (zh) | 一种基于复杂网络故障传播的软件关键函数辨识方法 | |
CN110969206A (zh) | 基于层次划分的电路故障实时诊断与自修复方法 | |
CN114090647A (zh) | 一种电力通信设备缺陷关联性分析方法及缺陷排查方法 | |
Price et al. | Multiple fault diagnosis from FMEA | |
CN108445280A (zh) | 一种带有故障提示的电压表 | |
US3735255A (en) | Apparatus and method for testing a multi-terminal logic circuit capable of detecting fixed and intermittant faults | |
CN116244188A (zh) | 一种接口隔离控制的自动化测试方法及系统 | |
CN107102943B (zh) | 一种智能电能表软件可靠性测试方法及系统 | |
CN112699029B (zh) | 一种舱门分区软件的自动化测试方法 | |
Pomeranz et al. | Location of stuck-at faults and bridging faults based on circuit partitioning | |
CN111722969B (zh) | Leu整机自动化测试系统 | |
CN106250280B (zh) | 一种时钟信号测试方法和装置 | |
Narayanan et al. | Object‐oriented representations, causal reasoning and expert systems | |
Ness | Managing not-so-small numbers between comparative and statistical methods | |
Stosovic et al. | Hierarchical approach to diagnosis of mixed-mode circuits using artificial neural networks | |
Shuai | Research on circuit fault diagnosis of communication system based on BP neural network | |
Ubar et al. | How to Prove that a Circuit is Fault-Free? | |
Stosovic et al. | Hierarchical approach to diagnosis using ANNs | |
Shi et al. | A Dynamic Modeling and Simulation Method of Built-in Test (BIT) Based on State-chart Diagram | |
CN113568831A (zh) | 基于蜕变测试的自监督深度学习型缺陷定位方法 | |
Zhu et al. | Data mining application in smart meter quality control |
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 |