CN113743048A - 一种链路风险评估方法、装置、设备及可读存储介质 - Google Patents
一种链路风险评估方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113743048A CN113743048A CN202110930670.3A CN202110930670A CN113743048A CN 113743048 A CN113743048 A CN 113743048A CN 202110930670 A CN202110930670 A CN 202110930670A CN 113743048 A CN113743048 A CN 113743048A
- Authority
- CN
- China
- Prior art keywords
- link
- risk
- result
- design value
- link risk
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012502 risk assessment Methods 0.000 title claims abstract description 53
- 238000013461 design Methods 0.000 claims abstract description 128
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 50
- 238000004590 computer program Methods 0.000 claims description 12
- 230000005484 gravity Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 17
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 5
- 238000012356 Product development Methods 0.000 description 3
- 150000003071 polychlorinated biphenyls Chemical class 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000003475 lamination Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2115/00—Details relating to the type of the circuit
- G06F2115/12—Printed circuit boards [PCB] or multi-chip modules [MCM]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种链路风险评估方法、装置、设备及可读存储介质。本申请公开的方法应用于风险评估模组，包括：获取链路参数的设计值；其中，链路参数包括：PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量和/或PCB板数量；利用模糊理论评估设计值，得到链路风险结果；若设计值和链路风险结果符合预设规则库中的任一条规则，则将设计值和链路风险结果匹配并记录，使得风险评估结果更合理，该过程利用风险评估模组自动完成，避免了人工计算带来的误差，也降低了对工程师的技术要求和经验要求，能够提高评估效率和准确性。相应地，本申请提供的一种链路风险评估装置、设备及可读存储介质，也同样具有上述技术效果。
Description
技术领域
本申请涉及计算机电路设计技术领域，特别涉及一种链路风险评估方法、装置、设备及可读存储介质。
背景技术
链路的信号完整性是评估电子产品的重要因素，尤其是针对高速链路而言，其信号完整性决定了电子产品能否达到预期的使用频率。
目前，需要工程师依照不同规范评估链路设计所使用的线缆、连接器、PCB迭层损耗等参数，从而评估链路的信号完整性，以判断链路设计的风险高低。该过程需花费大量时间，且评估结果依赖于工程师的经验，因此评估的效率和准确性有待提升。
因此，如何提高链路风险评估的效率和准确率，是本领域技术人员需要解决的问题。
发明内容
有鉴于此，本申请的目的在于提供一种链路风险评估方法、装置、设备及可读存储介质，以提高链路风险评估的效率和准确率。其具体方案如下：
第一方面，本申请提供了一种链路风险评估方法，应用于风险评估模组，包括：
获取链路参数的设计值；其中，所述链路参数包括：PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量和/或PCB板数量；
利用模糊理论评估所述设计值，得到链路风险结果；
若所述设计值和所述链路风险结果符合预设规则库中的任一条规则，则将所述设计值和所述链路风险结果匹配并记录。
优选地，所述利用模糊理论评估所述设计值，得到链路风险结果，包括：
基于所述设计值构建模糊集合；
利用连续化归属函数描述所述模糊集合，并利用重心法分析每种链路参数的设计值与链路风险之间的关系；
基于每种链路参数的设计值与链路风险之间的关系确定所述链路风险结果。
优选地，所述连续化归属函数包括：三角形归属函数、梯形归属函数、钟形归属函数、高斯归属函数、S形归属函数或Z形归属函数。
优选地，所述基于所述设计值构建模糊集合，包括：
利用Matlab构建每种链路参数的设计值分别对应的模糊集合。
优选地，所述预设规则库中设有至少一条规则，每条规则包括：PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量和/或PCB板数量分别对应的取值范围，以及相应的风险值。
优选地，还包括：
若所述设计值符合预设规则库中的任一条规则，但所述链路风险结果不符合该条规则，则用所述链路风险结果覆盖该条规则中的风险值后，将所述设计值和所述链路风险结果匹配并记录。
优选地，所述预设规则库的生成过程包括：
确定评估链路风险所需的各种链路参数：
针对任一种链路参数，按照参数取值大小确定分类等级，并确定该种链路参数在不同分类等级下的取值区间和中值；
选择每种链路参数的任一分类等级，并设定相应的风险值，得到一条规则。
优选地，还包括：
若获取到至少两组设计值，则利用模糊理论分别评估所述至少两组设计值，得到至少两个链路风险结果；其中，任一组设计值对应的链路参数包括：PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量和/或PCB板数量；
从所述至少两个链路风险结果中确定风险最小的链路风险结果，并确定所述风险最小的链路风险结果对应的一组设计值；
若所确定的一组设计值和所述风险最小的链路风险结果符合预设规则库中的任一条规则，则将所确定的一组设计值和所述风险最小的链路风险结果匹配并记录。
第二方面，本申请提供了一种链路风险评估装置，应用于风险评估模组，包括：
获取模块，用于获取链路参数的设计值；其中，所述链路参数包括：PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量和/或PCB板数量；
评估模块，用于利用模糊理论评估所述设计值，得到链路风险结果；
输出模块，用于若所述设计值和所述链路风险结果符合预设规则库中的任一条规则，则将所述设计值和所述链路风险结果匹配并记录。
第三方面，本申请提供了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序，以实现前述公开的链路风险评估方法。
第四方面，本申请提供了一种可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述公开的链路风险评估方法。
通过以上方案可知，本申请提供了一种链路风险评估方法，应用于风险评估模组，包括：获取链路参数的设计值；其中，所述链路参数包括：PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量和/或PCB板数量；利用模糊理论评估所述设计值，得到链路风险结果；若所述设计值和所述链路风险结果符合预设规则库中的任一条规则，则将所述设计值和所述链路风险结果匹配并记录。
可见，本申请在获取到链路参数的设计值后，利用模糊理论评估这些设计值，从而得到链路风险结果；若这些设计值和相应的链路风险结果均符合预设规则库中的任一条规则，则将设计值和链路风险结果匹配并记录。该方案使用模糊理论可快速分析链路的设计风险，并利用预设规则库对链路风险结果和链路参数的设计值进行了匹配，使得风险评估结果更合理，该过程利用风险评估模组自动完成，无需工程师手动计算，避免了人工计算带来的误差，也降低了对工程师的技术要求和经验要求，可以提高评估效率和准确性，也提升了产品开发质量及时效。
相应地，本申请提供的一种链路风险评估装置、设备及可读存储介质，也同样具有上述技术效果。
附图说明
为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种链路风险评估方法流程图；
图2为本申请公开的一条规则的示意图；
图3为本申请公开的一种预设规则库中的各条规则的示意图；
图4为本申请公开的一种链路风险评估装置示意图；
图5为本申请公开的一种电子设备示意图；
图6为本申请公开的一种PCB板材损耗对应的参数取值示意图；
图7为本申请公开的一种走线长度对应的参数取值示意图；
图8为本申请公开的一种线缆长度对应的参数取值示意图；
图9为本申请公开的一种连接器数量对应的参数取值示意图；
图10为本申请公开的一种过孔数量对应的参数取值示意图；
图11为本申请公开的一种风险输出值对应的参数取值示意图；
图12为本申请公开的一种评估流程示意图；
图13为本申请公开的一种三角形归属函数的图形示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
目前，需要工程师依照不同规范评估链路设计所使用的线缆、连接器、PCB迭层损耗等参数，从而评估链路的信号完整性，以判断链路设计的风险高低。该过程需花费大量时间，且评估结果依赖于工程师的经验，因此评估的效率和准确性有待提升。为此，本申请提供了一种链路风险评估方案，能够提高链路风险评估的效率和准确率。
参见图1所示，本申请实施例公开了一种链路风险评估方法，应用于风险评估模组，包括：
S101、获取链路参数的设计值。
其中，链路参数包括：PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量和/或PCB板数量。因此本实施例中的设计值为PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量和/或PCB板数量分别对应的设计取值。
S102、利用模糊理论评估设计值，得到链路风险结果。
在一种具体实施方式中，利用模糊理论(Fuzzy)评估设计值，得到链路风险结果，包括：基于设计值构建模糊集合；利用连续化归属函数描述模糊集合，并利用重心法分析每种链路参数的设计值与链路风险之间的关系；基于每种链路参数的设计值与链路风险之间的关系确定链路风险结果。
需要说明的是，不同设计值之间也会互相影响，因此重心法还可以分析不同设计值之间的关系，以及该关系对链路风险的影响，从而基于该影响和每种链路参数的设计值与链路风险之间的关系确定链路风险结果。
其中，连续化归属函数包括：三角形归属函数、梯形归属函数、钟形归属函数、高斯归属函数、S形归属函数或Z形归属函数。
其中，基于设计值构建模糊集合，包括：利用Matlab构建每种链路参数的设计值分别对应的模糊集合。例如：构建PCB板材损耗对应的模糊集合、构建走线长度对应的模糊集合、构建线缆长度对应的模糊集合、构建连接器数量对应的模糊集合、构建过孔数量对应的模糊集合、构建PCB板数量对应的模糊集合。
当然，还可以用不同归属函数描述不同链路参数对应的模糊集合。例如：使用三角形归属函数描述PCB板材损耗对应的模糊集合，使用梯形归属函数描述走线长度对应的模糊集合，使用钟形归属函数描述构建线缆长度对应的模糊集合。其他以此类推。
S103、判断设计值是否符合预设规则库中的任一条规则；若是，则执行S104；若否，则执行S106。
S104、判断链路风险结果是否符合S103中所述的该条规则；若是，则执行S105；若否，则执行S107。
S105、将设计值和链路风险结果匹配并记录。
S106、将设计值和链路风险结果匹配并记录至预设规则库。
S107、用链路风险结果覆盖该条规则中的风险值后，将设计值和链路风险结果匹配并记录。
在本实施例中，当这些链路参数的设计值和相应的链路风险结果均符合预设规则库中的某一条规则时，说明该条规则正确且合理，且当前设计与该条规则匹配。当链路参数的设计值不符合预设规则库中的任一条规则时，说明预设规则库中没有记录当前设计对应的规则，因此将设计值和链路风险结果匹配并记录至预设规则库，以补充预设规则库。当只有链路参数的设计值符合预设规则库中的某一条规则时，说明预设规则库中的该条规则需要调整和修正，因此用链路风险结果覆盖该条规则中的风险值。上述三种情况下，都需要将设计值和链路风险结果匹配并记录，以便后续技术人员查询当前具体设计，以及对应的链路风险结果。
在一种具体实施方式中，预设规则库中设有至少一条规则，每条规则包括：PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量和/或PCB板数量分别对应的取值范围，以及相应的风险值。
假设任一条规则包括：PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量对应的取值范围，以及相应的风险值，那么预设规则库中的某一条规则可参照图2，图2所示的：PCB板材损耗大小对应的ULL、走线长度对应的S、线缆长度对应的CS、连接器数量对应的L、过孔数量对应的L、风险对应的L可参照表1-表6。
在表1-表6中，相应链路参数的某一分类等级以相应英文的首字母表示。如：Ultra-Low Loss这一分类等级，可以用“ULL”表示，此即为图2中所记录的ULL。当然，任一种链路参数的分类等级的个数可以更多或更少，相应的取值范围和中值也可以基于实际情况进行调整。
请参照表1，表1为4～8GHz(dB)频率下的PCB板材损耗大小的分类等级，以及每个分类等级的取值范围和中值。
表1
| Type(分类等级) | Abbreviation | Parameter | Median |
| Middle Loss(中等损耗) | ML | 0.65～1.27 | 0.96 |
| Low Loss(低等损耗) | LL | 0.5～1.05 | 0.77 |
| Ultra Low Loss(船低等损耗 | ULL | 0.35～0.58 | 0.46 |
请参照表2，表2为走线长度的分类等级，以及每个分类等级的取值范围和中值。走线长度指：印刷电路板上的走线距离。
表2
| Type | Parameter | Median |
| Short | 1～10 | 5.5 |
| Middle | 8～13 | 10.5 |
| Long | 12～18 | 15 |
请参照表3，表3为线缆长度的分类等级，以及每个分类等级的取值范围和中值。线缆长度指：链路设计的线缆长度。
表3
| Type | Abbreviation | Parameter | Median |
| Cable Short | CS | 100～500 | 300 |
| Cable Middle | CM | 300～700 | 500 |
| Cable Long | CL | 600～1200 | 900 |
请参照表4，表4为连接器数量的分类等级，以及每个分类等级的取值范围和中值。
表4
| Type | Parameter | Median |
| Low | 0～2 | 1 |
| Middle | 1～4 | 2.5 |
| High | 3～6 | 4.5 |
请参照表5，表5为过孔数量的分类等级，以及每个分类等级的取值范围和中值。
表5
| Type | Parameter | Median |
| Low | 0～2 | 1 |
| Middle | 1～3 | 2 |
| High | 2～4 | 3 |
请参照表6，表6示意了3个风险等级，以及每个风险等级的风险值范围和中值。
表6
| Type | Parameter | Median |
| High | 60～100 | 80 |
| Middle | 25～70 | 50 |
| Low | 1～40 | 20 |
其中，PCB板数量也可以按照数量多少分类为中、高、低，并设置对应的取值范围和中值。
在本实施例中，风险评估模组可以为软件程序或硬件模块。若风险评估模组为软件程序，那么可以基于机器学习、深度学习等方式实现。若风险评估模组为硬件模块，那么使用汇编语言实现本实施例提供的方案，并将汇编语言的功能代码烧录至硬件模块。
可见，本实施例在获取到链路参数的设计值后，利用模糊理论评估这些设计值，从而得到链路风险结果；若这些设计值和相应的链路风险结果均符合预设规则库中的任一条规则，则将设计值和链路风险结果匹配并记录。该方案使用模糊理论可快速分析链路的设计风险，并利用预设规则库对链路风险结果和链路参数的设计值进行了匹配，使得风险评估结果更合理，该过程利用风险评估模组自动完成，无需工程师手动计算，避免了人工计算带来的误差，也降低了对工程师的技术要求和经验要求，可以提高评估效率和准确性，也提升了产品开发质量及时效。
基于上述实施例，若同时输入至少两组设计值给风险评估模组，那么风险评估模组可以利用模糊输出每组设计值对应的链路风险结果，并从中选择风险最小的链路风险结果和相应的一组设计值。此时，这一组设计值可认为是至少两组设计值中的最优设计，因此可记录该组设计值和相应的链路风险结果。
在一种具体实施方式中，若获取到至少两组设计值，则利用模糊理论分别评估至少两组设计值，得到至少两个链路风险结果；从至少两个链路风险结果中确定风险最小的链路风险结果，并确定风险最小的链路风险结果对应的一组设计值；若所确定的一组设计值和所述风险最小的链路风险结果符合预设规则库中的任一条规则，则将所确定的一组设计值和所述风险最小的链路风险结果匹配并记录。
其中，任一组设计值对应的链路参数包括：PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量和/或PCB板数量。
基于上述实施例，预设规则库的生成过程包括：确定评估链路风险所需的各种链路参数：针对任一种链路参数，按照参数取值大小确定分类等级，并确定该种链路参数在不同分类等级下的取值区间和中值，如表1-表5；选择每种链路参数的任一分类等级，并设定相应的风险值，得到一条规则。
预设规则库中可设置243条规则，并顺序标号，具体请参见图3。
下面对本申请实施例提供的一种链路风险评估装置进行介绍，下文描述的一种链路风险评估装置与上文描述的一种链路风险评估方法可以相互参照。
参见图4所示，本申请实施例公开了一种链路风险评估装置，应用于风险评估模组，包括：
获取模块401，用于获取链路参数的设计值；其中，链路参数包括：PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量和/或PCB板数量；
评估模块402，用于利用模糊理论评估设计值，得到链路风险结果；
输出模块403，用于若设计值和链路风险结果符合预设规则库中的任一条规则，则将设计值和链路风险结果匹配并记录。
在一种具体实施方式中，评估模块包括：
构建单元，用于基于设计值构建模糊集合；
解析单元，用于利用连续化归属函数描述模糊集合，并利用重心法分析每种链路参数的设计值与链路风险之间的关系；
确定单元，用于基于每种链路参数的设计值与链路风险之间的关系确定链路风险结果。
在一种具体实施方式中，连续化归属函数包括：三角形归属函数、梯形归属函数、钟形归属函数、高斯归属函数、S形归属函数或Z形归属函数。
在一种具体实施方式中，构建单元具体用于：
利用Matlab构建每种链路参数的设计值分别对应的模糊集合。
在一种具体实施方式中，预设规则库中设有至少一条规则，每条规则包括：PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量和/或PCB板数量分别对应的取值范围，以及相应的风险值。
在一种具体实施方式中，还包括：
规则库更新模块，用于若设计值符合预设规则库中的任一条规则，但链路风险结果不符合该条规则，则用链路风险结果覆盖该条规则中的风险值后，将设计值和链路风险结果匹配并记录。
在一种具体实施方式中，预设规则库的生成过程包括：
确定评估链路风险所需的各种链路参数：
针对任一种链路参数，按照参数取值大小确定分类等级，并确定该种链路参数在不同分类等级下的取值区间和中值；
选择每种链路参数的任一分类等级，并设定相应的风险值，得到一条规则。
在一种具体实施方式中，还包括：
筛选模块，用于若获取到至少两组设计值，则利用模糊理论分别评估所述至少两组设计值，得到至少两个链路风险结果；其中，任一组设计值对应的链路参数包括：PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量和/或PCB板数量；从所述至少两个链路风险结果中确定风险最小的链路风险结果，并确定所述风险最小的链路风险结果对应的一组设计值；若所确定的一组设计值和所述风险最小的链路风险结果符合预设规则库中的任一条规则，则将所确定的一组设计值和所述风险最小的链路风险结果匹配并记录。
其中，关于本实施例中各个模块、单元更加具体的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
可见，本实施例提供了一种链路风险评估装置，该装置使用模糊理论可快速分析链路的设计风险，并利用预设规则库对链路风险结果和链路参数的设计值进行了匹配，使得风险评估结果更合理，该过程利用风险评估模组自动完成，无需工程师手动计算，避免了人工计算带来的误差，也降低了对工程师的技术要求和经验要求，可以提高评估效率和准确性，也提升了产品开发质量及时效。
下面对本申请实施例提供的一种电子设备进行介绍，下文描述的一种电子设备与上文描述的一种链路风险评估方法及装置可以相互参照。
参见图5所示，本申请实施例公开了一种电子设备，包括：
存储器501，用于保存计算机程序；
处理器502，用于执行所述计算机程序，以实现上述任意实施例公开的方法。
下面对本申请实施例提供的一种可读存储介质进行介绍，下文描述的一种可读存储介质与上文描述的一种链路风险评估方法、装置及设备可以相互参照。
一种可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述实施例公开的链路风险评估方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
需要说明的是，由于低速链路几乎没有损耗，高速链路有较大损耗，因此评估链路风险一般针对的是高速链路。其中，工作频率在3GHz及以上的链路可称为高速链路。
下面对模糊理论进行介绍。模糊理论的定义为：令U为被讨论的全体对象，叫做论域(Universe of Discourse)；论域中的每个对象叫做元素，以u表示；U上的一个模糊子集A，是指：对于任意x∈U，都指定了一个实数fA(x)∈[0,1]，叫做x隶属于A的程度，该映射称为A的隶属函数(Membership Function)。当A的隶属函数的值域＝{0,1}时，fA变化成一个普通子集的特征函数，A变化成一个普通子集。当A单独出现或使用时，称为模糊集合。
然而针对大多数的事物，在语意表达上通常难以做明确的区分辨别，也就是含有模糊、不明确的叙述。而模糊集合如同人类的思维模式，可以说每一元素是将二值逻辑(Binary Logic)扩展为多值逻辑(Multi-valued Logic)，除了以0和1来表示所属程度之外，还可以推广至介于0与1之间的数值来表示。
在传统控制方法中，必须建立精确严谨的数学模型来达成控制，但如果要控制复杂的系统必定要花费相当多的时间、人力去建立数学模型，才有可能达到所需的动作。然而我们不可能把整个控制系统的所有变数都列出来，只能去控制一些影响系统较大的因素。利用连续化归属函数即可描述无限模糊集合的特性，以控制影响系统较大的因素。
解模糊(Defuzzification)是在给定模糊集及对应从属函数(membershipfunction)程度时，产生对应经典逻辑下的结果，以将模糊集映射到明确集合(crisp set)。解模糊常用在模糊控制系统中，此系统中有许多的规则，会将许多的变量转换为模糊的结果，可以由不同从属程度的模糊集表示。例如，控制压力系统可能的结果是：降压(15％)，维持压力(34％)，升压(72％)。解模糊就是将上述的信息转换为特定的决策或是实数值。
最简单(但最不实用)的解模糊方式是：取从属程度最高的结果。以上述示例来说，升压的从属程度有72％，因此可以省略其他的选择，并且将72％转换为某物理量。此方法的问题是损失了许多信息，如：此例中也有提到降压或维持压力的可能性，但无法反映在结果中。
常见且有用的解模糊方式是重心法(center of gravity)。首先需将各规则的结果以某种方式相加，最常见的模糊集从属函数图形是上尖下平的三角形。若三角形被某水平线切开，只保留下方的图形，所得的会是梯形。解模糊的第一步是将各从属函数切掉一部份，保留梯形(若原始从属函数不是三角形，切掉之后留下的可能是其他形状)。在上述示例中，若输出是降压(15％)，则对应降压(15％)的从属函数图形需切掉15％以上的部分。之后，再将各从属函数迭加，形成单一的几何图形，计算此图形的几何中心，称为模糊中心，模糊中心的x坐标即为解模糊的值。
下面对本申请提供的链路评估方案进行进一步介绍。设计关键数据收集模块和Fuzzy高速链路风险计算模块。其中，关键数据收集模块用于收集各种链路参数的设计取值。Fuzzy高速链路风险计算模块用于对所收集的各种链路参数的设计取值进行处理，以得到风险评估结果。
其中，可提前设计预设规则库，并按照表1-表5分类每种链路参数。具体为：请参见表1，在4～8GHz频率下，将PCB板材损耗大小分类为：
(1)Middle Loss：损耗为0.65dB～1.27dB；
(2)Low Loss：损耗为0.5dB～1.05dB；
(3)Ultra-Low Loss：损耗为0.35dB～1.58dB。
请参见表2，将走线长度划分成3类(短、中、长)，单位为inch。
请参见表3，将线缆长度划分成3类(短、中、长)，单位为mm。
请参见表4，将连接器数量划分成3类(低、中、高)。
请参见表5，将过孔数量划分成3类(低、中、高)。
请参见表6，将风险等级划分成3类(低、中、高)。
据此，可设定一条一条的规则，以组成预设规则库。
若使用Matlab运行Fuzzy高速链路风险计算模块中的具体计算步骤，那么首先在Matlab中设定输入模块对应的参数值、输出模块对应的参数值。
请参见图6，图6示意了PCB板材损耗对应的参数取值。图6中所示意的相关参数值的计算过程如下：
请参见图7，图7示意了走线长度对应的参数取值。图7中所示意的相关参数值的计算过程如下：
请参见图8，图8示意了线缆长度对应的参数取值。图8中所示意的相关参数值的计算过程如下：
请参见图9，图9示意了连接器数量对应的参数取值。图9中所示意的相关参数值的计算过程如下：
请参见图10，图10示意了过孔数量对应的参数取值。图10中所示意的相关参数值的计算过程如下：
请参见图11，图11示意了风险输出值对应的参数取值。图11中所示意的相关参数值的计算过程如下：
其中，PCB板数量也可以按照图6-图10进行设置，并进行相应计算。
利用Matlab以模糊理论处理图6-图10所示意的参数值，可以输出风险评估结果。本实施例的具体评估流程可参见图12。
例如：当PCB Loss＝0.5dB、Routing Length＝10inch、Cable Length＝300mm、Connector Number＝2时，Via Number(即风险评估结果)＝1。
当PCB Loss＝0.8dB、Routing Length＝9inch、Cable Length＝800mm、ConnectorNumber＝3时，Via Number＝2。
当PCB Loss＝1.1dB、Routing Length＝13inch、Cable Length＝200mm、Connector Number＝1时，Via Number＝1。
由图6-图10可看出，本实施例使用三角形归属函数描述模糊集合，三角形归属函数的表达式如下，图形示意如图13。
可见，本实施例针对任意设计参数值，可以快速输出相应的链路风险值，从而缩短了链路风险的评估时长，提升了评估效能，减少了技术人员的工作时程，提升了产品设计效能。
本申请涉及的“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法或设备固有的其它步骤或单元。
需要说明的是，在本申请中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的可读存储介质中。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种链路风险评估方法，其特征在于，应用于风险评估模组，包括：
获取链路参数的设计值；其中，所述链路参数包括：PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量和/或PCB板数量；
利用模糊理论评估所述设计值，得到链路风险结果；
若所述设计值和所述链路风险结果符合预设规则库中的任一条规则，则将所述设计值和所述链路风险结果匹配并记录。
2.根据权利要求1所述的链路风险评估方法，其特征在于，所述利用模糊理论评估所述设计值，得到链路风险结果，包括：
基于所述设计值构建模糊集合；
利用连续化归属函数描述所述模糊集合，并利用重心法分析每种链路参数的设计值与链路风险之间的关系；
基于每种链路参数的设计值与链路风险之间的关系确定所述链路风险结果。
3.根据权利要求2所述的链路风险评估方法，其特征在于，所述连续化归属函数包括：三角形归属函数、梯形归属函数、钟形归属函数、高斯归属函数、S形归属函数或Z形归属函数。
4.根据权利要求1所述的链路风险评估方法，其特征在于，还包括：
若获取到至少两组设计值，则利用模糊理论分别评估所述至少两组设计值，得到至少两个链路风险结果；其中，任一组设计值对应的链路参数包括：PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量和/或PCB板数量；
从所述至少两个链路风险结果中确定风险最小的链路风险结果，并确定所述风险最小的链路风险结果对应的一组设计值；
若所确定的一组设计值和所述风险最小的链路风险结果符合预设规则库中的任一条规则，则将所确定的一组设计值和所述风险最小的链路风险结果匹配并记录。
5.根据权利要求1所述的链路风险评估方法，其特征在于，所述预设规则库中设有至少一条规则，每条规则包括：PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量和/或PCB板数量分别对应的取值范围，以及相应的风险值。
6.根据权利要求5所述的链路风险评估方法，其特征在于，还包括：
若所述设计值符合预设规则库中的任一条规则，但所述链路风险结果不符合该条规则，则用所述链路风险结果覆盖该条规则中的风险值后，将所述设计值和所述链路风险结果匹配并记录。
7.根据权利要求1至6任一项所述的链路风险评估方法，其特征在于，所述预设规则库的生成过程包括：
确定评估链路风险所需的各种链路参数：
针对任一种链路参数，按照参数取值大小确定分类等级，并确定该种链路参数在不同分类等级下的取值区间和中值；
选择每种链路参数的任一分类等级，并设定相应的风险值，得到一条规则。
8.一种链路风险评估装置，其特征在于，应用于风险评估模组，包括：
获取模块，用于获取链路参数的设计值；其中，所述链路参数包括：PCB板材损耗大小、走线长度、连接器数量、线缆长度、过孔数量和/或PCB板数量；
评估模块，用于利用模糊理论评估所述设计值，得到链路风险结果；
输出模块，用于若所述设计值和所述链路风险结果符合预设规则库中的任一条规则，则将所述设计值和所述链路风险结果匹配并记录。
9.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求1至7任一项所述的链路风险评估方法。
10.一种可读存储介质，其特征在于，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的链路风险评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110930670.3A CN113743048B (zh) | 2021-08-13 | 2021-08-13 | 一种链路风险评估方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110930670.3A CN113743048B (zh) | 2021-08-13 | 2021-08-13 | 一种链路风险评估方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113743048A true CN113743048A (zh) | 2021-12-03 |
| CN113743048B CN113743048B (zh) | 2023-07-14 |
Family
ID=78731062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110930670.3A Active CN113743048B (zh) | 2021-08-13 | 2021-08-13 | 一种链路风险评估方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113743048B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100030609A1 (en) * | 2008-07-31 | 2010-02-04 | International Business Machines Corporation | Intelligent system and fuzzy logic based method to determine project risk |
| CN105046389A (zh) * | 2015-02-13 | 2015-11-11 | 国家电网公司 | 一种用于电力安全风险评估的智能风险评估方法及其系统 |
| CN111475355A (zh) * | 2020-03-20 | 2020-07-31 | 苏州浪潮智能科技有限公司 | 高速链路信号完整性评估方法、系统、终端及存储介质 |
-
2021
- 2021-08-13 CN CN202110930670.3A patent/CN113743048B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100030609A1 (en) * | 2008-07-31 | 2010-02-04 | International Business Machines Corporation | Intelligent system and fuzzy logic based method to determine project risk |
| CN105046389A (zh) * | 2015-02-13 | 2015-11-11 | 国家电网公司 | 一种用于电力安全风险评估的智能风险评估方法及其系统 |
| CN111475355A (zh) * | 2020-03-20 | 2020-07-31 | 苏州浪潮智能科技有限公司 | 高速链路信号完整性评估方法、系统、终端及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113743048B (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guh | Robustness of the neural network based control chart pattern recognition system to non‐normality | |
| CN107958059B (zh) | 智能问答方法、装置、终端和计算机可读存储介质 | |
| US6629307B2 (en) | Method for ensuring correct pin assignments between system board connections using common mapping files | |
| CN112364807B (zh) | 图像识别方法、装置、终端设备及计算机可读存储介质 | |
| CN117454829B (zh) | 基于电路拓扑模型的线路优化系统 | |
| CN115544953A (zh) | 一种pcb阻抗仿测优化的方法、装置、设备及可读介质 | |
| CN116150630A (zh) | 一种数据异常值检测方法及存储介质 | |
| CN111045407B (zh) | 腐蚀箔生产控制方法及装置 | |
| CN116223962A (zh) | 线束电磁兼容性预测方法、装置、设备及介质 | |
| CN115973144A (zh) | 一种自动泊车识别障碍物的方法、装置、电子设备及介质 | |
| CN113743048A (zh) | 一种链路风险评估方法、装置、设备及可读存储介质 | |
| CN105306252A (zh) | 一种自动判别服务器故障的方法 | |
| US20030200516A1 (en) | Automated crosstalk identification system | |
| CN111881642A (zh) | 电路板上gnd属性铜皮的绘制方法、系统及相关装置 | |
| EP3379461A1 (en) | Method for computer-assisted determination of the performance of a classification model | |
| CN116756488A (zh) | 一种局部放电缺陷诊断方法、系统及介质 | |
| CN115600102B (zh) | 基于船舶数据的异常点检测方法及装置、电子设备、介质 | |
| CN115221833A (zh) | 一种pcb板布线排序方法、系统、装置及可读存储介质 | |
| CN115996169A (zh) | 一种网络故障分析方法、装置、电子设备及存储介质 | |
| CN109992962B (zh) | 一种基于多级模糊神经网络的入侵检测方法 | |
| CN112685992A (zh) | 一种基于Skill快速查找跨平面走线的方法和系统 | |
| CN113378304A (zh) | 一种车辆性能目标的确定方法、装置、存储介质及设备 | |
| CN101206679B (zh) | 布局图设计规则检查的方法与计算机可读取记录介质 | |
| CN113378870A (zh) | 一种基于神经网络预测印刷电路板辐射源分布的方法和装置 | |
| CN111209926A (zh) | 一种基于相邻点连接的数据聚类方法 |
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 |