CN115361272A - 一种基带芯片的通信故障检测方法、系统和电子设备 - Google Patents
一种基带芯片的通信故障检测方法、系统和电子设备 Download PDFInfo
- Publication number
- CN115361272A CN115361272A CN202210946825.7A CN202210946825A CN115361272A CN 115361272 A CN115361272 A CN 115361272A CN 202210946825 A CN202210946825 A CN 202210946825A CN 115361272 A CN115361272 A CN 115361272A
- Authority
- CN
- China
- Prior art keywords
- fault
- baseband chip
- communication
- parameters
- original detection
- 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.)
- Pending
Links
- 230000006854 communication Effects 0.000 title claims abstract description 180
- 238000004891 communication Methods 0.000 title claims abstract description 174
- 238000001514 detection method Methods 0.000 title claims abstract description 134
- 238000004458 analytical method Methods 0.000 claims abstract description 76
- 239000013598 vector Substances 0.000 claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 17
- 230000007774 longterm Effects 0.000 claims description 16
- 238000010295 mobile communication Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 abstract description 14
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 9
- 238000000513 principal component analysis Methods 0.000 description 8
- 238000012356 Product development Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- RVCKCEDKBVEEHL-UHFFFAOYSA-N 2,3,4,5,6-pentachlorobenzyl alcohol Chemical compound OCC1=C(Cl)C(Cl)=C(Cl)C(Cl)=C1Cl RVCKCEDKBVEEHL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 239000002858 neurotransmitter agent Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明提供了一种基带芯片的通信故障检测方法、系统及电子设备,该通信故障检测方法在采集基带芯片的各项原始检测参数之后,还针对各项原始检测参数,进行特征提取,获得故障特征向量;并根据故障特征向量,建立基于神经网络的通信电路故障分析模型;之后采用通信电路故障分析模型分析待测基带芯片的各项原始检测参数,得出待测基带芯片的通信故障类型。从而能够基于神经网络方法,采用机器学习的方式对基带芯片的通信功能进行分析,判断存在问题的信道,确定故障状态并进行分类。便于快速定位基带通信电路故障问题的具体位置,保障各个产品基带通信的正确性,快速解决基带芯片通信电路中存在的贴片问题以及与射频通信过程中存在的数据偏差问题。
Description
技术领域
本发明涉及通信芯片技术领域,尤其涉及一种基带芯片的通信故障检测方法、系统和电子设备。
背景技术
目前,由于生产使用的元器件存在个体差异,不能保证严格的一致性,并且受到贴片和PCBA单板负载的影响,器件工作状态如果不做参数的调整,往往达不到最佳性能,极端情况下可能导致终端产品无法使用。因此在SMT贴片之后,必须对手机进行校准、综测。校准就是利用修改软件参数的方法来补偿硬件一致性问题导致的通信参数偏差。综测就是利用仪表测试校准之后手机的通信指标是否满足相关标准要求。在SMT贴片过程中往往会出现基带通信电路的贴片异常,一旦出现通信的信道故障必然影响基带芯片信号输出的稳定性。现有技术主要通过人工的方式分析通信中的收发器、信道通路等各个部分的异常状态,通常直接对基带芯片及收发器进行维修,直接替换当前的基带芯片,必然会提高工作成本,提升维修难度,甚至会造成不必要的浪费。同时,分批检测无法满足快速量产的要求。
发明内容
本发明提供了一种基带芯片的通信故障检测方法、系统和电子设备,快速定位基带通信电路故障问题的具体位置,保障各个产品基带通信的正确性。
第一方面,本发明提供了一种基带芯片的通信故障检测方法,该通信故障检测方法包括:采集基带芯片的各项原始检测参数;针对各项原始检测参数,进行特征提取,获得故障特征向量;根据故障特征向量,建立基于神经网络的通信电路故障分析模型;采用通信电路故障分析模型分析待测基带芯片的各项原始检测参数,得出待测基带芯片的通信故障类型。
在上述的方案中,在采集基带芯片的各项原始检测参数之后,还针对各项原始检测参数,进行特征提取,获得故障特征向量;并根据故障特征向量,建立基于神经网络的通信电路故障分析模型;之后采用通信电路故障分析模型分析待测基带芯片的各项原始检测参数,得出待测基带芯片的通信故障类型。从而能够基于神经网络方法,采用机器学习的方式对基带芯片的通信功能进行分析,判断存在问题的信道,确定故障状态并进行分类。便于在产品开发过程中,手机等产品在SMT贴片之后,快速定位基带通信电路故障问题的具体位置,保障各个产品基带通信的正确性,快速解决基带芯片通信电路中存在的贴片问题以及与射频通信过程中存在的数据偏差问题。
在一个具体的实施方式中,针对各项原始检测参数,进行特征提取,获得故障特征向量,包括:采用主元分析方法对各项原始检测参数进行特征处理,得到能够代表各项原始检测参数的故障特征向量。即本申请还考虑基带通信电路故障类型的多样性,采集的各项原始检测参数难以进行定性或者定量分析,在处理基带通信电路的各项原始检测参数时,对采集到的原始数据进行特征处理,提取出更加关键,最能代表原始信号特征的数据,舍弃冗余特征信息,降低数据的维数,从而增加故障模式的区分度,提高通信电路故障分析模型的诊断性能。
在一个具体的实施方式中,采用主元分析方法对各项原始检测参数进行特征处理,得到能够代表各项原始检测参数的故障特征向量,包括:对各项原始检测参数进行标准化处理,得到标准化处理后的参数;对标准化处理后的参数建立协方差矩阵,计算协方差矩阵的特征值和特征向量;根据累计贡献率选取主元,构建变换矩阵;根据协方差矩阵和变换矩阵,得到能够代表各项原始检测参数的故障特征向量。便于快速的进行主元分析。
在一个具体的实施方式中,根据故障特征向量,建立基于神经网络的通信电路故障分析模型,包括:建立包含输入层、隐藏层和输出层的神经网络训练模型;选取若干故障特征向量,作为训练集;使用训练集训练神经网络训练模型,得到通信电路故障分析模型。便于构建通信电路故障分析模型。
在一个具体的实施方式中,使用训练集训练神经网络训练模型,得到通信电路故障分析模型包括:预设隐含层的层数;使用训练集训练神经网络模型;统计输出层输出结果的准确率;逐渐递增隐含层的层数,直到输出层输出结果的准确率达到目标准确率为止;将输出层输出结果的准确率达到目标准确率的神经网络模型,作为通信电路故障分析模型。通过采用动态方式调节隐含层的层数,使得最后得到的通信电路故障分析模型的故障诊断精度更高。
在一个具体的实施方式中,采用通信电路故障分析模型分析待测基带芯片的各项原始检测参数,得出待测基带芯片的通信故障类型,包括:采集待测基带芯片的各项原始检测参数;采用通信电路故障分析模型分析待测基带芯片的各项原始检测参数,得出待测基带芯片的通信故障类型。在采集到待测基带芯片的各项原始检测参数之后,采用通信电路故障分析模型分析待测基带芯片的各项原始检测参数,即可得到待测基带芯片的通信故障类型,提高故障诊断效率和精度。
在一个具体的实施方式中,各项原始检测参数为:包含基带芯片的各个频带、信道和天线的测试指标参数,便于采集基带芯片的更多项的原始检测参数,提高故障诊断精度。
在一个具体的实施方式中,包含基带芯片的各个频带、信道和天线的测试指标参数具体为:全球移动通信系统(GSM AGC)中的真实增益(Real Gain)、最大增益(Max Gain)、增益延时(Gain Delta)或路径损耗(Pathloss);全球移动通信系统中的自动功率控制参数(GSM APC);全球移动通信系统中的自动频率控制参数(GSM AFC);长期演进中的自动频率控制参数(LTE AFC);长期演进中的自动功率控制通道参数(LTE APC Line);长期演进中自动增益控制的参考增益(LTE AGC Ref Gain);长期演进中自动增益控制的补偿增益(LTEAGC Compensation Gain);新无线中的自动频率控制参数(NR AFC);新无线中的自动功率控制通道参数(NR APC Line);新无线中自动增益控制的参考增益(NR AGC Ref Gain);新无线中自动增益控制的补偿增益(NR AGC Compensation Gain);宽带码分多址中自动增益控制结果参数(WCDMA AGC RESULT);宽带码分多址中自动功率控制结果参数(WCDMA APCRESULT);宽带码分多址中的分结果参数(WCDMA DIV RESULT);宽带码分多址中的分接收的信号强度指示参数(WCDMA DIV RSSI);宽带码分多址中的发射功率检测信号结果参数(WCDMAHDET RESULT);宽带码分多址中的峰值功率(WCDMA MaxPower);宽带码分多址中的谷值功率(WCDMA MinPower);宽带码分多址中的主接收的信号强度指示参数(WCDMA PRIMRSSI);上述参数中的任意几种参数。采集基带芯片的全球移动通信系统、长期演进、新无线和宽带码分多址的测试指标参数,便于采集基带芯片的更多项的原始检测参数,提高故障诊断精度。
在一个具体的实施方式中,待测基带芯片的通信故障类型分为GSM、WCDMA、LTE、NR各频段的故障,提高基带芯片通信电路故障诊断模型输出诊断结果的故障诊断精度。
第二方面,本发明还提供了一种基带芯片的通信故障检测系统,该通信故障检测系统包括:采集模块、特征提取模块、模型建立模块和分析模块。其中,采集模块用于采集基带芯片的各项原始检测参数。特征提取模块用于针对各项原始检测参数,进行特征提取,获得故障特征向量。模型建立模块用于根据故障特征向量,建立基于神经网络的通信电路故障分析模型。分析模块用于采用通信电路故障分析模型分析待测基带芯片的各项原始检测参数,得出待测基带芯片的通信故障类型。
在上述的方案中,在采集基带芯片的各项原始检测参数之后,还针对各项原始检测参数,进行特征提取,获得故障特征向量;并根据故障特征向量,建立基于神经网络的通信电路故障分析模型;之后采用通信电路故障分析模型分析待测基带芯片的各项原始检测参数,得出待测基带芯片的通信故障类型。从而能够基于神经网络方法,采用机器学习的方式对基带芯片的通信功能进行分析,判断存在问题的信道,确定故障状态并进行分类。便于在产品开发过程中,手机等产品在SMT贴片之后,快速定位基带通信电路故障问题的具体位置,保障各个产品基带通信的正确性,快速解决基带芯片通信电路中存在的贴片问题以及与射频通信过程中存在的数据偏差问题。
在一个具体的实施方式中,特征提取模块采用主元分析方法对所述各项原始检测参数进行特征处理,得到能够代表所述各项原始检测参数的故障特征向量。
在一个具体的实施方式中,特征提取模块包括:标准化处理模块、计算模块、变换矩阵构建模块和特征确定模块。其中,标准化处理模块,用于对所述各项原始检测参数进行标准化处理,得到标准化处理后的参数;计算模块,用于对所述标准化处理后的参数建立协方差矩阵,计算所述协方差矩阵的特征值和特征向量;变换矩阵构建模块,用于根据累计贡献率选取主元,构建变换矩阵;特征确定模块,用于根据所述协方差矩阵和变换矩阵,得到能够代表所述各项原始检测参数的故障特征向量。
在一个具体的实施方式中,模型建立模块包括:训练模型构建模块、训练集确定模块和训练模块。其中,训练模型构建模块,用于建立包含输入层、隐藏层和输出层的神经网络训练模型;训练集确定模块,用于选取若干故障特征向量,作为训练集;训练模块,用于使用所述训练集训练所述神经网络训练模型,得到所述通信电路故障分析模型。
在一个具体的实施方式中,该模型建立模块还包括:隐含层设置模块、统计模块。其中,隐含层设置模块,用于预设隐含层的层数;统计模块,用于统计所述输出层输出结果的准确率。隐含层设置模块还用于逐渐递增所述隐含层的层数,直到所述输出层输出结果的准确率达到目标准确率为止。训练模块用于将所述输出层输出结果的准确率达到所述目标准确率的神经网络模型,作为所述通信电路故障分析模型。
在一个具体的实施方式中,分析模块用于采集所述待测基带芯片的各项原始检测参数;还用于采用所述通信电路故障分析模型分析所述待测基带芯片的各项原始检测参数,得出所述待测基带芯片的通信故障类型。
第三方面,本发明还提供了一种电子设备,电子设备包括至少一个处理器,还包括与至少一个处理器通信连接的存储器。其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述任意一种基带芯片的通信故障检测方法。
附图说明
图1为本发明实施例提供的一种基带芯片的通信故障检测方法的流程图;
图2为本发明实施例提供的另一种基带芯片的通信故障检测方法的流程图;
图3为本发明实施例提供的一种神经网络训练模型的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,都属于本发明保护的范围。
为了方便理解本发明实施例提供的基带芯片的通信故障检测方法,下面首先说明一下本发明实施例提供的基带芯片的通信故障检测方法的应用场景,该通信故障检测方法应用于基带芯片的通信故障检测过程中。其中,基带芯片具体可以为手机、智能手表、蜂窝网络、直放站等通讯类产品中承担基带通信功能的芯片。下面结合附图对该基带芯片的通信故障检测方法进行详细的叙述。
参考图1,本发明实施例提供的基带芯片的通信故障检测方法包括:
Step10:采集基带芯片的各项原始检测参数;
Step20:针对各项原始检测参数,进行特征提取,获得故障特征向量;
Step30:根据故障特征向量,建立基于神经网络的通信电路故障分析模型;
Step40:采用通信电路故障分析模型分析待测基带芯片的各项原始检测参数,得出待测基带芯片的通信故障类型。
在上述的方案中,在采集基带芯片的各项原始检测参数之后,还针对各项原始检测参数,进行特征提取,获得故障特征向量;并根据故障特征向量,建立基于神经网络的通信电路故障分析模型;之后采用通信电路故障分析模型分析待测基带芯片的各项原始检测参数,得出待测基带芯片的通信故障类型。由于基带芯片的通信功能测试中故障状态的识别与分类,是故障诊断过程中最重要的环节,而面对手机等产品日益复杂的电路结构,本申请采用神经网络的方法对基带芯片与射频通路收发过程中的数据进行分析,通过形成的通信电路故障分析模型将通信电路中各个频段的故障进行诊断,从而能够基于神经网络方法,采用机器学习的方式对基带芯片的通信功能进行分析,判断存在问题的信道,确定故障状态并进行分类。便于在产品开发过程中,手机等产品在SMT贴片之后,快速定位基带通信电路故障问题的具体位置,保障各个产品基带通信的正确性,快速解决基带芯片通信电路中存在的贴片问题以及与射频通信过程中存在的数据偏差问题。下面结合附图对上述各个步骤进行详细的介绍。
首先,参考图1及图2,采集基带芯片的各项原始检测参数。可以通过综测仪器连接待测电路,使用上位机软件获取并存储包含各项原始检测参数的测试数据,采集不同故障模式下的原始检测参数并做参数预处理。具体实施时,从基带芯片采集的各项原始检测参数可以为:包含基带芯片的各个频带、信道和天线的测试指标参数,便于采集基带芯片的更多项的原始检测参数,提高故障诊断精度。具体的,包含基带芯片的各个频带、信道和天线的测试指标参数可以为:全球移动通信系统(GSM AGC)中的真实增益(Real Gain)、最大增益(Max Gain)、增益延时(Gain Delta)或路径损耗(Pathloss);全球移动通信系统中的自动功率控制参数(GSM APC);全球移动通信系统中的自动频率控制参数(GSM AFC);长期演进中的自动频率控制参数(LTE AFC);长期演进中的自动功率控制通道参数(LTE APCLine);长期演进中自动增益控制的参考增益(LTE AGC Ref Gain);长期演进中自动增益控制的补偿增益(LTE AGC Compensation Gain);新无线中的自动频率控制参数(NR AFC);新无线中的自动功率控制通道参数(NR APC Line);新无线中自动增益控制的参考增益(NRAGC Ref Gain);新无线中自动增益控制的补偿增益(NR AGC Compensation Gain);宽带码分多址中自动增益控制结果参数(WCDMA AGC RESULT);宽带码分多址中自动功率控制结果参数(WCDMA APC RESULT);宽带码分多址中的分结果参数(WCDMA DIV RESULT);宽带码分多址中的分接收的信号强度指示参数(WCDMA DIV RSSI);宽带码分多址中的发射功率检测信号结果参数(WCDMA HDET RESULT);宽带码分多址中的峰值功率(WCDMA MaxPower);宽带码分多址中的谷值功率(WCDMA MinPower);宽带码分多址中的主接收的信号强度指示参数(WCDMA PRIM RSSI);上述参数中的任意几种参数。采集基带芯片的全球移动通信系统、长期演进、新无线和宽带码分多址的测试指标参数,便于采集基带芯片的更多项的原始检测参数,提高故障诊断精度。
接下来,如图1及图2所示,针对各项原始检测参数,进行特征提取,获得故障特征向量。在具体针对各项原始检测参数,进行特征提取,获得故障特征向量时,参考图2,可以先采用主元分析方法(Principal Component Analysis,PCA)对各项原始检测参数进行特征处理,得到能够代表各项原始检测参数的故障特征向量。即本申请还考虑基带通信电路故障类型的多样性,采集的各项原始检测参数难以进行定性或者定量分析,在处理基带通信电路的各项原始检测参数时,对采集到的原始数据进行特征处理,提取出更加关键,最能代表原始信号特征的数据,舍弃冗余特征信息,降低数据的维数,从而增加故障模式的区分度,提高通信电路故障分析模型的诊断性能。
在具体测试时,故障输出的检测参数不是某种特定的输出信号,难以进行定性或者定量分析。在诊断过程中通常采集基带通信电路测试节点的电压值作为故障分析的原始检测参数。在输入激励的作用下,提取一段连续的输出信号作为原始检测参数。由于基带通信电路故障的成因多变且随机,因而输出信号同样具有不确定性,且高维特性和模糊性也是信号难以直接处理的原因。因此在处理基带通信电路的原始检测参数时,需要对采集到的原始数据进行特征处理,提取出更加关键,最能代表原始信号特征的数据,舍弃冗余特征信息,降低数据的维数,从而增加故障模式的区分度,提高模型的诊断性能。
对于基带芯片的通信电路故障诊断中,提取有效的故障信息特征是后续构造测试集和样本集的前提,对后续诊断结果的可靠性和准确度有着重要的决定作用。主元分析是由统计学理论发展而来,用于高维数据降维的方法,所以特别适用于基带芯片的通信电路测试指标量特别大的场景。PCA将通信电路测试指标原始数据通过线性变换,得到一组各维度线性无关的成分,把这些不相关成分称为主元,各个主元之间互不相关。主元分析提取的主成分虽然很少,但是集中反映了通信电路测试指标原始数据的性质,对于不同通信信道的检测具有非常大的优势。主元分析在信号特征提取以及计算机视觉等领域都有着广泛的应用,将PCA用于基带通信电路故障诊断中,可以提取能够表征通信故障模式特征的不相关主元。
其中,在采用主元分析方法对各项原始检测参数进行特征处理,得到能够代表各项原始检测参数的故障特征向量时,可以先对各项原始检测参数进行标准化处理,得到标准化处理后的参数;然后,对标准化处理后的参数建立协方差矩阵,计算协方差矩阵的特征值和特征向量;再根据累计贡献率选取主元,构建变换矩阵;根据协方差矩阵和变换矩阵,得到能够代表各项原始检测参数的故障特征向量。便于快速的进行主元分析。
具体的,PCA故障特征提取的过程可以为:首先对原始检测参数Xm×n进行标准化处理,避免因数据量纲的不同或者数据的值相差较大影响诊断结果;接着对标准化处理后的数据建立协方差矩阵,计算其特征值λi和特征向量pi,且特征向量按照特征值降序进行排序;然后根据累计贡献率选取主元,一般将使得η(p)≥85%的前p个特征值对应的特征向量选为主元,构成变换矩阵P;最后根据公式T=PX计算故障样本集和测试集。经过PCA消除原始故障数据属性之间的相关性,得到的特征数据在保有主要信息的情况下降低了数据维度。当然,需要注意的是,特征提取的方式并不限于上述示出的采用主元分析的方式,除此之外,还可以采用其他的方式。
接下来,参考图1,根据故障特征向量,建立基于神经网络的通信电路故障分析模型。在根据故障特征向量,建立基于神经网络的通信电路故障分析模型时,参考图1、图2及图3,可以先建立包含输入层、隐藏层和输出层的神经网络训练模型;然后,选取若干故障特征向量,作为训练集;再使用训练集训练神经网络训练模型,得到通信电路故障分析模型。即通过训练模型,建立不同信道对应的故障类型,便于构建通信电路故障分析模型。
需要解释的是,人工神经网络(Artificial Neural Networks,ANN)是一种模拟人脑神经系统以期望实现类人工智能的机器学习方法。参考图3,一个典型的神经网络由三部分组成:输入层(Input layer),接收每个观测值解释属性的值作为输入;隐藏层(Hiddenlayer),将神经网络给定的转换应用于网络内的输入值,层数不定;输出层(Outputlayer),返回响应变量的输出值。如下图3是典型的单隐含层前馈神经网络(Single-hiddenLayer Feedforward Neural Network,SLFN)。其中的输入层有n个输入变量,隐含层有l个神经元,输出层有m个神经元,对应m个输出变量,每个神经元都有输入连接和输出连接,这些连接模拟了大脑中突触的行为:信号从一个神经元传递到另一个神经元。每一个连接都有权重:模拟生物神经元之间传递的神经递质的数量。wij表示输入层第i个神经元与隐含层第j个神经元间的连接权值,wjk表示隐含层第j个神经元与输出层第k个神经元间的连接权值。通常,连接的输入值都要加权求和,然后传递给激活函数,激活函数的作用是通过对加权的输入进行非线性组合产生非线性决策边界。
在使用训练集训练神经网络训练模型,得到通信电路故障分析模型时,可以先预设隐含层的层数;再使用训练集训练神经网络模型;然后统计输出层输出结果的准确率。之后,逐渐递增隐含层的层数,并使用训练集再次训练神经网络模型,统计输出层输出结果的准确率,直到输出层输出结果的准确率达到目标准确率为止。之后,将输出层输出结果的准确率达到目标准确率的神经网络模型,作为通信电路故障分析模型。由于基带芯片的通信功能测试的内容太多,如果直接将采集的原始检测参数作为输入向量进行训练,将造成整个系统的资源浪费,所以通过主元分析的方法对其进行降维后,提取出通信故障特征,作为模型输入层的输入变量。同样的,隐含层的层数可以用于判断模型的准确率,层数越多其准确率越高,但是层数越多参数数量越多消耗的资源就越多,所以本申请还增加判断输出结果的准确率是否有很大提升。应用神经网络学习模型的对权值进行寻优,确定隐含层的层数,完成模型的参数确认过程。当获得准确率较高的训练模型时,停止增加隐含层的层数,最终得到性能最优的通信电路故障分析模型。通过采用动态方式调节隐含层的层数,使得最后得到的通信电路故障分析模型的故障诊断精度更高。
接下来,参考图1及图2,采用通信电路故障分析模型分析待测基带芯片的各项原始检测参数,得出待测基带芯片的通信故障类型。即先采集待测基带芯片的各项原始检测参数,之后采用通信电路故障分析模型分析待测基带芯片的各项原始检测参数,得出待测基带芯片的通信故障类型。在采用通信电路故障分析模型分析待测基带芯片的各项原始检测参数时,通过计算采样的数据,不断优化权值参数,最终获得处理结果,输出层即为我们需要诊断的全球移动通信系统、长期演进、新无线和宽带码分多址各频段的通信故障,从而提高故障诊断精度。即其中的待测基带芯片的通信故障类型可以分为全球移动通信系统、长期演进、新无线和宽带码分多址各频段的故障,提高基带芯片通信电路故障诊断模型输出诊断结果的故障诊断效率和精度。之后,如图2所示,还可以显示和存储待测基带芯片的通信故障类型及采集的各项原始检测参数。
在上述示出的各种实施方式中,在采集基带芯片的各项原始检测参数之后,还针对各项原始检测参数,进行特征提取,获得故障特征向量;并根据故障特征向量,建立基于神经网络的通信电路故障分析模型;之后采用通信电路故障分析模型分析待测基带芯片的各项原始检测参数,得出待测基带芯片的通信故障类型。由于基带芯片的通信功能测试中故障状态的识别与分类,是故障诊断过程中最重要的环节,而面对手机等产品日益复杂的电路结构,本申请采用神经网络的方法对基带芯片与射频通路收发过程中的数据进行分析,通过形成的通信电路故障分析模型将通信电路中各个频段的故障进行诊断,从而能够基于神经网络方法,采用机器学习的方式对基带芯片的通信功能进行分析,判断存在问题的信道,确定故障状态并进行分类。便于在产品开发过程中,手机等产品在SMT贴片之后,快速定位基带通信电路故障问题的具体位置,保障各个产品基带通信的正确性,快速解决基带芯片通信电路中存在的贴片问题以及与射频通信过程中存在的数据偏差问题。
另外,本发明实施例还提供了一种基带芯片的通信故障检测系统,该通信故障检测系统包括:采集模块、特征提取模块、模型建立模块和分析模块。其中,采集模块用于采集基带芯片的各项原始检测参数。特征提取模块用于针对各项原始检测参数,进行特征提取,获得故障特征向量。模型建立模块用于根据故障特征向量,建立基于神经网络的通信电路故障分析模型。分析模块用于采用通信电路故障分析模型分析待测基带芯片的各项原始检测参数,得出待测基带芯片的通信故障类型。
在上述的方案中,在采集基带芯片的各项原始检测参数之后,还针对各项原始检测参数,进行特征提取,获得故障特征向量;并根据故障特征向量,建立基于神经网络的通信电路故障分析模型;之后采用通信电路故障分析模型分析待测基带芯片的各项原始检测参数,得出待测基带芯片的通信故障类型。从而能够基于神经网络方法,采用机器学习的方式对基带芯片的通信功能进行分析,判断存在问题的信道,确定故障状态并进行分类。便于在产品开发过程中,手机等产品在SMT贴片之后,快速定位基带通信电路故障问题的具体位置,保障各个产品基带通信的正确性,快速解决基带芯片通信电路中存在的贴片问题以及与射频通信过程中存在的数据偏差问题。
应当理解的是,上述采集模块、特征提取模块、模型建立模块和分析模块均为实现相应功能的功能模块,其具体为硬件和软件的集合模块。同样需要注意的是,基带芯片的通信故障检测系统中所包含的功能模块并不仅限于上述示出的功能模块,除此之外,还可以包含其他的功能模块,来实现上述基带芯片的通信故障检测方法中的相应步骤。例如:
其中的特征提取模块可以采用主元分析方法对所述各项原始检测参数进行特征处理,得到能够代表所述各项原始检测参数的若干故障特征向量。在设置特征提取模块时,特征提取模块可以包括:标准化处理模块、计算模块、变换矩阵构建模块和特征确定模块。其中,标准化处理模块,用于对所述各项原始检测参数进行标准化处理,得到标准化处理后的参数;计算模块,用于对所述标准化处理后的参数建立协方差矩阵,计算所述协方差矩阵的特征值和特征向量;变换矩阵构建模块,用于根据累计贡献率选取主元,构建变换矩阵;特征确定模块,用于根据所述协方差矩阵和变换矩阵,得到能够代表所述各项原始检测参数的特征故障向量。
模型建立模块可以包括:训练模型构建模块、训练集确定模块和训练模块。其中,训练模型构建模块,用于建立包含输入层、隐藏层和输出层的神经网络训练模型;训练集确定模块,用于选取所述若干主元特征参数中的部分主元特征参数,作为训练集;训练模块,用于使用所述训练集训练所述神经网络训练模型,得到所述通信电路故障分析模型。
该模型建立模块还可以包括:隐含层设置模块、统计模块。其中,隐含层设置模块,用于预设隐含层的层数;统计模块,用于统计所述输出层输出结果的准确率。隐含层设置模块还用于逐渐递增所述隐含层的层数,直到所述输出层输出结果的准确率达到目标准确率为止。训练模块用于将所述输出层输出结果的准确率达到所述目标准确率的神经网络模型,作为所述通信电路故障分析模型。
分析模块用于采集所述待测基带芯片的各项原始检测参数;还用于采用所述通信电路故障分析模型分析所述待测基带芯片的各项原始检测参数,得出所述待测基带芯片的通信故障类型。
此外,本发明实施例还提供了一种电子设备,电子设备包括至少一个处理器,还包括与至少一个处理器通信连接的存储器。其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述任意一种基带芯片的通信故障检测方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基带芯片的通信故障检测方法,其特征在于,包括:
采集基带芯片的各项原始检测参数;
针对所述各项原始检测参数,进行特征提取,获得故障特征向量;
根据所述故障特征向量,建立基于神经网络的通信电路故障分析模型;
采用所述通信电路故障分析模型分析待测基带芯片的各项原始检测参数,得出所述待测基带芯片的通信故障类型。
2.如权利要求1所述的通信故障检测方法,其特征在于,所述针对所述各项原始检测参数,进行特征提取,获得故障特征向量,包括:
采用主元分析方法对所述各项原始检测参数进行特征处理,得到能够代表所述各项原始检测参数的故障特征向量。
3.如权利要求2所述的通信故障检测方法,其特征在于,所述采用主元分析方法对所述各项原始检测参数进行特征处理,得到能够代表所述各项原始检测参数的故障特征向量,包括:
对所述各项原始检测参数进行标准化处理,得到标准化处理后的参数;
对所述标准化处理后的参数建立协方差矩阵,计算所述协方差矩阵的特征值和特征向量;
根据累计贡献率选取主元,构建变换矩阵;
根据所述协方差矩阵和变换矩阵,得到能够代表所述各项原始检测参数的故障特征向量。
4.如权利要求1所述的通信故障检测方法,其特征在于,所述根据所述故障特征向量,建立基于神经网络的通信电路故障分析模型,包括:
建立包含输入层、隐藏层和输出层的神经网络训练模型;
选取若干所述特征故障向量,作为训练集;
使用所述训练集训练所述神经网络训练模型,得到所述通信电路故障分析模型。
5.如权利要求4所述的通信故障检测方法,其特征在于,所述使用所述训练集训练所述神经网络训练模型,得到所述通信电路故障分析模型包括:
预设隐含层的层数;
使用所述训练集训练所述神经网络模型;
统计所述输出层输出结果的准确率;
逐渐递增所述隐含层的层数,直到所述输出层输出结果的准确率达到目标准确率为止;
将所述输出层输出结果的准确率达到所述目标准确率的神经网络模型,作为所述通信电路故障分析模型。
6.如权利要求1所述的通信故障检测方法,其特征在于,所述采用所述通信电路故障分析模型分析待测基带芯片的各项原始检测参数,得出所述待测基带芯片的通信故障类型,包括:
采集所述待测基带芯片的各项原始检测参数;
采用所述通信电路故障分析模型分析所述待测基带芯片的各项原始检测参数,得出所述待测基带芯片的通信故障类型。
7.如权利要求1所述的通信故障检测方法,其特征在于,所述各项原始检测参数为:包含基带芯片的各个频带、信道和天线的测试指标参数。
8.如权利要求7所述的通信故障检测方法,其特征在于,所述包含基带芯片的各个频带、信道和天线的测试指标参数具体为:
全球移动通信系统中的真实增益、最大增益、增益延时或路径损耗;全球移动通信系统中的自动功率控制参数;全球移动通信系统中的自动频率控制参数;长期演进中的自动频率控制参数;长期演进中的自动功率控制通道参数;长期演进中自动增益控制的参考增益;长期演进中自动增益控制的补偿增益;新无线中的自动频率控制参数;新无线中的自动功率控制通道参数;新无线中自动增益控制的参考增益;新无线中自动增益控制的补偿增益;宽带码分多址中自动增益控制结果参数;宽带码分多址中自动功率控制结果参数;宽带码分多址中的分结果参数;宽带码分多址中的分接收的信号强度指示参数;宽带码分多址中的发射功率检测信号结果参数;宽带码分多址中的峰值功率;宽带码分多址中的谷值功率;宽带码分多址中的主接收的信号强度指示参数;上述参数中的任意几种参数。
9.一种基带芯片的通信故障检测系统,其特征在于,包括:
采集模块,用于采集基带芯片的各项原始检测参数;
特征提取模块,用于针对所述各项原始检测参数,进行特征提取,获得故障特征向量;
模型建立模块,用于根据所述故障特征向量,建立基于神经网络的通信电路故障分析模型;
分析模块,用于采用所述通信电路故障分析模型分析待测基带芯片的各项原始检测参数,得出所述待测基带芯片的通信故障类型。
10.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210946825.7A CN115361272A (zh) | 2022-08-08 | 2022-08-08 | 一种基带芯片的通信故障检测方法、系统和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210946825.7A CN115361272A (zh) | 2022-08-08 | 2022-08-08 | 一种基带芯片的通信故障检测方法、系统和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115361272A true CN115361272A (zh) | 2022-11-18 |
Family
ID=84001208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210946825.7A Pending CN115361272A (zh) | 2022-08-08 | 2022-08-08 | 一种基带芯片的通信故障检测方法、系统和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115361272A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117589798A (zh) * | 2024-01-19 | 2024-02-23 | 中诚华隆计算机技术有限公司 | 一种芯片故障检测方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
CN105589037A (zh) * | 2016-03-16 | 2016-05-18 | 合肥工业大学 | 基于集成学习的电力电子开关器件网络故障诊断方法 |
CN113484738A (zh) * | 2021-05-25 | 2021-10-08 | 北京航空航天大学 | 基于多特征信息融合的电路故障诊断方法 |
CN113609809A (zh) * | 2021-07-06 | 2021-11-05 | 西安电子科技大学 | 射频低噪放电路故障诊断方法、系统、设备、介质、终端 |
-
2022
- 2022-08-08 CN CN202210946825.7A patent/CN115361272A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
CN105589037A (zh) * | 2016-03-16 | 2016-05-18 | 合肥工业大学 | 基于集成学习的电力电子开关器件网络故障诊断方法 |
CN113484738A (zh) * | 2021-05-25 | 2021-10-08 | 北京航空航天大学 | 基于多特征信息融合的电路故障诊断方法 |
CN113609809A (zh) * | 2021-07-06 | 2021-11-05 | 西安电子科技大学 | 射频低噪放电路故障诊断方法、系统、设备、介质、终端 |
Non-Patent Citations (1)
Title |
---|
王承, 陈光䄔, 谢永乐: "基于主元分析与神经网络的模拟电路故障诊断", 电子测量与仪器学报, no. 05, 30 March 2006 (2006-03-30) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117589798A (zh) * | 2024-01-19 | 2024-02-23 | 中诚华隆计算机技术有限公司 | 一种芯片故障检测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299698B (zh) | 一种基于支持向量机的无线信道场景识别方法 | |
CN109379153A (zh) | 一种频谱感知方法 | |
CN115455089A (zh) | 一种无源组件的性能评估方法、系统及存储介质 | |
CN114268981A (zh) | 网络故障检测与诊断方法及系统 | |
CN109257120B (zh) | 预测射频电路故障表征参数的优选方法 | |
CN113496089B (zh) | 基于人工智能的物联网设备异常状态在线监测方法及系统 | |
CN115361272A (zh) | 一种基带芯片的通信故障检测方法、系统和电子设备 | |
CN114337792A (zh) | 卫星通信信号故障诊断方法及装置 | |
CN113486617B (zh) | 线损值评估模型生成方法、系统、设备及介质 | |
CN112839353B (zh) | Lte系统内干扰的识别方法及装置 | |
CN114339855B (zh) | 无线网络覆盖率评估方法、装置及计算设备 | |
CN115062729A (zh) | 分类模型及其训练方法、分类方法、设备及介质 | |
CN114615693A (zh) | 网络容量预测方法、装置、电子设备及计算机存储介质 | |
CN109993388B (zh) | 劣化小区主因判断方法、装置、设备及介质 | |
Barreto et al. | A new approach to fault detection and diagnosis in cellular systems using competitive learning | |
CN110542851A (zh) | 断路器操作机构故障诊断方法、装置、计算机和存储介质 | |
WO2024138968A1 (zh) | 基站故障诊断方法及装置 | |
CN118523851B (zh) | 智能汽车自动测试方法以及相关设备 | |
CN117119508B (zh) | 无线通信信道误码数值分析系统及方法 | |
CN117896020B (zh) | 一种微波收发通信系统的测试方法及测试系统 | |
CN118427026B (zh) | 用于电力通信芯片性能调优的修调设备控制方法及系统 | |
CN115334523B (zh) | 网络覆盖测算方法、装置、设备及计算机可读存储介质 | |
CN114040484B (zh) | 动态调节无线ap发射功率及能耗控制系统 | |
Benincasa et al. | Using Feedforward Neural Networks for Parameter Modeling of a 4G Link for Unmanned Aerial Vehicles | |
CN118574134A (zh) | 一种基于神经网络的智能小区动态分组方法及系统 |
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 |