0 引言

　　大規(guī)模集成電路的測(cè)試診斷已從傳統(tǒng)診斷方法衍伸到智能領(lǐng)域，群體算法、小波技術(shù)、模糊控制并受到該領(lǐng)域?qū)W者的廣泛推崇。但由于電路規(guī)模日益功能化和模塊化，伴隨的電磁干擾和容差性能使得電路的測(cè)試診斷容易誤診斷。準(zhǔn)確的模塊級(jí)故障定位和辨識(shí)明晰的診斷結(jié)果是工程迫切需要解決的課題，也是理論走向?qū)嶋H應(yīng)用的關(guān)鍵步驟[1-5]?；诖?，本文通過(guò)網(wǎng)絡(luò)撕裂大規(guī)模集成電路，利用云模型實(shí)現(xiàn)容差模塊定性定量間的轉(zhuǎn)化，更好地實(shí)現(xiàn)診斷精度的提高，防止誤診斷。

　　首先對(duì)大規(guī)模集成電路進(jìn)行網(wǎng)絡(luò)撕裂成模塊化小電路，利用正向云模型把提取能量特征預(yù)處理，作為網(wǎng)絡(luò)輸入向量，用最優(yōu)小波網(wǎng)絡(luò)來(lái)測(cè)試訓(xùn)練輸出量，再逆向云處理，實(shí)現(xiàn)了任務(wù)的精確辨識(shí)。通過(guò)將此方法與傳統(tǒng)小波網(wǎng)絡(luò)方法對(duì)比，能明顯得出本文方法的優(yōu)越性。

1 云-小波模型

　　李德毅教授提出的云是基于傳統(tǒng)概率論和模糊集理論，解決定性定量間不確定性關(guān)系的模型。設(shè)論域集合U={x}，T是集合U相關(guān)聯(lián)的語(yǔ)言表達(dá)值。集合U中的某元素x對(duì)應(yīng)于T所表達(dá)出定性概念的隸屬度CT(x)具有穩(wěn)定傾向的隨機(jī)性變量數(shù)，CT(x)在論域范圍上的分布稱(chēng)為隸屬云。CT(x)的取值范圍在區(qū)間[0，1]上，隸屬云是從論域集合C={x}到區(qū)間[0，1]的一對(duì)多映射，即：

　　CT(x)：  U→[0，1]，  x∈U，  x→CT(x)

　　云數(shù)字特征用期望Ex、熵En和超熵He 3個(gè)數(shù)值來(lái)表征。(Ex，En，He)是描述云概念的數(shù)值特征基礎(chǔ)。圖1能全面的反應(yīng)3個(gè)數(shù)值特征量(Ex，En，He)性質(zhì)。

　　用帶X條件正向云對(duì)象和帶Y條件逆向云對(duì)象構(gòu)造規(guī)則云發(fā)生器， 定性規(guī)則表示為：

　　If  A  then  B

　　如圖2所示，A、B為語(yǔ)言值表示的對(duì)象。CGA表示對(duì)應(yīng)輸入語(yǔ)言值A(chǔ)的帶X條件的云對(duì)象，CGB表示對(duì)應(yīng)輸入語(yǔ)言值B的帶Y條件的云對(duì)象。當(dāng)輸入某一特定的X刺激前件CGA時(shí)，隨機(jī)產(chǎn)生一組?值。又控制輸出CGB定量產(chǎn)生一組隨機(jī)云滴drop(xi，i)。正態(tài)云發(fā)生器是用確定的語(yǔ)言值表述的某個(gè)定性與其定量表示間不確定轉(zhuǎn)化模型，從定性到定量的一個(gè)正反饋偽映射；逆向云發(fā)生器實(shí)現(xiàn)從定量數(shù)據(jù)到定性語(yǔ)言值的不確定性轉(zhuǎn)換，即實(shí)現(xiàn)從定量到定性映射，將定量精確數(shù)據(jù)轉(zhuǎn)換為定性語(yǔ)言值(Ex，En，He)表示的概念反映的云滴的整體。

　　云模型與小波網(wǎng)絡(luò)的結(jié)合，是指整個(gè)系統(tǒng)由云模型和小波網(wǎng)絡(luò)構(gòu)成，兩者直接相連，但卻又相對(duì)獨(dú)立，如圖3所示。云模糊邏輯化作為小波網(wǎng)絡(luò)的前置處理手段，為小波網(wǎng)絡(luò)提供輸入特征向量，即信號(hào)經(jīng)云化后，再輸入給小波網(wǎng)絡(luò)以完成分類(lèi)、函數(shù)比較等功能，最后送入逆云化處理得出最終診斷數(shù)據(jù)。

　　云模型的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。在輸入層中有p個(gè)輸入，即一次輸入含有p個(gè)估計(jì)元素的輸入序列；云化層包含p個(gè)X正態(tài)云發(fā)生器，形成的云滴drop(xi，i)輸入到包含m個(gè)小波基神經(jīng)元的隱含層；擬合后進(jìn)入逆云化層；逆云化層包含q個(gè)Y正態(tài)云發(fā)生器，逆云化后輸出q個(gè)估計(jì)值。ij是云化層的神經(jīng)元i到隱含層的神經(jīng)元j之間的權(quán)值，jk為隱含層的神經(jīng)元j到逆云化層的神經(jīng)元k之間的權(quán)值；代表隱含層的小波基函數(shù)，其中aj、bj分別是小波基的伸縮因子和平移因子，j、k分別是隱含層和逆云化層的網(wǎng)絡(luò)閾值。由圖4可知，在云化層和逆云化處理層中，都要用到相應(yīng)參數(shù)的數(shù)字特征(Ex，En，He)，因此在對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前，需要用X逆云算法求出各參數(shù)的數(shù)字特征值。

　　本文小波網(wǎng)絡(luò)轉(zhuǎn)移函數(shù)采用morlet小波，即：

　　設(shè)定上式中包含所有參數(shù)的集合?茲，輸入層為p個(gè)序列值組成的時(shí)間序列，即[xk，xk-1，…，xk-p+1]，輸出層為k+l個(gè)序列值的預(yù)測(cè)值dropk+l。

　　以預(yù)測(cè)均方誤差函數(shù)方程作為迭代目標(biāo)函數(shù)C：

　　綜上完成了云-小波網(wǎng)絡(luò)結(jié)構(gòu)的實(shí)現(xiàn)，以正向云實(shí)現(xiàn)了數(shù)據(jù)的預(yù)處理，而逆向云又實(shí)現(xiàn)了數(shù)據(jù)的定性到定量的轉(zhuǎn)化[6]。

2 網(wǎng)絡(luò)撕裂法

　　大規(guī)模電路網(wǎng)絡(luò)撕裂法根據(jù)需要將網(wǎng)絡(luò)撕裂成模塊化小電路，進(jìn)而進(jìn)行模塊量級(jí)故障定位。對(duì)于網(wǎng)絡(luò)N，由結(jié)構(gòu)功能分析，網(wǎng)絡(luò)可劃分成n個(gè)模塊Ai(i=1，2，…，n)，Ai模塊是網(wǎng)絡(luò)N子網(wǎng)絡(luò)，如圖5所示。Ai用點(diǎn)來(lái)表示，模塊與模塊之間的相互關(guān)聯(lián)用線(xiàn)段表示，實(shí)現(xiàn)了撕裂關(guān)聯(lián)診斷圖TG表達(dá)。

　　對(duì)網(wǎng)絡(luò)N進(jìn)行撕裂，子網(wǎng)絡(luò)集為N1(A1，A2，A5)，…，N3(A6，An-1，An)等，對(duì)子網(wǎng)絡(luò)集Ni等進(jìn)行邏輯診斷。構(gòu)造對(duì)應(yīng)于Ai的判斷邏輯值，其元素為“0”或“1”。子網(wǎng)絡(luò)Aj在撕裂時(shí)，“0”被判為無(wú)故障，若有故障則為“l(fā)”。由此可推斷出模塊的故障定位。

3 診斷實(shí)例

　　以視頻放大電路圖進(jìn)行模塊化撕裂后如圖6顯示。

　　測(cè)試故障設(shè)定A1A7模塊同時(shí)故障。正常節(jié)點(diǎn)電壓和故障電路的節(jié)點(diǎn)電壓見(jiàn)表1。

　　云小波網(wǎng)絡(luò)采用5層結(jié)構(gòu)，輸出層神經(jīng)元個(gè)數(shù)為4，小波網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)為7，經(jīng)訓(xùn)練完成后對(duì)電路故障分別進(jìn)行測(cè)試。網(wǎng)絡(luò)輸出結(jié)果見(jiàn)表2。

　　設(shè)定A1 A7同時(shí)故障，取(A1，A2，A3)，(A4，A5，A9)，(A6，A10，A11)，(A7，A8，A12)為診斷模塊。表2可見(jiàn)，傳統(tǒng)診斷方法判斷邏輯信號(hào)模糊，出現(xiàn)粘滯現(xiàn)象，在模塊(A6，A10，A11)的A6上0.596 3數(shù)據(jù)處理不明顯，易出現(xiàn)誤判斷，而云-小波方法恰恰能解決這些問(wèn)題。圖7、圖8也證實(shí)了表2的處理情況，在同等條件下，云-小波方法的誤判斷概率誤差小。

4 結(jié)論

　　本文利用云模型與小波網(wǎng)絡(luò)相結(jié)合形成的模擬電路故障診斷方法，改變了傳統(tǒng)小波分析的預(yù)處理信號(hào)方式，以云模型的定性定量間的良好轉(zhuǎn)換特性，實(shí)現(xiàn)了容差數(shù)據(jù)的智能化處理。再結(jié)合網(wǎng)絡(luò)撕裂方法從模塊級(jí)分析故障，從而提高故障診斷能力。理論和實(shí)踐均表明，引入的云模型小波網(wǎng)絡(luò)對(duì)模擬電路進(jìn)行故障診斷比傳統(tǒng)小波網(wǎng)絡(luò)效果更好，且模塊級(jí)診斷更符合現(xiàn)代科技發(fā)展的趨勢(shì)。

參考文獻(xiàn)

　　[1] 楊士元.模擬系統(tǒng)的故障診斷與可靠性設(shè)計(jì)[M]. 北京：清華大學(xué)出版社，1993.

　　[2] AMINIAN M，AMINIAN F.Neural network basedanalog-circuit fault diagnosis using wavelet transform as preprocessor[J].IEEE Trans.Circuits.Syst.-Ⅱ，2000，44(3)：151-156.

　　[3] 劉美容，何怡剛，方葛豐，等.遺傳小波神經(jīng)網(wǎng)絡(luò)在模擬電路故障診斷中的應(yīng)用[J].湖南大學(xué)學(xué)報(bào)，2009，36（3）：40-44.

　　[4] 羅克龍，何怡剛，祝文姬，等.大規(guī)模直流模擬電路軟故障區(qū)間診斷方法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2012，24(2)：271-278.

　　[5] 譚陽(yáng)紅，何怡剛，陳洪云，等．大規(guī)模電路故障診斷神經(jīng)網(wǎng)絡(luò)方法[J]．電路與系統(tǒng)學(xué)報(bào)，200l，6(4)：25-28.

　　[6] 劉常昱，馮芒.基于云X信息的逆向云新算法[J].系統(tǒng)仿真學(xué)報(bào)，2004，16（11）：2417-2420.