許多電子設(shè)備和系統(tǒng)執(zhí)行必須在很長一段時間內(nèi)完美執(zhí)行的基本功能。例如，電子電網(wǎng)、電信系統(tǒng)和植入式醫(yī)療設(shè)備無法承受數(shù)百萬事件中即使發(fā)生一次的錯誤。出于顯而易見的原因，捕獲和隔離極其罕見的異常的能力是確保這種可靠性水平的關(guān)鍵挑戰(zhàn)。監(jiān)測電壓不能有效識別細微的設(shè)備或系統(tǒng)問題，因為它通常被有效地控制，以至于難以檢測到微小的變化。相比之下，電流波形包含與設(shè)備或系統(tǒng)操作相關(guān)的更豐富的信息。然而，由于電流波形可以在寬動態(tài)范圍內(nèi)快速波動，以高采樣率對它們進行采樣以捕獲它們的全部帶寬非常重要。這會生成巨大的數(shù)據(jù)文件，因為在 24 小時內(nèi)以 10 兆樣本/秒的速度捕獲數(shù)據(jù)會創(chuàng)建大于 1 TB 的數(shù)據(jù)文件。篩選如此龐大的數(shù)據(jù)庫以定位異常事件顯然是一項艱巨的任務。

直到最近，還沒有解決方案能夠滿足剛剛描述的硬件要求。數(shù)據(jù)記錄器可以捕獲大量數(shù)據(jù)，但它們的帶寬相對較低，并且很容易遺漏高頻信號分量。傳統(tǒng)示波器擅長捕捉高帶寬信號，但數(shù)據(jù)存儲能力有限。即使是具有大存儲深度的高性能示波器也無法在數(shù)小時或數(shù)天的時間段內(nèi)以高采樣率捕獲數(shù)據(jù)。示波器電流探頭也沒有足夠的動態(tài)范圍來捕獲低電平和高電平電流。最后，這些硬件解決方案都不支持任何有效的方法來分析他們收集的數(shù)據(jù)并快速識別異常。這成為大數(shù)據(jù)分析的問題。

處理這類大數(shù)據(jù)挑戰(zhàn)的一種解決方案是機器學習。我們探索的一項初始技術(shù)是深度學習神經(jīng)網(wǎng)絡 (DLNN)，它在圖像和語音識別方面非常成功。不幸的是，DLNN 技術(shù)在應用于波形數(shù)據(jù)庫分析時，除了需要強大的計算能力外，還表現(xiàn)得非常好。為了分析大型波形數(shù)據(jù)庫，是德科技研究人員必須開發(fā)針對該目的優(yōu)化的新機器學習技術(shù)。這個新的解決方案是在五年內(nèi)開發(fā)出來的，它結(jié)合了集群、無監(jiān)督機器學習和專有的數(shù)據(jù)庫壓縮技術(shù)。在基于 PC 的臺式儀器上運行時，它可以比傳統(tǒng)技術(shù)快幾個數(shù)量級地分析 TB 大小的波形數(shù)據(jù)庫。

圖 1：長時間波形分析軟件的系統(tǒng)架構(gòu)。

圖 1 顯示了長持續(xù)時間波形分析軟件的系統(tǒng)架構(gòu)。它由三個部分組成，我們將依次討論每一個部分。

采集子系統(tǒng)在采集過程中實時對輸入數(shù)據(jù)進行預分類。實時標記是采集子系統(tǒng)中最重要的模塊，因為它對輸入的波形段進行預分類。相似的波形段被組合在一起并注冊為標簽的成員。需要注意的是，預分類不一定是完美的。它只需要包含足夠的信息來啟用后處理分析。

數(shù)據(jù)庫子系統(tǒng)由標簽數(shù)據(jù)庫和無損數(shù)據(jù)庫組成。標簽數(shù)據(jù)庫是預先排序的波形片段的簡明摘要。它提供了長時間錄制的快速概覽。無損數(shù)據(jù)庫是完整的長時間波形記錄的完整存檔。它允許通過時序或波形相似性在海量數(shù)據(jù)庫的任何位置快速查詢波形。標簽數(shù)據(jù)庫的大小在無損數(shù)據(jù)庫大小的百分之一到五分之一之間。這種配置在數(shù)據(jù)管理和分析方面具有很大的靈活性。

分析子系統(tǒng)有兩種操作模式：快速聚類和細節(jié)聚類。快速聚類允許快速瀏覽整個數(shù)據(jù)庫。典型的計算時間少于一秒。然而，由于快速聚類使用預先排序的標簽信息，其準確性受到標簽相似度閾值的限制。細節(jié)聚類提供了更精確的分析能力，因為它使用了無損的數(shù)據(jù)庫信息。傳統(tǒng)的分析軟件在許多情況下需要重新掃描無損數(shù)據(jù)庫，這需要花費數(shù)小時。使用此解決方案，用戶無需重新掃描無損數(shù)據(jù)庫即可享受快速響應的交互式分析。

值得指出的是，這項技術(shù)不僅對測試和測量行業(yè)來說是新的，對人工智能/機器學習社區(qū)也是如此。是德科技在 2019 年 IEEE 大數(shù)據(jù)會議 (*1) 上發(fā)表了一篇關(guān)于這一新解決方案的論文。在會議上，研究人員表示他們從未見過這種解決方案的性能和功能。該技術(shù)作為可用選項集成到 Keysight CX3300A 動態(tài)電流波形分析儀中。它將高完整性電壓和電流測量與長時間波形分析相結(jié)合。

以下示例顯示了以 1 MSa/s 的采樣率在四天內(nèi)監(jiān)測的商用電源線電壓。不同的波形類型按集群分組，其總體顯示在集群面板中。您可以選擇一個或多個集群并使用箭頭鍵跳轉(zhuǎn)到它們在主播放窗口中出現(xiàn)的位置。盡管數(shù)據(jù)庫包含超過 1800 萬個波形段，但數(shù)據(jù)標記允許在幾秒鐘內(nèi)識別異常。例如，下面的屏幕截圖顯示，在數(shù)據(jù)記錄 2 天 21 小時后，發(fā)生了一些明顯的過電壓。雖然很有趣，但這個案例相當簡單，所以讓我們看一個更具挑戰(zhàn)性的例子。

圖 2：在商用電源線電壓上檢測到的過壓異常。

物聯(lián)網(wǎng)設(shè)備需要長時間運行，任何意外的電流尖峰都可能導致內(nèi)部 IR 下降并引發(fā)系統(tǒng)故障。為了驗證設(shè)備完整性，我們以 10MSa/s 的采樣率測量了藍牙設(shè)備的供電電流 17 小時。這生成了一個 1 TB 的數(shù)據(jù)庫文件。雖然正常峰值電流約為 25 mA，但我們發(fā)現(xiàn)非常罕見的電流尖峰高達 50 mA。在記錄的超過 700 萬個波形片段中，這些僅發(fā)生了 17 次。進一步分析表明，在該設(shè)備中，有兩種類型的異步事件。當這兩個事件發(fā)生在一個狹窄的時序窗口內(nèi)時，就會觀察到 50 mA 的尖峰，并且每 400,000 次只會發(fā)生一次。

圖 3：物聯(lián)網(wǎng)設(shè)備上 5 分鐘內(nèi)識別的超過 700 萬個波形段中出現(xiàn) 17 次大尖峰波形。

隨著現(xiàn)代設(shè)備和系統(tǒng)的復雜性不斷增加，用于評估它們的軟件工具需要改進以跟上步伐。在任務關(guān)鍵型系統(tǒng)中使用設(shè)備的情況下，了解波形在很長一段時間內(nèi)的行為非常重要。用于捕獲數(shù)據(jù)的軟件也需要能夠幫助分析數(shù)據(jù)。本文通過利用是德科技開發(fā)的新機器學習技術(shù)展示了這一點。可以有效地分析大型波形數(shù)據(jù)庫并快速查明這些數(shù)據(jù)庫中的異常。

審核編輯：郭婷