引言

隨著大規模集成電路技術的迅速發展及日益廣泛的應用，為了維護各種器件及設備，人們必須借助計算機來找出電路的故障，模擬電路故障診斷已成為大規模集成電路課題中令人矚目的一個課題。模擬電路的故障診斷和定位問題不僅引起廣泛的關注，而且是國內外專家設計和使用電子系統的一大難題，其中大規模非線性復雜電路容差情況下的故障即軟故障診斷，也是困擾廣大科學工作者的難題。迄今為止，很少有文獻對軟故障即容差電路的診斷給出系統而有效的方法，特別是大規模模擬電路的故障診斷。本系統正是針對這樣的考慮所設計的。系統核心主要包括復雜網絡分解、小波分解、特征提取、神經網絡，其結構如圖1所示。

1 故障診斷系統

系統通過對電路輸出節點電壓特征量的分析和處理是能夠達到診斷電路故障的目的。故系統將節點電壓特征量作為分析的對象，所選的特征量要能夠盡量多的反映電路故障信息。在一定的激勵條件下，用PSPICE蒙特卡羅容差分析仿真線性或非線性電路常見的各種故障狀態及正常狀態。利用小波變換將每一個故障狀態所對應的節點電壓信號進行分解，然后對所產生的小波系數進行處理，提取出的最佳故障特征量作為輸入對神經網絡進行學習和訓練，神經網絡調整它的權值直到滿足要求。經過學習后，將待診斷樣本輸入給神經網絡，其輸出即為對應的故障。對于大規模模擬電路，由于所含元件較多，診斷比較復雜，本文將采用分級診斷，第一級診斷出故障子網絡，第二級由故障子網絡診斷出故障元件。所以首先進行復雜網絡分解，即子網絡級診斷方法。

1.1 復雜網絡分解

對于大規模復雜網絡，如果直接將每一個具體的元件故障信息存入神經網絡中，則存在信息量過于龐大的問題，對其診斷的神經網絡結構會更復雜，影響診斷速度。根據大規模電路一般都能滿足可測條件，基于網絡分析中置換原理的思想，將大規模網絡撕裂成一系列相互獨立的子網絡，只需測量很少幾個節點的電壓就可以定位出故障子網絡，在此基礎上利用神經網絡對該故障子網絡進行診斷與學習。即子網絡級故障診斷。這樣可以減少測后計算工作量，提高故障診斷速度，快速而有效，同樣可以用于多故障問題。

1.2 小波分解

小波分解的一個非常重要的優點就在于其分解后所得分量包含了原信號的所有特征，這一點是傳統數字濾波和FFr無法做到的。所以將信號進行若干次小波分解，可以得到信號在各個頻段上的分量，這樣就實現了信號特征的分離，然后對每一分量進行處理，針對不同頻段的信號特點，提取一個或幾個特征量來表征該分量信號的特征。

1.3 特征提取

特征提取部分包括特征量的提取和將特征量進行主要分量分析及歸一化處理。小波變換后提取諸如均值、方差、峰值、功率及包絡曲線最大值等特征量。特征量應能客觀反映故障狀態的變化，通常根據物理意義及先驗知識確定。但是一般由此獲得的數據量是很大的，為了有效地實現分類識別，要對原始數據進行選擇或變換，得到最能反應分類本質的特征，構成特征向量，即主要分量分析。為適應神經網絡s型函數特性還需對學習樣本進行歸一化處理。

1.4 神經網絡

由于特征與故障之間是一種非常復雜的非線性關系，而神經網絡用一種全新的思路來處理這類問題，具有非常強大的綜合分析能力，BP網絡在非線性逼近上功能尤其強大，理論上只要神經元足夠多，就能夠逼近任意復雜的非線性系統_3J。因此用BP網絡來分析故障特征，進行故障診斷非常合適。傳統的利用神經網絡診斷模擬電路方法一般是采用BP算法訓練的前饋神經網絡。標準的BP網絡是根據Widrow—Hof規則，采用梯度下降算法，在非線性多層網絡中，反向傳播計算梯度。BP算法理論具有依據可靠、推導過程嚴謹、精度較高、通用性較好等優點，但標準BP算法存在以下缺點：收斂速度緩慢、容易陷入局部極小值、難以確定隱層數和隱層節點個數_5J。在實際應用中，BP算法很難勝任。綜合BP改進算法優缺點考慮，系統采用快速的Levenberg—Marquardt學習規則和振蕩小的動量法分別作為BP神經網絡的訓練函數和學習函數_4J。

2 輔助工具PSPICE

SPICE （Smulation Program f0r Integrated Cimuits Emphasis）是國際上流行的用于集成電子線路分析程序。

PSPICE是SPICE電路模擬器家族中的一員。它基于SPICE模擬器，由美國Microsim公司開發并在1984年1月首次推出。PSPICE程序具有很強的計算能力和很高的計算精度，可以完成多項分析計算工作，而且系統內部設置有各種電器元件的基本出廠模型參數，以用于對電路系統的分析計算，同時還可以根據實際元器件的特殊性，從外部進行技術參數的修改，這樣就充分滿足了計算精度的要求，且使用起來也十分方便。

系統采用蒙特卡羅分析仿真電路節點電壓輸出信號。

3 實際應用舉例

圖2是一個有源低通濾波器的電路原理圖，為證明所提出方法的準確性，現對它進行電路故障檢測。電路各元件標稱值見表1。取集成運放電源為15V，電阻容差為5% ，電容容差為10% 。假設R3阻值由標稱值2.64 kΩ變成2.2 kΩ，進行故障仿真。

為測試和診斷方便，設節點0輸人為lV。根據診斷用測試節點的定義，同時進行靈敏度分析，選相對于所有元件靈敏度不為0的可及節點l、2、5、8、l2為診斷用測試節點。

根據子網絡可診斷性條件，測前把該標稱網絡劃分成子網絡Nl和N2（從節點1處撕裂），子網絡Nl又被劃分成更小的子網絡s1，s2，s3，S4，如圖3中虛線所示。根據復雜網絡分解癥理診斷出故障子網絡S4。

對于故障子網絡，在元件標稱值下，輸入端0加指數信號，其幅值為5V，迅速下降時間常數為0.1μs，上升時間常數為0.3 tts。首先對無故障類，使元件值在容差范圍內任意取值；對故障類，改變故障元件值，即超出元件容差，其它元件值在容差范圍內任意取值，用蒙特卡羅暫態分析法進行50次容差分析得到模擬電路的輸出電壓仿真信號。然后采用PSPICE與MATLAB相結合的方法對信號文件進行處理，作為我們在計算機小波變換的仿真中的采樣信號，即將所得輸出文件。OUT進行處理，然后把待診斷電路輸出節點電壓曲線描述用MATLAB讀取并畫出。

對于小波函數的選擇，我們要求不高，但為了實現的方便，要求所選擇的小波函數具有緊支承，并且是正交的，所以這里選擇Daubechies小波db3。為了有利于特征提取，希望得到的近似部分能反應故障特征，保證在近似部分中能夠提取反映故障的特征量。基于這一原則，確定小波分解的階數為3。隨著故障類型不同，故障信號的能量在各子波上的分布不同，各層小波系數不同，信號所帶的有用信息主要集中在這些對應的小波系數上，只需要提取適當的小波系數作為神經網絡的輸人數據即可進行故障的診斷。對所選小波系數輸入三層前饋神經網絡進行學習和訓練，選擇系統總誤差E=0.000 1，其訓練過程誤差曲線如圖3所示，從曲線中可以看出訓練指標能在較快的時間內完成。

4 結論

實驗可以證明，在電路故障診斷過程中，神經網絡發揮其聯想記憶和分布并行處理功能，對已學過的樣本知識，網絡的輸出結果與希望結果充分相符；當輸人數據在一定范圍內偏離樣本知識時，網絡的輸出具有接近樣本的傾向，同時還能滿足故障診斷的實時性要求。神經網絡訓練時一般采用受容差干擾大的小故障樣本做訓練集，然后用于大故障定位，這樣未被訓練的大故障定位效果也很好。此外，只要選擇足夠多的原始故障樣本訓練神經網絡，網絡的容錯性和穩定性就較好，故障定位精度也會提高。經多次實驗證明，故障診斷的正確率在95％ 以上。電路診斷技術中，診斷的正確率及測后計算量等是重要的，本文提出的方法在這幾方面有較好的效果。特別說明一點， 當元件參數容差較小時，本文給出的方法在工程上的應用效果會更好。