基于改進神經(jīng)網(wǎng)絡(luò)的模擬電路板芯片故障智能診斷方法

摘 要：由于現(xiàn)有的診斷方法特征選取準確度低，因此本文研究基于改進神經(jīng)網(wǎng)絡(luò)的模擬電路板芯片故障智能診斷方法，提出改進神經(jīng)網(wǎng)絡(luò)，準確地計算故障數(shù)據(jù)行為特征，對故障樣本進行采集。構(gòu)建故障智能診斷模型，利用卷積神經(jīng)網(wǎng)絡(luò)對LiLSTM的隱狀態(tài)矩陣進行特征提取。引入注意力機制，均勻分配學(xué)習特征權(quán)重。根據(jù)這些特征向量輸出故障類別的概率，與閾值進行對比，得到最終的故障診斷結(jié)果，確定故障位置。試驗結(jié)果表明，試驗組的誤診率為7%，誤診程度較低；模型在不同工況下對芯片的故障智能診斷準確程度控制在97%～100%，結(jié)果符合預(yù)期。綜上所述，使用該方法能夠精準分析芯片信息，準確確定芯片故障，診斷效果良好。

關(guān)鍵詞：改進神經(jīng)網(wǎng)絡(luò)；模擬電路板芯片；故障診斷；特征提取

中圖分類號：TN 219" " " " 文獻標志碼：A

在電子工業(yè)快速發(fā)展進程中，模擬電路板芯片作為電子系統(tǒng)的核心組成部分，在整個系統(tǒng)的運行過程中，其可靠性以及穩(wěn)定性比較重要。本文模擬電路板芯片故障智能診斷技術(shù)，結(jié)合電路板芯片的工作原理和故障特性，快速、準確地對故障進行診斷。許多學(xué)者對故障診斷方法進行研究。文獻[1]針對隔離開關(guān)的姿態(tài)角度信息使用姿態(tài)傳感器獲取相關(guān)數(shù)據(jù)，采用Stacking模型融合技術(shù)，結(jié)合Stacking基學(xué)習器進行優(yōu)勢互補，提升診斷性能。盡管采用多種技術(shù)來提高診斷的準確性和穩(wěn)定性，但是在實際應(yīng)用中仍然可能受到外部因素影響，導(dǎo)致診斷結(jié)果出現(xiàn)偏差或誤報。文獻[2]利用蝙蝠算法對FOMR神經(jīng)網(wǎng)絡(luò)的競爭層維數(shù)和網(wǎng)絡(luò)訓(xùn)練次數(shù)進行優(yōu)化。應(yīng)用優(yōu)化后的FOMR網(wǎng)絡(luò)模型對VP型設(shè)備的故障特征數(shù)據(jù)進行辨識，使用模型輸出對傾斜儀的故障進行診斷。其應(yīng)用后對故障特征的區(qū)分效果較差，故障診斷的準確性較低。為了解決上述方法中存在的問題，本文以模擬電路板芯片故障智能診斷方法為試驗對象，利用改進神經(jīng)網(wǎng)絡(luò)，結(jié)合實際情況進行試驗與分析。

1 芯片故障智能診斷

1.1 改進神經(jīng)網(wǎng)絡(luò)故障樣本采集

在芯片故障診斷過程中，使用電路仿真軟件對模擬電路板進行仿真分析，獲取在各種故障模式和正常模式下的輸出信號。對電路輸出信號進行去噪處理，提取合理、有效的故障特征[3]。將提取的故障特征進行歸一化處理，構(gòu)建故障特征向量組。在這個過程中，需要根據(jù)神經(jīng)網(wǎng)絡(luò)提取故障特征。由于神經(jīng)網(wǎng)絡(luò)故障診斷數(shù)據(jù)參量的樣本特征分布不均勻，處理能力無法滿足電感負載強度需求，因此提出改進神經(jīng)網(wǎng)絡(luò)，準確計算故障數(shù)據(jù)行為特征，采集故障樣本[4]。設(shè)定神經(jīng)網(wǎng)絡(luò)參量，根據(jù)神經(jīng)網(wǎng)絡(luò)集成與改善的背景，在空間內(nèi)判斷樣本是否充分達成應(yīng)用性樣本。樣本空間覆蓋范圍廣泛，每個原有的數(shù)據(jù)信息與芯片故障數(shù)據(jù)都保持非線性映射關(guān)系，映射得到改進神經(jīng)網(wǎng)絡(luò)的芯片故障數(shù)據(jù)樣本空間，如公式（1）所示。

（1）

式中：D為芯片故障數(shù)據(jù)樣本空間；h為數(shù)據(jù)提取權(quán)限值；為樣本適應(yīng)度值；l為參量樣本；s為特征故障數(shù)據(jù)的空間覆蓋條件。

在正常情況下，在樣本空間中的每個數(shù)據(jù)信息點均能體現(xiàn)模擬電路板芯片故障在優(yōu)化后的神經(jīng)網(wǎng)絡(luò)環(huán)境中的特征值，精確提取模擬電路板芯片故障特征[5]。對經(jīng)過改進的神經(jīng)網(wǎng)絡(luò)來說，在樣本空間中，每個故障數(shù)據(jù)信息的設(shè)定量都保持原有的傳輸狀態(tài)，整個處理過程相互獨立，因此需要設(shè)定應(yīng)用性樣本來對模擬電路板芯片故障數(shù)據(jù)進行宏觀約束。隨著故障數(shù)據(jù)樣本不斷累積，應(yīng)用性樣本的計算結(jié)果逐漸增大。為更有效地處理數(shù)據(jù)，應(yīng)對已知的樣本空間進行分區(qū)，并選擇故障數(shù)據(jù)信息樣本覆蓋量最大的區(qū)域作為信息設(shè)定量的主要提取空間[6]。

假設(shè)i為不同的待選故障數(shù)據(jù)樣本，那么在故障數(shù)據(jù)樣本空間中，根據(jù)篩選條件計算改進神經(jīng)網(wǎng)絡(luò)的應(yīng)用性樣本，如公式（2）所示。

（2）

式中：K為改進神經(jīng)網(wǎng)絡(luò)的應(yīng)用性樣本；k、kd為不同取值條件下的故障特征；Ei為特征權(quán)限值。

在神經(jīng)網(wǎng)絡(luò)應(yīng)用的改進過程中，為了提高故障診斷的準確性，采用模擬電路板芯片故障的方法來生成和選取更嚴謹?shù)墓收蠘颖尽＿@個方法的核心是利用精心設(shè)計的試驗?zāi)M電路板芯片可能出現(xiàn)的各種故障情況，并收集相應(yīng)的數(shù)據(jù)樣本。這些樣本不僅覆蓋了廣泛的故障類型，還考慮了數(shù)據(jù)采集過程中可能出現(xiàn)的誤差，保證樣本全面、可靠[7]。

為了進一步提升故障診斷的精準度，采用區(qū)域劃分和樣本空間選擇的技術(shù)。將模擬得到的故障數(shù)據(jù)進行區(qū)域劃分，將相似的故障模式歸類至同一個區(qū)域，這樣有助于識別故障的共性和差異性。選擇樣本空間后，系統(tǒng)能夠從每個區(qū)域中挑選最有代表性的故障數(shù)據(jù)信息樣本。這些樣本不僅反映了故障的典型特征，還能夠構(gòu)成信息設(shè)定量的提取空間，為神經(jīng)網(wǎng)絡(luò)提供豐富的輸入信息。這種方法不僅提升了故障樣本的質(zhì)量，還優(yōu)化了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程。神經(jīng)網(wǎng)絡(luò)能夠從這些高質(zhì)量的樣本中學(xué)習更深層次的故障特征，在實際故障診斷中表現(xiàn)更高的準確性和魯棒性。這種方法還為故障智能診斷提供了堅實的數(shù)據(jù)支撐，使系統(tǒng)能夠在復(fù)雜多變的實際環(huán)境中準確地識別和定位故障，為電子設(shè)備的維護和修復(fù)提供了有力的技術(shù)支持。

1.2 LiLSTM的芯片故障診斷

在構(gòu)建故障智能診斷模型的過程中，利用卷積神經(jīng)網(wǎng)絡(luò)對LiLSTM的隱狀態(tài)矩陣進行特征提取[8]。針對LiLSTM模型診斷芯片故障，在模型中引入注意力機制。該機制能夠均勻分配LiLSTM學(xué)習特征權(quán)重，更加準確地提取數(shù)據(jù)信息中的故障特征。其計算過程如公式（3）所示。

（3）

式中：F為故障特征；i為不同的待選故障數(shù)據(jù)樣本；L為時間序列長度；r為單元輸出維數(shù)；c為卷積神經(jīng)濾波器。

成功提取芯片故障信息的特征后，針對全局故障信息進行詳細搜索，確定LiLSTM網(wǎng)絡(luò)的最佳超參數(shù)組合。在模型運行期間，預(yù)處理的故障數(shù)據(jù)輸入至LiLSTM模型中。隨后，卷積神經(jīng)網(wǎng)絡(luò)對隱狀態(tài)矩陣的每行進行加權(quán)求和，生成1個新的特征矩陣h'，其精準地反映了故障數(shù)據(jù)的時序特征與空間特征。在LiLSTM模型中，芯片故障數(shù)據(jù)信息在訓(xùn)練過程中傳輸至LSTM網(wǎng)絡(luò)中，將拼接后得到的隱狀態(tài)向量送入注意力層。模型計算待診斷的隱狀態(tài)向量與h'的每一行，生成一系列比例權(quán)重w，其直觀地反映了每個特征在故障診斷中的重要性。權(quán)重利用Sigmoid函數(shù)進行歸一化處理，保證其和為1。注意力層會根據(jù)這些權(quán)重為重要的特征信息分配相應(yīng)的權(quán)重比例，并將處理后的信息傳遞至下一層。

在全連接層中，模型會輸出對應(yīng)的特征向量。Softmax層根據(jù)這些特征向量輸出故障類別的概率，最終根據(jù)輸出層得到故障診斷結(jié)果。其計算過程如公式（4）所示。

G=whm+1 " " " " " " " "（4）

式中：G為芯片故障值；w為權(quán)重特征；hm+1為故障類別概率。在診斷過程中，利用Softmax層輸出故障類別的概率。設(shè)定故障診斷過程中的閾值為T，當Tgt;G時，說明芯片正常，沒有出現(xiàn)故障；當Tlt;G時，說明芯片存在故障。觀察電路的工作狀況，利用模型輸出得到最終的故障診斷結(jié)果，確定故障位置。為了提升故障診斷精度，需要在訓(xùn)練過程中不斷優(yōu)化模型權(quán)重來診斷并處理模擬電路板芯片故障，保證電子系統(tǒng)正常運行。

2 試驗測試與分析

2.1 搭建試驗環(huán)境

為了驗證本文故障診斷方法的實用性，設(shè)定芯片故障診斷的試驗工況，試驗在電壓10 V的條件下進行測試。根據(jù)芯片引腳的功能，在工作狀況下設(shè)定一定數(shù)量的短路故障。在每種工況下，采集正常與故障數(shù)據(jù)8組。為了訓(xùn)練分類模型，選擇6組數(shù)據(jù)作為測試樣本。在試驗中，將繼電器的通電時長設(shè)定為20 min來作為1個完整的芯片工作周期。在這個周期內(nèi)對采集的試驗數(shù)據(jù)進行故障特征提取，該工況下芯片的故障編號以及相應(yīng)的故障靈敏度見表1。

為了全面評估本文提出的方法在芯片故障診斷過程中的有效性，筆者設(shè)計了1個對比試驗。在試驗中，設(shè)立3個小組，采用本文提出方法的小組為試驗組，其余2個小組為對照組，分別采用傳統(tǒng)的故障診斷方法和現(xiàn)有的先進診斷技術(shù)。在試驗過程中，從包括豐富故障類型的數(shù)據(jù)集中隨機抽取了大量樣本，保證試驗的隨機性和代表性。每個小組對這些樣本進行故障診斷，并記錄故障特征標簽的類別。對這些標簽進行詳細統(tǒng)計，分析不同方法在識別和分類芯片故障方面的表現(xiàn)。試驗結(jié)果不僅說明本文方法在故障診斷準確性、速度和穩(wěn)定性方面具有優(yōu)勢，還能體現(xiàn)其在實際應(yīng)用中的潛在價值。與對照組直接對比可以更清晰地看到本文方法在處理復(fù)雜芯片故障方面的獨特優(yōu)勢，以及其在提升芯片可靠性和維護效率方面的潛力。試驗結(jié)果將為芯片制造和維護領(lǐng)域的專業(yè)人士提供參考，推動故障診斷技術(shù)進步。

2.2 結(jié)果與分析

模擬電路板在相同工況下進行通電，工作一段時間后，進行斷電。記錄工況數(shù)據(jù)，并將采集的數(shù)據(jù)作為隨機測試集，運用不同方法進行故障診斷，其結(jié)果對比如圖1所示。

在本次研究中，對比了3種不同的模擬電路板芯片故障診斷模型，計算電路板芯片故障靈敏度，對芯片故障進行了細致的分類。試驗結(jié)果顯示，在樣本數(shù)量為100的情況下，試驗組模型能夠根據(jù)預(yù)測的故障靈敏度準確地將芯片故障歸類為F8類別。這個分類過程不僅取決于模型的預(yù)測能力，還取決于樣本數(shù)據(jù)的豐富性和代表性。為了評估各模型的診斷準確性，進一步分析3個小組的誤診情況。經(jīng)過計算與對比，發(fā)現(xiàn)試驗組的誤診率僅為7%，遠低于對照一組的35.9%和對照二組的54.6%。這個顯著的差異表明試驗組模型在故障診斷方面具有更高的精確度和可靠性。誤診率降低說明試驗組模型能夠更精準地分析芯片信息，準確地確定芯片故障的位置和類型，在實際應(yīng)用中得到更好的診斷效果。試驗組的優(yōu)異表現(xiàn)來自其模型設(shè)計的先進性、算法的優(yōu)化以及訓(xùn)練數(shù)據(jù)的精心選擇。這些因素共同作用，使當面對復(fù)雜的電路板芯片故障時，試驗組模型能夠發(fā)揮更強的故障識別和分類能力。當處理大量數(shù)據(jù)時，試驗組模型具有高效性，能夠在實際工業(yè)應(yīng)用中進行快速故障診斷。

為了驗證本文診斷方法的有效性，在算法尋優(yōu)后將得到的參數(shù)組合輸入模型中，選擇2個數(shù)據(jù)集作為測試數(shù)據(jù)集，得到測試集的分類結(jié)果訓(xùn)練圖，運用本文方法對其進行故障類別混淆分析，得到矩陣圖，如圖2所示。由圖2可知，在本研究中引入注意力機制來增強模擬電路芯片故障診斷模型的性能。注意力機制是一種模仿人類視覺注意力分配的算法，其能夠使模型在處理信息的過程中更加聚焦于關(guān)鍵特征，提高診斷的準確性和效率。試驗結(jié)果表明，在添加了注意力機制后，故障診斷模型在各種工況下均展現(xiàn)了卓越的性能，其對芯片故障的智能診斷準確率為97%～100%，這個結(jié)果符合預(yù)期。該結(jié)果不僅說明本文提出的診斷方法模型在識別模擬電路芯片故障方面能力很強，還說明注意力機制在提升模型特征選取準確度方面效果顯著。注意力機制精確聚焦故障診斷中的關(guān)鍵信息，幫助模型優(yōu)化特征提取過程，使模型能夠更加精準地識別和區(qū)分不同類型的芯片故障。

綜上所述，本文提出的故障診斷模型在電路芯片的故障診斷領(lǐng)域中診斷準確率高，魯棒穩(wěn)定性強，為電路芯片故障診斷提供了一種嶄新、有效的方法。該模型不僅具有重要的理論價值，還為工業(yè)界在電路芯片故障診斷領(lǐng)域的應(yīng)用提供了有力的技術(shù)支持。

3 結(jié)語

本研究從故障智能診斷入手，重點研究改進神經(jīng)網(wǎng)絡(luò)，深入分析基于改進神經(jīng)網(wǎng)絡(luò)的模擬電路板芯片故障智能診斷方法。但是方法還存在一些不足，例如小波包分解問題等。未來應(yīng)進一步優(yōu)化計算過程，充分利用提取的特征數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。在訓(xùn)練過程中可以采用上述改進神經(jīng)網(wǎng)絡(luò)的方法來優(yōu)化模型性能，將待診斷的模擬電路板的芯片數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，模型輸出診斷結(jié)果。結(jié)合神經(jīng)網(wǎng)絡(luò)的強大能力和現(xiàn)代人工智能技術(shù)的優(yōu)勢，模型能夠快速、準確地對模擬電路板芯片故障進行診斷。不斷優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和訓(xùn)練方法，可以進一步提高診斷的準確性和效率。

參考文獻

[1]李可萌，陳富國，楊暉，等.基于姿態(tài)傳感器的高壓隔離開關(guān)機械故障智能診斷研究[J].電網(wǎng)技術(shù)，2023，47（9）：3781-3790.

[2]龐聰，馬武剛，李查瑋，等.一種GOA優(yōu)化SOM神經(jīng)網(wǎng)絡(luò)的VP型傾斜儀故障智能診斷方法[J].大地測量與地球動力學(xué)，2023，43（3）：322-326.

[3]陳巖.帶式輸送機傳動滾筒軸承故障智能診斷[J].工礦自動化，2023，49（增刊1）：56-59，137.

[4]肖發(fā)龍，吳岳忠，沈雪豪，等.基于深度學(xué)習和知識圖譜的變電站設(shè)備故障智能診斷[J].電力建設(shè)，2022，43（3）：66-74.

[5]馮賀平，楊敬娜，吳梅梅，等.基于MSSA+IESN+MFFN組合算法的齒輪箱早期故障智能診斷[J].中國工程機械學(xué)報，2023，21（2）：172-177.

[6]何暉，代萌，李雪，等.基于DCNN-SVM的道岔智能故障診斷方法研究[J].鐵道學(xué)報，2023，45（9）：103-113.

[7]時培明，焦陽，陳卓，等.采用分數(shù)階域MFL-Net的機械智能故障診斷方法研究[J].動力工程學(xué)報，2023，43（10）：1326-1334.

[8]楊永燦，譚慶慧，秦宇翔.基于注意力機制的多尺度卷積神經(jīng)網(wǎng)絡(luò)電機軸承故障診斷[J].云南水力發(fā)電，2023，39（6）：51-56.