基于小波概率神經網絡的CMOS電路IDDT診斷方法*

熊　波　潘　強

(海軍工程大學電子工程學院　武漢　430033)

?

基于小波概率神經網絡的CMOS電路IDDT診斷方法*

熊波潘強

(海軍工程大學電子工程學院武漢430033)

摘要近年來利用動態電流(IDDT)測試研究CMOS電路故障的方法得到廣泛關注。論文結合小波變換和概率神經網絡方法,提出一種基于小波分析和神經網絡的IDDT診斷方法。小波分析具有時頻局部化特征,能有效提取突變信號特征,概率神經網絡訓練容易,收斂速度快,可以實現任意的非線性逼近,具有良好的分類效果。論文結合二者優點,實現對CMOS電路故障的診斷,達到90%以上準確率。

關鍵詞IDDT; 小波分析; 概率神經網絡; CMOS電路

IDDT Diagnosis Method of CMOS Circuit Based on Wavelet Probabilistic Neural Network

XIONG BoPAN Qiang

(College of Electronic Engineering, Naval University of Engineering, Wuhan430033)

AbstractIn recent years, IDDT is widely used in studying the fault of CMOS circuit. Combined with wavelet transform and probabilistic neural network, an IDDT diagnosis method based on wavelet analysis and neural network is proposed. With the characteristic of time and frequency localization, wavelet analysis can effectively extract the characteristic of mutation signal, and makes probabilistic neural network training easier, possesses fast convergence speed and good classification results, and can realize any nonlinear approximation. Combine with the advantages of wavelet transform and neural network, the fault diagnosis of CMOS circuit is realized with more than 90% accuracy.

Key WordsIDDT, wavelet analysis, probabilistic neural network, CMOS circuit

Class NumberTP391

1引言

隨著微電子技術的發展和COMS電路的廣泛應用,集成電路越來越小型化,復雜化[1]。集成電路的故障診斷要求不斷提高。測試參數的選擇也從傳統的電壓量延伸到電流量。CMOS電路的電流信號也包含電路故障的特征。

CMOS電路正常工作時,靜態電流非常小,當電路在輸入發生變化時,電路內部各點狀態隨之變化,在各點狀態穩定下來之前,由于電路中PMOS管和NMOS管可能在瞬間同時導通以及電路中電容的充放電,電源到地之間產生劇烈而復雜變化的

電源電流,這個電流就是動態電流(IDDT)[2]。IDDT測試即觀察這個電流變化來判斷電路是否存在故障。其測試原理如圖1所示。

圖1　IDDT測試原理

對于IDDT測試采用的方法有兩類:一類是基于積分的平均電流分析法[3],另一類是基于信號處理的方法[4]。前者通過比較IDDT平均值的大小來判斷是否有故障,后者通過對IDDT的信號采樣分析來判斷是否有故障[5]。本文采用的是對IDDT信號進行小波分析,得到小波系數各分量的標準差作為故障特征集,利用概率神經網絡的方法來快速準確診斷電路故障。

2故障建模

2.1橋接故障

橋接故障是電路間兩個或兩個以上節點短路造成的,晶體管端點間的橋接就是其中之一。包含柵極與源極的橋接、柵極與漏極的橋接、源極與漏極的橋接及單元其他節點的橋接[6]。其中有部分故障可以用固定型故障模型來描述,通常采用短路電阻來表示,建立故障模型。

本文選取柵極與源極間的橋接故障為代表,在這之間接入小電阻R建立故障模型,如圖2。設置R取值范圍在1Ω~10Ω之間。

2.2晶體管故障

晶體管參數故障是指晶體管參數發生變化時,其實際值與額定值不同引起的故障,該類故障不會影響電路的邏輯功能,但降低了電路的可靠性,屬于軟故障。在仿真中,本文選擇通過改變CMOS管的溝道數W來模擬,分別取W為10和50的情況。

2.3開路故障

在實際中,大多數情況下開路故障并不等效于信號完全斷開,可以通過再串聯一個較大的電阻來模擬[7]。常考慮的有晶體管源極開路和漏極開路,本文選取CMOS管源極開路為代表,通過串聯1M大電阻R1來模擬,如圖3。

圖2　橋接故障模型

圖3　開路故障模型

3基于小波概率神經網絡的IDDT故障診斷

根據上述分析,設計基于小波概率神經網絡的IDDT故障診斷方案如圖4所示。

圖4　基于小波概率神經網絡的IDDT故障診斷流程圖

本文對基本的CMOS與非門電路如圖5進行仿真實驗。本文采用了兩個不同頻率的正弦信號引起電路跳變來模擬各種不同的測試向量。在電路中接入IPTINT來記錄CMOS電路在橋接故障、開路故障及晶體管參數故障下IDDT的信號特征。

圖5　CMOS與非門電路

3.1小波特征提取

小波分析方法是一種窗口大小固定但其形狀可以改變,時間窗和頻率窗都可以改變的時頻局部分析方法[8]。因此對信號有較強的特征提取功能[9]。采用小波分析,將電路故障信號進行分解,獲得不同高低頻段的信號成份。由于信號變化劇烈,在統計學中常用標準差來表示樣本的離散程度,這里計算高低頻段的信號成份的標準差作為電路故障特征。

故障特征的提取步驟:

1) 首先對采樣的電流信號進行三層haar小波分解。

2) 對分解得到的系數分層重構得到低頻分量A3和高頻分量D1、D2和D3。

3) 求A3、D1、D2和D3的標準差std(A3)、std(D1)、std(D2)和std(D3)。

4) 構造特征向量R=[std(A3)std(D1)std(D2)std(D3)]。

部分特征向量的結果見表1所示。

表1　電流信號的部分特征向量值

3.2概率神經網絡診斷

概率神經網絡是在1989年由D.F.Specht博士提出的一種神經網絡,其結構簡單,應用廣泛[10]。由于概率神經網絡是在徑向基神經網絡基礎上融合了密度函數估計和貝葉斯決策理論,在某些易滿足的條件下,概率神經網絡實現的判別邊界漸進的逼近貝葉斯最佳判定面。其結構由輸入層、隱含層、求和層和輸出層組成,結構如圖6所示。

圖6　概率神經網絡結構

向量x輸入到隱含層,隱含層中第i類模式的第j神經元所確定的輸入/輸出關系由下式定義:

(1)

i=1,2,…,n,n為訓練樣本中的總類數。d為樣本空間數據的維數,xij為第i類樣本的第j個中心。求和層把隱含層中屬于同一類的隱含神經元的輸出做加權平均:

(2)

其中,vi表示第i類類別的輸出,L表示第i類類別的神經元個數。

輸出層取求和層中最大的一個作為輸出的類別:

y=argmax(vi)

(3)

考慮電路元件的容差,使仿真結果更符合實際,對每種故障進行50次蒙特卡洛分析。得到50組電流信號。這21種故障共1050個樣本,其中每種故障分出30組作訓練樣本,20組作為測試樣本。將提取到的特征向量R輸入到進行訓練和測試后,診斷結果如表2所示。

表2　診斷結果統計

從統計結果看出,電路的平均故障診斷率達到90.4%。

4結語

本文采用小波與神經網絡結合的分析方法,通過仿真CMOS管的橋接故障、晶體管故障和開路故障,得到各故障狀態下的特征向量。再采用概率神經網絡的分類方法,有效地區分各種故障狀態。雖然本文對IDDT進行小波與神經網絡分析方法的研究,但是對于大規模集成電路情況下的故障診斷仍是一個嚴峻的挑戰。

參 考 文 獻

[1] 金撼塵.微電子技術發展的新領域[J].電子世界,2014(9):5-6.

[2] 白金緯,張德源.基于電流的數字集成電路故障診斷的方法研究[D].成都:電子科技大學,2008.

[3] Abhishek S, Jitin T, Jim P. Power Supply Transient Signal Analysis Under Real Process and Test Hardware Models[C]//Proceeding of VTS, Monterey,2002:395-404.

[4] Min Y H, Kuang J H, Niu X Y. At-speed current testing[C]//Proceedings of IEEE 12thAsian Symposium(ATS), Xi’an,2003:397-400.

[5] 賈其燕,王友仁.數字電路IDDT測試生成及故障診斷技術研究[D].南京:南京航空航天大學,2009.

[6] 胡玥,程坦,馮濤.基于小波分析的數字電路動態電流測試技術[J].平頂山工學院學報,2007(1):37-39.

[7] 樊艷.電流信息在集成電路故障診斷中的應用研究[D].成都:電子科技大學,2006.

[8] 王佳寧.常用時頻變換方法的淺析與比較[J].科技創新導報,2011(27):112.

[9] 余長庚,雷加.基于小波-神經網絡的數字電路IDDT故障診斷[J].計算機工程與應用,2010(46):211-214.

[10] 陳明.MATLAB神經網絡原理與實例精析[M].北京:清華大學出版社,2013.

中圖分類號TP391

DOI:10.3969/j.issn.1672-9730.2016.03.029

作者簡介:熊波,男,碩士研究生,研究方向:電路系統綜合測試與故障診斷。

收稿日期:2015年9月8日,修回日期:2015年10月21日