基于仿真的電路板級故障診斷測試方法

王占選，陳嘉恒，王 晴

(1.北京航天測控技術有限公司，北京 100041； 2.西安電子科技大學 電子工程學院，西安 710071)

0 引言

電路板被廣泛應用于日常生活、工作的各個領域，隨著使用時間的日益增長，元器件的可靠性逐漸降低，再加上某些不可預知因素的影響，使得電路板的故障發生在所難免。為了保障電路板正常工作，減少電路維修診斷所耗費的大量時間成本和人力成本，提高電路發生故障的測試診斷效率，對電路板級測試診斷方法的研究顯得尤為重要[1]。

伴隨著計算機技術和EDA技術的快速發展，應用于電路故障診斷的理論研究越來越多[2]，當前，與電路故障診斷相結合的理論研究有如下幾種：1)神經網絡[2]是基于認知科學和神經生物學在信號處理領域的認知成果，具有很強的非線性擬合能力和自適應能力，應用于故障診斷的信號處理過程接近于人類的思維方式；2)免疫算法[4]是模仿生物免疫系統而發展起來的智能隨機優化算法，應用于故障診斷具有檢測與學習的動態調整能力，提高診斷測試效率[5]；3)支持向量機[6]是一種應用于故障分類識別的機器學習方法，與最小二乘小波相結合應用于模擬電路故障診斷可有效提高診斷的準確性[7]。

本文提出了一種基于仿真的故障診斷測試方法，通過pspice對電路板進行建模和仿真，利用小波分析方法提取電路板仿真結果的數據特征，并根據數據特征做測試節點優化，采用概念格診斷推理方法構造電路板故障診斷形式背景，生成故障診斷規則，最終通過診斷規則對已有故障數據做診斷推理，驗證測試方法的可行性。

1 測試方法

基于仿真的電路板級故障診斷測試方法流程圖如圖1所示，建模與仿真單元用于完成被測電路板的功能與故障模型建立、仿真原理圖繪制、故障注入、仿真原理圖編譯、功能仿真及故障仿真等，用于生成電路中各個測試節點的波形數據，為板級故障診斷提供訓練數據來源；特征提取單元通過小波分析的方法，提取測試節點波形數據的典型特征，如小波系數能量特征、小波系數極值特征以及小波系數熵特征等，通過這些特征數據用于后續解析故障模式與測試節點之間的關系抽象和總結歸納；測試節點優化用于刪除大量特征數據的冗余數據，提高測試診斷效率；利用測試節點優化以后的特征數據以及故障模式信息，構造用于故障診斷的形式背景和概念格，包括條件屬性概念格和決策屬性概念格；診斷規則提取單元用于將上一步構造的診斷形式背景和條件屬性概念格通過可辨識屬性矩陣的定義計算得到故障診斷的決策辨識函數，進一步利用布爾運算的分配率和吸收率將其轉換成最小吸取范式，獲取約簡以后的條件屬性概念格，通過比對約簡后的概念格和決策屬性概念格，獲取故障診斷規則；故障推理與驗證單元利用診斷規則對仿真數據做推理診斷，驗證方法的可行性。

圖1 電路板級故障診斷測試方法流程圖

2 建模與仿真

2.1 建模

1)功能模型建模：比起人工分析，通過EDA工具進行電路仿真具有時間耗費少、精度高且可靠性強等優點，可以大大縮短開發周期、降低設計成本，而且還可以隨時根據項目需求對電路進行優化和改進。但這些優點大大依賴于元器件模型，只有保證模型的準確可靠，才能充分發揮電路仿真技術的巨大優勢。元器件廠家提供的標準模型雖然簡單實用，但不具備自行建立模型的靈活性，比如修改模型參數、設置模型故障模式等。為了適應電路故障診斷的需要，首先要建立元器件的功能模型，進一步總結元器件的故障模式，建立能夠正確反映故障模式的故障模型，便于通過仿真快速、準確定位電路故障，節省時間，提高效率。

元器件建模流程圖如圖2所示。

圖2 元器件建模流程圖

2)故障模型建模：首先應根據上節介紹建立功能模型，在此基礎上分析元器件的失效模式，并在此基礎上分析失效模式與模型參數的對應關系，并建立故障模型。模型建立完成后還需搭建仿真電路進行驗證，分析故障仿真結果的好壞元器件故障模型建模流程圖如圖3所示。

圖3 元器件故障模型建模流程圖

2.2 仿真

元器件的功能模型和故障模型建立完成后，采用spice3f5仿真引擎搭建被測對象實際功能電路，進行被測電路的功能和故障仿真，獲取仿真數據。

電路故障仿真工作流程如下：

1)準備階段：打開軟件，啟動“電路仿真內核看護進程”，載入“仿真引擎”，默認打開電路原理圖編輯窗口。

2)檢查階段：檢查構建原理圖的模型文件是否包含有效元素，如發現問題及時報警，提示錯誤修改。

3)原理圖編輯：通過建立的元器件功能模型和故障模型，根據被測電路板實際拓撲關系，繪制用于仿真的被測電路原理圖。

4)原理圖編譯：原理圖編譯之前自動進行原理圖校驗，發現問題及時告警。通過校驗的原理圖按照“原理圖編譯變換規則”進行解析，獲取電路原理圖網表文件，可供后續仿真模塊使用。

5)功能仿真：獲取電路仿真原理圖網表文件以后，需要設置仿真類型和仿真參數，仿真類型包括直流工作點、瞬態分析、零極點掃描、周期穩態掃描等，仿真參數包括仿真時間長短、時間間隔、電壓電流精度、仿真迭代次數等。同時，還需要設置仿真所需功能模型和故障模型的存放路徑以及仿真輸出數據的存放格式等信息。所有設置完成后便可進行功能仿真，并按照設定好的格式獲得仿真結果。

6)故障管理：用于按照指定的方式進行仿真原理圖的故障注入功能，用來模擬電路出現指定故障時的情況，故障注入包括原理圖測試節點的故障注入以及元器件類型和元器件位號的故障注入。

7)故障仿真：按照步驟6)注入的故障模型，對電路原理圖做故障仿真，獲取電路原理圖中各個測試節點的仿真數據。

8)數據處理：仿真引擎將按照仿真參數設定傳回仿真之后的結果數據，包括各個測試節點的采樣數據和仿真設定的各種參數。

圖4 電路仿真流程

3 特征提取與測試節點優化

3.1 仿真數據特征提取

電路仿真結束后得到的是每個測試點的響應波形數據，只根據波形數據無法直接用于故障診斷，需通過一定處理獲取該波形數據的特征表示，比如周期方波信號的幅度、高值、低值、頻率、占空比等典型特征，或者經信號頻域分解后特定頻率分量對應的非典型特征。電路板級的故障信號大多是非平穩信號，通常利用小波分解的方式進行處理。通過小波分解的方式提取信號特征有如下兩個重點研究內容，分別是小波基函數如何選擇和小波分解層數如何確定。

1)小波基函數的選擇：

小波基函數不像標準傅里葉變換，具有多樣性和不唯一性。通過不同的小波處理，獲得的信號特征也截然不同。對于一個特定的信號來說，首先應該求解這個信號的目標函數，根據目標函數求解最優最小基函數。

2)小波分解層數的確定：

由于仿真結束后獲得的波形數據特征差別很大，對應的小波分解層數的確定沒有固定的理論依據，通過小波分析想要達到的目標也不一樣。小波分解層數如何確定的一個重要參數是信噪比，如果信號的質量好，噪聲低，出于提高計算效率的考慮，同時又能夠保證信號特征的足夠表達，小波分解層數不需過大。反之，如果信號的信噪比偏小，為了能夠獲取更準確的特征信息，則需適度加大分解層數。此外，影響分解層數的另一個重要參數是采樣頻率，采樣頻率越大分解層數也應該越大，反之較小。在滿足故障診斷所需特征信息的情況下，應該盡量減小分解層數，提高計算效率。

仿真波形數據經過小波分解以后得到的仍然是離散數據，依舊不能夠直接用于故障診斷，還需要通過特征向量提取獲取離散數據的有用信息。特征向量應是該離散數據的典型標識，用于最大限度的與其他信號做區分。

離散波形數據的特征向量提取主要包括能量分布特征提取、熵特征提取以及極值特征提取。能量特征代表離散波形數據的典型特征，比如波形數據的幅度、高值、低值、頻率等，小波的高頻分解系數主要用于表征信號的奇異信息，小波的低頻分解系數主要用于表征信號的輪廓信息。分別計算小波不同分解系數對應的能量特征，并將其組合成離散波形數據的特征向量。信息熵用于描述隨機的穩定程度，信息熵越小代表信號所包含的信息量越大，相反，信息熵越小則達標信號包含的信息量越小，信號越平穩。信號的熵特征提取不是直接處理測試點波形數據的信號序列，而是求解不同的小波分解層數或者是不同頻段的小波系數所包含特征的概率信息。極值特征是指離散波形數據經過小波分解后，不同頻率的小波系數的幅值，對故障信號來說，奇異信號主要包含于高頻系數中，極值特征提取主要用于表征奇異信號的有用信息。

3.2 測試節點優化

測試節點優化是指刪除盡可能多的冗余測試點，同時保證足夠多的故障狀態隔離。對于隔離電路狀態信息量來說，不同的測試節點所起的作用不同。有的節點隔離的狀態少，有的節點隔離的狀態多，有的對隔離故障沒作用。測試節點優化有利于減少數據分析計算量，加快實時診斷過程[8]。

電路中的測試節點優化主要集中在基于整數編碼表的策略和標準[9]。整數編碼法實現測試節點優化有兩個步驟：1)每次選取故障隔離能力強的測試點加入到最優測試集中；2)找到這些最優測試點能隔離哪些故障，并將這些故障加入到可隔離故障集中，直到完成故障的全集，算法結束。

選取故障隔離能力強的測試點的算法處理流程：

1)選定一個參考標準，用于衡量每次迭代過程中的測試點是否最優：對故障判決能力的強弱是評價測試點是否最優的主要依據，最優測試點應該能夠更好的判斷是否故障，并且可以隔離出盡可能多的故障。測試點對故障判決能力的強弱可以用敏感度因子表征，敏感度因子越大，則代表測試點對故障越敏感，根據敏感度因子的大小將測試點排序，得到一個有序的測試點集合，集合中越靠前的測試點敏感度因子越大，對故障的判決能力也就越強。

2)由得到的通過敏感度因子大小排序的測試點集合計算出每個測試點所能隔離出的故障，根據已經訓練的測試點對應的特征值集合獲得故障診斷知識模型。然后對每個測試點對應的所有故障模式進行分類，獲得該測試點對應的故障模式的測試集。如果分類沒有問題則代表該測試點能夠隔離出對應的故障。按照順序輸入每個測試點對應的故障模式的測試集，得到有序測試點集合所能隔離出的故障集合。

3)通過步驟2和步驟3得到的有序測試點集合以及所能隔離出的故障集合，刪除敏感度因子很小的測試點以及該測試點所能隔離的故障集合，依次化簡得到最優測試集，算法結束。

4 概念格與故障推理

概念格也稱形式概念分析[10]，是建立在數學基礎上的一種從形勢背景進行數據分析和規則提取的工具，用于對數據集中的概念結構進行識別、排序、顯示，被廣泛用于信息科學領域。概念格是形式概念分析理論的基礎，是對象和屬性的集合，包含概念的外延和內涵，外延是指所有對象的集合，內涵是指對象所共有的屬性的集合。基于概念格的診斷規則提取相比傳統的診斷規則提取算法效率要高，而且可以從多維空間中進行數據分析，在數據分析方面是一個效率很大的工具，可以對屬性的多維度、多層次關系進行清晰描述。

仿真數據經過特征提取、測試節點優化以后的故障特征數據，將故障模式以及相關測試節點數據特征經過抽象匯總后建立電路板故障診斷形式背景，基于屬性的增量式生成算法構造概念格，并對生成的概念格做數據解析生成診斷知識。最終通過生成的診斷知識對原理圖故障仿真數據做推理驗證。

5 測試結果與分析

對某雷達定時器板進行建模仿真分析，獲取共計10 962個故障仿真數據(如圖5所示)，包括單次功能仿真的522個測試節點數據以及分別注入20個單節點故障的522個測試節點數據。利用小波分析，提取測試節點波形的數據特征(如圖6所示)，由于測試節點含有大量與故障推理定位無關的冗余信息，通過節點優化刪除冗余節點(如圖7所示)。構造形式背景，行對應不同的故障模式，列對應采樣節點數據特征與該故障模式是否相關的關系屬性(如圖8所示)。解析概念格，生成故障診斷規則，利用故障診斷規則對診斷數據進行推理診斷，能夠準確定位到名稱為“F2+MODEL…”故障(如圖9所示)，驗證了通過概念格進行故障推理的正確性。

圖5 故障仿真數據

圖6 仿真數據特征提取

圖7 測試節點優化

圖8 概念格形式背景

圖9 利用概念格對仿真數據做推理診斷

6 結論

本文提出了基于仿真的電路板級故障診斷測試方法。該方法利用建模和仿真獲取被測電路板各個測試節點的波形數據，通過小波分析的方法獲取波形數據的特征信息，并進行測試節點優化，構造形式背景和概念格，通過解析概念格獲取診斷規則，并對被測電路仿真數據做診斷推理，驗證了測試方法的可行性。