基于改進神經網絡的模擬電路板芯片故障智能診斷方法

摘 要：由于現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網絡的模擬電路板芯片故障智能診斷方法，提出改進神經網絡，準確地計算故障數據行為特征，對故障樣本進行采集。構建故障智能診斷模型，利用卷積神經網絡對LiLSTM的隱狀態矩陣進行特征提取。引入注意力機制，均勻分配學習特征權重。根據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果，確定故障位置。試驗結果表明，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%，結果符合預期。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。

關鍵詞：改進神經網絡；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

在電子工業快速發展進程中，模擬電路板芯片作為電子系統的核心組成部分，在整個系統的運行過程中，其可靠性以及穩定性比較重要。本文模擬電路板芯片故障智能診斷技術，結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。許多學者對故障診斷方法進行研究。文獻[1]針對隔離開關的姿態角度信息使用姿態傳感器獲取相關數據，采用Stacking模型融合技術，結合Stacking基學習器進行優勢互補，提升診斷性能。盡管采用多種技術來提高診斷的準確性和穩定性，但是在實際應用中仍然可能受到外部因素影響，導致診斷結果出現偏差或誤報。文獻[2]利用蝙蝠算法對FOMR神經網絡的競爭層維數和網絡訓練次數進行優化。應用優化后的FOMR網絡模型對VP型設備的故障特征數據進行辨識，使用模型輸出對傾斜儀的故障進行診斷。其應用后對故障特征的區分效果較差，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，利用改進神經網絡，結合實際情況進行試驗與分析。

1 芯片故障智能診斷

1.1 改進神經網絡故障樣本采集

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，構建故障特征向量組。在這個過程中，需要根據神經網絡提取故障特征。由于神經網絡故障診斷數據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，因此提出改進神經網絡，準確計算故障數據行為特征，采集故障樣本[4]。設定神經網絡參量，根據神經網絡集成與改善的背景，在空間內判斷樣本是否充分達成應用性樣本。樣本空間覆蓋范圍廣泛，每個原有的數據信息與芯片故障數據都保持非線性映射關系，映射得到改進神經網絡的芯片故障數據樣本空間，如公式（1）所示。

（1）

式中：D為芯片故障數據樣本空間；h為數據提取權限值；為樣本適應度值；l為參量樣本；s為特征故障數據的空間覆蓋條件。

在正常情況下，在樣本空間中的每個數據信息點均能體現模擬電路板芯片故障在優化后的神經網絡環境中的特征值，精確提取模擬電路板芯片故障特征[5]。對經過改進的神經網絡來說，在樣本空間中，每個故障數據信息的設定量都保持原有的傳輸狀態，整個處理過程相互獨立，因此需要設定應用性樣本來對模擬電路板芯片故障數據進行宏觀約束。隨著故障數據樣本不斷累積，應用性樣本的計算結果逐漸增大。為更有效地處理數據，應對已知的樣本空間進行分區，并選擇故障數據信息樣本覆蓋量最大的區域作為信息設定量的主要提取空間[6]。

假設i為不同的待選故障數據樣本，那么在故障數據樣本空間中，根據篩選條件計算改進神經網絡的應用性樣本，如公式（2）所示。

（2）

式中：K為改進神經網絡的應用性樣本；k、kd為不同取值條件下的故障特征；Ei為特征權限值。

在神經網絡應用的改進過程中，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的故障樣本。這個方法的核心是利用精心設計的試驗模擬電路板芯片可能出現的各種故障情況，并收集相應的數據樣本。這些樣本不僅覆蓋了廣泛的故障類型，還考慮了數據采集過程中可能出現的誤差，保證樣本全面、可靠[7]。

為了進一步提升故障診斷的精準度，采用區域劃分和樣本空間選擇的技術。將模擬得到的故障數據進行區域劃分，將相似的故障模式歸類至同一個區域，這樣有助于識別故障的共性和差異性。選擇樣本空間后，系統能夠從每個區域中挑選最有代表性的故障數據信息樣本。這些樣本不僅反映了故障的典型特征，還能夠構成信息設定量的提取空間，為神經網絡提供豐富的輸入信息。這種方法不僅提升了故障樣本的質量，還優化了神經網絡的訓練過程。神經網絡能夠從這些高質量的樣本中學習更深層次的故障特征，在實際故障診斷中表現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據支撐，使系統能夠在復雜多變的實際環境中準確地識別和定位故障，為電子設備的維護和修復提供了有力的技術支持。

1.2 LiLSTM的芯片故障診斷

在構建故障智能診斷模型的過程中，利用卷積神經網絡對LiLSTM的隱狀態矩陣進行特征提取[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學習特征權重，更加準確地提取數據信息中的故障特征。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據樣本；L為時間序列長度；r為單元輸出維數；c為卷積神經濾波器。

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網絡的最佳超參數組合。在模型運行期間，預處理的故障數據輸入至LiLSTM模型中。隨后，卷積神經網絡對隱狀態矩陣的每行進行加權求和，生成1個新的特征矩陣h'，其精準地反映了故障數據的時序特征與空間特征。在LiLSTM模型中，芯片故障數據信息在訓練過程中傳輸至LSTM網絡中，將拼接后得到的隱狀態向量送入注意力層。模型計算待診斷的隱狀態向量與h'的每一行，生成一系列比例權重w，其直觀地反映了每個特征在故障診斷中的重要性。權重利用Sigmoid函數進行歸一化處理，保證其和為1。注意力層會根據這些權重為重要的特征信息分配相應的權重比例，并將處理后的信息傳遞至下一層。

在全連接層中，模型會輸出對應的特征向量。Softmax層根據這些特征向量輸出故障類別的概率，最終根據輸出層得到故障診斷結果。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果，確定故障位置。為了提升故障診斷精度，需要在訓練過程中不斷優化模型權重來診斷并處理模擬電路板芯片故障，保證電子系統正常運行。

2 試驗測試與分析

2.1 搭建試驗環境

為了驗證本文故障診斷方法的實用性，設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。根據芯片引腳的功能，在工作狀況下設定一定數量的短路故障。在每種工況下，采集正常與故障數據8組。為了訓練分類模型，選擇6組數據作為測試樣本。在試驗中，將繼電器的通電時長設定為20 min來作為1個完整的芯片工作周期。在這個周期內對采集的試驗數據進行故障特征提取，該工況下芯片的故障編號以及相應的故障靈敏度見表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，筆者設計了1個對比試驗。在試驗中，設立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，分別采用傳統的故障診斷方法和現有的先進診斷技術。在試驗過程中，從包括豐富故障類型的數據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計，分析不同方法在識別和分類芯片故障方面的表現。試驗結果不僅說明本文方法在故障診斷準確性、速度和穩定性方面具有優勢，還能體現其在實際應用中的潛在價值。與對照組直接對比可以更清晰地看到本文方法在處理復雜芯片故障方面的獨特優勢，以及其在提升芯片可靠性和維護效率方面的潛力。試驗結果將為芯片制造和維護領域的專業人士提供參考，推動故障診斷技術進步。

2.2 結果與分析

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。記錄工況數據，并將采集的數據作為隨機測試集，運用不同方法進行故障診斷，其結果對比如圖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。試驗結果顯示，在樣本數量為100的情況下，試驗組模型能夠根據預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測能力，還取決于樣本數據的豐富性和代表性。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。經過計算與對比，發現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，在實際應用中得到更好的診斷效果。試驗組的優異表現來自其模型設計的先進性、算法的優化以及訓練數據的精心選擇。這些因素共同作用，使當面對復雜的電路板芯片故障時，試驗組模型能夠發揮更強的故障識別和分類能力。當處理大量數據時，試驗組模型具有高效性，能夠在實際工業應用中進行快速故障診斷。

為了驗證本文診斷方法的有效性，在算法尋優后將得到的參數組合輸入模型中，選擇2個數據集作為測試數據集，得到測試集的分類結果訓練圖，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鍵特征，提高診斷的準確性和效率。試驗結果表明，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%，這個結果符合預期。該結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鍵信息，幫助模型優化特征提取過程，使模型能夠更加精準地識別和區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域中診斷準確率高，魯棒穩定性強，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，還為工業界在電路芯片故障診斷領域的應用提供了有力的技術支持。

3 結語

本研究從故障智能診斷入手，重點研究改進神經網絡，深入分析基于改進神經網絡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。未來應進一步優化計算過程，充分利用提取的特征數據來訓練神經網絡模型。在訓練過程中可以采用上述改進神經網絡的方法來優化模型性能，將待診斷的模擬電路板的芯片數據輸入訓練好的神經網絡模型中，模型輸出診斷結果。結合神經網絡的強大能力和現代人工智能技術的優勢，模型能夠快速、準確地對模擬電路板芯片故障進行診斷。不斷優化神經網絡的結構和訓練方法，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.基于姿態傳感器的高壓隔離開關機械故障智能診斷研究[J].電網技術，2023，47（9）：3781-3790.

[2]龐聰，馬武剛，李查瑋，等.一種GOA優化SOM神經網絡的VP型傾斜儀故障智能診斷方法[J].大地測量與地球動力學，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]肖發龍，吳岳忠，沈雪豪，等.基于深度學習和知識圖譜的變電站設備故障智能診斷[J].電力建設，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].鐵道學報，2023，45（9）：103-113.

[7]時培明，焦陽，陳卓，等.采用分數階域MFL-Net的機械智能故障診斷方法研究[J].動力工程學報，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網絡電機軸承故障診斷[J].云南水力發電，2023，39（6）：51-56.