基于小波概率神經(jīng)網(wǎng)絡(luò)的CMOS電路IDDT診斷方法*

熊　波　潘　強(qiáng)

(海軍工程大學(xué)電子工程學(xué)院　武漢　430033)

?

基于小波概率神經(jīng)網(wǎng)絡(luò)的CMOS電路IDDT診斷方法*

熊波潘強(qiáng)

(海軍工程大學(xué)電子工程學(xué)院武漢430033)

摘要近年來(lái)利用動(dòng)態(tài)電流(IDDT)測(cè)試研究CMOS電路故障的方法得到廣泛關(guān)注。論文結(jié)合小波變換和概率神經(jīng)網(wǎng)絡(luò)方法,提出一種基于小波分析和神經(jīng)網(wǎng)絡(luò)的IDDT診斷方法。小波分析具有時(shí)頻局部化特征,能有效提取突變信號(hào)特征,概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練容易,收斂速度快,可以實(shí)現(xiàn)任意的非線性逼近,具有良好的分類效果。論文結(jié)合二者優(yōu)點(diǎn),實(shí)現(xiàn)對(duì)CMOS電路故障的診斷,達(dá)到90%以上準(zhǔn)確率。

關(guān)鍵詞IDDT; 小波分析; 概率神經(jīng)網(wǎng)絡(luò); 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(shù)的發(fā)展和COMS電路的廣泛應(yīng)用,集成電路越來(lái)越小型化,復(fù)雜化[1]。集成電路的故障診斷要求不斷提高。測(cè)試參數(shù)的選擇也從傳統(tǒng)的電壓量延伸到電流量。CMOS電路的電流信號(hào)也包含電路故障的特征。

CMOS電路正常工作時(shí),靜態(tài)電流非常小,當(dāng)電路在輸入發(fā)生變化時(shí),電路內(nèi)部各點(diǎn)狀態(tài)隨之變化,在各點(diǎn)狀態(tài)穩(wěn)定下來(lái)之前,由于電路中PMOS管和NMOS管可能在瞬間同時(shí)導(dǎo)通以及電路中電容的充放電,電源到地之間產(chǎn)生劇烈而復(fù)雜變化的

電源電流,這個(gè)電流就是動(dòng)態(tài)電流(IDDT)[2]。IDDT測(cè)試即觀察這個(gè)電流變化來(lái)判斷電路是否存在故障。其測(cè)試原理如圖1所示。

圖1　IDDT測(cè)試原理

對(duì)于IDDT測(cè)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(hào)處理的方法[4]。前者通過(guò)比較IDDT平均值的大小來(lái)判斷是否有故障,后者通過(guò)對(duì)IDDT的信號(hào)采樣分析來(lái)判斷是否有故障[5]。本文采用的是對(duì)IDDT信號(hào)進(jìn)行小波分析,得到小波系數(shù)各分量的標(biāo)準(zhǔn)差作為故障特征集,利用概率神經(jīng)網(wǎng)絡(luò)的方法來(lái)快速準(zhǔn)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(gè)或兩個(gè)以上節(jié)點(diǎn)短路造成的,晶體管端點(diǎn)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(jié)點(diǎn)的橋接[6]。其中有部分故障可以用固定型故障模型來(lái)描述,通常采用短路電阻來(lái)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(shè)置R取值范圍在1Ω~10Ω之間。

2.2晶體管故障

晶體管參數(shù)故障是指晶體管參數(shù)發(fā)生變化時(shí),其實(shí)際值與額定值不同引起的故障,該類故障不會(huì)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(guò)改變CMOS管的溝道數(shù)W來(lái)模擬,分別取W為10和50的情況。

2.3開(kāi)路故障

在實(shí)際中,大多數(shù)情況下開(kāi)路故障并不等效于信號(hào)完全斷開(kāi),可以通過(guò)再串聯(lián)一個(gè)較大的電阻來(lái)模擬[7]。?？紤]的有晶體管源極開(kāi)路和漏極開(kāi)路,本文選取CMOS管源極開(kāi)路為代表,通過(guò)串聯(lián)1M大電阻R1來(lái)模擬,如圖3。

圖2　橋接故障模型

圖3　開(kāi)路故障模型

3基于小波概率神經(jīng)網(wǎng)絡(luò)的IDDT故障診斷

根據(jù)上述分析,設(shè)計(jì)基于小波概率神經(jīng)網(wǎng)絡(luò)的IDDT故障診斷方案如圖4所示。

圖4　基于小波概率神經(jīng)網(wǎng)絡(luò)的IDDT故障診斷流程圖

本文對(duì)基本的CMOS與非門電路如圖5進(jìn)行仿真實(shí)驗(yàn)。本文采用了兩個(gè)不同頻率的正弦信號(hào)引起電路跳變來(lái)模擬各種不同的測(cè)試向量。在電路中接入IPTINT來(lái)記錄CMOS電路在橋接故障、開(kāi)路故障及晶體管參數(shù)故障下IDDT的信號(hào)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(shí)間窗和頻率窗都可以改變的時(shí)頻局部分析方法[8]。因此對(duì)信號(hào)有較強(qiáng)的特征提取功能[9]。采用小波分析,將電路故障信號(hào)進(jìn)行分解,獲得不同高低頻段的信號(hào)成份。由于信號(hào)變化劇烈,在統(tǒng)計(jì)學(xué)中常用標(biāo)準(zhǔn)差來(lái)表示樣本的離散程度,這里計(jì)算高低頻段的信號(hào)成份的標(biāo)準(zhǔn)差作為電路故障特征。

故障特征的提取步驟:

1) 首先對(duì)采樣的電流信號(hào)進(jìn)行三層haar小波分解。

2) 對(duì)分解得到的系數(shù)分層重構(gòu)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(biāo)準(zhǔn)差std(A3)、std(D1)、std(D2)和std(D3)。

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

部分特征向量的結(jié)果見(jiàn)表1所示。

表1　電流信號(hào)的部分特征向量值

3.2概率神經(jīng)網(wǎng)絡(luò)診斷

概率神經(jīng)網(wǎng)絡(luò)是在1989年由D.F.Specht博士提出的一種神經(jīng)網(wǎng)絡(luò),其結(jié)構(gòu)簡(jiǎn)單,應(yīng)用廣泛[10]。由于概率神經(jīng)網(wǎng)絡(luò)是在徑向基神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上融合了密度函數(shù)估計(jì)和貝葉斯決策理論,在某些易滿足的條件下,概率神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的判別邊界漸進(jìn)的逼近貝葉斯最佳判定面。其結(jié)構(gòu)由輸入層、隱含層、求和層和輸出層組成,結(jié)構(gòu)如圖6所示。

圖6　概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

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

(1)

i=1,2,…,n,n為訓(xùn)練樣本中的總類數(shù)。d為樣本空間數(shù)據(jù)的維數(shù),xij為第i類樣本的第j個(gè)中心。求和層把隱含層中屬于同一類的隱含神經(jīng)元的輸出做加權(quán)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(jīng)元個(gè)數(shù)。

輸出層取求和層中最大的一個(gè)作為輸出的類別:

y=argmax(vi)

(3)

考慮電路元件的容差,使仿真結(jié)果更符合實(shí)際,對(duì)每種故障進(jìn)行50次蒙特卡洛分析。得到50組電流信號(hào)。這21種故障共1050個(gè)樣本,其中每種故障分出30組作訓(xùn)練樣本,20組作為測(cè)試樣本。將提取到的特征向量R輸入到進(jìn)行訓(xùn)練和測(cè)試后,診斷結(jié)果如表2所示。

表2　診斷結(jié)果統(tǒng)計(jì)

從統(tǒng)計(jì)結(jié)果看出,電路的平均故障診斷率達(dá)到90.4%。

4結(jié)語(yǔ)

本文采用小波與神經(jīng)網(wǎng)絡(luò)結(jié)合的分析方法,通過(guò)仿真CMOS管的橋接故障、晶體管故障和開(kāi)路故障,得到各故障狀態(tài)下的特征向量。再采用概率神經(jīng)網(wǎng)絡(luò)的分類方法,有效地區(qū)分各種故障狀態(tài)。雖然本文對(duì)IDDT進(jìn)行小波與神經(jīng)網(wǎng)絡(luò)分析方法的研究,但是對(duì)于大規(guī)模集成電路情況下的故障診斷仍是一個(gè)嚴(yán)峻的挑戰(zhàn)。

參 考 文 獻(xiàn)

[1] 金撼塵.微電子技術(shù)發(fā)展的新領(lǐng)域[J].電子世界,2014(9):5-6.

[2] 白金緯,張德源.基于電流的數(shù)字集成電路故障診斷的方法研究[D].成都:電子科技大學(xué),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(shù)字電路IDDT測(cè)試生成及故障診斷技術(shù)研究[D].南京:南京航空航天大學(xué),2009.

[6] 胡玥,程坦,馮濤.基于小波分析的數(shù)字電路動(dòng)態(tài)電流測(cè)試技術(shù)[J].平頂山工學(xué)院學(xué)報(bào),2007(1):37-39.

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

[8] 王佳寧.常用時(shí)頻變換方法的淺析與比較[J].科技創(chuàng)新導(dǎo)報(bào),2011(27):112.

[9] 余長(zhǎng)庚,雷加.基于小波-神經(jīng)網(wǎng)絡(luò)的數(shù)字電路IDDT故障診斷[J].計(jì)算機(jī)工程與應(yīng)用,2010(46):211-214.

[10] 陳明.MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精析[M].北京:清華大學(xué)出版社,2013.

中圖分類號(hào)TP391

DOI:10.3969/j.issn.1672-9730.2016.03.029

作者簡(jiǎn)介:熊波,男,碩士研究生,研究方向:電路系統(tǒng)綜合測(cè)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