基于深度學(xué)習(xí)的電子電路故障診斷方法研究

一、前言

電子電路是現(xiàn)代電子系統(tǒng)的核心組成部分，其可靠性直接關(guān)系到整個系統(tǒng)的性能和壽命。電子電路日趨復(fù)雜化、集成化，元器件種類繁多、連接緊密，導(dǎo)致其潛在故障模式呈現(xiàn)多樣性和復(fù)雜性。傳統(tǒng)的電路故障診斷方法（如基于規(guī)則、模型的診斷技術(shù)）面臨建模困難、知識獲取瓶頸等挑戰(zhàn)，難以適應(yīng)不斷變化的電路工作環(huán)境。人工智能的興起為電子電路故障診斷帶來新的契機(jī)，特別是深度學(xué)習(xí)技術(shù)，憑借其強(qiáng)大的特征學(xué)習(xí)與抽象泛化能力，有望從海量的電路狀態(tài)監(jiān)測數(shù)據(jù)中自動提取故障特征，揭示深層故障規(guī)律，實現(xiàn)更加智能、高效、準(zhǔn)確的診斷。

二、電子電路故障診斷的理論基礎(chǔ)與現(xiàn)狀

電子電路故障診斷旨在判別電路是否發(fā)生故障，并準(zhǔn)確定位故障類型與位置。診斷過程通常依賴于對電路狀態(tài)信息（如電壓、電流等）的獲取與分析，運用一定的診斷模型和推理策略，可識別電路異常行為，推斷可能的故障原因[。根據(jù)診斷機(jī)理，常見方法可分為基于模型的診斷和基于知識的診斷兩大類?；谀Ｐ偷脑\斷以被測電路的結(jié)構(gòu)、功能模型為基礎(chǔ)，通過仿真與實際測試信號的差異比對，判斷電路是否發(fā)生故障。基于知識的診斷則主要依賴專家知識和歷史故障案例，運用邏輯推理等方法對故障進(jìn)行定位。這兩類方法各有特點，在不同場合下被廣泛應(yīng)用[2。電路故障診斷領(lǐng)域已在理論和應(yīng)用層面積累了較為豐富的成果，一些傳統(tǒng)診斷技術(shù)（如基于結(jié)構(gòu)、基于行為的分層建模診斷方法）通過自頂向下地比對電路各層次模型與實際行為，逐步縮小故障范圍，具有較強(qiáng)的系統(tǒng)性和邏輯性。人工智能領(lǐng)域的專家系統(tǒng)、案例推理等方法也被引入電路診斷中，可借助專家經(jīng)驗庫、歷史案例庫輔助故障分析和定位，在一定程度上模擬了人類專家的診斷思路。但隨著電子電路規(guī)模與復(fù)雜度的急劇增長，這些傳統(tǒng)方法面臨日益凸顯的局限性。對于大規(guī)模集成電路而言，構(gòu)建精確且完備的故障診斷模型往往代價高昂。針對連接短路、參數(shù)漂移等新型故障模式也缺乏有效的建模手段。其次，知識驅(qū)動的診斷系統(tǒng)對領(lǐng)域知識的獲取和表示要求高，知識庫的構(gòu)建需要大量專家經(jīng)驗，通用性和可擴(kuò)展性有限。這些診斷方法對故障信息的分析推理效率還不夠高，難以滿足海量電路狀態(tài)數(shù)據(jù)實時處理的需求。深度學(xué)習(xí)的興起為克服上述挑戰(zhàn)提供了新思路，有望從數(shù)據(jù)驅(qū)動的角度實現(xiàn)故障診斷模式的革新[3]。

三、深度學(xué)習(xí)在電子電路故障診斷中的優(yōu)勢與挑戰(zhàn)

（一）深度學(xué)習(xí)處理高維特征與復(fù)雜模式的能力

復(fù)雜電子電路呈現(xiàn)出高度非線性、多狀態(tài)、強(qiáng)耦合等特點。器件材料特性、制造工藝參數(shù)等內(nèi)在因素與溫度、濕度、電磁干擾等外部環(huán)境因素交織影響，使得故障電路的輸出信號通常表現(xiàn)為高維度、非平穩(wěn)等復(fù)雜特征[4。傳統(tǒng)的信號處理和模式識別方法在從原始數(shù)據(jù)中提取最具判別力的故障特征、刻畫不同故障模式的細(xì)微差異等方面還存在不足。深度學(xué)習(xí)通過引入多層次的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，能夠自動學(xué)習(xí)數(shù)據(jù)內(nèi)在的層次化、抽象化特征表示。以卷積神經(jīng)網(wǎng)絡(luò)為例，較淺層的卷積核負(fù)責(zé)提取局部化的低階特征（如時域統(tǒng)計量、頻域分布等）。

圖1深度學(xué)習(xí)電子電路故障診斷框架

更深層的卷積核在底層特征的基礎(chǔ)上，提取更大感受野內(nèi)的全局化、高階特征，挖掘不同故障特征間的關(guān)聯(lián)與區(qū)分性[5，深度神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力，能夠建立故障原始數(shù)據(jù)與故障模式間的復(fù)雜決策邊界，可有效甄別具有相似表征的細(xì)粒度故障。深度學(xué)習(xí)模型展現(xiàn)出了對高維度故障數(shù)據(jù)建模、刻畫復(fù)雜故障模式的優(yōu)勢，是故障診斷的一把利器，如圖1所示。

（二）電路信號數(shù)據(jù)特性與深度學(xué)習(xí)模型適配性

電子電路的物理結(jié)構(gòu)與工作方式蘊含著豐富的領(lǐng)域內(nèi)在規(guī)律，這些規(guī)律可反映在不同形態(tài)的電路狀態(tài)監(jiān)測數(shù)據(jù)中（如故障電路板的二維圖像數(shù)據(jù)、故障節(jié)點的多變量時間序列數(shù)據(jù)等），不同結(jié)構(gòu)的數(shù)據(jù)對應(yīng)著不同的統(tǒng)計特性和關(guān)聯(lián)模式。電路圖像數(shù)據(jù)通常具有空間局部相關(guān)性，即相鄰像素對應(yīng)電路區(qū)域的故障狀態(tài)可能存在關(guān)聯(lián)。時序電流信號則體現(xiàn)出時間的動態(tài)依賴性，即不同時刻的故障狀態(tài)演化可能遵循一定的時序模式。深度學(xué)習(xí)領(lǐng)域針對不同結(jié)構(gòu)數(shù)據(jù)，已發(fā)展出了一系列性能卓越的網(wǎng)絡(luò)模型。以CNN為代表的深度網(wǎng)絡(luò)善于利用圖像數(shù)據(jù)的二維空間特性，通過局部連接和權(quán)值共享等機(jī)制提取多尺度、平移不變的紋理特征，在圖像分類、目標(biāo)檢測等任務(wù)上取得了廣泛成功。以RNN、LSTM等為代表的遞歸網(wǎng)絡(luò)則擅長對時序數(shù)據(jù)建模，引入狀態(tài)單元存儲歷史信息，能夠自動學(xué)習(xí)時間序列中的長短期依賴關(guān)系。

（三）數(shù)據(jù)獲取與標(biāo)注困難及解決方案

深度學(xué)習(xí)模型展現(xiàn)出的強(qiáng)大特征提取與故障建模能力，很大程度上得益于其在海量標(biāo)注數(shù)據(jù)上的訓(xùn)練優(yōu)化。在電子電路故障診斷的實際應(yīng)用場景中，獲取大規(guī)模的標(biāo)注數(shù)據(jù)存在一定難度。電路故障數(shù)據(jù)的采集代價較高，現(xiàn)實生產(chǎn)運行環(huán)境下的故障電路樣本不易獲得，且故障發(fā)生的隨機(jī)性強(qiáng)，難以全面覆蓋所有故障模式。主動注入故障進(jìn)行狀態(tài)采集，又可能破壞電路的完整性，造成不必要損失。即便獲得了故障數(shù)據(jù)，對其進(jìn)行準(zhǔn)確標(biāo)注也并非易事。判定電路是否出故障、屬于何種故障類型本身就是一個復(fù)雜的診斷過程，需要豐富的專業(yè)知識和診斷經(jīng)驗。而人工標(biāo)注成本高昂，容易出現(xiàn)主觀判斷偏差，可能引人誤標(biāo)注噪聲。面對數(shù)據(jù)獲取和標(biāo)注的難題，需要從多角度尋求突破，一種可行的思路是充分利用仿真分析手段。在正常電路模型的基礎(chǔ)上，通過人工注入短路、開路、參數(shù)偏移等典型故障，模擬電路在各種工況下的輸出響應(yīng)，從而獲得大量的仿真故障數(shù)據(jù)并自動標(biāo)注。但仿真數(shù)據(jù)與實際環(huán)境采集數(shù)據(jù)在分布上往往存在一定偏差，簡單地將仿真數(shù)據(jù)上訓(xùn)練的模型應(yīng)用到實際診斷時，可能面臨性能下降的問題。基于以上問題需要采用遷移學(xué)習(xí)等手段，通過少量實測數(shù)據(jù)對模型進(jìn)行微調(diào)，緩解數(shù)據(jù)分布差異導(dǎo)致的泛化瓶頸。在獲得一定規(guī)模標(biāo)注數(shù)據(jù)的前提下，可采用主動學(xué)習(xí)的策略，讓診斷模型根據(jù)已學(xué)習(xí)到的知識主動挑選對學(xué)習(xí)提升最有價值的新樣本。再由專家進(jìn)行重點標(biāo)注，從而減少盲目標(biāo)注所浪費的資源，以提高標(biāo)注效率。電子電路故障數(shù)據(jù)的稀缺性與獲取難度是深度學(xué)習(xí)在該領(lǐng)域應(yīng)用所面臨的關(guān)鍵挑戰(zhàn)，如何進(jìn)一步突破數(shù)據(jù)瓶頸，讓深度學(xué)習(xí)在小樣本條件下發(fā)揮更大效能，還有待研究者在算法和工程應(yīng)用兩個層面持續(xù)創(chuàng)新。

四、基于深度學(xué)習(xí)的電子電路故障診斷方法

在深度學(xué)習(xí)的一般框架下，可針對電子電路故障診斷任務(wù)的特點，發(fā)展多種診斷模型與方法，以下介紹幾種代表性的研究思路。

（一）卷積神經(jīng)網(wǎng)絡(luò)（CNN）在電路圖像故障識別中的應(yīng)用

電路板是電子系統(tǒng)的重要組成部分，其表面器件與連線分布蘊含電路結(jié)構(gòu)和功能信息。傳統(tǒng)電路板檢測往往依賴人工目視，而CNN能夠直接輸入電路板圖像，自動提取故障特征。基于CNN的印刷電路板（PCB）故障診斷方法首先采集一系列正常和故障PCB實物板的高清圖像，并對圖像進(jìn)行預(yù)處理增強(qiáng)，設(shè)計一個包含若干卷積層和全連接層的CNN模型，將PCB圖像輸入網(wǎng)絡(luò)進(jìn)行特征提取和分類。卷積層中，利用多種尺度和方向的卷積核掃描圖像，提取局部紋理、邊緣等特征。池化層降低特征圖分辨率，保留顯著特征，全連接層將卷積特征“拉平”，經(jīng)非線性變換映射到故障類別標(biāo)簽。網(wǎng)絡(luò)訓(xùn)練時，采用梯度下降算法最小化預(yù)測類別與真實標(biāo)簽間的交叉熵?fù)p失。實驗結(jié)果表明，該CNN診斷模型能夠準(zhǔn)確識別虛焊、斷路等常見PCB故障，優(yōu)于傳統(tǒng)模板匹配等方法。

圖2電路頻率特性與GRU故障診斷圖

例如，在汽車電子控制單元（ECU）的PCB質(zhì)量檢測中，可搜集裝配線上拍攝的PCB圖像，并請專家標(biāo)注各類缺陷（如元器件缺失、少焊、錫珠等）。然后搭建一個CNN模型，以缺陷PCB圖像為訓(xùn)練樣本學(xué)習(xí)不同缺陷的視覺特征。部署時，CNN模型對生產(chǎn)線新采集的PCB圖像進(jìn)行自動化缺陷檢測和分類，及時發(fā)現(xiàn)故障隱患。某ECU生產(chǎn)商應(yīng)用該方案，故障檢出率從人工目檢的 85% 提升至 95% 以上，平均診斷時間也從2分鐘降至5秒內(nèi)，有效提升了生產(chǎn)效率和質(zhì)量控制水平。

（二）循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）與時序電路信號分析

電路的動態(tài)特性往往蘊含在一段時間內(nèi)的信號演變規(guī)律中，循環(huán)神經(jīng)網(wǎng)絡(luò)善于建模時序數(shù)據(jù)，可用于刻畫電路信號隨時間的故障演變過程。針對模擬電路故障，設(shè)計了一種門控循環(huán)單元（GRU）診斷模型，GRU能夠自適應(yīng)地學(xué)習(xí)信號中的長短期依賴關(guān)系，捕獲故障動態(tài)特征。該模型以電路輸入、輸出節(jié)點的一段時間內(nèi)的電壓、電流波形為輸入，每個時刻的信號為一個GRU單元，各時刻單元間通過門控機(jī)制傳遞狀態(tài)信息。最后一個單元的輸出映射到故障類別，相比傳統(tǒng)的基于統(tǒng)計特征的支持向量機(jī)（SVM）等方法，該模型在構(gòu)建故障信號的動態(tài)映射關(guān)系方面具有優(yōu)勢，診斷準(zhǔn)確率和效率均有提升。

以一模擬集成電路的頻率特性測試為例，正常電路在指定頻率下，輸出信號幅度和相位應(yīng)在一定范圍內(nèi)。異常時，可能出現(xiàn)截止頻率偏移、幅值畸變等失真。傳統(tǒng)方法難以刻畫正常失真信號間的復(fù)雜界限。采用GRU模型，可輸入一組已知正常和異常電路在不同頻率下的時序輸出波形，模型能學(xué)習(xí)到正常失真信號在時域上的差異特征。當(dāng)輸入一個新采集的電路輸出波形時，便可基于學(xué)習(xí)到的正常失真界限實現(xiàn)故障診斷，并根據(jù)失真的類型和程度進(jìn)一步定位引起失真的器件參數(shù)偏差，如圖2所示。實踐中，GRU模型在多個頻率采樣點條件下的故障判別準(zhǔn)確率達(dá)到 95% 以上，為測試人員快速篩查故障器件提供判斷依據(jù)。

（三）遷移學(xué)習(xí)解決小樣本電路故障診斷問題

對于一些新型或小批量生產(chǎn)的電子電路，難以獲得大量的故障樣本用于模型訓(xùn)練，采用遷移學(xué)習(xí)可減少所需訓(xùn)練數(shù)據(jù)。本文設(shè)計一種面向小樣本電路故障診斷的遷移學(xué)習(xí)方法，先在大量已有標(biāo)注的源域電路故障數(shù)據(jù)上，訓(xùn)練一個高性能的CNN診斷模型作為通用特征提取器，再利用該模型在目標(biāo)域電路上提取故障特征。僅在CNN頂層添加新的適應(yīng)層，并利用少量目標(biāo)域標(biāo)注樣本進(jìn)行微調(diào)。實驗表明，與從頭訓(xùn)練新模型相比，遷移學(xué)習(xí)能夠顯著降低目標(biāo)域所需標(biāo)注數(shù)據(jù)量，并取得較好的故障診斷性能。針對源域和目標(biāo)域故障分布差異較大的情形，可在微調(diào)階段加入自適應(yīng)正則化項，降低源域中無關(guān)特征的影響，從而提高模型適應(yīng)性。

（四）多模態(tài)深度學(xué)習(xí)融合電路多源信息

電子電路的狀態(tài)信息可能以多種形式呈現(xiàn)，包括電壓、電流、溫度等物理量，元器件參數(shù)、版圖結(jié)構(gòu)等設(shè)計信息，以及故障現(xiàn)場的視頻、音頻等。僅依賴單一信息源進(jìn)行故障診斷，可能無法全面刻畫故障特征。多模態(tài)深度學(xué)習(xí)通過融合不同模態(tài)數(shù)據(jù)，能夠?qū)W習(xí)更加全面的故障表示。本文設(shè)計了一種面向混合信號電路的多模態(tài)診斷框架，該框架包括兩個子網(wǎng)絡(luò)，一個是CNN負(fù)責(zé)提取電路原理圖的結(jié)構(gòu)特征，另一個是RNN負(fù)責(zé)提取電路關(guān)鍵節(jié)點的電壓時序特征。兩個子網(wǎng)絡(luò)分別學(xué)習(xí)不同模態(tài)的局部特征表示。最后將兩個模態(tài)的特征級聯(lián)，輸入全連接網(wǎng)絡(luò)中進(jìn)行決策融合，生成綜合的故障診斷結(jié)果。實驗證明，與單一模態(tài)診斷相比，多模態(tài)融合能夠顯著提升故障定位的準(zhǔn)確性和覆蓋率。

圖3注意力機(jī)制提升電路關(guān)鍵故障點定位精度

在汽車發(fā)動機(jī)控制電路的故障診斷中，除了利用端口電壓等測試信號外，還可融入進(jìn)氣壓力、冷卻液溫度等與電路工作密切相關(guān)的傳感器信號。針對某型號發(fā)動機(jī)控制電路，可搭建一個雙模態(tài)診斷模型，CNN子網(wǎng)絡(luò)負(fù)責(zé)提取電路各測試端口的電壓波形圖像特征，另一個子網(wǎng)絡(luò)負(fù)責(zé)提取進(jìn)氣壓力、冷卻液溫度等傳感器時序信號特征。最后采用注意力機(jī)制對兩個模態(tài)加權(quán)融合，動態(tài)調(diào)節(jié)不同信號源的重要性。雙模態(tài)融合使故障定位準(zhǔn)確率較單一電壓信號診斷提升了 10% 以上。當(dāng)發(fā)動機(jī)出現(xiàn)喘振、爆震等故障時，除電路信號異常外，傳感器信號也出現(xiàn)超標(biāo)波動，多模態(tài)模型能及時捕獲這些相關(guān)線索，輔助故障溯源，如圖3所示。

電子電路中的關(guān)鍵器件或連接點對系統(tǒng)功能和故障影響重大，但在龐大的電路數(shù)據(jù)中，精準(zhǔn)定位這些關(guān)鍵點存在一定難度。注意力機(jī)制通過學(xué)習(xí)數(shù)據(jù)不同區(qū)域的重要性權(quán)重，能夠聚焦最具判別力的故障相關(guān)信息，是提升故障定位精度的有效方法。將注意力機(jī)制引入圖卷積網(wǎng)絡(luò)（GCN），用于基于電路拓?fù)浣Y(jié)構(gòu)的故障診斷，將電路抽象為一個有向圖，器件為節(jié)點，連接為邊，故障傳播對應(yīng)圖上的消息傳遞。GCN在圖結(jié)構(gòu)數(shù)據(jù)上應(yīng)用類似卷積的聚合操作，學(xué)習(xí)節(jié)點的表示，在聚合鄰居節(jié)點信息時引入注意力機(jī)制，關(guān)注與故障最相關(guān)的上下游節(jié)點。實驗表明，注意力增強(qiáng)的GCN能夠準(zhǔn)確關(guān)注到故障路徑上的關(guān)鍵器件，減少無關(guān)器件的信息干擾，在多個基準(zhǔn)電路上實現(xiàn)了故障定位精度的提升。

五、結(jié)語

電子電路故障診斷是保障電子系統(tǒng)可靠運行的關(guān)鍵環(huán)節(jié)。深度學(xué)習(xí)以其強(qiáng)大的特征提取和建模能力，有望突破傳統(tǒng)診斷方法的瓶頸，實現(xiàn)更加智能和高效的故障診斷。將深度學(xué)習(xí)的前沿模型與算法與電子電路領(lǐng)域的問題相結(jié)合，能夠在電路圖像、時序信號、多源異構(gòu)數(shù)據(jù)的綜合利用方面取得創(chuàng)新性進(jìn)展。

參考文獻(xiàn)

[1]趙書濤，徐曉會，尹子會，等.基于深度學(xué)習(xí)斷路器儲能機(jī)構(gòu)故障診斷方法研究[J].高壓電器，2022，58（10）：25-32.

[2]王曉康，丁雷，何嘉斌，等.基于深度學(xué)習(xí)融合證據(jù)理論的電纜接頭故障檢測方法研究[J].絕緣材料，2025.58（03）：125-130.

[4]彭菲桐，徐凱，吳仕勛，等.基于智能優(yōu)化深度網(wǎng)絡(luò)的軌道電路故障診斷研究[J].電子測量與儀器學(xué)報，2024.38（02）：219-230

[3]鞏彬，安愛民，石耀科，等.基于IMODA自適應(yīng)深度信念網(wǎng)絡(luò)的復(fù)雜模擬電路故障診斷方法[J].電子科技大學(xué)學(xué)報，2024，53（03）：327-344.

[5]王文波，彭偉，顧寄南，等.基于深度學(xué)習(xí)與增量更新的滾動軸承故障預(yù)測方法研究[J].江蘇科技大學(xué)學(xué)報（自然科學(xué)版）2022.36（05）：54-59.

[6]劉世豪，王細(xì)洋，龔?fù)?基于深度遷移學(xué)習(xí)的齒輪故障診斷方法[J].機(jī)械傳動，2023.4705）：134-142

作者單位：雅安職業(yè)技術(shù)學(xué)院

責(zé)任編輯：王穎振 楊惠娟