[发明专利]基于动态反馈神经网络建模的模拟电路测试节点选择方法

说明书

技术领域

本发明涉及一种模拟电路测试节点选择方法，尤其是一种基于动态反馈神经网络建模的模拟电路测试节点选择方法。

背景技术

随着电子设备规模的不断增大和集成程度的不断上升，模拟电子系统的测试和诊断要求越来越高，电路的可测性分析作为模拟电路故障诊断和识别的第一个重要步骤尤显重要，这是因为：(1)待测电路中并不是每个测点都是可测的。(2)有些可测节点是多余。(3)好的测试节点提取的故障信息可区分性更强。因此，对于一个待测电路来说，好的测试节点集合能有效的提高电路的故障可测性，同时降低电路的测试时间。

测试节点选择的目的是：在故障均可隔离的前提下，测试节点集合中的测点数目最少。测试节点选择已经被证明是一种NP难的问题，只能通过穷举法才能找到最佳方案，然而，穷举法的计算复杂度高和不符合实际需要，当故障模式和测点数超过40时，穷举法就不切实际了。

目前测试节点方法有两种途径：包含法和排除法，其中包含法是根据评估故障的隔离度是否增加了，将一个新的测试节点添加到待选择的测试节点集合中，而排除法是将非必须的测试节点排除到测点集合外，必须的测试节点是指如果删除该测点，会降低故障隔离度。而测试节点选择需要设计的步骤通常有两个方面：测试节点的选择策略和测试节点的选择标准。其中最常见的测试节点的选择策略是整数编码字典法。而测试节点的选择标准则有多种，如最小信息熵值、最小故障信息度值、最小电路敏感度值等等。

结合现有文献可知，常见的模拟电路测试节点的选择方法均以故障字典为基础的一种迭代选择方法，并以+/-0.7V的电压值为标准构造模糊故障区间，然而，通过实际应用表明这种传统的模拟电路测试节点选择方法具有以下不足：(1)由于每种电路和每类故障模式都是独立的，以+/-0.7V的电压值为统一标准模糊故障区间的划分并不合理。(2)迭代选择方法中均要设置一个测试节点选择的准则，测试节点选择的准确性与准则设置的合理性非常相关，不同的准则得到的最优测试节点集合不同。

发明内容

本发明的目的是解决现有模拟电路测试节点迭代选择方法中存在的故障模糊区间设计不合理和对测试节点选择准则依赖度高的缺点，提出一种基于动态反馈神经网络建模的模拟电路测试节点选择方法，该方法基于动态反馈神经网络非线性建模和遗传算法的全局最优的智能测试节点选择方法。

具体而言，本发明采用以下技术方案解决上述技术问题：

一种基于动态反馈神经网络建模的模拟电路测试节点选择方法，包括以下步骤：

步骤A、选择测试信号的频率；

步骤B、对待测电路输入测试信号，模拟各种典型的故障状态，在待测电路的所有可测节点上采集电路的正常样本和故障样本的电压值，构造故障字典表，其中故障字典表中的行表示所有的待选测试节点，列表示每类故障的节点电压值；

步骤C、根据故障模糊电压区间，分析模糊故障集合，并得到故障整数编码表，其中故障整数编码表中的行表示所有的测试节点，列表示每类故障对应的整数编码；

步骤D、构造初始训练样本集，训练初始动态反馈神经网络，由动态反馈神经网络拟合测试节点与故障之间的非线性映射关系；

步骤E、根据动态反馈神经网络的输出计算，利用遗传优化算法选取最优测试节点集合，其中遗传优化算法的目标函数如下：

arg Max(m-Σk=1moutput(faultk))]]>

上式中output(fault_k)表示动态反馈神经网络中输出层的第k个神经元的输出值，m是输出层神经元的个数。

优选地，步骤C中的故障整数编码表具体按照以下方法得到：

步骤C1、考虑待测电路中元件的容差，采用蒙特卡罗分析方法得到每类故障模式的多组节点电压值样本，并用统计方法得到每类故障样本的均值和均方差，因此每类故障模式的模糊区间为[故障均值-故障均方差，故障均值+故障均方差]；