[发明专利]一种基于神经网络的模拟电路故障诊断方法

说明书

本发明涉及模拟电路故障诊断技术领域，一种基于神经网络的模拟电路故障诊断方法，步骤S1：获取模拟电路在不同故障类型下的采样电压，步骤S2：构建以采样电压为输入，以故障类型为输出的训练库，步骤S3：根据所述输入层神经元数目、所述输出层神经元数目、所述隐含层神经元数目，构建神经网络模型；步骤S4：通过所述训练库对所述神经网络模型进行优化训练，步骤S5：将所述待预测电路的采样作为训练后的所述神经网络模型的输入量进行故障预测，获取所述待预测模拟电路的故障类型，本发明可以有效提高模拟电路故障诊断率，降低故障诊断误差。

技术领域

本发明涉及模拟电路故障诊断技术领域，具体涉及一种基于神经网络的模拟电路故障诊断方法。

背景技术

随着集成电路的快速发展，为了提高产品性能、降低芯片面积和费用，需将数字和模拟元件集成在同一块芯片上。据资料报道，虽然模拟部分仅占芯片面积的5％，但其故障诊断成本却占总诊断成本的95％，模拟电路故障诊断一直是集成电路工业中的一个“瓶颈”问题。

现阶段已经有一些发展的比较完善的模拟电路故障诊断理论应用到实际中了，例如通过建立神经网络，在对神经网络进行训练，通过训练后的神经网络来进行故障诊断，但采用神经网络的故障诊断法时，忽略了训练样本的优化处理，导致训练效果差，降低了诊断的精确性，因此，本发明设计了一种基于神经网络的模拟电路故障诊断方法。

发明内容

本发明目的在于提供一种基于神经网络的模拟电路故障诊断方法克服现有技术的不足；

为实现上述目的，本发明所采用的技术方案是：

一种基于神经网络的模拟电路故障诊断方法，包括以下步骤：

步骤S1：获取模拟电路在不同故障类型下的采样电压，其中，获取模拟电路在不同故障类型下的采样电压的方法为：将模拟电路内所有元件作为采样点，获取采样点两端的电压，对两端的电压进行处理得到采样电压，执行步骤S2；

步骤S2：构建以采样电压为输入，以故障类型为输出的训练库，执行步骤S3；

步骤S3：根据所述输入层神经元数目、所述输出层神经元数目、所述隐含层神经元数目，构建神经网络模型；其中，所述输入层神经元数目根据模拟电路元件数量，所述输出层神经元数目根据故障类型确定，所述故障类型包括多个元件故障、单一元件故障、无元件故障，且用1、2、3表示分别发生了相应的其中的某一类故障类型，所述隐藏层神经元数目根据输入层神经元数目和输出层神经元数目确定，执行步骤S4；

步骤S4：通过所述训练库对所述神经网络模型进行优化训练，并根据预设误差阈值和迭代次数验证所述神经网络模型的训练结果，执行步骤S5；

步骤S5：将所述待预测电路的采样作为训练后的所述神经网络模型的输入量进行故障预测，以获取所述待预测模拟电路的故障类型，完成故障诊断。

优选的，对两端的电压进行处理的方法具体为：将两端的电压进行滤波、放大、降噪处理后，求取两端电压的平均值得到采样电压。

优选的，采用ADAM算法进行神经网络优化训练。

优选的，根据预设误差阈值和迭代次数验证所述神经网络模型的训练结果的方法具体包括下列步骤：

步骤S101：初始化所述神经网络模型的预测误差阈值、迭代次数阈值，执行步骤S102；

步骤S102：当迭代次数等于迭代次数阈值时，获取此时神经网络模型的预测误差，执行步骤S103；

步骤S103：将所述预测误差与预测误差阈值进行对比，当所述预测误差不等于预测误差阈值时，执行步骤S104，当预测误差等于预测误差阈值时，执行步骤S104；

步骤S104：更新迭代阈值，其中，将步骤S101中的迭代次数阈值加1作为更新后的迭代次数阈值，执行步骤S102；