0 引言

　　大規模集成電路的測試診斷已從傳統診斷方法衍伸到智能領域，群體算法、小波技術、模糊控制并受到該領域學者的廣泛推崇。但由于電路規模日益功能化和模塊化，伴隨的電磁干擾和容差性能使得電路的測試診斷容易誤診斷。準確的模塊級故障定位和辨識明晰的診斷結果是工程迫切需要解決的課題，也是理論走向實際應用的關鍵步驟[1-5]。基于此，本文通過網絡撕裂大規模集成電路，利用云模型實現容差模塊定性定量間的轉化，更好地實現診斷精度的提高，防止誤診斷。

　　首先對大規模集成電路進行網絡撕裂成模塊化小電路，利用正向云模型把提取能量特征預處理，作為網絡輸入向量，用最優小波網絡來測試訓練輸出量，再逆向云處理，實現了任務的精確辨識。通過將此方法與傳統小波網絡方法對比，能明顯得出本文方法的優越性。

1 云-小波模型

　　李德毅教授提出的云是基于傳統概率論和模糊集理論，解決定性定量間不確定性關系的模型。設論域集合U={x}，T是集合U相關聯的語言表達值。集合U中的某元素x對應于T所表達出定性概念的隸屬度CT(x)具有穩定傾向的隨機性變量數，CT(x)在論域范圍上的分布稱為隸屬云。CT(x)的取值范圍在區間[0，1]上，隸屬云是從論域集合C={x}到區間[0，1]的一對多映射，即：

　　CT(x)：  U→[0，1]，  x∈U，  x→CT(x)

　　云數字特征用期望Ex、熵En和超熵He 3個數值來表征。(Ex，En，He)是描述云概念的數值特征基礎。圖1能全面的反應3個數值特征量(Ex，En，He)性質。

　　用帶X條件正向云對象和帶Y條件逆向云對象構造規則云發生器， 定性規則表示為：

　　If  A  then  B

　　如圖2所示，A、B為語言值表示的對象。CGA表示對應輸入語言值A的帶X條件的云對象，CGB表示對應輸入語言值B的帶Y條件的云對象。當輸入某一特定的X刺激前件CGA時，隨機產生一組?值。又控制輸出CGB定量產生一組隨機云滴drop(xi，i)。正態云發生器是用確定的語言值表述的某個定性與其定量表示間不確定轉化模型，從定性到定量的一個正反饋偽映射；逆向云發生器實現從定量數據到定性語言值的不確定性轉換，即實現從定量到定性映射，將定量精確數據轉換為定性語言值(Ex，En，He)表示的概念反映的云滴的整體。

　　云模型與小波網絡的結合，是指整個系統由云模型和小波網絡構成，兩者直接相連，但卻又相對獨立，如圖3所示。云模糊邏輯化作為小波網絡的前置處理手段，為小波網絡提供輸入特征向量，即信號經云化后，再輸入給小波網絡以完成分類、函數比較等功能，最后送入逆云化處理得出最終診斷數據。

　　云模型的小波神經網絡結構如圖4所示。在輸入層中有p個輸入，即一次輸入含有p個估計元素的輸入序列；云化層包含p個X正態云發生器，形成的云滴drop(xi，i)輸入到包含m個小波基神經元的隱含層；擬合后進入逆云化層；逆云化層包含q個Y正態云發生器，逆云化后輸出q個估計值。ij是云化層的神經元i到隱含層的神經元j之間的權值，jk為隱含層的神經元j到逆云化層的神經元k之間的權值；代表隱含層的小波基函數，其中aj、bj分別是小波基的伸縮因子和平移因子，j、k分別是隱含層和逆云化層的網絡閾值。由圖4可知，在云化層和逆云化處理層中，都要用到相應參數的數字特征(Ex，En，He)，因此在對網絡進行訓練之前，需要用X逆云算法求出各參數的數字特征值。

　　本文小波網絡轉移函數采用morlet小波，即：

　　設定上式中包含所有參數的集合?茲，輸入層為p個序列值組成的時間序列，即[xk，xk-1，…，xk-p+1]，輸出層為k+l個序列值的預測值dropk+l。

　　以預測均方誤差函數方程作為迭代目標函數C：

　　綜上完成了云-小波網絡結構的實現，以正向云實現了數據的預處理，而逆向云又實現了數據的定性到定量的轉化[6]。

2 網絡撕裂法

　　大規模電路網絡撕裂法根據需要將網絡撕裂成模塊化小電路，進而進行模塊量級故障定位。對于網絡N，由結構功能分析，網絡可劃分成n個模塊Ai(i=1，2，…，n)，Ai模塊是網絡N子網絡，如圖5所示。Ai用點來表示，模塊與模塊之間的相互關聯用線段表示，實現了撕裂關聯診斷圖TG表達。

　　對網絡N進行撕裂，子網絡集為N1(A1，A2，A5)，…，N3(A6，An-1，An)等，對子網絡集Ni等進行邏輯診斷。構造對應于Ai的判斷邏輯值，其元素為“0”或“1”。子網絡Aj在撕裂時，“0”被判為無故障，若有故障則為“l”。由此可推斷出模塊的故障定位。

3 診斷實例

　　以視頻放大電路圖進行模塊化撕裂后如圖6顯示。

　　測試故障設定A1A7模塊同時故障。正常節點電壓和故障電路的節點電壓見表1。

　　云小波網絡采用5層結構，輸出層神經元個數為4，小波網絡輸入層神經元個數為7，經訓練完成后對電路故障分別進行測試。網絡輸出結果見表2。

　　設定A1 A7同時故障，取(A1，A2，A3)，(A4，A5，A9)，(A6，A10，A11)，(A7，A8，A12)為診斷模塊。表2可見，傳統診斷方法判斷邏輯信號模糊，出現粘滯現象，在模塊(A6，A10，A11)的A6上0.596 3數據處理不明顯，易出現誤判斷，而云-小波方法恰恰能解決這些問題。圖7、圖8也證實了表2的處理情況，在同等條件下，云-小波方法的誤判斷概率誤差小。

4 結論

　　本文利用云模型與小波網絡相結合形成的模擬電路故障診斷方法，改變了傳統小波分析的預處理信號方式，以云模型的定性定量間的良好轉換特性，實現了容差數據的智能化處理。再結合網絡撕裂方法從模塊級分析故障，從而提高故障診斷能力。理論和實踐均表明，引入的云模型小波網絡對模擬電路進行故障診斷比傳統小波網絡效果更好，且模塊級診斷更符合現代科技發展的趨勢。

參考文獻

　　[1] 楊士元.模擬系統的故障診斷與可靠性設計[M]. 北京：清華大學出版社，1993.

　　[2] AMINIAN M，AMINIAN F.Neural network basedanalog-circuit fault diagnosis using wavelet transform as preprocessor[J].IEEE Trans.Circuits.Syst.-Ⅱ，2000，44(3)：151-156.

　　[3] 劉美容，何怡剛，方葛豐，等.遺傳小波神經網絡在模擬電路故障診斷中的應用[J].湖南大學學報，2009，36（3）：40-44.

　　[4] 羅克龍，何怡剛，祝文姬，等.大規模直流模擬電路軟故障區間診斷方法[J].計算機輔助設計與圖形學學報，2012，24(2)：271-278.

　　[5] 譚陽紅，何怡剛，陳洪云，等．大規模電路故障診斷神經網絡方法[J]．電路與系統學報，200l，6(4)：25-28.

　　[6] 劉常昱，馮芒.基于云X信息的逆向云新算法[J].系統仿真學報，2004，16（11）：2417-2420.