摘 要：由于現(xiàn)有的診斷方法特征選取準(zhǔn)確度低，因此本文研究基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的模擬電路板芯片故障智能診斷方法，提出改進(jìn)神經(jīng)網(wǎng)絡(luò)，準(zhǔn)確地計(jì)算故障數(shù)據(jù)行為特征，對(duì)故障樣本進(jìn)行采集。構(gòu)建故障智能診斷模型，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)LiLSTM的隱狀態(tài)矩陣進(jìn)行特征提取。引入注意力機(jī)制，均勻分配學(xué)習(xí)特征權(quán)重。根據(jù)這些特征向量輸出故障類別的概率，與閾值進(jìn)行對(duì)比，得到最終的故障診斷結(jié)果，確定故障位置。試驗(yàn)結(jié)果表明，試驗(yàn)組的誤診率為7%，誤診程度較低；模型在不同工況下對(duì)芯片的故障智能診斷準(zhǔn)確程度控制在97%～100%，結(jié)果符合預(yù)期。綜上所述，使用該方法能夠精準(zhǔn)分析芯片信息，準(zhǔn)確確定芯片故障，診斷效果良好。

關(guān)鍵詞：改進(jìn)神經(jīng)網(wǎng)絡(luò)；模擬電路板芯片；故障診斷；特征提取

中圖分類號(hào)：TN 219" " " " 文獻(xiàn)標(biāo)志碼：A

在電子工業(yè)快速發(fā)展進(jìn)程中，模擬電路板芯片作為電子系統(tǒng)的核心組成部分，在整個(gè)系統(tǒng)的運(yùn)行過程中，其可靠性以及穩(wěn)定性比較重要。本文模擬電路板芯片故障智能診斷技術(shù)，結(jié)合電路板芯片的工作原理和故障特性，快速、準(zhǔn)確地對(duì)故障進(jìn)行診斷。許多學(xué)者對(duì)故障診斷方法進(jìn)行研究。文獻(xiàn)[1]針對(duì)隔離開關(guān)的姿態(tài)角度信息使用姿態(tài)傳感器獲取相關(guān)數(shù)據(jù)，采用Stacking模型融合技術(shù)，結(jié)合Stacking基學(xué)習(xí)器進(jìn)行優(yōu)勢互補(bǔ)，提升診斷性能。盡管采用多種技術(shù)來提高診斷的準(zhǔn)確性和穩(wěn)定性，但是在實(shí)際應(yīng)用中仍然可能受到外部因素影響，導(dǎo)致診斷結(jié)果出現(xiàn)偏差或誤報(bào)。文獻(xiàn)[2]利用蝙蝠算法對(duì)FOMR神經(jīng)網(wǎng)絡(luò)的競爭層維數(shù)和網(wǎng)絡(luò)訓(xùn)練次數(shù)進(jìn)行優(yōu)化。應(yīng)用優(yōu)化后的FOMR網(wǎng)絡(luò)模型對(duì)VP型設(shè)備的故障特征數(shù)據(jù)進(jìn)行辨識(shí)，使用模型輸出對(duì)傾斜儀的故障進(jìn)行診斷。其應(yīng)用后對(duì)故障特征的區(qū)分效果較差，故障診斷的準(zhǔn)確性較低。為了解決上述方法中存在的問題，本文以模擬電路板芯片故障智能診斷方法為試驗(yàn)對(duì)象，利用改進(jìn)神經(jīng)網(wǎng)絡(luò)，結(jié)合實(shí)際情況進(jìn)行試驗(yàn)與分析。

1 芯片故障智能診斷

1.1 改進(jìn)神經(jīng)網(wǎng)絡(luò)故障樣本采集

在芯片故障診斷過程中，使用電路仿真軟件對(duì)模擬電路板進(jìn)行仿真分析，獲取在各種故障模式和正常模式下的輸出信號(hào)。對(duì)電路輸出信號(hào)進(jìn)行去噪處理，提取合理、有效的故障特征[3]。將提取的故障特征進(jìn)行歸一化處理，構(gòu)建故障特征向量組。在這個(gè)過程中，需要根據(jù)神經(jīng)網(wǎng)絡(luò)提取故障特征。由于神經(jīng)網(wǎng)絡(luò)故障診斷數(shù)據(jù)參量的樣本特征分布不均勻，處理能力無法滿足電感負(fù)載強(qiáng)度需求，因此提出改進(jìn)神經(jīng)網(wǎng)絡(luò)，準(zhǔn)確計(jì)算故障數(shù)據(jù)行為特征，采集故障樣本[4]。設(shè)定神經(jīng)網(wǎng)絡(luò)參量，根據(jù)神經(jīng)網(wǎng)絡(luò)集成與改善的背景，在空間內(nèi)判斷樣本是否充分達(dá)成應(yīng)用性樣本。樣本空間覆蓋范圍廣泛，每個(gè)原有的數(shù)據(jù)信息與芯片故障數(shù)據(jù)都保持非線性映射關(guān)系，映射得到改進(jìn)神經(jīng)網(wǎng)絡(luò)的芯片故障數(shù)據(jù)樣本空間，如公式（1）所示。

（1）

式中：D為芯片故障數(shù)據(jù)樣本空間；h為數(shù)據(jù)提取權(quán)限值；為樣本適應(yīng)度值；l為參量樣本；s為特征故障數(shù)據(jù)的空間覆蓋條件。

在正常情況下，在樣本空間中的每個(gè)數(shù)據(jù)信息點(diǎn)均能體現(xiàn)模擬電路板芯片故障在優(yōu)化后的神經(jīng)網(wǎng)絡(luò)環(huán)境中的特征值，精確提取模擬電路板芯片故障特征[5]。對(duì)經(jīng)過改進(jìn)的神經(jīng)網(wǎng)絡(luò)來說，在樣本空間中，每個(gè)故障數(shù)據(jù)信息的設(shè)定量都保持原有的傳輸狀態(tài)，整個(gè)處理過程相互獨(dú)立，因此需要設(shè)定應(yīng)用性樣本來對(duì)模擬電路板芯片故障數(shù)據(jù)進(jìn)行宏觀約束。隨著故障數(shù)據(jù)樣本不斷累積，應(yīng)用性樣本的計(jì)算結(jié)果逐漸增大。為更有效地處理數(shù)據(jù)，應(yīng)對(duì)已知的樣本空間進(jìn)行分區(qū)，并選擇故障數(shù)據(jù)信息樣本覆蓋量最大的區(qū)域作為信息設(shè)定量的主要提取空間[6]。

假設(shè)i為不同的待選故障數(shù)據(jù)樣本，那么在故障數(shù)據(jù)樣本空間中，根據(jù)篩選條件計(jì)算改進(jìn)神經(jīng)網(wǎng)絡(luò)的應(yīng)用性樣本，如公式（2）所示。

（2）

式中：K為改進(jìn)神經(jīng)網(wǎng)絡(luò)的應(yīng)用性樣本；k、kd為不同取值條件下的故障特征；Ei為特征權(quán)限值。

在神經(jīng)網(wǎng)絡(luò)應(yīng)用的改進(jìn)過程中，為了提高故障診斷的準(zhǔn)確性，采用模擬電路板芯片故障的方法來生成和選取更嚴(yán)謹(jǐn)?shù)墓收蠘颖?。這個(gè)方法的核心是利用精心設(shè)計(jì)的試驗(yàn)?zāi)M電路板芯片可能出現(xiàn)的各種故障情況，并收集相應(yīng)的數(shù)據(jù)樣本。這些樣本不僅覆蓋了廣泛的故障類型，還考慮了數(shù)據(jù)采集過程中可能出現(xiàn)的誤差，保證樣本全面、可靠[7]。

為了進(jìn)一步提升故障診斷的精準(zhǔn)度，采用區(qū)域劃分和樣本空間選擇的技術(shù)。將模擬得到的故障數(shù)據(jù)進(jìn)行區(qū)域劃分，將相似的故障模式歸類至同一個(gè)區(qū)域，這樣有助于識(shí)別故障的共性和差異性。選擇樣本空間后，系統(tǒng)能夠從每個(gè)區(qū)域中挑選最有代表性的故障數(shù)據(jù)信息樣本。這些樣本不僅反映了故障的典型特征，還能夠構(gòu)成信息設(shè)定量的提取空間，為神經(jīng)網(wǎng)絡(luò)提供豐富的輸入信息。這種方法不僅提升了故障樣本的質(zhì)量，還優(yōu)化了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程。神經(jīng)網(wǎng)絡(luò)能夠從這些高質(zhì)量的樣本中學(xué)習(xí)更深層次的故障特征，在實(shí)際故障診斷中表現(xiàn)更高的準(zhǔn)確性和魯棒性。這種方法還為故障智能診斷提供了堅(jiān)實(shí)的數(shù)據(jù)支撐，使系統(tǒng)能夠在復(fù)雜多變的實(shí)際環(huán)境中準(zhǔn)確地識(shí)別和定位故障，為電子設(shè)備的維護(hù)和修復(fù)提供了有力的技術(shù)支持。

1.2 LiLSTM的芯片故障診斷

在構(gòu)建故障智能診斷模型的過程中，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)LiLSTM的隱狀態(tài)矩陣進(jìn)行特征提取[8]。針對(duì)LiLSTM模型診斷芯片故障，在模型中引入注意力機(jī)制。該機(jī)制能夠均勻分配LiLSTM學(xué)習(xí)特征權(quán)重，更加準(zhǔn)確地提取數(shù)據(jù)信息中的故障特征。其計(jì)算過程如公式（3）所示。

（3）

式中：F為故障特征；i為不同的待選故障數(shù)據(jù)樣本；L為時(shí)間序列長度；r為單元輸出維數(shù)；c為卷積神經(jīng)濾波器。

成功提取芯片故障信息的特征后，針對(duì)全局故障信息進(jìn)行詳細(xì)搜索，確定LiLSTM網(wǎng)絡(luò)的最佳超參數(shù)組合。在模型運(yùn)行期間，預(yù)處理的故障數(shù)據(jù)輸入至LiLSTM模型中。隨后，卷積神經(jīng)網(wǎng)絡(luò)對(duì)隱狀態(tài)矩陣的每行進(jìn)行加權(quán)求和，生成1個(gè)新的特征矩陣h'，其精準(zhǔn)地反映了故障數(shù)據(jù)的時(shí)序特征與空間特征。在LiLSTM模型中，芯片故障數(shù)據(jù)信息在訓(xùn)練過程中傳輸至LSTM網(wǎng)絡(luò)中，將拼接后得到的隱狀態(tài)向量送入注意力層。模型計(jì)算待診斷的隱狀態(tài)向量與h'的每一行，生成一系列比例權(quán)重w，其直觀地反映了每個(gè)特征在故障診斷中的重要性。權(quán)重利用Sigmoid函數(shù)進(jìn)行歸一化處理，保證其和為1。注意力層會(huì)根據(jù)這些權(quán)重為重要的特征信息分配相應(yīng)的權(quán)重比例，并將處理后的信息傳遞至下一層。

在全連接層中，模型會(huì)輸出對(duì)應(yīng)的特征向量。Softmax層根據(jù)這些特征向量輸出故障類別的概率，最終根據(jù)輸出層得到故障診斷結(jié)果。其計(jì)算過程如公式（4）所示。

G=whm+1 " " " " " " " "（4）

式中：G為芯片故障值；w為權(quán)重特征；hm+1為故障類別概率。在診斷過程中，利用Softmax層輸出故障類別的概率。設(shè)定故障診斷過程中的閾值為T，當(dāng)Tgt;G時(shí)，說明芯片正常，沒有出現(xiàn)故障；當(dāng)Tlt;G時(shí)，說明芯片存在故障。觀察電路的工作狀況，利用模型輸出得到最終的故障診斷結(jié)果，確定故障位置。為了提升故障診斷精度，需要在訓(xùn)練過程中不斷優(yōu)化模型權(quán)重來診斷并處理模擬電路板芯片故障，保證電子系統(tǒng)正常運(yùn)行。

2 試驗(yàn)測試與分析

2.1 搭建試驗(yàn)環(huán)境

為了驗(yàn)證本文故障診斷方法的實(shí)用性，設(shè)定芯片故障診斷的試驗(yàn)工況，試驗(yàn)在電壓10 V的條件下進(jìn)行測試。根據(jù)芯片引腳的功能，在工作狀況下設(shè)定一定數(shù)量的短路故障。在每種工況下，采集正常與故障數(shù)據(jù)8組。為了訓(xùn)練分類模型，選擇6組數(shù)據(jù)作為測試樣本。在試驗(yàn)中，將繼電器的通電時(shí)長設(shè)定為20 min來作為1個(gè)完整的芯片工作周期。在這個(gè)周期內(nèi)對(duì)采集的試驗(yàn)數(shù)據(jù)進(jìn)行故障特征提取，該工況下芯片的故障編號(hào)以及相應(yīng)的故障靈敏度見表1。

為了全面評(píng)估本文提出的方法在芯片故障診斷過程中的有效性，筆者設(shè)計(jì)了1個(gè)對(duì)比試驗(yàn)。在試驗(yàn)中，設(shè)立3個(gè)小組，采用本文提出方法的小組為試驗(yàn)組，其余2個(gè)小組為對(duì)照組，分別采用傳統(tǒng)的故障診斷方法和現(xiàn)有的先進(jìn)診斷技術(shù)。在試驗(yàn)過程中，從包括豐富故障類型的數(shù)據(jù)集中隨機(jī)抽取了大量樣本，保證試驗(yàn)的隨機(jī)性和代表性。每個(gè)小組對(duì)這些樣本進(jìn)行故障診斷，并記錄故障特征標(biāo)簽的類別。對(duì)這些標(biāo)簽進(jìn)行詳細(xì)統(tǒng)計(jì)，分析不同方法在識(shí)別和分類芯片故障方面的表現(xiàn)。試驗(yàn)結(jié)果不僅說明本文方法在故障診斷準(zhǔn)確性、速度和穩(wěn)定性方面具有優(yōu)勢，還能體現(xiàn)其在實(shí)際應(yīng)用中的潛在價(jià)值。與對(duì)照組直接對(duì)比可以更清晰地看到本文方法在處理復(fù)雜芯片故障方面的獨(dú)特優(yōu)勢，以及其在提升芯片可靠性和維護(hù)效率方面的潛力。試驗(yàn)結(jié)果將為芯片制造和維護(hù)領(lǐng)域的專業(yè)人士提供參考，推動(dòng)故障診斷技術(shù)進(jìn)步。

2.2 結(jié)果與分析

模擬電路板在相同工況下進(jìn)行通電，工作一段時(shí)間后，進(jìn)行斷電。記錄工況數(shù)據(jù)，并將采集的數(shù)據(jù)作為隨機(jī)測試集，運(yùn)用不同方法進(jìn)行故障診斷，其結(jié)果對(duì)比如圖1所示。

在本次研究中，對(duì)比了3種不同的模擬電路板芯片故障診斷模型，計(jì)算電路板芯片故障靈敏度，對(duì)芯片故障進(jìn)行了細(xì)致的分類。試驗(yàn)結(jié)果顯示，在樣本數(shù)量為100的情況下，試驗(yàn)組模型能夠根據(jù)預(yù)測的故障靈敏度準(zhǔn)確地將芯片故障歸類為F8類別。這個(gè)分類過程不僅取決于模型的預(yù)測能力，還取決于樣本數(shù)據(jù)的豐富性和代表性。為了評(píng)估各模型的診斷準(zhǔn)確性，進(jìn)一步分析3個(gè)小組的誤診情況。經(jīng)過計(jì)算與對(duì)比，發(fā)現(xiàn)試驗(yàn)組的誤診率僅為7%，遠(yuǎn)低于對(duì)照一組的35.9%和對(duì)照二組的54.6%。這個(gè)顯著的差異表明試驗(yàn)組模型在故障診斷方面具有更高的精確度和可靠性。誤診率降低說明試驗(yàn)組模型能夠更精準(zhǔn)地分析芯片信息，準(zhǔn)確地確定芯片故障的位置和類型，在實(shí)際應(yīng)用中得到更好的診斷效果。試驗(yàn)組的優(yōu)異表現(xiàn)來自其模型設(shè)計(jì)的先進(jìn)性、算法的優(yōu)化以及訓(xùn)練數(shù)據(jù)的精心選擇。這些因素共同作用，使當(dāng)面對(duì)復(fù)雜的電路板芯片故障時(shí)，試驗(yàn)組模型能夠發(fā)揮更強(qiáng)的故障識(shí)別和分類能力。當(dāng)處理大量數(shù)據(jù)時(shí)，試驗(yàn)組模型具有高效性，能夠在實(shí)際工業(yè)應(yīng)用中進(jìn)行快速故障診斷。

為了驗(yàn)證本文診斷方法的有效性，在算法尋優(yōu)后將得到的參數(shù)組合輸入模型中，選擇2個(gè)數(shù)據(jù)集作為測試數(shù)據(jù)集，得到測試集的分類結(jié)果訓(xùn)練圖，運(yùn)用本文方法對(duì)其進(jìn)行故障類別混淆分析，得到矩陣圖，如圖2所示。由圖2可知，在本研究中引入注意力機(jī)制來增強(qiáng)模擬電路芯片故障診斷模型的性能。注意力機(jī)制是一種模仿人類視覺注意力分配的算法，其能夠使模型在處理信息的過程中更加聚焦于關(guān)鍵特征，提高診斷的準(zhǔn)確性和效率。試驗(yàn)結(jié)果表明，在添加了注意力機(jī)制后，故障診斷模型在各種工況下均展現(xiàn)了卓越的性能，其對(duì)芯片故障的智能診斷準(zhǔn)確率為97%～100%，這個(gè)結(jié)果符合預(yù)期。該結(jié)果不僅說明本文提出的診斷方法模型在識(shí)別模擬電路芯片故障方面能力很強(qiáng)，還說明注意力機(jī)制在提升模型特征選取準(zhǔn)確度方面效果顯著。注意力機(jī)制精確聚焦故障診斷中的關(guān)鍵信息，幫助模型優(yōu)化特征提取過程，使模型能夠更加精準(zhǔn)地識(shí)別和區(qū)分不同類型的芯片故障。

綜上所述，本文提出的故障診斷模型在電路芯片的故障診斷領(lǐng)域中診斷準(zhǔn)確率高，魯棒穩(wěn)定性強(qiáng)，為電路芯片故障診斷提供了一種嶄新、有效的方法。該模型不僅具有重要的理論價(jià)值，還為工業(yè)界在電路芯片故障診斷領(lǐng)域的應(yīng)用提供了有力的技術(shù)支持。

3 結(jié)語

本研究從故障智能診斷入手，重點(diǎn)研究改進(jìn)神經(jīng)網(wǎng)絡(luò)，深入分析基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的模擬電路板芯片故障智能診斷方法。但是方法還存在一些不足，例如小波包分解問題等。未來應(yīng)進(jìn)一步優(yōu)化計(jì)算過程，充分利用提取的特征數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。在訓(xùn)練過程中可以采用上述改進(jìn)神經(jīng)網(wǎng)絡(luò)的方法來優(yōu)化模型性能，將待診斷的模擬電路板的芯片數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，模型輸出診斷結(jié)果。結(jié)合神經(jīng)網(wǎng)絡(luò)的強(qiáng)大能力和現(xiàn)代人工智能技術(shù)的優(yōu)勢，模型能夠快速、準(zhǔn)確地對(duì)模擬電路板芯片故障進(jìn)行診斷。不斷優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和訓(xùn)練方法，可以進(jìn)一步提高診斷的準(zhǔn)確性和效率。

參考文獻(xiàn)

[1]李可萌，陳富國，楊暉，等.基于姿態(tài)傳感器的高壓隔離開關(guān)機(jī)械故障智能診斷研究[J].電網(wǎng)技術(shù)，2023，47（9）：3781-3790.

[2]龐聰，馬武剛，李查瑋，等.一種GOA優(yōu)化SOM神經(jīng)網(wǎng)絡(luò)的VP型傾斜儀故障智能診斷方法[J].大地測量與地球動(dòng)力學(xué)，2023，43（3）：322-326.

[3]陳巖.帶式輸送機(jī)傳動(dòng)滾筒軸承故障智能診斷[J].工礦自動(dòng)化，2023，49（增刊1）：56-59，137.

[4]肖發(fā)龍，吳岳忠，沈雪豪，等.基于深度學(xué)習(xí)和知識(shí)圖譜的變電站設(shè)備故障智能診斷[J].電力建設(shè)，2022，43（3）：66-74.

[5]馮賀平，楊敬娜，吳梅梅，等.基于MSSA+IESN+MFFN組合算法的齒輪箱早期故障智能診斷[J].中國工程機(jī)械學(xué)報(bào)，2023，21（2）：172-177.

[6]何暉，代萌，李雪，等.基于DCNN-SVM的道岔智能故障診斷方法研究[J].鐵道學(xué)報(bào)，2023，45（9）：103-113.

[7]時(shí)培明，焦陽，陳卓，等.采用分?jǐn)?shù)階域MFL-Net的機(jī)械智能故障診斷方法研究[J].動(dòng)力工程學(xué)報(bào)，2023，43（10）：1326-1334.

[8]楊永燦，譚慶慧，秦宇翔.基于注意力機(jī)制的多尺度卷積神經(jīng)網(wǎng)絡(luò)電機(jī)軸承故障診斷[J].云南水力發(fā)電，2023，39（6）：51-56.