一、数字电路故障的Sigma-Delta转换
本文将讨论前馈神经网络被应用在混合在非线性动态电子电路中的数字电路的诊断。考虑数字电路部分的两种缺陷类型：逻辑门的上升沿和下降沿延迟，改变电路拓扑的灾难性缺陷。在测试前采用模拟器的概念已经证实是对的，意味着在选择一套感兴趣的故障集后，为了给每一个故障建立系统响应而进行反复模拟，产生的响应和故障代码关联，此外，代码包含故障响应本身。当然在表里列出的响应更容易维护。人工神经网络的训练的目的是为建立查找表，意味着当神经网络呈现故障代码输出时，故障响应被反复作为输入。然后，神经网络用给到的刺激向量运行，可当做查找表的效果。如果网络可能训练过则神经网络响应，将会立即从输出中找到故障和故障代码。
二、电路设计中的故障
作为复杂电路的一个例子，我们选择了sigma-delta调制器（如图3）。这是一个混合信号电路，它包含了模拟和数字的元件。电路中的开关都是理想的开关，闭合的时候具有0电阻而在开路的时候其电阻值是无穷大。积分器充电时间对时钟频率是不可变的，以便保持固定的增益。即不管时钟频率是多少模拟开关必须在一个固定的时间内开合，可采用单稳多谐振荡器获得稳定的时间脉冲。位于时钟输入和开关控制之间的单稳多谐振荡器作为脉冲发生器产生固定时间的控制信号。图5显示输入一个斜坡信号引起系统的反应。在本节我们仅仅考虑电路数字部分的缺陷，观测两种类型的缺陷：灾难性缺陷和输出数字信号的上下沿延迟。这些延迟缺陷既不是灾难性的也不是参数化的，因为他们不会改变电路的拓扑也不会改变元件的值。数字信号可以是”固定0故障”或”固定1故障”。在图3的电路中，模拟开关被数字信号控制，因此有多对相同的故障效果，如当开关卡在开（关）并且逻辑电路的输出”固定1故障”（”固定0故障”）时会获得相同的效果。因此我们将考虑如开关卡住的硬故障。当开关在回馈循环(11，12，21，22)是这些案例被排除永久地关闭，因为在此例中参考电压Vrefp和Vrefn会短路。考虑到电路中的时钟周期是1。2μs，我们检查过的延迟效果不大于400ns，事实上，模拟上升沿延迟的值有：100ns，250ns，400ns。而下降沿延迟包含有：50ns，100ns，150ns。我们的目标是确定延迟是如何影响输出的，不同的延迟是否会产生不同的输出。所有的数字门电路都要检查（4个反相器和4个与非门）。第一个结论是反相器2的延迟不会影响输出信号，即输出没有改变。进一步地，存在多组引发相同效果的延迟。这些组被称为歧义组列在表1中。开始的4个组显示相同的延迟效果。第二列是为缺陷引起的相同效果的命名，据此第3列是用来表述相同效果的特征码。第5歧义组和其他组的效果有明细的区别。这些组里的成员都是灾难性缺陷和延迟缺陷。表2是故障字典给出的每个组的一个范例。故障字典使用斜坡信号产生的回应来建立，记录每个时钟周期之后产生的电路输出值，这些输出的数值构成了输出特征符号。这些特征符号用紧凑的16进制数值来表示。据此，表2列出故障字典。必须注意缺陷是随机编码的，相似的特征符号不能有相似的故障代码这点很重要。如果不是，神经网络很难甚至是不可能辨别缺陷。表2的第2列就是缺陷编码。第一列描述缺陷类型，它和图4记号相关。(inv3(tf=50ns)表示反相器3下降沿延迟，na1(tr=400ns)表示与非门1处在上升沿)。FF代表无故障电路。第3列包含观察输出获得的特征符号。神经网络训练是为了建立查找表模型，它是带有一个隐层的前馈神经网络。信号输入到网络，输出故障代码被学习，就是说神经网络有9个输入(每个16进制数字对应一个输入)和一个输出神经元。当它们作为输入时，16进制值用小数来表示。完成学习后，神经网络产生的隐神经元的数量是10，它是经过反复进行错误试验并通过多次迭代获得，通过刺激带有故障输入的神经网络来检验获取神经网路的结构，神经网络的响应显示识别表3的故障没有错误。只有细微的差异也会被观测到。
三、总结
在应用神经网络技术来诊断非线性动态电子电路中，我们做了一些试验并得到一套结果集。我们用Sigma-delta模拟器验证了延迟和灾难性缺陷的效果。通过这些过程我们得出的结论是神经网络技术非常适合用于诊断电子电路，但由于应用神经网络需要大量繁重的计算，因此硬件对应用系统性能至关重要。
作者：赵英
