基于hmm的模擬集成電路早期軟故障診斷方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及模擬集成電路早期軟故障診斷技術(shù)領(lǐng)域，特別涉及一種基于 HMM(Hidden Markov Mode，隱馬爾科夫模型）的模擬集成電路早期軟故障診斷方法及系統(tǒng)。
【背景技術(shù)】
[0002] 基于模式分類的模擬電路軟故障（電路元件的參數(shù)的變化量超出其容差范圍） 診斷方法常常，假定發(fā)生軟故障的元件的參數(shù)變化量為一固定值（典型值為元件標(biāo)稱值的 ±50% )。當(dāng)故障元件變化其標(biāo)稱值正好在±50%左右時(shí)，此類診斷方法通常具有良好的 診斷精度。但是，實(shí)際診斷中，故障元件的參數(shù)變化值常常是未知的，變化值正好為±50% 的概率非常小，限制了以上診斷方法的使用范圍。同時(shí)，對(duì)于一些高精度的模擬電路，如濾 波器電路（Filtered Analog Circuits，F(xiàn)AC)，當(dāng)電路的某些關(guān)鍵元件的參數(shù)值變化達(dá)到其 名義參數(shù)的20%時(shí)（電路處于早期軟故障狀態(tài)），電路很可能就已經(jīng)無法正常工作了。
[0003] 模擬電路工作現(xiàn)場(chǎng)環(huán)境應(yīng)力和電氣應(yīng)力在一定時(shí)期內(nèi)相對(duì)穩(wěn)定，模擬電路故障元 件參數(shù)的變化過程也相對(duì)穩(wěn)定，同時(shí)，非故障元件參數(shù)在其容差范圍內(nèi)的隨機(jī)變化，使得 ⑶T(Circuit Under Test，待測(cè)電路）的元件參數(shù)變化在一定時(shí)期內(nèi)表現(xiàn)為動(dòng)態(tài)的不可直 接測(cè)量的隨機(jī)過程，同時(shí)，元件參數(shù)的變化帶來CUT節(jié)點(diǎn)電壓等信息的同步變化，節(jié)點(diǎn)電壓 信息表現(xiàn)為可直接測(cè)量得到的隨機(jī)過程，包含了 CUT的元件參數(shù)信息。隱馬爾科夫模型是 一種雙重的隨機(jī)過程，其中一個(gè)隨機(jī)過程是不能直接觀測(cè)的隱藏隨機(jī)過程（通常稱為狀態(tài) 過程），而另一個(gè)隨機(jī)過程是可觀測(cè)可測(cè)量的隨機(jī)過程（通常稱為觀測(cè)過程），可用來描述 CUT故障的動(dòng)態(tài)變化過程。借鑒隱馬爾科夫模型在語音識(shí)別領(lǐng)域和機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)領(lǐng) 域的成功應(yīng)用，文獻(xiàn)1 (鄧勇.非線性模擬電路故障診斷的Volterra模型及特征提取研究 [D].成都：電子科技大學(xué)，2012)采用隱馬爾科夫模型對(duì)模擬電路的軟故障狀態(tài)進(jìn)行動(dòng)態(tài) 建模，從一定程度上實(shí)現(xiàn)對(duì)模擬電路早期單軟故障的診斷。本發(fā)明針對(duì)文獻(xiàn)1中診斷方法 的不足，提出一種模擬電路早期單軟故障的改進(jìn)隱馬爾科夫診斷模型，從而實(shí)現(xiàn)了模擬電 路早期單軟故障的盡早診斷。

【發(fā)明內(nèi)容】

[0004] 【要解決的技術(shù)問題】
[0005] 本發(fā)明的目的是提供一種基于HMM的模擬集成電路早期軟故障診斷方法及系統(tǒng)， 以解決現(xiàn)有技術(shù)中的診斷模型診斷精度不高的問題。
[0006] 【技術(shù)方案】
[0007] 本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的。
[0008] 本發(fā)明首先涉及一種基于HMM的模擬集成電路早期軟故障診斷方法，包括步驟：
[0009] A、將待測(cè)電路的故障元件參數(shù)的變化范圍劃分為多個(gè)連續(xù)的變化范圍，在相同的 激勵(lì)信號(hào)下，對(duì)故障元件參數(shù)的每個(gè)變化范圍進(jìn)行電路仿真，選擇不同的故障模式完成待 測(cè)電路的電路仿真，得到各個(gè)故障模式下的待測(cè)電路的輸出信號(hào)；
[0010] B、初始化隱馬爾科夫模型的隱藏狀態(tài)集S、狀態(tài)初始概率JT、狀態(tài)轉(zhuǎn)移矩陣A，所 述隱藏狀態(tài)集S中的各個(gè)元素與故障元件參數(shù)的各個(gè)連續(xù)的變化范圍一一對(duì)應(yīng)；
[0011] C、根據(jù)隱藏狀態(tài)集S的仿真輸出信號(hào)生成觀測(cè)序列0 ;
[0012] D、訓(xùn)練隱馬爾科夫模型得到與待測(cè)電路故障模式對(duì)應(yīng)的隱馬爾科夫估計(jì)模型，計(jì) 算各個(gè)隱馬爾科夫估計(jì)模型在觀測(cè)序列〇下的后驗(yàn)概率，選擇后驗(yàn)概率最大的隱馬爾科夫 估計(jì)模型；T;
[0013] E、對(duì)觀測(cè)序列0進(jìn)行解碼，得到，對(duì)應(yīng)的故障模式下的最優(yōu)狀態(tài)序列X，從最優(yōu) 狀態(tài)序列X提取診斷結(jié)果。
[0014] 作為一種優(yōu)選的實(shí)施方式，所述步驟A具體將待測(cè)電路的故障元件參數(shù)的變 化范圍[σ b 6 σ d劃分為五個(gè)連續(xù)的變化范圍：[σ 6 σ J、[2 σ 3 σ d、[3 σ 4 0 d、 [4 σ ;，5 σ J、[5 σ i, 6 σ J，其中σ ;為故障元件的容差。
[0015] 作為另一種優(yōu)選的實(shí)施方式，所述觀測(cè)序列的生成方法為：從隱藏狀態(tài)集S的 狀態(tài)Sj的仿真輸出信號(hào)中隨機(jī)取出R/i個(gè)向量，組成子觀測(cè)序列O i，其中i < 5, j = 1，2,…，i，組合各個(gè)狀態(tài)下的子觀測(cè)序列得到觀測(cè)序列0 = {01，02,…，01}，其中R為觀測(cè) 序列的長(zhǎng)度。
[0016] 作為另一種優(yōu)選的實(shí)施方式，所述步驟A具體采用蒙特卡洛方法對(duì)故障元件參數(shù) 的每個(gè)變化范圍進(jìn)行電路仿真。
[0017] 作為另一種優(yōu)選的實(shí)施方式，所述隱馬爾科夫模型為連續(xù)高斯密度混合隱馬爾科 夫模型。
[0018] 作為另一種優(yōu)選的實(shí)施方式，所述步驟D采用Forward算法計(jì)算各個(gè)隱馬爾科夫 估計(jì)模型在觀測(cè)序列〇下的后驗(yàn)概率。
[0019] 作為另一種優(yōu)選的實(shí)施方式，所述步驟E采用Viterbi算法對(duì)觀測(cè)序列0進(jìn)行解 碼。
[0020] 本發(fā)明還涉及一種基于HMM的模擬集成電路早期軟故障診斷系統(tǒng)，該系統(tǒng)包括：
[0021] 待測(cè)電路仿真模塊，其被配置成：將待測(cè)電路的故障元件參數(shù)的變化范圍劃分為 多個(gè)連續(xù)的變化范圍，在相同的激勵(lì)信號(hào)下，對(duì)故障元件參數(shù)的每個(gè)變化范圍進(jìn)行電路仿 真，選擇不同的故障模式完成待測(cè)電路的電路仿真，得到各個(gè)故障模式下的待測(cè)電路的輸 出信號(hào)；
[0022] 隱馬爾科夫模型初始化模塊，其被配置成：初始化隱馬爾科夫模型的隱藏狀態(tài)集 S、狀態(tài)初始概率π、狀態(tài)轉(zhuǎn)移矩陣A，所述隱藏狀態(tài)集S中的各個(gè)元素與故障元件參數(shù)的各 個(gè)連續(xù)的變化范圍一一對(duì)應(yīng)；
[0023] 觀測(cè)序列生成模塊，其被配置成：根據(jù)隱藏狀態(tài)集S的仿真輸出信號(hào)生成觀測(cè)序 列〇 ;
[0024] 隱馬爾科夫估計(jì)模型訓(xùn)練模塊，其被配置成：訓(xùn)練隱馬爾科夫模型得到與待測(cè)電 路故障模式對(duì)應(yīng)的隱馬爾科夫估計(jì)模型，計(jì)算各個(gè)隱馬爾科夫估計(jì)模型在觀測(cè)序列〇下的 后驗(yàn)概率，選擇后驗(yàn)概率最大的隱馬爾科夫估計(jì)模型立％
[0025] 診斷結(jié)果生成模塊，其被配置成：對(duì)觀測(cè)序列0進(jìn)行解碼，得到f對(duì)應(yīng)的故障模式 下的最優(yōu)狀態(tài)序列X，從最優(yōu)狀態(tài)序列X提取診斷結(jié)果。
[0026] 下面對(duì)本發(fā)明進(jìn)行詳細(xì)說明。
[0027] 隱馬爾科夫模型的典型結(jié)構(gòu)如圖1所示。
[0028] 如圖1所示，典型的HMM包括2個(gè)狀態(tài)集和3個(gè)概率集。
[0029] 1)狀態(tài)集S = {Sl，s2,…，sN}(圖1中的part 2)，N為隱藏的狀態(tài)數(shù)；
[0030] 2)觀測(cè)集V = {Vl，V2，…，vM}，M為各隱藏狀態(tài)下不同的觀測(cè)值的數(shù)量；
[0031] 3)觀測(cè)序列0 = Io1, 〇2,…，οτ}(圖1中的part I)，ote V為t時(shí)刻的觀測(cè)值， T為觀測(cè)序列長(zhǎng)度。通常情況下，對(duì)于一個(gè)給定的觀測(cè)序列0,必有一個(gè)最優(yōu)狀態(tài)序列X = Ix1, X2，…，χτ}(圖1中的part 3)與之對(duì)應(yīng)，xte S是t時(shí)刻的最優(yōu)狀態(tài)，T為狀態(tài)序列長(zhǎng) 度；
[0032] 4)隱藏狀態(tài)轉(zhuǎn)移概率矩陣A = {aj Aij= P(x t+1= s |xt= s J表示由狀態(tài)SiK 移到狀態(tài)Sj的轉(zhuǎn)移概率，其中i，j e [1，N];
[0033] 5)觀測(cè)值轉(zhuǎn)移概率矩陣B = {bjk}，bjk= P(o t= v k|xt= s J表示在狀態(tài)Sj觀測(cè) 到vk的概率，其中j e [1，N]，k e [1，Μ]，t e [1，T]。對(duì)于連續(xù)的觀測(cè)序列，可用概率密 度函數(shù)來描述觀測(cè)概率。
[0034] 6)初始狀態(tài)概率 π = { π J，π ; = P(x := s J，i e [1，Ν]。
[0035] 當(dāng)一個(gè)實(shí)際問題的隱馬爾科夫模型參數(shù)Ν，Μ，π，A，B確定以后，該問題即可表示 為 λ = {Ν，Μ，π，Α，Β}，或簡(jiǎn)寫為λ = {>，A，B}。采用隱馬爾科夫模型可以完成以下3類 問題的求解。
[0036] 1)學(xué)習(xí)問題：對(duì)于給定的觀測(cè)序列0 = {〇1，〇2，…，〇τ}，可求解隱馬爾科夫模型的 參數(shù)，即可估計(jì)已知觀測(cè)序列對(duì)應(yīng)的參數(shù)
，使得；
Μ最大。此類問題可 由Baum-Welch算法通過式（1)迭代求解。
[0037]
[0038] 其中ξ t(i，j)為給定模型λ和觀測(cè)序列〇條件下從i到j(luò)的轉(zhuǎn)移概率，可由式 (2)計(jì)算得到。
[0039]
式（2)
[0040] 其中Yt⑴為t時(shí)刻處于狀態(tài)S1的概率，可由式（3)計(jì)算得到。
[0041]
式（3)
[0042]
為整個(gè)過程中從狀態(tài)S1轉(zhuǎn)出的次數(shù)的預(yù)期，
為從S1轉(zhuǎn)到s j 的次數(shù)的預(yù)期。式（2)中的參數(shù)α和β為算法的前向變量和后向變量，可由式（4)計(jì)算 得到。
[0043]
[0044] 通過式（1)的迭代學(xué)習(xí)過程，可得到一系列的隱馬爾科夫模型的估計(jì)（稱為隱馬 爾科夫估計(jì)模型）4，Λ，…。
[0045] 2)評(píng)估問題：對(duì)于以上學(xué)習(xí)得到的一系列隱馬爾科夫估計(jì)模型計(jì)算各 估計(jì)模型在某一觀測(cè)序列〇 = {〇1，O2，…，〇τ}下的后驗(yàn)概率，并選出后驗(yàn)概率最大的隱馬爾 科夫估計(jì)模型。此類問題可由forward算法由以下步驟求解：
[0046] St印1)通過式（5)初始化前向變量α ;
[0047] O1(I) = Ji^1(O1) I ^ t ^ T 式（5)
[0048] Step 2)通過式（6)迭代求解前向變量α ;
[0049]
[0050] St印3)迭代結(jié)束后，通過式（7)計(jì)算得到觀測(cè)序列0在模型.i/下的后驗(yàn)概率。
[0051]
[0052] 3)解碼問題：對(duì)于給定的隱馬爾科夫模型，可求解某一觀測(cè)序列0 = {〇1，〇2，… ，〇τ}對(duì)應(yīng)的最優(yōu)狀態(tài)序列X = U1, X2,…，χτ}。此類問題可由Viterbi算法由以下步驟求 解：
[0053] St印1)通過式（8)初始化已經(jīng)訓(xùn)練好的隱馬爾科夫模型進(jìn)行；
[0054]
[0055] Step 2)通過式（9)進(jìn)行迭代求解； CN 105137328 A 兄明書 5/13 頁
[0056]