基于hmm的模擬集成電路早期軟故障診斷方法及系統的制作方法
【技術領域】
[0001] 本發明涉及模擬集成電路早期軟故障診斷技術領域，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。
【背景技術】
[0002] 基于模式分類的模擬電路軟故障（電路元件的參數的變化量超出其容差范圍） 診斷方法常常，假定發生軟故障的元件的參數變化量為一固定值（典型值為元件標稱值的 ±50% )。當故障元件變化其標稱值正好在±50%左右時，此類診斷方法通常具有良好的 診斷精度。但是，實際診斷中，故障元件的參數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，對于一些高精度的模擬電路，如濾 波器電路（Filtered Analog Circuits，FAC)，當電路的某些關鍵元件的參數值變化達到其 名義參數的20%時（電路處于早期軟故障狀態），電路很可能就已經無法正常工作了。
[0003] 模擬電路工作現場環境應力和電氣應力在一定時期內相對穩定，模擬電路故障元 件參數的變化過程也相對穩定，同時，非故障元件參數在其容差范圍內的隨機變化，使得 ⑶T(Circuit Under Test，待測電路）的元件參數變化在一定時期內表現為動態的不可直 接測量的隨機過程，同時，元件參數的變化帶來CUT節點電壓等信息的同步變化，節點電壓 信息表現為可直接測量得到的隨機過程，包含了 CUT的元件參數信息。隱馬爾科夫模型是 一種雙重的隨機過程，其中一個隨機過程是不能直接觀測的隱藏隨機過程（通常稱為狀態 過程），而另一個隨機過程是可觀測可測量的隨機過程（通常稱為觀測過程），可用來描述 CUT故障的動態變化過程。借鑒隱馬爾科夫模型在語音識別領域和機械設備狀態監測領 域的成功應用，文獻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，2012)采用隱馬爾科夫模型對模擬電路的軟故障狀態進行動態 建模，從一定程度上實現對模擬電路早期單軟故障的診斷。本發明針對文獻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隱馬爾科夫診斷模型，從而實現了模擬電 路早期單軟故障的盡早診斷。

【發明內容】

[0004] 【要解決的技術問題】
[0005] 本發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， 以解決現有技術中的診斷模型診斷精度不高的問題。
[0006] 【技術方案】
[0007] 本發明是通過以下技術方案實現的。
[0008] 本發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、將待測電路的故障元件參數的變化范圍劃分為多個連續的變化范圍，在相同的 激勵信號下，對故障元件參數的每個變化范圍進行電路仿真，選擇不同的故障模式完成待 測電路的電路仿真，得到各個故障模式下的待測電路的輸出信號；
[0010] B、初始化隱馬爾科夫模型的隱藏狀態集S、狀態初始概率JT、狀態轉移矩陣A，所 述隱藏狀態集S中的各個元素與故障元件參數的各個連續的變化范圍一一對應；
[0011] C、根據隱藏狀態集S的仿真輸出信號生成觀測序列0 ;
[0012] D、訓練隱馬爾科夫模型得到與待測電路故障模式對應的隱馬爾科夫估計模型，計 算各個隱馬爾科夫估計模型在觀測序列〇下的后驗概率，選擇后驗概率最大的隱馬爾科夫 估計模型；T;
[0013] E、對觀測序列0進行解碼，得到，對應的故障模式下的最優狀態序列X，從最優 狀態序列X提取診斷結果。
[0014] 作為一種優選的實施方式，所述步驟A具體將待測電路的故障元件參數的變 化范圍[σ b 6 σ d劃分為五個連續的變化范圍：[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] 作為另一種優選的實施方式，所述觀測序列的生成方法為：從隱藏狀態集S的 狀態Sj的仿真輸出信號中隨機取出R/i個向量，組成子觀測序列O i，其中i < 5, j = 1，2,…，i，組合各個狀態下的子觀測序列得到觀測序列0 = {01，02,…，01}，其中R為觀測 序列的長度。
[0016] 作為另一種優選的實施方式，所述步驟A具體采用蒙特卡洛方法對故障元件參數 的每個變化范圍進行電路仿真。
[0017] 作為另一種優選的實施方式，所述隱馬爾科夫模型為連續高斯密度混合隱馬爾科 夫模型。
[0018] 作為另一種優選的實施方式，所述步驟D采用Forward算法計算各個隱馬爾科夫 估計模型在觀測序列〇下的后驗概率。
[0019] 作為另一種優選的實施方式，所述步驟E采用Viterbi算法對觀測序列0進行解 碼。
[0020] 本發明還涉及一種基于HMM的模擬集成電路早期軟故障診斷系統，該系統包括：
[0021] 待測電路仿真模塊，其被配置成：將待測電路的故障元件參數的變化范圍劃分為 多個連續的變化范圍，在相同的激勵信號下，對故障元件參數的每個變化范圍進行電路仿 真，選擇不同的故障模式完成待測電路的電路仿真，得到各個故障模式下的待測電路的輸 出信號；
[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集 S、狀態初始概率π、狀態轉移矩陣A，所述隱藏狀態集S中的各個元素與故障元件參數的各 個連續的變化范圍一一對應；
[0023] 觀測序列生成模塊，其被配置成：根據隱藏狀態集S的仿真輸出信號生成觀測序 列〇 ;
[0024] 隱馬爾科夫估計模型訓練模塊，其被配置成：訓練隱馬爾科夫模型得到與待測電 路故障模式對應的隱馬爾科夫估計模型，計算各個隱馬爾科夫估計模型在觀測序列〇下的 后驗概率，選擇后驗概率最大的隱馬爾科夫估計模型立％
[0025] 診斷結果生成模塊，其被配置成：對觀測序列0進行解碼，得到f對應的故障模式 下的最優狀態序列X，從最優狀態序列X提取診斷結果。
[0026] 下面對本發明進行詳細說明。
[0027] 隱馬爾科夫模型的典型結構如圖1所示。
[0028] 如圖1所示，典型的HMM包括2個狀態集和3個概率集。
[0029] 1)狀態集S = {Sl，s2,…，sN}(圖1中的part 2)，N為隱藏的狀態數；
[0030] 2)觀測集V = {Vl，V2，…，vM}，M為各隱藏狀態下不同的觀測值的數量；
[0031] 3)觀測序列0 = Io1, 〇2,…，οτ}(圖1中的part I)，ote V為t時刻的觀測值， T為觀測序列長度。通常情況下，對于一個給定的觀測序列0,必有一個最優狀態序列X = Ix1, X2，…，χτ}(圖1中的part 3)與之對應，xte S是t時刻的最優狀態，T為狀態序列長 度；
[0032] 4)隱藏狀態轉移概率矩陣A = {aj Aij= P(x t+1= s |xt= s J表示由狀態SiK 移到狀態Sj的轉移概率，其中i，j e [1，N];
[0033] 5)觀測值轉移概率矩陣B = {bjk}，bjk= P(o t= v k|xt= s J表示在狀態Sj觀測 到vk的概率，其中j e [1，N]，k e [1，Μ]，t e [1，T]。對于連續的觀測序列，可用概率密 度函數來描述觀測概率。
[0034] 6)初始狀態概率 π = { π J，π ; = P(x := s J，i e [1，Ν]。
[0035] 當一個實際問題的隱馬爾科夫模型參數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)學習問題：對于給定的觀測序列0 = {〇1，〇2，…，〇τ}，可求解隱馬爾科夫模型的 參數，即可估計已知觀測序列對應的參數
，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和觀測序列〇條件下從i到j的轉移概率，可由式 (2)計算得到。
[0039]
式（2)
[0040] 其中Yt⑴為t時刻處于狀態S1的概率，可由式（3)計算得到。
[0041]
式（3)
[0042]
為整個過程中從狀態S1轉出的次數的預期，
為從S1轉到s j 的次數的預期。式（2)中的參數α和β為算法的前向變量和后向變量，可由式（4)計算 得到。
[0043]
[0044] 通過式（1)的迭代學習過程，可得到一系列的隱馬爾科夫模型的估計（稱為隱馬 爾科夫估計模型）4，Λ，…。
[0045] 2)評估問題：對于以上學習得到的一系列隱馬爾科夫估計模型計算各 估計模型在某一觀測序列〇 = {〇1，O2，…，〇τ}下的后驗概率，并選出后驗概率最大的隱馬爾 科夫估計模型。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)迭代結束后，通過式（7)計算得到觀測序列0在模型.i/下的后驗概率。
[0051]
[0052] 3)解碼問題：對于給定的隱馬爾科夫模型，可求解某一觀測序列0 = {〇1，〇2，… ，〇τ}對應的最優狀態序列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)初始化已經訓練好的隱馬爾科夫模型進行；
[0054]
[0055] Step 2)通過式（9)進行迭代求解； CN 105137328 A 兄明書 5/13 頁
[0056]