一种基于数据挖掘的硬件电路fmea分析方法
【专利摘要】本发明公开了一种基于数据挖掘的硬件电路FMEA分析方法，其针对研究元器件的故障表征方式建立相应的故障仿真模型，在正常电路中针对每个元器件遍历注入其故障模型，获取潜在故障电路，并于仿真工具内生成正常电路仿真结果与故障电路仿真结果；再比较各个故障电路仿真结果与正常电路仿真结果之间的差异，提取差异特征值，通过对所述差异特征值的聚类分析，获取硬件电路的故障模式；最后依据FMEA基本方法，结合所述硬件电路的故障模式完成FMEA处理，自动生成相应的FMEA报告。本发明能最大限度地降低对FMEA人员在电路功能认识、FMEA处理经验的要求，是一种简易高效的方法。
【专利说明】一种基于数据挖掘的硬件电路FMEA分析方法
【技术领域】
[0001]本发明属于硬件电路可靠性预计分析领域，具体涉及一种基于数据挖掘的硬件电路FMEA分析方法。
【背景技术】
[0002]硬件电路FMEA分析处理技术是一种为预计硬件电路可靠性信息，以提出改进方案，从而提高硬件电路可靠程度的技术。它以分析硬件电路潜在的故障模式为手段，系统地评估潜在故障模式的发生程度、发生时对整体系统造成损害的严重程度、可检测程度等，继而综合得出硬件电路的可靠程度信息，并以此提出可能的改进修正方案。
[0003]传统的硬件电路FMEA分析方法，大多仍以电路内部元器件自身的故障模式作为硬件电路的故障模式，并逐层向上推断其影响。这种方法依赖FMEA人员丰富的经验及海量的统计数据，使得传统的FMEA方法带有很强的主观性和局限性，复杂且效率低下。
【发明内容】
[0004]本发明的目的在于克服现有技术中所存在的上述不足，提供一种基于数据挖掘的硬件电路FMEA分析方法，其不要求硬件电路FMEA人员对待分析电路的功能及运行机制有完整的认识，也不要求其对FMEA分析流程具有充足的经验，简易高效。
[0005]为了实现上述发明目的，本发明采用的技术方案是:
[0006]一种基于数据挖掘的硬件电路FMEA分析方法，包括如下步骤:
[0007]步骤一，故障建模步骤:通过研究各个元器件在自身潜在故障模式下的输出表征形式建立每个元器件的故障仿真模型，实现故障建模；
[0008]步骤二，故障注入及仿真处理步骤:以遍历注入方式将步骤一中建立好的元器件故障仿真模型加载引入正常电路中形成潜在故障电路，完成故障仿真模型遍历注入后，分别进行正常电路仿真与故障电路仿真，获取正常电路仿真结果与故障电路仿真结果；
[0009]步骤三:数据挖掘步骤:比较各个故障电路仿真结果与正常电路仿真结果之间的差异，提取每个故障电路仿真结果相较于正常电路仿真结果的差异特征值，通过对所述差异特征值的聚类分析，获取硬件电路的故障模式；
[0010]步骤四:FMEA操作步骤:依据FMEA基本方法，结合所述硬件电路的故障模式完成FMEA处理，自动生成相应的FMEA报告。
[0011]其中，所述步骤二中将建立好的元器件故障仿真模型加载引入正常电路中具体为:通过修改电路网表文件将建立好的元器件故障仿真模型加载弓I入正常电路中。
[0012]所述步骤三中，提取每个故障电路仿真结果相较于正常电路仿真结果的差异特征值具体为:比较故障电路仿真结果的波形数据与正常电路仿真结果的波形数据之间的差异，计算每一故障电路仿真结果相较于正常电路仿真结果的差异特征值。
[0013]进一步的，计算每一故障电路仿真结果相较于正常电路仿真结果的差异特征值具体包括:计算每一故障电路仿真结果与正常电路仿真结果相比之绝对距离值；计算每一故障电路仿真结果与正常电路仿真结果相比之皮尔逊互相关系数值；和/或，计算每一故障电路仿真结果与正常电路仿真结果相比之幅度均值比。
[0014]所述步骤三中通过对所述差异特征值的聚类分析，获取硬件电路的故障模式具体为:通过结合分裂聚类的k-means聚类处理方法或基于学习的非权矢量聚类处理方法对所述差异特征值进行聚类分析，获取硬件电路的故障模式，实现硬件电路故障模式的划分。
[0015]进一步的，所述结合分裂聚类的k-means聚类处理方法具体为:根据设置的故障判定门限以及为特征值设置的初始划分类别反复进行k-means聚类处理，若k-means聚类准则函数无法收敛，则检索已有类别内部成员特征值，将互异的成员特征值进行分裂处理，直至满足k-means聚类准则函数；聚类处理所得的类别为硬件电路基于输出表征的故障模式类别。
[0016]进一步的，所述基于学习的非权矢量聚类处理方法具体为:将所述绝对距离值、皮尔逊互相关系数值、幅度均值比整合为非权矢量，根据设置的特征值故障判定门限不断学习剩余特征矢量，合并相近特征矢量，分离互异特征矢量，直至完成对所有剩余特征矢量的类别分配；聚类处理所得的类别为硬件电路基于输出表征的故障模式类别。
[0017]优选的，所述FMEA操作具体有四个步骤:(I)根据已有的基于输出表征的硬件电路故障模式，计算每一个故障模式的发生率；(2)根据每一故障模式的输出表征，分析其对局部电路、高层电路及整体电路的影响程度，并确定其严酷度；(3)根据所述发生率和严酷度，映射每一故障模式的RPN值；(4)确定故障模式发生后的补偿措施及其它备注信息。
[0018]与现有技术相比，本发明的有益效果:
[0019]本发明针对已有的硬件电路FMEA分析方法，提出一种基于数据挖掘的硬件电路FMEA分析方法，本发明通过研究各个元器件在自身潜在故障模式下的输出表征形式建立每个元器件的故障仿真模型，再将元器件的故障仿真模型注入正常电路进行仿真处理比较，以数据挖掘的方法实现对硬件电路故障模式的划分，最终根据获取的硬件电路故障模式进行标准的FMEA处理。本发明能最大限度地降低对FMEA人员在电路功能认识、FMEA处理经验的要求，是一种简易高效的方法。
【专利附图】
【附图说明】
:
[0020]图1是本发明基于数据挖掘的硬件电路FMEA分析方法流程图；
[0021 ]图2本发明实施例1所选用的电路原理图；
[0022]图3本发明实施例1所选用的基于单个特征值的聚类流程图；
[0023]图4本发明实施例1所选用的基于特征矢量的聚类流程图；
[0024]图5本发明实例软件的基于数据挖掘的FMEA处理软件主界面；
[0025]图6本发明实例软件的特征值分析结果示意图；
[0026]图7本发明实例软件的单特征值的k-means聚类软件界面；
[0027]图8本发明实例软件的距离检测结果聚类分配示意图；
[0028]图9本发明实例软件的单参数k-means聚类结果示意图；
[0029]图10本发明实例软件的基于特征矢量的聚类界面；
[0030]图11本发明实例软件的FMEA统计界面；
[0031]图12本发明实例软件的严酷度选择及RPN值映射示意图图；
[0032]图13本发明实例软件的FMEA报表生成示意图图；
[0033]图14本发明实例软件的FMEA表格(Excel)示意图；
[0034]图15本发明实例软件的FMEA分析报告(Word)生成界面示意图；
[0035]图16本发明实例软件的FMEA分析报告(word)模板示意图；
[0036]图17为发明实施例中计数器电路基于单特征值的k-means聚类结果图；
[0037]图18为发明实施例中计数器电路基于特征矢量的聚类结果图。
【具体实施方式】
[0038]下面结合【具体实施方式】对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本
【发明内容】
所实现的技术均属于本发明的范围。
[0039]本发明利用硬件电路的故障仿真技术，获取硬件电路的潜在故障仿真输出，作为硬件电路的故障模式表征形式。硬件电路的故障仿真技术是一种为分析硬件电路性能而发展起来的结合故障建模、故障注入仿真的技术。故障建模技术是指根据硬件电路内部元器件自身故障模式的输出表征形式建立故障仿真模型的技术。故障注入技术是指按照硬件电路的拓扑结构，将待注入的故障仿真模型导入相应拓扑节点的技术。数据挖掘技术是一种从大量无直接可观联系的信息中发现知识的技术，现在已被不断应用于各种领域内。在硬件电路FMEA方法中，故障仿真结果为一系列电路输出波形的采样点，通过数据挖掘可以以一定的策略对波形数据进行差异特征值提取，并通过对各故障仿真结果差异特征值的聚类分析，获取硬件电路的潜在故障模式。本发明借助第三方软件PSpiceA/D仿真工具进行自动故障遍历注入仿真和正常仿真处理，并以数据挖掘获取硬件电路故障模式，实现硬件电路的FMEA分析处理。下面结合附图具体说明。
[0040]如图1所示，本发明提出一种基于数据挖掘的硬件电路FMEA分析方法，其步骤如下:
[0041]步骤一，故障建模步骤:通过研究各个元器件在自身潜在故障模式下的输出表征形式建立每个元器件的故障仿真模型，实现故障建模。
[0042]具体的，故障建模即故障仿真模型的建立过程，每一次故障注入均需要一种元器件故障仿真模型，建立故障仿真模型是进行故障仿真的前提。通过研究各个元器件在自身潜在故障模式下的输出表征形式，实现故障建模，所有故障仿真模型存储于电路单元故障模型库中。依据相关标准及实际检测获取各个故障模型的可靠性数据，可靠性数据作用于FMEA统计发生率之用。本发明所分析的元器件故障模式均依据GJB/Z299C-2006等标准及元器件的实际输出端表征。常用的元器件故障模式及其仿真建模方法如表I所示。
[0043]表I几种常见元器件故障及建模方法
[0044]元器件故障[ 适MJ范_丨建模方法
对于模拟器件:兀器
傅Ifl联大电li(uf i:
姆)
‘‘幵模拟/数字器件对于数字器件:兀器
彳牛端η Φ联三态缓冲
--
兀器件并联小tfe阻 “fel路”模拟器ft (Kr3欧姆)
修改校拟器件的参数
“参数漂移” 植?器件 _Π_值(阻抗、导纳)
数字器件端U ?J+ ?个
“両记高电平”数卞器件输出柄为T的倍号
I源进彳T “或”处理
数字器件端U今.个
“固定低电平"数字器件输出fH:为?O-的倍号
源进行“与”处理
I数字器件端IJffl联.“输出反相” 数卞器件
_Π_个反.相器
[0045]步骤二，故障注入及仿真处理步骤:以遍历注入方式将步骤一中建立好的元器件故障仿真模型加载引入正常电路中形成潜在故障电路，完成故障仿真模型遍历注入后，分别进行正常电路仿真与故障电路仿真，获取正常电路仿真结果与故障电路仿真结果。
[0046]具体的，故障注入是将一个元器件故障仿真模型受控地引入正常电路的过程。在正常电路中针对每个元器件遍历注入其相应的故障模型，获取潜在故障电路。故障注入的实际操作方式是修改电路网表文件。本发明采用PSpice A/D仿真工具，故障注入应遵循PSpice A/D网表文件的格式解析。PSpice A/D的网表文件为*.net文件，*.net文件包含了电路内部元器件标识、连接节点和所有非默认的元器件参数及元器件之间的互联关系。由于PSpice A/D仿真工具必须通过读取网表文件来进行模拟电路的结构拓扑，因此通过修改网表文件来实现故障注入减少了故障注入后其他操作，使用效率较高。
[0047]由于“参数漂移”只需要修改模拟器件的参数值(阻抗、导纳)而不需要引入其他器件，因此对于“参数漂移”故障与其它故障有两种故障注入策略。对于“参数漂移”故障，在网表文件内搜索需注入故障的元器件标识，并直接修改该单元的指定参数值。对于其它故障，在不改变电路网表其余信息的前提下，将元器件故障仿真模型载入元器件原有的节点。完成故障注入后，在仿真控制下分别进行正常电路仿真与潜在故障电路仿真，获取正常电路仿真结果和故障电路仿真结果。
[0048]步骤三:数据挖掘步骤:比较各个故障电路仿真结果与正常电路仿真结果之间的差异，提取每个故障电路仿真结果相较于正常电路仿真结果的差异特征值，即差异特征属性值，通过对所述差异特征值的聚类分析，获取硬件电路的故障模式。
[0049]具体的，比较各个故障电路仿真与正常电路仿真结果之间的差异，通过数据挖掘搜索隐含的信息，提取每个故障电路仿真结果相较于正常电路仿真结果的差异特征值，即差异特征属性值，通过对各故障仿真结果的差异特征值的聚类分析，获取硬件电路的潜在故障模式。该步骤包括提取特征值和聚类获取电路故障模式两个子步骤。
[0050]所述提取特征值步骤为:通过比较故障电路仿真结果的波形数据与正常电路仿真结果的波形数据之间的差异，计算每一故障电路仿真结果相较于正常电路仿真结果的差异特征值，即差异特征属性值。本发明实施例提供了 3种差异特征值计算:计算每一故障电路仿真结果与正常电路仿真结果相比之绝对距离值、计算每一故障电路仿真结果与正常仿真结果相比之皮尔逊互相关系数、计算每一故障电路仿真结果与正常电路仿真结果相比之幅度均值比，下面详细说明。
[0051]I)求解绝对距离值
[0052]在求解绝对距离时，往往要求相互比较的波形之间拥有一致的采样频率和采样点。但根据观察，PSpice A/D工具在仿真设置完全一致的情况下，同一电路节点的输出在不同的类别的仿真中也存在着采样点上的差异。同时，由于采样频率的未知性，直接对这些数据按某一固定频率进行重采样也不够准确，可能会遗漏一些数据值。因此这些采样点数据是不可以直接用于计算波形的特征值。
[0053]基于以上的分析，本发明对于这些原始的采样点数据采取积分的方法求解绝对距离。已知求两条波形Wi和Wj绝对距离标准方法的公式如下:
m
[0054]
A-1
[0055]其中Wik为Wi第k个采样点，Wjk为I的第k个采样点，Wi和I均拥有m个采样频率、时域一致的采样点。
[0056]在本发明实例中，由于每一条波形数据的采样点均不统一，于是引入以下的方法:
[0057](I)对于模拟信号，假设采样点在时域上为T，数据值(模拟幅度值)为W。
[0058]若正常仿真输出为ten, t02,...，ton? W01, w02...., W0n,即正常仿真输出的采样点个数为η ;
[0059]若第i个故障仿真输出为tn, ti2,..., tim, wn, wi2,..., wim,即采样点个数为m,且η # m0
[0060]首先将正常仿真的η个时刻点与故障仿真的m个时刻点合并，并依照其先后次序重新排列得到k个新的时刻点t’ ” t’ 2，...，t’ k, k≤n+m。对这k个时刻点利用线性插值可得到正常仿真的k个新的数据值w’C11, w’％，...，W^k,第i个故障仿真的第k个新的数据值w’ n，w’ i2，...，w’ ik，其中每一处新插入的幅度值均按照插入时刻点在最近两处原有时刻点的比例计算得来。对每一小段At’用y的中值相减、平方，再乘以该段的时间长度At’，求和得到绝对距离值，其公式如下:
【权利要求】
1.一种基于数据挖掘的硬件电路FMEA分析方法，其特征在于，包括如下步骤: 步骤一:故障建模步骤:通过研究各个元器件在自身潜在故障模式下的输出表征形式建立每个元器件的故障仿真模型，实现故障建模； 步骤二:故障注入及仿真处理步骤:以遍历注入方式将步骤一中建立好的元器件故障仿真模型加载引入正常电路中形成潜在故障电路，完成故障仿真模型遍历注入后，分别进行正常电路仿真与故障电路仿真，获取正常电路仿真结果与故障电路仿真结果； 步骤三:数据挖掘步骤:比较各个故障电路仿真结果与正常电路仿真结果之间的差异，提取每个故障电路仿真结果相较于正常电路仿真结果的差异特征值，通过对所述差异特征值的聚类分析，获取硬件电路的故障模式； 步骤四:FMEA操作步骤:依据FMEA基本方法，结合所述硬件电路的故障模式完成FMEA处理，自动生成相应的FMEA报告。
2.根据权利要求1所述的基于数据挖掘的硬件电路FMEA分析方法，其特征在于，所述步骤二中将建立好的元器件故障仿真模型加载引入正常电路中具体为:通过修改电路网表文件将建立好的元器件故障仿真模型加载弓I入正常电路中。
3.根据权利要求1所述的基于数据挖掘的硬件电路FMEA分析方法，其特征在于，所述步骤三中，提取每个故障电路仿真结果相较于正常电路仿真结果的差异特征值具体为匕较故障电路仿真结果的波形数据与正常电路仿真结果的波形数据之间的差异，计算每一故障电路仿真结果相较于正常电路仿真结果的差异特征值。
4.根据权利要求3所述的基于数据挖掘的硬件电路FMEA分析方法，其特征在于，计算每一故障电路仿真结果相较于正常电路仿真结果的差异特征值具体包括:计算每一故障电路仿真结果与正常电路仿真结果相比之绝对距离值；计算每一故障电路仿真结果与正常电路仿真结果相比之皮尔逊互相关系数值；和/或，计算每一故障电路仿真结果与正常电路仿真结果相比之幅度均值比。
5.根据权利要求4所述的基于数据挖掘的硬件电路FMEA分析方法，其特征在于，所述步骤三中通过对所述差异特征值的聚类分析，获取硬件电路的故障模式具体为:通过结合分裂聚类的k-means聚类处理方法或基于学习的非权矢量聚类处理方法对所述差异特征值进行聚类分析，获取硬件电路的故障模式，实现硬件电路故障模式的划分。
6.根据权利要求5所述的基于数据挖掘的硬件电路FMEA分析方法，其特征在于，所述结合分裂聚类的k-means聚类处理方法具体为:根据设置的故障判定门限以及为特征值设置的初始划分类别反复进行k-means聚类处理，若k-means聚类准则函数无法收敛，则检索已有类别内部成员特征值，将互异的成员特征值进行分裂处理，直至满足k-means聚类准则函数；聚类处理所得的类别为硬件电路基于输出表征的故障模式类别。
7.根据权利要求5所述的基于数据挖掘的硬件电路FMEA分析方法，其特征在于，所述基于学习的非权矢量聚类处理方法具体为:将所述绝对距离值、皮尔逊互相关系数值、幅度均值比整合为非权矢量，根据设置的特征值故障判定门限不断学习剩余特征矢量，合并相近特征矢量，分离互异特征矢量，直至完成对所有剩余特征矢量的类别分配；聚类处理所得的类别为硬件电路基于输出表征的故障模式类别。
8.根据权利要求6或7所述的基于数据挖掘的硬件电路FMEA分析方法，其特征在于，FMEA操作步骤具体有四个步骤:(I)根据基于输出表征的硬件电路故障模式，计算每一个故障模式的发生率；(2)根据每一故障模式的输出表征,分析其对局部电路、高层电路及整体电路的影响程度，并确定其严酷度；(3)根据所述发生率和严酷度，映射每一故障模式的RPN值；(4)确定故障模式发生后的补偿措施及其它备注信息。
【文档编号】G01R31/28GK104198912SQ201410355550
【公开日】2014年12月10日 申请日期:2014年7月24日 优先权日:2014年7月24日
【发明者】何春, 赵和平, 刘欣, 宗竹林, 黎亮, 蒋剑, 朱娟 申请人:电子科技大学