本发明涉及模拟电路故障诊断领域，尤其是模拟电路故障特征提取技术技术领域，具体涉及云关联系数矩阵实现模拟电路的特征提取方法。
背景技术
随着集成电路(integratedcircuit，简称ic)的迅速发展，电路的复杂度和密集度不断地提高，现已将数字、模拟和混合信号电路等集成到同一衬底的ic上构成了soc(system-on-a-chip，系统级芯片，简称soc)和noc(networkonchip，片上网络，简称noc)。数字电路如存储器和控制器等均属于数字ip(intellectualproperty，知识产权，简称ip)核，因为其具有完善的测试标准如ieee1149.1标准和ieee1500标准等，以及其离散的输出特性，致使其可测试性相对容易。由于ip核的复用技术，模拟电路如滤波电路，放大电路等在soc中亦称为模拟ip核。相对于数字ip核而言，模拟ip核由于模拟电路建模困难，电路元件存在非线性、容差性及参数漂移等特殊因素，不像数字ip核一样具有完善的测试标准和理论基础，致使其测试异常困难，在soc中，模拟部分虽然所占比例较少，但是由于其特殊性，模拟ip核不可能完全由数字ip核所替代，并且模拟ip核在soc中比例还有上升的趋势。因此，模拟电路的测试与诊断已成为soc中测试的主要部分。
soc中的混合电路如数模转换器，锁相环等也称数模混合ip核。数模混合ip核中含有数字ip核和模拟ip核，目前soc中含有60％以上的混合ip核，且这种数模混合的趋势将不断持续上升。同模拟ip核类似，混合ip核测试问题目前还没有一套完善的通用标准，大多测试都是将数模电路分开测试，但是此方法缺乏一定的理论依据，造成了混合电路测试的瓶颈。虽然模拟ip在混合ip核中所占比例较少，但是其测试成本占总测试成本的95％以上，且有80％以上的故障发生于模拟部分。因此，研究模拟ip核的测试与诊断问题是数模混合ip的重难点问题。
目前的模拟电路故障特征提取技术主要有小波变换，随机信号处理，主成份分析等，但是这些方法均未考虑模拟电路元件存在容差性，且元件参数处于模糊态等问题，造成了故障信息缺失，故障平均正确率低等问题。
技术实现要素：
本发明的目的是针对现有技术的不足，而提供一种基于云关联系数矩阵的模拟电路故障特征提取方法，解决电路元件容差性的问题，且其提取的特征各故障间的差异性大，同种故障间的相似度低，提高故障诊断率。
本发明中模拟电路故障诊断主要包括被测模拟电路特征提取和故障诊断两部分，电路故障特征提取框图如图1所示，主要包含原始特征集的获取、数据预处理、不变性变换、数据压缩和特征提取。
为了实现上述目的，采用如下技术方案：
根据灰色关联理论的特性，提出了一种云关联系数矩阵的特征提取方法，以全面反映电路状态信息，提高故障覆盖率。令u是定量论域空间，c表示为定性概念，且c∈u，用c(ex,en,he)的三个数字特征表示云模型特性，具体表现形式如图2所示。若
设yij＝[x11,x12,…,xij](i＝1,2,…n；j＝1,2,…m)为在电路状态i下第j次分析所得特征向量，其中n为故障状态数，m为故障特征维数，则定义目标电路故障特征矩阵为
本发明基于云关联系数矩阵提取模拟电路故障特征步骤如下：
步骤1、求解故障模式的云模型，即根据逆向云发生器求解云的三个数字特征c(ex,en,he)：
(1)期望ex是云的重心所在，反映了云模型特性的样本信息，则
(2)熵en表征云的宽度范围，反映了电路特征的不确定性，则第i种故障模式下第k组特征的熵为
(3)超熵he表示云滴的离散程度，反映了电路特征的相似性关系，则第i种故障模式下第k组特征的超熵为
步骤2、求特征向量的隶属度矩阵：即对故障模式下的故障特征通过式(1)进行求解：
(1)生成en(yij)'～n(en(yij),he(yij)2)；
(2)生成x～n(ex(yij),en(yij)'2)；
(3)计算第i种故障模式下第k组特征的隶属度ui(k)，由式(1)可得ui(k)，则故障特征向量的综合隶属度矩阵为
式中，n为故障状态数，k为特征向量组数；
步骤3、求综合隶属度矩阵的最值：即对步骤2中的隶属度矩阵求解最值：
步骤4、求云关联系数：即通过步骤1-步骤3求解故障向量间的隶属度值，并将其作为相应的云关联系数：
通过正向云发生器求解各特征向量间的关联系数r(k)，其数字特征ex,en,he为
(i)生成en'～n(en,he2)；
(ii)根据步骤4中的步骤(i)和公式(1)计算隶属度ri(k)，将其云隶属度值作为相应的关联系数；
步骤5、计算云关联度ε：即通过上述步骤故障特征向量的云关联度，并将云关联度进行排序，提取故障特征向量对应云关联度较大的高频序列，以及云关联度较小的低频序列，随机选取关联度差异性较大的云关联系数作为电路的故障特征向量：
式中，l为每组特征向量的个数，i为故障模式，k为特征向量组数；
步骤6、求云关联系数矩阵，被测模拟电路的故障特征集用云关联系数矩阵表示，从而完成被测模拟电路的故障特征提取：
模拟电路的故障特征集可用ccm(cloudcorrelationcoefficientmatrix，云关联系数
矩阵，简称ccm)进行提取，则ccm的表示为
式中，n为故障状态数，n为特征向量的维数；
本发明建立了特征提取的代数模型，所提取的故障特征能够全面反映被测电路的信息，提取方法针对具有容差性软故障电路具有可性和有效性。具体所述在于步骤1-6中，将步骤5中的云关联度进行排序，提取故障特征向量对应云关联度较大的高频序列，以及云关联度较小的低频序列，随机选取关联度差异性较大的云关联系数作为电路的故障特征向量，被测模拟电路的故障特征集用步骤6中的云关联系数矩阵表示，从而完成被测模拟电路的故障特征提取。
由于云关联度ε表征了故障特征的离散程度，当ε越大时，离散程度越小，则关联系数ri(k)越大，故障特征间的差异性越不明显，致使诊断结果出现严重偏高或偏低，亦或无法诊断等现象，反之亦然。因此，若直接将云关联系数提取的特征作为故障特征集，则诊断结果会出现误诊的现象，从而造成此次诊断测试的失败。故而应将ε进行排序，剔除关联度较大的高频序列和关联度较小的低频序列，随机选择差异性较大的中间序对应的云关联系数作为电路的故障特征向量。为了减小程序运行时间和算法的复杂度，每种模式选取n个频带属性特征作为故障特征向量。故此，电路的故障特征集可用云关联系数矩阵表示。
本发明采用了云模型能够处理电路容差性和元件边界存在模糊性的能力，因此在进行故障诊断时，使得故障模式分辨率高，诊断性能好，能够准确的对故障元件进行定位，从而提高了电路的诊断性能和效率。这种方法利用了云模型处理事物模糊性和随机性的能力，解决了电路元件容差性的问题，且其提取的特征各故障间的差异性大，同种故障间的相似度低，提高了故障诊断率。
附图说明
图1为实施例中电路故障特征提取框图；
图2为实施例中云模型及其数字特征图；
图3为实施例中sallen_key带通滤波电路图；
图4为实施例中sallen_key带通滤波电路部分云关联系数矩阵单故障特征值分布图；
图5为实施例中sallen_key带通滤波电路单故障诊断结果图；
图6为实施例中sallen_key带通滤波电路诊断后各项参数图；
图7为实施例中四运放双二次高通滤波电路图。
具体实施方式
下面结合附图表和实施例，对本发明内容进行详细描述，但不是对本发明的限定。
实施例1：
如图3所示，被测模拟电路选取为中心频率25khz的sallen_key带通滤波器。为了更详细的对本发明的技术方案进行解释，考虑了电路的单双故障情形。各元件参数值为其标称值，元件中允许误差分别为：电阻容差范围为±5％xn，电容容差为±10％xn，xn为元件标称值，测试激励为幅值是5v，脉冲宽度为10μs的单周期脉冲信号，通过对电路灵敏度分析可知，电阻r2，电阻r3，电容c1和电容c2对电路输出响应影响最为显著，故此将它们作为故障元件组。
单故障情形：当电路中任一元件超过其参数的容差范围时，可认为其发生故障。用符号↓与↑分别表示故障元件低于和高于正常值时的故障状态，故障参数值服从两个均匀分布即u[0.1xn,(1-2t)xn]和u[(1+2t)xn,2xn]，其中，xn为元件的标称值，t为元件容差值。电路正常状态编号为sf0，nf为正常状态类别，共有9种故障模式，具体设置如表1所示，其中，k为kω，“—”表示参数不存在。
表1sallen_key带通滤波器单故障模式
双故障情形：根据表2假设4个故障元件中的2个元件同时高于或低于正常值，而其余元件任在其容差范围内变化，因此双故障类别数为
表2sallen_key带通滤波器双故障模式
利用pcb电路板设计软件candence16.5对图3所示的cut(circuitundertest,被测电路，简称cut)按表1和表2所设故障模式进行实验仿真。给电路施加一幅值为5v，脉冲宽度为10μs的单脉冲信号作为测试激励，测试响应输出点为out且唯一可测，观测目标为电路输出电压时间序列。在本发明中所有电路的分析和特征提取过程中，均假设运算放大器是无故障的。
提取故障特征时要求各故障间的差异性大，同种故障间的相似度高。电路发生故障时，各种故障模式对应的电压幅值和波形各不相同，容易识别和定位，但还有部分故障的电压幅值和输出波形比较相似，在诊断时若特征提取不当则容易产生故障重叠，造成诊断率低的问题。因此，对电路每种故障模式在时域的前200us内对电压信号进行100次monte-carlo分析，在cut的测试响应端每次获取1000个采样点作为故障特征样本向量。之后将样本向量用云关联系数矩阵进行特征提取，获得故障特征集，特征频带属性n＝8。由于提取的故障特征向量大小在[0,1]之间，故不用进行归一化处理。部分云关联系数矩阵单故障特征如图4所示，图中x轴表示所选频带属性，y轴为故障类别，共9种故障模式，z轴为云关联系数矩阵特征值。
由图4可知，云关联系数矩阵提取的故障特征，其同种故障间的相似性较高，各种故障间的差异性较大，符合故障特征提取的原则，能够全面反映电路特性。为了说明本方案的有效性和可实用性，选择支持向量机(supportvectormachine，简称svm)作为分类器，其采用1-a-1分类模式，利用交叉验证法对svm参数(c,γ)以间隔为0.2在搜索范围-10～10内搜索。使用云关联系数矩阵提取故障特征集，将特征集的50％用于训练样本，50％用于测试样本，所得平均诊断正确率为100％，诊断结果如图5所示，诊断后各项参数如图6所示。
相对于单故障而言，双故障更容易产生故障重叠等现象，故障间的冗余信息更多。因此，良好的故障特征提取方法显得尤为重要。根据表2所示的故障模式用ccm提取故障特征，采用和单故障相同方法进行诊断，所得平均诊断正确率为100％。
实施例2：
如图7所示，为了验证本发明方案的有效性和普遍性，以电路中较复杂的四运放双二次高通滤波器作为被测电路。根据灵敏度分析可知，电阻r1，电阻r2，电阻r3，电阻r4和电容c1，电容c2对电路输出响应最为显著，故此将它们作为故障元件组。对电路时域电压信号的每种故障状态进行100次monte-carlo分析，在测试响应的前400us内每次获取1000个采样点。其余设置及诊断均如同实施例1中的被测电路。表3为单故障模式，表4为双故障模式，nf为正常状态类别，“—”表示参数不存在，表3中k为kω。
表3四运放双二次高通滤波器单故障模式
表4四运放双二次高通滤波器双故障模式
双故障情景：依据表3单故障情形，假设表中的任意两元件在某时间同时发生故障，其余元件均在其容差内变化，则双故障类别数为
同理，采用实施例1的分类器及其参数设置，对四运放高通滤波器进行单双故障诊断，所得单故障平均诊正确断率为100％，双故障平均诊断精度为97.86％。