基于hmm的模拟集成电路早期软故障诊断方法及系统的制作方法
【技术领域】
[0001] 本发明涉及模拟集成电路早期软故障诊断技术领域，特别涉及一种基于 HMM(Hidden Markov Mode，隐马尔科夫模型）的模拟集成电路早期软故障诊断方法及系统。
【背景技术】
[0002] 基于模式分类的模拟电路软故障（电路元件的参数的变化量超出其容差范围） 诊断方法常常，假定发生软故障的元件的参数变化量为一固定值（典型值为元件标称值的 ±50% )。当故障元件变化其标称值正好在±50%左右时，此类诊断方法通常具有良好的 诊断精度。但是，实际诊断中，故障元件的参数变化值常常是未知的，变化值正好为±50% 的概率非常小，限制了以上诊断方法的使用范围。同时，对于一些高精度的模拟电路，如滤 波器电路（Filtered Analog Circuits，FAC)，当电路的某些关键元件的参数值变化达到其 名义参数的20%时（电路处于早期软故障状态），电路很可能就已经无法正常工作了。
[0003] 模拟电路工作现场环境应力和电气应力在一定时期内相对稳定，模拟电路故障元 件参数的变化过程也相对稳定，同时，非故障元件参数在其容差范围内的随机变化，使得 ⑶T(Circuit Under Test，待测电路）的元件参数变化在一定时期内表现为动态的不可直 接测量的随机过程，同时，元件参数的变化带来CUT节点电压等信息的同步变化，节点电压 信息表现为可直接测量得到的随机过程，包含了 CUT的元件参数信息。隐马尔科夫模型是 一种双重的随机过程，其中一个随机过程是不能直接观测的隐藏随机过程（通常称为状态 过程），而另一个随机过程是可观测可测量的随机过程（通常称为观测过程），可用来描述 CUT故障的动态变化过程。借鉴隐马尔科夫模型在语音识别领域和机械设备状态监测领 域的成功应用，文献1 (邓勇.非线性模拟电路故障诊断的Volterra模型及特征提取研究 [D].成都：电子科技大学，2012)采用隐马尔科夫模型对模拟电路的软故障状态进行动态 建模，从一定程度上实现对模拟电路早期单软故障的诊断。本发明针对文献1中诊断方法 的不足，提出一种模拟电路早期单软故障的改进隐马尔科夫诊断模型，从而实现了模拟电 路早期单软故障的尽早诊断。
【发明内容】
[0004] 【要解决的技术问题】
[0005] 本发明的目的是提供一种基于HMM的模拟集成电路早期软故障诊断方法及系统， 以解决现有技术中的诊断模型诊断精度不高的问题。
[0006] 【技术方案】
[0007] 本发明是通过以下技术方案实现的。
[0008] 本发明首先涉及一种基于HMM的模拟集成电路早期软故障诊断方法，包括步骤：
[0009] A、将待测电路的故障元件参数的变化范围划分为多个连续的变化范围，在相同的 激励信号下，对故障元件参数的每个变化范围进行电路仿真，选择不同的故障模式完成待 测电路的电路仿真，得到各个故障模式下的待测电路的输出信号；
[0010] B、初始化隐马尔科夫模型的隐藏状态集S、状态初始概率JT、状态转移矩阵A，所 述隐藏状态集S中的各个元素与故障元件参数的各个连续的变化范围一一对应；
[0011] C、根据隐藏状态集S的仿真输出信号生成观测序列0 ;
[0012] D、训练隐马尔科夫模型得到与待测电路故障模式对应的隐马尔科夫估计模型，计 算各个隐马尔科夫估计模型在观测序列〇下的后验概率，选择后验概率最大的隐马尔科夫 估计模型；T;
[0013] E、对观测序列0进行解码，得到，对应的故障模式下的最优状态序列X，从最优 状态序列X提取诊断结果。
[0014] 作为一种优选的实施方式，所述步骤A具体将待测电路的故障元件参数的变 化范围[σ b 6 σ d划分为五个连续的变化范围：[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 ;为故障元件的容差。
[0015] 作为另一种优选的实施方式，所述观测序列的生成方法为：从隐藏状态集S的 状态Sj的仿真输出信号中随机取出R/i个向量，组成子观测序列O i，其中i < 5, j = 1，2,…，i，组合各个状态下的子观测序列得到观测序列0 = {01，02,…，01}，其中R为观测 序列的长度。
[0016] 作为另一种优选的实施方式，所述步骤A具体采用蒙特卡洛方法对故障元件参数 的每个变化范围进行电路仿真。
[0017] 作为另一种优选的实施方式，所述隐马尔科夫模型为连续高斯密度混合隐马尔科 夫模型。
[0018] 作为另一种优选的实施方式，所述步骤D采用Forward算法计算各个隐马尔科夫 估计模型在观测序列〇下的后验概率。
[0019] 作为另一种优选的实施方式，所述步骤E采用Viterbi算法对观测序列0进行解 码。
[0020] 本发明还涉及一种基于HMM的模拟集成电路早期软故障诊断系统，该系统包括：
[0021] 待测电路仿真模块，其被配置成：将待测电路的故障元件参数的变化范围划分为 多个连续的变化范围，在相同的激励信号下，对故障元件参数的每个变化范围进行电路仿 真，选择不同的故障模式完成待测电路的电路仿真，得到各个故障模式下的待测电路的输 出信号；
[0022] 隐马尔科夫模型初始化模块，其被配置成：初始化隐马尔科夫模型的隐藏状态集 S、状态初始概率π、状态转移矩阵A，所述隐藏状态集S中的各个元素与故障元件参数的各 个连续的变化范围一一对应；
[0023] 观测序列生成模块，其被配置成：根据隐藏状态集S的仿真输出信号生成观测序 列〇 ;
[0024] 隐马尔科夫估计模型训练模块，其被配置成：训练隐马尔科夫模型得到与待测电 路故障模式对应的隐马尔科夫估计模型，计算各个隐马尔科夫估计模型在观测序列〇下的 后验概率，选择后验概率最大的隐马尔科夫估计模型立％
[0025] 诊断结果生成模块，其被配置成：对观测序列0进行解码，得到f对应的故障模式 下的最优状态序列X，从最优状态序列X提取诊断结果。
[0026] 下面对本发明进行详细说明。
[0027] 隐马尔科夫模型的典型结构如图1所示。
[0028] 如图1所示，典型的HMM包括2个状态集和3个概率集。
[0029] 1)状态集S = {Sl，s2,…，sN}(图1中的part 2)，N为隐藏的状态数；
[0030] 2)观测集V = {Vl，V2，…，vM}，M为各隐藏状态下不同的观测值的数量；
[0031] 3)观测序列0 = Io1, 〇2,…，οτ}(图1中的part I)，ote V为t时刻的观测值， T为观测序列长度。通常情况下，对于一个给定的观测序列0,必有一个最优状态序列X = Ix1, X2，…，χτ}(图1中的part 3)与之对应，xte S是t时刻的最优状态，T为状态序列长 度；
[0032] 4)隐藏状态转移概率矩阵A = {aj Aij= P(x t+1= s |xt= s J表示由状态SiK 移到状态Sj的转移概率，其中i，j e [1，N];
[0033] 5)观测值转移概率矩阵B = {bjk}，bjk= P(o t= v k|xt= s J表示在状态Sj观测 到vk的概率，其中j e [1，N]，k e [1，Μ]，t e [1，T]。对于连续的观测序列，可用概率密 度函数来描述观测概率。
[0034] 6)初始状态概率 π = { π J，π ; = P(x := s J，i e [1，Ν]。
[0035] 当一个实际问题的隐马尔科夫模型参数Ν，Μ，π，A，B确定以后，该问题即可表示 为 λ = {Ν，Μ，π，Α，Β}，或简写为λ = {>，A，B}。采用隐马尔科夫模型可以完成以下3类 问题的求解。
[0036] 1)学习问题：对于给定的观测序列0 = {〇1，〇2，…，〇τ}，可求解隐马尔科夫模型的 参数，即可估计已知观测序列对应的参数
，使得；
Μ最大。此类问题可 由Baum-Welch算法通过式（1)迭代求解。
[0037]
[0038] 其中ξ t(i，j)为给定模型λ和观测序列〇条件下从i到j的转移概率，可由式 (2)计算得到。
[0039]
式（2)
[0040] 其中Yt⑴为t时刻处于状态S1的概率，可由式（3)计算得到。
[0041]
式（3)
[0042]
为整个过程中从状态S1转出的次数的预期，
为从S1转到s j 的次数的预期。式（2)中的参数α和β为算法的前向变量和后向变量，可由式（4)计算 得到。
[0043]
[0044] 通过式（1)的迭代学习过程，可得到一系列的隐马尔科夫模型的估计（称为隐马 尔科夫估计模型）4，Λ，…。
[0045] 2)评估问题：对于以上学习得到的一系列隐马尔科夫估计模型计算各 估计模型在某一观测序列〇 = {〇1，O2，…，〇τ}下的后验概率，并选出后验概率最大的隐马尔 科夫估计模型。此类问题可由forward算法由以下步骤求解：
[0046] St印1)通过式（5)初始化前向变量α ;
[0047] O1(I) = Ji^1(O1) I ^ t ^ T 式（5)
[0048] Step 2)通过式（6)迭代求解前向变量α ;
[0049]
[0050] St印3)迭代结束后，通过式（7)计算得到观测序列0在模型.i/下的后验概率。
[0051]
[0052] 3)解码问题：对于给定的隐马尔科夫模型，可求解某一观测序列0 = {〇1，〇2，… ，〇τ}对应的最优状态序列X = U1, X2,…，χτ}。此类问题可由Viterbi算法由以下步骤求 解：
[0053] St印1)通过式（8)初始化已经训练好的隐马尔科夫模型进行；
[0054]
[0055] Step 2)通过式（9)进行迭代求解； CN 105137328 A 兄明书 5/13 页
[0056]