Введение
Цели и задачи исследования
Актуальность темы и мотивация
Обзор исследований и разработок по теме
       Обзор международных источников
       Обзор национальных источников
       Обзор локальных источников
Обзор существующих методов диагностики
Параметрическая идентификация
Техники, основанные на использовании нейронных сетей
Результаты, выводы и перспективы развития
Заключение
Список литературы

Введение

Современная разработка и проектирование технических средств тесно связано с понятиями работоспособности и надежности. С целью определения данных показателей на сегодняшний день существуют различные методы диагностики и верификации, основанные на различных подходах и использующие новейшие достижения науки. Данным вопросам посвящено множество статей и публикаций, написанных за последние десять-пятнадцать лет, в основном зарубежом, чему свидетельствует большое их количество в разделе ссылок.

На сегодняшний день диагностика включает в себя множество отраслей и областей знаний, таких как медицина, техника, экономика и другие. В дальнейшем речь пойдет о технической диагностике.

Цели и задачи исследования

Техническая диагностика является составной частью технического обслуживания. Основной целью технического диагностирования является сокращение затрат на техническое обслуживание объектов и уменьшение потерь от простоя оборудования в результате отказов [1]. Поэтому становится важным постоянно контролировать и своевременно реагировать на различные изменения параметров технических средств и устройств.

Целью выпускной работы магистра является исследование методов и подходов к решению задачи эффективной параметрической идентификации линейных аналоговых устройств, а также поиск возможностей внедрения и использования в данном вопросе нейросетевых технологий.

Для достижения поставленных целей необходимо решить ряд задач, таких как:

• обзор и анализ метода параметрической идентификации как метода обнаружения и локализации неисправностей аналоговых устройств;
• разработка метода идентификации параметров линейных аналоговых схем на базе нейронных сетей;
• разработка экспериментальной подсистемы идентификации параметров на базе нейронной сети;
• анализ результатов и проведение экспериментальных исследований разработанной модели.

Актуальность темы и мотивация

В настоящее время большая часть выпускаемой аппаратуры относится к классу цифровых устройств, но при общем процентном сокращении доли выпускаемых аналоговых устройств на рынке, в абсолютных цифрах их количество увеличивается [2]. С развитием техники наряду с интеграцией наблюдаются такие явления, как уменьшение размеров устройств вплоть до нанотехнологий, а также их нарастающая сложность.

Существуют некоторые проблемы, связанные с разработкой, проектированием и наладкой конкретно аналоговых устройств, такие как погрешность измерений, сложность технологического процесса и моделирования, контроль и учет состояний и режимов работы всех элементов и компонент схемы и другие.

Актуальность темы заключается в том, чтобы предложить новый подход к решению задачи параметрической идентификации с использованием технологии нейронных сетей, тем самым сократив количество выполняемых действий, направленных на определение исправности и пригодности аналоговых интегральных схем.

Обзор исследований и разработок по теме

Вопросы, связанные с аналоговой диагностикой на базе нейронный сетей, продолжают изучаться по всему миру, в частности, учеными и инженерами США, Китая, Японии, Индии и Европы. Однако в России и на Украине данной проблеме уделяется недостаточно внимания, чему свидетельствует нехватка русскоязычной информации по теме как в электронном, так и в печатном виде.

Обзор международных источников

Видными учеными в области исследования методов аналоговой диагностики с использованием нейронных сетей являются В.К. Агравал [3], А. Форт [4], П. Кабисатпати [5], М.Л. Бушнелл [6], П. Синха [7] и другие. Их работы, в частности, Fault detection and diagnosis in analog integrated circuits using artificial neural network in a pseudorandom testing scheme, Analog Automatic Test-Pattern Generation, SBT Soft Fault Diagnosis in Analog Electronic Circuits: A Sensitivity-Based Approach by Randomized Algorithms, раскрывают некоторые вопросы в области аналоговой диагностки с применением нейросетевых технологий, а также отражают экспериментальные результаты исследований.

Наиболее полно вопросы нейронных сетей изложены в книге Нейронные сети: полный курс С. Хайкина [8].

Отдельно стоит упомянуть о российском журнале Нейрокомпьютеры: разработка и применение [9], направленном на изучение отдельных аспектов теории нейронных сетей.

Обзор национальных источников

На национальном уровне вопросам аналоговой диагностики и нейронных сетей посвящен ряд публикаций, являющихся, в большинстве своем, ознакомительными.

Обзор локальных источников

В Донецком национальном техническом университете исследования по вопросам нейросетей и диагностики проводятся на кафедре компьютерной инженерии под руководством Ю.Е. Зинченко. Технической диагностике и тестированию аналоговых устройств посвящены работы магистров Медгауса [10], Шигимагина [11] и Масякина [12].

Обзор существующих методов диагностики

Традиционные методы, применяющиеся в 20-м веке, не справлялись с поставленными задачами быстрой, качественной и дешевой диагностики, что приводило к увеличению сроков проектирования и затрат на тестирование. Поэтому дальнейшее развитие техники потребовало совершенствования технического, и, в частности, тестового диагностирования [13]. Наибольшее применение нашли следующие методы и технологии:

• DFT (Design For Test) или технология проектирования контролепригодных схем – технология, которая упрощает разработку и проведение производственных испытаний, а также обеспечивает диагностируемость микроэлектронного оборудования;
• JTAG (Joint Test Automation Group) или Boundary Scan – периферийное сканирование, которое используется для внутрисхемной проверки работоспособности плат;
• ATPG или технология автоматической генерации образцов, используемая для электрической проверки полупроводников, где тестовый набор автоматически генерируется программой;
• BIST или встроенное самотестирование – технология проектирования дополнительного оборудования и программного обеспечения, содержащихся в интегральных схемах и позволяющих проводить проверку их работы с использованием их собственных схем.

Данные технологии частично реализованы в программных средствах создания контролепригодных радиоэлектронных средств, например onTAP Boundary Scan Software, Pronto TEST-FIXTURE software, Galaxy Design Platform и Design For Test.

Перечисленные выше методы и программные продукты ориентированы на применение в диагностике цифровых электронных устройств, печатных плат и интегральных микросхем. Для диагностирования аналоговых схем используются следующие методы и подходы:

• метод справочников;
• параметрическая идентификация;
• методы контроля источников питания;
• методы наблюдения за токами утечки;
• приближенные и другие методы.

Для перечисленных методик характерны общие недостатки, такие как: большой объем вычислений, необходимость доступа ко всем узлам схемы, чувствительность к погрешностям вычислений и, как следствие, трудность практической реализации.

Параметрическая идентификация

При построении моделей тестируемых схем возникает задача нахождения числовых значений неизмеряемых констант по имеющимся экспериментальным данным, то есть по значениям измеряемых переменных (откликам). Данная задача называется задачей параметрической идентификации. Цель ее заключается в том, чтобы подобрать такие численные значения неизвестных констант модели, при которых решение задачи соответствовало бы, в некотором смысле, экспериментальным данным и при этом найденные значения не противоречили бы физическому смыслу и теоретическим соображениям [14].

В случае диагностики аналоговых интегральных схем параметрическая идентификация сводится к анализу полученных значений, а также подбору таких значений параметров тестируемой схемы, которые приводили бы к результатам, характерным для эталонной модели (работоспособной).

В процессе работы аналоговые устройства подвергаются различным воздействиям, вызванным различными условиями эксплуатации. Так, можно выделить внутрисхемные параметры и параметры элементов схемы, такие как сила тока, напряжение, усиление по току транзисторов, а также параметры окружающей среды, к которым можно отнести температуру в помещении, давление, различные вибрации. Обычно проблемы адаптации устройств под различные условия эксплуатации решаются еще на уровне проектирования, а допустимые диапазоны значений указываются в спецификации. Гораздо более важной задачей является определение внутрисхемных параметров с целью анализа работоспособности отдельных участков цепей и элементов и определения наличия отклонений тех или иных значений.

Для лучшего понимания следует допустить, что существует система, состоящая из нескольких участков (блоков). Такую систему можно изобразить, как показано на рисунке 1.

Рисунок 1 — Пример упрощенной тестируемой системы

Если допустить, что одновременно может отказать только один блок или участок, то число неработоспособных состояний составит Sn=N=9. Отбросив маловероятные отказы (блоки 6,7,8,9) можно получить, что наиболее вероятное количество неработоспособных состояний системы Sn равно всего лишь 5. Такими состояниями являются:

• S1 - отказ блока 1
• S2 - отказ блока 2
• S3 - отказ блока 3
• S4 - отказ блока 4
• S5 - отказ блока 5

В рассматриваемом примере признаками перечисленных состояний могут быть такие отклонения параметров, как изменение величины силы тока, напряжения, сопротивления обмоток, контактов и другие.

В общем случае между состояниями Si и их признаками Xj могут встречаться взаимосвязи, как представлено ниже на рисунке 2.

Рисунок 2 — Виды взаимосвязи состояний и признаков

Для определения типа взаимосвязи (или отсутствия взаимосвязи) между выбранными состояниями обычно используется логический анализ или натурный эксперимент. Для рассматриваемой системы можно привести следующий пример причинно-следственных связей:

Рисунок 3 — Схема взаимосвязи состояний и признаков
(анимация: 5 кадров; 3 цикла повторения, 84 Кб)

Построенная схема позволяет выбрать минимально необходимое количество признаков, необходимых для контроля и выявления всех пяти неработоспособных состояний, так как восемь предварительно отобранных признаков является избыточным. Для облегчения отбора схему причинно-следственных связей изображают не в графической, а в табличной (матричной) форме, как показано ниже:

Таблица 1 – матричная форма представления причинно-следственных связей
Признаки/Состояния	S1	S2	S3	S4	S5
X1	0	0	0	1	0
X2	1	0	0	0	0
X3	1	1	1	1	1
X4	0	1	0	0	0
X5	0	1	0	0	0
X6	0	1	0	1	1
X7	0	1	0	1	1
X8	1	1	0	1	1

Строки таблицы образованы признаками состояний, а столбцы – состояниями. Элементами матрицы выступают нули и единицы, причем ноль проставляется на пересечении строки и столбца в том случае, если соответствующий признак не реагирует на соответствующее состояние. Единица проставляется в противном случае.

Анализ таблицы позволяет исключить полностью дублирующие друг друга признаки, то есть те, которые повторяют комбинации нулей и единиц. Из двух взаимодействующих признаков обычно удаляют тот, который труднее (дороже, долговременнее) контролировать. В приведенном примере удаляются из дальнейшего рассмотрения признаки X4 (признак X4 дублирует признак X5) и X6 (он, в свою очередь, дублирует X7). В диагностике считают, что взаимодублирующие признаки содержат одинаковую информацию.

Если при диагностике технического состояния устройств использовать все контролируемые параметры (без какого-либо их отсеивания), то получаемые системы диагностирования будут перегружены датчиками, избыточными цепями, а программы тестирования станут весьма громоздкими. В этой связи появляется необходимость выборки минимального количества признаков, необходимых и достаточных для распознавания каждого состояния объекта. Обычно такой выбор проводится на основе элементов теории информации, некоторые методы которой также могут помочь при решении задачи определения места отказа системы (локализация ошибки) [15].

Техники, основанные на использовании нейронных сетей

Диагностика является частным случаем классификации событий, причем наибольшую ценность представляет классификация тех событий, которые отсутствуют в обучающем нейронную сеть наборе. Нейросети представляют собой нелинейные системы, позволяющие гораздо лучше классифицировать объекты и данные, чем это делают линейные методы, обобщая при этом прежний опыт и применяя его в новых случаях [16].

В настоящее время нейронные сети обширно применяются в медицине и задачах медицинской диагностики. Однако существует необходимость внедрить и применять нейросетевые технологии и в области технической диагностики с целью обеспечения надежности и работоспособности устройств, электронных схем и оборудования, которые, пусть и косвенно, но также отвечают за жизнь человека.

Современные разрабатываемые устройства и системы характеризуются высокой сложностью протекающих в них процессов. Как правило, о сложных процессах известна только информация о реакции системы на входные сигналы (так называемый черный ящик), что приводит к описанию процессов на основе таблиц входных-выходных данных. Задача построения зависимости выходных сигналов от входных – идентификация моделей – состоит из двух этапов: структурной и параметрической идентификации. Нейронные сети являются эффективный инструментом моделирования и позволяют частично решить задачу структурной идентификации, так как для них формально задана структура связей между нейронами и определен алгоритм получения выходного значения. Основной задачей построения нейросетевых моделей является обучение - параметрическая идентификация на основе обучающего множества. Однако же в реальных задачах модели, основанные на использовании нейронных сетей, содержат несколько сотен оптимизируемых параметров. В связи с этим возникает проблема оптимизации и повышения эффективности используемых алгоритмов.

При построении модели нейронной сети преследуется цель найти наилучший алгоритм ее работы как целостной системы, так называемый глобальный оптимум, а не отдельных участков (локальный оптимум). Применяемые алгоритмы обучения не гарантируют глобальность найденного решения. Гарантированность нахождения глобального оптимума дает использование методов интервального анализа, однако интервальные методы оптимизации имеют низкую скорость сходимости и являются ресурсоемкими, что приводит к большим затратам времени даже при небольшом количестве переменных [17].

Другой метод глобальной оптимизации – метод ветвей и границ. Данный метод начинает работы с определения нижней и верхней границы для исходной задачи. Если верхняя и нижняя границы совпадают, то полученный результат является оптимальным значением, и метод прекращает работу. Иначе, множество переменных разбивается на несколько собственных подмножеств, объединение которых совпадает с исходным множеством. Эти подзадачи становятся потомками исходной. Далее алгоритм применяется рекурсивно к каждой из подзадач, создавая дерево подзадач. Если оптимальное решение найдено для некоторой подзадачи, то оно является достижимым для исходной задачи (не обязательно оптимальным), но так как оно достижимо, его можно использовать для обрезания ветвей у исходного дерева. Процесс поиска продолжается до тех пор, пока каждая из подзадач не будет решена или выкинута или до тех пор, пока не будет достигнут заданный порог между лучшим из найденных решений и нижней границей f(x) для всех нерешенных задач.

Метод распространения ограничений или алгоритм сужения в вычислительном плане может быть представлен как итерационный процесс, последовательно сужающий область, гарантированно содержащую все решения. На каждом шаге итерационного процесса применяется один из операторов сужения, стягивающий область значений переменных, связанных с некоторым ограничением. Как правило, оператор сужения уточняет область определения только одной переменной. Управление итерационным процессом осуществляется по данным, то есть для исполнения на очередном шаге выбирается только тот оператор сужения, аргументы которого были изменены в процессе вычислений на предыдущем шаге.

Операторы сужения могут представляться разными способами. Например, расщеплением исходной системы уравнений на примитивные (унарные и бинарные) соотношения посредством введения дополнительных переменных. В этом случае каждое примитивное соотношение позволяет выразить каждую из входящих в него переменных через остальные. Весь набор полученных таким образом примитивных уравнений и будет задавать множество операторов сужения для исходной системы. Достоинством этого подхода является возможность решения задач с недифференцируемыми функциями.

В 1992 году был описан метод Хансена, суть которого заключается в последовательном удалении из начальной области подобластей, в которых не содержится глобальный минимум.

Метод моделирования обжига, являющийся представителем семейства методов Монте–Карло, основан на физическом процессе замораживания жидкостей или рекристаллизации металлов в процессе прокаливания. В качестве оценки решения может быть выбрана точка не только не уменьшающая значения целевой функции, но и увеличивающая его. Такое поведение поиска оптимального решения помогает избежать попадания в точки локального минимума [18].

Также существуют различные алгоритмы, включающие в себя модификации и преимущества некоторых из вышеперечисленных методов.

Результаты, выводы и перспективы развития

Техническая диагностика и контролепригодное проектирование является важным этапом разработки аппаратуры. Применение новейших технологий и знаний в данной области, таких как искусственный интеллект и нейронные сети, методы параметрической идентификации и оптимизации, позволит в дальнейшем создавать высокоинтеллектуальные устройства и системы и применять их на практике в различных отраслях.

Заключение

В рамках данного реферата по теме работы магистра был проведен обзор существующих методов и средств диагностики, проанализированы современные программные продукты, позволяющие промоделировать разрабатываемые устройства на допроизводственном этапе, а также перечислены методы оптимизации и параметрической идентификации на базе нейросетевых моделей. В дальнейшем предполагается обосновать использование выбранной методики параметрической идентификации аналоговых устройств и частично реализовать данные методы в виде готового решения или устройства.

При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: декабрь 2012 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Список литературы

1. Техническая диагностика. Материал из Википедии. [Электронный ресурс]. — Режим доступа: http://ru.wikipedia.org/wiki/...
2. Диагностика аналоговых схем с учетом тепловых режимов радиоэлементов. [Электронный ресурс]. — Режим доступа: http://www.quality-journal.ru/data/article/574/files/VolovikovaUvaysov@QJ0309.pdf
3. Jamuna.S, V.K. Agrawal. Implementation of BIST Structure using VHDL for VLSI Circuits. [Электронный ресурс]. — Режим доступа: http://www.ijest.info/docs/IJEST11-03-06-016.pdf
4. Cesare Alippi, Marcantonio Catelani, Ada Fort, Marco Mugnaini. SBT Soft Fault Diagnosis in Analog Electronic Circuits: A Sensitivity-Based Approach by Randomized Algorithms. [Электронный ресурс]. — Режим доступа: http://home.dei.polimi.it/alippi/articoli/01174051.pdf
5. Prithviraj Kabisatpathy, Alok Barua, and Satyabroto Sinha. Fault detection and diagnosis in analog integrated circuits using artificial neural network in a pseudorandom testing scheme. [Электронный ресурс]. — Режим доступа: http://www.buet.ac.bd/eee/publications2004/P013.pdf
6. Michael L. Bushnell, Vishvani D. Agraval. Analog Automatic Test-Pattern Generation. [Электронный ресурс]. — Режим доступа: http://masters.donntu.ru/2010/fknt/masyakin/library/article3_or.htm
7. Priyanka Sinha. Neural Network Automatic Test Pattern Generator. [Электронный ресурс]. — Режим доступа: http://www.eng.auburn.edu/~agrawvd/COURSE/E7250_05/REPORTS_TERM/Sinha_Neural.pdf
8. Хайкин С. Нейронные сети: полный курс, 2-е издание. : Пер. с англ. — М. :Издательский дом "Вильямс", 2006. — 1104 с. : ил. — Парал. тит. англ.
9. Журнал Нейрокомпьютеры: разработка, применение. [Электронный ресурс]. — Режим доступа: http://www.radiotec.ru/catalog.php?cat=jr7
10. Медгаус А.В. Разработка и исследование метода моделирования неисправностей аналоговых устройств на базе языка описания аналогово-цифровых устройств PSpice. Реферат по теме выпускной работы. [Электронный ресурс]. — Режим доступа: http://masters.donntu.ru/2011/fknt/medgaus/diss/index.htm
11. Шигимагин А.В. Разработка и исследование методов и структур аппаратного анализа аналоговых тестовых реакций на базе FPGA. Реферат по теме выпускной работы. [Электронный ресурс]. — Режим доступа: http://masters.donntu.ru/2010/fknt/shigimagin/diss/index.htm
12. Масякин Е.А. Разработка и исследования методов и структур аппаратного генерирования аналоговых тестов на базе FPGA. Реферат по теме выпускной работы. [Электронный ресурс]. — Режим доступа: http://masters.donntu.ru/2010/fknt/masyakin/diss/index.htm
13. Зинченко Ю.Е. Методы и средства встроенного тестового диагностирования устройств специализированных сетей передачи данных реального времени. [Электронный ресурс]. — Режим доступа: http://hardclub.donntu.ru/zinchenko/cand.htm
14. Постановка задачи параметрической идентификации. [Электронный ресурс]. — Режим доступа: http://www.ccas.ru/konkom/ident.htm
15. Сафарбаков А.М., Лукьянов А.В., Пахомов С.В. Основы технической диагностики: учебное пособие. – Иркутск: ИрГУПС, 2006. – 216 с.
16. Нейронные сети в медицине и диагностике. Открытые системы. СУБД №04, 1997. [Электронный ресурс]. — Режим доступа: http://www.osp.ru/print_text.php?type=article&id=179201&isPdf
17. Сараев П.В. Программное обеспечение для исследования методов гарантированной параметрической идентификации. [Электронный ресурс]. — Режим доступа: http://www.econf.info/files/88/1187/0573.pdf
18. Долгов Ю.Г. Метод глобальной оптимизации на основе метода ветвей и границ. [Электронный ресурс]. — Режим доступа: http://www.sbras.ru/interval/Conferences/IMRO_04/Dolgov.pdf