Вступ
Цілі та задачі дослідження
Актуальність теми та мотивація
Огляд досліджень і розробок з теми
       Огляд міжнародних джерел
       Огляд національних джерел
       Огляд локальних джерел
Огляд існуючих методів діагностики
Параметрична ідентифікація
Техніки, засновані на використанні нейронних мереж
Результати, висновки та перспективи розвитку
Список літератури

Вступ

Сучасна розробка та проектування технічних засобів тісно пов'язане з поняттями працездатності та надійності. З метою визначення даних показників на сьогоднішній день існують різні методи діагностики та верифікації, що засновані на різних підходах і використовують новітні досягнення науки. Даним питанням присвячено безліч статей і публікацій, написаних за останні десять-п'ятнадцять років, в основному за кордоном, чому свідчить велика їх кількість в розділі посилань.

На сьогоднішній день діагностика включає в себе безліч галузей знань, таких як медицина, техніка, економіка та інші. Надалі мова піде про технічну діагностику.

Цілі та задачі дослідження

Технічна діагностика є складовою частиною технічного обслуговування. Основною метою технічного діагностування є скорочення витрат на технічне обслуговування об'єктів і зменшення втрат від простою устаткування в результаті відмов [1]. Тому стає важливим постійно контролювати і своєчасно реагувати на різні зміни параметрів технічних засобів і пристроїв.

Метою випускної роботи магістра є дослідження методів та підходів до вирішення завдання ефективної параметричної ідентифікації лінійних аналогових пристроїв, а також пошук можливостей впровадження та використання в даному питанні нейромережевих технологій.

Для досягнення поставлених цілей необхідно вирішити ряд завдань, таких як:

• огляд та аналіз методу параметричної ідентифікації як методу виявлення і локалізації несправностей аналогових пристроїв;
• розробка методу ідентифікації параметрів лінійних аналогових схем на базі нейронних мереж;
• розробка експериментальної підсистеми ідентифікації параметрів на базі нейронної мережі;
• аналіз результатів й проведення експериментальних досліджень розробленої моделі.

Актуальність теми та мотивація

В наші часи велика частина апаратури, що випускається, відноситься до класу цифрових пристроїв, але при загальному процентному скороченні частки вироблених аналогових пристроїв на ринку, в абсолютних цифрах їх кількість зростає [2]. З розвитком техніки поряд з інтеграцією спостерігаються такі явища, як зменшення розмірів пристроїв до нанотехнологій, а також їх наростаюча складність.

Існують деякі проблеми, пов'язані з розробкою, проектуванням і налагодженням конкретно аналогових пристроїв, такі як похибка вимірювань, складність технологічного процесу і моделювання, контроль та облік станів і режимів роботи всіх елементів і компонент схеми та інші.

Актуальність теми полягає в тому, щоб запропонувати новий підхід до вирішення задачі параметричної ідентифікації з використанням технології нейронних мереж, тим самим скоротивши кількість виконуваних дій, спрямованих на визначення справності і придатності аналогових інтегральних схем.

Огляд досліджень і розробок з теми

Питання, пов'язані з аналоговою діагностикою на базі нейронний мереж, продовжують вивчатися в усьому світі, зокрема, вченими та інженерами США, Китаю, Японії, Індії та Європи. Проте в Росії і на Україні цій проблемі приділяється недостатньо уваги, чому свідчить практично повна відсутність російськомовної інформації з теми як в електронному, так і в друкованому вигляді.

Огляд міжнародних джерел

Видатними вченими в галузі дослідження методів аналогової діагностики з використанням нейронних мереж є В.К. Агравал [3], А. Форт [4], П. Кабісатпаті [5], М.Л. Бушнелл [6], П. Сінха [7] та інші. Їхні роботи, зокрема, 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, розкривають деякі питання в області аналогової діагносткі із застосуванням нейромережних технологій, а також відображають експериментальні результати досліджень.

Найбільш повно питання нейронних мереж викладені в книзі Нейронні мережі: повний курс С. Хайкіна [8].

Окремо слід згадати про російський журнал Нейрокомп'ютери: розробка і застосування [9], направленому на вивчення окремих аспектів теорії нейронних мереж.

Огляд національних джерел

На національному рівні питанням аналогової діагностики і нейронних мереж присвячено ряд публікацій, що є, в більшості своїй, ознайомлювальними.

Огляд локальних джерел

У Донецькому національному технічному університеті дослідження з питань нейромереж та діагностики проводяться на кафедрі комп'ютерної інженерії під керівництвом Ю.Є. Зінченко. Дослідженням у галузі технічної діагностики та тестування аналогових пристроїв присвячені роботи магістрів Медгауса [10], Шигімагіна [11] і Масякіна [12].

Огляд існуючих методів діагностики

Традиційні методи, що застосовувались в 20-му столітті, були не здатні забезпечити швидку, якісну й дешеву діагностику, що призводило до збільшення термінів проектування і витрат на тестування. Тому подальший розвиток техніки потребував вдосконалення технічного, і, зокрема, тестового діагностування [13]. Найбільше застосування знайшли такі методи і технології:

• DFT (Design For Test) або технологія проектування контролепридатних схем - технологія, яка спрощує розробку і проведення виробничих випробувань, а також забезпечує можливість діагностування мікроелектронного обладнання;
• JTAG (Joint Test Automation Group) або Boundary Scan - периферійне сканування, яке використовується для внутрішньосхемної перевірки працездатності плат;
• ATPG або технологія автоматичної генерації зразків, використовувана для електричної перевірки напівпровідників, де тестовий набір автоматично генерується програмою;
• BIST або вбудоване самотестування - технологія проектування додаткового обладнання та програмного забезпечення, що міститься в інтегральних схемах і дозволяє проводити перевірку їх роботи з використанням їх власних схем.

Ці технології частково реалізовані в програмних засобах створення контролепридатних радіоелектронних засобів, наприклад onTAP Boundary Scan Software, Pronto TEST-FIXTURE software, Galaxy Design Platform і Design For Test.

Перераховані вище методи і програмні продукти орієнтовані на застосування в діагностиці цифрових електронних пристроїв, друкованих плат та інтегральних мікросхем. Для діагностування аналогових схем використовуються такі методи та підходи:

• метод довідників;
• параметрична ідентифікація;
• методи контролю джерел живлення;
• методи спостереження за струмами витоку;
• наближені та інші методи.

Для перелічених методик характерні загальні недоліки, такі як: великий обсяг обчислень, необхідність доступу до всіх вузлів схеми, чутливість до похибок обчислень і, як наслідок, труднощі практичної реалізації.

Параметрична ідентифікація

При побудові моделей тестованих схем виникає задача знаходження числових значень незмірних констант за наявними експериментальними даними, тобто за значеннями вимірюваних змінних (відгуків). Дане завдання називається завданням параметричної ідентифікації. Мета її полягає в тому, щоб підібрати такі чисельні значення невідомих констант моделі, при яких рішення задачі відповідало б, в деякому розумінні, експериментальним даним і при цьому знайдені значення не суперечили б фізичному змісту і теоретичним міркуванням [14].

У разі діагностики аналогових інтегральних схем параметрична ідентифікація зводиться до аналізу отриманих значень, а також підбору таких значень параметрів тестованої схеми, які приводили б до результатів, характерних для еталонної моделі (працездатної).

В процесі роботи аналогові пристрої піддаються різним впливам, що викликані різними умовами експлуатації. Так, можна виділити внутрісхемні параметри і параметри елементів схеми, такі як сила струму, напруга, посилення по струму транзисторів, а також параметри навколишнього середовища, до яких можна віднести температуру в приміщенні, тиск, різні вібрації. Зазвичай проблеми адаптації пристроїв під різні умови експлуатації вирішуються ще на рівні проектування, а допустимі діапазони значень вказуються в специфікації. Набагато більш важливим завданням є визначення внутрісхемних параметрів з метою аналізу працездатності окремих ділянок ланцюгів та елементів і визначення наявності відхилень тих чи інших значень.

Для кращого розуміння слід припустити, що існує система, що складається з декількох ділянок (блоків). Таку систему можна зобразити, як показано на рисунку 1.

Рисунок 1 — Приклад спрощеної тестованої системи

Якщо допустити, що одночасно може відмовити тільки один блок або ділянку, то кількість непрацездатних станів складе Sn = N = 9. Відкинувши малоімовірні відмови (блоки 6,7,8,9) можна отримати, що найбільш імовірна кількість непрацездатних станів системи Sn одно всього лише 5. Такими станами є:

• S1 - відмова блоку 1
• S2 - відмова блоку 2
• S3 - відмова блоку 3
• S4 - відмова блоку 4
• S5 - відмова блоку 5

У розглянутому прикладі ознаками перерахованих станів можуть бути такі відхилення параметрів, як зміна величини сили струму, напруги, опору обмоток, контактів та інші.

У загальному випадку між станами Si та їх ознаками Xj можуть зустрічатися взаємозв'язки, як представлено нижче на рисунку 2.

Рисунок 2 — Види взаємозв'язку станів та ознак

Для визначення типу взаємозв'язку (або відсутності взаємозв'язку) між обраними станами зазвичай використовується логічний аналіз або натурний експеримент. Для даної системи можна навести такий приклад причинно-наслідкових зв'язків:

Рисунок 3 — Схема взаємозв'язку станів та ознак
(анімація: 5 кадрів; 3 цикли повторення, 84 Кб)

Побудована схема дозволяє обрати мінімально необхідну кількість ознак, необхідних для контролю і виявлення всіх п'яти непрацездатних станів, так як вісім попередньо відібраних ознак є надлишковим. Для полегшення відбору схему причинно-наслідкових зв'язків зображують не в графічній, а в табличній (матричної) формі, як показано нижче:

Таблиця 1 – матрична форма подання причинно-наслідкових зв'язків
Ознаки/Стани	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

Рядки таблиці утворені ознаками станів, а стовпці - станами. Елементами матриці виступають нулі та одиниці, причому нуль проставляється на перетині рядка і стовпця в тому випадку, якщо відповідна ознака не реагує на відповідний стан. Одиниця проставляється в іншому випадку.

Аналіз таблиці дозволяє виключити повністю дублюючі один одного ознаки, тобто ті, які повторюють комбінації нулів і одиниць. З двох взаємодіючих ознак зазвичай видаляють той, який важче (дорожче, довше за часом) контролювати. У наведеному прикладі видаляються з подальшого розгляду ознаки X4 (ознака X4 дублює ознака X5) і X6 (він, в свою чергу, дублює X7). У діагностиці вважають, що взаємодублюючі ознаки містять однакову інформацію.

Якщо під час діагностики технічного стану пристроїв використовувати всі контрольовані параметри (без будь-якого їх відсіювання), то одержувані системи діагностування будуть перевантажені датчиками, надлишковими ланцюгами, а програми тестування стануть вельми громіздкими. У зв'язку з цим з'являється необхідність вибірки мінімальної кількості ознак, необхідних і достатніх для розпізнавання кожного стану об'єкта. Зазвичай такий вибір проводиться на основі елементів теорії інформації, деякі методи якої також можуть допомогти при вирішенні задачі визначення місця відмови системи (локалізація помилки) [15].

Техніки, засновані на використанні нейронних мереж

Діагностика є окремим випадком класифікації подій, причому найбільшу цінність представляє класифікація тих подій, які відсутні в навчальному нейронну мережу наборі. Нейромережі є нелінійними системами, що дозволяють набагато краще класифікувати об'єкти і дані, ніж це роблять лінійні методи, узагальнюючи при цьому колишній досвід і застосовуючи його в нових випадках [16].

В наш час нейронні мережі широко застосовуються в медицині і задачах медичної діагностики. Однак існує необхідність запровадити і застосовувати нейромережеві технології і в області технічної діагностики з метою забезпечення надійності і працездатності пристроїв, електронних схем та обладнання, які, нехай і опосередковано, але також відповідають за життя людини.

Сучасні пристрої та системи, що розроблюються, характеризуються високою складністю протікаючих в них процесів. Як правило, про складні процеси відома тільки інформація про реакцію системи на вхідні сигнали (так званий чорний ящик), що призводить до опису процесів на основі таблиць вхідних-вихідних даних. Задача побудови залежності вихідних сигналів від вхідних - ідентифікація моделей - складається з двох етапів: структурної та параметричної ідентифікації. Нейронні мережі є ефективним інструментом моделювання і дозволяють частково вирішити завдання структурної ідентифікації, так як для них формально задана структура зв'язків між нейронами та визначено алгоритм отримання вихідного значення. Основним завданням побудови нейромережевих моделей є навчання - параметрична ідентифікація на основі навчальної множини. Проте ж в реальних задачах моделі, засновані на використанні нейронних мереж, містять кілька сотень параметрів. У зв'язку з цим виникає проблема оптимізації та підвищення ефективності використовуваних алгоритмів.

При побудові моделі нейронної мережі переслідується мета знайти найкращий алгоритм її роботи як цілісної системи, так званий глобальний оптимум, а не окремих ділянок (локальний оптимум). Застосовувані алгоритми навчання не гарантують глобальність знайденого рішення. Гарантованість перебування глобального оптимуму дає використання методів інтервального аналізу, однак інтервальні методи оптимізації мають низьку швидкість збіжності і є ресурсномісткими, що призводить до великих витрат часу навіть при невеликій кількості змінних [17].

Інший метод глобальної оптимізації - метод гілок і меж. Даний метод починає роботу з визначення нижньої і верхньої межі для вихідної задачі. Якщо верхня і нижня межі збігаються, то отриманий результат є оптимальним значенням, і метод припиняє роботу. Інакше, безліч змінних розбивається на декілька власних підмножин, об'єднання яких збігається з вихідною безліччю. Ці підзадачі стають нащадками вихідної. Далі алгоритм застосовується рекурсивно до кожної з підзадач, створюючи дерево підзадач. Якщо оптимальне рішення знайдено для деякої підзадачі, то воно є досяжним для вихідного завдання (не обов'язково оптимальне), але так як воно досяжно, його можна використовувати для обрізання гілок у вихідного дерева. Процес пошуку триває до тих пір, поки кожна з підзадач не буде вирішена чи викинута або до тих пір, поки не буде досягнутий заданий поріг між кращим із знайдених рішень та нижньою межею f(x) для всіх невирішених завдань.

Метод розповсюдження обмежень або алгоритм звуження в обчислювальному плані може бути представлений як ітераційний процес, що послідовно звужує область та гарантовано містить всі рішення. На кожному кроці ітераційного процесу застосовується один з операторів звуження, який стягує область значень змінних, пов'язаних з деяким обмеженням. Як правило, оператор звуження уточнює область визначення тільки однієї змінної. Управління ітераційним процесом здійснюється за даними, тобто для виконання на черговому кроці вибирається тільки той оператор звуження, аргументи якого були змінені в процесі обчислень на попередньому кроці.

Оператори звуження можуть представлятися різними способами. Наприклад, розщепленням вихідної системи рівнянь на примітивні (унарні і бінарні) співвідношення допомогою введення додаткових змінних. У цьому випадку кожне примітивне співвідношення дозволяє висловити кожну з вхідних в нього змінних через інші. Весь набір отриманих таким чином примітивних рівнянь і буде задавати безліч операторів звуження для вихідної системи. Перевагою цього підходу є можливість вирішення завдань з функціями, що не диференціюються .

У 1992 році був описаний метод Хансена, суть якого полягає в послідовному видаленні з початкової області підобластей, в яких не міститься глобальний мінімум.

Метод моделювання випалу, що є представником сімейства методів Монте-Карло, заснований на фізичному процесі заморожування рідин або рекристалізації металів в процесі прожарювання. В якості оцінки рішення може бути обрана точка, що не тільки не зменшує значення цільової функції, а й збільшує його. Така поведінка пошуку оптимального рішення допомагає в уникненні попадання в точки локального мінімуму [18].

Також існують різні алгоритми, що включають в себе модифікації і переваги деяких з перерахованих вище методів.

Результати, висновки та перспективи розвитку

Технічна діагностика та контролепридатне проектування є важливим етапом розробки апаратури. Застосування новітніх технологій та знань у цій галузі, таких як штучний інтелект та нейронні мережі, методи параметричної ідентифікації та оптимізації, дозволить надалі створювати високоінтелектуальні пристрої та системи і застосовувати їх на практиці в різних галузях.

В рамках даного реферату з теми роботи магістра був проведений огляд існуючих методів і засобів діагностики, проаналізовано сучасні програмні продукти, що дозволяють промоделювати пристрої, що розроблюються, на довиробничому етапі, а також перераховані методи оптимізації та параметричної ідентифікації на базі нейромережевих моделей. Надалі передбачається обгрунтувати використання обраної методики параметричної ідентифікації аналогових пристроїв і частково реалізувати дані методи у вигляді готового рішення або пристрою.

При написанні даного реферату магістерська робота ще не завершена. Остаточне завершення: грудень 2012 року. Повний текст роботи та матеріали з теми можуть бути отримані у автора або його керівника після зазначеної дати.

Список літератури

1. Технічна діагностика. Матеріали з Вікіпедії. [Електронний ресурс]. — Режим доступу: 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. Розробка та дослідження методу моделювання несправностей аналогових пристроїв на базі мови опису аналогово-цифрових пристроїв PSpice. Реферат з теми випускної роботи. [Електронний ресурс]. — Режим доступу: http://masters.donntu.ru/2011/fknt/medgaus/diss/indexu.htm
11. Шигімагін О.В. Розробка та дослідження методів і структур апаратного аналізу аналогових тестових реакцій на базі FPGA. Реферат з теми випускної роботи. [Електронний ресурс]. — Режим доступу: http://masters.donntu.ru/2010/fknt/shigimagin/diss/indexu.htm
12. Масякін Є.А. Розробка та дослідження методів і структур апаратного генерування аналогових тестів на базі FPGA. Реферат з теми випускної роботи. [Електронний ресурс]. — Режим доступу: http://masters.donntu.ru/2010/fknt/masyakin/diss/indexu.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