This paper deals with the investigation of the fault detection in separated parts of a mixed-signal integrated circuit example by implementing parametric test methods. The experimental Circuit Under Test (CUT) consisting of an 8-bit binary-weighted R-2R ladder digital-to-analog converter and additional on-chip test hardware was designed in a standard 0.35 μm CMOS technology. For detection of catastrophic and parametric faults considered in different parts of the CUT, two dedicated parametric test methods: oscillation-based test technique and IDDQ monitoring were used. For the operational amplifier, on-chip and off-chip approaches have been used to compare the efficiency of both approaches in covering catastrophic faults that are hard to detect. For respective converter parts, the excellent fault coverage of 94.21% of hard-detectable faults by the proposed parametric tests was achieved.
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Praca poświęcona jest metodzie dobierania częstotliwości prostokątnego pobudzenia przeznaczonego do diagnozowania uszkodzeń parametrycznych i katastroficznych w obwodach analogowych. Wynikiem stosunkowo dużego kosztu obliczeniowego oceny przydatności diagnostycznej każdej częstotliwości zastosowany został algorytm symulowanego wyżarzania, znacznie oszczędniejszy od algorytmu pełnego przeglądu przestrzeni rozwiązań. Opisane przykłady potwierdzają skuteczność prezentowanej metody.
EN
The paper is devoted to the algorithm for the selection of the frequency of the rectangular input signal used in the parametric and catastrophic fault diagnosis in analog circuits. The calculation of frequency adjustment is very time consuming, so the simulated annealing algorithm is applied for the optimization of the stimuli frequency. The numerical examples confirm the effectiveness of the proposed method.
Przedmiotem artykułu są nowe, przydatne do zastosowań w testerach wbudowanych BIST, specjalizowane sieci neuronowe do lokalizacji uszkodzeń parametrycznych analogowych układów elektronicznych, o podwyższonej odporności na maskujący wpływ rozrzutów tolerancyjnych elementów nieuszkodzonych. Sieci opracowane zostały w dwóch wariantach: z Dwucentrowymi Radialnymi (DRB) oraz Elipsoidalnymi (DEB) funkcjami Bazowymi. Dzięki wydłużonym kształtom nowych funkcji bazowych, możliwe jest lepsze dopasowanie neuronów do krzywych identyfikacyjnych i zmniejszenie ich liczby w stosunku do znanych i stosowanych w diagnostyce sieci z jednocentrowymi Radialnymi (RB) lub Elipsoidalnymi (EB) funkcjami Bazowymi. W artykule przedstawiono konstrukcje funkcji DRB i DEB, strukturę klasyfikatora neuronowego oraz zabiegi optymalizacyjne mające na celu zmniejszenie złożoności obliczeniowej i dostosowanie do implementacji w testerze wbudowanym typu µBIST sterowanym mikrokontrolerem.
EN
The aim of the article are new, useful in Built-In Self-Testers, specialized neural networks for the localization of parametric faults of analog electronic circuits, more robust against the fault-masking effect of non-faulty element tolerances. New neural networks were worked out in two different variants: with Two-Center Radial Basis functions (TCRB) and Two-Center Elipsoidal Basis functions (TCEB). Thanks to elongated shapes. the new basis functions allow a better fit of neurons to identification curves and a decrease of the number of neurons in the hidden layer with relation to the radial neural network with one-center Radial (RB) or Elipsoidal (EB) Basis functions, which are well known and applied in diagnosis. The article presents constructions of TCRB and TCEB functions, an architecture of a neural classifier and optimisation methods performed in order to minimize classifiers's computational complexity and to implement the specialized neural network in embedded tester of type µBIST controlled with microcontroller.
W artykule omówiono zasady działania opracowanego algorytmu rozpoznawania uszkodzeń parametrycznych w nieliniowych, analogowych układach elektronicznych, przy wykorzystaniu banku filtrów utworzonego na podstawie dyskretnej transformacji falkowej jako narzędzia przetwarzania wstępnego i jednokierunkowej sieci neuronowej jako algorytmu aproksymującego cechy układu. W treści zamieszczono przykład ilustrujący działanie prezentowanej metody.
EN
In this paper, neural network algorithm of parametric fault diagnosis for nonlinear, analog circuits using bank of filters set up basing on a discrete wavelet transform as an instrument of preliminary data processing and feedforward neural network as approximation tool is presented. The illustrative numerical example is presented.
5
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
W pracy przedstawiona została modyfikacja algorytmu diagnozowania wielokrotnych uszkodzeń parametrycznych i katastroficznych w liniowych i nieliniowych obwodach elektrycznych pozwalająca bardzo często na istotne skrócenie czasu obliczeń potestowych. Jest to efekt uwzględnienia faktu dużo większego prawdopodobieństwie występowania uszkodzeń katastroficznych niż parametrycznych. Umożliwiło to w wielu przypadkach eliminację procesu dokładnej identyfikacji uszkodzenia wykorzystującego algorytm genetyczny.
EN
The paper deals with a modyfication of an algorithm for multiple parametric and catastrofic fault diagnosis in linear and nonlinear electronic circuits, which enable us frequently to shorten the after-test computation time. Due to the greater probability of catastrofic than parametric fault occurrence the process of exactly fault identyfication, which uses genetic algorithm, can be often eliminated.
W artykule opisana jest technika diagnostyki elektronicznych układów analogowych z wykorzystaniem algorytmu Particle Swarm Optimization (PSO). Zaproponowana metoda wykorzystuje wielowymiarową przestrzeń poszukiwań. Zazwyczaj jednowymiarowa przestrzeń poszukiwań jest wykorzystywana (wymiarem jest częstotliwość generatora). Zwiększenie liczby wymiarów przestrzeni poszukiwań można uzyskać poprzez dołączenie do układu dodatkowych elementów (każdy dołączony element stanowi dodatkowy wymiar). Otrzymane rezultaty badań pozwalają stwierdzić iż takie podejście pozwala w znaczny sposób zwiększyć liczbę jednoznacznie lokalizowanych stanów układu testowanego.
EN
The method of analog circuit diagnosis using Particle Swarm Optimization algorithm is proposed in this paper. The object of investigation is how increasing number of dimension of search space (in analog circuit diagnosis) can influence on identification of states of circuit under test (CUT), Circuit Under Test with single parametric faults has been simulated. Simulation results for different number of search space dimenensions has been presented.
W artykule przedstawiono nową, metrologicznie ukierunkowaną sieć neuronową oraz bazującą na niej metodę diagnostyki uszkodzeń parametrycznych układów analogowych, z klasyfikcją neuronową, o zwiększonej odporności na tolerancje elementów układu i niepewności pomiaru. Zaproponowano sieć neuronową z Dwu-centrowymi Radialnymi Funkcjami Bazowymi (DRFB), której walorem jest lepsze odwzorowanie słownika uszkodzeń, poprawa dokładności klasyfikacji i większa odporność na tolerancje, w porównaniu z siecią zawierającą jedno-centrowe radialne funkcje bazowe (RFB). Opisano 2 metody konstrukcji słownika uszkodzeń, w postaci rozproszonych krzywych identyfika-cyjnych, wykorzystujące transformację biliniową oraz analizę składowych głównych. Metodę zilustrowano na przykładzie diagnostyki 2 prostych układów analogowych. Może ona być stosowana do diagnozowania innych obiektów technicznych.
EN
In this paper a new metrologically oriented neural network and method for parametric fault localization and rough identification are presented. The characteristic feature of the network is application of new two-center radial basis functions in the hidden layer. In result, the better classification accuracy, as well as robustness against non-faulty component tolerances and measurement errors has been obtained, in comparison with known Radial Basis Function neural network. Two construction methods of fault dictionary in the form of dispersed identification curves are described: bilinear transformation and principal component analysis methods. The diagnosis method was illustrated on the exemplary 2 analog circuits. It can be used for diagnosis of other technical objects.
8
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
The paper considers the architecture and the main steps of development of a neural network based system for diagnosis of soft faults in analog electronic circuits. The definition of faults of interest, selection of an optimal set of measurements, feature extraction, the construction of the artificial neural network, training and testing the network, are considered. A fault dictionary method was implemented in the system. Experimental results are presented on an example of diagnosis of a 6-th order bandpass filter. The measuring part of the system performs input-output measurements in the frequency domain with the aid of a HP 4192 Transmitance Analyzer.
PL
W artykule przedstawiono system do diagnostyki uszkodzeń parametrycznych w układach elektronicznych. W systemie zaimplementowano słownikową metodę lokalizacji uszkodzeń, bazującą na pomiarach w dziedzinie częstotliwości przeprowadzanych za pomocą analizatora transmitancji HP4192A. Rozważono główne etapy projektowania systemu: definiowanie modelu uszkodzeń, wybór optymaInych częstotliwości pomiarowych, ekstrakcję cech diagnostycznych, konstrukcje sieci neuronowej oraz trening i testowanie sieci. Główną cechą prezentowanego podejścia jest zastosowanie słownikowej metody lokalizacji uszkodzeń do uszkodzeń parametrycznych. Rozpatrywane są pojedyncze uszkodzenia parametryczne elementów dyskretnych. Przedstawiono metodę optymalizacji częstotliwości pomiarowych na podstawie analizy wrażliwościowej charakterystyki amplitudowej względem wartości parametrów elementów. Selekcja częstotliwości bazuje na ocenie ekstremaInych wartości charakterystyk wrażliwościowych. Przestrzeń danych pomiarowych zredukowano do czterech wymiarów za pomocą analizy składowych głównych (PCA). Przekształcenie PCA ortogonalizuje elementy oryginaInych wektorów danych, porządkuje według wielkości ich wariancji i eliminuje składowe, które mają najmniejszy wkład w wyjaśnienie zmienności danych. Dane transformowane do przestrzeni o zredukowanej liczbie wymiarów służą jako dane wejściowe dla klasyfikatora. Do klasyfikacji sygnatur zastosowano sieć neuronową typu GRNN z radialnymi funkcjami bazowymi w warstwie ukrytej. Klasteryzację danych przeprowadzono za pomocą algorytmu Fuzzy C-Mean. Centra radiaInych funkcji bazowych warstwy ukrytej nałożono na centroidy poszczególnych klastrów. Zadaniem warstwy wyjściowej jest przyporządkowanie neuronów radiaInych do poszczegóInych klas uszkodzeń. Sieć dokonuje klasyfikacji sygnatury uszkodzenia otrzymywanej z pomiarów poprzez wskazanie najbardziej prawdopodobnego uszkodzenia. Zastosowany typ sieci wytwarza znormalizowane odpowiedzi umożliwiające wyznaczenie poziomu niepewności wyniku diagnozy.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.