電路板維修測試與診斷

　在實際應用中，大多數電路是模數混合系統，既有模擬信號，又有數字信號。模、數混合系統是板極電路診斷中的難點。

　　根據板極電路的類型可將故障診斷分為兩類：數字系統的故障診斷和模擬系統故障診斷。數字系統故障診斷的基本思想是在輸入端載入激勵信號，在輸出端得到響應，根據激勵和響應的組合關係以及電路的拓撲關係確定故障點。其關鍵是測試向量的生成，即在輸入端載入什麼樣的激勵信號，才能使電路內部的故障點反應出來。模擬系統由於自身的特點，使得其故障診斷比數字系統更複雜。模擬信號量是連續的，任何一個元件的參數超過其容差時就屬故障，因此模擬電路的故障狀態是無限的。

　　一、板極電路故障診斷技術的發展

　　自從60年代美國開始系統地開展故障診斷技術的研究以來，這一技術在世界各國正越來越受到重視。隨著系統可靠性、維修性理論和技術的發展，故障診斷已發展成為一門邊緣學科，它涉及系統論、控制論、資訊理論、檢測與估計理論、計算機科學等多方面的內容。

　　早期的數字系統故障診斷主要用於功能測試。Eldred在1959年提出了第一篇關於組合電路的測試報告，開始了數字系統故障診斷的研究。D.B.Armstrong根據Eldred的基本思想，在1966年提出了一維通路敏化的方法，其主要思路是對多級門電路尋找一條從故障點到可及輸出端的敏化通路，使在可及端可以觀察到故障信號。1967年Schneidr用例子指出單通路敏化法並不能找出所有的故障。同年Roth提出了多通路敏化法的D演算法，從理論上解決了組合邏輯電路的測試問題。由於D演算法也存在某些不足，Goel提出了PODEM演算法，Fujiwara提出一種面向扇出的測試生成演算法-FAN演算法。此外，Seller等提出的布爾差分法和Thayse提出的布爾微分法，使通路敏化的理論得到了系統化。隨著系統和電路規模的增大，Archambeau等提出的偽窮舉法，為窮舉法用以解決大型組合電路的測試開拓了新的途徑。另外，我國學者魏道政提出的主通路敏化法，梁業偉提出的全通路圖法等等，也均有其各自的優點。

　　模擬系統的測試與診斷自60年代開始以來，進展一直比較緩慢。最早發表這方面文章的是S.D.Bedrosiam。它變成活躍的領域即是在70年代，P.DUhamet和F.C.Rault總結了這一時期的研究成果。模擬電路的測試與診斷髮展緩慢，其原因主要有：一是模擬系統的集成度較低，規模較小，採用人工測試和修理可以滿足實際需要;另一個原因是模擬電路的測試與診斷遠比數字系統困難，無論理論上還是測試方法上均未完全成熟，可付諸使用的還比較少。

　　二、數字系統故障診斷技術

　　目前，獲取數字系統測試集的方法主要有非確定性測試生成和確定性測試生成。非確定性生成演算法是指人工測試生成，即由測試人員根據對被測系統功能的了解，並結合實際測試經驗，產生檢測被測系統故障的測試集，也包括隨機測試生成，即用軟體方法產生偽隨機數，通過故障模擬對偽隨機碼進行篩選，以產生故障覆蓋率較高的測試集。確定性測試生成是採用測試生成演算法自動推導數字電路的測試矢量。D演算法和布爾差分法是廣泛使用的確定性演算法，它們經過多年的使用和改進，已被分別發展為九值演算法和主通路敏化法。

　　布爾差分法通過處理電路方程來生成測試。對多固定型故障，可採用Messon等人提出的多階布爾差分法來求解。至於用更高階布爾差分來法來對更多重故障進行測試，可由二階布爾差分推廣得出。布爾差分法結構嚴謹，有很高的理論研究價值。但是將其用於大型電路時，佔用內存空間較大，速度較慢。主通路敏化法從布爾差分法發展而來，吸收了布爾差分法和D演算法的優點，計算速度較快，適合於以功能塊為基本單元的組合電路和時序電路。

　　其它測試方法大多以D演算法和布爾差分法為基礎發展而來。PODEM演算法以D演算法為基礎，將D演算法和求解NP問題常用的界限法相結合，減少回溯次數，避免了許多盲目的測試。

　　FAN演算法是在PODEM演算法基礎上產生的，FAN演算法將PODEM演算法的沿單路徑反向跟蹤，擴展為多路徑反向跟蹤，縮短了回溯之間的處理時間，其速度比PODEM演算法快。

　　三、模擬電路故障診斷技術

　　模擬電路故障診斷技術依據電路模擬是在實際測試前還是后，可分為測前模擬診斷和測后模擬診斷，模擬診斷的主要計算工作集中在對電路作模擬上。如以人工智慧新理論的出現為界線，也可分為經典常規的診斷方法與現代模擬電路故障診斷兩類方法。

　　經典常規方法主要包括：故障字典法、元件參數辨識法和故障驗證法。元件參數辨識法和故障驗證法屬於測后模擬診斷法。元件參數辨識法要求提供較多的診斷有用信息，總的計算量非常大。故障驗證法是在獲取“不完整”的有限故障信息基礎上作診斷，實施比較方便，根據預測故障的範圍，故障驗證法可分為K故障診斷法，故障界定位法和網路撕裂法等。測前模擬診斷的典型方法是故障字典法，它是目前模擬電路故障診斷中最具有實用價值的方法。根據激勵源的性質和所取故障特徵的差異，故障字典法可分為直流故障字典(特徵是測試端的直流電壓或電流向量)和交流(頻域)故障字典(特徵是測試端的頻域響應)。

　　神經網路故障字典法把模擬電路的故障診斷看成是一個分類問題，利用神經網路的分類功能來診斷故障。在測前把神經網路訓練成一部故障字典，字典的信息蘊含在網路的連接權值，只要輸入電路的測量特徵，就可以從其輸出查出故障。目前神經網路故障字典法中用到的神經網路主要有SOM(Self-organizing Feature Map)和BP兩種神經網路。SOM網路適用於交流電路，能更有效的克服容差因素對故障定位的影響。一般同時採用兩種不同類型神經網路相級聯建立故障診斷字典。

　　智能計算在神經網路故障字典法中有著很好的應用前景：如採用遺傳演算法對BP神經網路的結構(隱層結點數)和具體參數進行優選，避免靠經驗確定這些參數的弊端，保證得到用於故障診斷的最優神經網路;將小波分解和主元分析等方法應用於數據預處理技術和訓練樣本集的篩選過程中，可改善訓練速度和診斷精度。模糊集理論與神經網路相結合而形成的模糊神經網路，充分吸收各自的優點，更加符合實際電路模型，可提高故障診斷的對判幾率。

　　專家系統在模擬電路故障診斷中的典型應用是基於產生規則的系統，其基本的工作原理是：首先把專家知識及其診斷經驗用規則表示出來，形成故障診斷專家的知識庫，進而根據報警信息對知識庫進行推理，診斷出故障元件。其主要問題是知識的獲取的瓶頸問題、知識難以維護以及不能有效解決故障診斷中許多不確定因素等。一般應用中，均將其與本身具有信息處理特點的神經網路相結合使用。