С.У. Увайсов1, В.В. Черноверская2, Нгуен Ван Туан3, Нгуен Вьет Данг4

1-4 РТУ МИРЭА (Москва, Россия)

Постановка проблемы. В настоящее время задача обнаружения и локализации дефектов в аналоговых цепях радиоэлектронных устройств (РЭУ) по-прежнему остается сложной и трудоемкой, требующей от инженеров высокой квалификации и опыта разработки, а также творческих подходов при ее решении. Применяемые методы должны быть экономически целесообразны и обеспечивать максимальную полноту и достоверность диагностирования, что обуславливает поиск новых подходов к диагностированию узлов РЭУ. Перспективным направлением в этой области может стать разработка комбинированных методов диагностики и контроля, когда наряду с традиционными, апробированными на практике, подходами и методиками используются новые разработки из сферы информационных технологий, программирования, искусственного интеллекта, машинного обучения и анализа данных. Такой симбиоз позволяет достичь положительного эффекта за счет применения технически усовершенствованных средств диагностирования, обладающих высокой разрешающей способностью, а также повышения точности и адекватности применяемых в исследовании моделей, улучшения алгоритмов обработки экспериментальных данных, а также применения высокопроизводительных средств вычислительной техники.

Цель. Представить модифицированный частотный метод технической диагностики электрических схем РЭУ, повышающий достоверность диагностирования за счет сочетания традиционных методов контроля с технологиями машинного обучения и применением ИНС.

Результаты. Рассмотрен оригинальный метод диагностирования аналоговых цепей РЭУ, представляющий собой сочетание частотного анализа на основе подхода Сешу-Уоксмэна с алгоритмом Кохонена для дальнейшего распознавания скрытых дефектов. Исследована амплитудно-частотная характеристика (АЧХ) в контрольных точках схемы, а передаточная функция использована для определения тестовых диагностических частот. Приведены принципиальная схема РЭУ, созданная в среде NI Multisim, и семейство линейных АЧХ для его различных технических состояний. В ходе вычислительного эксперимента получен набор тестовых частот и значений параметров элементов схемы, на основе которых сформирована база неисправностей РЭУ в виде двумерного массива для последующего обучения искусственной нейронной сети (ИНС). Реализована процедура обучения ИНС на основе алгоритма Кохонена на языке программирования Python. Приведена визуализация процесса классификации дефектов ИНС на основе тестовых векторов.

Практическая значимость. Результаты проведенных исследований внедрены в методику проектирования РЭУ.

Увайсов С.У., Черноверская В.В., Нгуен Ван Туан, Нгуен Вьет Данг. Применение подхода Сешу-Уоксмэна и алгоритма Кохо-нена в задаче электрической диагностики аналоговых цепей // Радиотехника. 2022. Т. 86. № 12. С. 79−89.
DOI: https://doi.org/10.18127/j00338486-202212-07

1. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы и методы искусственного интеллекта: учебник. М.: ИНФРА-М. 2021. 530 с.
2. Валяев Е.А. Нейросетевой каскад на основе самоорганизующихся карт Кохонена // Сб. избранных статей по материалам научных конференций ГНИИ «НАЦРАЗВИТИЕ». СПб: ГНИИ «Нацразвитие», 2019. Ч. 2. С. 192−204.
3. Воловикова Е.В. Метод диагностирования радиоэлектронных функциональных узлов по электрическим характеристикам с учетом температур комплектующих элементов: Автореф. дисс. … канд. техн. наук. М.: МИЭМ. 2010. 152 с
4. Бесшейнов А.В., Иджеллиден С.Б. Инструментальное средство для формирования базы характерных неисправностей радиоэлектронных устройств // Сб. науч. трудов науч.-технич. конф. студентов, аспирантов и молодых специалистов института, посвящ. 40-летию МИЭМ. М.: МИЭМ. 2002.
5. Городов В.А. Электрический контроль печатных плат и узлов // Электроника: Наука. Технология. Бизнес. 2004. № 7. С. 68–71.
6. Коновальчук А.С. Комплексное моделирование электрических и тепловых процессов в аналоговых микроэлектронных узлах: Автореф. дисс. … канд. техн. наук. М.: МИЭМ. 1987. 230 с.
7. Бэндлер Дж.У., Салама А.Э. Диагностика неисправностей в аналоговых цепях // ТИИЭР: Пер. с англ. 1985. Т. 73. № 8. С. 35-87.
8. Увайсов С.У., Черноверская В.В., Дао Ань Куан, Нгуен Ван Туан. Алгоритм Кохонена в задачах классификации конструктивных дефектов печатных узлов // Российский технологический журнал. 2021. Т. 9. № 4. С. 98−112. https://doi.org/10.32362/2500-316X-2021-9-4-98-112.
9. Горбаченко В.И., Ахметов Б.С., Кузнецова О.Ю. Интеллектуальные системы: нечеткие системы и сети: Учеб. пособие для вузов. М.: Юрайт, 2019. 105 с.
10. Хайкин С. Нейронные сети: полный курс. М.: Вильямс, 2006. 1104 с
11. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы и методы искусственного интеллекта: Учебник. М.: ИНФРА-М, 2021. 530 с.
12. Валяев Е.А. Нейросетевой каскад на основе самоорганизующихся карт Кохонена // Сб. избранных статей по материалам науч. конф. ГНИИ «НАЦРАЗВИТИЕ». СПб: ГНИИ «Нацразвитие», 2019. Ч. 2. С. 192−204
13. Кохонен Т. Самоорганизующиеся карты: Пер. с англ. М.: БИНОМ. Лаборатория знаний. 2008. 655 с.
14. Zhang C., He Y., Yuan L. Analog circuit incipient fault diagnosis method using DBN based features extraction // IEEE Access. Apr. 2018. V. 6. Р. 23053-23064.
15. Стовбун И.Я., Увайсова С.С. Применение подхода Сешу-Уоксмена для формирования эффективных тестовых воздействий // Сб. материалов конф. «Инновационные, информационные и коммуникационные технологии». М. 2016. Т. 1. С. 436-438.