一种ADC芯片故障检测方法及系统

技术领域

本发明涉及芯片检测领域，具体为一种ADC芯片故障检测方法及系统。

背景技术

ADC芯片(Analog-to-Digital Converter)是一种电子器件，用于将连续的模拟信号转换为离散的数字信号。在各类电子设备中，ADC芯片广泛应用于信号处理、数据采集和控制系统等方面。然而，由于ADC芯片的复杂性和使用环境的多样性，故障检测成为确保其正常运行和可靠性的关键任务。传统的ADC芯片故障检测方法通常依赖于专业的测试仪器和大量的人力投入，存在着一些问题。传统的ADC芯片故障检测方法通常依赖于专业的测试仪器和大量的人力，不仅成本高昂，而且效率低下。

传统故障检测方法，传统的ADC芯片故障检测方法主要依赖于专业的测试仪器和人工检测。这些方法通常需要大量的测试点和测试电路，以及繁琐的手动操作和分析过程，费时费力且成本高昂。为了克服传统方法的不足，可以采用现代化的故障检测方法，引入自动化测试设备，实现大规模芯片的快速检测。自动化测试设备能够按照预定的测试流程进行自动测试，并通过数据分析和处理来判断芯片是否存在故障。这样不仅提高了检测速度，还减少了人力投入，传统ADC芯片故障检测方法存在一些问题。但通过引入自动化测试、数据驱动的故障检测和设计优化等方法，可以提高检测速度、准确性，并降低成本，这些现代化的故障检测方法能够更好地满足现代ADC芯片故障检测的需求。

发明内容

鉴于上述存在的问题，提出了本发明。

因此，本发明解决的技术问题是：本发明解决了传统故障检测方法的费时费力，成本高，且效率低下的问题，本发明可以自动判断芯片是否存在故障，并精准确定故障类型和位置。

为解决上述技术问题，本发明提供如下技术方案：

第一方面，本发明提供了一种ADC芯片故障检测方法，包括：

结合预处理和信号分割提取ADC芯片的原始输出信号的特征参数，所述特征参数包括，采样率和信噪比，对所述特征参数进行数据预处理，得出故障特征参数；

依据所述故障特征参数建立故障特征参数与ADC芯片故障类型之间的关联模型；

根据所述关联模型输出的判断值与设定阈值对比判断芯片是否存在故障，依据所述关联模型预测的结果和芯片的结构、特性确定芯片故障类型和位置。

作为本发明所述的ADC芯片故障检测方法的一种优选方案，其中：所述结合预处理和信号分割提取ADC芯片的原始输出信号的特征参数，包括，

对原始信号应用低通滤波器来去除高频噪声，将去除高频噪声的信号分割成较小的连续时间窗口；

利用短时傅里叶变换，将去除高频噪声的信号分解成不同频率的子信号。

作为本发明所述的ADC芯片故障检测方法的一种优选方案，其中：依据所述故障特征参数建立故障特征参数与ADC芯片故障类型之间的关联模型，包括，

建立故障特征参数与ADC芯片故障类型之间的关联模型，表示为：

y＝f(W

其中，y是预测的故障类型，x是特征参数向量，W是权重矩阵，b是偏置向量，f是激活函数。

作为本发明所述的ADC芯片故障检测方法的一种优选方案，其中：所述激活函数，包括，

Leaky ReLU函数，表示为，

f(x)＝max(ax,x)

其中，x为神经元输入值，ax为输入小于等于0时引入的较小的斜率与输入值的乘积。

作为本发明所述ADC芯片故障检测方法的一种优选方案，其中建立关联模型，还包括，

利用包含故障发生前后的特征参数进行故障数据训练，将提取的特征参数作为输入，故障类型作为输出；

通过机器学习算法提取得到特征参数到故障类型的映射关系，以获取故障特征参数与故障类型之间的关联关系。

作为本发明所述的ADC芯片故障检测方法的一种优选方案，其中：所述根据所述关联模型输出的判断值与设定阈值对比判断芯片是否存在故障，包括，

将提取的特征参数输入到关联模型中，得到每种故障类型的判断值；

将每种故障的判断值与设定阈值进行对比：

若故障类型的判断值大于设定阈值，则判断芯片存在相应的故障类型；

若故障类型的判断值小于设定阈值，则判断芯片不存在故障。

作为本发明所述的ADC芯片故障检测方法的一种优选方案，其中：依据所述关联模型预测的结果和芯片的结构、特性确定芯片故障类型和位置，包括，

进行第一次检测，故障类型与特定节点或子系统关联，依据所述故障类型定位到对应的节点或者子系统，确定故障位置；

若进行第一检测无法直接定位对应的节点或子系统，则进行第二检测，使用信号追踪或电路分析获取信号参数的变化，确定故障位置；

若是第一、第二检测无法确定故障位置，则进行第三检测，借助测试点或探针，通过比较不同节点的信号参数的变化，结合电路分析，确定故障位置。

第二方面，本发明提供了一种ADC芯片故障检测方法的系统，包括：

数据提取模块，结合预处理和信号分割提取ADC芯片的原始输出信号的特征参数，所述特征参数包括，采样率和信噪比，对所述特征参数进行数据预处理，得出故障特征参数；

模型建立模块，依据所述故障特征参数建立故障特征参数与ADC芯片故障类型之间的关联模型；

判断模块，根据所述关联模型输出的判断值与设定阈值对比判断芯片是否存在故障，依据所述关联模型预测的结果和芯片的结构、特性确定芯片故障类型和位置。

第三方面，本发明提供了一种计算设备，包括：

存储器和处理器；

所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述城市电网源网荷储氢多目标动态规划方法的步骤。

第四方面，本发明提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述城市电网源网荷储氢多目标动态规划方法的步骤。

本发明的有益效果：本发明可以自动判断芯片是否存在故障，并能精确定位故障类型和位置，采用预处理和信号分割提取特征参数，提高了故障检测的准确性，本发明的检测速度快、准确性高、成本低等优势，具有较大的应用价值和商业前景。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明提供的一种ADC芯片故障检测方法整体流程图；

图2为本发明提供的一种ADC芯片故障检测方法芯片检测故障流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1，为本发明的一个实施例，提供了一种ADC芯片故障检测方法，包括：

S1：结合预处理和信号分割提取ADC芯片的原始输出信号的特征参数，所述特征参数包括，采样率和信噪比，对所述特征参数进行数据预处理，得出故障特征参数；

更进一步的，结合预处理和信号分割提取特征参数；

更进一步的，对特征参数进行数据预处理；

应说明的是，预处理阶段，通过使用低通滤波器去噪处理，不仅减小了高频噪声对特征提取的影响，同时保证了分割后时间窗口内的信号更加平滑，更适用于后续的特征提取。

在信号分割阶段，采用短时傅里叶变换，可以将信号分解为不同频率的子信号，这种分割方式取代了传统的简单时间段切割，可以更好的适应信号的非稳定性和非线性特性，提高了故障检测的准确性和敏感性。

预处理和信号分割的结合，使得从大量原始数据中提取出的特征更加精确和科学，可以有效的提高后续数据分析和处理的效率和准确性。

应说明的是，提取的特征参数还包括音频处理领域的动态范围和总谐波失真，它们决定了ADC在音频应用中的质量，还有测量转速领域的分辨率，一般在14位到24位之间，取决于需要的精度。

对特征参数进行数据分析和处理包括数据清洗、数据归一化和特征选择三部分，其中数据清洗可以发现并处理特征参数中的异常值和缺失值。异常值可能会对模型的学习造成影响，而缺失值则可能导致模型的训练不准确。数据归一化是由于不同的特征参数可能有不同的数值范围，如果不进行归一化处理，特征值大的参数可能会在模型学习中占据主导地位，导致模型不能准确地学习到其他特征。特征选择可以帮助我们从众多的特征参数中筛选出对故障检测有重要贡献的特征。这样可以减小模型的复杂度，提高模型的学习效率，同时还可以降低过拟合的风险。

S2：依据所述故障特征参数建立故障特征参数与ADC芯片故障类型之间的关联模型；

更进一步的，故障特征参数与ADC芯片故障类型之间的关联关系；

应说明的是，故障特征参数与故障类型之间的关联关系得到的依据通常来自于机器学习算法，根据预先知道芯片的故障类型并有足够多的样本数据，就可以通过训练学习得到故障特征参数与故障类型之间的关联关系，这种关联关系可以用于新的数据上预测芯片的故障类型。

常用的激活函数有sigmoid函数、ReLU函数、Leaky ReLU函数、tanh函数，选择Leaky ReLU函数作为关联模型的激活函数是由于在输入小于等于0时引入一个较小的斜率，通常是0.01，这样即使输入小于等于0，也能有一个非零的梯度，可以保证这些神经元能够被更新，继续学习特征，相较于其他激活函数，Leaky ReLU函数能够更好地解决神经元死亡的问题，提高了神经网络的性能和稳定性。

还应说明的是，训练学习是将已标记的故障模型进行模型训练，先将已标注的故障数据随机划分为训练集、验证集以及测试集其中，训练集用于模型的训练，验证集用于模型的验证与超参数的优化，测试集用于最终检验模型性能，根据所选择的模型配置初始参数，将训练数据输入模型，通过前向传播计算模型的输出，再与标签数据比较，根据误差，通过反向传播算法更新模型的参数，利用梯度下降法来实现。

S3：根据所述关联模型输出的判断值与设定阈值对比判断芯片是否存在故障，依据所述关联模型预测的结果和芯片的结构、特性确定芯片故障类型和位置；

更进一步的，根据设定阈值参数，自动判断芯片是否存在故障；

应说明的是，设定阈值参数用于平衡误报和漏报的比例，可以通过交叉验证等方式来确定最优的阈值设置，同时，该阈值参数的设定也可以考虑到ADC芯片在不同应用场景下，对故障的容忍程度可能会有所不同，通过调整阈值参数，可以将模型应用到不同的场景。

阈值参数是预设的，根据具体的应用需求或者经验来设置，阈值参数的设定反映了故障预测的敏感度，数值越高则对故障的判断越保守，反之，数值越低则对故障的判断越积极。本发明通过设置阈值来进行对比提高了数据的精准度，而且检测速度快，成本低，具有应用前景。

上述为本实施例的一种ADC芯片故障检测方法的示意性方案。需要说明的是，该ADC芯片故障检测的装置的技术方案与上述的ADC芯片故障检测方法的技术方案属于同一构思，本实施例中ADC芯片故障检测的装置的技术方案未详细描述的细节内容，均可以参见上述ADC芯片故障检测的技术方案的描述。

本实施例中ADC芯片故障检测的装置，包括：

数据提取模块，结合预处理和信号分割提取ADC芯片的原始输出信号的特征参数，所述特征参数包括，采样率和信噪比，对所述特征参数进行数据预处理，得出故障特征参数；

模型建立模块，依据所述故障特征参数建立故障特征参数与ADC芯片故障类型之间的关联模型；

判断模块，根据所述关联模型输出的判断值与设定阈值对比判断芯片是否存在故障，依据所述关联模型预测的结果和芯片的结构、特性确定芯片故障类型和位置。

本实施例还提供一种计算设备，适用于ADC芯片故障检测情况，包括：

存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的实现ADC芯片故障检测方法。

本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现ADC芯片故障检测方法。

本实施例提出的存储介质与上述实施例提出的实现ADC芯片故障检测方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(ReadOnly，Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。

实施例2

该实施例不同于第一个实施例的是，提供了一种基于特征提取和数据分析的ADC芯片故障检测方法的验证测试，为对本方法中采用的技术效果加以验证说明。

本实验收集100个ADC芯片ADC1234的测试样本数据，其中每个样本有3个特征参数(x1，x2，x3)和一个故障类型标签。

其中，特征参数x1表示电压，x2表示电流，x3表示采样率。设特征参数的取值范围x1∈[0,5V]，x2∈[0,1A]，x3∈[100Hz,1kHz]，设定三种故障类型，0表示无故障，1表示模拟电路失效，2表示数字电路失效，生成100个样本数据为(x

数据预处理：将数据划分为训练集和测试机，80％用于训练，20％用于测试；

神经网络模型设计：设定一个隐含层，节点数为10，输出层有3个节点，用于预测3种故障类型；

设新的ADC芯片的测试数据为：(3.2V,0.35A,500Hz)，

将该测试数据输入训练好的神经网络模型，输出[0.1,0.7,2],

根据输出结果，可以判断该芯片有模拟电路失效的故障。

由上述可知，本发明提供的方法采用特征提取精准的提取出故障参数，为下一步建立关联模型提供了数据保证，能够有效的精确定位故障类型和位置，具有较大的应用价值和商业前景。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。