Un clasificador de red neuronal con neuronas de valores múltiples para el diagnóstico de fallas en circuitos analógicos
Autores: Aizenberg, Igor; Belardi, Riccardo; Bindi, Marco; Grasso, Francesco; Manetti, Stefano; Luchetta, Antonio; Piccirilli, Maria Cristina
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Un clasificador de red neuronal con neuronas de valores múltiples para el diagnóstico de fallas en circuitos analógicos
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Nuevo método
Circuitos analógicos
Fallas paramétricas
Técnicas de aprendizaje automático
Análisis de testabilidad
Clase de falla
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 43
Citaciones: Sin citaciones
En este documento, presentamos un nuevo método diseñado para reconocer fallas paramétricas individuales en circuitos analógicos. La técnica sigue un enfoque riguroso constituido por tres pasos secuenciales: calcular la testabilidad y extraer los grupos de ambigüedad del circuito bajo prueba (CUT); localizar la falla y colocarla en la clase de falla correcta (FC) a través de mediciones o simulaciones multifrecuencia; y (opcional) estimar el valor del componente defectuoso. Las tolerancias de fabricación de los componentes sanos se tienen en cuenta en cada paso del procedimiento. El trabajo combina técnicas de aprendizaje automático, utilizadas para clasificación y aproximación, con procedimientos de análisis de testabilidad para circuitos analógicos.
Descripción
En este documento, presentamos un nuevo método diseñado para reconocer fallas paramétricas individuales en circuitos analógicos. La técnica sigue un enfoque riguroso constituido por tres pasos secuenciales: calcular la testabilidad y extraer los grupos de ambigüedad del circuito bajo prueba (CUT); localizar la falla y colocarla en la clase de falla correcta (FC) a través de mediciones o simulaciones multifrecuencia; y (opcional) estimar el valor del componente defectuoso. Las tolerancias de fabricación de los componentes sanos se tienen en cuenta en cada paso del procedimiento. El trabajo combina técnicas de aprendizaje automático, utilizadas para clasificación y aproximación, con procedimientos de análisis de testabilidad para circuitos analógicos.