電子設備廣泛應用於航天航空、通信、測量、自動控制、醫療器械等各個領域，其運行環境多種多樣，如高溫、高電磁干擾、高濕度、高輻射和振動等，有時甚至會經歷兩個極端的變化過程(例如，從超高溫到超低溫)。越是惡劣的運行環境，就越是要求更高的可靠性，如核電設備的控制系統、衛星的姿態控制系統等對於可靠性有著近乎苛刻的要求。這就要求我們不斷研究新的方法和技術，進一步提高電子設備的可靠性，在發生故障后能夠及時地檢測、隔離、診斷故障。通過對電路進行監測、診斷並預測其發展趨勢，可確保我們採取不同的應對措施對其進行有效的保養或維修，使其始終處於安全、經濟、穩定的運行狀態。
電子設備中的電路系統分為模擬電路和數字電路兩個部分，客觀世界信號的本質決定了模擬電路在電子設備中的不可替代性，因此即使在數字電路充分發展的今天，模擬電路仍然廣泛應用於科研、生產、生活的各領域。理論分析和長期的實際使用經驗均表明，模擬電路比數字電路更容易出現故障，因此模擬電路的可靠性決定了整個電子系統的可靠性。
1 模擬電路故障產生原因及分類
模擬電路故障可以定義為任何偏離元件標稱值，並且使得整個電路發生異常的現象。模擬電路產生故障的原因通常來自設計、製造和使用這3個階段。有些故障是由於元器件在設計過程中沒有考慮到特殊的工作環境造成的，如高溫、高輻射環境;有些故障是由於製造工藝缺陷造成的，如氧化厚度不足、封裝缺陷;有些故障是由於元器件使用時間過長造成的，如元器件老化、磨損等。
電路故障有多種不同的分類形式，通常是按照元件參數值偏離其標稱值的程度劃分為軟故障(Soft Faults)和硬故障(Hard Faults)兩類。軟故障是指元件的參數隨著時間或者環境條件的影響而偏離至不能允許的程度，從而導致了系統性能的異常或惡化。元件軟故障通常不會導致電路網路拓撲結構的改變，大多不會對電路功能造成重要影響。硬故障又稱災難性故障，是指元件的參數突然發生很大的變化(如元件的短路、開路等)，從而導致系統嚴重失效，甚至完全癱瘓。硬故障是一種結構性的破壞，它破壞了電路的拓撲結構，使電路功能失效。硬故障從本質上可以看作是軟故障的某種特例，即元件參數變化的兩種極端情況：極大值(開路)和極小值(短路)。圖1為模擬電路故障所導致的系統性能參數的變化示意圖，不同應用場合其性能參數變化是不同的。
區分元件參數值偏離其容差範圍所引起的故障類型原則是：實際元件參數值是否大於其標稱值的10倍或者小於其標稱值的0.1倍。電路元件值的變化引起故障類型的變化示意圖如圖2所示。從圖中可以看到，當元件參數在之內時，認為是軟故障，在此之外則認為發生了硬故障，其中為元件的標稱值，為元件的容差範圍。
如果按照電路中同時發生故障元件的個數來劃分，還可以分為單故障(Single Fault)和多故障(Multiple Fauhs)兩種情況。通常單故障發生的概率在80%左右，發生多故障的概率較低。從故障在電路中隨時間的表現形式來看，可分為持久故障(短路、開路等)和間歇故障(接觸不良等)。
2 模擬電路故障診斷特點
同數字電路的故障診斷方法相比，模擬電路故障診斷的發展速度相對較慢，至今仍然沒有一個被廣泛認可的測試診斷理論和方法。模擬電路的故障診斷之所以比數字電路的故障診斷要困難是由如下幾個特點決定的：
1)模擬電路的輸入、輸出信號在時域和電壓幅度上具有連續性，以及元件參數的連續性使得故障診斷模型比較複雜，難以簡單量化。
2)實際模擬電路中的元件參數都具有很大的離散性，即具有容差。容差的存在導致了故障的模糊性，因而有時無法唯一確定故障位置，使得診斷結果的準確性難以保證，這是故障診斷的最大困難之一。
3)模擬電路中廣泛存在非線性和反饋迴路。模擬電路中往往含有非線性元件，而且即使在線性電路中也存在眾多的非線性問題，這使得診斷的複雜性和信息處理量急劇增加。
4)模擬電路中可測電壓節點有限，導致供診斷用的故障信息量不充分，造成故障定位的不唯一性和模糊性，或者根本不可診斷。
5)模擬電路對環境變化較敏感，其輸出響應不僅易受製造工藝所引起的元件參數偏差的影響，而且易受熱雜訊、電磁干擾等外界環境因素的影響。
鑒於上述原因，我們不可能將相對成熟的數字電路故障診斷方法直接移植到模擬電路系統中區解決問題，必須根據模擬電路自身的特點去探索新的行之有效的診斷理論和方法。
3 模擬電路現代故障診斷方法
模擬電路故障診斷濫觴於上個世紀60年代美國的軍事工業系統。1985年Bandler和Salama對模擬電路故障診斷理論進行了系統闡述，並且根據對電路的模擬是在測試前還是在測試后通常可將診斷方法分為兩大類：即測前模擬診斷(Simulation Before Test Approach，SBT)和測后模擬診斷(Simulation After Test Approach，SAT)，同時他們還提及了逼近法和人工智慧方法等。
傳統的模擬電路故障診斷方法以故障字典法、參數識別法、故障驗證法、逼近法等為代表。由於電路規模和複雜性的不斷增長，傳統診斷方法愈來愈不能滿足實際電路診斷的需求，如診斷所需計算量太大，由於元件容差問題造成診斷結果模糊等。隨著專家系統、模糊理論、神經網路、機器學習、模式識別、小波分析等技術的深入研究和應用，它們為解決模擬電路故障診斷中所存在的各種難題提供了有益思路和有效工具，因此基於人工智慧和現代信息信號處理的診斷方法已經成為當前模擬電路故障診斷領域的主流方法。
3.1 基於專家系統的故障診斷方法
專家系統(Expert System，ES)是一種基於知識的計算機程序系統，其內部含有大量的某個領域專家水平的知識與經驗，能夠利用人類專家的知識和解決問題的方法來處理該領域問題。它根據專家提供的知識和經驗，採用人工智慧中的知識表示和知識推理技術來模擬人類專家的決策過程，以便解決那些需要領域專家才能夠處理的複雜問題。故障診斷專家系統結構框圖如圖3所示，它通常包括人機介面、知識庫、綜合資料庫、推理機和解釋器等幾個部分。
知識庫用於存放故障診斷規則，反映各種故障的因果關係;知識獲取機構可以使人類專家通過人機介面直接建立和修改故障診斷規則或修改、補充、完善整個故障診斷系統;推理機實施對整個問題的求解推理過程的控制，它根據綜合資料庫中的當前信息，將知識庫中的規則拿來匹配，然後利用適當的控制演算法推斷出結論;綜合資料庫中存放人為提取的一些過程特徵數據或某些故障現象的描述以及診斷過程記錄等信息;解釋程序是在用戶需要時對整個故障診斷過程做出合理的解釋。知識庫和推理機是專家系統的核心，傳統專家系統中，專家經驗知識(對被診斷系統所觀察到的癥狀與可能故障之間的關係)通常以確定性的IF-THEN規則表示。
目前較為實用的專家系統有：基於規則的專家系統、基於案例的專家系統、基於框架的專家系統、基於模糊邏輯的專家系統、基於模型的專家系統等。基於專家系統的故障診斷方法能夠利用專家豐富的領域知識、經驗，無需對系統進行數學建模並且診斷結果易於理解，因此在很多領域得到了廣泛應用。但是專家系統也存在著一些固有的不足之處：1)知識獲取和表達比較困難，這成為專家系統的“瓶頸”問題;
2)缺乏自我學習和記憶的能力，診斷的效率和準確性方面無法保證。這是因為專家系統無法記憶以前處理過的故障，所以當再一次出現同樣的故障時其不得不浪費大量的時間進行重複的勞動，導致診斷效率降低。專家系統沒有記憶功能，無法記憶本身的錯誤，因此註定今後會犯同樣的錯誤。
專家系統診斷的準確程度依賴於知識庫中領域專家經驗的豐富程度和知識水平的高低，因此當遇到一些邊緣性的問題就會出現“窄台階效應”。3)推理能力弱，具有脆弱性。專家系統的本質特徵是基於規則的推理思維，因此當規則較多時，系統推理速度慢、效率低，容易出現“匹配衝突”、“組合爆炸”以及“無窮遞歸”等問題。
3.2 基於模糊邏輯的診斷方法
故障診斷是通過研究故障與徵兆之聞的關係來判斷系統狀態，由於語言表達、信息不完全等帶來的模糊屬性常常出現在對故障徵兆的描述中，故障與徵兆之間的關係很難用精確的數學模型來表示，導致某些故障狀態也是模糊的。模糊邏輯提供了表達和處理模糊邏輯概念的機制，模糊邏輯的引入可以克服由於複雜系統本身的不確定性和雜訊等帶來的影響，因此在進行複雜系統故障診斷時顯示出一定的優越性。模糊故障診斷方法是利用模糊數學中的隸屬度函數和模糊關係矩陣來解決故障與徵兆之間的不確定關係。其實質是引入了隸屬度函數的概念，把傳統的0和1的二值邏輯轉移到[0，1]區間上的連續值邏輯上來。
Bilski等人提出了一種基於模糊邏輯的決策樹模擬系統自動故障診斷方法，該方法能夠在存在雜訊的情況下檢測和定位多種故障。文中給出了該方法的一般體系結構，並且介紹了降噪、特徵提取和故障檢測的處理過程。隨後作者通過3種物理特性不同的系統對該方法進行了測試和驗證，結果證明了該方法的優越性。Carelani等人提出了一個基於頻域故障字典的模糊自動診斷系統，並通過兩個模擬電路單軟故障的例子分析了所提方法的性能。Pous等人提出了一個以故障字典信息作為隸屬函數輸入變數，而隸屬度函數形狀由元件參數值分佈決定的模糊診斷系統，該方法同故障字典相比性能有了極大提高。
模糊變數表示可讀性強，模糊邏輯推理嚴謹，類似於人類的思維過程，易於理解。但對於複雜電路系統進行故障診斷時存在隸屬原則的選擇、隸屬度函數的確定和模糊關係矩陣的構造等技術難點。隸屬度函數的確定不但需要豐富的經驗知識而且需要花費較長的時間，模糊關係矩陣R的構造需要以大量現場實際運行數據為基礎，其精度的高低主要取決於觀測數據的準確性及豐富程度。
3.3 基於神經網路的故障診斷方法
神經網路具有高度的并行處理、聯想記憶、自組織、自學習以及強非線性映射能力，因此在故障診斷方面具有很大的潛在優勢和應用前景。具體的應用方式主要有：1)利用神經網路產生殘差。這主要是利用了神經網路的系統辨識能力，通過辨識模型產生殘差序列，從而進行下一步的故障檢測和診斷。2)利用神經網路的模式識別能力。對於難以建立精確數學模型的複雜系統，神經網路不需要系統的數學模型，只需要訓練數據就能夠實現從測量空間到故障空間的映射，從而識別出系統正常模式和故障模式或者不同故障模式之間的區別。
Spain等人將神經網路應用到小規模模擬電路的軟故障診斷中，以白雜訊作為測試信號源，故障模式為偏離元件正常值50%，通過神經網路來進行故障分類和故障字典自動查詢，結果不僅診斷正確率高，而且由於神經網路的魯棒性，能夠識別出未經學習的軟故障模式。Aminian研究了一種基於多層前向神經網路的實際電路故障診斷方法。實驗結果表明了採用該方法具有較好的故障診斷魯棒性和高達95%的故障診斷正確率。Catelani等人將RBF網路用於線性電路和非線性電路軟故障診斷中，實驗結果表明訓練好的網路不僅對於子系統或者元器件級的故障具有較好的診斷能力，即使面對沒有包含在故障字典中的新故障也能夠成功診斷。隨後他們又將模糊診斷方法和RBF網路診斷方法用於模擬電路的軟故障診斷，結果表明在存在雜訊和非故障元件容差的情況下二者的錯分率都很低。
雖然基於神經網路的故障診斷方法有很多優點，但基於其固有的內在機理，神經網路也不可避免的存在一下不足之處：1)只利用了一些明確的故障實例樣本數據，未能充分利用特定領域中專家的故障診斷經驗知識。2)學習樣本獲取存在一定困難。神經網路故障診斷是建立在大量的故障樣本數據基礎之上的，診斷性能受到所選樣本的數量及其分佈情況的限制。3)知識表達不直觀，診斷行為具有“黑箱”性，診斷推理過程難以解釋。4)對於複雜系統進行故障診斷時，由於需要處理的數據種類繁多，會導致網路規模過大和學習時間過長等問題，從而降低了神經網路的實用性。
3.4 基於核的模擬電路故障診斷方法
核方法是當前機器學習領域最活躍的研究方向之一，它以統計學習理論和核技術為基礎。核函數k(x，z)是計算兩個數據點在非線性變換φ(·)下的映像的內積，即k(x，z)=<φ(x)，φ(z)，這裡的φ：X→φ(X)為核函數k(x，z)導出的特徵變換，X為輸入空間，φ(X)為特徵空間。k(x，z)定義為某個Hilbert空間的內積，它首先應該是對稱的，其次還要滿足Mercer條件。
核方法能夠實現從數據空間到特徵空間的非線性變換，採用不同的核函數可以滿足不同的非線性變換要求。核方法的計算量與特徵空間的維數無關，核函數的引入代替了特徵空間的內積計算，從而導出一個與樣本數有關，與樣本維數無關的優化問題，避免了維數災難，使核演算法具有更大的假設空間，提高了模式分類或者回歸的能力。圖4給出了核方法的實現過程涉及的幾個階段。數據通過核函數映射到特徵空間構造出核矩陣，經過學習演算法的處理后得到用於分類的模式函數。
核方法通常可以分為有監督的核方法和無監督的核方法兩大類。在常用的有監督的核方法中，支持向量機(Support Vector Machine)是最典型並且是研究和應用最多的一種。常用的無監督核方法有核主成分分析(Kernel Principal Component Analysis，KPCA)、核聚類(Kern el Clustering，KC)、核獨立主成分分析(Kernel Independent Component Analysis，KICA)等。
SVM理論植根於VC維和結構風險最小化的基礎之上，其應用於故障診斷的最大優勢在於它適合於小樣本決策。人員的廣泛重視，紛紛開展這方面的研究工作。Jiang等人將一種改進的支持向量機分類器用於實際模擬電路的故障診斷中，結果表明該方法較BP網路及常規SVM方法診斷精度有了一定提高。Wang等人通過最優小波包變換提取電路故障特徵后，採用了3種不同的二叉樹支持向量機對模擬電路故障進行診斷，其診斷精度都在90%以上。Xiao等人採用了核主成分分析方法約簡模擬電路故障特徵維數以獲取最優故障特徵，實驗結果表明了方法的有效性。
4 結束語
模擬電路的可靠性在很大程度上決定了整個電路系統的可靠性，電子電路技術和產業的快速發展對模擬電路的測試與診斷提出了更高要求。由於電路規模和複雜性的不斷增長，傳統方法的不盡如人意之處日益凸顯，這迫使人們在不斷探尋更經濟更有效的方法，而現代信息信號處理技術和機器學習理論為現代模擬電路故障診斷技術的發展和應用提供了重要契機和理論支持。
文中對模擬電路故障特點及現代基本診斷方法進行了較為全面的綜述，尤其對現代模擬電路故障診斷方法進行了詳細的分析與討論。目前現代模擬電路故障診斷技術正處于飛速發展時期，雖然已經取得了大量成果，但在理論和應用方面都還存在許多有待進一步研究與解決的問題。比如對單故障診斷問題研究的較多，而對多故障診斷問題卻少有涉及;對尚處於發展初期的核診斷方法，在理論和應用方面的研究都有待於進一步加強;單一診斷技術有時難以達到理想效果，因此在不大幅增加診斷系統複雜性和代價的情況下如何有效結合多種診斷方法以提高整個系統診斷性能也是一個很有價值的研究方向。
