基于深度學習的電子電路故障診斷方法研究

一、前言

電子電路是現代電子系統的核心組成部分，其可靠性直接關系到整個系統的性能和壽命。電子電路日趨復雜化、集成化，元器件種類繁多、連接緊密，導致其潛在故障模式呈現多樣性和復雜性。傳統的電路故障診斷方法（如基于規則、模型的診斷技術）面臨建模困難、知識獲取瓶頸等挑戰，難以適應不斷變化的電路工作環境。人工智能的興起為電子電路故障診斷帶來新的契機，特別是深度學習技術，憑借其強大的特征學習與抽象泛化能力，有望從海量的電路狀態監測數據中自動提取故障特征，揭示深層故障規律，實現更加智能、高效、準確的診斷。

二、電子電路故障診斷的理論基礎與現狀

電子電路故障診斷旨在判別電路是否發生故障，并準確定位故障類型與位置。診斷過程通常依賴于對電路狀態信息（如電壓、電流等）的獲取與分析，運用一定的診斷模型和推理策略，可識別電路異常行為，推斷可能的故障原因[。根據診斷機理，常見方法可分為基于模型的診斷和基于知識的診斷兩大類。基于模型的診斷以被測電路的結構、功能模型為基礎，通過仿真與實際測試信號的差異比對，判斷電路是否發生故障。基于知識的診斷則主要依賴專家知識和歷史故障案例，運用邏輯推理等方法對故障進行定位。這兩類方法各有特點，在不同場合下被廣泛應用[2。電路故障診斷領域已在理論和應用層面積累了較為豐富的成果，一些傳統診斷技術（如基于結構、基于行為的分層建模診斷方法）通過自頂向下地比對電路各層次模型與實際行為，逐步縮小故障范圍，具有較強的系統性和邏輯性。人工智能領域的專家系統、案例推理等方法也被引入電路診斷中，可借助專家經驗庫、歷史案例庫輔助故障分析和定位，在一定程度上模擬了人類專家的診斷思路。但隨著電子電路規模與復雜度的急劇增長，這些傳統方法面臨日益凸顯的局限性。對于大規模集成電路而言，構建精確且完備的故障診斷模型往往代價高昂。針對連接短路、參數漂移等新型故障模式也缺乏有效的建模手段。其次，知識驅動的診斷系統對領域知識的獲取和表示要求高，知識庫的構建需要大量專家經驗，通用性和可擴展性有限。這些診斷方法對故障信息的分析推理效率還不夠高，難以滿足海量電路狀態數據實時處理的需求。深度學習的興起為克服上述挑戰提供了新思路，有望從數據驅動的角度實現故障診斷模式的革新[3]。

三、深度學習在電子電路故障診斷中的優勢與挑戰

（一）深度學習處理高維特征與復雜模式的能力

復雜電子電路呈現出高度非線性、多狀態、強耦合等特點。器件材料特性、制造工藝參數等內在因素與溫度、濕度、電磁干擾等外部環境因素交織影響，使得故障電路的輸出信號通常表現為高維度、非平穩等復雜特征[4。傳統的信號處理和模式識別方法在從原始數據中提取最具判別力的故障特征、刻畫不同故障模式的細微差異等方面還存在不足。深度學習通過引入多層次的神經網絡結構，能夠自動學習數據內在的層次化、抽象化特征表示。以卷積神經網絡為例，較淺層的卷積核負責提取局部化的低階特征（如時域統計量、頻域分布等）。

圖1深度學習電子電路故障診斷框架

更深層的卷積核在底層特征的基礎上，提取更大感受野內的全局化、高階特征，挖掘不同故障特征間的關聯與區分性[5，深度神經網絡具有強大的非線性映射能力，能夠建立故障原始數據與故障模式間的復雜決策邊界，可有效甄別具有相似表征的細粒度故障。深度學習模型展現出了對高維度故障數據建模、刻畫復雜故障模式的優勢，是故障診斷的一把利器，如圖1所示。

（二）電路信號數據特性與深度學習模型適配性

電子電路的物理結構與工作方式蘊含著豐富的領域內在規律，這些規律可反映在不同形態的電路狀態監測數據中（如故障電路板的二維圖像數據、故障節點的多變量時間序列數據等），不同結構的數據對應著不同的統計特性和關聯模式。電路圖像數據通常具有空間局部相關性，即相鄰像素對應電路區域的故障狀態可能存在關聯。時序電流信號則體現出時間的動態依賴性，即不同時刻的故障狀態演化可能遵循一定的時序模式。深度學習領域針對不同結構數據，已發展出了一系列性能卓越的網絡模型。以CNN為代表的深度網絡善于利用圖像數據的二維空間特性，通過局部連接和權值共享等機制提取多尺度、平移不變的紋理特征，在圖像分類、目標檢測等任務上取得了廣泛成功。以RNN、LSTM等為代表的遞歸網絡則擅長對時序數據建模，引入狀態單元存儲歷史信息，能夠自動學習時間序列中的長短期依賴關系。

（三）數據獲取與標注困難及解決方案

深度學習模型展現出的強大特征提取與故障建模能力，很大程度上得益于其在海量標注數據上的訓練優化。在電子電路故障診斷的實際應用場景中，獲取大規模的標注數據存在一定難度。電路故障數據的采集代價較高，現實生產運行環境下的故障電路樣本不易獲得，且故障發生的隨機性強，難以全面覆蓋所有故障模式。主動注入故障進行狀態采集，又可能破壞電路的完整性，造成不必要損失。即便獲得了故障數據，對其進行準確標注也并非易事。判定電路是否出故障、屬于何種故障類型本身就是一個復雜的診斷過程，需要豐富的專業知識和診斷經驗。而人工標注成本高昂，容易出現主觀判斷偏差，可能引人誤標注噪聲。面對數據獲取和標注的難題，需要從多角度尋求突破，一種可行的思路是充分利用仿真分析手段。在正常電路模型的基礎上，通過人工注入短路、開路、參數偏移等典型故障，模擬電路在各種工況下的輸出響應，從而獲得大量的仿真故障數據并自動標注。但仿真數據與實際環境采集數據在分布上往往存在一定偏差，簡單地將仿真數據上訓練的模型應用到實際診斷時，可能面臨性能下降的問題。基于以上問題需要采用遷移學習等手段，通過少量實測數據對模型進行微調，緩解數據分布差異導致的泛化瓶頸。在獲得一定規模標注數據的前提下，可采用主動學習的策略，讓診斷模型根據已學習到的知識主動挑選對學習提升最有價值的新樣本。再由專家進行重點標注，從而減少盲目標注所浪費的資源，以提高標注效率。電子電路故障數據的稀缺性與獲取難度是深度學習在該領域應用所面臨的關鍵挑戰，如何進一步突破數據瓶頸，讓深度學習在小樣本條件下發揮更大效能，還有待研究者在算法和工程應用兩個層面持續創新。

四、基于深度學習的電子電路故障診斷方法

在深度學習的一般框架下，可針對電子電路故障診斷任務的特點，發展多種診斷模型與方法，以下介紹幾種代表性的研究思路。

（一）卷積神經網絡（CNN）在電路圖像故障識別中的應用

電路板是電子系統的重要組成部分，其表面器件與連線分布蘊含電路結構和功能信息。傳統電路板檢測往往依賴人工目視，而CNN能夠直接輸入電路板圖像，自動提取故障特征。基于CNN的印刷電路板（PCB）故障診斷方法首先采集一系列正常和故障PCB實物板的高清圖像，并對圖像進行預處理增強，設計一個包含若干卷積層和全連接層的CNN模型，將PCB圖像輸入網絡進行特征提取和分類。卷積層中，利用多種尺度和方向的卷積核掃描圖像，提取局部紋理、邊緣等特征。池化層降低特征圖分辨率，保留顯著特征，全連接層將卷積特征“拉平”，經非線性變換映射到故障類別標簽。網絡訓練時，采用梯度下降算法最小化預測類別與真實標簽間的交叉熵損失。實驗結果表明，該CNN診斷模型能夠準確識別虛焊、斷路等常見PCB故障，優于傳統模板匹配等方法。

圖2電路頻率特性與GRU故障診斷圖

例如，在汽車電子控制單元（ECU）的PCB質量檢測中，可搜集裝配線上拍攝的PCB圖像，并請專家標注各類缺陷（如元器件缺失、少焊、錫珠等）。然后搭建一個CNN模型，以缺陷PCB圖像為訓練樣本學習不同缺陷的視覺特征。部署時，CNN模型對生產線新采集的PCB圖像進行自動化缺陷檢測和分類，及時發現故障隱患。某ECU生產商應用該方案，故障檢出率從人工目檢的 85% 提升至 95% 以上，平均診斷時間也從2分鐘降至5秒內，有效提升了生產效率和質量控制水平。

（二）循環神經網絡（RNN）與時序電路信號分析

電路的動態特性往往蘊含在一段時間內的信號演變規律中，循環神經網絡善于建模時序數據，可用于刻畫電路信號隨時間的故障演變過程。針對模擬電路故障，設計了一種門控循環單元（GRU）診斷模型，GRU能夠自適應地學習信號中的長短期依賴關系，捕獲故障動態特征。該模型以電路輸入、輸出節點的一段時間內的電壓、電流波形為輸入，每個時刻的信號為一個GRU單元，各時刻單元間通過門控機制傳遞狀態信息。最后一個單元的輸出映射到故障類別，相比傳統的基于統計特征的支持向量機（SVM）等方法，該模型在構建故障信號的動態映射關系方面具有優勢，診斷準確率和效率均有提升。

以一模擬集成電路的頻率特性測試為例，正常電路在指定頻率下，輸出信號幅度和相位應在一定范圍內。異常時，可能出現截止頻率偏移、幅值畸變等失真。傳統方法難以刻畫正常失真信號間的復雜界限。采用GRU模型，可輸入一組已知正常和異常電路在不同頻率下的時序輸出波形，模型能學習到正常失真信號在時域上的差異特征。當輸入一個新采集的電路輸出波形時，便可基于學習到的正常失真界限實現故障診斷，并根據失真的類型和程度進一步定位引起失真的器件參數偏差，如圖2所示。實踐中，GRU模型在多個頻率采樣點條件下的故障判別準確率達到 95% 以上，為測試人員快速篩查故障器件提供判斷依據。

（三）遷移學習解決小樣本電路故障診斷問題

對于一些新型或小批量生產的電子電路，難以獲得大量的故障樣本用于模型訓練，采用遷移學習可減少所需訓練數據。本文設計一種面向小樣本電路故障診斷的遷移學習方法，先在大量已有標注的源域電路故障數據上，訓練一個高性能的CNN診斷模型作為通用特征提取器，再利用該模型在目標域電路上提取故障特征。僅在CNN頂層添加新的適應層，并利用少量目標域標注樣本進行微調。實驗表明，與從頭訓練新模型相比，遷移學習能夠顯著降低目標域所需標注數據量，并取得較好的故障診斷性能。針對源域和目標域故障分布差異較大的情形，可在微調階段加入自適應正則化項，降低源域中無關特征的影響，從而提高模型適應性。

（四）多模態深度學習融合電路多源信息

電子電路的狀態信息可能以多種形式呈現，包括電壓、電流、溫度等物理量，元器件參數、版圖結構等設計信息，以及故障現場的視頻、音頻等。僅依賴單一信息源進行故障診斷，可能無法全面刻畫故障特征。多模態深度學習通過融合不同模態數據，能夠學習更加全面的故障表示。本文設計了一種面向混合信號電路的多模態診斷框架，該框架包括兩個子網絡，一個是CNN負責提取電路原理圖的結構特征，另一個是RNN負責提取電路關鍵節點的電壓時序特征。兩個子網絡分別學習不同模態的局部特征表示。最后將兩個模態的特征級聯，輸入全連接網絡中進行決策融合，生成綜合的故障診斷結果。實驗證明，與單一模態診斷相比，多模態融合能夠顯著提升故障定位的準確性和覆蓋率。

圖3注意力機制提升電路關鍵故障點定位精度

在汽車發動機控制電路的故障診斷中，除了利用端口電壓等測試信號外，還可融入進氣壓力、冷卻液溫度等與電路工作密切相關的傳感器信號。針對某型號發動機控制電路，可搭建一個雙模態診斷模型，CNN子網絡負責提取電路各測試端口的電壓波形圖像特征，另一個子網絡負責提取進氣壓力、冷卻液溫度等傳感器時序信號特征。最后采用注意力機制對兩個模態加權融合，動態調節不同信號源的重要性。雙模態融合使故障定位準確率較單一電壓信號診斷提升了 10% 以上。當發動機出現喘振、爆震等故障時，除電路信號異常外，傳感器信號也出現超標波動，多模態模型能及時捕獲這些相關線索，輔助故障溯源，如圖3所示。

電子電路中的關鍵器件或連接點對系統功能和故障影響重大，但在龐大的電路數據中，精準定位這些關鍵點存在一定難度。注意力機制通過學習數據不同區域的重要性權重，能夠聚焦最具判別力的故障相關信息，是提升故障定位精度的有效方法。將注意力機制引入圖卷積網絡（GCN），用于基于電路拓撲結構的故障診斷，將電路抽象為一個有向圖，器件為節點，連接為邊，故障傳播對應圖上的消息傳遞。GCN在圖結構數據上應用類似卷積的聚合操作，學習節點的表示，在聚合鄰居節點信息時引入注意力機制，關注與故障最相關的上下游節點。實驗表明，注意力增強的GCN能夠準確關注到故障路徑上的關鍵器件，減少無關器件的信息干擾，在多個基準電路上實現了故障定位精度的提升。

五、結語

電子電路故障診斷是保障電子系統可靠運行的關鍵環節。深度學習以其強大的特征提取和建模能力，有望突破傳統診斷方法的瓶頸，實現更加智能和高效的故障診斷。將深度學習的前沿模型與算法與電子電路領域的問題相結合，能夠在電路圖像、時序信號、多源異構數據的綜合利用方面取得創新性進展。

參考文獻

[1]趙書濤，徐曉會，尹子會，等.基于深度學習斷路器儲能機構故障診斷方法研究[J].高壓電器，2022，58（10）：25-32.

[2]王曉康，丁雷，何嘉斌，等.基于深度學習融合證據理論的電纜接頭故障檢測方法研究[J].絕緣材料，2025.58（03）：125-130.

[4]彭菲桐，徐凱，吳仕勛，等.基于智能優化深度網絡的軌道電路故障診斷研究[J].電子測量與儀器學報，2024.38（02）：219-230

[3]鞏彬，安愛民，石耀科，等.基于IMODA自適應深度信念網絡的復雜模擬電路故障診斷方法[J].電子科技大學學報，2024，53（03）：327-344.

[5]王文波，彭偉，顧寄南，等.基于深度學習與增量更新的滾動軸承故障預測方法研究[J].江蘇科技大學學報（自然科學版）2022.36（05）：54-59.

[6]劉世豪，王細洋，龔廷愷.基于深度遷移學習的齒輪故障診斷方法[J].機械傳動，2023.4705）：134-142

作者單位：雅安職業技術學院

責任編輯：王穎振 楊惠娟