面向深度神經網絡的電力芯片功能檢測方法

黃開天，匡曉云，楊祎巍

（南方電網科學研究院，廣東 廣州 510663）

電力芯片是我國電力控制系統的關鍵組成部分之一，隨著集成電路設計的高速發展，系統結構已經逐漸由多個分立器件組成演化發展成為集成器件組成，系統結構更追求小薄輕和低功耗，芯片設計從集成器件向系統級封裝SIP 芯片邁進。芯片器件越來越小、功能越來越好、穩定性越來越強。在針對其功能的測試中，必須要有相應的測試手段。在電力芯片器件開始工作前，通過相應的裝置或設備來測試，當器件出現異常情況后，也可以通過相應的測試手段來查明故障，由此提高其他元器件的穩定性。

一些學者對此進行了研究，文獻[1]提出一種基于任務調度的電力終端多核芯片功耗調整方法，采用原有的任務調度方法，利用混合形式規劃將問題重新建模，用數學手段得到調度方案，確定最優預測解，完成對電力芯片的優化檢測，但此方法采用的數學模型運算量龐大，檢測時間較長。文獻[2]提出基于OTP 修調功能的芯片批量化生產方案研究，通過自動化檢測設備設計一個經過改良的OTP 修調計算方式，檢測初始電流、頻譜等，并通過測試修正得出合適的結論，在重新檢測時減少了對芯片的重復利用，完成對電力芯片的功能研究，但該方法運行過程中芯片損毀率較高，增加了運行成本。

為了彌補傳統方法存在的缺陷，該文基于深度神經網絡提出了一種新型電力芯片功能檢測方法。

1 電力芯片功能參數計算

在制定電力芯片的功能參數測試方案前，需要確定測試相應的性能參數[3-4]。將電力系統調整成多處理方式，完成計算處理后，修改系統平臺各管理部分的數據，把所有數值設置到電力芯片傳輸的規避窗口內，并加以記錄，匯總整理所收集的相關數據，剩下的最高層級的處理通信組件，即是頂層架構。計算相應的測量功能指標參數，具體如式（1）所示：

式中，C表示測試上限；r表示功能參數優化系數；s表示電力芯片測試范圍；w表示電力芯片測試下限。經過上述運算，確定相應的測試功能指標參數，利用計算出的指標參數，設置測試的環境基礎條件，一旦超過這個數值范圍，就說明測試的環境存在異常，必須重新進行測試，如果測量結果在這個數值范圍以內，就說明測試的環境條件相對穩定，可以開展后續操作[5-6]。

2 電力芯片功能檢測模型

2.1 電力芯片功能檢測算法

在提取功能參數以后，通過構建電力芯片功能檢測算法來進一步細化檢測結構。針對電力芯片的傳輸功能、處理功能和異常數據檢測功能，制定對應的檢測方案。比較不同的測試方法，調整相應的結果，確保測試環境的安全性，構建相應的測試方法，最終建立測試環境[7-8]?；谝陨系玫降男畔⒁约坝嬎愕玫降臄祿?，建立電力芯片功能檢測算法，如式（2）所示：

式中，M表示電力芯片功能檢測的真實數據；θ表示功能參數函數；h表示電力芯片功能運行時間固定比。經過上述運算，得到具體目標檢出率的實際數據，通過實際數據，來具體化分解目標檢測的整個應用過程，確定相應的標準與異常點聯系[9-10]。

2.2 深度神經網絡功能檢測模型

根據構建電力芯片的功能檢測算法，建立基于深度神經網絡的智能測試模型。在測試過程中，設定獨立的智能神經元RBM（Restrict Boltzmann Machine），只有RBM 神經元達到未激活的條件時，才能夠確定被測量數據的真實完整性[11-12]。在完成檢測后，可以根據得到的數據信息確定隱藏神經元，計算公式如式（3）所示：

式中，V表示電力芯片檢測模型中的隱藏神經元定義值；j表示功能參數；f表示電力芯片功能執行系數。經過上述運算，能夠得到相應的檢測模式隱藏單元定義數值，使用數值范圍構建實際的檢測模式，去除RBM 神經元的影響，使整個測試模式具備更高的靈活應用性，同時隱藏神經元還能夠使用深度神經網絡計算電力芯片的隱藏功能，進一步擴大了方法的測試適用范圍。

3 深度神經網絡的電力芯片功能檢測

3.1 傳輸功能檢測

對于電力芯片功能的檢測，需要采集電力芯片的傳輸功能參數，利用深度神經網絡功能檢測模型進行測試。電力芯片傳輸功能的檢測共分為兩個指標，分別是電壓串聯回路諧振系數和芯片最大傳輸功率[13-14]。

檢測電壓串聯回路諧振系數，由于頻率作用，電力芯片等效網絡無功阻抗呈感性，芯片回路等效無功阻抗呈容性，當芯片傳輸網絡產生的無功阻抗為零時，載波信號在回路中傳輸效果最佳。載波回路阻抗越大載波信號衰減最大，回路的品質因數或諧振系數數學表達式如式（4）所示：

式中，ρ表示電路的特性阻抗；S表示回路的品質因數或諧振系數；R表示電網中是相對不變的定值無功阻抗；E表示無功；T表示電力芯片電壓匹配系數。當電力芯片回路諧振時，芯片電壓U=IR最大，此時稱這種傳輸方式為電壓串聯諧振。當S≥1時，電路接近諧振，是電力芯片信號傳輸的最理想電路，此時傳輸效果最佳[15]。

根據等效阻抗原理檢測芯片最大傳輸功率，負載吸收功率P計算公式如式（5）所示：

式中，U1表示芯片電壓，Z1=R1I2+j為芯片阻抗，Z2=R2+j表示負載等效阻抗。根據式（5）確定最大功率，建立線性工程，有效功率越大，載波信號傳輸效果越好。

3.2 處理功能檢測

對于電力芯片處理功能的檢測，需要將待處理數據放入檢測模型中，使電力芯片處理功能運行，檢查運行后，同一信道內對數據的處理率，具體公式如下：

式中，L表示在處理功能檢測中的實際處理量；β表示處理功能數據測量范圍；O表示電力芯片的運行參數。經過上述運算，最后即可得出處理功能在實際運行中的處理率，分析處理率效果，設定閾值，與閾值進行對比，若處理率始終高于閾值，則證明處理效果較好，否則代表缺少良好的處理能力。

3.3 異常數據篩選功能檢測

電力芯片異常信息檢測系統一般需要采用縱向差異測試技術與辨識異常數據測試技術，整個檢測過程需要兩種基準指標，分別是待測量曲線和日負荷數據曲線，計算節點之間差異的平均值，然后衡量采樣點上的變化率[16]。

首先建立代表待測試的日負荷曲線與日負載特性曲線。在日負荷曲線上取點，考察待測試日負荷曲線上的第i點，其中i∈{1,2,…,N}，N是取 樣點數；建立最大負荷值，將其與日負載特性曲線第i點相應的負荷值加以對比，統計待測試負載曲線與日負載特性曲線上第i點的負荷值，分析待測試負載曲線與日負載特性曲線上第i點的負荷值的比例，兩個曲線相互之間的差值d用待測曲線與日負載特性曲線上各取樣點數間差距的平均值表達。

在求出負荷曲線的變化值后，對采樣點上的變化率進行衡量，計算兩種曲線變化值的差異值是否等于偏差的最大值，分析變化值是否處于合理區間范圍內，確定該負荷曲線是否為異常負荷曲線。如果不符合以上任一要求，則待測量曲線為異常曲線，而第i時刻的負荷值即為異常值。通過計算異常值占據所有異常數據的比例，即可計算出電力芯片異常數據篩選率。

4 實驗研究

為了驗證面向深度神經網絡的電力芯片功能檢測方法的實際應用效果，設定實驗。選用對比測試驗證方法效果，通過文獻[1]任務調度的功能檢測方法和文獻[2]基于OTP 修調功能的功能檢測方法進行對比，采用的傳輸語言為Python 完成數據編輯，工作頻率為100 Hz，工作電壓為220 V，工作電流為150 A，采用的操作系統為Windows10。

在完成參數設置后，選用三組方法對電力芯片功能進行檢測，測試實驗環境如圖1 所示。

圖1 測試實驗環境

根據圖1 可知，選用CAPI 服務器作為核心處理裝置，建立電容裝置和電阻裝置，通過數據模塊連接子密鑰，確保電力芯片能夠正常運行，保證檢測效果。

傳輸功能檢測準確率實驗結果如表1 所示。

表1 傳輸功能檢測準確率結果

由表1 可知，三種檢測方法在檢測電力芯片傳輸功能這一問題上，檢測效果相對較好，檢測準確率較高，都基本穩定在90%以上，該文提出的面向深度神經網絡的電力芯片功能檢測方法的檢測能力更好，當檢測數據量為5 GB時，檢測準確率仍然高于98%，具有很好的傳輸功能判斷能力。

處理功能檢測準確率實驗結果如表2 所示。

表2 處理功能檢測準確率結果

由表2 可知，OTP 修調功能和神經網絡檢測方法都有較好的檢測效果，但是該文方法處理功能檢測準確率高于傳統檢測方法，該文提出的神經網絡檢測方法通過數據判斷對電力芯片處理功能進行檢測，因此檢測效果更好。

異常數據篩選功能檢測準確率實驗結果如表3所示。

表3 異常數據篩選功能檢測準確率結果

由表3 可知，傳統檢測方法的異常數據篩選能力極差，任務調度和OTP 修調方法對異常數據檢測的局限性十分明顯，低于65%，該文提出的檢測方法異常數據篩選功能檢測效果始終在99%以上，能夠很好地判定電力芯片是否篩選異常數據，判斷數據信息是否能夠順利傳輸。

檢測時間實驗結果如圖2 所示。

圖2 檢測時間實驗結果

根據圖2 可知，隨著檢測數據量的增加，檢測時間也在不斷增加，當檢測數據量低于300 GB時，基于OTP 修調功能的檢測方法檢測時間低于其他檢測方法，當檢測數據量大于300 GB時，該文方法檢測時間低于傳統檢測方法，具有很好的檢測效果。

5 結束語

該文基于深度神經網絡提出了一種電力芯片功能檢測方法，基于功能檢測算法構建了功能檢測模型，依靠模型對電力芯片的傳輸能力、處理能力、異常數據篩選能力進行檢測。通過上述研究，得到如下結論：1）該文提出的檢測方法能夠加快檢測速度；2）該方法可以提升檢測準確率，適用于如今的電力芯片功能檢測。但該文的計算量相對較大，未來需要進一步減少計算范圍。