[논문] A deep Network Solution for Intelligent Fault Detection in Analog circuit

※본 글의 모든 그림은 논문에서 가지고 왔습니다.

 

 

이번에 요약하는 논문의 제목은 "A deep Network Solution for Intelligent Fault Detection in Analog circuit"입니다.

 

논문 링크 : https://link.springer.com/article/10.1007/s10470-020-01732-8 

[출처]

Shokrolahi, Seyed Moslem, and Mohammadsepehr Karimiziarani. "A deep network solution for intelligent fault detection in analog circuit." Analog Integrated Circuits and Signal Processing 107.3 (2021): 597-604.

 

 

Introduction

---

회로는 특별한 목적을 위해 설계되고 제조된다. 회로의 동작과 출력은 회로의 요소, 인가된 입력에 의해 예측할 수 있다. 요소와 입력의 변화에 따라 출력에 변화가 있을 수 있는데 원하지 않는 변화를 "회로 결함"이라고 말한다.

 

회로에서 결함 회로와 결함이 없는 회로를 찾거나 회로의 결합 요소를 찾아내는 것을 "결함 감지"라고 한다.

회로를 제조하는 비용이 매우 비싸기 때문에 회로의 결함 감지하는 것은 중요하다.

 

기존 방법으로 회로의 결함 위치를 찾기 위해서는 회로를 절단하여 전류를 측정해야 하고, 시간이 오래 걸린다.

그리고 회로가 복잡해지고 있어 기존 방법으로 회로의 결함 위치를 찾기 어렵다.

 

최근에는 시간 영역 분석, 주파수 영역분석 및 DC 분석을 사용하여 많은 고전적인 방법이 제안되었다. 그러나 회로가 복잡해지면 고전적인 방법도 비효율적이다.

 

그러나 인공신경망 프로세서는 높은 정확도와 적절한 성능을 가지고 있고 복잡한 회로에 적용할 수 있어 회로의 결함 감지에 널리 사용되고 있다.

 

[23]을 살펴보면 결함 감지에서 중요한 사항을 찾아볼 수 있다. 간단하게 세가지 사항이 있다.

1. 결함 감지에는 선형 또는 비선형 회로에 사용된다.

2. 단일 결함 또는 다중 결함을 감지할 수 있어야 한다.

3. hard 결함과 soft결함을 감지할 수 있어야 한다.

  - hard 결함: 회로의 단락이나 개방과 같이 장치가 손상되는 결함

  - soft 결함: 전압과 전류와 같은 회로 매개 변수가 회로에서 변경되는 결함

 

본 논문에서는 CUT(Analog Circuit Under Test) 신호에서 미세구조 판별 특징을 추출하기 위한 새로운 결함 검출 방법을 제안한다. 제안하는 방법은 결함 신호의 스펙트로그램을 사용하여 이미지를 만들고 CNN을 학습하여 결함을 검출한다.

 

본 논문의 서론 부분에서 CNN에 대해 간략하게 설명하기 때문에 CNN에 대해 설명하자면 CNN은 여러 계층을 훈련시키는 가장 중요한 딥러닝 방법 중 하나이고, 이미지를 입력으로 넣어주고 필터를 적용하여 이미지에서 중요한 특징이 추출된다. 일반적으로 CNN은 convolution layer, pooling, fully connected layer 세 가지 주요 계층으로 구성된다.

Method

---

PSD(Power Spectrum Density) + CNN(Convolution Neural Network)

 

입력 이미지를 만들 때 (a)의 신호에서 스펙트로그램**을 얻은 후 PSD 실수 부분을 이용한다. 그리고 저전력 요소를 강화하기 위해 로그를 사용하고 입력이미지를 정규화하여 (b)의 이미지를 얻는다.

PSD를 얻는 식은 아래와 같다.

저전력 요소를 강화하기 위해 로그를 사용하고 이미지를 정규화하는 식은 아래와 같다.

** 스펙트로그램은  파동을 시각화하여 파악하기 위한 도구 파형(wave)와 스펙트럼(spectrum)의 특징이 조합되어 있다.

 

위에서 설명한 방법으로 이미지를 만들고 CNN으로 분류기를 만든다.

아래는 과정을 나타낸 그림이다.

Experiment

---

실험에서 사용한 회로는 두 가지이다.

Sallen-key band-pass filter와 Band-stop filter 이다.

band-pass filter는 특정 주파수 사이의 신호만 통과시키는 필터이고, Band-stop filter는 특정 주파수 사이의 신호를 감쇠하는 필터이다.

실험의 조건은

회로의 저항과 캐패시터의 허용오차를 10%로 하였고,

그래서 q를 요소의 값으로 봤을 때 결함의 범위 하한 [0.5q, 0.9q], 상한[1.1q, 1.5q]으로 봤다. Table 1을 보면 더 잘 이해될 수 있다. Table 1에서 R2값은 1k이다. 그러므로 Faulty value는 0.5k에서 0.9k사이의 값(하한)이고, 1.1k에서 1.5k사이의 값(상한)이다. 실험할 때 결함 범위에서 무작위로 150번 실행한다.

회로에 인가하는

입력의 시간 폭은 10us, 진폭 5V로 동일하게 한다.

 

실험 모델은  아래 그림과 같이 간단한 CNN모델을 사용하였다. 채널이 3개인 Convolution layer 하나와 Max Pooling을 2번 거치고 Fully Connected layer가 1개 있는 모델을 사용하였다.

 

회로에 시나리오를 가정하여 실험을 하게 되는데

첫 번째 회로인 "Sallen-key band-pass filter"에는 시나리오 1(동시에 오류가 발생하지 않고 하나의 오류만 있는 상황)과 시나리로 2(동시에 오류가 발생할 수 있는 상황)을 모두 적용한다. 동시에 오류가 발생할 수 있는 상황에서는 오류 코드 1과 3, 1과 2, 8과 9, 10과 11이 동시에 발생할 수 있는 오류 추가한다.

두 번째 회로인 "Band-stop filter"에는 시나리오 1(동시에 오류가 발생하지 않고 하나의 오류만 있는 상황)만 적용한다.

 

 

실험 결과는

<Sallen-key band-pass filter>

시나리오 1: 99.8%의 정확도로 다른 모델들보다 높은 정확도를 보였다.

시나리오 2: 97.8%의 정확도로 기존 모델보다 3.5% 더 높은 정확도를 보였다.

<Band-stop filter>

시나리오 1:  93%의 정확도로 다른 모델들보다 높은 정확도를 보였다.

 

Conclusion

---

본 논문에서는 아날로그 회로의 결함 진단을 위한 방법을 제안하고 있다.

제안하는 방법은 신호의 스펙트럼을 사용하여 이미지 입력을 만들고 CNN을 기반으로 회로의 결함을 진단한다. 시간영역 신호를 3차원 이미지로 변환하고, CNN모델을 사용하여 어떤 요소에 결함이 있는지 분류를 수행한다.

 

 

논문에서 제안하는 방법에 대한 한계에 대해 적혀 있지 않지만 내가 생각하는 한계는 두 가지가 있다.

1. 복잡하지 않은 두 개의 아날로그 회로에서만 실험하였다.

2. 실제 회로에는 입력이 바뀌는데 실험에서 회로의 입력을 고정하고 실험을 진행하여 회로에서 입력이 바뀌는 경우는 고려되지 않았다.