科学和技术的快速发展导致电子电路广泛应用于日常生活的各个方面。随着电路变得越来越复杂，尤其是在关键应用中，对电路可靠性能的需求也在增加。在大规模集成电子系统中，复杂的操作机制使得故障诊断更加困难。在微电子电路中，大约80%的故障发生在模拟部分[1]。因此，及时准确地识别模拟电路中的故障至关重要。模拟电路通常会遇到两种主要类型的故障：灾难性故障和参数故障[2]、[3]。灾难性故障发生在组件完全失效时，例如开路或短路，通常更容易检测。相比之下，参数故障发生在组件值偏离其标称值时，导致功能异常，并且在电路运行过程中更频繁发生[1]。诊断参数故障，特别是在滤波器和振荡器等组件中，至关重要。本研究专门关注参数故障，因为它们对准确诊断提出了更大的挑战。
基于有源元件的滤波器，包括使用运算放大器（op-amps）、第二代电流传输器（CCII）、跨导放大器（OTA）、差分电压电流传输器（DVCC）、差分差分电流传输器（DDCC）和MOSFET设计的滤波器[4]、[5]、[6]、[7]、[8]，在文献中得到了广泛研究。特别是基于MOSFET的滤波器，与其他有源元件相比具有多个优势，包括组件数量最少、无需电阻器、可在低供电电压下工作、功耗低、高频操作、电子可调以及高效的IC面积利用。仅由MOSFET和电容器组成的MOSFET-C架构具有优势，因为它消除了电阻器，并且核心结构简单，只需要少量的MOSFET。
由于现代集成系统的复杂性和模拟组件（尤其是滤波器）在维持系统可靠性中的关键作用，近年来模拟电路中的故障诊断受到了相当多的关注。大量文献集中在使用运算放大器的电路上，其中应用了各种机器学习（ML）和深度学习（DL）技术来检测和分类故障。这些方法之间的一个根本区别在于特征提取过程：传统ML方法需要手动或算法特征工程，而DL模型能够直接从原始数据中自动学习层次化特征表示。这些研究共同证明了人工智能（AI）驱动的方法在识别和分类模拟电路中的复杂故障模式方面的有效性[9]、[10]、[11]。例如，Taye [9] 评估了基于ML的方法在模拟系统中的诊断准确性；Janiesch等人[10]探讨了AI在工业数字化转型中的更广泛影响。Sharifani和Amini [11]研究了模拟故障诊断技术在工程领域的实际应用。
同时，最近的研究强调了开发结合了传统ML技术和DL架构的混合模型。这种混合方法旨在利用两种范式的互补优势，结合了传统ML的可解释性和较低的数据需求以及DL的表示能力，以提高诊断准确性和泛化能力[12]、[13]、[14]。Kim和Behdinan [12]讨论了DL和ML方法在智能制造系统中的协同作用。同样，Shahin等人[13]验证了混合AI策略在先进制造技术中用于故障诊断的适用性。此外，Qaid等人[14]证明，结合神经认知计算的混合框架可以显著提高故障检测性能。
多项研究探讨了将ML和DL算法应用于模拟电路故障诊断和分类。卷积神经网络（CNN）及其基于CNN的架构在诊断滤波器故障方面表现出显著的效果，这主要归功于它们从信号表示中提取局部特征的能力[15]、[16]、[17]。为了提高诊断性能，提出了包含更深层次和注意力机制的先进CNN模型[18]。
支持向量机（SVM）由于其在高维特征空间中的强大泛化能力，仍然是最常用的分类器之一[19]、[20]、[21]。为了解决高维问题，结合了降维技术（主成分分析PCA）和SVM的混合方法显示出更高的分类准确性[22]。此外，还包括粒子群优化（PSO）在内的元启发式优化算法也被用来优化SVM参数，从而提高了性能[23]。基于群体智能的框架也被研究用于有效的特征选择和模型优化[24]。
集成学习方法，特别是随机森林（RF），由于其对过拟合的抵抗能力和可解释性而变得流行[25]。一些研究通过将RF与k最近邻（KNN）和反向传播神经网络（BPNN）相结合，结合了不同分类器的优势[26]。最近，深度森林（DF）架构作为传统深度神经网络的替代方案出现，提供了不需要基于梯度的优化层次化表示学习[27]。在可解释性和基于规则的推理至关重要的场景中，如自适应神经模糊系统（ANFIS）等神经模糊系统在故障分类中表现出有效性[28]。结合无监督预处理方法PCA与k均值聚类（KMC）和ANFIS的混合方法通过整合模糊规则学习展示了增强的诊断性能[29]。其他值得注意的方法包括用于层次化特征提取的深度信念网络（DBNs）[30]和用于捕获时域故障特征的脉冲响应分析[31]。尽管这些技术种类繁多且有效，但需要注意的是，现有研究主要集中在基于运算放大器的滤波电路上。尽管运算放大器也是有源元件，但最近的模拟滤波器实现越来越多地使用OTA、CCII和MOSFET-C架构等替代有源构建块。文献中没有专门针对OTA、CCII和基于MOSFET的滤波器的参数故障诊断的研究。鉴于这些有源组件在高性能模拟设计中的使用日益增加，迫切需要专门的诊断方法来解决它们的独特特性和故障行为。
本研究的主要目标是识别可能对电路功能产生负面影响的电路组件中的参数故障。提出了一种结合邻域组件分析（NCA）和CNN的混合学习方法，用于诊断基于MOSFET-C的滤波器中的参数故障。在本研究中，NCA提供了一种线性变换，将KNN算法与优化的学习距离相结合进行特征提取，而CNN用于故障诊断。NCA是一种用于高维数据集降维的传统监督ML算法，它特别适用于大规模数据，通过基于特征权重的特征选择保留最具信息量的特征子集。尽管进行了降维，原始数据集的基本属性得到了保留[32]。所提出的混合NCA-CNN方法的有效性与CNN和PCA-CNN方法进行了比较，其诊断准确率达到了99%。这是首次针对MOSFET-C滤波器中的参数故障进行研究的论文。它还展示了NCA算法在模拟电路故障诊断中的性能。此外，这些发现可能也适用于其他类型有源滤波器的故障诊断。第2节描述了作为测试电路的MOSFET-C滤波器结构。它还描述了使用NCA进行故障建模和特征提取的过程。第3节展示了实验结果和讨论，包括故障频率响应、使用PCA-CNN进行故障诊断以及混合NCA-CNN模型的性能。最后，第4节给出了结论。
