LOA-RF：面向16位电荷缩放DAC在工艺和环境变化下的智能故障分类框架

《Integration》：LOA-RF: An intelligent fault classification framework for 16-bit charge scaling DACs under process and environmental variations

　　

**摘要**

• 为16位电荷缩放数模转换器（DAC）在工艺和环境变化条件下开发了一种基于机器学习的故障诊断框架。

• 利用五个对故障敏感的参数——积分非线性（INL）、微分非线性（DNL）、输出电压偏差、增益误差和建立时间——生成并分析了8600个故障样本。

• 将狮子优化算法（LOA）与随机森林（RF）分类器相结合，以增强特征选择能力和故障可分性。

• 在阈值电压、氧化层厚度和温度变化条件下，分别实现了99.06%、98.60%和97.67%的故障诊断准确率。

• 为高分辨率DAC架构中的故障诊断提供了一种高效、可扩展且可靠的解决方案，降低了误分类率并提高了测试有效性。

**引言**

数模转换器（DAC）是混合信号集成电路（IC）的基本组成部件，广泛应用于通信系统、仪器仪表、消费电子产品和嵌入式系统中。随着当代混合信号IC复杂度和集成密度的不断增加，通过适当的测试和诊断确保其可靠性已成为一个关键问题。混合信号IC的模拟部分由于操作的连续特性以及制造过程中元件偏差等事件对其性能的显著影响，通常占这些器件总测试成本的较大比例。因此，许多研究人员尝试为电荷缩放DAC开发智能故障诊断技术，以降低测试这些器件的复杂度和总制造成本。电荷缩放DAC因其体积小、功耗低以及支持高分辨率设计的能力而广受欢迎，但其性能可能受到短路和开路等灾难性故障以及工艺/环境变化的不利影响。由于这些变化，给定电路的总体响应可能会发生改变，从而增加了识别这些器件故障的难度。由于其模拟特性，传统的规格测试方法往往成本高昂且耗时。数据驱动方法能够有效学习电路响应与故障条件之间的非线性关系，从而以较少的测试工作量实现准确的故障分类。最近的研究已经证明了神经网络和随机森林在DAC及其他模拟电路故障分类中的有效性。

Terocca [1] 创建了一种早期的片上自测试（BIST）设计系统，借助编解码器（CODEC）实现了在同一芯片内对模数转换器（ADC）和数模转换器（DAC）的同时测试。该论文表明，将不同类型数据转换器的测试器集成到一个片上系统在技术上是可行的。在Terocca的工作之后，模拟电路测试的更多研究集中在面向缺陷的测试和功能性测试方面。在这方面，Sachdev [2] 提出了一种基于模拟电路中实际物理缺陷的面向缺陷的测试流程。Slamani和Kaminska [3] 通过利用故障建模和功能性测试技术进行故障检测和诊断，显著改进了模拟电路的测试。这些研究为开发有效的DAC测试故障模型奠定了坚实的基础。Arabi和Kaminska [4] 在DAC的BIST方面取得了显著成就。在他们的研究中，他们提供了一种适用于DAC和ADC两者的BIST方法。Arabi等人[5]的研究利用了静态参数（增益、偏置、非线性）进行数据转换器的测试。

Ohletz [6] 提出了一种创新的BIST策略，融合了模拟和数字测试技术，旨在减少混合信号IC的测试时间。这凸显了将电路级信息与实际测试架构相结合，以高效且完整地执行测试流程的必要性。利用多项式拟合和特征分析方法来减轻传统BIST实施挑战的方案也得到了提出。Sunter和Nagi [7] 提出了多项式拟合方法用于ADC和DAC的BIST实现。随机数测试变得越来越流行，有助于缩短测试时间并消除测试中的单调性。Pan和Cheng [8] 展示了使用随机数测试的优势，而Tofte等人[9]研究了这种测试类型的优缺点。测试激励的产生仍然是DAC BIST的热门研究领域之一。Azais等人[10]创建了一种简单的自适应斜坡发生器用于DAC测试，而Dufort和Roberts [11]研究了使用sigma-delta调制流作为测试激励的可能性。在参考文献[12]中，作者提出了高线性度斜坡发生器，有助于提高BIST和数据转换器校准的静态参数确定精度。Geelen [13]和Huang等人[14]提供了关于ADC和DAC BIST过程中不同技术的详细公式，以及各种测试和表征转换器的流程。在参考文献[15]中，作者研究了电流调节DAC建模和实现的方面，而Lin和Bult [16]从电路设计角度探索了高速CMOS DAC的各种架构并对其进行测试。这些工作说明了电路级的不完美如何影响DAC的性能和可测试性。

大多数近期论文主要集中于结构缺陷检测技术和高效的诊断方法。Gowrishankar等人[17]讨论了使用机器学习进行功耗估算。在参考文献[18]中，进行了与R-2R梯形DAC相关的故障类型研究，并验证了所应用的方法。在参考文献[19]中，为数据转换器提出了高精度且经济高效的BIST技术，涵盖了与测试核心开销和高分辨率实现可扩展性相关的问题。参考文献[20]包含了关于片上系统（SoC）中数据转换器协同测试的信息。虽然许多近期研究集中在ADC的BIST方法上，但其他研究也可能适用于DAC测试。Liu等人[21]研究了SAR ADC BIST的DNL建模技术实现。Zhang等人[22]提出了SRAM的BIST方法，而Jangir等人[23]发现了一种ADC性能测量的片上BIST技术。尽管这些研究关注不同类型的电路，但用于生成测试模式、参数测量和片上测试实现的方法在考虑数据转换器BIST系统设计时具有重要意义。

基于信号处理的故障检测技术也已在混合信号和模拟电路中得到探索。例如，Hou等人[24]介绍了一种基于小波变换分析的故障检测方法，而Zhang等人[25]利用小波变换技术跟踪滤波器电路中的故障。这证实了根据被测电路的输出信号诊断故障的可行性。此外，Govindaraj等人[26]研究了基于AI的用于FPGA和存储器硬件上逻辑和数字电路的BIST方法。这些发展表明了智能算法在自动化故障识别方面的日益增长的潜力，并为将机器学习技术融入数据转换器测试提供了有用的方向。据Rajpal等人[27]所述，专家们基于电路频率响应相关信息利用机器学习技术提出了一种新的电路参数诊断方法，从而开发出更具可解释性和可理解性的模型。另一组研究人员Singhal和Ahmad [28]创建了一种新颖的堆叠集成教学方法，帮助提高不同故障识别模型在电路诊断中的效率。因此，Zhao等人[29]开发了一种模型分割方法，以提高用于电路诊断的替代测试的质量。Kouamo等人[30]引入了由机器学习改进的内建自测试技术的协同作用，以确保电路的高效评估。Ou和Zhu [31]的研究提供了一种新的信号分析方法，用于诊断电路中的故障。与他们的研究工作相比，An (Y)在参考文献[32]中回顾了电路相关故障诊断程序的应用，而Dieste-Velasco [33]展示了故障诊断训练技术的成功。Deng等人[34]建议应用基于CNN-LSSVM的质量诊断方法。此外，Guven等人[35]综述了基于人工智能的设计技术，概述了采用AI的威胁和益处。

**本研究的创新之处**在于开发了一种基于LOA-RF的电荷缩放DAC智能故障诊断系统，该系统考虑了灾难性故障、工艺变化和环境影响。该模型利用狮子优化算法进行特征选择，以实现更好的故障分离、减少冗余信息，从而达到更好的分类性能。与传统的基于RF和SVM的故障检测方法（这些方法使用预定义的特征集和固定的分类器参数）不同，本文提出的LOA-RF提出了一种基于优化的特征选择和分类方法。LOA执行一个优化过程来选择最相关的特征并增强RF学习模型。虽然基于优化的故障诊断技术主要集中于优化分类器参数，但LOA-RF的优势不仅意味着更好的分类率，还使其能够创建一个井然有序的降维流程，同时确保无论电路如何变化都能成功进行故障诊断。据报道，LOA-RF的分类准确率达到99.06%，而SVM为98.14%，CNN为94.88%。

本文介绍了一种创新的方法，即将狮子优化算法-随机森林（LOA-RF）应用于在工艺和温度变化条件下的16位电荷缩放数模转换器（DAC）系统中灾难性故障的分类。LOA被恰当地应用在一个由两个组件组成的新框架中：狮子优化算法（LOA）用于最优特征选择，随机森林（RF）用于分类目的，从而促进减少特征冗余、增强类别分离以及提高分类准确性和鲁棒性。对提出的LOA-RF框架与传统支持向量机（SVM）方法和CNN的对比表明，LOA-RF在工艺和温度变化的影响下仍能交付更好的分类结果，同时保持较低的复杂度和运行可靠性。

本文的主要贡献概述如下：

1. 将新的LOA-RF框架应用于16位电荷缩放DAC在阈值电压、氧化层厚度和温度变化条件下的灾难性故障分类。

2. LOA特征优化技术有助于选择最相关的故障敏感特征，从而消除冗余并提高随机森林分类器的判别能力。

3. 使用Cadence Virtuoso/Spectre在各种加工条件和环境影响下创建了一个包含8600个样本和215个故障案例的大量仿真数据集。

4. 使用积分非线性（INL）、微分非线性（DNL）、输出电压偏差、增益误差、偏置误差和建立时间等多种性能指标进行详细的故障表征。

5. 使用SVM和CNN进行的实验表明，LOA-RF框架在分类准确率、可靠性和计算效率方面优于这两种技术。

**论文结构**：第1节介绍引言和相关文献综述。第2节描述DAC的设计和实现。第3节详细说明故障模型的建立以及用于训练和测试的数据集生成。第4节提出基于LOA-RF的16位电荷缩放DAC故障分类方法，第5节和第6节分别讨论基于SVM和基于CNN的故障分类方法。第7节展示实验结果及相应分析。最后，第8节总结关键发现并对论文进行结论。

**章节片段**

**数模转换器设计**

使用Cadence EDA工具完成了一个16位电荷缩放数模转换器（DAC）的实现和仿真。在以下测试中，通过引入温度（TEMP）、氧化层厚度（TOX）和阈值电压（VTHO）的变化来改变工作条件，以测试DAC在实际条件下的运行情况。在最终结果中，通过Cadence仿真获得的输出结果与理论结果进行比较，从而

**DAC架构的故障模型**

为了确定所提出的基于机器学习的故障分类系统能否适用于16位电荷缩放DAC，创建了一个完整的结构故障模型，用于仿真各种类型的灾难性故障，包括栅源短路（GSS）、栅漏短路（GDS）、漏源短路（DSS）、栅开路（GO）、漏开路（DO）、源开路（SO）和电容短路（CS）。

该模型包含了所有可能发生的重大故障类型，这些故障可能发生在此处。提出的狮子优化算法 - 随机森林（LOA–RF）故障分类框架。选择 LOA–RF 框架进行故障分类，是因为它结合了 LOA 强大的优化能力和随机森林稳健的分类性能。故障诊断应用在其过程中使用特征，但这些特征中许多可能包含冗余、无关或高度相关的信息，这会阻碍分类准确性。狮子优化算法通过提取故障敏感特征并优化参数来解决此类问题。

基于支持向量机的 16 位电荷缩放数模转换器故障分类：支持向量机（SVM）算法用于检测数模转换器（DAC）中发生的灾难性故障。与其他基于神经网络的方法不同，SVM 技术通过最大化多维特征空间中不同故障类型之间的分离间隔来创建理想边界。由于即使数据...的情况下 SVM 算法也具有良好的泛化能力，证明其是混合信号电路故障诊断的合适选择。

基于 CNN 的 16 位电荷缩放数模转换器故障分类：创建了一个一维卷积神经网络（1D-CNN），通过使用该器件中提取的电气特征来识别 16 位电荷缩放数模转换器（DAC）中存在的临界错误。输入该网络的由六个被考虑的参数组成。尽管特征向量是低维的，但仍使用 1D-CNN 来理解其学习从 DAC 获得的信息中的局部关系和非线性能力的重要性。该 CNN

结果与讨论：对于提出的故障分类框架，使用了 Cadence Virtuoso 和 MATLAB 的组合。16 位电荷缩放 DAC 的设计与仿真是在 Cadence Virtuoso 中使用 Spectre 仿真器进行的，同时注入了灾难性故障并变化参数，然后导出至 MATLAB R2023a 以使用机器学习进行故障分类。在 MATLAB 中，狮子优化算法（LOA）被用于特征子集优化。LOA 最大化了分类

结论：狮子优化算法 - 随机森林是本文讨论的智能故障诊断策略，用于分类 16 位电荷缩放数模转换器中发现的灾难性故障。该框架的性能与支持向量机和卷积神经网络分类器进行了比较。它开发了一个广泛的故障模型，包括 215 种灾难性故障类型，考虑了电压阈值、氧化

资助：本研究未获得外部资助。

利益冲突声明：作者声明他们没有已知的竞争性财务利益或个人关系，这些可能影响本文报告的工作。L. Jubair Ahmed|V. Govindaraj|C. Ezhilazhagan|D. Preethi