عیب یابی هوشمند در ادوات rf mems
چکیده
در این تحقیق روش های هوشمند جهت عیب یابی و تست ادوات rf mems پیشنهاد خواهند گردید. ابتدا اشاره ای کوتاه به انواع عیب در ادوات mems خواهد شد در مرحله بعد سه عدد re mems بعنوان نمونه، انتخاب و کلیه حالات معیوب و سالم آن ها شبیه سازی می گردند. سپس با استفاده از داده های حاصل از شبیه سازی، روش های معروف و معمول عیب یابی مدارهای آنالوگ ارزیابی شده و توانایی آن ها در عیب یابی ادوات rf mems بررسی و مقایسه می شوند. از بین این روش ها بهترین روش، یعنی شبکه عصبی rhpnn انتخاب گردیده و در مرحله بعد برای بهبود عملکرد شبکه عصبی rhpnn سه راه حل پیشنهاد می شوند. در راه حل پیشنهادی اول با استفاده از الگوریتم lms و انتشار معکوس خطا، وزن های شبکه عصبی mrhpn دوباره تنظیم می گردند. در راه حلی پیشنهادی دوم از یک سیستم فازی برای تغییر و تنظیم وزن های شبکه عصبی frhpnn استفاده می شود. این دو روش برای عیب یابی نمونه های مورد مطالعه، در بهترین حالت باعث بهبود 11 درصدی نتایج شدند ولی اشکال آن ها اینست که در بعضی موارد الگوریتم آموزشی و وزن های شبکه ناپایدار می گردند. روش پیشنهادی سوم، روش lvq-rhpnn می باشد. در این روش ابتدا الگوهای معیوب بوسیله الگوریتم lvq پیشنهادی به چند زیر کلاس تقسیم و سپس از آن ها برای آموزش شبکه عصبی استفاده می شود. در این تحقیق، روش lvq جدیدی پیشنهاد می گردد که علاوه بر سادگی، عیب های موجود در روش های معمول lvq در آن برطرف شده است. مشخص کردن مقادیر اولیه بردارهای فزونی، تغییر و تنظیم نرخ یادگیری برای هر بردار فزونی بطور پیوسته مستقل از دیگر بردارها، استفاده از یک روش جدید برای شناسایی بردارهای فزونی نامناسب و جایگزینی آن ها با بردارهای جدید از مزایای روش lvq پیشنهاد می باشد. نتایج حاصل از شبیه سازی نمونه های مورد مطالعه نشان دهنده توانایی بیشرو روش پیشنهادی lvq-rhpnn نسبت به سایر روش های هوشمند عیب یابی است. بهبود درصد عیب یابی این شبکه در مقایسه با شبکه rhpnn بین 4 تا 23 درصد می باشد. در مرحله آخر نیز شبکه پیشنهادی lvq-rhpnn ساده تر می شود تا بتوان از آن بعنوان یک مکانیسم bist استفاده و حتی الامکان آنرا بصورت سخت افزاری پیاده سازی کرد مکانیسم bist پیشنهادی در مقایسه با شبکه lvq-rhpnn اصلی ساده تر می باشد. اگرچه ساده سازی شبکه باعث کاهش توانایی غیب یابی آن شده است ولی کاهش درصد عیب یابی مقداری کوچک است. برای نمونه های مورد مطالعه کاهش درصد عیب یابی در بدترین حالت 4% است. در این پروژه همچنین یک روش جدید عیب یابی ادوات rf mems نبتنی میتنی بر الگوریتم های ژنتیک ارایه می گردد که در آن با استفاده از تعریف تابع برازندگی "نزدیکی" نمونه های معیوب و سالم از هم تشخیص داده می شوند. از این روش می توان برای عیب یابی مدارهای الکترونیکی هم استفاده کرد.
