Выявление места возникновения неисправности в аналоговых цепях может оказаться довольно трудоёмким процессом, так как существуют известные препятствия при измерении токов без разрыва соединений и отсутствуют модели неисправностей аналоговых компонент по подобию моделей выявления неисправностей по «0» (stuck-at-zero) и по «1» (stuck-at-one), широко применяющиеся во время тестирования цифровых схем.

Рис. 1.1. Классификация по стадии процесса проверки, на которой производится моделирование проверяемой цепи

Существует четыре основных метода обнаружения неисправностей аналоговых электронных средств: метод справочников неисправностей, параметрическая идентификация, методы контроля неисправностей и приближенные методы.

Обычный подход к составлению справочника неисправностей состоит в автоматической проверке цифровых схем состоит в сравнении выходных сигналов неисправных плат с занесенными в память значениями выходных сигналов с помощью автоматического испытательного оборудования (Automatik Test Equipment- ATE).

Составление справочника состоит из следующих шагов:

1)формирование определений неисправностей, которые охватывают наиболее вероятные их типы (в последствии могут быть идентифицированы только эти типы неисправностей);

2)моделирование проверяемой цепи (ПЦ) для каждого из гипотетических случаев неисправности;

3)формирование справочных перечней входных воздействий и выходных реакций, на основе которых выявляются и локализовываются неисправности;

4)занесение характеристик выходных реакций (сигнатуры) в справочник с целью последующего использования для оперативной идентификации неисправностей.

Во время проверки на неисправную ПЦ подаётся такой же входной сигнал, что был использован при составлении справочника. Полученные значения сравниваются с значениями, записанными ранее в справочник.

Для формирования справочника необходимо сначала выбрать входные сигналы цепи и способ моделирования, которые необходимы для измерения выходных реакций. Будем классифицировать модели по способу моделирования:

1)метод моделей по постоянному току;

2)метод частных моделей (основан на использовании синусоидальных возбуждающих сигналов);

а) подход Сешу и Уоксмэна (справочник формируется с использованием только измерений входов/выходов и информации об амплитудных характеристиках);

b) метод билинейного преобразования (метод опирается на факт того, что передаточную функцию можно представить в виде билинейной функции);

c) метод распознавания с использованием разреженных матриц (основан на использовании частотного отклика для формирования разреженной матрицы);

3)методы анализа во временной области;

а) метод псевдослучайных сигналов (цепь возбуждается псевдослучайным сигналом, как на рис.2);

2. Исследование формирования эффективных тестовых воздействий для выявления неисправностей в цифровых электрических цепях

2.1 Обзор методы формирования тестов для цифровых устройств

Главной задачей построения теста является поиск такой комбинации входных данных, при подаче которой на объект диагностирования (ОД), можно сделать вывод о его техническом состоянии.

Хороший тест позволит быстро и достаточно точно определить причину неисправности, но, в общем, тест это любая последовательность входных данных подаваемых на ОД.

Введем основные понятия.

Последовательность входных данных, которая обеспечивает максимальную возможную полноту контроля называется контролтрующем тестом.

Тест на котором обеспечивается максимальная возможная различимость неисправноестей называется диагностическим.

Контролирующий или диагностический тест называется тупиковым контролирующим (диагностическим) тестом, если при удалении из него любого входного наборв приводит к изменению полноты контроля.

Для наглядных отображений ОД используют таблицы функций неисправностей (ТФН) и таблицу неисправностей (ТН). Эти формы представляют ОД в исправном и неисправном виде.

Построение ТФН и ТН процесс, который занимает не мало ресурсов, но при этом структура этих таблиц довольно проста.

Методы диагностирования основаны на ТФН и ТН чаще всего используют, когда количество неисправностей может быть выделено. При этом затраты на подготовку окупаются за счет диагностирования большого числа однотипных объектов.

Кроме этого, ТФН и ТН очень наглядны и удобны.

ТФН содержит в себе сведения о поведении исправного ОД и ОД с допустимыми неисправностями.

Таблица состоит из подтаблиц, количество которых равно количеству неисправностей и еще одной подтаблицы для исправных ОД.

Строки в таблице соответствуют количеству проверок, а столбцы в матрице соответствуют количеству контролируемых параметров.

Для проверки ОД мы подаем тестовые воздействия и снимаем результаты с контролируемых параметров. Далее полученные результаты сравниваем с матрицами поочередно.

Может возникнуть такая ситуация, что значения некоторых матриц совпадают, в этом случае эти матрицы объединяются в одну группу.

Также, существует таблица неисправностей. Она позволяет более наглядно увидеть, какие КП отличаются от эталонных при разных неисправностях.

ТН не имеет матрицы со значениями исправного ОД, а в остальных матрицах вместо значений КП пишется результат сравнения значений эталонных КП со значениями из ТФН.

Существуют различные методы формирования тестовых воздействий. Рассмотрим некоторые из них:

1. Случайные и детерминированные методы формирования тестов.

В случайном методе формирования тестов используется подбор случайных алгоритмов для включения в создаваемый тест.

Эти алгоритмы анализируются с целью оценки диагностических возможностей. Если случайно выбранный набор проверяет какие-то дополнительные неисправности, его включают в тест.

Алгоритм детерминированного метода направлен на целенаправленный подбор входных данных. Они выбираются, опираясь на структуру ОД.

Алгоритм последовательно выбирает одну из неисправностей и специально для нее подбирает, входной набор.

Процесс построения тестов в этом методе заключается в следующем:

a) Определение всех допустимых неисправностей.

b) Поиск тестовой последовательности для проверки неисправности

c) Построение схемы по тестовому набору для определения подмножества проверяемых на данном наборе неисправностей

d) Исключение проверяемых неисправностей из начального списка и включение выбранного набора в тест.

e) Определение полноты проверки схемы на смоделированном тесте

f) При удовлетворили полноты завершается алгоритм, иначе повтор с п. 2.

2. Получение тупиковых тестов с использованием таблиц неисправностей

В качестве ОД в этом способе используется двоичная ТН, в которой одинаковые столбцы объединяются в один.

Тогда получается, что контролирующим тестом является совокупность строк ТН, в которых в каждом столбце стоит хотя бы одна единица, диагностическим тестом является совокупность строк, в которых любая пара столбцов имеет разные значения хотя бы в одной из строк

3. Метод активизации одномерного пути

Основной принцип метода активизации заключается в том, что он строится от места неисправности.

Например, через последовательность некоторых элементов D2, ..., DN от неисправного до одного из внешних контролируемых выходов объекта.

Входные сигналы элементов D2, ..., DN, блокирующие прохождение сигнала от Di, выбираются так, чтобы по сигналу на выбранном внешнем контролируемом выходе можно было сделать выводы о состоянии элемента Di.

При этом на входы неисправного элемента Di подаются сигналы, при которых неисправность проявляется на его выходе.

4. d-алгоритм

Для рассмотрения данного алгоритма водится понятие логического куба. Под логическим кубом понимается вектор размерностью n координаты которого имеют одно из пяти значений (0, 1, x, d, d*).

0 и 1 представляют обычные булевы значения, x - неопределенное значение. Символ d может иметь значение логических 0 и 1, определенное значение устанавливается во время работы алгоритма, d* - обратное значение d.

Над парой логических кубов A = (a1, …, an) и B = (a1, …, an) проводятся операции пересечения, которые выполняются поразрядно по следующим правилам на рис. 2.1.

Рис. 2.1.

В данном алгоритме описание каждого элемента схемы содержит 3 вида кубов, которые потом используют при построении тестов: вырожденные (сингулярные) кубы, d-кубы элементов и d-кубы неисправностей элементов.

Также существуют такие методы формирования тестов как: построение теста по методу булевой производной, построение теста по методу эквивалентной нормальной формы, построение тестов для микропроцессорных систем.

2.2 Использование модели конечного автомата для построения тестов

Было принято решение использовать этот метод построения тестов для цифровых ЭС, так как этот метод один из самых удобных для реализации с помощью электронно-вычислительных машин.

Суть этого метода заключается в том, что тесты строятся по автоматной модели, то есть объект диагностирования представлен в виде таблицы и графа переходов. Однако построение графов и таблиц переходов становится затруднительным для схем с большим количеством элементов памяти. Помимо этого, в этой модели отсутствует информация о конкретной схемной реализации объекта диагностирования, это затрудняет оценку полноты контроля тестов, которые мы получаем для практического решения задач поиска неисправностей.

Далее, рассмотрим один из таких методов применительно к автомату. В этом методе строится тест, который обладает таким свойством, что при воздействии этого теста автомат должен побывать в каждом состоянии и совершить все возможные переходы

Таблица 1 Таблица переходов автомата

Рассмотрим граф переходов (рис. 2.2). Видно, что автомат имеет четыре возможных состояния. Над переходами через символ «/» изображены входные воздействия и выходной сигнал. В таблице 1 через символ «/» отображается следующее состояние и выходной сигнал.

Рис. 2.2. Граф переходов автомата

Построение данного теста представляется из следующих операций:

1. Сначала определяется последовательность, которая позволяет перевести автомат в какое-то начальное состояние Z0 из любого состояния автомата. Такая последовательность называется синхронизирующей. Эту последовательность не трудно определить, в данном случае состояние 3 (рис. 2.2.) рассматривается как Z0. Из таблицы 1 видно, что в состоянии 1, 2 и 3 после подачи набора X0, автомат переходит в состояние 3. Если применить X0 в состоянии 4, то автомат окажется в состоянии 1, из которого с помощью того же воздействия он перейдет в 3. Таким образом получилась синхронизирующая последовательность X0 X0.

2. После, начинается построение теста. Для этого выбирается начальное состояние Z0, и далее выбираем воздействие, которое переведет автомат в какое-то другое. Например, чтобы перейти из состояния 3 в состояние 2, то надо подать Х1. При этом на выходе автомата появится сигнал y0.

3. Выбираем переход, переводящий автомат в новые состояния, и так до тех пор, пока автомат не пройдет через все переходы и состояния. В таблицу записываются значения входных/выходных сигналов, соответствующих каждому из этих переходов.

4. Возможно, найдется состояние, в которое нельзя попасть из состояния Z0. Тогда требуется перевести автомат в любое другое состояние, из которого возможен ранее недоступный переход. Затем выбирается последовательность входных наборов, которая позволяет пройти через все состояния и сделать все переходы. Эта последовательность и будет являться тестом для автомата.

3. Исследование методов машинного обучения в области технической диагностики

Техническая диагностика объекта часто сводится к оценке его работоспособности и осуществляется с целью увеличения уровня отказоустойчивости системы.

Основная задача - распознать состояние объекта. Под этим мы подразумеваем отнесение объекта к определённому классу неисправности. Распознавание осуществляется на основе результатов измерений ряда косвенных параметров в условиях ограниченной информации. Крайне важной задачей является подбор параметров, характеризующих состояние системы. Оценка состояния системы осуществляется во время продолжающейся работы, поэтому получение информации обычно затруднено. Решение проблем технической диагностики связано также с прогнозированием состояния технического объекта.

3.1 Основные этапы работы

В настоящее время в современном отечественном и зарубежном промышленном производстве структура работы с данными происходит в три этапа:

1.Сбор данных от всех возможных датчиков;

2.Хранение полученных данных на серверах, формирование базы данных;

3.Управление производственными процессами с использованием автоматизированных систем управления.

В приведенной выше ситуации можно анализировать и обрабатывать только собранную информацию, а также выявлять определенные тенденции в частоте событий и принимать организационные и стратегические решения, например, в области техническое обслуживание и ремонт оборудования.

Основным недостатком существующей системы работы с данными в промышленном производстве является отсутствие технологии машинного обучения и прогностической аналитики.

По мнению экспертов Harvard Business Review и McKinsey, компании, применяющие машинное обучения, на 5% более продуктивны и на 6% более выгодны, чем конкуренты.

Машинное обучение является одним из современных методов статистической обработки и анализа данных, и, в отличие от традиционно применяемого анализа, результатом которого является линейная зависимость, этот метод может быть использован для сложных, динамических и слабо изученных процессов с большим числом параметров.

3.2 Типы обучения

Существует два типа обучения:

1. Изучение посредством прецедента или индуктивного обучения основано на идентификации эмпирических шаблонов в данных.

2. Дедуктивное обучение предполагает формализацию знаний экспертов и передачу их на компьютер в виде базы знаний.

Дедуктивное обучение обычно относится к области экспертных систем, поэтому термины машинного обучения и обучения с использованием прецедентов можно считать синонимами.

4. Обзор и анализ видов нейронных сетей

1. Перцептрон

Самая простая и самая старая модель нейрона, какой мы ее знаем. Принимает информацию на входах, суммирует её, применяет функцию активации и передает на выходной уровень.

2. НС прямого распространения

Также довольно старая модель - подход впервые был описан в 50-е годы. Как правило, НС прямого распространения соответствуют следующим правилам:

a) все узлы полностью подключены;

b) активация осуществляется с входной ячейки на выходной, без обратных контуров;

c) есть один скрытый слой между входом и выходом.

3. НС радиально-базисных функций

Нейронные сети радиально-базисных функций на самом деле являются НС прямого распространения, которые используют радиальную функцию как функцию активации вместо логической функции.

Логическая функция отображает произвольное значение в диапазоне 0 ... 1, отвечая на вопрос «да или нет». Это хорошо для систем классификации и принятия решений, но плохо работает для непрерывных значений. Именно радиально-базисные функции и позволяют работать на непрерывных значениях.

4. НС глубокого прямого распространения

Именно эти нейронные сети дали толчок к развитию глубинного обучения в 90-х. Казалось бы, те же самые НС прямого распространения, но с несколькими скрытыми слоями.

Однако это отличие НС глубокого прямого распространения позволяет существенно сократить время обучения. Сейчас они образуют ядро современных систем машинного обучения, охватывающих те же цели, что и НС прямого обучения, но с гораздо лучшими результатами.

5. Рекуррентные НС

Рекуррентные нейронные сети начали использовать новый тип ячеек - рекуррентный. Первая сеть этого типа была так называемой сетью Jordan, когда каждая из скрытых ячеек получала собственный результат с фиксированной задержкой - одну или несколько итераций.

Этот тип нейросетей, в основном, используется, когда решения прошлых итераций или выборок могут влиять на текущие. Наиболее распространенными примерами таких задач являются обычные тексты - слово может анализироваться только в контексте предыдущих слов или предложений.

6. Кратковременная/долгосрочная память

Этот тип использует ещё один новый элемент - ячейку памяти, которая способна обрабатывать данные, когда имеют место быть временные интервалы (или задержки). Рекуррентные сети могут обрабатывать тексты, «имея в виду» десять предыдущих слов, а сети краковременной/долгосрочной памяти могут обрабатывать видеофрагмент «имея в виду» то, что было много кадров назад. Они также используются для записи и распознавания речи.

7. Управляемые рекуррентные нейроны

Эти нейросети отличаются конструктивно от предыдущих, что позволяет им быть менее ресурсоёмкими, но не менее эффективными. Применяются для звукового (музыкального) синтеза речи.

8. Автокодировщик

Автокодировщик используется для классификации, кластеризации и сжатия объектов.

НС прямого распространения необходимо «контролируемое обучение», в то время как автокодироващик может делать это без присмотра.

Их особенностью является количественное превосходство входных ячеек над скрытыми. К тому же, количество выходных ячеек равно количеству входных.

9. Вариационные автокодировки

Несмотря на то, что изменение по сравнению с обычным автокодировщиком незначительно, эти два подхода имеют разительные отличия.

Если автокодировщик отвечает на вопрос «как обобщить данные, то вариационный автокодировщик - «насколько сильна связь между двумя событиями и следует ли распространять ошибку между ними или они полностью независимы».

10. Шумоподавляющие автокодировки

Автокодировщики довольно точны в результатах, но иногда вместо того, чтобы находить наиболее надежные функции, автокодировщики просто адаптируются к входным данным.

Шумоподавляющие автокодировки добавляют немного шума на входные ячейки - изменяют данные случайным битом. Таким образом, восстанавливаются выходные данные из немного шумного ввода, что делает его более общим и заставляет нейронную сеть выбирать более общие функции.

11. Разреженный автокодировщик

Еще один тип автокодировщика, который в некоторых случаях может выявить скрытые паттерны группировки в данных. Структура такая же, как и в обычном автокодировщике, но количество скрытых ячеек больше, чем количество клеток ввода / вывода.

12. Цепи Маркова

Цепи Маркова - довольно давно известные графы, где каждое ребро имеет вероятность. В старые времена они использовались для построения текстов типа «после слов привет, у нас может быть слово «дорогая» с вероятностью 0,0053% и слово «ты» с вероятностью 0,03551%». T9, кстати, использует Цепи Маркова для прогнозирования пользовательского ввода.

Цепи Маркова не являются нейронными сетями в классическом понимании, но они могут использоваться для классификации, основанной на вероятностях (например, байесовских фильтрах), для кластеризации (в некотором роде) и применительно к конечному автомату.

13. Сети Хопфилда

Сети Хопфилда обучаются на ограниченном наборе примеров, поэтому они отвечают на входные данные соответственно изученному ранее образцу. Каждая ячейка служит входной ячейкой перед обучением, скрытой ячейкой во время обучения и выходной ячейкой при использовании нейросети.

Такие сети могут использоваться для шумоподавления и восстановления входов. Получив половину последовательности, они вернут полный образец.

14. Машина Больцмана

Машины Больцмана очень похожи на НС Хопфилда. Здесь входные ячейки становятся выходными, как только каждая скрытая ячейка обновляет свое состояние (во время обучения, Машины Больцмана и Сети Хопфилда обновляют ячейки одна за другой, а не параллельно).

Многошпиндельные Машины Больцмана могут использоваться для так называемой сети глубоких убеждений, которая используется для обнаружения и извлечения функций.

15. Ограниченная машина Больцмана

Ограниченная Машина Больцмана напоминают по структуре обычные Машины Больцмана, но из-за ограниченности могут обучаться с использованием метода обратного распространения ошибки точно так же, как НС прямого распространения.

16. Сеть «Dеер Belief»

DB сети, упомянутые выше, фактически представляют собой набор Машин Больцмана, окруженных вариационным автокодировщиком. Они могут быть соединены вместе: когда одна нейросеть обучает другую.

17. Свёрточные НС

В настоящее время являются самыми популярными среди нейронных сетей. Они содержат сверточные ячейки (или объединяющие слои) и ядра, каждое из которых служит отличной от предыдущей цели.

Ядра свертки фактически обрабатывают входные данные, а слои объединения упрощают их (в основном, используя нелинейные функции, такие как max), уменьшая ненужные функции.

Обычно используются для распознавания изображений: такие сети работают с небольшим подмножеством изображения (примерно 20х20 пикселей). Окно ввода сдвигается вдоль изображения, пиксель за пикселем. Данные передаются на уровни свертки, которые образуют воронку (сжимают обнаруженные объекты). С точки зрения распознавания изображений первый слой обнаруживает градиенты, второстепенные линии, третьи формы и т. Д. В масштабе конкретных объектов свёрточные нейронные сети обычно прикрепляются к конечному сверточному слою для дальнейшей обработки данных.

18. Развёртывающие НС

Развёртываюшие нейросети -- это перевёрнутые свёртывающие. Они принимают изображение апельсина и создают вектор, подобный {яблоко: 0, груша: 0, банан: 0, апельсин: 1}. Развёртывающие НС могут взять такой вектор и нарисовать кота.

19. Глубокие свёрточные обратные глубинные сети

Глубокие Свёрточные Обратные Глубинные Сети выглядят как свёрточная и развёрточная сети, склеенные вместе, но на самом деле, это автокодер.

Две описанные выше сети не действуют как отдельные, вместо этого они являются разделителями для ввода и вывода сети. В большинстве случаев Глубокие Свёрточные Обратные Глубинные Сети могут обрабатывать изображения, которые они не изучали ранее. Эти сети могут удалять определенные объекты из изображения, повторно рисовать их или, например, заменять лошадей зебрами, как это сделал знаменитый CycleGAN.

20. Генеративно-состязательная связь

Представляет собой огромное семейство двойных сетей, которые состоят из генератора и дискриминатора. Они постоянно пытаются обмануть друг друга - генератор пытается сгенерировать некоторые данные, а дискриминатор, получая образцы данных, пытается сгенерировать данные из образцов. Такая сеть может генерировать реальные изображения, если пользователь будет поддерживать баланс тренировки между ними.

21. Машина неустойчивых состояний

Редко использующаяся нейронная сеть, где функции активации заменяются пороговыми уровнями. Ячейка накапливает значения из последовательных выборок и пропускает информацию на выход только при достижении порогового значения, после чего снова устанавливает внутренний счетчик на ноль.

Такая идея взята из человеческого мозга, и сейчас эти сети широко используются в системах компьютерного зрения и распознавания речи, но, пока что,без серьезных прорывов.

22. Метод экстремального обучения

Попытка уменьшить сложность НС прямого распространения за счет создания разреженных скрытых слоев со случайными соединениями. Им нужно меньше вычислительных мощностей, но фактическая эффективность в значительной степени зависит от задачи и данных.

23. Эхо-сеть

Набор повторяющихся сетей со специальным подходом к обучению. Данные передаются на вход, а затем на вывод при условии, что они контролируются для нескольких итераций (позволяет возвращать текущие функции).

24. Глубокая остаточная сеть

Глубокая сеть, где часть входных данных передается следующим уровням. Эта функция позволяет им быть очень глубокими (до 300 уровней), но на самом деле они являются своего рода Рекуррентными НС без явной задержки.

25. Самоорганизующаяся карта Кохонена

Вводит функцию «расстояние до ячейки». Самоорганизующаяся карта пытается настроить свои ячейки для максимальной реакции на конкретный вход. Когда какая-то ячейка обновляется, ее также поддерживают самые близкие соседи.

26. Метод опорных векторов

Используется для задач двоичной классификации. Независимо от того, сколько измерений - или входов - сеть может обрабатывать, ответ всегда «да» или «нет».

27. Нейронные машины Тьюринга

Нейронные сети - своеобразные черные ящики - мы можем их обучать, получать результаты, улучшать их, но фактический путь решения в основном скрыт от нас. Нейронные Машины Тьюринга - попытка исправить это. Память адресуется ее содержимым, и сеть может считывать и записывать в память информацию в зависимости от текущего состояния, в котором находится вся нейронную сеть целиком.

5. Обзор и анализ программных комплексов (ПК) для схемотехнического моделирования: Multisim/ Proteus

5.1 Multisim

5.2 Proteus

6. Выбор аналогового и цифрового ЭС как объекта исследования

7.1 Аналоговые ЭС

Для воплощения как аналоговой, так и цифровой схем нами были выбраны программные продукты NI LabVIEW и NI Multisim ввиду того, что у них предусмотрена взаимная интеграция.

Для изучения аналоговых цепей был разработан виртуальный прибор (ВП) в программе NI LabVIEW. С помощью дополнительного модуля Connectivity для NI LabVIEW внутри ВП стало возможно получать данные из аналоговой схемы, построенной в NI Multisim, а также управлять ей.

На лицевой панели ВП размещены (рис. 7.1):

1. Индикатор подключения к NI Multisim и версия программы.

2. Терминал ввода количества точек на графиках.

3. Терминал ввода, который задает количество точек в секунду.

4. Строка, которая выводит расположения файла схемы.

5. Строка, в которую вводится название элемента, значение которого необходимо изменить

6. Терминал для ввода нового значения элемента.

7. Кнопка «Применить значение»

8. График выходного сигнала исправной схемы, отображается сразу после запуска ВП.

9. График выходного сигнала схемы с измененными значениями элементов.

10. Окно для отображения отчета об ошибках.

11. Кнопка завершения работы ВП

Рис. 7.1 Лицевая панель ВП для аналоговых цепей

Далее рассмотри блок-схему ВП. В начале первой части блок-схемы (рис. 7.2) идет сброс всех значения к значениям «по умолчанию», также идет поиск файла Multisim с расширением .ms в папке, где находится ВП. Поэтому для исправной работы программы файл ВП и файл аналоговой схемы следует размещать в отдельной пустой папке. После этого программа подключается к Multisim, при этом отображается статус подключения и версия программы. А в конце открывается выбранный ранее файл и отображается в строке на лицевой панели.

Рис. 7.2 Первая часть блок-схемы ВП

(Подготовка ВП, Соединение, Открытие схемы)

Во второй части блок-схемы (рис. 7.3), в начале ВП обращается к Multisim и ищет датчик напряжения на схеме, который выполняет роль выходного сигнала. Далее структура программы помещена в цикл, чтобы код выполнялся несколько раз. Первая итерация проходит самостоятельно, указываются параметры выходного сигнала, запускается симуляция и ждет пока данные не поступят на датчик. После этого данные исправной схемы поступают на график, а симуляция завершается. Полную работу программы можно остановить с помощью кнопки «Стоп».

Рис. 7.3 Вторая часть блок-схемы ВП (Настройка и симуляция)

В конце работы ВП (рис. 7.4) выводятся ошибки (если они появились), а также LabVIEW отключатся от Multisim.

Рис. 7.4 Третья часть блок-схемы ВП (Проверка ошибок, Отсоединение)

Запустим программу с выбранным усилителем сигнала. В качестве входного сигнала использовалась синусоида с амплитудой 0.0128В и частота 5кГц. Количество отсчетов на графике на графике составляло 1000, а количество отсчетов на 1 секунду - 1000000. После запуска отобразился выходной сигнал исправной схемы (рис. 7.1).

Далее для резистора R4 было симулировано короткое замыкание, путем присваивания ему значения близкого к 0. После построился график схемы с коротким замыканием резистора R4. Также, было использовано значение 1E+20, чтобы симулировать разрыв цепи в области резистора R4 (рис. 7.5).

Рис. 7.5. Выходной сигнал при разрыве R4

Таким образом, если повторить проделанное для каждого элемента схемы с помощью разработанного ВП, можно составить справочник неисправностей для этой схемы. При этом можно использовать для анализа любую схему, которая содержит датчик на выходе.

7.2 Цифровые ЭС

1. Переключатели для подачи сигнала (1/0) на входы.

2. Кнопка для инвертирования сигнала. Она необходима для того, чтобы одновременно изменить входные сигналы.

3. Индикаторы выходных сигналов.

4. Индикатор неопределенности включается, если выходной сигнал не определен.

5. Кнопка завершения работы ВП

Рис. 7.6. Лицевая панель ВП для цифровых цепей

Далее рассмотрим блок-схему ВП (рис. 7.7). Весь код программы помещен в специальный цикл симуляции модуля Co-simulation.

Переключатели подают двоичный сигнал на структуры «выбрать», в этих структурах выбирается напряжение 5В или 0В. 5В соответствует логической единице в используемой цифровой схеме. Эти напряжения поступают на главный элемент схемы, который осуществляет использование цифровой схемы Multisim.

Расположения файла схемы задается вручную в настройках этого элемента. Выходные напряжения отображаются на индикаторах. Если напряжение больше 4,5В считается, что это логическая «1», если меньше 0,5 - «0», а все что между этими значениями определяется, как значение неопределенности.