MOCRN：面向模拟电路故障检测的物理引导多模态神经网络框架

MOCRN（Multimodal Ordinal Circuit Reliability Network）是面向模拟电路故障检测的物理引导多模态神经网络框架，结合物理引导建模与多模态深度学习，实现故障类型识别与退化程度估计的双重任务学习。

原作者：J.P. Teshan Jayasinghe, Gayani Kulathunga, Rahul Thakur 来源：GitHub项目MOCRN-Multimodal-Ordinal-Circuit-Reliability-Network 发布时间：2026年4月（论文发表于Circuits, Systems, and Signal Processing期刊） 原始链接：https://github.com/teshankj/MOCRN-Multimodal-Ordinal-Circuit-Reliability-Network

模拟电路可靠性检测面临三大挑战：

1. 渐进式退化：故障表现连续且渐进，传统二元判定难以捕捉早期预警；
2. 多样化故障模式：同一元件故障可能有不同症状，不同位置故障可能特征相似；
3. 传统方法局限：依赖专家经验，难以应对复杂混合信号系统和SoC设计，人工分析日益不现实。

MOCRN框架核心创新点：

1. 物理引导：将电路物理知识嵌入数据生成和特征提取，避免黑盒拟合，确保输出符合物理规律；
2. 多模态融合：晚期融合原始波形（时序信息）和统计特征（频域/能量分布）两种信息源；
3. 序数可靠性建模：采用混合证据序数损失函数，显式建模退化级别的自然顺序关系，反映从健康到严重退化的渐进过程。

数据集生成与故障注入机制：

• 仿真工具：使用LTspice生成训练数据，具有可重复、可控、可扩展优势；
• 故障注入：结构化参数空间方法，定义故障类型（FT）和退化级别（0-100量化严重程度）；
• 参数扰动：用确定性三角函数（如0.1sin(run0.6283)）替代蒙特卡洛随机变化，保证多样性与可复现性；
• 测试电路：覆盖电压整流器、峰值检测器、二极管钳位电路，每种含4-6种故障类型（如二极管漏电、电阻变化等）；
• 仿真设置：瞬态分析，时间步长4-40ms，保存关键节点电压和支路电流。

模型架构与关键技术：

• 多任务学习：同时输出故障类型分类概率和退化程度估计值，共享特征表示；
• 特征工程：提取时域（均值、方差、峰值等）和频域（FFT能量谱）统计特征，与原始波形共同输入；
• 损失函数：故障识别用交叉熵损失，退化估计用混合证据序数损失（基于证据理论，表达不确定性并尊重退化顺序）；
• 训练方法：K折交叉验证防止过拟合，配置通过YAML文件管理。

实验验证与性能评估：

• 评估指标：故障识别用准确率和F1分数（关注不平衡数据集），退化估计用MAE和RMSE；
• 特征重要性：通过共识分析识别关键电路特征，提升模型可解释性；
• 工程价值：实现软故障早期检测，支持预测性维护，适用于航空航天、医疗设备等可靠性要求高的领域。

技术启示与未来展望：

• AI for Science：展示领域知识（物理引导）与数据驱动方法结合的典范，类似物理信息神经网络思路可应用于多工程领域；
• 硬件测试：仿真数据生成降低对昂贵硬件平台的依赖，为AI模型训练提供高效途径；
• 机器学习：序数回归方法为有序类别预测问题提供参考（如病情严重程度、设备老化）；
• 开源价值：GitHub仓库提供完整代码（数据生成、训练、预训练模型），支持复现与扩展到其他模拟电路。