MOCRN：面向模拟电路故障识别的物理引导多模态神经网络

MOCRN（Multimodal Ordinal Circuit Reliability Network）是面向模拟电路故障识别和退化估计的新型物理引导多模态神经网络框架。项目结合物理知识、多模态数据融合与序数回归方法，解决模拟电路故障诊断的复杂挑战。由teshankj维护，开源于GitHub：https://github.com/teshankj/MOCRN-Multimodal-Ordinal-Circuit-Reliability-Network，发布时间2026-05-25。

模拟电路在信号处理、电源管理等领域至关重要，但故障诊断面临多重挑战：

1. 故障模式复杂（参数漂移、非线性失真等）；
2. 元件容差导致故障特征模糊；
3. 多物理场耦合影响性能；
4. 故障样本稀缺、标注成本高。 传统基于规则的方法和单一机器学习模型难以应对这些问题。

物理引导的故障建模

将电路理论、半导体物理等先验知识融入模型：特征工程提取物理意义特征，模型结构遵循信号/故障传播规律，损失函数加入物理约束，输出对应物理量或故障机理。

多模态数据融合

处理电学信号（电压/电流波形）、热学信息（温度分布）、时序数据、设计参数等，通过专用编码器提取特征，再经注意力机制融合。

序数回归网络

建模电路退化渐进过程（健康→轻度→中度→严重→失效），采用序数分类器估计各等级概率，提升可解释性。

编码器设计

多分支架构处理不同数据：

• 时序编码器（LSTM/Transformer）处理时间序列；
• 图像编码器（CNN）提取热成像特征；
• 参数编码器（全连接）处理设计参数；
• 频域编码器（1D卷积）分析频谱数据。

跨模态注意力融合

通过注意力机制自动学习各模态权重，如噪声大时增加热学信息依赖。

物理约束层

后端加入可微分物理仿真模块，确保输出符合电路理论约束（如退化程度与性能指标一致）。

数据集与设置

在运算放大器、电源管理电路、ADC/DAC等基准验证，数据来自SPICE仿真和硬件测试。

性能评估

各项指标优于传统方法：故障识别准确率、退化估计精度、早期预警能力、泛化性能突出，小样本场景下物理引导弥补数据不足。

消融实验

• 移除物理引导：极端工况稳定性下降；
• 单模态vs多模态：单模态准确率明显降低；
• 序数回归vs传统方法：更好保持有序性。

1. 电路设计验证：评估可靠性裕度，识别薄弱环节；
2. 制造测试：辅助识别制造缺陷，提高测试效率；
3. 在役监测：在线健康监测，实现预测性维护；
4. 故障诊断：快速定位故障原因，缩短排查时间。

MOCRN是AI与传统工程融合的前沿成果，技术贡献包括：

1. 物理引导AI设计提升可靠性与可解释性；
2. 多模态融合策略处理异构数据；
3. 序数学习建模有序退化问题；
4. 物理约束+先验知识解决小样本问题。 开源代码为相关研究提供基础，对电子设计自动化、故障诊断等领域有参考价值。