許多電子設備和系統執行必須在很長一段時間內完美執行的基本功能。例如，電子電網、電信系統和植入式醫療設備無法承受數百萬事件中即使發生一次的錯誤。出于顯而易見的原因，捕獲和隔離極其罕見的異常的能力是確保這種可靠性水平的關鍵挑戰。監測電壓不能有效識別細微的設備或系統問題，因為它通常被有效地控制，以至于難以檢測到微小的變化。相比之下，電流波形包含與設備或系統操作相關的更豐富的信息。然而，由于電流波形可以在寬動態范圍內快速波動，以高采樣率對它們進行采樣以捕獲它們的全部帶寬非常重要。這會生成巨大的數據文件，因為在 24 小時內以 10 兆樣本/秒的速度捕獲數據會創建大于 1 TB 的數據文件。篩選如此龐大的數據庫以定位異常事件顯然是一項艱巨的任務。

直到最近，還沒有解決方案能夠滿足剛剛描述的硬件要求。數據記錄器可以捕獲大量數據，但它們的帶寬相對較低，并且很容易遺漏高頻信號分量。傳統示波器擅長捕捉高帶寬信號，但數據存儲能力有限。即使是具有大存儲深度的高性能示波器也無法在數小時或數天的時間段內以高采樣率捕獲數據。示波器電流探頭也沒有足夠的動態范圍來捕獲低電平和高電平電流。最后，這些硬件解決方案都不支持任何有效的方法來分析他們收集的數據并快速識別異常。這成為大數據分析的問題。

處理這類大數據挑戰的一種解決方案是機器學習。我們探索的一項初始技術是深度學習神經網絡 (DLNN)，它在圖像和語音識別方面非常成功。不幸的是，DLNN 技術在應用于波形數據庫分析時，除了需要強大的計算能力外，還表現得非常好。為了分析大型波形數據庫，是德科技研究人員必須開發針對該目的優化的新機器學習技術。這個新的解決方案是在五年內開發出來的，它結合了集群、無監督機器學習和專有的數據庫壓縮技術。在基于 PC 的臺式儀器上運行時，它可以比傳統技術快幾個數量級地分析 TB 大小的波形數據庫。

圖 1：長時間波形分析軟件的系統架構。

圖 1 顯示了長持續時間波形分析軟件的系統架構。它由三個部分組成，我們將依次討論每一個部分。

采集子系統在采集過程中實時對輸入數據進行預分類。實時標記是采集子系統中最重要的模塊，因為它對輸入的波形段進行預分類。相似的波形段被組合在一起并注冊為標簽的成員。需要注意的是，預分類不一定是完美的。它只需要包含足夠的信息來啟用后處理分析。

數據庫子系統由標簽數據庫和無損數據庫組成。標簽數據庫是預先排序的波形片段的簡明摘要。它提供了長時間錄制的快速概覽。無損數據庫是完整的長時間波形記錄的完整存檔。它允許通過時序或波形相似性在海量數據庫的任何位置快速查詢波形。標簽數據庫的大小在無損數據庫大小的百分之一到五分之一之間。這種配置在數據管理和分析方面具有很大的靈活性。

分析子系統有兩種操作模式：快速聚類和細節聚類。快速聚類允許快速瀏覽整個數據庫。典型的計算時間少于一秒。然而，由于快速聚類使用預先排序的標簽信息，其準確性受到標簽相似度閾值的限制。細節聚類提供了更精確的分析能力，因為它使用了無損的數據庫信息。傳統的分析軟件在許多情況下需要重新掃描無損數據庫，這需要花費數小時。使用此解決方案，用戶無需重新掃描無損數據庫即可享受快速響應的交互式分析。

值得指出的是，這項技術不僅對測試和測量行業來說是新的，對人工智能/機器學習社區也是如此。是德科技在 2019 年 IEEE 大數據會議 (*1) 上發表了一篇關于這一新解決方案的論文。在會議上，研究人員表示他們從未見過這種解決方案的性能和功能。該技術作為可用選項集成到 Keysight CX3300A 動態電流波形分析儀中。它將高完整性電壓和電流測量與長時間波形分析相結合。

以下示例顯示了以 1 MSa/s 的采樣率在四天內監測的商用電源線電壓。不同的波形類型按集群分組，其總體顯示在集群面板中。您可以選擇一個或多個集群并使用箭頭鍵跳轉到它們在主播放窗口中出現的位置。盡管數據庫包含超過 1800 萬個波形段，但數據標記允許在幾秒鐘內識別異常。例如，下面的屏幕截圖顯示，在數據記錄 2 天 21 小時后，發生了一些明顯的過電壓。雖然很有趣，但這個案例相當簡單，所以讓我們看一個更具挑戰性的例子。

圖 2：在商用電源線電壓上檢測到的過壓異常。

物聯網設備需要長時間運行，任何意外的電流尖峰都可能導致內部 IR 下降并引發系統故障。為了驗證設備完整性，我們以 10MSa/s 的采樣率測量了藍牙設備的供電電流 17 小時。這生成了一個 1 TB 的數據庫文件。雖然正常峰值電流約為 25 mA，但我們發現非常罕見的電流尖峰高達 50 mA。在記錄的超過 700 萬個波形片段中，這些僅發生了 17 次。進一步分析表明，在該設備中，有兩種類型的異步事件。當這兩個事件發生在一個狹窄的時序窗口內時，就會觀察到 50 mA 的尖峰，并且每 400,000 次只會發生一次。

圖 3：物聯網設備上 5 分鐘內識別的超過 700 萬個波形段中出現 17 次大尖峰波形。

隨著現代設備和系統的復雜性不斷增加，用于評估它們的軟件工具需要改進以跟上步伐。在任務關鍵型系統中使用設備的情況下，了解波形在很長一段時間內的行為非常重要。用于捕獲數據的軟件也需要能夠幫助分析數據。本文通過利用是德科技開發的新機器學習技術展示了這一點。可以有效地分析大型波形數據庫并快速查明這些數據庫中的異常。

審核編輯：郭婷