ИРЭ им. В.А. Котельникова РАН English Войти Подать статью
Журнал радиоэлектроники Электронный научный журнал · eISSN 1684-1719
2024, № 8 · СМЕЖНЫЕ ПРОБЛЕМЫ РАДИОЭЛЕКТРОНИКИ

Прогнозирование помех электростатического разряда в электронном устройстве с использованием искусственной нейронной сети

З.М. Гизатуллин1, Р.Р. Мубараков1

1 Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ, Казань, Россия
Полный текст DOI: 10.30898/1684-1719.2024.8.3 УДК 621.391.82 EDN NCPMOL

Аннотация

Электростатический разряд является опасным источником естественных электромагнитных помех для работы современных электронных устройств. Несмотря на меры по уменьшению и удалению электростатического заряда из зоны работы электронных устройств, отсутствие такого разряда не может быть гарантировано. Поэтому при проектировании электронных устройств необходимо заранее учитывать возможность возникновения таких электростатических разрядов и принимать меры защиты. В статье предлагается методика прогнозирования амплитуды помех в линии связи электронного устройства при воздействии электростатического разряда на его металлический корпус. Методика основана на использовании искусственной нейронной сети. Методика включает анализ значимых входных параметров, влияющих на величину помех в электронном устройстве; разработку экспериментального стенда для измерения помех; выбор структуры и параметров нейронной сети для прогнозирования помех; выбор метода обучения искусственной нейронной сети; выбор метрики оценки качества обучения; нормирование данных обучения; обучение искусственной нейронной сети на экспериментальных данных; прогнозирование амплитуды помех в линии связи электронного устройства при воздействии электростатического разряда на его корпус; при необходимости, выбор и реализацию мер защиты от электростатического разряда. Приведены примеры обучения искусственной нейронной сети на основе экспериментальных данных. Обучение проводилось в течение 572 эпох. Для обучающей и тестовой выборки расхождение между прогнозируемыми данными и средними значениями измеренных помех составила 3,61 % и 3,95 %, соответственно. Приведены примеры прогнозирования амплитуды помех при воздействии электростатического разряда. Полученные результаты свидетельствуют о возможности практического использования искусственной нейронной сети для решения задач анализа электромагнитных помех.

  • нейронная сеть
  • помеха
  • электростатический разряд
  • электронное средство
  • моделирование
  • эксперимент
  • прогнозирование
  • методика
Abstract (in English)

Predicting the magnitude of electrostatic discharge interference in an electronic device using an artificial neural network

Electrostatic discharge is a dangerous source of natural electromagnetic interference to the operation of modern electronic devices. Although measures have been taken to reduce and remove electrostatic discharge from the operating area of electronic devices, the absence of such discharge cannot be guaranteed. Therefore, when designing modern electronic devices, it is necessary to take into account the possibility of such electrostatic discharges in advance and take protective measures. The article proposes a method for predicting the amplitude of interference in the communication line of an electronic device when exposed to an electrostatic discharge on its metal case. The technique is based on the use of an artificial neural network. The technique includes the analysis of significant input parameters that affect the amount of interference in an electronic device; development of an experimental stand for measuring interference; choosing the structure and parameters of a neural network for predicting interference; choosing a training method for an artificial neural network; choosing a metric for assessing the quality of training; normalization of training data; training an artificial neural network using experimental noise data; predicting the amplitude of interference in the communication line of an electronic device when exposed to an electrostatic discharge on its body; where necessary, selecting and implementing electrostatic discharge protection measures. Examples of training an artificial neural network based on experimental data are given. The training was carried out for 572 epochs. For the training and testing sets, the discrepancy between the predicted data and the average measured noise values was 3.61% and 3.95%, respectively. Examples are given of predicting the amplitude of interference when exposed to electrostatic discharge. The results obtained indicate the possibility of practical use of an artificial neural network to solve problems of electromagnetic interference analysis.

Для цитирования

Гизатуллин З.М., Мубараков Р.Р. Прогнозирование помех электростатического разряда в электронном устройстве с использованием искусственной нейронной сети // Журнал радиоэлектроники. – 2024. – № 8. https://doi.org/10.30898/1684-1719.2024.8.3

Литература

  1. Шкиндеров М. С., Гизатуллин З. М. Исследование функционирования системы контроля и управления доступом в условиях воздействия электростатических разрядов //Радиотехника и электроника. - 2018. - Т. 63. - №. 11. - С. 1181-1187.
  2. Кириллов В. Ю., Марченко М. В., Томилин М. М. Стендовые испытания элементов и устройств космических аппаратов на воздействие электростатических разрядов //Вестник Московского авиационного института. - 2017. - Т. 24. - №. 4. - С. 170-175.
  3. Гизатуллин З.М., Нуриев М.Г., Гизатуллин Р.М. Физическое моделирование помехоустойчивости электронных средств при электромагнитном воздействии индустриальных макроисточников //Радиотехника и электроника. - 2018. - Т. 63. - №. 1. - С. 97-102.
  4. Сафина Р.М., Шкиндеров М.С., Мубараков Р.Р. Помехоустойчивость систем контроля и управления доступом в здания при воздействии электромагнитных помех по сети электропитания //Журнал радиоэлектроники. - 2021. - №. 6.
  5. Keller R.B. Design for Electromagnetic Compatibility-In a Nutshell: Theory and Practice. - Springer Nature, 2023. - С. 416.
  6. Kuznetsov V., Kechiev L. Charged board model ESD simulation for PCB mounted MOS transistors //IEEE Transactions on Electromagnetic Compatibility. - 2015. - Т. 57. - №. 5. - С. 947-954.
  7. Luo M., Huang K.M. Prediction of the electromagnetic field in metallic enclosures using artificial neural networks //Progress In Electromagnetics Research. - 2011. - Т. 116. - С. 171-184.
  8. Khadse C.B., Chaudhari M.A., Borghate V.B. Electromagnetic compatibility estimator using scaled conjugate gradient backpropagation based artificial neural network //IEEE Transactions on Industrial Informatics. - 2016. - Т. 13. - №. 3. - С. 1036-1045.
  9. Гизатуллин З.М., Гизатуллин Р.М., Мубараков Р.Р. Моделирование помех в электронном устройстве при воздействии импульсного магнитного поля с использованием искусственной нейронной сети //Журнал радиоэлектроники. - 2024. - № 5.
  10. Жечев Е.С. и др. Экспериментальные исследования зеркально-симметричного модального фильтра во временной и частотной областях //Системы управления, связи и безопасности. - 2019. - №. 2. - С. 162-179.
  11. Хасан А.А. и др. Верификация моделирования проводных антенн методом моментов //Журнал радиоэлектроники. - 2021. - №. 11.
  12. De Marchi L., Mitchell L. Hands-On Neural Networks: Learn how to build and train your first neural network model using Python. - Packt Publishing Ltd, 2019.
  13. Андреянов Н.В. и др. Анализ стенда бортовой системы для методов обнаружения основанных на глубоких нейронных сетях //Научно-технический вестник Поволжья Учредители: ООО "Рашин Сайнс". - 2022. - №. 5. - С. 13-16.
  14. Gizatullin R.M. et al. The analysis of the noise immunity of an electronic device under the action of electrostatic discharge //2018 XIV International Scientific-Technical Conference on Actual Problems of Electronics Instrument Engineering (APEIE). - IEEE, 2018. - С. 332-335.
  15. Евдокимова Т.С., 13. Андреянов Н.В., Фаткуллина Л.Ф. Методы расширения наборов данных на основе обучения с подкреплением //Научно-технический вестник Поволжья. Учредители: ООО "Рашин Сайнс". - 2023 - №. 11. - С. 59-62.
  16. Гизатуллин З.М. и др. Исследование алгоритма анализа изображений радужной оболочки глаза на основе сверточной нейронной сети //Научно-технический вестник Поволжья. Учредители: ООО "Рашин Сайнс". - 2023. - № 6. - С. 55-57.
  17. Гизатуллин З.М. и др. Снижение электромагнитных помех и защита информации в вычислительной технике с помощью экранирующих стекол //Вестник Казанского государственного энергетического университета. - 2017. - №. 3 (35). - С. 46-57.
  18. Газизов Т.Р. и др. Пути решения актуальных проблем проектирования радиоэлектронных средств с учетом электромагнитной совместимости //Техника радиосвязи. - 2014. - №. 2. - С. 11-22.
  19. Сафина Р.М., Шкиндеров М.С. Повышение помехоустойчивости системы контроля и управления доступом при воздействии электростатического разряда //Журнал радиоэлектроники. - 2020. - №. 8. - С. 15-15.
  20. Гизатуллин З.М. и др. Повышение устойчивости детектора контуров Кэнни к воздействию помех //Научно-технический вестник Поволжья. Учредители: ООО "Рашин Сайнс". - 2023. - № 7. - С. 25-28.
  21. Кириллов В.Ю., Жуков П.А., Торлупа А.А. Применение радиопоглощающих материалов для ослабления высокочастотных помех в электрических цепях электротехнических комплексов летательных аппаратов //Электричество. - 2022. - №. 4. - С. 66-71.
  22. Гибадуллин Р.Ф., Вершинин И.С., Глебов Е.Е. Разработка приложения для ассоциативной защиты файлов //Инженерный вестник Дона. - 2023. - №. 6 (102). - С. 118-142.
  23. Шарипов Р.Р., Ситников А.Н. Проблемы при разработке систем распознавания пользователей по клавиатурному почерку // Вестник Технологического университета. - 2019. - Т. 22. - № 10. - С. 143-147.
  24. Шалагин С.В. Распределённое вычисление быстрого преобразования Фурье в архитектуре FPGA // Вестник Технологического университета. - 2019. - Т. 22 - № 2. - С. 155-158.
  25. Гибадуллин Р.Ф., Вершинин И.С. Ассоциативная защита числовых сведений в текстовых документах с применением библиотеки Parallel Framework платформы.NET // Computational Nanotechnology. - 2023. - Т. 10. - № 3. - С. 121-129.