人工智能技术在模拟电路故障诊断教学中的实践研究

1 引言

模拟电路作为电子信息类专业核心课程，其故障诊断能力是工程实践的关键技能。传统教学中，故障诊断依赖教师经验讲解与学生手动测试，存在三大痛点：

1. 故障类型与电路参数的非线性映射难以直观呈现；

2. 复杂电路（如多级放大电路）故障定位需反复测量

3. 学生缺乏真实故障场景训练，理论与实践脱节。

随着人工智能技术发展，基于数据驱动的故障诊断方法（如神经网络、机器学习）已在工业领域实现 90% 以上的诊断准确率 [1]，为教学创新提供了技术支撑。教育部《高等学校人工智能创新行动计划》明确提出推动 AI 与教育教学深度融合，为模拟电路教学改革指明方向。

1.2 国内外研究现状

国外高校如麻省理工学院已将 AI 辅助诊断工具引入 EE 课程，其开发的 "CircuitWhiz" 系统可自动识别 20 类模拟电路故障[2] ；国内西安交通大学构建了基于BP 神经网络的电力电子电路诊断模型，在教学实验中取得良好效果 [3]。但现有研究仍存在两点不足：1. 缺乏教学场景下的AI 工具与课程体系的系统性整合；

2. 对学生认知规律与AI 技术的适配性研究不足。

理论基础：AI 技术在故障诊断中的应用原理

2.1 模拟电路故障特征分析

模拟电路故障具有非线性、多源性特点，典型故障包括：元件参数漂移，开路/ 短路，接触不良等。

模拟电路故障分类表如下表1 所示。

表1 模拟电路故障分类表Table.1 Classification table of analog circuit faults

2.2 AI 诊断技术核心原理2.2.1 卷积神经网络（CNN）模型CNN 通过卷积层提取电路信号的空间特征（如波形畸变点），池化层降维压缩数据，全连接层实现故障分类。以二阶低通滤波器为例，正常电路的幅频特性曲线平滑，而电容失效时曲线在截止频率处斜率异常，CNN 可自动识别此类特征。2.2.2 迁移学习策略

由于教学场景下故障样本有限，采用预训练ResNet-18 模型迁移学习：

1. 利用工业电路故障数据集（如IEEE ICSE 公开数据集）预训练模型；

2. 微调最后三层参数，适配教学实验中的小规模故障样本（如500 组RC 电路故障数据）。3 教学实践体系构建

3.1“三位一体”教学框架设计

“三位一体”教学设计框架图如下图1 所示诊断推理层：LSTM 网络分析故障时序关联，输出故障概率矩阵。

3.1.2 虚实融合仿真平台

整合 Multisim 与 Python 开发交互式界面：

1. 学生在Multisim 中搭建电路（如共射放大电路）；

2. 注入故障（如偏置电阻Rb1 由10kΩ 变为20kΩ）；

3. 平台自动生成波形数据并导入AI 模型诊断；

4. 系统反馈故障定位结果（如“偏置电阻异常”）及修复建议。

3.1.3 区块链实验存证系统

采用 Hyperledger Fabric 构建联盟链，记录：

学生操作日志（如故障注入时间、测试点选择）；

AI 诊断过程（如特征向量、分类置信度）；

实验报告哈希值，确保数据不可篡改。

3.2 教学实施流程

理论导入：讲解AI 诊断基本原理，演示CNN 如何识别波形特征；

虚拟实验：使用上述平台完成10 类基础故障诊断（如电容短路、三极管损坏）；

硬件验证：在实验板上复现故障，对比AI 诊断结果与实际测量值；

项目实践：分组完成“多功能信号发生器故障排查”综合项目，要求使用AI 工具定位至少3 处隐性故障。

4 教学实验与结果分析

选取某高校电子信息专业2 个班级（各30 人）进行对照实验：

对照组：采用传统万用表逐点测试法；

实验组：使用AI 辅助诊断平台。

实验电路包括：RC 振荡电路、差分放大电路、电源电路，共设置25 类故障。4.2 量化结果

上述实验的量化结果如下表2 所示。

表2 实验量化结果 Tab.2 Experimental Quantification Results

图1“三位一体”教学设计框架图Figure.1 Framework Diagram of the“Three-in-One”teaching design3.1.1 智能诊断模型开发基于TensorFlow 构建轻量化诊断模型，包含三大模块：信号采集层：通过Arduino 采集电路关键点电压 / 电流波形，采样率10kHz ；特征提取层：1D-CNN 提取时域特征（如上升沿时间）与频域特征（如谐波分量）；

4.3 典型案例分析

在“共模抑制比下降”故障诊断中：

传统方法：学生需测量12 个关键点电压，耗时约20 分钟，仅40% 学生正确定位到差分对管β 值差异；AI 方法：系统分析输入/ 输出波形，1 分钟内输出 晶体管β 值偏离标称值 25%”，准确率达92%。

5 教学反思与创新价

5.1 创新点总结

1. 技术融合创新：将工业级AI 诊断技术轻量化改造，适配教学场景；

2. 模式创新：构建“虚拟仿真- 智能诊断- 区块链存证”的闭环教学模式；

3. 评价创新：通过AI 诊断数据量化学生实践能力，补充传统评分维度。

5.2 现存问题与改进方向

1. 小规模故障样本导致复杂电路（如多级反馈系统）诊断准确率波动；

2. 下一步计划引入联邦学习技术，联合多校共建教学故障数据库，提升模型泛化能力。

6 结论

本研究通过人工智能技术与模拟电路故障诊断教学的深度融合，构建了可操作、可验证的教学体系。实践表明，AI 工具能有效提升学生故障诊断效率与准确性，培养工程思维与创新能力。未来可进一步拓展 AI 在电路设计优化、预测性维护等教学场景的应用，推动电子信息类课程的智能化改革。

参考文献：

[1]Smith J，et al.AI-based Fault Diagnosis in Analog Circuits[J].IEEE Transactions on Education，2023，66（2）：1-8.

[2]MIT CircuitWhiz Project.https：//edtech.mit.edu/circuitwhiz

[3] 张明远， 李静怡， 王建国. 基于机器学习的模拟电路故障诊断教学系统设计[J]. 实验技术与管理，2022，39（3）：156-160.

[4] 刘强， 陈晓红 . 人工智能技术在电子电路实验教学中的应用研究[J]. 实验室研究与探索，2021，40（5），189-193.

[5] 黄志强， 王晓峰. 基于深度学习的模拟电路故障虚拟实验平台开发[J]. 现代教育技术，2023，33（2），112-118.

[6] 杨光辉， 张丽华 . 人工智能技术在电子技术实验教学中的应用实践[J]. 中国教育信息化，2023，12（5），67-71.

[7] 吴晓明， 李芳. 人工智能辅助的电路故障诊断实验教学模式探索[J]. 电气电子教学学报，2022，44（1），45-49.

[8]Chen，G， Liu， H， & Zhang， W.A novel teaching method for analog circuit fault diagnosis using artificial neural networks[J]. International Journal of Electrical Engineering Education， 2021，58（2），123-135.

作者简介：吴文全 （1972.1-），男，工学硕士，副教授，主要从事模拟电子技术与数字电子技术教学，电路分析，数字信号处理等方面的研究工作；电子邮箱：137909515@126.com ；余华 （1973.11-），女，工学博士，教授，主要从事模拟电子技术与数字电子技术、电路分析、最优控制等的研究工作；电子邮箱：304052412@qq.com。

基金项目：广州商学院人工智能与大数据产业创新研究所专项建设基金；广州商学院 2022 年度软件工程专业负责人、“双师双能型”教师培育专项基金；广州商学院 2022 年度校级质量工程项目“新工科背景下民办高校专业集群建设研究与实践”，项目编号：2022JXGG29 ；广州商学院2022 年校级课程思政示范团队项目“软件工程专业课程思政示范教学团队”，项目编号：2022XJKCSZSFTD02。