CN102087337A - 非线性模拟电路诊断激励的退火遗传优化方法 - Google Patents

Abstract

非线性模拟电路诊断激励的退火遗传优化方法。模拟电路普遍存在的非线性及软故障等难以诊断的特性，使得它的故障诊断理论和方法还很不完善，在一定程度上成为制约集成电路测试的瓶颈。本发明，先确定被测非线性模拟电路的各种状态；各状态的被测非线性模拟电路施加多频激励信号，同时对输入、输出信号进行测量，得到采样数据序列，经过数据处理得到被测电路各故障状态下对应的前n阶沃尔特拉Volterra频域核；把测试激励信号的参数选择作为优化问题，以某一激励信号下各种故障状态的响应的集总欧氏距离作为对该信号的评价函数，用退火遗传优化方法进行测试激励信号的优化，最终得到优化了的激励信号参数。本发明用于电子线路的故障诊断。

Description

非线性模拟电路诊断激励的退火遗传优化方法

技术领域：

本发明涉及一种非线性模拟电路的特征提取、模式识别和故障诊断技术，是一种故障诊断过程中测试激励信号的优化方法；具体涉及一种模拟退火方法和遗传算法相结合的基于沃尔特拉Volterra频域核的故障诊断的测试激励信号优化的方法。

背景技术：

由于模拟电路普遍存在的非线性及软故障等难以诊断的特性，使得它的故障诊断理论和方法还很不完善，在一定程度上成为制约集成电路测试的瓶颈；虽然最近几年此方面的研究不断取得进展，但是，系统分析建模、测试激励的优化及实用化等都有待进一步研究。

故障字典法是最有实用价值的模拟电路故障诊断方法之一，其本质是模式识别，构造出能反映被测电路本质的特征参数是诊断的关键；对于非线性模拟电路，可采用时域、频域及瞬态响应特性等不同的方法进行描述，如沃尔特拉Volterra级数(核)和维纳Wiener级数(核)描述法等；在故障字典法中，输入激励是一个决定故障诊断准确性和效率的重要因素，激励信号的参数选择决定了各故障状态特征差异的大小，差异大则便于分辨各种故障状态。

发明内容：

本发明的目的是提供一种测试激励信号的优化方法，针对现有优化方法的不足，实现用较少的时间获得较理想的激励信号参数，从而提高诊断的准确性和效率。

上述发明的目的通过以下的技术方案实现：

非线性模拟电路诊断激励的退火遗传优化方法，(1)首先确定被测非线性模拟电路的正常工作状态和各种故障状态；

(2)向处于所述的各状态的被测非线性模拟电路施加多频激励信号，同时对输入、输出信号进行测量，得到采样数据序列，经过数据处理得到被测电路的各故障状态下对应的前n阶沃尔特拉Volterra频域核；

(3)所述的把测试激励信号的参数选择作为优化问题，以某一激励信号下各种故障状态的响应的集总欧氏距离作为对该信号的评价函数，将模拟退火算法和遗传算法两者有机地结合，用退火遗传优化方法进行测试激励信号的优化，最终由寻优结果得到优化了的激励信号参数。

所述的非线性模拟电路诊断激励的退火遗传优化方法，所述的步骤(1)中，确定被测非线性模拟电路的m种状态，并进行编号，其中包括：

(a)确定被测非线性模拟电路全部元器件为标称参数的情况为正常状态；

(b)确定被测非线性模拟电路中的元件的实际值偏大、偏小等软故障状态；

(c)确定被测非线性模拟电路中的元件的短路和断路等硬故障状态；

(d)对上述的各种状态进行编号，分别为1，2，...，m，其中，m为自然数。

所述的非线性模拟电路诊断激励的退火遗传优化方法，步骤(2)中，各故障状态的前n阶沃尔特拉Volterra频域核通过下述步骤求得：

(a)使被测非线性模拟电路处于故障状态1；

(b)对上述电路施加多频信号作为输入信号，并同时对输入、输出信号进行测量，得到采样序列数据，并利用求多维傅里叶变换得到前n阶沃尔特拉Volterra频域核k₁₀，k₁₁，k₁₂，k₁₃...k_1n；

(c)依次使被测非线性模拟电路处于故障状态2，3，...m，重复步骤(b)，得到各种状态的沃尔特拉Volterra频域核k_i0，k_i1，k_i2，k_i3...k_in，其中，i＝1，2，3，...m。

所述的非线性模拟电路诊断激励的退火遗传优化方法，步骤(3)中，优化测试激励信号按如下方法进行：

(a)优化过程初始化；确定温度范围，且置初始温度T₀为较高值；随机产生个体数为M的初始群体的初始状态x(i)；确定适当的退火策略；确定群体的适应度函数计算方法；遗传的最大世代数和群体稳定阈值以及交叉和变异率的初始参数p_chp_clp_mhp_ml；

(b)对整个群体进行扰动更新；设Δx为很小的均匀分布的随机扰动，计算新状态函数x′(i)＝x(i)+Δx(i)；计算原状态适应度函数与新状态的适应度函数的差ΔJ(i)＝J′(i)-J(i)，其中i表示群体中的某个个体；

(c)新状态接受判别；如果ΔJ(i)＞0，则接受为新的状态，否则，依据阿布雷斯Metropolis准则以概率 $p\left(\mathrm{\ΔJ}\left(i\right)\right)=\exp \left(\frac{-\mathrm{\ΔJ}}{\mathrm{kT}}\right)$ 接受，其中，k为波尔兹曼Boltzmann常数；实际操作时产生0到1之间的随机数a，如果p(ΔJ(i))＞a，则接受x′(i)为新状态，否则保持原状态x(i)；

(d)重复(b)、(c)，直到系统达到平衡状态；

(e)按(a)确定的退火策略降低温度T，重复(b)、(c)，直到温度T降到第一步设定的低温值，得到初始精英团队；

(f)选择：从初始精英团队中按用轮盘选种法选出N个个体组成精英群体，适应度大的个体被选中的概率大。

(g)交叉：从得到的精英群体中按交叉率P_C随机地选择两个可交叉的个体作为父代，随机选择杂交位置，采用一点或两点杂交法进行杂交；为了避免搜索发散或陷入局部最小，需要保护种群中适应度高的个体，采用自适应调整P_C，即对高适应度的降低交叉率，而对低适应度的则提高交叉率。

(h)变异：以此操作进一步保证可能搜索到空间的任一点，提高算法的全局搜索能力；采用较小的自适应调节变异率P_m，方法同p_cl。

(i)结束判别：若群体稳定性满足(a)设定的群体稳定阈值或世代数超过给定的上限，则结束，并输出优化结果；否则转(f)。

这个技术方案有以下有益效果：

1.本发明提出的模拟退火算法和遗传算法相结合的激励优化方法，提高了相同时间下的寻优效果及缩短了相同准确度要求下的参数确定时间，提高了诊断的准确性和效率，实用性增强。

2.本发明方法采用模拟退火和遗传两种优化方法的结合，增强了全局寻优效果，避免陷入局部最优；采用自适应交叉率和自适应变异率代替传统的固定值，并采用指数型退火策略，进一步提高了优化效果和收敛速度。

3.本发明提出的非线性模拟电路诊断激励的退火遗传优化方法具有较广的适应性。

4.本发明对电子线路的故障诊断效果非常好，在集成电路生产中有着广阔的应用前景。

具体实施方式：

实施例1：

非线性模拟电路诊断激励的退火遗传优化方法，所述的非线性模拟电路诊断激励的退火遗传优化方法的步骤：

(1)首先确定被测非线性模拟电路的正常工作状态和各种故障状态；

(2)向处于所述的各故障状态的被测非线性模拟电路施加多频激励信号，同时对输入、输出信号进行测量，得到采样数据序列，经过数据处理得到被测电路的各故障状态下对应的前n阶沃尔特拉Volterra频域核；

(3)所述的把测试激励信号的参数选择作为优化问题，以某一激励信号下各种故障状态的响应的集总欧氏距离作为对该信号的评价函数，将模拟退火算法和遗传算法两者有机地结合，用退货遗传优化方法进行测试激励信号的优化，最终由寻优结果得到优化了的激励信号参数。

实施例2：

实施例1所述的非线性模拟电路诊断激励的退火遗传优化方法，所述的步骤(1)中，确定被测非线性模拟电路的m种状态，并进行编号，其中包括：

(a)确定被测非线性模拟电路全部元器件为标称参数的情况为正常状态；

(b)确定被测非线性模拟电路中的元件的实际值偏大、偏小等软故障状态；

(c)确定被测非线性模拟电路中的元件的短路和断路等硬故障状态；

(d)对上述的各种状态进行编号，分别为1，2，…，m，其中，m为自然数。

实施例3：

实施例1或2所述的非线性模拟电路诊断激励的退火遗传优化方法，所述的步骤(2)中，各故障状态的前n阶沃尔特拉Volterra频域核通过下述步骤求得：

(a)使被测非线性模拟电路处于故障状态1；

(b)对上述电路施加多频信号作为输入信号，并同时对输入、输出信号进行测量，得到采样序列数据，并利用求多维傅里叶变换得到前n阶沃尔特拉Volterra频域核k₁₀，k₁₁，k₁₂，k₁₃…k_1n；

(c)依次使被测非线性模拟电路处于故障状态2，3，…m，重复步骤(b)，得到各种状态的沃尔特拉Volterra频域核k_i0，k_i1，k_i2，k_i3…k_in，其中，i＝1，2，3，…m。

实施例4：

实施例1或3所述的非线性模拟电路诊断激励的退火遗传优化方法，所述的步骤(3)中，优化测试激励信号，把测试激励信号的参数选择作为优化问题，以某一激励信号下各种故障状态的响应的集总欧氏距离作为对该信号的评价函数，将模拟退火算法和遗传算法两者有机地结合，用退火遗传优化方法进行测试激励信号的优化，最终由寻优结果得到优化了的激励信号参数。其中的集总欧氏距离通过下述方法求得：

将优化过程中某个激励信号分别作用于各种状态的电路，把每个故障状态的响应作为一个向量，m种状态对应m个向量，把它们的集总欧氏距离作为目标评价函数，集总欧氏距离计算公式如下：

$J=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(Y_i-\stackrel{\‾}{Y})}^T(Y_i-\stackrel{\‾}{Y})}$

其中，Y_i为某激励下各种故障状态的响应，Y为其平均值。J越大说明各故障状态的空间可区分性越强，则诊断效率越高。

实施例5：

实施例1或3所述的非线性模拟电路诊断激励的退火遗传优化方法，所述的步骤(3)中，优化测试激励信号，把测试激励信号的参数选择作为优化问题，以某一激励信号下各种故障状态的响应的集总欧氏距离作为对该信号的评价函数，将模拟退火算法和遗传算法两者有机地结合，用退火遗传优化方法进行测试激励信号的优化，最终由寻优结果得到优化了的激励信号参数。其中的退火遗传优化方法通过下述步骤实现：

(a)优化过程初始化。确定温度范围，且置初始温度T₀为较高值；随机产生个体数为M的初始群体的初始状态x(i)；确定适当的退火策略；确定群体的适应度函数计算方法；遗传的最大世代数和群体稳定阈值以及交叉和变异率的初始参数p_chp_clp_mhp_ml。

(b)对整个群体进行扰动更新。设Δx为很小的均匀分布的随机扰动，计算新状态函数x′(i)＝x(i)+Δx(i)；计算原状态适应度函数与新状态的适应度函数的差ΔJ(i)＝J′(i)-J(i)，其中i表示群体中的某个个体。

(c)新状态接受判别。如果ΔJ(i)＞0，则接受为新的状态，否则，依据阿布雷斯Metropolis准则以概率 $p\left(\mathrm{\ΔJ}\left(i\right)\right)=\exp \left(\frac{-\mathrm{\ΔJ}}{\mathrm{kT}}\right)$ 接受，其中，k为波尔兹曼Boltzmann常数。实际操作时产生0到1之间的随机数a，如果p(ΔJ(i))＞a，则接受x′(i)为新状态，否则保持原状态x(i)。

(d)重复(b)、(c)，直到系统达平衡状态。

(e)按(a)确定的退火策略降低温度T，重复重复(b)、(c)，直到温度T降到第一步设定的低温值，得到初始精英团队。

(f)选择。从初始精英团队中按用轮盘选种法选出N个个体组成精英群体，适应度大的个体被选中的概率大。

(g)交叉。从得到的精英群体中按交叉率P_C随机地选择两个可交叉的个体作为父代，随机选择杂交位置，采用一点或两点杂交法进行杂交。为了避免搜索发散或陷入局部最小，需要保护种群中适应度高的个体，因此本发明采用自适应调整P_C，即对高适应度的降低交叉率，而对低适应度的则提高交叉率。(h)变异。以此操作进一步保证可能搜索到解空间的任一点，提高算法的全局搜索能力。本发明采用较小的自适应调节变异率P_m，方法类似P_c ^t。

(i)结束判别。若群体稳定性满足(a)设定的群体稳定阈值或世代数超过给定的上限，则结束，并输出优化结果；否则转(f)。

实施例6：

实施例1或3所述的非线性模拟电路诊断激励的退火遗传优化方法，所述的步骤(3)中，优化测试激励信号，把测试激励信号的参数选择作为优化问题，以某一激励信号下各种故障状态的响应的集总欧氏距离作为对该信号的评价函数，将模拟退火算法和遗传算法两者有机地结合，用退火遗传优化方法进行测试激励信号的优化，最终由寻优结果得到优化了的激励信号参数。其中的优化测试激励信号通过下述步骤实现：

(a)建立电路各故障状态的系统模型，即求各个状态的前几阶沃尔特拉Volterra核(根据电路特征确定阶次)。

(b)确定激励信号需要优化的参数及每个参数的精度要求，并依此进行编码。

(c)执行退火遗传优化方法各步骤。

(d)输出得到的最佳激励信号参数。

实施例7：

实施例2、5或6所述的非线性模拟电路诊断激励的退火遗传优化方法，第

(a)条中，确定适当的退火策略，其具体策略是：

T＝T₀-αe^t

式中，T₀为初始温度，α为一常数，t为控制因子。

这样在高温区温度缓慢下降，以利于跳出局部最优点，而在低温区已趋于稳定的基态，温度应迅速下降，以加速退火过程、提高效率。

实施例8：

实施例5所述的非线性模拟电路诊断激励的退火遗传优化方法，第(g)条自适应调整交叉率P_C，其具体策略是：

$P_c^t=\left\{\begin{array}{cc}{p}_{\mathrm{CL}}-(p_{\mathrm{ch}}-p_{\mathrm{cl}})(J_c^t-J_{\mathrm{avg}}^t)/(J_{\max }^t-J_{\mathrm{avg}}^t)& J_c^t\&GreaterEqual;J_{\mathrm{avg}}^t\\ p_{\mathrm{ch}}& J_c^t<J_{\mathrm{avg}}^t\end{array}\right.$

其中，J_c ^t为交叉两个体中较大的适应度值，t表示当前种群的代数，J_max ^t为当前种群中个体的最大适应度值，J_avg ^t为当前种群中个体的平均适应度值，p_ch和p_cl为给定的参数，且1＞p_ch＞p_cl＞0。

Claims (4)

1.非线性模拟电路诊断激励的退火遗传优化方法，其特征是：

(1)首先确定被测非线性模拟电路的正常工作状态和各种故障状态；

(2)向处于所述的各状态的被测非线性模拟电路施加多频激励信号，同时对输入、输出信号进行测量，得到采样数据序列，经过数据处理得到被测电路的各故障状态下对应的前n阶沃尔特拉Volterra频域核；

(3)所述的把测试激励信号的参数选择作为优化问题，以某一激励信号下各种故障状态的响应的集总欧氏距离作为对该信号的评价函数，将模拟退火算法和遗传算法两者有机地结合，用退火遗传优化方法进行测试激励信号的优化，最终由寻优结果得到优化了的激励信号参数。

2.根据权利要求1所述的非线性模拟电路诊断激励的退火遗传优化方法，其特征是：

所述的步骤(1)中，确定被测非线性模拟电路的m种状态，并进行编号，其中包括：

(a)确定被测非线性模拟电路全部元器件为标称参数的情况为正常状态；

(b)确定被测非线性模拟电路中的元件的实际值偏大、偏小等软故障状态；

(c)确定被测非线性模拟电路中的元件的短路和断路等硬故障状态；

(d)对上述的各种状态进行编号，分别为1，2，…，m，其中，m为自然数。

3.根据权利要求1或2所述的非线性模拟电路诊断激励的退火遗传优化方法，其特征是：

步骤(2)中，各故障状态的前n阶沃尔特拉Volterra频域核通过下述步骤求得：

(a)使被测非线性模拟电路处于故障状态1；

(b)对上述电路施加多频信号作为输入信号，并同时对输入、输出信号进行测量，得到采样序列数据，并利用求多维傅里叶变换得到前n阶沃尔特拉Volterra频域核k₁₀，k₁₁，k₁₂，k₁₃…k_1n；

(c)依次使被测非线性模拟电路处于故障状态2，3，…m，重复步骤(b)，得到各种状态的沃尔特拉Volterra频域核k_i0，k_i1，k_i2，k_i3…k_in，其中，i＝1，2，3，…m。

4.根据权利要求1所述的非线性模拟电路诊断激励的退火遗传优化方法，其特征是：

步骤(3)中，优化测试激励信号按如下方法进行：

(a)优化过程初始化；确定温度范围，且置初始温度T₀为较高值；随机产生个体数为M的初始群体的初始状态x(i)；确定适当的退火策略；确定群体的适应度函数计算方法；遗传的最大世代数和群体稳定阈值以及交叉和变异率的初始参数p_ch p_cl p_mh p_ml；

(b)对整个群体进行扰动更新；设Δx为很小的均匀分布的随机扰动，计算新状态函数x′(i)＝x(i)+Δx(i)；计算原状态适应度函数与新状态的适应度函数的差ΔJ(i)＝J′(i)-J(i)，其中i表示群体中的某个个体；

(c)新状态接受判别；如果ΔJ(i)＞0，则接受为新的状态，否则，依据美特阿布雷斯Metropolis准则以概率 $p\left(\mathrm{\&Delta;J}\left(i\right)\right)=\exp \left(\frac{-\mathrm{\&Delta;J}}{\mathrm{kT}}\right)$ 接受，其中，k为波尔兹曼Boltzmann常数；实际操作时产生0到1之间的随机数a，如果p(ΔJ(i))＞a，则接受x′(i)为新状态，否则保持原状态x(i)；

(d)重复(b)、(c)，直到系统达到平衡状态；

(e)按(a)确定的退火策略降低温度T，重复(b)、(c)，直到温度T降到第一步设定的低温值，得到初始精英团队；

(f)选择：从初始精英团队中按用轮盘选种法选出N个个体组成精英群体，适应度大的个体被选中的概率大。

(g)交叉：从得到的精英群体中按交叉率P_C随机地选择两个可交叉的个体作为父代，随机选择杂交位置，采用一点或两点杂交法进行杂交；为了避免搜索发散或陷入局部最小，需要保护种群中适应度高的个体，采用自适应调整P_C，即对高适应度的降低交叉率，而对低适应度的则提高交叉率。

(h)变异：以此操作进一步保证可能搜索到空间的任一点，提高算法的全局搜索能力；采用较小的自适应调节变异率P_m，方法同p_cl。

(i)结束判别：若群体稳定性满足(a)设定的群体稳定阈值或世代数超过给定的上限，则结束，并输出优化结果；否则转(f)。