CN103714385B - 一种基于改进型克隆选择算法的模拟电路故障诊断方法 - Google Patents
一种基于改进型克隆选择算法的模拟电路故障诊断方法 Download PDFInfo
- Publication number
- CN103714385B CN103714385B CN201310745818.1A CN201310745818A CN103714385B CN 103714385 B CN103714385 B CN 103714385B CN 201310745818 A CN201310745818 A CN 201310745818A CN 103714385 B CN103714385 B CN 103714385B
- Authority
- CN
- China
- Prior art keywords
- population
- affinity
- individuals
- individual
- fault diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 15
- 238000013377 clone selection method Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010367 cloning Methods 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000002401 inhibitory effect Effects 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000010076 replication Effects 0.000 description 2
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Peptides Or Proteins (AREA)
Abstract
本发明公开了一种基于改进型克隆选择算法的模拟电路故障诊断方法。首先,取消原判定算法根据经验确定各故障所属的诊断半径的判决规则,采用最小欧式距离作为诊断判决条件。这样不仅能消除了拒分、减少误分,还能减少多分,提高故障诊断率。其次,修改亲和度计算公式,用f=1/(1+d)替换原来公式:f=1/d。以此,避免计算溢出,而且也将亲和度规范在固定范围(0,1],这样计算方便,亲和度的可比性也更强。最后,修改总体亲和度的计算方式,用种群中全部个体亲和度的平均值表示,替换之前按种群全部个体亲和度总和表示的方法。改进后的克隆选择算法已经应用于模拟电路故障诊断中,并表现出了优越的性能。
Description
技术领域
本发明涉及电路故障诊断领域,尤其涉及基于克隆选择算法的模拟电路故障诊断领域。
背景技术
随着电子技术的飞速发展,电路测试诊断特别是模拟电路故障诊断越来越复杂。目前,人工免疫技术中的克隆选择算法是故障诊断领域中最活跃的一个分支,它也是人工免疫技术中最突出的技术之一,具有神经网络无法比拟的快速收敛能力。同时,近些年出现了很多克隆选择算法的变种,其中有些算法已经应用于模拟电路故障诊断中,并表现出了其优越的性能。
克隆选择算法的优点是以高频变异和克隆为搜索方式,避免了出现模式收敛,保留了种群多样性。其缺点是高频变异具有不确定性;亲和度越高的克隆数量越大,会使克隆规模和计算量增大;结果可能不是全局最优,具体而言有如下缺点:算法中的判决条件中设定统一的判定半径会造成故障拒分、多分;而且判定半径的大小也很难决定;亲和度的计算方式f=1/d,在d=0时会造成计算溢出。
发明内容
有鉴于此,为了解决上述问题,本发明提供了一种基于改进型克隆选择算法的模拟电路故障诊断方法。
为了解决上述技术问题,本发明是这样实现的:
一种基于改进型克隆选择算法的模拟电路故障诊断方法,包括:
步骤一、提取训练样本;
令被测模拟电路处于各种状态;在每种状态下,从被测模拟电路的M个节点提取的特征值,每个节点提取n种类型的特征值;则一个节点的n种类型特征值构成一个个体,表示为A={a1,a2,…,an},M个个体组成一个训练样本;每种状态下多次提取训练样本;
步骤二、知识训练;
步骤21、选择一个训练样本,构成抗体种群SM,抗体种群规模为M;
步骤22、求取所述抗体种群SM的种群中心O={o1,o2,…,on},其中,种群中心O的分量oi由抗体种群SM中所有个体的对应分量ai进行平均值计算得到,i=1,2,…,n;然后采用公式(1)计算抗体种群SM中每个个体的亲和力:
其中,为个体与种群中心之间的曼哈坦距离;
步骤23、对抗体种群SM进行选择和抑制,获得新的群体SN;
步骤24、对群体SN进行比例克隆,生成临时克隆群体C;
步骤25、对临时克隆群体C进行选择变异,生成成熟的克隆群体C*;
步骤26、对成熟的克隆群体C*进行选择替换,得到更新后的群体SN;
步骤27、重复执行步骤24到步骤26的迭代过程,直至两次迭代的群体SN的总体亲和度的差别达到阈值HT则停止迭代;其中,总体亲和度采用群体SN中全部个体亲和力的平均值表示;
步骤28、获取最终群体SN的中心,即最优聚类中心;
对于每个训练样本,都经过步骤21至步骤27得到多个最优聚类中心,每个最优聚类中心对应一个状态,知识训练结束;
步骤三、故障诊断;
提取被测模拟电路处于待诊断状态时的测试样本,获取测试样本与所有最优聚类中心之间的曼哈坦距离,将故障诊断结果定位至与最小曼哈坦距离对应的状态类型。
优选地,步骤23中,所述选择为:采用以亲和力为指标的轮盘赌技术从抗体种群SM中选择。
优选地,步骤24中,群体SN中各个体的克隆规模取个体亲和力的对数函数。
优选地,步骤25中,采用公式(2)计算临时克隆群体C中每个个体的变异概率,η为设定的调节系数;
优选地,η取值在0.05-0.3之间。
优选地,所述步骤26中,以亲和力为指标,采用轮盘赌技术从克隆群体C*中选出N个个体,并将其中的T个低亲和力的个体用克隆群体C*中的剩余个体中亲和力最大的个体予以替换,得到更新后的群体SN;其中T根据经验取值。
优选地,T选择的取值区间为0.02Nc~0.05Nc,Nc为所述成熟的克隆群体C*的规模。
优选地,所述γ选择10%。
优选地,步骤27中,所述阈值HT取为0.001~0.01之间。
优选地,所述提取待诊断模拟电路在各状态下的数据特征包括提取正常状态和异常状态下的数据特征。
有益效果:
(1)取消原判定方式中根据经验确定各故障所属的诊断半径,采用最小欧式距离作为诊断判决条件。这样不仅能消除了拒分、减少误分,还能减少多分,提高故障诊断率。
(2)修改亲和度计算公式,用f=1/(1+d)替换原来公式:f=1/d。以此避免计算溢出,而且也将亲和度规范在固定范围(0,1],这样计算方便,亲和度的可比性也更强。
(3)用种群中全部个体亲和度的平均值表示总体亲和度,替换之前按种群全部个体亲和度总和表示的方法。相对同样的停止条件,改进后的计算方案精度提高了N倍,而计算量没有显著增加。
(4)采用轮盘赌技术实现步骤23选择,能够将亲和力大的个体以较高的概率选中,从而也就提高了下一代种群的总体亲和力,这样能缩短收敛时间。
(5)通过将克隆规模取个体亲和力的对数函数,既保证了克隆规模随着亲和力的增加而增大,又避免了按比例法选择时可能存在的亲和力超大个体的快速繁殖,造成种群过早收敛。
本发明的模拟电路故障诊断方法已经应用于模拟电路故障诊断中,并表现出了优越的性能。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
步骤一、训练样本提取;
令被测模拟电路处于各种状态;在每种状态下,从被测模拟电路的M个节点提取的特征值,每个节点提取n种类型的特征值;则一个节点的n种类型特征值构成一个个体,表示为A={a1,a2,…,an},M个个体组成一个训练样本;每种状态下多次提取训练样本。
特征值的提取是识别学习的基础,特征类型包括典型电路的故障特征和基于小波分析等人工智能技术分析提取的故障特征。
其中,典型电路的故障特征是工程师根据经验总结出来的、已知的可以反映故障的特征,比如输出信号的幅值、频率、信号的直流分量、方差等。这些特征可以通过从实际或软件模拟的被测电路节点中获取波形数据并进行计算得到。基于小波分析的故障特征是从被测模拟电路中提取故障状态数据并进行小波分析得到的。
例如,被测模拟电路具有10个节点,可提取的故障特征类型为5个;假设,已知的故障状态为7个,正常状态为1个;则令被测电路处于其中一种状态时,从10个节点提取故障特征,每个节点提取5种特征,构成训练样本A1~A10,Aj={a1,a2,…,a5},j=1,2,…,10。假设每个状态提取100次,则共有100×(7+1)个训练样本。
步骤二、知识训练;
步骤21、选择一个训练样本,构成抗体种群SM,抗体种群规模为M。
步骤22、求取所述抗体种群SM的种群中心O={o1,o2,…,on},其中,种群中心O的分量oi由抗体种群SM中所有个体的对应分量ai进行平均值计算得到,i=1,2,…,n。
为表示亲和力与距离成反比的关系,传统克隆选择算法中将亲和力定义为距离的倒数。这种定义下,当距离D=0时,从数学概念上,亲和度函数在该点没有定义。为完善这种距离为0的情况,同时合理表示距离的变化引发的亲和力的变化,选用f=1/(1+D)替换简单的反比函数f=1/D。
则采用公式(1)计算抗体种群SM中每个个体的亲和力:
其中,为个体与种群中心之间的曼哈坦距离。
既避免了计算溢出,同时也将亲和力规范在固定范围(0,1],这样计算方便,亲和力的可比性也更强。
步骤23、基于亲和力度量从抗体种群SM中选择N个最佳抗体,组成新的群体SN。
本步骤是抗体的选择和抑制。具体来说筛选最佳抗体的方式为:先以亲和力为指标,采用轮盘赌技术从抗体种群SM中选择N’个较佳抗体,使得群体中个体被选择的概率与其抗体的亲和力成正比。为了使算法加速收敛,以抑制率γ排除群体SM中亲和度小的抗体,则根据亲和力对选择出的N’个较佳抗体进行排序,并根据设定的抑制率γ将亲和力低的γ×N’个较佳抗体直接删除,得到群体SN。通常γ为10%,也就是将Pi小于10%的个体直接被删除。
步骤24、对群体SN进行比例克隆,生成临时克隆群体C。
比例克隆是指对群体中的个体进行增大规模的复制。本步骤中,复制的概率也与抗体的亲和力成正比,本发明设定亲和力越高的抗体克隆规模越大,即群体SN中各抗体的克隆规模取个体亲和力的单调递增函数。较佳地,该克隆规模取个体亲和力的对数函数,该函数能够随着亲和力的递增而单调增加,但其增幅小于线性函数,这样可避免了按比例法选择时可能存在的亲和力超大个体的快速繁殖,造成种群过早收敛。
步骤25、对临时克隆群体C进行选择变异,得到成熟的抗体群体C*。
变异的实质就是通过局部寻优使得抗体朝着识别抗原的方向发展。变异概率反比于抗体的亲和力,亲和力越大变异概率越小,从而生成一个成熟的抗体群体C*。
本发明设计的变异概率如公式(2)所示,
其不仅能够表达出亲和力越大变异概率越小的趋势,而且指数函数的选择使得变化趋势没有这么剧烈。为使计算速度达到满意需要根据不同电路设定调节系数η。η通常取值在0.05-0.3之间。
那么,本步骤中采用公式(2)计算临时克隆群体C中每个个体的变异概率,依据变异概率对临时克隆群体C实施变异,生成一个规模为Nc的成熟的克隆群体C*。
步骤26、再次以亲和力为指标,采用轮盘赌技术从克隆群体C*中选出N个个体,并将其中的T个低亲和力的个体用克隆群体C*中的剩余个体中亲和力最大的个体予以替换,得到更新后的群体SN;其中T根据经验取值,取值区间为0.02Nc~0.05Nc。
步骤27、步骤24到步骤26为一次完整迭代;重复执行步骤24到步骤26,直至两次迭代的群体SN的总体亲和度的差别达到阈值HT则停止迭代;其中,总体亲和度采用群体SN中全部个体亲和力的平均值表示。
本发明中,阈值HT通常取为0.001~0.01之间。采用全部个体亲和度的平均值表示群体的总体亲和度与传统的采用全部个体亲和度的和表示群体的总体亲相比,总体亲相比绝对值为原方案的1/N,相对同样的停止条件,改进后的计算方案精度提高了N倍,而计算量没有显著增加。
步骤28、计算最终抗体种群SN的中心,即最优聚类中心;
对于每个训练样本,都经过步骤21至步骤27即可得到多个最优聚类中心,每个最优聚类中心对应一个状态,知识训练结束;
通常,在获得训练样本后,可以采用所有样本的80%进行本流程的知识训练,剩余20%作为诊断数据,用于验证。然后再用于实际的故障诊断。
步骤三、故障诊断;
提取被测模拟电路处于待诊断状态时的测试样本,该测试样本与训练样本的组成相同,获取测试样本与所有最优聚类中心之间的曼哈坦距离,将故障诊断结果定位至与最小曼哈坦距离对应的状态类型。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于改进型克隆选择算法的模拟电路故障诊断方法,其特征在于,包括:
步骤一、提取训练样本;
令被测模拟电路处于各种状态;在每种状态下,从被测模拟电路的M个节点提取的特征值,每个节点提取n种类型的特征值;则一个节点的n种类型特征值构成一个个体,表示为A={a1,a2,…,an},M个个体组成一个训练样本;每种状态下多次提取训练样本;
步骤二、知识训练;
步骤21、选择一个训练样本,构成抗体种群SM,抗体种群规模为M;
步骤22、求取所述抗体种群SM的种群中心O={o1,o2,…,on},其中,种群中心O的分量oi由抗体种群SM中所有个体的对应分量ai进行平均值计算得到,i=1,2,…,n;然后采用公式(1)计算抗体种群SM中每个个体的亲和力:
其中,为个体与种群中心之间的曼哈坦距离;
步骤23、对抗体种群SM进行选择和抑制,获得新的群体SN;
步骤24、对群体SN进行比例克隆,生成临时克隆群体C;其中,群体SN中各个体的克隆规模取个体亲和力的对数函数;
步骤25、对临时克隆群体C进行选择变异,生成成熟的克隆群体C*;
步骤26、对成熟的克隆群体C*进行选择替换,得到更新后的群体SN;
步骤27、重复执行步骤24到步骤26的迭代过程,直至两次迭代的群体SN的总体亲和度的差别达到阈值HT则停止迭代;其中,总体亲和度采用群体SN中全部个体亲和力的平均值表示;
步骤28、获取最终群体SN的中心,即最优聚类中心;
对于每个训练样本,都经过步骤21至步骤27得到多个最优聚类中心,每个最优聚类中心对应一个状态,知识训练结束;
步骤三、故障诊断;
提取被测模拟电路处于待诊断状态时的测试样本,获取测试样本与所有最优聚类中心之间的曼哈坦距离,将故障诊断结果定位至与最小曼哈坦距离对应的状态类型。
2.如权利要求1所述的方法,其特征在于,步骤23中,所述选择为:采用以亲和力为指标的轮盘赌技术从抗体种群SM中选择。
3.如权利要求1所述的方法,其特征在于,步骤25中,采用公式(2)计算临时克隆群体C中每个个体的变异概率,η为设定的调节系数;
4.如权利要求3所述的方法,其特征在于,η取值在0.05-0.3之间。
5.如权利要求1所述的方法,其特征在于,所述步骤26中,以亲和力为指标,采用轮盘赌技术从克隆群体C*中选出N个个体,并将其中的T个低亲和力的个体用克隆群体C*中的剩余个体中亲和力最大的个体予以替换,得到更新后的群体SN;其中T根据经验取值。
6.如权利要求5所述的方法,其特征在于,T选择的取值区间为0.02Nc~0.05Nc,Nc为所述成熟的克隆群体C*的规模。
7.如权利要求1所述的方法,其特征在于,步骤23中,先以亲和力为指标,采用轮盘赌技术从抗体种群SM中选择N’个较佳抗体,然后根据设定的抑制率γ将亲和力低的γ×N’个较佳抗体直接删除,得到群体SN,所述γ选择10%。
8.如权利要求1所述的方法,其特征在于,步骤27中,所述阈值HT取为0.001~0.01之间。
9.如权利要求1所述的方法,其特征在于,所述提取待诊断模拟电路在各状态下的数据特征包括提取正常状态和异常状态下的数据特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310745818.1A CN103714385B (zh) | 2013-12-30 | 2013-12-30 | 一种基于改进型克隆选择算法的模拟电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310745818.1A CN103714385B (zh) | 2013-12-30 | 2013-12-30 | 一种基于改进型克隆选择算法的模拟电路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103714385A CN103714385A (zh) | 2014-04-09 |
CN103714385B true CN103714385B (zh) | 2017-02-01 |
Family
ID=50407340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310745818.1A Active CN103714385B (zh) | 2013-12-30 | 2013-12-30 | 一种基于改进型克隆选择算法的模拟电路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103714385B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980066A (zh) * | 2016-12-29 | 2017-07-25 | 华北电力大学 | 一种基于体液免疫应答机制的电网故障诊断模型构建方法 |
CN108896932A (zh) * | 2018-05-29 | 2018-11-27 | 南京理工大学 | 基于小波包分解和csa的开关电源电路故障诊断方法 |
CN109782156B (zh) * | 2019-01-08 | 2021-11-19 | 中国人民解放军海军工程大学 | 基于人工免疫诊断网络的模拟电路故障诊断方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101101610A (zh) * | 2007-07-13 | 2008-01-09 | 上海大学 | 基于多水平划分法的大规模集成电路划分方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8289796B2 (en) * | 2010-01-26 | 2012-10-16 | Micron Technology, Inc. | Sense amplifier having loop gain control |
-
2013
- 2013-12-30 CN CN201310745818.1A patent/CN103714385B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101101610A (zh) * | 2007-07-13 | 2008-01-09 | 上海大学 | 基于多水平划分法的大规模集成电路划分方法 |
Non-Patent Citations (4)
Title |
---|
Genetic-Algorithm-Based Method for Optimal Analog Test Points Selection;T.Golonek etal.;《IEEE Transactions on Circuits and Systems Ⅱ:Express Briefs》;20071231;第54卷(第2期);第117-121页 * |
人工免疫算法的改进与IP核实现;李龙;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130615;第28-30页 * |
基于人工免疫技术的模拟电路故障诊断技术;王勤勇;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131015;第13-15、31-35页 * |
改进免疫遗传算法及其在优化调度问题中的应用研究;马佳;《中国博士学位论文全文数据库 信息科技辑》;20110515;第25-27页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103714385A (zh) | 2014-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524020B (zh) | 一种语音增强处理方法 | |
CN112465040B (zh) | 一种基于类不平衡学习算法的软件缺陷预测方法 | |
CN109934269B (zh) | 一种电磁信号的开集识别方法和装置 | |
CN112508243B (zh) | 电力信息系统多故障预测网络模型的训练方法及装置 | |
CN108804731B (zh) | 基于重要点双重评价因子时间序列趋势特征提取方法 | |
CN105373606A (zh) | 一种改进c4.5决策树算法下的不平衡数据抽样方法 | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
CN113177537B (zh) | 一种旋转机械设备的故障诊断方法及系统 | |
CN112989734B (zh) | 基于概率神经网络的装备模拟电路故障诊断方法 | |
CN103714385B (zh) | 一种基于改进型克隆选择算法的模拟电路故障诊断方法 | |
CN115186564A (zh) | 基于特征融合和改进粒子群算法的模拟电路故障诊断方法 | |
CN114152825A (zh) | 变压器的故障诊断方法、装置和变压器的故障诊断系统 | |
CN110543166A (zh) | 一种加权k近邻标准化方法的多模态工业过程故障检测方法 | |
CN108470194B (zh) | 一种特征筛选方法及装置 | |
CN109426655A (zh) | 数据分析方法、装置、电子设备及计算机可读存储介质 | |
CN110991471A (zh) | 一种高速列车牵引系统故障诊断方法 | |
Stratigopoulos et al. | Efficient Monte Carlo-based analog parametric fault modelling | |
CN111767277A (zh) | 数据处理方法和装置 | |
CN105866664A (zh) | 一种基于幅频特征的模拟电路智能化故障诊断方法 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN109063983A (zh) | 一种基于社交媒体数据的自然灾害损失实时评估方法 | |
CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
CN112380932B (zh) | 振动信号特征值选择方法及电梯健康状态评估或故障诊断方法 | |
Moore et al. | Dataset balancing can hurt model performance | |
CN110516792A (zh) | 基于小波分解和浅层神经网络的非平稳时间序列预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |