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

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

一种基于改进型克隆选择算法的模拟电路故障诊断方法

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，…，a_n}，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S_M，抗体种群规模为M；

步骤22、求取所述抗体种群S_M的种群中心O＝{o₁，o₂，…，o_n}，其中，种群中心O的分量o_i由抗体种群S_M中所有个体的对应分量a_i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S_M中每个个体的亲和力：

$f=\frac{1}{1+D}---\left(1\right)$

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S_M进行选择和抑制，获得新的群体S_N；

步骤24、对群体S_N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S_N；

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S_N的总体亲和度的差别达到阈值H_T则停止迭代；其中，总体亲和度采用群体S_N中全部个体亲和力的平均值表示；

步骤28、获取最终群体S_N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S_M中选择。

优选地，步骤24中，群体S_N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；

$\mathrm{\α}=\mathrm{\η}\frac{1}{1+e^f}---\left(2\right)$

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S_N；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H_T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，…，a_n}，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，A_j＝{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S_M，抗体种群规模为M。

步骤22、求取所述抗体种群S_M的种群中心O＝{o₁，o₂，…，o_n}，其中，种群中心O的分量o_i由抗体种群S_M中所有个体的对应分量a_i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S_M中每个个体的亲和力：

$f=\frac{1}{1+D}---\left(1\right)$

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S_M中选择N个最佳抗体，组成新的群体S_N。

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S_M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S_M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S_N。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S_N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S_N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，

$\mathrm{\α}=\mathrm{\η}\frac{1}{1+e^f}---\left(2\right)$

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S_N；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S_N的总体亲和度的差别达到阈值H_T则停止迭代；其中，总体亲和度采用群体S_N中全部个体亲和力的平均值表示。

本发明中，阈值H_T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S_N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，…，a_n}，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S_M，抗体种群规模为M；

步骤22、求取所述抗体种群S_M的种群中心O＝{o₁，o₂，…，o_n}，其中，种群中心O的分量o_i由抗体种群S_M中所有个体的对应分量a_i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S_M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S_M进行选择和抑制，获得新的群体S_N；

步骤24、对群体S_N进行比例克隆，生成临时克隆群体C；其中，群体S_N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S_N；

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S_N的总体亲和度的差别达到阈值H_T则停止迭代；其中，总体亲和度采用群体S_N中全部个体亲和力的平均值表示；

步骤28、获取最终群体S_N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S_M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；

$\mathrm{\α}=\mathrm{\η}\frac{1}{1+e^f}---\left(2\right)$ 。

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S_N；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S_M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S_N，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H_T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。