CN107480386A - 一种基于响应混叠性度量与遗传算法的测试激励优选方法 - Google Patents
一种基于响应混叠性度量与遗传算法的测试激励优选方法 Download PDFInfo
- Publication number
- CN107480386A CN107480386A CN201710725700.0A CN201710725700A CN107480386A CN 107480386 A CN107480386 A CN 107480386A CN 201710725700 A CN201710725700 A CN 201710725700A CN 107480386 A CN107480386 A CN 107480386A
- Authority
- CN
- China
- Prior art keywords
- genetic algorithm
- value
- fault
- normal
- response
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
一种基于响应混叠性度量与遗传算法的测试激励优选方法,本发明涉及基于响应混叠性度量与遗传算法的测试激励优选方法。本发明为了解决现有模拟电路中,由于器件容差的存在使得器件故障状态和正常状态界限模糊,导致早期故障检测较低以及测试激励优选速度慢的问题。本发明包括:步骤一:得到M个正常样本和M个故障样本;步骤二:采用遗传算法对P个频点进行二进制编码,并进行参数初始化;步骤三:遗传算法采用响应混叠性度量函数作为适应度函数,计算NIND个频点的适应度函数值;步骤四:获取响应混叠性度量函数值最小的测试激励的二进制基因,通过解码后得到对应的最优测试激励。本发明用于模拟电路故障诊断领域。
Description
技术领域
本发明涉及基于响应混叠性度量与遗传算法的测试激励优选方法。
背景技术
随着我国国防科技的发展,电子系统广泛地应用在导弹控制、通信、目标探测、敌我识别等领域中,所以电子系统的可靠性决定了武器装备的性能。电子系统模拟电路的构成比例虽约为20%,但是电子系统的故障大多来源于模拟电路,影响模拟电路性能主要因素之一是由电路中元器件的参数漂移引起的故障,目前的故障诊断领域涉及的故障类型主要为器件较大偏差引起的软故障和硬故障,由于这两类故障对电路性能造成的影响较大,更容易被检测和诊断,但此时已经严重影响了电路的性能,在要求高可靠性和高精度的应用场合,已经造成了不可避免的损失;所以要在未达到严重故障时对电路的故障状态进行有效的判断,避免造成电路性能的大幅度削弱。
对于电路中的某一个故障,在不同频率激励下,故障输出响应也不尽相同,因此选择合适的测试激励,获得该故障的最佳电路输出响应,得到的故障样本尽可能可分。合理的测试激励,可以优化故障分辨率,并易于分类器检测故障。
发明内容
本发明的目的是为了解决现有模拟电路中,由于器件容差的存在使得器件故障状态和正常状态界限模糊导致早期故障检测率较低,以及模拟电路测试激励优选方法速度慢的问题,而提出一种基于响应混叠性度量与遗传算法的测试激励优选方法。
一种基于响应混叠性度量与遗传算法的测试激励优选方法包括以下步骤:
步骤一:在全频带范围内等间隔频率获取待优选的P个频点,在每个频点下获取电路M次正常工作的所有特征信息以及M次由故障元件H引起的故障状态下的所有特征信息,即得到M个正常样本和M个故障样本;所述间隔频率为1~5Hz;
步骤二:采用遗传算法对P个频点进行二进制编码,并进行参数初始化;
所述参数初始化包括:从P个频点中选取的种群大小为NIND个频点,遗传代数为MAXGEN,交叉概率p1,变异概率p2;
步骤三:遗传算法采用响应混叠性度量函数作为适应度函数,计算NIND个频点的适应度函数值;
步骤四:根据步骤三得到的适应度函数值,实现遗传算法的基因选择、重组和变异,得到新的种群,迭代执行步骤三和步骤四,直至达到迭代次数MAXGEN为止,获取响应混叠性度量函数值最小的测试激励的二进制基因,通过解码后得到对应的最优测试激励。
本发明提供了一种基于混叠性度量与遗传算法的测试激励优选方法,能够针对早期故障快速地选择最优的测试激励,提高了模拟电路早期故障检测率,对于较难检测的元器件参数较小偏差引起的早期故障检测率比较高,这是传统的方法所没有达到的效果,同时本发明将测试激励优选方法与遗传算法结合大幅度地加快了测试激励优选速度。
模拟电路中的元器件由于加工工艺导致参数发生变化,该变化称为器件的容差,一般情况下服从正态分布。所以本发明提出的算法就是基于器件容差的这一特性展开的。根据大数定理,一定数量的器件组成的电路,电路的响应也近似正态分布。因此本发明利用了这一结论,将正常响应和故障响应之间的混叠性用正常响应的分布曲线和故障响应的分布曲线的重叠区域来表示,因此算法的核心目标是在备选频点中选择使重叠区域最小的测试激励为最优测试激励,本发明在频点选择的过程采用了遗传算法加速了优选过程,大幅度提高了算法的运行速度,减小计算量。
模拟电路在全频带下提取的频点为P个,每个频点的样本都对应着一条正态分布曲线,将电路正常输出响应曲线记为Fnormal,早期故障输出响应曲线记为Ffault,设电路的正常输出响应曲线Fnormal符合正态分布N(μ1,σ1 2),故障状态曲线Ffault符合正态分布N(μ2,σ2 2)。通过图1具体说明响应混叠性度量算法的原理。
图1中横坐标表示输出响应的电压值,纵坐标表示对应的概率密度,当Fnormal和Ffault相交时,说明故障响应与正常响应之间存在混叠,该重叠区域的面积大小表示正常输出响应和故障输出响应之间的混叠程度。对于同一个故障,不同测试激励下,响应之间的混叠程度不同,即重叠面积不同,因此本发明算法的核心就是针对早期故障搜寻使响应分布之间的重叠面积最小的测试激励,表示在该测试激励下早期故障响应与正常响应之间的可分性最强,通过故障分类器后则会获得较高的故障检测率。通过图2具体说明响应混叠性度量算法的原理。
首先获得敏感特征量的正常响应和故障响应对应的正态分布相交点的横坐标,如图2所示。那么重叠区域的面积可以利用Fnormal和Ffault的积分求得,由于不同器件造成的故障对电路输出的影响不同,会导致故障状态大于正常状态或者小于正常状态,所以故障分布曲线与正常分布曲线存在两种情况。第一种情况如图2中正常和故障1的状态,故障状态小于正常状态,此时μ1>μ2,交点的横坐标为x0,积分求得的重叠面积S0具体表达式如(1)所示。
第二种情况如图2中正常和故障2的状态,故障状态大于正常状态,此时μ1<μ2时,交点的横坐标为x1,积分求得的重叠面积S1具体表达式如(2)所示。
总结并整理得到表征响应混叠性的重叠面积S如表达式(3)所示:
计算不同频点下的S值,选择使S函数值达到最小的频点为最优测试激励。设敏感特征量的响应混叠性度量函数为D(f),选择测试激励的标准是使重叠面积S达到最小,所以根据该度量条件得到如表达式(4)所示。
D(f)=min(S) (4)
通过表达式(4)选择的测试激励则为该故障对应的敏感特征量下的最优测试激励,通过该测试激励可对模拟电路中早期故障特征激发地更加显著,有效地提高了早期故障检测率。为使测试激励优选的过程更加合理化,本发明将响应混叠性度量算法与遗传算法相结合得到一种快速的测试激励优选方法。具体流程图如图3所示。
首先获取实验数据。通过交流扫描分析和蒙特卡洛分析,从电路的最终测点分别提取电路正常响应和每个器件的早期故障响应对应的特征量的频率特性曲线,本发明提取的特征量包括幅值和相位,所以获取的测试数据为幅频特性曲线和相频特性曲线。
其次,选取敏感特征参量。上一步中分别获取了器件幅频特性信息和相频特性信息,采用响应混叠性算法选取敏感特征量,计算这两类特征的响应混叠性算法函数值,选择使函数值更小的特征量为敏感参量,说明该类特征信号使该器件的正常状态和早期故障的模糊性更小,使早期故障具有更强的可分性。
最后,根据获取的敏感参量对应的正常状态和早期故障状态的测试数据,实现测试激励的优选,为了能够最大化的区分正常状态和早期故障状态,备选频点较多,如果直接采用全局搜索从中选出最佳激励,计算量较大,导致整个优选过程时间较长,所以本发明结合了遗传算法优化该过程,通过遗传算法的逐次迭代,大大减小了需要计算的备选频点个数,成倍地提高了测试激励优选过程,具体各个环节的设置如下所示。
(1)首先对测试频点进行编码,本发明采用的编码方案为二进制编码,设待选择的测试频点有P个,二进制编码后的位数为m,则2m=P,该m位二进制编码则为频点对应的基因;然后进行参数初始化,包括设置种族群大小为NIND,遗传代数为MAXGEN,交叉概率p1,变异概率p2。
(2)适应度函数的确定。遗传算法在搜索优化过程中,通过适应度函数来评价个体优劣,并作为引导算法继续迭代的基础依据。因此采用响应混叠性度量函数作为遗传算法的适应度函数进行测试频率的优选。
(3)根据设置的迭代次数和适应度函数,实现遗传算法的基因选择、重组和变异,在迭代次数达到时获取使响应混叠性度量函数值较小的测试激励的二进制基因,通过解码后得到对应的最优测试激励。
针对模拟电路中关键器件造成的早期故障,采用响应混叠性度量与遗传算法结合的方式得到每个器件的测试激励,有效地提高了早期故障检测率,保证了模拟电路的高可靠性。
本发明的有益效果为:
本发明主要针对器件偏差造成的模拟电路早期故障进行测试激励的优选,有效地提高早期模拟检测率。采用本发明中的基于响应混叠性度量函数与遗传算法获取的模拟电路早期故障测试激励能够更好的激发早期故障特征信息,对于难以检测的早期故障状态,如:模拟电路早期故障,其检测效果要远好于采用传统的测试激励时的检测效果,检测率达到97%以上,尤其对参数偏差较小,与正常状态较为接近的早期故障,能获得较高的故障检测率,检测率达到92%以上,这是目前传统测试激励选择方法所没有达到的效果,同时本发明将测试激励优选方法与遗传算法结合使用,大幅度地提高了测试激励优选速度,减少了计算量。
附图说明
图1为正常输出响应和故障输出响应的正态分布曲线;
图2为正常响应和两种故障响应的正态分布曲线;
图3为测试激励优选算法流程图;
图4为Sallen-key滤波电路图;
图5为采用遗传算法和无遗传算法运行时间对比图;
图6为采用遗传算法和无遗传算法早期故障检测率对比图。
具体实施方式
具体实施方式一:一种基于响应混叠性度量与遗传算法的测试激励优选方法包括以下步骤:
步骤一:在全频带范围内等间隔频率获取待优选的P个频点,在每个频点下获取电路M次正常工作的所有特征信息以及M次由故障元件H引起的故障状态下的所有特征信息,即得到M个正常样本和M个故障样本;步骤二:采用遗传算法对P个频点进行二进制编码,并进行参数初始化;
所述参数初始化包括:从P个频点中选取的种群大小为NIND个频点,遗传代数为MAXGEN,交叉概率p1,变异概率p2;
步骤三:遗传算法采用响应混叠性度量函数作为适应度函数,计算NIND个频点的适应度函数值;
步骤四:根据步骤三得到的适应度函数值,实现遗传算法的基因选择、重组和变异,得到新的种群,迭代执行步骤三和步骤四,直至达到迭代次数MAXGEN为止,获取响应混叠性度量函数值最小的测试激励的二进制基因,通过解码后得到对应的最优测试激励。
针对早期故障的基于响应混叠性度量与遗传算法的测试激励优选方法,寻找使早期故障响应和正常响应差异最大的测试激励,提高早期故障的检测率,避免对电路性能造成严重的影响,为了减少算法的计算量,本发明采用遗传算法对激励选择过程进行优化,有效提高测试激励的优选速度,大幅度缩短了算法运行时间。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中间隔频率为1~5Hz。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤一中所有特征信息为每个频点对应的电压值和相位值。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤二中P个频点二进制编码后的位数为m,则2m=P,m位二进制编码则为每个频点对应的基因。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤三中遗传算法采用响应混叠性度量函数作为适应度函数,计算NIND个频点的适应度函数值的具体过程为:
步骤三一:根据所有特征信息得到P个频点中每个频点的M个正常样本和M个故障样本的电压值和相位值,采用Matlab数学工具箱中的normfit函数,获得M个正常样本和M个故障样本电压值和相位值对应的正态分布曲线以及正态分布的均值和方差;得到的正态分布曲线横坐标为样本的电压值或相位值,纵坐标为样本电压值的概率密度分布或相位值的概率密度分布;
步骤三二:根据步骤三一中得到的正态分布曲线,获得正常样本的正态分布曲线的均值μ1和标准差σ1,故障样本的正态分布曲线的均值μ2和标准差σ2;
步骤三三:判断正常样本和故障样本的正态分布曲线的位置,求取正常状态的正态分布曲线与故障状态的正态分布曲线交点的横坐标值;,正常情况下两个正态分布的交点为两个,本发明求取的交点是位于μ1和μ2之间的。即:通过比较μ1和μ2的大小来判断正常样本和故障样本的正态分布曲线的位置,当μ1>μ2时,求取的交点横坐标记为x1,当μ1<μ2时,将求取的交点横坐标记为x0;
步骤三四:步骤三三求取的交点横坐标的值,计算正常样本的正态分布曲线和故障样本正态分布曲线的重叠区面积S,面积S表示正常状态和故障状态之间的响应混叠性度量函数,公式如下:
其中x为P个频点的电压值或相位值;
步骤三五:计算P个频点的电压值和相位值的混叠性度量函数D(f),计算公式为:
D(f)=min(S)
得到电压值的混叠性函数最小值为D1,相位值的混叠性函数最小值为D2,比较D1和D2的值,若D1>D2,则敏感特征为相位;若D1<D2,则敏感特征为电压;
步骤三六:将敏感特征值对应的响应混叠性度量函数设定为遗传算法的适应度函数。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述步骤四中根据步骤三得到的适应度函数值,实现遗传算法的基因选择、重组和变异,得到新的种群,迭代执行步骤三和步骤四,直至达到迭代次数MAXGEN为止,获取响应混叠性度量函数值最小的测试激励的二进制基因,通过解码后得到对应的最优测试激励的具体过程为:
步骤四一:根据步骤三得到的适应度函数值,采用轮盘赌方法根据适应度函数值的大小确定种群中个体遗传到下一代群体的概率,由于轮盘赌方法原则是适应度函数越大则遗传概率越大,而本发明需要选择响应混叠性度量函数值最小的频点,所以在设置遗传算法的目标函数obj为混叠性度量函数D(f)的负值,obj=-D(f);
步骤四二:根据步骤四一中种群中个体遗传到下一代群体的概率,对个体进行单点交叉计算,交叉概率为p1;
步骤四三:根据步骤四一中种群中个体遗传到下一代群体的概率,对个体进行变异计算,变异概率为p2,得到新种群;
步骤四四:根据步步骤四三得到的新种群,得到使目标函数取最小值的二进制数,通过解码则得到最优测试激励频点;
步骤四五:迭代执行步骤三至步骤四四,直至迭代次数达到MAXGEN,得到的使目标函数取最小值的测试激励为最优测试激励。
其它步骤及参数与具体实施方式一至五之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本发明以Sallen-key电路为例详细说明基于响应混叠性度量与遗传算法的测试激励优选方法。首先,在PSPice软件中搭建仿真电路如图4所示。电阻R1=1K,R2=3K,R3=2K,R4=R5=4K,C1=C2=5n,其中电阻和电容的容差均为5%。针对模拟电路中的器件,采用本发明提出的响应混叠性算法与遗传算法进行测试激励优选,结果如表1所示。
表1每个器件的最佳测试频率
为了验证选取的激励和测点可以有效的提高早期故障检测率,本发明采用支持向量数据描述方法(SVDD)作为分类器进行关键器件引起的早期故障检测,检测结果如表2所示。
表2早期故障检测率
分析上述实验结果可以得出:对于各个器件的早期故障检测率较高,除检测率都达到89.5%以上,对于10%偏差的平均故障检测率达到96.35%;这是其他测试激励方法所没有的效果,对应其他更大的偏差检测率都达到了100%。
实施例二:
本发明提出的测试激励优选方法结合了遗传算法加快测试激励的优选过程,将本发明的方法和未与遗传算法结合的测试激励优选算法分别应用于图4所示的电路,遗传算法的采用将原本在频带范围内逐个搜索比较的形式优化为法逐次迭代的形式,根据适应度函数的值进行基因选择、重组和变异,最终得到最优测试激励,遗传算法的使用大幅度减小了测试激励优选的时间,图5说明了是否结合遗传算法的运行时间。图6说明了两个情况下的10%元器件偏差引起的故障平均检测率,结合图5和图6可显著看出采用遗传算法后测试激励优选的时间提高到原来时间的约1/10,在不影响测试激励效果的同时大幅度的节省了运行时间。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.一种基于响应混叠性度量与遗传算法的测试激励优选方法,其特征在于:所述基于响应混叠性度量与遗传算法的测试激励优选方法包括以下步骤:
步骤一:在全频带范围内等间隔频率获取P个频点,在每个频点下获取电路M次正常工作的所有特征信息以及M次由故障元件H引起的故障状态下的所有特征信息,即得到M个正常样本和M个故障样本;
步骤二:采用遗传算法对P个频点进行二进制编码,并进行参数初始化;
所述参数初始化包括:从P个频点中选取的种群大小为NIND个频点,遗传代数为MAXGEN,交叉概率p1,变异概率p2;
步骤三:遗传算法采用响应混叠性度量函数作为适应度函数,计算NIND个频点的适应度函数值;
步骤四:根据步骤三得到的适应度函数值,实现遗传算法的基因选择、重组和变异,得到新的种群,迭代执行步骤三和步骤四,直至达到迭代次数MAXGEN为止,获取响应混叠性度量函数值最小的测试激励的二进制基因,通过解码后得到对应的最优测试激励。
2.根据权利要求1所述的一种基于响应混叠性度量与遗传算法的测试激励优选方法,其特征在于:所述步骤一中间隔频率为1~5Hz。
3.根据权利要求2所述的一种基于响应混叠性度量与遗传算法的测试激励优选方法,其特征在于:所述步骤一中所有特征信息为每个频点对应的电压值和相位值。
4.根据权利要求3所述的一种基于响应混叠性度量与遗传算法的测试激励优选方法,其特征在于:所述步骤二中P个频点二进制编码后的位数为m,则2m=P,m位二进制编码则为每个频点对应的基因。
5.根据权利要求4所述的一种基于响应混叠性度量与遗传算法的测试激励优选方法,其特征在于:所述步骤三中遗传算法采用响应混叠性度量函数作为适应度函数,计算NIND个频点的适应度函数值的具体过程为:
步骤三一:根据所有特征信息得到P个频点中每个频点的M个正常样本和M个故障样本的电压值和相位值,采用Matlab数学工具箱中的normfit函数,获得M个正常样本和M个故障样本电压值和相位值对应的正态分布曲线以及正态分布的均值和方差;得到的正态分布曲线横坐标为样本的电压值或相位值,纵坐标为样本电压值的概率密度分布或相位值的概率密度分布;
步骤三二:根据步骤三一中得到的正态分布曲线,获得正常样本的正态分布曲线的均值μ1和标准差σ1,故障样本的正态分布曲线的均值μ2和标准差σ2;
步骤三三:判断正常样本和故障样本的正态分布曲线的位置,求取正常状态的正态分布曲线与故障状态的正态分布曲线交点的横坐标值;即:通过比较μ1和μ2的大小判断正常样本和故障样本的正态分布曲线的位置,当μ1>μ2时,求取的交点横坐标记为x1,当μ1<μ2时,将求取的交点横坐标记为x0;
步骤三四:根据步骤三三求取的交点横坐标的值,计算正常样本的正态分布曲线和故障样本正态分布曲线的重叠区面积S,面积S表示正常状态和故障状态之间的响应混叠性度量函数,公式如下:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>S</mi>
<mo>=</mo>
<munderover>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
</munderover>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>&sigma;</mi>
<mn>1</mn>
</msub>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
</mrow>
</msup>
<mo>+</mo>
<munderover>
<mo>&Integral;</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>+</mo>
<mi>&infin;</mi>
</mrow>
</munderover>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>&sigma;</mi>
<mn>2</mn>
</msub>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
</mrow>
</msup>
<mo>,</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>></mo>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>S</mi>
<mo>=</mo>
<munderover>
<mo>&Integral;</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
</munderover>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>&sigma;</mi>
<mn>1</mn>
</msub>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
</mrow>
</msup>
<mo>+</mo>
<munderover>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
</munderover>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>&sigma;</mi>
<mn>2</mn>
</msub>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
</mrow>
</msup>
<mo>,</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo><</mo>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中x为P个频点的电压值或相位值;
步骤三五:计算P个频点的电压值和相位值的混叠性度量函数D(f),计算公式为:
D(f)=min(S)
得到电压值的混叠性函数最小值为D1,相位值的混叠性函数最小值为D2,比较D1和D2的值,若D1>D2,则敏感特征为相位;若D1<D2,则敏感特征为电压;
步骤三六:将敏感特征值对应的响应混叠性度量函数设定为遗传算法的适应度函数。
6.根据权利要求5所述的一种基于响应混叠性度量与遗传算法的测试激励优选方法,其特征在于:所述步骤四中根据步骤三得到的适应度函数值,实现遗传算法的基因选择、重组和变异,得到新的种群,迭代执行步骤三和步骤四,直至达到迭代次数MAXGEN为止,获取响应混叠性度量函数值最小的测试激励的二进制基因,通过解码后得到对应的最优测试激励的具体过程为:
步骤四一:根据步骤三得到的适应度函数值,采用轮盘赌方法根据适应度函数值的大小确定种群中个体遗传到下一代群体的概率,设置遗传算法的目标函数obj为混叠性度量函数D(f)的负值,obj=-D(f);
步骤四二:根据步骤四一中种群中个体遗传到下一代群体的概率,对个体进行单点交叉计算,交叉概率为p1;
步骤四三:根据步骤四一中种群中个体遗传到下一代群体的概率,对个体进行变异计算,变异概率为p2,得到新种群;
步骤四四:根据步步骤四三得到的新种群,得到使目标函数取最小值的二进制数,通过解码则得到最优测试激励频点;
步骤四五:迭代执行步骤三至步骤四四,直至迭代次数达到MAXGEN,得到的使目标函数取最小值的测试激励为最优测试激励。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710725700.0A CN107480386B (zh) | 2017-08-22 | 2017-08-22 | 一种基于响应混叠性度量与遗传算法的测试激励优选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710725700.0A CN107480386B (zh) | 2017-08-22 | 2017-08-22 | 一种基于响应混叠性度量与遗传算法的测试激励优选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107480386A true CN107480386A (zh) | 2017-12-15 |
CN107480386B CN107480386B (zh) | 2020-06-30 |
Family
ID=60601408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710725700.0A Active CN107480386B (zh) | 2017-08-22 | 2017-08-22 | 一种基于响应混叠性度量与遗传算法的测试激励优选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480386B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108181550A (zh) * | 2018-01-12 | 2018-06-19 | 天津大学 | 一种交流微电网故障类型判断和选相方法 |
CN111150411A (zh) * | 2020-01-17 | 2020-05-15 | 哈尔滨工业大学 | 基于改进遗传算法的心理压力评测分级方法 |
CN111260063A (zh) * | 2020-01-10 | 2020-06-09 | 电子科技大学 | 基于遗传算法的模拟电路故障定位与参数辨识方法 |
CN111308327A (zh) * | 2019-12-02 | 2020-06-19 | 电子科技大学 | 模拟电路故障定位与故障元件参数辨识方法 |
CN111610428A (zh) * | 2020-04-26 | 2020-09-01 | 哈尔滨工业大学 | 一种基于响应混叠性度量小波包分解算法的参数优化方法 |
CN111950221A (zh) * | 2020-07-16 | 2020-11-17 | 电子科技大学 | 基于遗传算法的模拟电路故障参数范围确定方法 |
CN112069081A (zh) * | 2020-09-24 | 2020-12-11 | 中国人民解放军国防科技大学 | 一种基于遗传算法的目录控制器测试激励生成方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100109676A1 (en) * | 2007-04-12 | 2010-05-06 | Nxp, B.V. | Analog circuit testing and test pattern generation |
CN101894296A (zh) * | 2010-07-05 | 2010-11-24 | 湖南大学 | 一种基于标准差与偏斜度的模拟电路故障诊断神经网络方法 |
CN102445650A (zh) * | 2011-09-22 | 2012-05-09 | 重庆大学 | 基于盲信号分离算法的电路故障诊断方法 |
CN104237770A (zh) * | 2014-08-15 | 2014-12-24 | 电子科技大学 | 一种模拟电路故障诊断方法 |
-
2017
- 2017-08-22 CN CN201710725700.0A patent/CN107480386B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100109676A1 (en) * | 2007-04-12 | 2010-05-06 | Nxp, B.V. | Analog circuit testing and test pattern generation |
CN101894296A (zh) * | 2010-07-05 | 2010-11-24 | 湖南大学 | 一种基于标准差与偏斜度的模拟电路故障诊断神经网络方法 |
CN102445650A (zh) * | 2011-09-22 | 2012-05-09 | 重庆大学 | 基于盲信号分离算法的电路故障诊断方法 |
CN104237770A (zh) * | 2014-08-15 | 2014-12-24 | 电子科技大学 | 一种模拟电路故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
何星等: "基于提升奇异值分解和EEMD的IMU模拟电路故障特征提取方法", 《信息与控制》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108181550A (zh) * | 2018-01-12 | 2018-06-19 | 天津大学 | 一种交流微电网故障类型判断和选相方法 |
CN111308327A (zh) * | 2019-12-02 | 2020-06-19 | 电子科技大学 | 模拟电路故障定位与故障元件参数辨识方法 |
CN111260063A (zh) * | 2020-01-10 | 2020-06-09 | 电子科技大学 | 基于遗传算法的模拟电路故障定位与参数辨识方法 |
CN111260063B (zh) * | 2020-01-10 | 2023-05-30 | 电子科技大学 | 基于遗传算法的模拟电路故障定位与参数辨识方法 |
CN111150411A (zh) * | 2020-01-17 | 2020-05-15 | 哈尔滨工业大学 | 基于改进遗传算法的心理压力评测分级方法 |
CN111150411B (zh) * | 2020-01-17 | 2022-11-11 | 哈尔滨工业大学 | 基于改进遗传算法的心理压力评测分级方法 |
CN111610428A (zh) * | 2020-04-26 | 2020-09-01 | 哈尔滨工业大学 | 一种基于响应混叠性度量小波包分解算法的参数优化方法 |
CN111950221A (zh) * | 2020-07-16 | 2020-11-17 | 电子科技大学 | 基于遗传算法的模拟电路故障参数范围确定方法 |
CN111950221B (zh) * | 2020-07-16 | 2022-07-26 | 电子科技大学 | 基于遗传算法的模拟电路故障参数范围确定方法 |
CN112069081A (zh) * | 2020-09-24 | 2020-12-11 | 中国人民解放军国防科技大学 | 一种基于遗传算法的目录控制器测试激励生成方法 |
CN112069081B (zh) * | 2020-09-24 | 2022-06-03 | 中国人民解放军国防科技大学 | 一种基于遗传算法的目录控制器测试激励生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107480386B (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480386B (zh) | 一种基于响应混叠性度量与遗传算法的测试激励优选方法 | |
Wang et al. | A novel weighted sparse representation classification strategy based on dictionary learning for rotating machinery | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN107133476B (zh) | 一种基于响应混叠性度量的测试激励与测点的协同优化方法 | |
CN108694273B (zh) | 用于评估稀有失效事件的电路良率分析方法及系统 | |
US20210398674A1 (en) | Method for providing diagnostic system using semi-supervised learning, and diagnostic system using same | |
CN112966879A (zh) | 环境试验箱故障预测方法、装置、计算机设备及存储介质 | |
CN116975741B (zh) | 基于物联网的能源设备故障预测方法、装置及电子设备 | |
CN114818809B (zh) | 基于交叉小波的sca-svm电机滚动轴承的故障诊断方法 | |
CN113126038A (zh) | 高频地波雷达工作频率优选方法、系统、存储介质及应用 | |
CN114528879A (zh) | 轴承故障周期自动检测方法和系统 | |
CN114167237A (zh) | 一种gis局部放电故障识别方法、系统、计算机设备、存储介质 | |
CN115983165A (zh) | Lms自适应滤波器的性能测试方法和性能测试装置 | |
CN116909901B (zh) | 基于富样本径向投影可信聚类的软件性能可视评价方法 | |
CN117134958A (zh) | 用于网络技术服务的信息处理方法及系统 | |
Tian et al. | Novel solution for sequential fault diagnosis based on a growing algorithm | |
CN117031294A (zh) | 一种电池多故障检测方法、装置及存储介质 | |
CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
CN114513374B (zh) | 一种基于人工智能的网络安全威胁识别方法及系统 | |
CN114970600A (zh) | 基于粒化散布熵和优化kelm的滚动轴承故障诊断方法、装置 | |
CN110208658B (zh) | 一种对局部放电诊断结果进行多元互补交叉验证的方法 | |
CN114492736A (zh) | 一种基于梯度的样本学习难度度量方法及装置 | |
KR20230072920A (ko) | 오염된 IoT 데이터 환경에서 비지도 이상 감지 모델을 위한 반복적 학습 방법 및 장치 | |
Wu et al. | SPP-CNN: An efficient framework for network robustness prediction | |
CN113408371A (zh) | 一种早期故障诊断方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |