CN109307835A - 基于锯齿波和遗传算法的模拟电路测点优选方法 - Google Patents

Abstract

本发明公开了一种基于锯齿波和遗传算法的模拟电路测点优选方法，对模拟电路的每个元件模糊组代表元件进行多次故障模拟，在模拟时以锯齿波作为模拟电路输入，得到不同频率下各个测点对应的故障电压，从而得到模拟电路数据；初始化遗传算法中的个体，对每个个体进行处理，然后根据个体对应的测点选择方案从模拟电路数据中筛选出对应测点的特征向量，对预设的分类器进行交叉验证，将得到的分类准确率作为个体的适应度值，然后生成下一代种群继续进行处理，直到达到迭代结束条件，从当前种群中适应度最大的个体作为最优个体，其对应的测点选择方案即为测点优选方案。本发明可在基于多频进行模拟电路故障诊断时有效实现测点优选，提高故障诊断的精度。

Description

基于锯齿波和遗传算法的模拟电路测点优选方法

技术领域

本发明属于模拟电路故障诊断技术领域，更为具体地讲，涉及一种基于锯齿波和遗传算法的模拟电路测点优选方法。

背景技术

目前，在模拟电路故障诊断领域，基于频率分析的可测性方法已被用来选择适当的测试频率提高故障诊断效率，但并非所有的测试点和频率都是有用的，需要提出适当的选择方法。另一方面，由于模拟电路元件存在容差，增加了故障诊断的模糊性，而大部分的模拟电路故障诊断方法都没有考虑容差影响的情况。

在专利“电子科技大学.基于锯齿波的模拟电路故障诊断方法:中国,CN107576904A.20180112.”中，公开了一种基于锯齿波的滤波电路故障诊断方法，以锯齿波信号作为模拟电路故障诊断的输入信号，对输入信号和输出信号分别作傅里叶变换展开成多个频率下的正弦波，可同时获得多个频率下的传输特征，实现多频诊断，从而增加了一个故障下的特征维度，提高分类精度。

研究发现，由于模拟电路在不同频率下均存在模糊组，且改变频率不能得到改善，需要改变测点位置或增加测点数才能解决这类问题，而基于锯齿波的模拟电路故障诊断方法只能采用增加频率的方法来提高分类精度，并不能改善模糊组问题。此外，随着模拟电路的集成度越来越高，对外的可用测点越来越少，进一步增加了模拟电路故障诊断的难度。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于锯齿波和遗传算法的模拟电路测点优选方法，在基于多频进行模拟电路故障诊断时有效实现测点优选，提高故障诊断的精度。

为实现上述发明目的，本发明基于锯齿波和遗传算法的模拟电路测点优选方法包括以下步骤：

S1：首先获取模拟电路中的元件模糊组数据，从每个模糊组中选择一个元件作为代表元件p_m，m＝1,2,…,M，M表示模糊组数量，记模拟电路中的每个测点为t_n，n＝1,2,…,N，N表示测点数量；

采用仿真软件对模拟电路进行仿真，依次选择第m个代表元件作为故障元件进行R次故障模拟，其元件参数在其故障范围(即元件参数容差范围以外)内取值，其余代表元件参数在容差范围内随机取值；对每次故障模拟进行蒙特卡洛仿真，记仿真次数为D，每次仿真时将锯齿波作为模拟电路的输入，得到每个测点t_n的输出，分别对输入锯齿波信号和N个测点的输出信号进行采样，然后对输入采样信号和N个测点的输出采样信号分别作傅里叶变换，得到预设的K个频率下的输入正弦波信号与N个测点输出正弦波信号，然后分别计算每个频率下输入正弦波信号与N个测点输出正弦波信号的相位差和幅值比其中k＝1,2,…,K，r＝1,2,…,R，d＝1,2,…,D，计算得到各个频率下各个测点对应的故障电压将K个频率下故障电压的实部和虚部构成特征向量其中

S2：记遗传算法中个体为X＝[x₁₁,…,x_N1,x₁₂,…,x_N2,…,x_1K,…,x_NK]，其中元素x_nk＝0,1，当x_nk＝1表示第n个测点在第k个频率下被选中，当x_nk＝0表示第n个测点在第k个频率下未被选中；采用随机赋值的方式初始化遗传算法种群中的每个个体；

S3：预先设置一个频率作为代表频率，记代表频率的序号为k^*，对于每个个体，判断是否代表频率所对应的元素和T表示预设的优选测点数量，如果是，则令个体X＝[x₁₁,…,x_N1,x₁₂,…,x_N2,…,x_1K,…,x_NK]中元素否则令该个体中所有元素均为0；

S4：对于种群中的每个个体，如果其元素不全为0，记其对应的测点选择方案中所选取的测点序号为Q表示个体所对应的测点选择方案中的测点数量，从步骤S1得到的模拟电路特征数据中筛选出所选Q个测点的特征向量，将每个代表元件在同一次仿真中由Q个测点得到的特征向量组合得到组合向量令其分类标签为代表元件对应的序号m；将每个代表元件的组合向量作为输入，对应分类标签作为期望输出，对预设的分类器进行交叉验证，将得到的分类准确率作为个体的适应度值；

如果某个个体的元素全为0，将其适应度设置为预设值λ，λ的具体取值可以根据需要设置；

S5：判断是否达到迭代结束条件，如果是，进入步骤S6，否则进入步骤S7；

S6：将当前种群中适应度最大的个体作为最优个体，其对应的测点选择方案即为测点优选方案；

S7：对当前种群中的个体进行选择、交叉、变异，生成下一代种群，返回步骤S3。

本发明基于锯齿波和遗传算法的模拟电路测点优选方法，对模拟电路的每个元件模糊组代表元件进行多次故障模拟，在模拟时以锯齿波作为模拟电路输入，得到不同频率下各个测点对应的故障电压，从而得到模拟电路数据；初始化遗传算法中的个体，对每个个体进行处理，然后根据个体对应的测点选择方案从模拟电路数据中筛选出对应测点的特征向量，对预设的分类器进行交叉验证，将得到的分类准确率作为个体的适应度值，然后生成下一代种群继续进行处理，直到达到迭代结束条件，从当前种群中适应度最大的个体作为最优个体，其对应的测点选择方案即为测点优选方案。本发明可在基于多频进行模拟电路故障诊断时有效实现测点优选，提高故障诊断的精度。

附图说明

图1是本发明基于锯齿波和遗传算法的模拟电路测点优选方法的具体实施方式流程图；

图2是本实施例中跳藕滤波电路拓扑图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

为了更好地说明本发明的技术方案，首先对本发明涉及的技术进行简要说明。

锯齿波是一种常用波形，在专利“电子科技大学.基于锯齿波的模拟电路故障诊断方法:中国,CN107576904A.20180112.”中所公开的基于锯齿波的滤波电路故障诊断方法中，以锯齿波信号作为模拟电路故障诊断的输入信号，对输入信号和输出信号分别作傅里叶变换展开成多个频率下的正弦波，可同时获得多个频率下的传输特征，实现多频诊断。

遗传算法是受遗传学中的自然选择和遗传机制启发发展起来的一种优化算法，它的基本思想是模拟生物和人类进化的方法求解复杂的优化问题。从优化问题可能潜在的解集中的一个种群开始，一个种群则由经过基因编码的一定数目的个体组成。因此，在一开始需要实现从问题空间的参数到基因型的映射，即编码工作。目前遗传算法中最常用的编码方法是二进制编码，初始化种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题的近似最优解。

在本发明中，同样采用锯齿波作为输入，得到每个测点在不同频率下的故障电压特征，然后采用遗传算法来进行测点优选。图1是本发明基于锯齿波和遗传算法的模拟电路测点优选方法的具体实施方式流程图。如图1所示，本发明基于锯齿波和遗传算法的模拟电路测点优选方法的具体步骤包括：

S101：获取模拟电路特征数据：

首先获取模拟电路中的元件模糊组数据，从每个模糊组中选择一个元件作为代表元件p_m，m＝1,2,…,M，M表示模糊组数量，记模拟电路中的每个测点为t_n，n＝1,2,…,N，N表示测点数量。

采用仿真软件对模拟电路进行仿真，依次选择第m个代表元件作为故障元件进行R次故障模拟，其元件参数在其故障范围(即元件参数容差范围以外)内取值，其余代表元件参数在容差范围内随机取值。对每次故障模拟进行蒙特卡洛仿真，记仿真次数为D，每次仿真时将锯齿波作为模拟电路的输入，得到每个测点t_n的输出，分别对输入锯齿波信号和N个测点的输出信号进行采样，然后对输入采样信号和N个测点的输出采样信号分别作傅里叶变换，得到预设的K个频率下的输入正弦波信号与N个测点输出正弦波信号，然后分别计算每个频率下输入正弦波信号与N个测点输出正弦波信号的相位差和幅值比其中k＝1,2,…,K，r＝1,2,…,R，d＝1,2,…,D，计算得到各个频率下各个测点对应的故障电压将K个频率下故障电压的实部和虚部构成特征向量其中根据以上仿真，可知第m个测点所得到的第n个代表元件的特征向量数量为R×D×K，从而得到模拟电路特征数据。

S102：初始化遗传算法种群：

本发明中，由于需要求解多频率下的测点优选问题，因此对遗传算法中个体编码采用如下设计方式：记遗传算法中个体为X＝[x₁₁,…,x_N1,x₁₂,…,x_N2,…,x_1K,…,x_NK]，其中元素x_nk＝0,1，当x_nk＝1表示第n个测点在第k个频率下被选中，当x_nk＝0表示第n个测点在第k个频率下未被选中。采用随机赋值的方式初始化遗传算法种群中的每个个体，种群的大小可以根据实际需要来设置。

S103：个体处理：

由于本发明中需要使每个频率下所选的测点相同，而且为了使测试人员可以对所需优选的测点数量进行设置，需要对种群中的个体进行适应性处理。其处理方法如下：预先设置一个频率作为代表频率，记代表频率的序号为k^*，对于每个个体，判断是否代表频率所对应的元素和T表示预设的优选测点数量，如果是，则将个体中该代表频率下每个测点的元素取值复制至其他频率的元素取值，即令个体X＝[x₁₁,…,x_N1,x₁₂,…,x_N2,…,x_1K,…,x_NK]中元素否则令该个体中所有元素均为0。

S104：计算个体适应度值：

本发明的目的是为了进行测点优选，因此适应度值应当能够体现个体所对应的测点选择方案的优劣。为了实现该需求，本发明中对于每个个体，记其对应的测点选择方案中所选取的测点序号为Q表示个体所对应的测点选择方案中的测点数量，从步骤S101得到的模拟电路特征数据中筛选出所选Q个测点的特征向量，将每个代表元件在同一次仿真中由Q个测点得到的特征向量组合得到组合向量令其分类标签为代表元件对应的序号m。将每个代表元件的组合向量作为输入，对应分类标签作为期望输出，对预设的分类器进行交叉验证，将得到的分类准确率作为个体的适应度值。显然，适应度值最大，个体越优。分类器的具体类型对于本发明而言不是重点，只要能够满足本发明的分类需求即可。

而根据步骤S103可知，种群中可能存在元素全为0的个体，对于此类个体无法通过分类器的分类准确率来得到适应度值，因此本发明中采用直接将此类个体的适应度设置为预设值λ，λ的具体取值可以根据需要设置，本实施例中令λ＝25％。

S105：判断是否达到迭代结束条件，如果是，进入步骤S106，否则进入步骤S107。在遗传算法中，迭代结束条件有两种，一是迭代次数达到预设的最大迭代次数，二是个体中最优个体的适应度值达到预设阈值，实际应用中可以根据需要来设置迭代结束条件。

S106：得到测点优选结果：

将当前种群中适应度最大的个体作为最优个体，其对应的测点选择方案即为测点优选方案。

S107：生成下一代种群：

对当前种群中的个体进行选择、交叉、变异，生成下一代种群，返回步骤S103。

遗传算法中，种群选择一般使用较多的方式是轮盘赌的选择策略，根据每个个体的适应值计算出相对适应度大小即选择概率。交叉操作也称为杂交，其目的是产生新的个体。对于二进制编码方式，主要有单点杂交和多点杂交。本实施例中采用单点杂交，即在二进制串中随机选择一位，交换两个父体中该位以后的二进制串，用以产生新的个体，交叉概率一般设定为0.6。变异操作的目的是使得基因突变，在优化算法中，可以防止算法陷入局部最优，从而跳出局部最优，帮助算法找到全局最优解，变异概率一般设定为0.01。二进制编码时的变异算子非常简单，只是依变异概率将所选个体的位取反。若是1，则取0；若是0，则取1。

为了说明本发明的技术效果，采用一个具体电路对本发明进行仿真实验。图2是本实施例中跳藕滤波电路拓扑图。此处为了简略，选择跳藕滤波电路中的电阻R₂～R₅作为故障元件，每个元件的容差范围为5％。以每个运放的输出为可行测点，即图2中t₁～t₆六个测点。本次仿真实验设置激励源为500Hz，5V的锯齿波信号。傅里叶变换后的频率为500hz、1000hz、1500hz三个频率。通过snap软件获取每个测点的传递函数，通过MATLAB软件对每个电阻元件进行故障模拟仿真。电阻元件的参数容差范围为9500Ω～10500Ω，故障范围为10Ω～9500Ω和10500Ω～100000000Ω，在前一个故障范围中取20个故障值，在后一个故障范围中取80个故障值，即对每个电阻元件进行100次故障模拟。蒙特卡洛仿真次数为60。综上可知，每个元件在每个测点可以得到24000个特征向量。

由于本实施例中有6个测点，3个频率，因此遗传算法中每个个体为长度为18的二进制序列。遗传算法的种群大小设置为20，迭代结束条件为最大迭代次数为100。首先随机生成种群中的每个个体，然后进行个体处理。假定生成个体为[0 1 0 1 1 0 0 1 0 1 0 01 0 1 0 0 1]，所需选择的测点数量为2，以1000hz作为代表频率，其对应的子序列为[0 10 1 0 0]，元素和为2，等于所需测点数量，因此将代表频率下每个测点的元素取值复制至其他频率的元素取值，即令该个体为[0 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 0 0]。假定生成个体为[1 1 0 1 1 0 0 1 1 1 0 1 1 0 1 0 0 1]，代表频率1000hz对应的子序列为[0 11 1 0 1]，元素和为4，大于所需测点数量，因此将该个体元素全部置为0。

本次仿真实验中所采用的分类器为SVM(Support Vector Machine，支持向量机)分类器。计算个体适应度值时，采用LIBSVM工具箱中所提供的交叉检验功能，其训练函数为：model＝svmtrain(train_label,train_data,options)，train_data为训练集属性矩阵，train_label为训练集标签，options为参数项，model是训练得到的模型，是一个结构体；在该训练函数使用-v参数，返回的model就不是结构体，对于分类问题，得到的即为交叉检验下的平均分类准确率。

在不考虑测点优选的情况下，即将每个代表元件在同一次仿真中全部测点的特征向量组合构建组合向量，作为SVM分类器的输入进行交叉验证。其个体为[1 1 1 1 1 1 1 11 1 1 1 1 1 1 1 1 1]，分类精度最高达到97.5375％。分别设置所需测点数量为1和2，结合遗传算法对测点进行优选。表1是本实施例中测点优选结果。

表1

由表1可知，当预选测点唯一时，选择测点t₂的分类精度最高，为87.9667％，即最优解为[010000010000010000]。预选测点为两个时，选择测点t₁和t₂的分类精度最高，为97.0167％，即最优解为[110000110000110000]。

根据以上仿真验证可知，在基于多频进行模拟电路故障诊断时，采用本发明可以有效实现测点优选，提高故障诊断的精度。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (2)

1.一种基于锯齿波和遗传算法的模拟电路测点优选方法，其特征在于，包括以下步骤：

S1：首先获取模拟电路中的元件模糊组数据，从每个模糊组中选择一个元件作为代表元件p_m，m＝1,2,…,M，M表示模糊组数量，记模拟电路中的每个测点为t_n，n＝1,2,…,N，N表示测点数量；

采用仿真软件对模拟电路进行仿真，依次选择第m个代表元件作为故障元件进行R次故障模拟，其元件参数在其故障范围(即元件参数容差范围以外)内取值，其余代表元件参数在容差范围内随机取值；对每次故障模拟进行蒙特卡洛仿真，记仿真次数为D，每次仿真时将锯齿波作为模拟电路的输入，得到每个测点t_n的输出，分别对输入锯齿波信号和N个测点的输出信号进行采样，然后对输入采样信号和N个测点的输出采样信号分别作傅里叶变换，得到预设的K个频率下的输入正弦波信号与N个测点输出正弦波信号，然后分别计算每个频率下输入正弦波信号与N个测点输出正弦波信号的相位差和幅值比中k＝1,2,…,K，r＝1,2,…,R，d＝1,2,…,D，计算得到各个频率下各个测点对应的故障电压将K个频率下故障电压的实部和虚部构成特征向量其中

S2：记遗传算法中个体为X＝[x₁₁,…,x_N1,x₁₂,…,x_N2,…,x_1K,…,x_NK]，其中元素x_nk＝0,1，当x_nk＝1表示第n个测点在第k个频率下被选中，当x_nk＝0表示第n个测点在第k个频率下未被选中；采用随机赋值的方式初始化遗传算法种群中的每个个体；

S3：预先设置一个频率作为代表频率，记代表频率的序号为k^*，对于每个个体，判断是否代表频率所对应的元素和T表示预设的优选测点数量，如果是，则令个体X＝[x₁₁,…,x_N1,x₁₂,…,x_N2,…,x_1K,…,x_NK]中元素x_nk＝x_nk*，否则令该个体中所有元素均为0；

S4：对于种群中的每个个体，如果其元素不全为0，记其对应的测点选择方案中所选取的测点序号为q＝1,2,…,Q，Q表示个体所对应的测点选择方案中的测点数量，从步骤S1得到的模拟电路特征数据中筛选出所选Q个测点的特征向量，将每个代表元件在同一次仿真中由Q个测点得到的特征向量组合得到组合向量令其分类标签为代表元件对应的序号m；将每个代表元件的组合向量作为输入，对应分类标签作为期望输出，对预设的分类器进行交叉验证，将得到的分类准确率作为个体的适应度值；

如果某个个体的元素全为0，将其适应度设置为预设值λ，λ的具体取值可以根据需要设置；

S5：判断是否达到迭代结束条件，如果是，进入步骤S6，否则进入步骤S7；

S6：将当前种群中适应度最大的个体作为最优个体，其对应的测点选择方案即为测点优选方案；

S7：对当前种群中的个体进行选择、交叉、变异，生成下一代种群，返回步骤S3。

2.根据权利要求1所述的模拟电路测点优选方法，其特征在于，所述的预设值λ＝25％。