CN111260063B - 基于遗传算法的模拟电路故障定位与参数辨识方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的模拟电路故障定位与参数辨识方法，获取测点的传输函数，分析模拟电路的模糊组信息，确定每个模糊组的代表故障元件，当模拟电路出现故障时首先获取当前输出，再利用遗传算法确定当前输出对应的故障元件参数值向量，从而定位出发生故障的代表性故障元件，然后再基于遗传算法确定该代表性故障元件的参数值范围。采用本发明可以有效实现对模拟电路的故障诊断和故障元件参数辨识。

Description

基于遗传算法的模拟电路故障定位与参数辨识方法

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，涉及一种基于遗传算法的模拟电路故障定位与参数辨识方法。

背景技术

随着电子技术的飞速发展，各种电子设备、芯片等的体积快速减小，而故障诊断的技术尤其是电子设备和芯片中的模拟部分的故障诊断技术未能跟上发展的速度。传统的模拟电路故障诊断可以分为测前诊断(simulation-before-test，SBT)和测后诊断(simulation after the test，SAT)。SBT即在测试前对模拟电路进行大量仿真提取模拟电路的故障特征建立故障字典，或者通过神经网络、支持向量机等分类算法对故障特征进行分类，以分类的结果定位故障元件。而SAT是对测试得到的数据进行分析得到故障诊断结果，本发明的故障定位是基于遗传算法的测后诊断。

现阶段的故障诊断，无论是SAT还是SBT，主要是针对故障进行定位。少部分也对参数识别进行了研究，而目前的参数识别也只是给出一个具体的诊断结果，该结果在一定范围内接近元件真实参数。而模拟电路在容差影响下，不同的元件参数组合能够得到相同的输出，识别得到的该具体诊断结果仅能体现一种可能性，而不能体现出故障元件参数的可能范围。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于遗传算法的模拟电路故障定位与参数辨识方法，通过遗传算法进行故障定位并确定故障定位后的故障元件的参数值范围。

为实现上述发明目的，本发明基于遗传算法的模拟电路故障定位与参数辨识方法包括以下方法：

S1：获取模拟电路在测点t处的传输函数；

S2：分析得到模拟电路经测点t输出电压进行故障诊断的模糊组信息，每个模糊组选取一个元件作为代表故障元件，记代表性故障元件的数量为N，记其他非代表性故障元件的数量为M；

S3：当模拟电路出现故障时，在预设的激励信号下测量得到测点t处的输出电压

分别表示输出电压/>

的实部和虚部，j为虚数单位；

S4：以X＝{x₁,…,x_N,x′₁，…,x′_M}作为遗传算法中的个体，其中x_n表示第n个代表性故障元件的参数值，n＝1,2,…,N，x′_m表示第m个非代表性故障元件的参数值，m＝1,2,…,M，每个个体中有一个代表性故障元件的参数值随机取值，其余故障元件的参数值在其容差范围内随机取值，生成G个个体构成种群P；

S5：判断是否达到故障定位遗传算法的迭代结束条件，如果是，进入步骤S10，否则进入步骤S6；

S6：对当前种群进行交叉和变异操作，得到子种群Q，在进行交叉和变异操作时，需要保证每个个体中参数值位于故障范围内的代表性故障元件的数量小于等于1，非代表性故障元件的参数值在容差范围内取值；

S7：将种群P和种群Q进行合并，构成种群S；

S8：将种群S中的每个个体分别代入传输函数，得到预设的激励信号下在测点t处的输出电压U_g＝α_g+jβ_g，α_g、β_g分别表示输出电压的实部和虚部，g＝1,2,…,2G，然后采用以下公式计算第g个个体输出电压与当前模拟电路的输出电压之间的欧式距离D_g，计算公式如下：

S9：根据欧式距离D_g从种群S中优选欧式距离较小的G个个体作为下一代种群P，返回步骤S5；

S10：从当前种群中选择欧式距离最小的个体，该个体中参数值位于故障范围内的代表性故障元件即为故障诊断结果；

S11：采用以下方法进行故障元件参数辨识：

S10.1：记故障定位所得到的代表性故障元件对应的序号为

在所定位个体中第

个代表性故障元件的参数值为/>

以/>

作为遗传算法中的个体，/>

表示第/>

个代表性故障元件的参数值，种群中所有个体的参数值

范围内均匀取值，λ是预设的[0,1]范围内的常数，其余故障元件的参数值在其容差范围内随机取值，生成R个个体构成种群W；

S10.2：判断是否达到预设的最大迭代次数，如果是，进入步骤S10.7，否则进入步骤S10.3；

S10.3：对种群W进行交叉和变异操作，在进行交叉和变异操作过程中第

个代表性故障元件的参数值不变，其余故障元件的参数值在容差范围内取值，得到子种群V；

S10.4：将种群W和种群V进行合并，构成种群H；

S10.5：将种群H中的每个个体分别代入传输函数，得到预设的激励信号下在测点t处的输出电压U′_r＝α′_r+jβ′_r，α′_r、β′_r分别表示输出电压的实部和虚部，r＝1,2,…,2R，然后采用以下公式计算第r个个体输出电压与当前模拟电路的输出电压之间的欧式距离D′_r，计算公式如下：

S10.6：将种群H中2R个个体中第

个代表性故障元件参数值相同的两个个体分为一对，将每对个体中欧式距离较小的个体作为下一代种群W中的个体，返回步骤S10.2；

S10.7：将种群W中的所有个体以第

个代表性故障元件参数值作为横坐标，对应欧式距离作为纵坐标作图，在得到的曲线中搜索出欧式距离在[0,a]范围内的连续曲线，a为预设的正参数，将连续曲线对应的第/>

个代表性故障元件参数值范围作为模拟电路的参数识别结果。/>

本发明基于遗传算法的模拟电路故障定位与参数辨识方法，获取测点的传输函数，分析模拟电路的模糊组信息，确定每个模糊组的代表故障元件，当模拟电路出现故障时首先获取当前输出，再利用遗传算法确定当前输出对应的故障元件参数值向量，从而定位出发生故障的代表性故障元件，然后再基于遗传算法确定该代表性故障元件的参数值范围。采用本发明可以有效实现对模拟电路的故障诊断和故障元件参数辨识。

附图说明

图1是本发明基于遗传算法的模拟电路故障定位与参数辨识方法的具体实施方式流程图；

图2是本发明中基于遗传算法进行故障元件参数辨识的流程图；

图3是本实施例中二阶托马斯模拟滤波电路的结构图；

图4是本实施例中参数辨识的曲线图；

图5是本实施例中4种故障的参数辨识曲线图。

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。

图1是本发明基于遗传算法的模拟电路故障定位与参数辨识方法的具体实施方式流程图。如图1所示，本发明基于遗传算法的模拟电路故障定位与参数辨识方法的具体步骤包括：

S101：获取传输函数：

获取模拟电路在测点t处的传输函数。

S102：模糊组分析：

分析得到模拟电路经测点t输出电压进行故障诊断的模糊组信息，每个模糊组选取一个元件作为代表故障元件，记代表性故障元件的数量为N，显然N也表示模糊组数量，记其他非代表性故障元件的数量为M。

S103：确定模拟电路当前输出：

当模拟电路出现故障时，在预设的激励信号下测量得到测点t处的输出电压

分别表示输出电压/>

的实部和虚部，j为虚数单位。为了使故障状态下的输出电压更加准确，可以在多次测量输出电压后进行平均，从而得到输出电压/>

S104：初始化故障定位遗传算法种群：

以X＝{x₁,…,x_N,x′₁，…,x′_M}作为遗传算法中的个体，其中x_n表示第n个代表性故障元件的参数值，n＝1,2,…,N，x′_m表示第m个非代表性故障元件的参数值，m＝1,2,…,M，每个个体中有一个代表性故障元件的参数值随机取值，其余故障元件的参数值在其容差范围内随机取值，生成G个个体构成种群P。

S105：判断是否达到故障定位遗传算法的迭代结束条件，如果是，进入步骤S110，否则进入步骤S106。遗传算法的迭代结束条件一般有两种，一是达到最大迭代次数，一是目标函数值达到预设阈值，可以根据实际需要进行设置。

S106：生成子种群：

对当前种群进行交叉和变异操作，得到子种群Q。在进行交叉和变异操作时，需要保证每个个体中参数值位于故障范围内的代表性故障元件的数量小于等于1，非代表性故障元件的参数值在容差范围内取值。本实施例中个体交叉采用模拟二进制交叉(SBX)和多项式变异(POL)。

S107：合并种群：

将种群P和种群Q进行合并，构成种群S，即S＝P∪Q，显然合并种群中个体数量为2G。

S108：计算个体适应度值：

接下来需要对种群S中的每个个体分别计算个体适应度值，对于本发明而言，是采用每个个体在预设的激励信号下得到的输出电压与当前模拟电路的输出电压之间的欧式距离来作为适应度值的，因此具体计算方法如下：

将种群S中的每个个体分别代入传输函数，得到预设的激励信号下在测点t处的输出电压U_g＝α_g+jβ_g，α_g、β_g分别表示输出电压的实部和虚部，g＝1,2,…,2G，然后采用以下公式计算第g个个体输出电压与当前模拟电路的输出电压之间的欧式距离D_g，计算公式如下：

显然就故障诊断而言，应当是距离越小，表示输出电压与当前模拟电路和输出电压越接近，个体越优。

S109：生成下一代种群：

根据欧式距离D_g从种群S中优选欧式距离较小的G个个体作为下一代种群P，返回步骤S105。本实施例中采用锦标赛选择，即打乱种群S中个体的顺序，两两比较适应度值，保留欧式距离较小的个体，淘汰欧式距离较大的个体，从而得到下一代种群。

S110：得到故障定位结果：

从当前种群中选择欧式距离最小的个体，该个体中参数值位于故障范围内的代表性故障元件即为故障诊断结果。

S111：基于遗传算法进行故障元件参数辨识：

接下来需要对代表性故障元件的参数进行辨识，得到当前的故障参数值。图2是本发明中基于遗传算法进行故障元件参数辨识的流程图。如图2所示，本发明中基于遗传算法进行故障元件参数辨识的具体步骤包括：

S201：初始化参数辨识遗传算法种群：

记故障定位所得到的代表性故障元件对应的序号为

在所定位个体中第/>

个代表性故障元件的参数值为/>

以/>

作为遗传算法中的个体，/>

表示第/>

个代表性故障元件的参数值，种群中所有个体的参数值/>

在/>

范围内均匀取值，λ是预设的[0,1]范围内的常数，其余故障元件的参数值在其容差范围内随机取值，生成R个个体构成种群W。

S202：判断是否达到预设的最大迭代次数，如果是，进入步骤S207，否则进入步骤S203。

S203：生成子种群：

对种群W进行交叉和变异操作，在进行交叉和变异操作过程中第

个代表性故障元件的参数值不变，其余故障元件的参数值在容差范围内取值，得到子种群V。本实施例中个体交叉采用仿二进制交叉(SBX)，变异操作为多项式变异(POL)。

S204：合并种群：

将种群W和种群V进行合并，构成种群H，即H＝W∪V，显然合并种群中个体数量为2R，种群中有R对个体中第

个代表性故障元件的参数值相同。

S205：计算个体适应度值：

接下来需要对种群H中的每个个体分别计算适应度值，其计算方法与故障定位时相同，具体方法为：

将种群H中的每个个体分别代入传输函数，得到预设的激励信号下在测点t处的输出电压U′_r＝α′_r+jβ′_r，α′_r、β′_r分别表示输出电压的实部和虚部，r＝1,2,…,2R，然后采用以下公式计算第r个个体输出电压与当前模拟电路的输出电压之间的欧式距离D′_r，计算公式如下：

S206：生成下一代种群：

将种群H中2R个个体中第

个代表性故障元件参数值相同的两个个体分为一对，将每对个体中欧式距离较小的个体作为下一代种群W中的个体，返回步骤S202。

S207：确定模拟电路参数识别结果：

将种群W中的所有个体以第

个代表性故障元件参数值作为横坐标，对应欧式距离作为纵坐标作图，在得到的曲线中搜索出欧式距离在[0,a]范围内的连续曲线，a为预设的正数，将连续曲线对应的第/>

个代表性故障元件参数值范围作为模拟电路的参数识别结果，该参数值范围内的第/>

个代表性故障元件参数值均可以达到当前模拟电路的实际电压输出。

实施例

为了更好地说明本发明的技术效果，采用二阶托马斯模拟滤波电路为例对本发明进行说明。图3是本实施例中二阶托马斯模拟滤波电路的结构图。如图3所示，本实施例中二阶托马斯模拟滤波电路以V_out作为测点，其传输函数为：

本实施例采用专利名称为“一种模拟电路模糊组识别方法”、专利号为“20141033627.7”的专利中的方法，基于圆模型进行模糊组分析，得到该测点下的模糊组情况为：{R₁}、{R₂}、{R₃,C₁}、{R₄,R₅,R₆,C₂}，模糊组内部元件的故障不可区分，模糊组之间的故障理论上都能被区分。因此取R₁、R₂、R₃、R₄故障作为故障类型，其余元件为非故障类型元件。

首先故障定位遗传算法种群初始化数目为50，其中每种故障类型初始化10个个体，最大迭代次数为100，交叉概率为1，变异概率为0.1，限定R₅、R₆、C₁、C₂非故障类型元件始终在容差范围内，各元件容差为5％，且R₁、R₂、R₃、R₄始终只允许随机一个元件参数超出容差范围。模拟电路输入激励频率为1kHz，模拟电路各元件参数为X＝[R₁,R₂,R₃,R₄,R₅,R₆,C₁,C₂]。表1是本实施例中托马斯电路元件标称值和故障值。

表1

以元件参数X＝[13000Ω,9800Ω,9600Ω,10140Ω,9850Ω,10400Ω,9.7960nF,9.9650nF]为例，得到测点V_out处输出电压为[-0.7361,0.2339j]。表2是本实施例的故障定位结果表。

故障类型	诊断结果	欧式距离	正确率
				R1	R1	8.3210e-06	100％

表2

得到的故障定位最优个体为：

X＝[13354Ω,10181Ω,9598Ω,10500Ω,9542Ω,10021Ω,10.158nF,9.6804nF]

接下来进行参数辨识，初始化种群数1600，设置参数λ＝50％，种群个体中R₁的参数值在13354±(50％)内均匀取1600个数，其余故障元件参数均始终限定在容差范围±5％内。交叉概率为1，变异概率为0.1，最大迭代次数为800。图4是本实施例中参数辨识的曲线图。表3是本实施例中参数辨识结果。

故障类型及故障值	参数识别结果(区间)
		R1(13kΩ)	[12.37kΩ,13.93kΩ]

表3

为了进一步测试本发明的方法，对二阶托马斯电路的五种故障类型均做了测试，并对结果进行统计。表4是本实施例中4种故障分别进行50次故障定位结果统计表。

故障分组	R1	R2	R3	R4
					R1	50	0	0	0
R2	0	49	0	0
					R3	0	0	50	0
R4	0	1	0	50
					诊断正确率	100％	98％	100％	100％

表4

图5是本实施例中4种故障的参数辨识曲线图。表5是本实施中故障辨识结果表。

表5

根据表4、表5和图5所示，可以看出采用本发明可以准确定位代表性故障元件，并且能够准确识别代表性故障元件参数得到其参数值范围。

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 (1)

1.一种基于遗传算法的模拟电路故障定位与参数辨识方法，其特征在于，包括以下步骤：

S1：获取模拟电路在测点t处的传输函数；

S2：分析得到模拟电路经测点t输出电压进行故障诊断的模糊组信息，每个模糊组选取一个元件作为代表故障元件，记代表性故障元件的数量为N，记其他非代表性故障元件的数量为M；

S3：当模拟电路出现故障时，在预设的激励信号下测量得到测点t处的输出电压

分别表示输出电压/>

的实部和虚部，j为虚数单位；

S4：以X＝{x₁,…,x_N,x′₁，…,x′_M}作为遗传算法中的个体，其中x_n表示第n个代表性故障元件的参数值，n＝1,2,…,N，x′_m表示第m个非代表性故障元件的参数值，m＝1,2,…,M，每个个体中有一个代表性故障元件的参数值随机取值，其余故障元件的参数值在其容差范围内随机取值，生成G个个体构成种群P；

S5：判断是否达到故障定位遗传算法的迭代结束条件，如果是，进入步骤S10，否则进入步骤S6；

S6：对当前种群进行交叉和变异操作，得到子种群Q，在进行交叉和变异操作时，需要保证每个个体中参数值位于故障范围内的代表性故障元件的数量小于等于1，非代表性故障元件的参数值在容差范围内取值；

S7：将种群P和种群Q进行合并，构成种群S；

S8：将种群S中的每个个体分别代入传输函数，得到预设的激励信号下在测点t处的输出电压U_g＝α_g+jβ_g，α_g、β_g分别表示输出电压的实部和虚部，g＝1,2,…,2G，然后采用以下公式计算第g个个体输出电压与当前模拟电路的输出电压之间的欧式距离D_g，计算公式如下：

S9：根据欧式距离D_g从种群S中优选欧式距离较小的G个个体作为下一代种群P，返回步骤S5；

S10：从当前种群中选择欧式距离最小的个体，该个体中参数值位于故障范围内的代表性故障元件即为故障诊断结果；

S11：采用以下方法进行故障元件参数辨识：

S10.1：记故障定位所得到的代表性故障元件对应的序号为

以

作为遗传算法中的个体，/>

表示第/>

个代表性故障元件的参数值，种群中所有个体的参数值/>

在/>

范围内均匀取值，其余故障元件的参数值在其容差范围内随机取值，生成R个个体构成种群W；

S10.2：判断是否达到预设的最大迭代次数，如果是，进入步骤S10.7，否则进入步骤S10.3；

S10.3：对种群W进行交叉和变异操作，在进行交叉和变异操作过程中第

个代表性故障元件的参数值不变，其余故障元件的参数值在容差范围内取值，得到子种群V；

S10.4：将种群W和种群V进行合并，构成种群H；

S10.5：将种群H中的每个个体分别代入传输函数，得到预设的激励信号下在测点t处的输出电压U′_r＝α′_r+jβ′_r，α′_r、β′_r分别表示输出电压的实部和虚部，r＝1,2,…,2R，然后采用以下公式计算第r个个体输出电压与当前模拟电路的输出电压之间的欧式距离D′_r，计算公式如下：

S10.6：将种群H中2R个个体中第

个代表性故障元件参数值相同的两个个体分为一对，将每对个体中欧式距离较小的个体作为下一代种群W中的个体，返回步骤S10.2；

S10.7：将种群W中的所有个体以第

个代表性故障元件参数值作为横坐标，对应欧式距离作为纵坐标作图，在得到的曲线中搜索出欧式距离在[0,a]范围内的连续曲线，a为预设的正数，将连续曲线对应的第/>

个代表性故障元件参数值范围作为模拟电路的参数识别结果。/>

Images