CN111950221A - 基于遗传算法的模拟电路故障参数范围确定方法 - Google Patents

基于遗传算法的模拟电路故障参数范围确定方法 Download PDF

Info

Publication number
CN111950221A
CN111950221A CN202010684995.3A CN202010684995A CN111950221A CN 111950221 A CN111950221 A CN 111950221A CN 202010684995 A CN202010684995 A CN 202010684995A CN 111950221 A CN111950221 A CN 111950221A
Authority
CN
China
Prior art keywords
fault
parameter
individuals
individual
representative
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
Application number
CN202010684995.3A
Other languages
English (en)
Other versions
CN111950221B (zh
Inventor
杨成林
黄建国
刘震
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010684995.3A priority Critical patent/CN111950221B/zh
Publication of CN111950221A publication Critical patent/CN111950221A/zh
Application granted granted Critical
Publication of CN111950221B publication Critical patent/CN111950221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)
  • Tests Of Electronic Circuits (AREA)

Abstract

本发明公开了一种基于遗传算法的模拟电路故障参数范围确定方法，将元件参数向量作为遗传算法种群的个体，在生成初始种群的时候，将设置的故障元件参数初始范围划分为K个子区间，在每个子区间中生成D个个体，在遗传算法迭代过程中定期对故障元件参数范围进行精细化，在迭代完成后根据最后一代种群提取出故障元件参数的范围。本发明通过遗传算法和精细化故障元件参数范围实现对于故障元件参数范围的精确确定。

Description

基于遗传算法的模拟电路故障参数范围确定方法
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参数范围确定方法。
背景技术
模拟电路元件退化会导致性能退化，及时对元件参数进行估计能够预防功能故障的发生。模拟电路除故障元件外，无故障元件参数是容差范围内的随机数。即所有元件参数都是变量。模拟集成电路测点数目有限，独立测试量的数目M往往远远小于元件数目C，因此通过测试量和元件参数只能建立欠定方程组，无法精确计算出故障元件参数值。但是可以根据电路结构(传输函数)和容差范围，获得故障参数一个可能的故障范围。为电路性能退化预测提供支持。比如函数H(x)＝x1x2，两个元件标称值为10，则标准输出H为100。电路发生故障，测得输出为120，且已知故障源为x1,则容易得到x1＝12。考虑到无故障元件 x2的容差(α∈[-0.05，0.05])的影响，当x1为容差下限9.5时，产生120的故障输出的x1应为12.6，当x2为容差上限10.5时，产生120的故障输出的x1应为11.4。即在±5％的容差影响下，x1在[11.4,12.6]的闭区间任意取值都可能得到120的故障输出。当电路结构变得复杂，此闭区间的解析解很难精确计算，难以确定故障参数范围。
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参数范围确定方法，实现对于故障元件参数范围的精确确定。
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参数范围确定方法包括以下步骤：
S1：获取模拟电路中元件数量C和各个元件的参数标称值xjN，j＝1,2,…,C，确定模拟电路在预设测点的传输函数，获取当前故障状态下模拟电路在预设测点的故障输出电压Z，以及所检测出的故障元件序号c；
S2：将元件参数向量X＝[x1,x2,…,xC]作为遗传算法种群的个体，采用以下方式生成初始种群P：
根据需要设置故障元件参数xc的初始范围为[λ1xcN,λ2xcN]，其中0＜λ1＜1-α， 1+α＜λ2＜∞，将范围[λ1xcN,λ2xcN]等分成K个子区间，设置初始种群中个体数量为DK，其中D＞1，则第d个个体中故障元件c的参数xc的取值为：
Figure RE-GDA0002662246580000021
其中，
Figure RE-GDA0002662246580000022
Figure RE-GDA0002662246580000023
表示向上取整，d＝1,2,…,DK；
其余元件j′的参数xj′在容差范围(xj′N×(1-α),xj′N×(1+α))内取值，其中 j′＝1,2,…,C&j′≠c；
S3：初始化迭代次数t＝1；
S4：对种群P中的个体进行交叉和变异，得到新种群Q，在交叉和变异过程中需要保证故障元件c的参数xc的值保持不变，其余各个元件的参数值在容差范围内取值；
S5：将种群P和种群Q进行合并，得到合并种群S，即S＝P∪Q；将合并种群S中的2DK个个体按照故障元件c的参数值进行升序排列；
S6：按照以下方法进行个体优选：
S6.1：将合并种群S中的2DK个个体划分为K组，每连续2D个个体为一组，记第i组个体集合为si；
S6.2：初始化i＝1；
S6.3：对于分组集合si，分别计算其2D个个体所对应的适应度值，个体适应度值的计算方法为：根据传输函数计算个体所对应元件参数向量在预设测点处的输出电压，然后计算该输出电压与故障输出电压Z之间的欧式距离，将该欧式距离作为个体适应度值；根据适应度值从小到大对2D个个体进行排列，选择前D个个体加入下一代种群P′；
S6.4：判断是否i＜K，如果是，令i＝i+1，返回步骤S6.3，否则个体优选结束；
S7：判断迭代次数t是否达到预设的最大迭代次数tmax，如果未达到，则进入步骤S8，否则进入步骤S11；
S8：判断是否t％τ＝0，τ表示预设的周期参数，如果未达到，进入步骤S9，否则进入步骤S10；
S9：令种群P＝P′，t＝t+1，返回步骤S4；
S10：按照以下方法精细化故障元件参数范围：
S10.1：将种群P′的DK个个体按照故障元件c的参数值进行升序排列，然后将DK个个体划分为K组，每连续D个个体为一组，从每组D个个体中选择适应度值最小的个体作为该组的代表性故障，共计K个代表性故障；
S10.2：记K个代表性故障个体中的最小适应度值为gmin；
S10.3：初始化p＝1；
S10.4：计算第p个代表性故障个体的适应度值，如果该适应度值大于 100gmin，进入步骤S10.5，否则进入步骤S10.6；
S10.5：令p＝p+1，返回步骤S10.4；
S10.6：令p′＝max(1,p-5)，记录
Figure RE-GDA0002662246580000031
为第p′个代表性故障个体中故障元件c的参数；
S10.7：初始化q＝K；
S10.8：计算第q个代表性故障个体的适应度值，如果该适应度值大于 100gmin，进入步骤S10.9，否则进入步骤S10.10；
S10.9：令q＝q-1，返回步骤S10.8；
S10.10：令q′＝min(K,q+5)，记录
Figure RE-GDA0002662246580000032
为第q′个代表性故障个体中故障元件c 的参数；
S10.11：将故障元件c的参数xc的范围更新为
Figure RE-GDA0002662246580000033
从K个代表性故障个体中筛选出故障元件c的参数xc的取值位于该范围内的代表性故障个体，记所筛选得到的代表性故障个体数量为K′，将K′个代表性故障个体按照故障元件c 的参数xc进行升序排列；
S10.12：将范围
Figure RE-GDA0002662246580000034
等分成K个子区间，生成DK个个体构成种群P，其中第d个个体中故障元件c的参数xc的取值为：
Figure RE-GDA0002662246580000035
其中，
Figure RE-GDA0002662246580000036
第d个个体中其他元件的参数的计算方法为：对于第d个个体，在K′个代表性故障个体中筛选出故障元件c的参数值与
Figure RE-GDA0002662246580000041
最为接近的代表性故障个体，记其序号为w，那么第d个个体元件i′的参数xi′的取值为：
Figure RE-GDA0002662246580000042
其中，i′＝1,2,…,C,i′≠c；
S10.13：令t＝t+1，返回步骤S4；
S11：采用以下方法确定故障元件参数范围：
S11.1：将最后一代种群P′的DK个个体按照故障元件c的参数值进行升序排列，然后将DK个个体划分为K组，每连续D个个体为一组，从每组D个个体中选择适应度值最小的个体作为该组的代表性故障，共计K个代表性故障；
S11.2：初始化p″＝1；
S11.3：计算第p″个代表性故障个体的适应度值，如果该适应度值大于10-3，进入步骤S11.4，否则进入步骤S11.5；
S11.4：令p″＝p″+1，返回步骤S11.3；
S11.5：记录故障元件c的参数范围下限xcL为第p′-1个代表性故障个体中故障元件c的参数；
S11.6：初始化q″＝K；
S11.7：计算第q″个代表性故障个体的适应度值，如果该适应度值大于10-3，进入步骤S11.8，否则进入步骤S11.9；
S11.8：令q″＝q″-1，返回步骤S11.7；
S11.9：记录故障元件c的参数范围上限xcU为第q″+1个代表性故障个体中故障元件c的参数。
本发明基于遗传算法的模拟电路故障参数范围确定方法，将元件参数向量作为遗传算法种群的个体，在生成初始种群的时候，将设置的故障元件参数初始范围划分为K个子区间，在每个子区间中生成D个个体，在遗传算法迭代过程中定期对故障元件参数范围进行精细化，在迭代完成后根据最后一代种群提取出故障元件参数的范围。本发明通过遗传算法和精细化故障元件参数范围实现对于故障元件参数范围的精确确定。
附图说明
图1是本发明基于遗传算法的模拟电路故障参数范围确定方法的具体实施方式流程图；
图2是本实施例中二阶托马斯模拟滤波电路的电路图；
图3是本实施例中第20代种群提取到的100个代表性故障的适应度值曲线图；
图4是本实施例中最后一代种群提取到的100个代表性故障的适应度值曲线图。
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。
实施例
为了更好地说明本发明的技术方案，首先对本发明的技术思路进行简要说明。
假定电路传输函数为H(jω)，其中j表示虚数单位，ω表示角频率，在测试频率选定的情况下，它是元件参数的函数，即H(X)，其中X表示元件参数向量， X＝[x1,x2,…,xC]，xj表示第j个元件的参数，j＝1,2,…,C，C表示模拟电路的元件数量，记第j个元件的参数标称值为xjN。当第c个元件发生参数漂移而产生故障，其参数值超出容差范围(xjN×(1-α),xjN×(1+α))(α表示容差参数，其取值范围α∈(0,0.05])，其它元件在容差范围内随机变化，可表示如下：
Figure RE-GDA0002662246580000051
假定测得的故障输出电压为相量Z，需要找到故障元件参数xc的所有可能取值(范围[xcL,xcU]，0＜xcL＜xcU＜∞，使得下式最小化：
Figure RE-GDA0002662246580000052
其中H(X)是根据传输函数和元件参数向量X计算获得的输出电压，它是含有实部和虚部的相量，|| ||表示求取二范数，即根据输出电压H(X)和故障输出电压Z之间的欧式距离来确定故障元件参数值。
基于以上思路，提出本发明基于遗传算法的模拟电路故障参数范围确定方法。图1是本发明基于遗传算法的模拟电路故障参数范围确定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参数范围确定方法，其具体步骤包括：
S101：获取模拟电路故障数据：
获取模拟电路中元件数量C和各个元件的参数标称值xjN，j＝1,2,…,C，确定模拟电路在预设测点的传输函数，获取当前故障状态下模拟电路在预设测点的故障输出电压Z，以及所检测出的故障元件序号c。
S102：初始化遗传算法种群：
将元件参数向量X＝[x1,x2,…,xC]作为遗传算法种群的个体，采用以下方式生成初始种群P：
根据需要设置故障元件参数xc的初始范围为[λ1xcN,λ2xcN]，其中0＜λ1＜1-α， 1+α＜λ2＜∞，将范围[λ1xcN,λ2xcN]等分成K个子区间，设置初始种群中个体数量为DK，其中D＞1，则第d个个体中故障元件c的参数xc的取值为：
Figure RE-GDA0002662246580000061
其中，
Figure RE-GDA0002662246580000062
Figure RE-GDA0002662246580000063
表示向上取整，d＝1,2,…,DK。显然i＝1,2,…,K。
其余元件j′的参数xj′在容差范围(xj′N×(1-α),xj′N×(1+α))内取值，其中 j′＝1,2,…,C&j′≠c。
也就是说，初始种群P中包含DK个个体，每连续D个个体为一组，共计K 组，每组D个个体中故障元件c的参数xc的取值是相同的，其他元件参数各不相同。初始种群P可以表示为
Figure RE-GDA0002662246580000064
Xd表示种群P中的第d个个体。在实际应用中，为降低复杂度，可以令i＝1,2,…,K，生成K个个体，然后每个个体复制D次，即可得到DK个个体。
S103：初始化迭代次数t＝1。
S104：交叉变异：
对种群P中的个体进行交叉和变异，得到新种群Q，在交叉和变异过程中需要保证故障元件c的参数xc的值保持不变，其余各个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，变异采用多项式变异，交叉率和变异率根据实际需要设置即可。
S105：合并种群：
将种群P和种群Q进行合并，得到合并种群S，即S＝P∪Q。显然合并种群 S中包含2DK个个体。将合并种群S中的2DK个个体按照故障元件c的参数值进行升序排列。
合并种群S可以表示为
Figure RE-GDA0002662246580000071
S106：个体优选：
接下来需要进行个体优选，本发明中个体优选的具体步骤包括：
S6.1：个体分组：
将合并种群S中的2DK个个体划分为K组，每连续2D个个体为一组，记第 i组个体集合为si，可见每组2D个个体中故障元件c的参数xc的取值是相同的。
S6.2：初始化i＝1。
S6.3：分组优选：
对于分组集合si，分别计算其2D个个体所对应的适应度值，个体适应度值的计算方法为：根据传输函数计算个体所对应元件参数向量在预设测点处的输出电压，然后计算该输出电压与故障输出电压Z之间的欧式距离，将该欧式距离作为个体适应度值。显然个体适应度值最小，个体越优。
根据适应度值从小到大对2D个个体进行排列，选择前D个个体加入下一代种群P′。
S6.4：判断是否i＜K，如果是，令i＝i+1，返回步骤S6.3，否则个体优选结束。
S107：判断迭代次数t是否达到预设的最大迭代次数tmax，如果未达到，则进入步骤S108，否则进入步骤S111。
S108：判断是否达到预定的精细化故障元件参数范围的周期，即是否 t％τ＝0，τ表示预设的周期参数，如果未达到，进入步骤S109，否则进入步骤S110。
S109：令种群P＝P′，t＝t+1，返回步骤S104。
S110：精细化故障元件参数范围：
在本发明中，故障元件参数xc的初始范围[λ1xcN,λ2xcN]是包含所有可能故障的范围，分成K等份，因此其精度为(λ2xcN-λ1xcN)/K。随着净化的深入，需要精细化(缩小)故障范围。本发明中精细代故障元件参数范围的具体步骤包括：
S10.1：提取代表性故障：
将种群P′的DK个个体按照故障元件c的参数值进行升序排列，然后将DK 个个体划分为K组，每连续D个个体为一组，从每组D个个体中选择适应度值最小的个体作为该组的代表性故障，共计K个代表性故障。
S10.2：记录适应度最小值：
记K个代表性故障个体中的最小适应度值为gmin。
S10.3：初始化p＝1。
S10.4：计算第p个代表性故障个体的适应度值，如果该适应度值大于 100gmin，进入步骤S10.5，否则进入步骤S10.6。
S10.5：令p＝p+1，返回步骤S10.4。
S10.6：确定故障元件参数下限：
令p′＝max(1,p-5)，记录
Figure RE-GDA0002662246580000081
为第p′个代表性故障个体中故障元件c的参数。
S10.7：初始化q＝K。
S10.8：计算第q个代表性故障个体的适应度值，如果该适应度值大于 100gmin，进入步骤S10.9，否则进入步骤S10.10。
S10.9：令q＝q-1，返回步骤S10.8。
S10.10：确定故障元件参数上限：
令q′＝min(K,q+5)，记录
Figure RE-GDA0002662246580000082
为第q′个代表性故障个体中故障元件c的参数。
S10.11：将故障元件c的参数xc的范围更新为
Figure RE-GDA0002662246580000083
从K个代表性故障个体中筛选出故障元件c的参数xc的取值位于该范围内的代表性故障个体，记所筛选得到的代表性故障个体数量为K′。显然K′＝q′-p′+1＜K。将K′个代表性故障个体按照故障元件c的参数xc进行升序排列。
S10.12：将范围
Figure RE-GDA0002662246580000084
等分成K个子区间，生成DK个个体构成种群P，其中第d个个体中故障元件c的参数xc的取值为：
Figure RE-GDA0002662246580000091
其中，
Figure RE-GDA0002662246580000092
第d个个体中其他元件的参数按照就近原则进行计算，具体方法为：
对于第d个个体，在K′个代表性故障个体中筛选出故障元件c的参数值与
Figure RE-GDA0002662246580000093
最为接近的代表性故障个体，记其序号为w，那么第d个个体元件i′的参数xi′的取值为：
Figure RE-GDA0002662246580000094
其中，i′＝1,2,…,C,i′≠c，
Figure RE-GDA0002662246580000095
分别表示K′个代表性故障个体中第w+1个、第w-1个代表性故障个体中元件i′的参数值。
S10.13：令t＝t+1，返回步骤S104。
S111：确定故障元件参数范围：
当迭代完成后，采用以下方法确定故障元件参数范围：
S11.1：提取代表性故障：
将最后一代种群P′的DK个个体按照故障元件c的参数值进行升序排列，然后将DK个个体划分为K组，每连续D个个体为一组，从每组D个个体中选择适应度值最小的个体作为该组的代表性故障，共计K个代表性故障。
S11.2：初始化p″＝1。
S11.3：计算第p″个代表性故障个体的适应度值，，如果该适应度值大于10-3，进入步骤S11.4，否则进入步骤S11.5。
S11.4：令p″＝p″+1，返回步骤S11.3。
S11.5：确定故障元件参数下限：
记录故障元件c的参数范围下限xcL为第p″-1个代表性故障个体中故障元件 c的参数。
S11.6：初始化q″＝K。
S11.7：计算第q″个代表性故障个体的适应度值，如果该适应度值大于10-3，进入步骤S11.8，否则进入步骤S11.9。
S11.8：令q″＝q″-1，返回步骤S11.7。
S11.9：确定故障元件参数上限：
记录故障元件c的参数范围上限xcU为第q″+1个代表性故障个体中故障元件 c的参数。
可见，根据以上方法即可确定故障元件c的参数xc的范围[xcL,xcU]。
为了更好地说明本发明的技术方案和技术效果，采用一个具体模拟电路对本发明进行实验验证。图2是本实施例中二阶托马斯模拟滤波电路的电路图。如图2所示，本实施例中二阶托马斯模拟滤波电路包括6个电阻元件，2个电容以及3个放大器，各元件参数的标称值如图2中标示。本实施例中以Vout作为测点，其传输函数如下式所示：
Figure RE-GDA0002662246580000101
本实施例中设置故障元件为电阻R2，令其参数值为12kΩ，其它元件在容差范围(本实施例设置容差参数α＝0.05，则容差范围为(xiN×95％,xiN×105％))内随机取值。输入信号为有效值为1V，频率为1KHz的正弦信号。仿真得到故障电压相量响应Z＝0.7398-1.0669iV，此处的i为虚数单位。
将元件参数向量X＝[x1,x2,…,xC]作为遗传算法种群的个体，本实施例中C＝8，前6位为电阻，最后2位为电容。设置故障元件参数x2的初始范围为 [1kΩ,100kΩ]，其等分成K＝100个子区间。设置初始种群中个体数量为1000，即 D＝10。按照公式(3)可得第d个个体中电阻R2的参数
Figure RE-GDA0002662246580000104
的计算公式为：
Figure RE-GDA0002662246580000102
以第12个个体为例，该个体中电阻R2的参数
Figure RE-GDA0002662246580000103
其他元件在容差范围内取值，则：
X12＝[10.03kΩ 2.00kΩ 10.08kΩ 9.93kΩ 9.96kΩ 10.00kΩ 1.071nF9.976nF]
在每次遗传算法迭代过程中，对种群P中的个体进行交叉和变异，得到新种群Q，将种群P和种群Q进行合并，得到合并种群S，将合并种群S中的2000 个个体按照电阻R2的参数值进行升序排列，每连续20个个体中参数x2的值都是相同的。从每20个个体筛选出适应度值较小的10个个体加入下一代种群P′。
本实施例设置每迭代20次即进行一次精细化故障范围，具体过程为：
首先将种群P′中的1000个个体按照电阻R2的参数值进行升序排列，然后每连续10个个体为一组，每组中选择适应度值最小的个体作为代表性故障，即得到100个代表性故障。图3是本实施例中第20代种群提取到的100个代表性故障的适应度值曲线图。记录这100个代表性故障中的适应度值的最小值 gmin＝5.8263e-04。
从p＝1开始循环，如果第p个代表性故障个体的适应度值大于100gmin，则 p＝p+1，否则记录当前的p值，本实施例中p＝12。可得p′＝max(1,12-5)＝7，记录
Figure RE-GDA0002662246580000114
为第7个代表性故障个体中电阻R2的参数值7kΩ。
然后从q＝100开始循环，如果第q个代表性故障个体的适应度值大于 100gmin，令q＝q-1，否则记录当前的q值，本实施例中q＝12。可得 q′＝min(100,12+5)＝17，记录
Figure RE-GDA0002662246580000111
为第17个代表性故障个体中电阻R2的参数值 17kΩ。
将电阻R2的参数x2的范围更新为[7kΩ,17kΩ]，从100个代表性故障个体中筛选出参数x2的值在[7kΩ,17kΩ]内的个体，共计11个代表性故障个体。然后将新的故障范围[7kΩ,17kΩ]等分成100个子区间，按照公式(4)可得第d个个体中电阻R2的参数
Figure RE-GDA0002662246580000112
的计算公式为：
Figure RE-GDA0002662246580000113
按照公式(5)中的方法计算出每个个体其他元件的参数值。
在全部迭代完成后，提取出电阻R2的故障范围，具体过程如下：首先提取出100个代表性故障。图4是本实施例中最后一代种群提取到的100个代表性故障的适应度值曲线图。从两个方向搜索出适应试值小于0.001的临界个体，得到故障参数下限x2L＝11.44kΩ，故障参数上限x2U＝12.16kΩ。即所有在此闭区间范围内的故障都可以产生Z＝0.7398-1.0669iV的故障电压(误差小于0.001)。显然，所设定的x2＝12kΩ也在此范围以内。
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参数范围确定方法，其特征在于，包括以下步骤：
S1：获取模拟电路中元件数量C和各个元件的参数标称值xjN，j＝1,2,…,C，确定模拟电路在预设测点的传输函数，获取当前故障状态下模拟电路在预设测点的故障输出电压Z，以及所检测出的故障元件序号c；
S2：将元件参数向量X＝[x1,x2,…,xC]作为遗传算法种群的个体，采用以下方式生成初始种群P：
根据需要设置故障元件参数xc的初始范围为[λ1xcN,λ2xcN]，其中0＜λ1＜1-α，1+α＜λ2＜∞，将范围[λ1xcN,λ2xcN]等分成K个子区间，设置初始种群中个体数量为DK，其中D＞1，则第d个个体中故障元件c的参数xc的取值为：
Figure FDA0002587215180000011
其中，
Figure FDA0002587215180000012
Figure FDA0002587215180000013
表示向上取整，d＝1,2,…,DK；
其余元件j′的参数xj′在容差范围(xj′N×(1-α),xj′N×(1+α))内取值，其中j′＝1,2,…,C&j′≠c；
S3：初始化迭代次数t＝1；
S4：对种群P中的个体进行交叉和变异，得到新种群Q，在交叉和变异过程中需要保证故障元件c的参数xc的值保持不变，其余各个元件的参数值在容差范围内取值；
S5：将种群P和种群Q进行合并，得到合并种群S，即S＝P∪Q；将合并种群S中的2DK个个体按照故障元件c的参数值进行升序排列；
S6：按照以下方法进行个体优选：
S6.1：将合并种群S中的2DK个个体划分为K组，每连续2D个个体为一组，记第i组个体集合为si；
S6.2：初始化i＝1；
S6.3：对于分组集合si，分别计算其2D个个体所对应的适应度值，个体适应度值的计算方法为：根据传输函数计算个体所对应元件参数向量在预设测点处的输出电压，然后计算该输出电压与故障输出电压Z之间的欧式距离，将该欧式距离作为个体适应度值；根据适应度值从小到大对2D个个体进行排列，选择前D个个体加入下一代种群P′；
S6.4：判断是否i＜K，如果是，令i＝i+1，返回步骤S6.3，否则个体优选结束；
S7：判断迭代次数t是否达到预设的最大迭代次数tmax，如果未达到，则进入步骤S8，否则进入步骤S12；
S8：判断是否t％τ＝0，τ表示预设的周期参数，如果未达到，进入步骤S9，否则进入步骤S10；
S9：令种群P＝P′，t＝t+1，返回步骤S4；
S10：按照以下方法精细化故障元件参数范围：
S10.1：将种群P′的DK个个体按照故障元件c的参数值进行升序排列，然后将DK个个体划分为K组，每连续D个个体为一组，从每组D个个体中选择适应度值最小的个体作为该组的代表性故障，共计K个代表性故障；
S10.2：记K个代表性故障个体中的最小适应度值为gmin；
S10.3：初始化p＝1；
S10.4：计算第p个代表性故障个体的适应度值，如果该适应度值大于100gmin，进入步骤S10.5，否则进入步骤S10.6；
S10.5：令p＝p+1，返回步骤S10.4；
S10.6：令p′＝max(1,p-5)，记录
Figure FDA0002587215180000021
为第p′个代表性故障个体中故障元件c的参数；
S10.7：初始化q＝K；
S10.8：计算第q个代表性故障个体的适应度值，如果该适应度值大于100gmin，进入步骤S10.9，否则进入步骤S10.10；
S10.9：令q＝q-1，返回步骤S10.8；
S10.10：令q′＝min(K,q+5)，记录
Figure FDA0002587215180000022
为第q′个代表性故障个体中故障元件c的参数；
S10.11：将故障元件c的参数xc的范围更新为
Figure FDA0002587215180000023
从K个代表性故障个体中筛选出故障元件c的参数xc的取值位于该范围内的代表性故障个体，记所筛选得到的代表性故障个体数量为K′，将K′个代表性故障个体按照故障元件c的参数xc进行升序排列；
S10.12：将范围
Figure FDA0002587215180000031
等分成K个子区间，生成DK个个体构成种群P，其中第d个个体中故障元件c的参数xc的取值为：
Figure FDA0002587215180000032
其中，
Figure FDA0002587215180000033
第d个个体中其他元件的参数的计算方法为：对于第d个个体，在K′个代表性故障个体中筛选出故障元件c的参数值与
Figure FDA0002587215180000034
最为接近的代表性故障个体，记其序号为w，那么第d个个体元件i′的参数xi′的取值为：
Figure FDA0002587215180000035
其中，i′＝1,2,…,C,i′≠c；
S10.13：令t＝t+1，返回步骤S4；
S11：采用以下方法确定故障元件参数范围：
S11.1：将最后一代种群P′的DK个个体按照故障元件c的参数值进行升序排列，然后将DK个个体划分为K组，每连续D个个体为一组，从每组D个个体中选择适应度值最小的个体作为该组的代表性故障，共计K个代表性故障；
S11.2：初始化p″＝1；
S11.3：计算第p″个代表性故障个体的适应度值，如果该适应度值大于10-3，进入步骤S11.4，否则进入步骤S11.5；
S11.4：令p″＝p″+1，返回步骤S11.3；
S11.5：记录记录故障元件c的参数范围下限xcL为第p′-1个代表性故障个体中故障元件c的参数；
S11.6：初始化q″＝K；
S11.7：计算第q″个代表性故障个体的适应度值，如果该适应度值大于10-3，进入步骤S11.8，否则进入步骤S11.9；
S11.8：令q″＝q″-1，返回步骤S11.7；
S11.9：记录故障元件c的参数范围上限xcU为第q″+1个代表性故障个体中故障元件c的参数。
CN202010684995.3A 2020-07-16 2020-07-16 基于遗传算法的模拟电路故障参数范围确定方法 Active CN111950221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010684995.3A CN111950221B (zh) 2020-07-16 2020-07-16 基于遗传算法的模拟电路故障参数范围确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010684995.3A CN111950221B (zh) 2020-07-16 2020-07-16 基于遗传算法的模拟电路故障参数范围确定方法

Publications (2)

Publication Number Publication Date
CN111950221A true CN111950221A (zh) 2020-11-17
CN111950221B CN111950221B (zh) 2022-07-26

Family

ID=73341310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010684995.3A Active CN111950221B (zh) 2020-07-16 2020-07-16 基于遗传算法的模拟电路故障参数范围确定方法

Country Status (1)

Country Link
CN (1) CN111950221B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480386A (zh) * 2017-08-22 2017-12-15 哈尔滨工业大学 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
CN108563875A (zh) * 2018-04-18 2018-09-21 电子科技大学 基于多目标优化的模拟电路测点和频率联合优选方法
CN109839583A (zh) * 2019-03-26 2019-06-04 电子科技大学 基于改进遗传算法的模拟电路多故障诊断方法
US20190242936A1 (en) * 2018-02-05 2019-08-08 Wuhan University Fault diagnosis method for series hybrid electric vehicle ac/dc converter
CN110210580A (zh) * 2019-07-01 2019-09-06 桂林电子科技大学 基于云进化算法优化svm的模拟电路故障诊断方法
CN110470980A (zh) * 2019-08-15 2019-11-19 电子科技大学 基于遗传算法的模拟电路故障特征范围确定方法
CN110673017A (zh) * 2019-10-15 2020-01-10 电子科技大学 基于遗传算法的模拟电路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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480386A (zh) * 2017-08-22 2017-12-15 哈尔滨工业大学 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
US20190242936A1 (en) * 2018-02-05 2019-08-08 Wuhan University Fault diagnosis method for series hybrid electric vehicle ac/dc converter
CN108563875A (zh) * 2018-04-18 2018-09-21 电子科技大学 基于多目标优化的模拟电路测点和频率联合优选方法
CN109839583A (zh) * 2019-03-26 2019-06-04 电子科技大学 基于改进遗传算法的模拟电路多故障诊断方法
CN110210580A (zh) * 2019-07-01 2019-09-06 桂林电子科技大学 基于云进化算法优化svm的模拟电路故障诊断方法
CN110470980A (zh) * 2019-08-15 2019-11-19 电子科技大学 基于遗传算法的模拟电路故障特征范围确定方法
CN110673017A (zh) * 2019-10-15 2020-01-10 电子科技大学 基于遗传算法的模拟电路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

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHENGLIN YANG: "《Fault Diagnosis of Analog Filter Circuit Based on Genetic Algorithm》", 《IEEE ACCESS》 *
CHENGLIN YANG: "《Multiple soft fault diagnosis of analog filter circuit based on genetic algorithm》", 《IEEE ACCESS》 *
S.P.KARTHI: "《Parametric fault diagnosis in analog circuit using genetic algorithm》", 《2014 INTERNATIONAL CONFERENCE ON GREEN COMPUTING COMMUNICATION AND ELECTRICAL ENGINEERING(ICGCCEE)》 *
于文新: "《模拟电路故障诊断神经智能果蝇算法研究》", 《中国优秀博硕士学位论文全文数据库(博士)》 *
张欣然: "《基于优化人工智能算法的模拟电路故障诊断研究》", 《中国优秀博硕士学位论文全文数据库(硕士)》 *
郑木刚: "《自适应粒子群算法在模拟电路》", 《软件导刊》 *

Also Published As

Publication number Publication date
CN111950221B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN109839583B (zh) 基于改进遗传算法的模拟电路多故障诊断方法
CN112989734B (zh) 基于概率神经网络的装备模拟电路故障诊断方法
CN109581203B (zh) 基于遗传算法的测后仿真故障诊断方法
CN111260063B (zh) 基于遗传算法的模拟电路故障定位与参数辨识方法
CN110470980B (zh) 基于遗传算法的模拟电路故障特征范围确定方法
Gunnarsson et al. Frequency domain tracking characteristics of adaptive algorithms
CN110333078B (zh) 一种滚动轴承退化状态阶段确定方法
CN110376290B (zh) 基于多维核密度估计的声发射源定位方法
CN110470979B (zh) 基于故障特征区域的模拟电路故障诊断方法
CN110308384B (zh) 基于圆模型和神经网络的模拟电路故障诊断方法
CN115238980A (zh) 基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法
CN111950221B (zh) 基于遗传算法的模拟电路故障参数范围确定方法
CN110673017B (zh) 基于遗传算法的模拟电路故障元件参数辨识方法
CN111308327B (zh) 模拟电路故障定位与故障元件参数辨识方法
CN115128466A (zh) 基于数字孪生的电池soc预测方法、装置、设备及介质
CN108469609B (zh) 一种用于雷达目标跟踪的检测信息滤波方法
CN112287628B (zh) 基于约束优化的模拟电路故障参数范围确定方法
CN111581586B (zh) 基于套合模型的湖库水质各向异性插值方法和装置
CN112505532A (zh) 基于改进粒子群算法的模拟电路单故障诊断方法
CN112505533A (zh) 基于改进粒子群算法的模拟电路双故障诊断方法
CN112444737B (zh) 模拟电路故障参数范围确定方法
CN108694755B (zh) 模型构建系统以及模型构建方法
CN112485650B (zh) 基于pbi的模拟电路故障参数范围识别方法
JP2016075474A (ja) 解析装置
CN112464551B (zh) 基于非支配的模拟电路故障参数范围确定方法

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