CN112485650B - 基于pbi的模拟电路故障参数范围识别方法 - Google Patents
基于pbi的模拟电路故障参数范围识别方法 Download PDFInfo
- Publication number
- CN112485650B CN112485650B CN202011373494.XA CN202011373494A CN112485650B CN 112485650 B CN112485650 B CN 112485650B CN 202011373494 A CN202011373494 A CN 202011373494A CN 112485650 B CN112485650 B CN 112485650B
- Authority
- CN
- China
- Prior art keywords
- parameter
- fault
- value
- population
- individual
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 13
- 230000002068 genetic effect Effects 0.000 claims abstract description 12
- 238000012546 transfer Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 abstract 1
- 230000002093 peripheral effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/316—Testing of analog circuits
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开了一种基于PBI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,故障元件的参数值在预设的故障取值范围中取值,其余元件在容差范围内取值,遗传算法迭代过程中,采用PBI计算个体适应度值,采用两次遗传算法分别在迭代完成后最后一代种群提取出故障元件参数的上限和上限。本发明结合遗传算法和PBI方法,实现对于故障元件参数范围的精确确定。
Description
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PBI的模拟电路故障参数范围识别方法。
背景技术
在模拟电路工作过程中,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。模拟电路发生故障时,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。但是能够根据电路结构(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。假定传输函数H(X)=x1x2,x1、x2表示两个元件的参数值,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容差(容差范围[10(1-0.05),10(1+0.05)])的影响,当x2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在闭区间[11.4,12.6]任意取值都可能得到120的故障输出。当电路结构变得复杂,此闭区间的解析将很难精确计算,即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PBI的模拟电路故障参数范围确定方法,在遗传算法确定故障参数上限或下限过程中,采用PBI计算个体适应度,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PBI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xiN,i=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
S2:基于PBI确定故障元件参数下限,具体步骤包括:
S2.1:将元件参数向量X=[x1,x2,…,xC]作为遗传算法种群的个体,生成N个个体构成初始种群P,具体方法为:根据需要设置故障元件c的参数值xc的故障取值范围初始种群P中每个个体中故障元件c的参数值xc在故障取值范围内取值,其余元件i′的参数xi′在容差范围[xi′N×(1-α),xi′N×(1+α)]内取值,其中xi′N表示元件i′的参数标称值,i′=1,2,…,C&i′≠c;
S2.2:初始化迭代次数t=1;
S2.3: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的参数值xc在故障取值范围内取值,非故障元件的参数值在容差范围内取值;
S2.4:将种群P和种群Q进行合并,得到合并种群S,即S=P∪Q;
S2.5:分别计算2N个个体中每个个体Xk所对应的适应度值Fk,其中k=1,2,…,2N,适应度值越小个体越优;适应度值Fk的具体计算方法为:
其中,Emax、Emin分别表示2N个个体所对应误差中的最大值和最小值。
其中,xc,max、xc,min分别表示2N个个体故障元件c的参数值中的最大值和最小值。
采用以下公式计算得到每个个体Xk的适应度值Fk:
S2.6:根据适应度值从2N个个体中优选出N个个体作为下一代种群P′;
S2.7: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S2.8,否则进入步骤S2.9;
S2.8:令种群P=P′,t=t+1,返回步骤S2.3;
S2.9:将当前种群P′中误差最小个体中故障元件c的参数值作为故障元件c的参数范围下限xcL;
S3:采用与步骤S2中的相同算法流程确定故障元件参数上限xcU,在算法执行过程中采用以下公式计算个体Xk的适应度值Fk:
适应度值越小个体越优;
算法执行完毕后,将最后一代种群P′中误差最小个体中故障元件c的参数值作为故障元件c的参数范围下限xcU。
本发明基于PBI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,故障元件的参数值在预设的故障取值范围中取值,其余元件在容差范围内取值,遗传算法迭代过程中,采用PBI计算个体适应度值,采用两次遗传算法分别在迭代完成后最后一代种群提取出故障元件参数的上限和上限。本发明结合遗传算法和PBI方法,实现对于故障元件参数范围的精确确定。
附图说明
图1是PBI优化示意图;
图2是本发明基于PBI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3是本发明中基于PBI确定故障元件参数下限的流程图;
图4是本实施例中二阶托马斯模拟滤波电路的电路图;
图5是本实施例中基于PBI确定故障元件参数下限的最后一代种群示意图。
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。
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。
假定模拟电路在预设测点上的传输函数为h(s,X),其中s=jω,j表示虚数单位,ω表示角频率,X表示元件参数向量,X=[x1,x2,…,xC],xi表示第i个元件的参数,i=1,2,…,C,C表示模拟电路的元件数量。那么传输函数h(s,X)可以表示为:
那么确定最小故障元件参数值xL可以表达成:
其中,xiN表示第i个元件的参数标称值,α表示容差参数,其取值范围一般为α∈(0,0.05]。
那么确定最大故障元件参数值xU可以表达成:
将约束优化问题转化为双目标优化问题,式(4)和式(5)可以重写为:
基于惩罚的边界交叉法(penalty-based boundary intersection,PBI)定义如下:
其中,为理想点,表示第j个目标处的极小值。X为自变量,W为参考向量,θ为惩罚因子。d1是作为X对PF面的收敛性指标,d2作为度量种群多样性的指标。g(X|W,Z*)=d1+θd2作为收敛性和多样性的X的复合度量。PBI方法的目标是尽可能地降低目标函数,使其尽可能的达到PF面。
图1是PBI优化示意图。如图1所示,就本发明所要解决的问题而言,式(6)中需要E(X)接近0,而xf尽量小。在E(X)-xf平面上可以表达为沿着权W=[0,1]最小化。此时,式(7)中d1就是归一化之后的故障元件参数xf,d2就是归一化之后的误差E(X)。
因此,最小参数识别问题就可以表达为:
基于以上思路,提出本发明基于PBI的模拟电路故障参数范围确定方法。图2是本发明基于PBI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2所示,本发明基于PBI的模拟电路故障参数范围确定方法的具体步骤包括:
S201:获取模拟电路故障数据:
S202:基于PBI确定故障元件参数下限:
接下来基于PBI确定故障元件参数下限。图3是本发明中基于PBI确定故障元件参数下限的流程图。如图3所示,本发明中基于PBI确定故障元件参数下限的具体步骤包括:
S301: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,生成N个个体构成初始种群P,具体方法为:根据需要设置故障元件c的参数值xc的故障取值范围初始种群P中每个个体中故障元件c的参数值xc在故障取值范围内取值,其余元件i′的参数xi′在容差范围[xi′N×(1-α),xi′N×(1+α)]内取值,其中xi′N表示元件i′的参数标称值,i′=1,2,…,C&i′≠c。本实施例中故障元件c的参数值xc的故障取值范围为[xcN×10-3,xcN×103]。
S302:初始化迭代次数t=1。
S303: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的参数值xc在故障取值范围内取值,非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,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。
S304: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2N个个体。
S305:基于PBI计算个体适应度值:
分别计算2N个个体中每个个体Xk所对应的适应度值Fk,其中k=1,2,…,2N,适应度值Fk的具体计算方法为:
其中,Emax、Emin分别表示2N个个体所对应误差中的最大值和最小值。
将每个个体Xk中故障元件c的参数值xc,k进行归一化得到归一化后的参数值:
其中,xc,max、xc,min分别表示2N个个体故障元件c的参数值中的最大值和最小值。
采用以下公式计算得到每个个体Xk的适应度值Fk:
其中,θ为预设的惩罚因子。
显然适应度值越小个体越优。
S306:个体优选:
根据适应度值从2N个个体中优选出N个个体作为下一代种群P′。本实施例中采用二选一锦标赛优选算法进行个体优选。
S307: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S308,否则进入步骤S309;
S308:令种群P=P′,t=t+1,返回步骤S303;
S309:确定故障参数下界:
将当前种群P′中误差最小个体中故障元件c的参数值作为故障元件c的参数范围下限xcL。
S203:基于PBI确定故障元件参数上限:
基于PBI确定故障元件参数上限,其算法流程与步骤S202相同,但是由于此时需要确定故障元件参数上限,需要对适应度计算公式进行调整,即在算法执行过程中采用以下公式计算得到每个个体Xk的适应度值Fk:
同样地,适应度值越小个体越优。
算法执行完毕后,将最后一代种群P′中误差最小个体中故障元件c的参数值作为故障元件c的参数范围上限xcU。
实施例
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4是本实施例中二阶托马斯模拟滤波电路的电路图。如图4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4中标示。本实施例中以Vout作为测点,其传输函数如下式所示:
本实施例中设置故障元件为电阻R2,令其参数值为19kΩ,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
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2(即电阻R2)的参数值x2的故障取值范围[1Ω,100MΩ],初始种群P中每个个体中故障元件2的参数值在该故障取值范围内随机取值,其余元件i′的参数xi′在容差范围(xi′N×95%,xi′N×105%)内随机取值。设置种群数目N=200,最大迭代次数tmax=400。
图5是本实施例中基于PBI确定故障元件参数下限的最后一代种群示意图。如图5所示,可以确定本实施例中故障元件参数下限x2L=17410Ω,此时其他元件的参数值分别为:R1=10087Ω,R3=9900Ω,R4=9900Ω,R5=9900Ω,R6=11000Ω,C1=9.9nF,C2=9.9nF。对应的误差E(X)=1.3515e-06,接近零,精度完全满足要求。同理基于PBI确定故障元件参数上限x2U=20808Ω,此时其他元件的参数值分别为:R1=9073Ω,R3=11000Ω,R4=11000Ω,R5=11000Ω,R6=9900Ω,C1=11nF,C2=11nF。对应的误差E(X)=1.1471e-07,接近零,精度完全满足要求。从而得到故障参数范围为[17410Ω,20808Ω],即所有故障元件2的参数值在闭区间[17410Ω,20808Ω]内的故障都可以产生故障电压相量显然,设定的故障R2=19kΩ也在此范围内。
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PBI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:
S2:基于PBI确定故障元件参数下限,具体步骤包括:
S2.1:将元件参数向量X=[x1,x2,…,xC]作为遗传算法种群的个体,生成N个个体构成初始种群P,具体方法为:根据需要设置故障元件c的参数值xc的故障取值范围初始种群P中每个个体中故障元件c的参数值xc在故障取值范围内取值,其余元件i′的参数xi′在容差范围[xi′N×(1-α),xi′N×(1+α)]内取值,其中xi′N表示元件i′的参数标称值,i′=1,2,…,C&i′≠c,α表示容差参数,取值范围为α∈(0,0.05];
S2.2:初始化迭代次数t=1;
S2.3: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的参数值xc在故障取值范围内取值,非故障元件的参数值在容差范围内取值;
S2.4:将种群P和种群Q进行合并,得到合并种群S,即S=P∪Q;
S2.5:分别计算2N个个体中每个个体Xk所对应的适应度值Fk,其中k=1,2,…,2N,适应度值越小个体越优;适应度值Fk的具体计算方法为:
其中,Emax、Emin分别表示2N个个体所对应误差中的最大值和最小值;
其中,xc,max、xc,min分别表示2N个个体故障元件c的参数值中的最大值和最小值;
采用以下公式计算得到每个个体Xk的适应度值Fk:
其中,θ为预设的惩罚因子;
S2.6:根据适应度值从2N个个体中优选出N个个体作为下一代种群P′;
S2.7: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S2.8,否则进入步骤S2.9;
S2.8:令种群P=P′,t=t+1,返回步骤S2.3;
S2.9:将当前种群P′中误差最小个体中故障元件c的参数值作为故障元件c的参数范围下限xcL;
S3:采用与步骤S2中的相同算法流程确定故障元件参数上限xcU,在算法执行过程中采用以下公式计算个体Xk的适应度值Fk:
适应度值越小个体越优;
算法执行完毕后,将最后一代种群P′中误差最小个体中故障元件c的参数值作为故障元件c的参数范围上限xcU。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011373494.XA CN112485650B (zh) | 2020-11-30 | 2020-11-30 | 基于pbi的模拟电路故障参数范围识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011373494.XA CN112485650B (zh) | 2020-11-30 | 2020-11-30 | 基于pbi的模拟电路故障参数范围识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112485650A CN112485650A (zh) | 2021-03-12 |
CN112485650B true CN112485650B (zh) | 2021-09-14 |
Family
ID=74937381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011373494.XA Expired - Fee Related CN112485650B (zh) | 2020-11-30 | 2020-11-30 | 基于pbi的模拟电路故障参数范围识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112485650B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2453723A1 (en) * | 2002-12-20 | 2004-06-20 | Universite Laval | Method for increasing protein content in plant cells |
CN103824135A (zh) * | 2014-03-11 | 2014-05-28 | 合肥工业大学 | 一种模拟电路故障预测方法 |
CN103885867A (zh) * | 2014-03-28 | 2014-06-25 | 渤海大学 | 一种模拟电路性能的在线评价方法 |
CN105720591A (zh) * | 2016-05-03 | 2016-06-29 | 武汉大学 | 一种电力系统无功优化方法及系统 |
CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
CN109597758A (zh) * | 2018-11-07 | 2019-04-09 | 电子科技大学 | 基于pbi的系统级测试性设计优化方法 |
-
2020
- 2020-11-30 CN CN202011373494.XA patent/CN112485650B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2453723A1 (en) * | 2002-12-20 | 2004-06-20 | Universite Laval | Method for increasing protein content in plant cells |
CN103824135A (zh) * | 2014-03-11 | 2014-05-28 | 合肥工业大学 | 一种模拟电路故障预测方法 |
CN103885867A (zh) * | 2014-03-28 | 2014-06-25 | 渤海大学 | 一种模拟电路性能的在线评价方法 |
CN105720591A (zh) * | 2016-05-03 | 2016-06-29 | 武汉大学 | 一种电力系统无功优化方法及系统 |
CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
CN109597758A (zh) * | 2018-11-07 | 2019-04-09 | 电子科技大学 | 基于pbi的系统级测试性设计优化方法 |
Non-Patent Citations (2)
Title |
---|
Fault Diagnosis of Analog Circuit Based on Complex Model;Chenglin Yang等;《IEEE》;20170703;全文 * |
求解高维多目标优化问题的自适应PBI分解方法研究;许小影;《中国优秀硕士学位论文全文数据库信息科技辑》;20190228;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112485650A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105607009B (zh) | 一种基于动态参数模型的动力电池soc估计方法和系统 | |
JP5944291B2 (ja) | バッテリのパラメータ等推定装置およびその推定方法 | |
CN113156321B (zh) | 一种锂离子电池荷电状态soc的估算方法 | |
Petras et al. | Identification of parameters of a half-order system | |
CN112903758B (zh) | 一种气体传感器重叠分块温湿度智能自校准方法 | |
CN110907810B (zh) | 基于粒子群算法的模拟电路单故障诊断方法 | |
EP3591414B1 (en) | Method for evaluating an electric battery state of health | |
CN110361657B (zh) | 估算电池荷电状态的方法 | |
CN111007390B (zh) | 基于代数方法的模拟电路故障诊断模型 | |
CN112577515A (zh) | 惯性传感器、用于惯性传感器的自校准的方法和计算机可读的介质 | |
CN116224073A (zh) | 电池soc估计方法、装置、设备、电池模组及存储介质 | |
CN112485650B (zh) | 基于pbi的模拟电路故障参数范围识别方法 | |
Zhang et al. | Estimation of state‐of‐energy for lithium batteries based on dual adaptive particle filters considering variable current and noise effects | |
CN111044924A (zh) | 一种全工况电池剩余容量确定方法及系统 | |
CN112505532A (zh) | 基于改进粒子群算法的模拟电路单故障诊断方法 | |
CN116400247B (zh) | 电池软短路故障的确定方法及装置 | |
CN111308327B (zh) | 模拟电路故障定位与故障元件参数辨识方法 | |
Huang et al. | Co-estimation of maximum available capacity and state-of-charge for lithium-ion batteries in multi-operating mode with temperature and degradation state adaptivity | |
CN112505533A (zh) | 基于改进粒子群算法的模拟电路双故障诊断方法 | |
CN113156303A (zh) | 基于输出响应矩阵特性分析的模拟电路故障诊断和定位法 | |
CN112287628B (zh) | 基于约束优化的模拟电路故障参数范围确定方法 | |
CN114114019A (zh) | 一种锂离子电池soc估计方法 | |
CN112485651B (zh) | 基于切比雪夫的模拟电路元件故障参数识别方法 | |
CN112444737B (zh) | 模拟电路故障参数范围确定方法 | |
CN111950221B (zh) | 基于遗传算法的模拟电路故障参数范围确定方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210914 |