CN112485651A - 基于切比雪夫的模拟电路元件故障参数识别方法 - Google Patents

基于切比雪夫的模拟电路元件故障参数识别方法 Download PDF

Info

Publication number
CN112485651A
CN112485651A CN202011375854.XA CN202011375854A CN112485651A CN 112485651 A CN112485651 A CN 112485651A CN 202011375854 A CN202011375854 A CN 202011375854A CN 112485651 A CN112485651 A CN 112485651A
Authority
CN
China
Prior art keywords
parameter
fault
population
value
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.)
Granted
Application number
CN202011375854.XA
Other languages
English (en)
Other versions
CN112485651B (zh
Inventor
杨成林
鲜航
杨小燕
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 CN202011375854.XA priority Critical patent/CN112485651B/zh
Publication of CN112485651A publication Critical patent/CN112485651A/zh
Application granted granted Critical
Publication of CN112485651B publication Critical patent/CN112485651B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28Testing of electronic circuits, e.g. by signal tracer
    • G01R31/316Testing of analog circuits

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明公开了一种基于切比雪夫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,基于切比雪夫函数值进行个体优选,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切比雪夫函数,实现对于故障元件参数范围的精确确定。

Description

基于切比雪夫的模拟电路元件故障参数识别方法
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,涉及一种基于切比雪夫的模拟电路元件故障参数识别方法。
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,提供一种基于切比雪夫的模拟电路元件故障参数识别方法,在遗传算法确定故障参数上限或下限过程中,采用切比雪夫函数值作为个体适应度值,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,本发明基于切比雪夫的模拟电路元件故障参数识别方法包括以下步骤:
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点的故障电压相量
Figure BDA0002808173950000029
以及所检测出的故障元件序号c;
S2:基于切比雪夫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
Figure BDA0002808173950000021
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[(1-α)xi′N,(1+α)xi′N]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:预设范围[-λ2,-λ1],λ1、λ2均为正常数,且λ2>λ1;设置N个权重向量,记第n个权重向量Wn=(wn,1,wn,2)T,其中
Figure BDA0002808173950000022
wn,2=1,n=1,2,…,N;
S2.3:初始化迭代次数t=1;
S2.4: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;
S2.5:将种群P和种群Q进行合并,得到合并种群S,即S=P∪Q;
S2.6:分别计算2N个个体中每个个体Xk到各权重向量的切比雪夫函数值,其中k=1,2,…,2N;切比雪夫函数值的具体计算方法为:
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相量
Figure BDA0002808173950000023
然后计算该输出电压相量
Figure BDA0002808173950000024
与故障电压相量
Figure BDA0002808173950000025
之间的误差
Figure BDA0002808173950000026
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:
Figure BDA0002808173950000027
其中,xc,max表示2N个个体故障元件c的参数值中的最大值;
令f1(Xk)=E(Xk),
Figure BDA0002808173950000028
构建得到每个个体的目标函数向量F(Xk)=(f1(Xk),f2(Xk)),计算得到各个个体到各权重向量的切比雪夫函数值gtch(Xk|Wn);切比雪夫函数值gtch(Xk|Wn)的计算公式如下:
Figure BDA0002808173950000031
S2.7:对于每个权重向量Wn,从2N个个体中选择到该权重向量的切比雪夫函数值最小的个体,作为该权重向量的最优个体,将N个权重向量对应的最优个体构成下一代种群P′;
S2.8: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S2.9,否则进入步骤S2.10;
S2.9:令种群P=P′,t=t+1,返回步骤S2.4;
S2.10:将当前种群P′中具有最小误差的个体中故障元件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
Figure BDA0002808173950000032
Figure BDA0002808173950000033
算法执行完毕后,将最后一代种群P′中具有最小误差的个体中故障元件c的参数值作为故障元件c的参数范围上限xcU
本发明基于切比雪夫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,基于切比雪夫函数值进行个体优选,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切比雪夫函数,实现对于故障元件参数范围的精确确定。
附图说明
图1是本发明基于切比雪夫的模拟电路元件故障参数识别方法的具体实施方式流程图;
图2是本发明中基于切比雪夫确定故障元件参数下限的流程图;
图3是本实施例中二阶托马斯模拟滤波电路的电路图;
图4是本实施例中基于切比雪夫确定故障元件参数下限和上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:
Figure BDA0002808173950000041
其中,
Figure BDA0002808173950000042
表示输入电压相量,
Figure BDA0002808173950000043
表示测点的输出电压相量,an,an-1,…,a0、bm,bm-1,…,b0分别表示以元件参数值为变量的函数。
如果频率不变,那么传输函数h(s,X)仅由参数向量X确定。如果将输入电压相量
Figure BDA0002808173950000044
作为参考向量,即
Figure BDA0002808173950000045
那么:
Figure BDA0002808173950000046
如果模拟电路实测电压为
Figure BDA0002808173950000047
故障编号为f,其故障元件参数用xf表示,则故障参数范围识别就是找到满足以下约束的最大故障元件参数值xU和最小故障元件参数值xL
Figure BDA0002808173950000048
那么确定最小故障元件参数值xL可以表达成:
Figure BDA0002808173950000049
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:
Figure BDA0002808173950000051
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:
Figure BDA0002808173950000052
其中,
Figure BDA0002808173950000053
E(X)表示输出电压相量和故障电压相量的误差,当xf取相反数-xf时,最小化-xf就能实现求取最大故障元件参数值xU
切比雪夫(Tchebycheff)方法定义如下:
Figure BDA0002808173950000054
其中,
Figure BDA0002808173950000055
为理想点,
Figure BDA0002808173950000056
表示第m个目标处的极小值,M表示优化目标数量。X为自变量,W=(w1,w2,…,wM)T为参考权重向量,其中wm≥0且
Figure BDA0002808173950000057
就本发明而言,M=2,因此Z*和W均为二维向量。加入权重向量W的目的是使所有遗传算法个体沿着指定方向(权重向量W)的方向靠近坐标原点,即同时最小化f1(X)和f2(X),本发明中f1(X)即为E(X),f2(X)即为xf
基于以上思路,提出本发明基于切比雪夫的模拟电路元件故障参数识别方法。图1是本发明基于切比雪夫的模拟电路元件故障参数识别方法的具体实施方式流程图。如图1所示,本发明基于切比雪夫的模拟电路元件故障参数识别方法的具体步骤包括:
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点的故障电压相量
Figure BDA0002808173950000058
以及所检测出的故障元件序号c。
S102:基于切比雪夫确定故障元件参数下限:
接下来基于切比雪夫确定故障元件参数下限。图2是本发明中基于切比雪夫确定故障元件参数下限的流程图。如图2所示,本发明中基于切比雪夫确定故障元件参数下限的具体步骤包括:
S201: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
Figure BDA0002808173950000061
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[(1-α)xi′N,(1+α)xi′N]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]。
S202:初始化权重向量:
由于本发明中种群个体数目为N,那么权重向量数目也为N。考虑到要让误差E(X)接近于0,因此一般需要设置权重向量中与误差E(X)对应的权重值小于10-2以满足精度要求。根据式(7)可知,权重值不能为0,但可以尽量小,如10-16。如果按照传统方法将[10-16,10-2]均匀分成N-1份,则会丢失接近0的细节部分,很难聚焦高精度区域,而本发明的目的是令E(X)接近于0。因此本发明对指数进行划分,例如将[-16,-2]均匀分成N-1份,然后以10为底取指数,这样在保证覆盖范围的同时又聚焦于高精度区域。初始化权重向量的具体方法为:
预设范围[-λ2,-λ1],λ1、λ2均为正常数,且λ2>λ1。设置N个权重向量,记第n个权重向量Wn=(wn,1,wn,2)T,其中
Figure BDA0002808173950000064
wn,2=1,n=1,2,…,N。
例如预设范围为[-16,-2],N取15,则指数参数γn=2,3,4,…,16,一共有15个权重向量,可以构成如下15×2的权重矩阵:
Figure BDA0002808173950000063
S203:初始化迭代次数t=1。
S204: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。
S205: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。
S206:计算个体的切比雪夫函数值:
分别计算2N个个体中每个个体Xk到各权重向量的切比雪夫函数值,其中k=1,2,…,2N。切比雪夫函数值的具体计算方法为:
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相量
Figure BDA0002808173950000071
然后计算该输出电压相量
Figure BDA0002808173950000072
与故障电压相量
Figure BDA0002808173950000073
之间的误差
Figure BDA0002808173950000074
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
Figure BDA0002808173950000075
Figure BDA0002808173950000076
其中,xc,max表示2N个个体故障元件c的参数值中的最大值。
令f1(Xk)=E(Xk),
Figure BDA0002808173950000077
构建得到每个个体的目标函数向量F(Xk)=(f1(Xk),f2(Xk)),计算得到各个个体到各权重向量的切比雪夫函数值gtch(Xk|Wn)。切比雪夫函数值gtch(Xk|Wn)的计算公式如下:
Figure BDA0002808173950000078
其中,m=1,2。
切比雪夫函数值在本发明中相当于是个体的适应度值,每个个体有N个切比雪夫函数值。
S207:个体优选:
对于每个权重向量Wn,从2N个个体中选择到该权重向量的切比雪夫函数值最小的个体,作为该权重向量的最优个体,将N个权重向量对应的最优个体构成下一代种群P′。
S208: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S209,否则进入步骤S210;
S209:令种群P=P′,t=t+1,返回步骤S204;
S210:确定故障参数下界:
将当前种群P′中具有最小误差的个体中故障元件c的参数值作为故障元件c的参数范围下限xcL
S103:基于切比雪夫确定故障元件参数上限:
基于切比雪夫确定故障元件参数上限,其算法流程与步骤S102相同,但是由于此时需要确定故障元件参数上限,需要对故障件参数值的归一化计算公式进行调整,即采用以下公式将每个个体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
Figure BDA0002808173950000081
Figure BDA0002808173950000082
算法执行完毕后,将最后一代种群P′中具有最小误差的个体中故障元件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3是本实施例中二阶托马斯模拟滤波电路的电路图。如图3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3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 BDA0002808173950000083
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
Figure BDA0002808173950000091
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。设置权重向量时所使用的范围[-λ2,-λ1]为[-16,-2],即保证所有个体的误差均小于10-2
图4是本实施例中基于切比雪夫确定故障元件参数下限和上限的最后一代种群示意图。如图4所示,可以确定本实施例中故障元件参数下限x2L=17407Ω,对应的误差E(X)=3.4612e-13,接近零,精度完全满足要求。同理确定故障元件参数上限x2U=20804Ω,对应的误差E(X)=2.0005e-11,接近零,精度完全满足要求。从而得到故障参数范围为[17407Ω,20804Ω],即所有故障元件2的参数值在闭区间[17407Ω,20804Ω]内的故障都可以产生故障电压相量
Figure BDA0002808173950000092
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)

1.一种基于切比雪夫的模拟电路元件故障参数识别方法,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点的故障电压相量
Figure FDA0002808173940000011
以及所检测出的故障元件序号c;
S2:基于切比雪夫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
Figure FDA0002808173940000012
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[Ni′×(1-α),Ni′×(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:预设范围[-λ2,-λ1],λ1、λ2均为正常数,且λ2>λ1;设置N个权重向量,记第n个权重向量Wn=(wn,1,wn,2)T,其中
Figure FDA0002808173940000013
wn,2=1,n=1,2,…,N;
S2.3:初始化迭代次数t=1;
S2.4: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;
S2.5:将种群P和种群Q进行合并,得到合并种群S,即S=P∪Q;
S2.6:分别计算2N个个体中每个个体Xk到各权重向量的切比雪夫函数值,其中k=1,2,…,2N;切比雪夫函数值的具体计算方法为:
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相量
Figure FDA0002808173940000014
然后计算该输出电压相量
Figure FDA0002808173940000015
与故障电压相量
Figure FDA0002808173940000016
之间的误差
Figure FDA0002808173940000017
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:
Figure FDA0002808173940000018
其中,xc,max表示2N个个体故障元件c的参数值中的最大值;
令f1(Xk)=E(Xk),
Figure FDA0002808173940000021
构建得到每个个体的目标函数向量F(Xk)=(f1(Xk),f2(Xk)),计算得到各个个体到各权重向量的切比雪夫函数值gtch(Xk|Wn);切比雪夫函数值gtch(Xk|Wn)的计算公式如下:
Figure FDA0002808173940000022
S2.7:对于每个权重向量Wk,从2N个个体中选择到该权重向量的切比雪夫函数值最小的个体,作为该权重向量的最优个体,将N个权重向量对应的最优个体构成下一代种群P′;
S2.8: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S2.9,否则进入步骤S2.10;
S2.9:令种群P=P′,t=t+1,返回步骤S2.4;
S2.10:将当前种群P′中具有最小误差的个体中故障元件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
Figure FDA0002808173940000023
Figure FDA0002808173940000024
算法执行完毕后,将最后一代种群P′中具有最小误差的个体中故障元件c的参数值作为故障元件c的参数范围上限xcU
CN202011375854.XA 2020-11-30 2020-11-30 基于切比雪夫的模拟电路元件故障参数识别方法 Expired - Fee Related CN112485651B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011375854.XA CN112485651B (zh) 2020-11-30 2020-11-30 基于切比雪夫的模拟电路元件故障参数识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011375854.XA CN112485651B (zh) 2020-11-30 2020-11-30 基于切比雪夫的模拟电路元件故障参数识别方法

Publications (2)

Publication Number Publication Date
CN112485651A true CN112485651A (zh) 2021-03-12
CN112485651B CN112485651B (zh) 2021-09-14

Family

ID=74937616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011375854.XA Expired - Fee Related CN112485651B (zh) 2020-11-30 2020-11-30 基于切比雪夫的模拟电路元件故障参数识别方法

Country Status (1)

Country Link
CN (1) CN112485651B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009210393A (ja) * 2008-03-04 2009-09-17 Nec Corp ロードプル測定治具
CN103267941A (zh) * 2013-05-07 2013-08-28 长沙学院 一种集成开关电流电路故障模式测试方法
CN104793124A (zh) * 2015-04-06 2015-07-22 长沙学院 基于小波变换和ica特征提取的开关电路故障诊断方法
CN108428005A (zh) * 2018-01-17 2018-08-21 中山大学 一种基于并行协同演化的高维多目标优化算法
CN109188244A (zh) * 2018-09-03 2019-01-11 长沙学院 基于改进FastICA的开关电流电路故障诊断方法
CN110221931A (zh) * 2019-05-20 2019-09-10 电子科技大学 基于切比雪夫的系统级测试性设计多目标优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009210393A (ja) * 2008-03-04 2009-09-17 Nec Corp ロードプル測定治具
CN103267941A (zh) * 2013-05-07 2013-08-28 长沙学院 一种集成开关电流电路故障模式测试方法
CN104793124A (zh) * 2015-04-06 2015-07-22 长沙学院 基于小波变换和ica特征提取的开关电路故障诊断方法
CN108428005A (zh) * 2018-01-17 2018-08-21 中山大学 一种基于并行协同演化的高维多目标优化算法
CN109188244A (zh) * 2018-09-03 2019-01-11 长沙学院 基于改进FastICA的开关电流电路故障诊断方法
CN110221931A (zh) * 2019-05-20 2019-09-10 电子科技大学 基于切比雪夫的系统级测试性设计多目标优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHENGLIN YANG等: "Fault Diagnosis of Analog Filter Circuit Based on Genetic Algorithm", 《IEEE》 *
侯育星等: "基于切比雪夫多项式的新形式调频变标合成孔径雷达成像算法", 《电 子 与 信 息 学 报》 *

Also Published As

Publication number Publication date
CN112485651B (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
CN110968833A (zh) 一种用于模拟量校准的校准函数关系获取方法及装置
CN110907810B (zh) 基于粒子群算法的模拟电路单故障诊断方法
JP2016224022A (ja) 蓄電池パラメータ推定装置および蓄電池パラメータ推定方法
CN108985373B (zh) 一种多传感器数据加权融合方法
CN109711530B (zh) 一种滑坡预测方法及系统
CN110470980B (zh) 基于遗传算法的模拟电路故障特征范围确定方法
JP7516464B2 (ja) 蓄電池の容量損失を算定する方法、装置およびコンピュータプログラム製品
CN110470979A (zh) 基于故障特征区域的模拟电路故障诊断方法
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
CN112485651B (zh) 基于切比雪夫的模拟电路元件故障参数识别方法
JP2017015594A (ja) バッテリー、電源管理装置、及び電源管理方法
CN111308327B (zh) 模拟电路故障定位与故障元件参数辨识方法
CN112505533A (zh) 基于改进粒子群算法的模拟电路双故障诊断方法
CN112505532A (zh) 基于改进粒子群算法的模拟电路单故障诊断方法
CN113670478A (zh) 基于测温仪的温度数据的修正方法、系统、装置及介质
CN112287628B (zh) 基于约束优化的模拟电路故障参数范围确定方法
CN112485650B (zh) 基于pbi的模拟电路故障参数范围识别方法
JP2002180295A (ja) 電着塗装解析方法および電着塗装解析装置
CN111950221B (zh) 基于遗传算法的模拟电路故障参数范围确定方法
CN112444737B (zh) 模拟电路故障参数范围确定方法
CN112464551B (zh) 基于非支配的模拟电路故障参数范围确定方法
CN115993567B (zh) 一种双向回馈电源数据的校准方法及系统
CN113640115B (zh) 适用于准等熵压缩实验数据逆问题求解的优化方法和系统
GhasemAzar et al. Error study of EIT inverse problem solution using neural networks
CN116592816B (zh) 基于旋转机构的数据获取方法、装置、设备及存储介质

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