CN112505533A - 基于改进粒子群算法的模拟电路双故障诊断方法 - Google Patents

Abstract

本发明公开了一种于改进粒子群算法的模拟电路双故障诊断方法，首先分析得到模拟电路的传输函数和模糊组，每个模糊组选择一个代表性故障元件，当模拟电路出现故障时测量得到故障电压相量，将故障元件参数向量作为粒子位置，在粒子群进化过程中引入交叉变异，在计算适应度值考虑输出电压相量和故障电压相量之间的欧式距离以及发生故障元件数量≤2，在最后一代种群中全局最优位置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。本发明利用改进的粒子群算法找出与故障响应最接近的模拟电路传输函数参数，进而发现双故障的故障源，通过对粒子进化过程的改进提高故障诊断的准确率。

Description

基于改进粒子群算法的模拟电路双故障诊断方法

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，涉及一种基于改进粒子群算法的模拟电路双故障诊断方法。

背景技术

随着集成电路的快速发展，为了提高产品性能、降低芯片面积和费用，需将数字和模拟元件集成在同一块芯片上。据资料报道，虽然模拟部分仅占芯片面积的5％，但其故障诊断成本却占总诊断成本的95％，模拟电路故障诊断一直是集成电路工业中的一个“瓶颈”问题。目前，在模拟电路故障诊断领域，主要有测前仿真(如故障字典方法)和测后仿真方法。测前仿真是在测试前根据电路图和参数等对电路的可能故障进行仿真，并将故障响应存储起来，当电路发生故障后，用此前构建字典时采用的激励，测量故障响应。然后在故障字典中查找与之最相近的响应，从而找到故障源。这种方法的优点是故障诊断速度较快，但缺点同样明显，即构建字典时，需要穷举所有故障。加之模拟元件参数是连续变化的，因此穷举法的空间复杂度较高。此外，模拟电路的元器件具有容差特性，且很多故障是软故障(元器件参数值超过容差范围)，使用故障字典难以覆盖所有故障，导致故障诊断准确率较低。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于改进粒子群算法的模拟电路双故障诊断方法，根据故障电路响应，利用改进的粒子群算法找到与故障响应最接近的系统传输函数参数，进而准确确定双故障的故障源。

为了实现上述发明目的，本发明基于改进粒子群算法的模拟电路双故障诊断方法包括以下步骤：

S1：获取模拟电路在预设测点t₁、t₂处的传输函数，将模拟电路中元件数量记为C，记每个元件参数的标称值为

i＝1,2,…,C，确定各个元件的容差范围

分析得到模拟电路经测点t₁、t₂输出电压进行故障诊断的模糊组，将得到的模糊组数量记为N，每个模糊组选取一个元件作为代表性故障元件，记其他非代表性故障元件的数量为M；

S2：当模拟电路出现故障时，在预设激励信号下测量得到测点t₁、t₂处的故障电压相量

和

S3：以X＝{x₁,…,x_N,x_N+1，…,x_N+M}作为粒子群中的粒子位置，其中前N个x_n表示第n个代表性故障元件的参数值，n＝1,2,…,N，后M个x_m表示第m个非代表性故障元件的参数值，m＝N+1,N+2,…,N+M；初始化K个粒子构成初始粒子群P，每个粒子位置中N个代表性故障元件的参数值随机取值，M个非代表性故障元件的参数值在容差范围内取值，将每个粒子的初始位置记为

然后初始化每个粒子速度

S4：分别计算初始粒子群P中每个粒子的适应度值，本发明中粒子适应度值的计算方法为：根据传输函数分别计算粒子位置

在测点t₁、t₂处的输出电压相量

和

分别计算与故障电压相量

和

之间的欧式距离

和

然后根据粒子位置中参数值超过容差范围的代表性故障元件数量确定参数

根据以下公式计算粒子和适应度函数值

选择适应度值最小的粒子位置作为初始全局最优位置Gbest，将每个粒子的初始位置

作为初始局部最优位置Pbest_k；

S5：初始化迭代次数i＝1；

S6：采用如下公式确定本次迭代的惯性权重wⁱ⁺¹：

wⁱ⁺¹＝w_start-(w_start-w_end)×(i/I)²

其中，w_start、w_end分别表示惯性权重的起点值和终点值，I表示预设的最大迭代次数；

S7：采用如下公式更新粒子的速度，得到更新后的速度

其中，c₁、c₂为学习因子，r₁、r₂是0～1之间的随机数。

采用如下公式更新粒子的位置，得到更新后的位置

然后对更新后的位置

中每个非代表性元件参数值进行边界检查，即将粒子位置

中每个非代表性故障元件的参数值限制在容差范围内；

S8：根据当前迭代更新后的粒子位置

计算各个粒子的适应度值；

S9：将当前迭代更新后的粒子按照适应度值从小到大进行排序，均匀划分为D段，D的值根据实际需要确定；记每段中粒子数量为Q，去掉第D段中的Q个粒子，在第2段至第D-1段每段中选取共计Q个粒子去掉，将第1段中的Q个粒子复制两份补齐粒子群；

S10：对步骤S9得到的粒子群中的粒子位置向量进行交叉和变异操作，在此过程中需要保证非代表性故障元件的参数值限制在容差范围；

S11：计算步骤S10得到的粒子群中每个粒子

的适应度值；

S12：对于每个粒子

判断其当前适应度值是否小于局部最优位置Pbest_k的适应度值，如果是，则令局部最优位置

否则不作任何操作；

筛选出当前交叉变异操作后粒子中适应度值最小的粒子，如果其适应度值小于全局最优位置Gbest，则将全局最优位置Gbest更新为该粒子的位置，否则不作任何操作；

S13：判断是否达到迭代终止条件，如果是，进入步骤S14，否则进入步骤S15；

S14：令i＝i+1，返回步骤S6；

S15：当前全局最优位置Gbest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。

本发明基于改进粒子群算法的模拟电路双故障诊断方法，首先分析得到模拟电路的传输函数和模糊组，每个模糊组选择一个代表性故障元件，当模拟电路出现故障时测量得到故障电压相量，将故障元件参数向量作为粒子位置，在粒子群进化过程中引入交叉变异，在计算适应度值考虑输出电压相量和故障电压相量之间的欧式距离以及发生故障元件数量≤2，在最后一代种群中全局最优位置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。

本发明利用改进的粒子群算法找出与故障响应最接近的模拟电路传输函数参数，进而发现双故障的故障源，通过对粒子进化过程的改进提高故障诊断的准确率。

附图说明

图1是本发明基于改进粒子群算法的模拟电路双故障诊断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是本实施例中全局最优适应度曲线图。

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。

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(j,ω)，其中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,…,x_C]，x_i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(j,ω)可以表示为：

其中，

表示输入电压相量，

表示测点的输出电压相量，a_n,a_n-1,…,a₀、b_m,b_m-1,…,b₀表示以元件参数值为变量的函数。

如果激励信号频率不变，那么传输函数H(j,ω)仅由参数向量X确定，从而可以将故障诊断转化为最优化问题。当电路发生双故障，即有两个故障元件c、c′超过其容差范围

其中

分别表示故障元件c、故障元件c′的元件参数标称值，α表示容差系数，其取值范围一般为α∈(0,0.05]。测得电路实际故障电压相量为

则故障诊断就是找到一组最佳的元件参数，使得下式取得最小值：

其中，E表示误差，|| ||表示二范数，即为欧氏距离；

由传输函数计算得到。

由于本发明针对的是双故障诊断，那么可以定义个体的适应度函数f(X)：

f(X)＝g(X)+γ(X) (3)

其中：

最后将故障诊断转化为以下的最小化问题：

minimize f(X)＝g(X)+γ(X) (5)

基于以上思路，提出本发明基于改进粒子群算法的模拟电路双故障诊断方法。图1是本发明基于改进粒子群算法的模拟电路双故障诊断方法的具体实施方式流程图。如图1所示，本发明基于改进粒子群算法的模拟电路双故障诊断方法的具体步骤包括：

S101：获取模拟电路信息：

获取模拟电路在预设测点t₁、t₂处的传输函数，将模拟电路中元件数量记为C，记每个元件参数的标称值为

i＝1,2,…,C，确定各个元件的容差范围

分析得到模拟电路经测点t₁、t₂输出电压进行故障诊断的模糊组，将得到的模糊组数量记为N，每个模糊组选取一个元件作为代表性故障元件，记其他非代表性故障元件的数量为M。

设置2个的测点的原因在于，当进行双故障诊断时，如果只选用一个测试点进行测试，二维复平面上的两个代表性的双故障组模型存在很大部分的混叠，不能隔离，无法区分故障组，所以只有单个测点的情况下所提供的故障信息还不足以能够诊断双故障，因此需要考虑增加测点。为了诊断双故障，至少需要三个线性无关的方程来同时消除两个变量。类似的，诊断m故障，至少需要m+1个线性无关的方程。因此，诊断双故障至少需要两个测试点。

S102：确定模拟电路当前输出：

当模拟电路出现故障时，在预设激励信号下测量得到测点t₁、t₂处的故障电压相量

和

为了使故障状态下的输出电压更加准确，可以在相同条件下多次测量故障电压相量后进行平均，从而得到故障电压相量。

S103：初始化粒子群：

以X＝{x₁,…,x_N,x_N+1，…,x_N+M}作为粒子群中的粒子位置，其中前N个x_n表示第n个代表性故障元件的参数值，n＝1,2,…,N，后M个x_m表示第m个非代表性故障元件的参数值，m＝N+1,N+2,…,N+M。初始化K个粒子构成初始粒子群P，每个粒子位置中N个代表性故障元件的参数值随机取值，M个非代表性故障元件的参数值在容差范围内取值，将每个粒子的初始位置记为

然后初始化每个粒子速度

k＝1,2,…,K。

S104：初始化最优位置：

分别计算初始粒子群P中每个粒子的适应度值，本发明中粒子适应度值的计算方法为：根据传输函数分别计算粒子位置

在测点t₁、t₂处的输出电压相量

和

分别计算与故障电压相量

和

之间的欧式距离

和

然后根据粒子位置中参数值超过容差范围的代表性故障元件数量确定参数

在实际计算中，∞采用绝对大值代替。

根据以下公式计算粒子和适应度函数值

选择适应度值最小的粒子位置作为初始全局最优位置Gbest，将每个粒子的初始位置

作为初始局部最优位置Pbest_k。

S105：初始化迭代次数i＝1。

S106：更新惯性权重：

采用如下公式确定本次迭代的惯性权重wⁱ⁺¹：

wⁱ⁺¹＝w_start-(w_start-w_end)×(i/I)² (8)

其中，w_start、w_end分别表示惯性权重的起点值和终点值，I表示预设的最大迭代次数。本实施例中设置w_start＝0.9,w_end＝0.4。

S107：更新粒子的速度和位置：

采用如下公式更新粒子的速度，得到更新后的速度

其中，c₁、c₂为学习因子，r₁、r₂是0～1之间的随机数。

采用如下公式更新粒子的位置，得到更新后的位置

然后对更新后的位置

中每个非代表性元件参数值进行边界检查，即将粒子位置

中每个非代表性故障元件的参数值限制在容差范围内。

S108：计算适应度值：

根据当前迭代更新后的粒子位置

计算各个粒子的适应度值。

S109：粒子群优化：

为了提升迭代效率，本发明采用分层精英保留策略选择个体，将当前迭代更新后的粒子按照适应度值从小到大进行排序，均匀划分为D段，D的值根据实际需要确定。显然第1段为适应度最优的粒子，第D段为适应度最差的粒子。记每段中粒子数量为Q，去掉第D段中的Q个粒子，在第2段至第D-1段每段中选取共计Q个粒子去掉，将第1段中的Q个粒子复制两份补齐粒子群，保证粒子群规模不变。

S110：交叉变异：

对步骤S109得到的粒子群中的粒子位置向量进行交叉和变异操作，在此过程中需要保证非代表性故障元件的参数值限制在容差范围内。

S111：计算适应度值：

计算步骤S110得到的粒子群中每个粒子

的适应度值。

S112：更新最优位置：

对于每个粒子

判断其当前适应度值是否小于局部最优位置Pbest_k的适应度值，如果是，则令局部最优位置

否则不作任何操作。

筛选出当前交叉变异操作后粒子中适应度值最小的粒子，如果其适应度值小于全局最优位置Gbest，则将全局最优位置Gbest更新为该粒子的位置，否则不作任何操作。

S113：判断是否达到迭代终止条件，即是否迭代次数i＜I或者全局最优位置是否满足精度条件e，如果未达到，进入步骤S114，否则进入步骤S115。

S114：令i＝i+1，返回步骤S106。

S115：确定故障诊断结果：

当前全局最优位置Gbest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。

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。本实施例中选择第一放大器和第三放大器的输出作为测点，其传输函数分别如下式所示：

根据符号分析法和传输函数可知，该电路的模糊组情况为：{R₁}，{R₂}，{R₄,R₅,R₆,C₂}，{R₃,C₁}。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。本实施例中4个模糊组的代表性故障元件分别为R₁,R₂,R₃,R₄。此时双故障的组合有6种，分别表示如下：{R₁,R₂}、{R₁,R₃}、{R₁,R₄}、{R₂,R₃}、{R₂,R₄}、{R₃,R₄}。

随机设置一个故障，例如R₂＝780Ω,R₃＝15085Ω,其它元件在容差范围内随机取值：R₁＝10388Ω、R₄＝10391Ω、R₅＝9655Ω、R₆＝9878Ω、C₁＝0.0101μF、C₂＝0.0104μF，得到激励信号作用下的故障电压相量

设置粒子数目K＝100，最大迭代次数I＝1000，精度e＝0.000001。图3是本实施例中全局最优适应度曲线图。如图3所示，当迭代次数为246时，达到所设定的精度，跳出循环，此时全局最小适应度值为：8.639e-06，所对应的全局最优位置向量中各元件参数值为：R₁＝9673Ω、R₂＝726Ω、R₃＝14340Ω、R₄＝10496Ω、R₅＝10499Ω、R₆＝10059Ω、C₁＝0.0105μF、C₂＝0.0105μF。显然只有电阻R₂、R₃超出了容差范围，故障诊断正确。

接下来对每个代表性故障元件分别设置100次故障，每次故障为不同故障值，其他无故障元件在容差范围内随机设置，对本发明的诊断准确率进行统计。

表1是本实施例中各个代表性故障元件的诊断准确率统计表。

元件组合

{R<sub>1</sub>,R<sub>2</sub>}

{R<sub>1</sub>,R<sub>3</sub>}

{R<sub>1</sub>,R<sub>4</sub>}

{R<sub>2</sub>,R<sub>3</sub>}

{R<sub>2</sub>,R<sub>4</sub>}

{R<sub>3</sub>,R<sub>4</sub>}

诊断准确率

90％

85％

92％

93％

95％

91％

表1

如表1所示，本实施例中各个代表性故障元件的诊断准确率均达到85％以上，平均诊断准确率达到91％，完全可以满足应用需求。

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)

1.一种基于改进粒子群算法的模拟电路双故障诊断方法，其特征在于，包括以下步骤：

S1：获取模拟电路在预设测点t₁、t₂处的传输函数，将模拟电路中元件数量记为C，记每个元件参数的标称值为

确定各个元件的容差范围

分析得到模拟电路经测点t₁、t₂输出电压进行故障诊断的模糊组，将得到的模糊组数量记为N，每个模糊组选取一个元件作为代表性故障元件，记其他非代表性故障元件的数量为M；

S2：当模拟电路出现故障时，在预设激励信号下测量得到测点t₁、t₂处的故障电压相量

和

S3：以X＝{x₁,…,x_N,x_N+1，…,x_N+M}作为粒子群中的粒子位置，其中前N个x_n表示第n个代表性故障元件的参数值，n＝1,2,…,N，后M个x_m表示第m个非代表性故障元件的参数值，m＝N+1,N+2,…,N+M；初始化K个粒子构成初始粒子群P，每个粒子位置中N个代表性故障元件的参数值随机取值，M个非代表性故障元件的参数值在容差范围内取值，将每个粒子的初始位置记为

然后初始化每个粒子速度

S4：分别计算初始粒子群P中每个粒子的适应度值，本发明中粒子适应度值的计算方法为：根据传输函数分别计算粒子位置

在测点t₁、t₂处的输出电压相量

和

分别计算与故障电压相量

和

之间的欧式距离

和

然后根据粒子位置中参数值超过容差范围的代表性故障元件数量确定参数

根据以下公式计算粒子和适应度函数值

选择适应度值最小的粒子位置作为初始全局最优位置Gbest，将每个粒子的初始位置

作为初始局部最优位置Pbest_k。

S5：初始化迭代次数i＝1；

S6：采用如下公式确定本次迭代的惯性权重wⁱ⁺¹：

wⁱ⁺¹＝w_start-(w_start-w_end)×(i/I)²

其中，w_start、w_end分别表示惯性权重的起点值和终点值，I表示预设的最大迭代次数；

S7：采用如下公式更新粒子的速度，得到更新后的速度

其中，c₁、c₂为学习因子，r₁、r₂是0～1之间的随机数。

采用如下公式更新粒子的位置，得到更新后的位置

然后对更新后的位置

中每个非代表性元件参数值进行边界检查，即将粒子位置

中每个非代表性故障元件的参数值限制在容差范围内；

S8：根据当前迭代更新后的粒子位置

计算各个粒子的适应度值；

S9：将当前迭代更新后的粒子按照适应度值从小到大进行排序，均匀划分为D段，D的值根据实际需要确定；记每段中粒子数量为Q，去掉第D段中的Q个粒子，在第2段至第D-1段每段中选取共计Q个粒子去掉，将第1段中的Q个粒子复制两份补齐粒子群；

S10：对步骤S9得到的粒子群中的粒子位置向量进行交叉和变异操作，在此过程中需要保证非代表性故障元件的参数值限制在容差范围；

S11：计算步骤S10得到的粒子群中每个粒子

的适应度值；

S12：对于每个粒子

判断其当前适应度值是否小于局部最优位置Pbest_k的适应度值，如果是，则令局部最优位置

否则不作任何操作；

筛选出当前交叉变异操作后粒子中适应度值最小的粒子，如果其适应度值小于全局最优位置Gbest，则将全局最优位置Gbest更新为该粒子的位置，否则不作任何操作；

S13：判断是否达到迭代终止条件，如果是，进入步骤S14，否则进入步骤S15；

S14：令i＝i+1，返回步骤S6；

S15：当前全局最优位置Gbest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。

Images