CN113051861A - 基于反转世代距离的数模混合电路测试向量集优选方法 - Google Patents
基于反转世代距离的数模混合电路测试向量集优选方法 Download PDFInfo
- Publication number
- CN113051861A CN113051861A CN202110417361.6A CN202110417361A CN113051861A CN 113051861 A CN113051861 A CN 113051861A CN 202110417361 A CN202110417361 A CN 202110417361A CN 113051861 A CN113051861 A CN 113051861A
- Authority
- CN
- China
- Prior art keywords
- individual
- fault
- population
- test
- digital
- 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
Links
- 239000013598 vector Substances 0.000 title claims abstract description 134
- 238000012360 testing method Methods 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 238000002955 isolation Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 238000013461 design Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000035772 mutation Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/38—Circuit design at the mixed level of analogue and digital signals
-
- 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)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开了一种基于反转世代距离的数模混合电路测试向量集优选方法,对数模混合电路进行仿真,得到预设测点在不同测试向量下的正常输出电压和故障输出电压,构建数模混合电路的增量矩阵,将测试向量选择向量作为遗传算法种群的个体,在个体进化过程中,根据个体中所选择测试向量从增量矩阵中抽取对应列向量构成增量子矩阵,据此计算反转世代距离作为个体适应度,并计算得到故障检测率和故障隔离率,根据这三个指标进行个体优选,在最后一代种群中选择最优个体,其所选中的测试向量即构成优选的测试向量集。本发明可以对数模混合电路进行单故障检测的测试向量进行优选,提高故障诊断精度和效率。
Description
技术领域
本发明属于数模混合电路测试技术领域,更为具体地讲,涉及一种基于反转世代距离的数模混合电路测试向量集优选方法。
背景技术
传统电子设备在进行设计时重点考虑的是功能实现,对电子设备的测试维护通常是设计完成后再进行考虑的。目前电子设备向着复杂化微型化方向发展的同时,电子设备的测试维护费用和时间成本也日益增加,甚至有时会超过功能设计。根据国外电子产业产品研发经费及时间的统计,产品的测试时间及成本占整个产品研发时间和费用的百分之四十以上,并随着电子技术发展日益增加。因此,单纯从测试设备的升级来解决数模混合集成电路的测试问题是无法满足数模混合集成电路发展的需要的。对于复杂的、大规模的数模混合集成电路设计项目,必须提前在数模混合集成电路产品设计阶段,就去考虑如何对产品进行测试,这才能更快速的测试电子产品,缩短在自动测试设备上的测试时间,从而降低测试成本,提高故障覆盖率。
在数模混合电路中,通常会存在状态可切换的元件(例如模拟开关等开关电子元件),由这些状态可切换模拟元件的不同状态可以组合得到测试,在对数模混合电路进行故障检测时,待测电路的测试矢量是由多个不同得测试向量构成的,采用该测试矢量作为电路得输入信号,根据对应的输出来进行故障检测。在数模混合电路测试中,测试向量的选取是一个重要影响因素,目前测试向量大多是由工作人员根据经验选取,受人为干扰因素大,且难以实现最优化。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于反转世代距离的数模混合电路测试向量集优选方法,在遗传算法中采用反转世代距离作为适应度值,实现对于数模混合电路进行单故障检测的测试向量的优选,提高故障诊断精度和效率。
为实现上述发明目的,本发明基于反转世代距离的数模混合电路测试向量集优选方法包括以下步骤:
S1:根据数模混合电路中状态可切换元件的实际情况,确定数模混合电路可使用的测试向量,记测试向量的数量为N;记数模混合电路中潜在的故障元件数量为M,然后对于每个测试向量Sn,仿真得到数模混合电路正常工作时预设测点在该测试向量Sn下的输出电压Vn,0,以及不同故障元件发生故障时预设测点在该测试向量Sn下的输出电压Vn,m,n=1,2,…,N,m=1,2,…,M;
根据仿真得到的数据构建数模混合电路的增量矩阵U:
S2:将测试向量选择向量X=[x1,x2,…,xN]作为遗传算法种群的个体,其中xn=1时表示测试向量Sn被选中,xn=0时表示测试向量Sn未被选中;记遗传算法种群中个体数量为K,采用随机赋值的方式初始化遗传算法种群中的每个个体,其中每个个体中被选中的测试向量个数为2,从而构成初始种群P;
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,需要保证新种群Q的每个个体中被选中的测试向量个数为2;
S5:将种群P和种群Q进行合并,得到合并种群C;
S7:根据抽取得到的增量子矩阵Dk,基于反转世代距离计算合并种群C中每个个体的适应度值Fk,具体步骤包括:
S7.4:采用以下公式计算得到合并种群C中第k个个体的反转世代距离作为适应度值Fk:
S8:对于每个个体对应的增量子矩阵Dk,选择第一列元素作为参考值,将增量子矩阵Dk中第二列中的元素除以对应参考值进行归一化操作,当参考值为0时,元素的归一化值以null进行标识,将归一化操作得到的第二列列向量记为
对于列向量记其中不为null的元素数量为M′k,然后判断是否存在元素值在预设误差范围内相等,如果存在,则将相等的元素值对应的故障元件序号放入同一集合,从而得到一个或多个故障元件集合,记这些故障元件集合中故障元件总数作为模糊故障元件数量numberk;如果不存在,则模糊故障元件数量numberk=0;
采用以下公式计算得到个体对应的故障检测率FDRk和故障隔离率FIRk:
S9:采用二元锦标赛机制从合并种群C中优选K个个体构成新种群P′,具体优选方法如下:对于合并种群C中的两个个体,如果这两个个体均满足故障检测率和隔离率FDR=100%、FIR=100%,则选择适应度值较小的个体作为较优个体;若只有其中一个个体满足故障检测率和隔离率FDR=100%、FIR=100%,选择该个体作为较优个体;若两个个体都不满足FDR=100%、FIR=100%,则按照故障检测率、故障隔离率、适应度值的优先级选择较优个体,即首先选择故障检测率较大的个体作为较优个体,如果故障检测率相同,则选择故障隔离率较大的个体作为较优个体,如果故障检测率和隔离率均相同,则选择适应度值较小的个体作为较优个体;
S10:判断是否达到预设的迭代停止条件,如果未达到,则进入步骤S11,否则进入步骤S12;
S11:令种群P=P′,t=t+1,返回步骤S4;
S12:按照故障检测率、故障隔离率、适应度值的优先级,从当前种群P′中筛选出最优个体,其所选中的2个测试向量即构成优选的测试向量集。
本发明基于反转世代距离的数模混合电路测试向量集优选方法,对数模混合电路进行仿真,得到预设测点在不同测试向量下的正常输出电压和故障输出电压,构建数模混合电路的增量矩阵,将测试向量选择向量作为遗传算法种群的个体,在个体进化过程中,根据个体中所选择测试向量从增量矩阵中抽取对应列向量构成增量子矩阵,据此计算反转世代距离作为个体适应度,并计算得到故障检测率和故障隔离率,根据这三个指标进行个体优选,在最后一代种群中选择最优个体,其所选中的测试向量即构成优选的测试向量集。
本发明可以对数模混合电路进行单故障检测的测试向量进行优选,提高故障诊断精度和效率。
附图说明
图1是本发明基于反转世代距离的数模混合电路测试向量集优选方法的具体实施方式流程图;
图2是本发明中基于增量子矩阵计算个体适应度值的流程图;
图3是本实施例中4位倒T型R-2R DAC电路的电路图。
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
图1是本发明基于反转世代距离的数模混合电路测试向量集优选方法的具体实施方式流程图。如图1所示,本发明基于反转世代距离的数模混合电路测试向量集优选方法的具体步骤包括:
S101:获取增量矩阵:
首先根据数模混合电路中状态可切换元件的实际情况,确定数模混合电路可使用的测试向量,记测试向量的数量为N。记数模混合电路中潜在的故障元件数量为M,然后对于每个测试向量Sn,仿真得到数模混合电路正常工作时预设测点t在该测试向量Sn下的输出电压Vn,0,以及不同故障元件发生故障时预设测点在该测试向量下的输出电压Vn,m,n=1,2,…,N,m=1,2,…,M。
根据仿真得到的数据构建数模混合电路的增量矩阵U:
S102:初始化遗传算法种群:
将测试向量选择向量X=[x1,x2,…,xN]作为遗传算法种群的个体,其中xn=1时表示测试向量Sn被选中,xn=0时表示测试向量Sn未被选中。
由于基于斜率特征的单故障诊断至少需要两个测点,若需要隔离待测电路中所有的潜在故障元件,至少需要两条测试向量,若两条测试向量无法隔离待测电路中所有的潜在故障元件,则需要在此基础上增加测试向量个数。因此本发明首先考虑测试向量个数为2的情况,以此来初始化遗传算法种群,具体方法为:
记遗传算法种群中个体数量为K,采用随机赋值的方式初始化遗传算法种群中的每个个体,其中每个个体中被选中的测试向量个数为2,即个体中元素“1”的数量是2,从而构成初始种群P。
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,需要保证新种群Q的每个个体中被选中的测试向量个数为2。
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,本实施例中交叉率为0.6,变异率为0.01。在交叉变异后,如果有个体中被选中的测试向量小于2,则随机选择元素0重置为1,如果有个体中被选中的测试向量大于2,则随机选择元素1重置为0,直到元素1的数量为2。
S105:合并种群:
将种群P和种群Q进行合并,得到合并种群C,即C=P∪Q。显然合并种群S中包含2K个个体。
S106:抽取增量子矩阵:
S107:基于反转世代距离计算个体适应度值:
接下来根据抽取得到的增量子矩阵Dk,基于反转世代距离计算合并种群C中每个个体的适应度值Fk。图2是本发明中基于增量子矩阵计算个体适应度值的流程图。如图2所示,本发明中基于增量子矩阵计算个体适应度值的具体步骤包括:
S201:计算特征曲线方向向量余弦值:
S202:计算特征曲线夹角:
S203:获取特征曲线最小夹角:
S204:基于反转世代距离计算个体适应度值:
反转世代距离评价指标(Inverted Generational Distance,IGD)是一个综合性能评价指标,其值越小,就意味着算法的收敛性、分布均匀性和广泛性越好。因此本发明采用以下公式计算得到合并种群C中第k个个体的反转世代距离作为适应度值Fk:
其中,||·||表示二范数,为理论上每条特征曲线之间的最优夹角,由于本发明中考虑单故障测试,所涉及的测试向量数量为2,则特征曲线分布在二维空间上,并且只考虑所有特征曲线的上半段,即在本发明中,适应度值Fk越小,个体越优。
S108:计算个体的故障检测率和故障隔离率:
对于每个个体对应的增量子矩阵Dk,选择第一列元素作为参考值,将增量子矩阵Dk中第二列中的元素除以对应参考值进行归一化操作,当参考值为0时,元素的归一化值以null进行标识,将归一化操作得到的第二列列向量记为由于本发明中,增量矩阵U中的元素为数模混合电路在测试向量Sn下测点处故障输出电压和正常输出电压的输出电压差值,那么归一化操作后列向量中的元素值即为两个测试向量和所对应输出电压差值的比值,记为可采用如下公式表示:
对于列向量记其中不为null的元素数量为M′k,然后判断是否存在元素值在预设误差范围内相等,如果存在,则将相等的元素值对应的故障元件序号放入同一集合,从而得到一个或多个故障元件集合,每个故障元件集合中的故障元件是无法通过这两个测试向量进行区分,属于同一个模糊组,记这些故障元件集合中故障元件总数作为模糊故障元件数量numberk;如果不存在,说明M个故障元件可以通过这两个测试向量进行区分,则模糊故障元件数量numberk=0。
采用以下公式计算得到个体对应的故障检测率FDRk和故障隔离率FIRk:
S109:个体优选:
采用二元锦标赛机制从合并种群C中优选K个个体构成新种群P′,具体优选方法如下:对于合并种群C中的两个个体,如果这两个个体均满足故障检测率和隔离率FDR=100%、FIR=100%,则选择适应度值较小的个体作为较优个体;若只有其中一个个体满足故障检测率和隔离率FDR=100%、FIR=100%,选择该个体作为较优个体;若两个个体都不满足FDR=100%、FIR=100%,则按照故障检测率、故障隔离率、适应度值的优先级选择较优个体,即首先选择故障检测率较大的个体作为较优个体,如果故障检测率相同,则选择故障隔离率较大的个体作为较优个体,如果故障检测率和隔离率均相同,则选择适应度值较小的个体作为较优个体。
S110:判断是否达到预设的迭代停止条件,如果未达到,则进入步骤S111,否则进入步骤S112。
迭代停止条件可以根据实际需要设置,一般包括两种,一种是达到最大迭代次数Gmax,另一种是最优个体适应度值达到收敛。
S110:令种群P=P′,t=t+1,返回步骤S104;
S111:确定测试向量集:
按照故障检测率、故障隔离率、适应度值的优先级,从当前种群P′中筛选出最优个体,其所选中的2个测试向量即构成优选的测试向量集。
为了更好地说明本发明技术效果,采用一个具体实例对本发明进行仿真验证。本实施例中数模混合电路采用4位倒T型R-2R DAC电路。图3是本实施例中4位倒T型R-2R DAC电路的电路图。如图3所示,本实施例中4位倒T型R-2R DAC有4个模拟开关s3、s2、s1、s0,每个模拟开关有两种状态,即“0”和“1”,“1”相当于模拟开关接通,“0”相当于模拟开关断开,每个开关每次只能选择一种状态,因此4位倒T型R-2R DAC电路有16个测试向量。表1是本实施例中测试向量表。
测试向量序号 | s3 s2 s1 s0 | 测试向量 |
1 | 1 1 1 1 | 1 1 1 1 |
2 | 1 1 1 0 | 1 1 1 0 |
3 | 1 1 0 1 | 1 1 0 1 |
4 | 1 1 0 0 | 1 1 0 0 |
5 | 1 0 1 1 | 1 0 1 1 |
6 | 1 0 1 0 | 1 0 1 0 |
7 | 1 0 0 1 | 1 0 0 1 |
8 | 1 0 0 0 | 1 0 0 0 |
9 | 0 1 1 1 | 0 1 1 1 |
10 | 0 1 1 0 | 0 1 1 0 |
11 | 0 1 0 1 | 0 1 0 1 |
12 | 0 1 0 0 | 0 1 0 0 |
13 | 0 0 1 1 | 0 0 1 1 |
14 | 0 0 1 0 | 0 0 1 0 |
15 | 0 0 0 1 | 0 0 0 1 |
16 | 0 0 0 0 | 0 0 0 0 |
表1
分析4位倒T型R-2R DAC电路可知,当模拟开关s3、s2、s1、s0的状态为0000时,运算放大器输出端的电压为0,不能提供任何电路信息,因此在选择最优向量组合时,测试向量0000不作为考虑。因此本实施例中共考虑15个测试向量。
设置遗传算法种群中每个个体为长度15的二进制序列。令遗传算法的种群大小为40,迭代结束条件为最大迭代次数为100。首先随机生成初始种群中的每个个体,(如X=[1,1,0,0,0,0,0,0,0,0,0,0,0,0,0],表示在个体1中测试向量1、2被选择组合成测试向量集),然后采用本发明算法进行种群迭代,最终得到的最优个体为Xbest=[0,0,0,1,0,0,1,0,0,0,0,0,0,0,0],即将测试向量[1 0 1 1]和[0 1 1 0]构成测试向量集,其对应的故障检测率=100%,故障隔离率=100%,适应度大小为6.4460。
为了测试该测试向量集的故障检测性能,本实施例中对4位倒T型R-2R DAC电路中每个电阻分别作为故障元件进行故障仿真,然后进行故障检测,比如:第一组是电阻R1作为故障元件,取值为故障范围R2、R3、R4、R5、R6、R7、R8内的随机值,那么其余的潜在故障元件R2、R3、R4、R5、R6、R7、R8则需在容差范围内取值。采用申请号为“CN202011536964.X”、名称为“倒T型DAC转换电路的单故障诊断方法”的发明专利中的电阻故障检测方法为例,进行故障检测实验。该电阻故障检测方法的具体步骤可以简述如下:
1)获取倒T型DAC转换电路的电路参数,记模拟开关为sn,n=1,2,…,N,N表示模拟开关数量,在由R、2R两种阻值电阻构成的倒T型电阻网络中,记R、2R两种阻值电阻的阻值为Rk,k=1,2,…,2N,记与运算放大器连接的反馈电阻的阻值为R2N+1;
2)记电阻元件参数向量R=(R1,…,R2N,R2N+1),根据电路分析确定在预设的输入参考电压Vref下,各个模拟开关所对应的支路电流In关于电阻元件参数向量R的函数In(R),然后得到运算放大器输出端电压U关于电阻元件参数向量R的传输函数U(R):
3)当倒T型DAC转换电路发生电阻元件故障时,按照采用本发明所优选得到的测试向量集中2个测试向量对倒T型DAC转换电路中的模拟开关状态进行设置,得到2个测试向量下倒T型DAC转换电路的故障输出电压有效值U1和U2,得到故障输出电压向量Uof=(U1,U2);
4)以电阻元件参数向量R=(R1,…,R2N,R2N+1)作为遗传算法中的个体,对每个电阻元件分别生成1个分种群pk′,k′=1,2,…,2N+1,在分种群pk′中的每个个体中,电阻元件参数值Rk′在该电阻元件的故障范围内取值,其他电阻元件的参数值在容差范围内取值。然后将N个分种群pk′合并,构成种群P,记种群P中个体数量为G;
5)判断是否达到遗传算法的迭代结束条件,如果是,进入步骤10),否则进入步骤6);
6)分别对每个分种群pk′进行交叉和变异操作,得到子种群qk′,N个子种群qk′构成种群Q;在进行交叉和变异操作时,需要保证子种群qk′中参数值Rk′不超过该电阻元件的故障范围,其他电阻元件的参数值不超过其容差范围;
7)将种群P和种群Q进行合并,构成种群S,即S=P∪Q;
8)对种群S中的每个个体分别计算适应度值,具体计算方法如下:
对于每个个体,采用步骤S3.1中的传输函数U(R)在2个测试向量下计算得到输出电压Ug,1和Ug,2,g=1,2,…,2G,得到该个体对应的输出电压向量Uog=(Ug,1,Ug,2),然后计算输出电压向量Uog=(Ug,1,Ug,2)与故障输出电压向量Uof=(U1,U2)之间的欧式距离Disg,即作为个体适应度值;
9)根据欧式距离Disg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,然后划分得到各分种群pk′,返回步骤S3.5;分种群划分的方法如下:
对于当前种群P中的每个个体,依次判断每个电阻元件的参数值是否位于容差范围内,如果是,则判断下一个电阻元件,如果不是,则说明该电阻元件的参数值位于故障范围内,将该个体划分至对应电阻元件的分种群pk′中;
10)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电阻元件即为故障诊断结果。
对于每个电阻元件,分别设置50个不同故障值(故障值在标称值的±50%之间取得),其它元件在容差范围内随机设置,对4位倒T型DAC电路的R-2R网络中的8个潜在电阻故障元件均做了测试,并对结果进行统计。表2是本实施例中将本发明得到的测试向量集进行8种故障检测的结果统计表。
故障组 | R1 | R2 | R3 | R4 | R5 | R6 | R7 | R8 |
R1 | 50 | 4 | ||||||
R2 | 45 | 3 | ||||||
R3 | 1 | 43 | 3 | 4 | ||||
R4 | 50 | |||||||
R5 | 46 | |||||||
R6 | 46 | 1 | 4 | |||||
R7 | 2 | 2 | 43 | 4 | ||||
R8 | 2 | 2 | 4 | 3 | 38 | |||
诊断正确率 | 100% | 90% | 86% | 100% | 92% | 92% | 86% | 76% |
表2
根据以上的仿真验证可知,在基于测试向量集进行数模混合信号电路故障诊断时,采用本方法可以实现测试向量集优选,所得到的测试向量集可以在节约测试时间和成本的基础上,提高故障诊断的正确率。
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)
1.一种基于反转世代距离的数模混合电路测试向量集优选方法,其特征在于,包括以下步骤:
S1:根据数模混合电路中状态可切换元件的实际情况,确定数模混合电路可使用的测试向量,记测试向量的数量为N;记数模混合电路中潜在的故障元件数量为M,然后对于每个测试向量Sn,仿真得到数模混合电路正常工作时预设测点在该测试向量Sn下的输出电压Vn,0,以及不同故障元件发生故障时预设测点在该测试向量Sn下的输出电压Vn,m,n=1,2,…,N,m=1,2,…,M;
根据仿真得到的数据构建数模混合电路的增量矩阵U:
S2:将测试向量选择向量X=[x1,x2,…,xN]作为遗传算法种群的个体,其中xn=1时表示测试向量Sn被选中,xn=0时表示测试向量Sn未被选中;记遗传算法种群中个体数量为K,采用随机赋值的方式初始化遗传算法种群中的每个个体,其中每个个体中被选中的测试向量个数为2,从而构成初始种群P;
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,需要保证新种群Q的每个个体中被选中的测试向量个数为2;
S5:将种群P和种群Q进行合并,得到合并种群C;
S7:根据抽取得到的增量子矩阵Dk,基于反转世代距离计算合并种群C中每个个体的适应度值Fk,具体步骤包括:
S7.4:采用以下公式计算得到合并种群C中第k个个体的反转世代距离作为适应度值Fk:
S8:对于每个个体对应的增量子矩阵Dk,选择第一列元素作为参考值,将增量子矩阵Dk中第二列中的元素除以对应参考值进行归一化操作,当参考值为0时,元素的归一化值以null进行标识,将归一化操作得到的第二列列向量记为
对于列向量记其中不为null的元素数量为Mk′,然后判断是否存在元素值在预设误差范围内相等,如果存在,则将相等的元素值对应的故障元件序号放入同一集合,从而得到一个或多个故障元件集合,记这些故障元件集合中故障元件总数作为模糊故障元件数量numberk;如果不存在,则模糊故障元件数量numberk=0;
采用以下公式计算得到个体对应的故障检测率FDRk和故障隔离率FIRk:
S9:采用二元锦标赛机制从合并种群C中优选K个个体构成新种群P′,具体优选方法如下:对于合并种群C中的两个个体,如果这两个个体均满足故障检测率和隔离率FDR=100%、FIR=100%,则选择适应度值较小的个体作为较优个体;若只有其中一个个体满足故障检测率和隔离率FDR=100%、FIR=100%,选择该个体作为较优个体;若两个个体都不满足FDR=100%、FIR=100%,则按照故障检测率、故障隔离率、适应度值的优先级选择较优个体,即首先选择故障检测率较大的个体作为较优个体,如果故障检测率相同,则选择故障隔离率较大的个体作为较优个体,如果故障检测率和隔离率均相同,则选择适应度值较小的个体作为较优个体;
S10:判断是否达到预设的迭代停止条件,如果未达到,则进入步骤S11,否则进入步骤S12;
S11:令种群P=P′,t=t+1,返回步骤S4;
S12:按照故障检测率、故障隔离率、适应度值的优先级,从当前种群P′中筛选出最优个体,其所选中的2个测试向量即构成优选的测试向量集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110417361.6A CN113051861B (zh) | 2021-04-19 | 2021-04-19 | 基于反转世代距离的数模混合电路测试向量集优选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110417361.6A CN113051861B (zh) | 2021-04-19 | 2021-04-19 | 基于反转世代距离的数模混合电路测试向量集优选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113051861A true CN113051861A (zh) | 2021-06-29 |
CN113051861B CN113051861B (zh) | 2022-06-14 |
Family
ID=76519812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110417361.6A Expired - Fee Related CN113051861B (zh) | 2021-04-19 | 2021-04-19 | 基于反转世代距离的数模混合电路测试向量集优选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113051861B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3573815A (en) * | 1967-06-19 | 1971-04-06 | Electrofact Nv | Measuring point scanner |
US6810372B1 (en) * | 1999-12-07 | 2004-10-26 | Hewlett-Packard Development Company, L.P. | Multimodal optimization technique in test generation |
US20180100894A1 (en) * | 2016-10-07 | 2018-04-12 | United States Of America As Represented By The Secretary Of The Navy | Automatic Generation of Test Sequences |
CN109307835A (zh) * | 2018-03-12 | 2019-02-05 | 电子科技大学 | 基于锯齿波和遗传算法的模拟电路测点优选方法 |
CN111523218A (zh) * | 2020-04-16 | 2020-08-11 | 燕山大学 | 一种基于动态多目标进化的多目标参数优化方法 |
CN112485652A (zh) * | 2020-12-09 | 2021-03-12 | 电子科技大学 | 基于改进正余弦算法的模拟电路单故障诊断方法 |
-
2021
- 2021-04-19 CN CN202110417361.6A patent/CN113051861B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3573815A (en) * | 1967-06-19 | 1971-04-06 | Electrofact Nv | Measuring point scanner |
US6810372B1 (en) * | 1999-12-07 | 2004-10-26 | Hewlett-Packard Development Company, L.P. | Multimodal optimization technique in test generation |
US20180100894A1 (en) * | 2016-10-07 | 2018-04-12 | United States Of America As Represented By The Secretary Of The Navy | Automatic Generation of Test Sequences |
CN109307835A (zh) * | 2018-03-12 | 2019-02-05 | 电子科技大学 | 基于锯齿波和遗传算法的模拟电路测点优选方法 |
CN111523218A (zh) * | 2020-04-16 | 2020-08-11 | 燕山大学 | 一种基于动态多目标进化的多目标参数优化方法 |
CN112485652A (zh) * | 2020-12-09 | 2021-03-12 | 电子科技大学 | 基于改进正余弦算法的模拟电路单故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
CHENGLIN YANG: "parallel-series multiobjective genetic algorithm for optimal tests selection with multiple constraints", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
余宜璐: "复杂电路边界扫描测试向量生成与优化方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
刘飞等: "遗传粒子群算法在测试节点优选中的应用", 《弹箭与制导学报》 * |
胡梅等: "模拟电路软故障诊断测试节点优先的仿真研究", 《系统仿真学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113051861B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10008264B2 (en) | Memristive cross-bar array for determining a dot product | |
US10482940B2 (en) | Computational accuracy in a crossbar array | |
CN101477172B (zh) | 一种基于神经网络的模拟电路故障诊断方法 | |
CN111260063B (zh) | 基于遗传算法的模拟电路故障定位与参数辨识方法 | |
CN112485652B (zh) | 基于改进正余弦算法的模拟电路单故障诊断方法 | |
CN109581203B (zh) | 基于遗传算法的测后仿真故障诊断方法 | |
CN112508243B (zh) | 电力信息系统多故障预测网络模型的训练方法及装置 | |
CN110907810B (zh) | 基于粒子群算法的模拟电路单故障诊断方法 | |
CN111914470B (zh) | 一种能源化工生产系统多元监测时间序列回归预测方法 | |
CN110673017B (zh) | 基于遗传算法的模拟电路故障元件参数辨识方法 | |
CN113051861B (zh) | 基于反转世代距离的数模混合电路测试向量集优选方法 | |
CN113051862B (zh) | 基于遗传算法的数模混合电路测试向量集优选方法 | |
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 | |
CN112615623A (zh) | 倒t型dac转换电路的单故障诊断方法 | |
CN109948267B (zh) | 基于圆模型参数的线性模拟电路故障诊断方法 | |
CN115408949B (zh) | 一种负荷模型参数辨识方法、系统、设备和介质 | |
CN112287628B (zh) | 基于约束优化的模拟电路故障参数范围确定方法 | |
CN114236365B (zh) | 基于圆模型的sar adc电路测试优化方法 | |
CN111130544A (zh) | 基于交叉开关的计算环境中的缺陷减轻 | |
CN112464551B (zh) | 基于非支配的模拟电路故障参数范围确定方法 | |
CN110308386B (zh) | 基于多项式拟合与状态监测的模拟电路故障诊断方法 | |
Asgarpoor et al. | Distribution system reliability evaluation with aging equipment | |
CN111950221B (zh) | 基于遗传算法的模拟电路故障参数范围确定方法 | |
CN114528948B (zh) | 一种复杂系统的序贯测试序列生成方法 |
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: 20220614 |