CN114116370A - 复杂电子系统运行健康状态监测点优选方法 - Google Patents
复杂电子系统运行健康状态监测点优选方法 Download PDFInfo
- Publication number
- CN114116370A CN114116370A CN202111013139.6A CN202111013139A CN114116370A CN 114116370 A CN114116370 A CN 114116370A CN 202111013139 A CN202111013139 A CN 202111013139A CN 114116370 A CN114116370 A CN 114116370A
- Authority
- CN
- China
- Prior art keywords
- fault
- matrix
- electronic system
- rate
- particle
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 108
- 230000036541 health Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 78
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 238000002955 isolation Methods 0.000 claims abstract description 52
- 239000002245 particle Substances 0.000 claims abstract description 43
- 230000002068 genetic effect Effects 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000003745 diagnosis Methods 0.000 claims abstract description 20
- 238000000137 annealing Methods 0.000 claims abstract description 19
- 230000035772 mutation Effects 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000013461 design Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims description 2
- 238000000547 structure data Methods 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Quality & Reliability (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开的一种复杂电子系统运行健康状态监测点优选方法,准确度高、具有更高监测效率。本发明通过下述技术方案予以实现:基于状态监测的复杂电子系统优选目标与约束条件分析,将复杂电子系统故障诊断过程划分为故障检测、故障隔离、故障辨识三步进行的策略,构建复杂电子系统运行状态监测点优化模型;在工程应用中,选择监测点集合,判断监测点设计能否达到规定的系统故障诊断能力评估指标,根据选择监测点约束条件,计算故障,基于D矩阵的故障检测率和故障隔离率计算,从D矩阵中取出所有元素相关的列,组成新的矩阵;基于粒子群算法,计算相关性矩阵群体上每个个体适应度,选择退火变异遗传操作自适应交叉变异概率,解码输出最优解。
Description
技术领域
本发明涉及一种复杂电子系统运行健康状态监测点优选方法,用于考虑“硬件”监测点与“逻辑”监测点共存条件下的复杂电子系统运行健康状态监测点整体布局优化,适用于健康管理设计分析工具软件。
背景技术
随着数字、射频大规模集成电路和芯片的广泛应用,机载电子系统或设备越来越向着综合化、小型化和一体化的方向发展,在提高设备功能性能、降低体积功耗的同时,也大大增加了系统的复杂性、相关性和不确定性,以及外场故障排查定位与维修的难度。复杂电子系统从基于设备健康状态的智能调度管理、任务可靠(故障重构恢复)及外场维护(隔离到LRM)等方面对状态监测与健康管理能力提出了更高的要求。
复杂电子系统技术新研复杂、综合集成度高,BIT测试电路的嵌入式设计难度较大。此外,由于机载平台的体积重量要求的限制,导致BIT硬件测试电路难以大规模应用。在这种情况下,为了满足复杂电子系统的状态监测与健康管理要求,需要引入新的解决方案,即引入“逻辑”监测点,在不增加硬件电路开销的前提下,提高系统的状态监测与故障检测能力。“逻辑”监测点是利用已有的功能电路和运行反馈参数,通过增加故障检测隔离算法,发现与定位故障。因此,对于复杂电子系统,需要解决一个问题,如何在同时考虑BIT硬件监测点与状态监测“逻辑”监测点的情况下,通过权衡设计优化,提高监测能力与效率。
电子系统随着工作时间的推移,系统的健康状态表现为从正常到性能下降直至功能失效的过程,被称为系统健康退化过程。在系统工作的初始阶段内无故障,其故障评估等级为0,系统处于完全健康状态。随着工作时间的增加,系统运行到达“故障发生点”这一临界点。在此期间,由于系统中某些子系统或元件出现早期弱故障,其状态开始变化,但由于系统故障程度不足以导致其丁作状态出现异常行为,即无法检测到系统故障,因此系统状态仍表现为正常态;在“故障检测点”之后的一段时间之内,系统的健康由于其故障程度逐渐增强而继续下降,同时故障所引起的系统异常也将被检测到,直到最终运行至“功能失效点”这一临界点。针对上述系统健康退化过程,状态监测系统应当具备故障检测能力。假设在“系统故障检测点”之后的某一时刻能够检测到早期故障态,状态监测系统的任务就是判别出是何类早期故障,并能评估出系统当前健康(即故障程度),预计其完全失效的时间。由于监测参数特征的优选,在一定程度上可以提高分类器的识别能力,因此,健康状态监测点优化设计的目标是在满足系统故障诊断能力评价指标(故障检测率、隔离率)要求的前提下,在全系统范围内选择可用的硬件与逻辑状态监测点组合,使得测试电路代价(测试电路额外带来的产品体积、重量、功耗和可靠性影响)最小。复杂电子系统运行健康状态监测点包括2种:
(1)采用硬件检测电路实现的硬件监测点,如电压、电流检测、激励或功放信号幅度检测等,这些硬件监测点需设计相应的信号检波、电平采样或比较电路,增加模块电路的体积、重量和功耗,降低基本可靠性;同一硬件电路板卡内硬件测试电路的综合设计,比如,多路电压检测会选用一个多通道的AD芯片来实现;多路电流检测可能采用多个电流传感器加一个多通道AD芯片实现或者与电压采样的AD芯片复用。在方案阶段估计每个硬件监测点的电路体积、重量和功耗代价完全不可行。
(2)利用已有的功能电路硬件加检测算法软件实现的逻辑监测点,如数字芯片间心跳检测、数字芯片外围存储电路或器件(FLASH、DDR等)检测、本振锁定指示、频率源锁定指示等,这些监测点不会增加额外的硬件电路开销,但会增加软件设计复杂度。
通过减少采用硬件检测电路的硬件监测点的数量,可以降低测试电路设计额外增加的体积、重量、功耗和可靠性代价。复杂综合电子系统一般采用标准模块化的机箱结构,单个模块板卡是否有空间余量增加硬件检测电路,取决于系统对模块功能的分配。工程上一般反映为测试电路在模块板卡上是否布得下,分配到各模块板卡的测试电路是否合理可行,技术实现上是否存在难度。特别是针对在系统架构中处于信号中继节点位置的模块,其输入和输出信号数量很多,模块本身的信号转换和路由电路设计非常复杂紧凑,这种情况下要求在该模块的输入和输出端口增加额外的信号检波电路来实现其输入/输入信号电平的检测可实现差。复杂电子系统运行健康状态监测点的优选问题可归纳为典型的NP难问题。目前国内外针对该问题的研究主要分为2个方向:基于信息理论或基于图论的智能搜索算法,如信息熵、灰色理论算法、粒子群算法、模拟退火算法以及混合算法等。这些方法在应用到复杂航空电子系统时主要存在3个方面的问题:1)优化模型未考虑复杂电磁环境下机载电子设备故障发生及传播不确定性的特点,以及测试证据不可靠与虚警率高的问题,导致构建的模型无法准确反映系统运行的真实场景,在此基础上计算的故障检测率和隔离率等指标结果不准确,无法作为模型的优化目标或约束条件;2)优化模型的假设条件过于复杂和理想化,硬件测试电路额外带来的体积、重量、功耗等模型输入数据在工程实践中难以获取和准确量化;3)传统遗传算法求解NP问题时依赖超参数选取、容易陷入到局部收敛,造成算法陷入局部最优,使得算法性能下降。
发明内容
本发明的目的是针对复杂电子系统硬件监测点与逻辑监测点共存情况下运行健康状态监测点优化模型准确度差、输入数据难获取以及求解算法容易过早收敛,陷入局部最优等问题,提供一种准确度高、数据易获取、具有更高监测效率的复杂电子系统运行状态监测点优化方法。
本发明的上述目的可以通过以下措施来达到,一种复杂电子系统运行状态监测点优化方法,其特征在于包括如下步骤:
基于状态监测的复杂电子系统优选目标与约束条件分析,以测试电路监测点数量最少为优化目标,以满足故障检测率和隔离率2个诊断能力评价指标,以及不超出单个模块上采用硬件测试电路的监测点数量限制为约束条件,将复杂电子系统故障诊断过程划分为“故障检测”、“故障隔离”、“故障辨识”三步进行的策略,构建复杂电子系统运行状态监测点优化模型;在工程应用中对优化目标进行简化,采用硬件监测点数量最少的检测电路优化目标,构成硬件监测点集合序列TD,运行健康状态监测点设计的约束条件,选择监测点集合T,计算系统故障检测率的检测率计算值FDR和隔离到1个模块的故障隔离率计算值FIR,根据故障检测率的要求值FD和故障隔离率的要求值FI,判断监测点设计能否达到规定的系统故障诊断能力评估指标FDR(T)≥FD、FIR(T)≥FI的要求;针对复杂综合模块化电子系统,利用模块i内检测电路的硬件监测点集合TDi和表示该模块内部能够承受该类硬件监测点数量最大值Ni,根据选择监测点约束条件maxTDi≤Ni,在相邻模块的信号输入或输出端口增加信号检波电路来实现故障的检测和隔离,对单个模块采用硬件检测电路的硬件监测点数量进行限制;计算故障利用D矩阵计算故障检测率和隔离率2个故障诊断能力评价指标,基于D矩阵的故障检测率和故障隔离率计算,定义可检测故障集合FD=Φ,计算可隔离到1,2,3个外场可更换单元/模块LRU/LRM的故障隔离率,从D矩阵中取出所有T中元素相关的列,组成新的矩阵;采用改进的遗传算法进行模型求解,选取FDR,基于粒子群算法fir FIR1,FIR2,FIR3滤波器作为构建遗传算法适应度函数,并用合适的窗函数进行加权作为FIR滤波器的单位脉冲响应,计算相关性矩阵群体上每个个体适应度值,选择退火交叉和退火变异遗传操作自适应交叉变异概率,解码输出最优解。
本发明相比于现有技术具有如下有益效果:
本发明基于状态监测的复杂电子系统优选目标与约束条件分析,以测试电路监测点数量最少为优化目标,以满足故障检测率和隔离率2个诊断能力评价指标,以及不超出单个模块上采用硬件测试电路的监测点数量限制为约束条件,将复杂电子系统故障诊断过程划分为“故障检测”、“故障隔离”、“故障辨识”三步进行的策略,构建复杂电子系统运行状态监测点优化模型;具有更高的计算准确度,输入数据更以获取,保证了在全局最优的前提下大大减少搜索的复杂度。
本发明采用硬件监测点数量最少的检测电路优化目标,构成硬件监测点集合序列TD,运行健康状态监测点设计的约束条件,选择监测点集合T,计算系统故障检测率的检测率计算值FDR和隔离到1个模块的故障隔离率计算值FIR,根据故障检测率的要求值FD和故障隔离率的要求值FI,判断监测点设计能否达到规定的系统故障诊断能力评估指标FDR(T)≥FD、FIR(T)≥FI的要求;基于D矩阵的系统故障检测率和隔离率计算,基于改进遗传算法的模型求解。
模型求解算法具备全局最优的特点,可解决复杂电子系统硬件监测点与逻辑监测点共存条件下的监测点整体布局优化问题,监测效率更高。
本发明基于工程需求与数据可获得性对优化目标和约束条件进行了简化,构建了系统运行健康状态监测点优化模型,并给出了模型中故障检测率和隔离率指标的计算方法。针对模型求解问题,采用自适应超参数解决遗传算法对变异率、交叉率选取的依赖,通过退火算法对交叉变异机制进行优化,避免模型求解算法过早收敛,陷入局部最优。
附图说明
下面结合附图和实施方式对本发明专利进一步说明。
图1是本发明复杂机载电子系统故障检测率和隔离率指标计算方法流程图。
图2是不确定性故障-测试依赖矩阵(D矩阵)实施例示意图。
下面详细描述本发明实施例,描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
具体实施方式
参阅图1。根据本发明,基于状态监测的复杂电子系统优选目标与约束条件分析,以测试电路监测点数量最少为优化目标,以满足故障检测率和隔离率2个诊断能力评价指标为约束条件,以及不超出单个模块上采用硬件测试电路的监测点数量限制,将复杂电子系统故障诊断过程划分为“故障检测”、“故障隔离”、“故障辨识”三步进行的策略,构建复杂电子系统运行状态监测点优化模型;在工程应用中对优化目标进行简化,采用硬件监测点数量最少的检测电路优化目标,构成硬件监测点集合序列TD,运行健康状态监测点设计的约束条件,选择监测点集合T,计算系统故障检测率的检测率计算值FDR和隔离到1个模块的故障隔离率计算值FIR,根据故障检测率的要求值FD和故障隔离率的要求值FI,判断监测点设计能否达到规定的系统故障诊断能力评估指标FDR(T)≥FD,FIR1(T)≥FIR1,FIR2(T)≥FIR2,FIR3(T)≥FIR3的要求;针对复杂综合模块化电子系统,利用模块i内检测电路的硬件监测点集合TDi和表示该模块内部能够承受该类硬件监测点数量最大值Ni,根据选择监测点约束条件maxTDi≤Ni,在相邻模块的信号输入或输出端口增加信号检波电路来实现故障的检测和隔离,对单个模块采用硬件检测电路的硬件监测点数量进行限制;计算故障利用D矩阵计算故障检测率和隔离率2个故障诊断能力评价指标,基于D矩阵的故障检测率和故障隔离率计算,定义可检测故障集合FD=Φ,计算可隔离到1,2,3个航线可更换单元LRU/LRM的故障隔离率,从D矩阵中取出所有T中元素相关的列,组成新的矩阵;采用改进的遗传算法进行模型求解,选取FDR,基于粒子群算法PSO,将FIR1,FIR2,FIR3滤波器作为构建遗传算法适应度函数,并用合适的窗函数进行加权作为FIR滤波器的单位脉冲响应,计算相关性矩阵群体上每个个体适应度值,选择退火交叉和退火变异遗传操作自适应交叉变异概率,解码输出最优解。
在计算故障检测率和隔离率2个系统故障诊断能力评价指标中,利用D矩阵计算故障检测率指标,定义可检测故障集合FD=Φ,根据已知相关性矩阵D=[dij]m×n,构建故障集合F={f1,f2,…,fm}和监测点集合T={t1,t2,…,tg},g≤n,从第1行开始,按行依次遍历矩阵D1,若第i行元素之和大于0且第i行元素不全为0,则故障模式fi可被检测,令可检测的故障模式集合FD=FD∪fi,若i>n,遍历结束,其中,Φ表示空集,dij表示相关性矩阵的元素,dij∈{0,1};0表示故障与监测点不相关,1表示故障与监测点相关,m表示相关性矩阵的行数,n表示相关性矩阵的列数,fi表示故障集合中故障模式,tj表示监测点集合中监测点元素。
计算可隔离到1,2,3个LRU/LRM的故障隔离率,从D矩阵中取出所有T中元素相关的列,组成新的矩阵Dg=[dij]m×g,;对于每一个故障元素fi,定义标识qi=1,判断标识该故障是否包含到模糊组中,定义隔离到1个LRU/LRM、2个LRU/LRM和3个LRU/LRM的模糊组V1、V2、V3均为空集;从第一行开始,遍历矩阵Dg的行,找到行i对应的故障模式fi;若fi∈FD表明该故障模式可被检测,保留;否则从矩阵Dg中剔除行i,遍历完毕,得到新矩阵D2,其中,g表示监测点集合T中元素个数。
剔除D2中元素全为0的行,得到新矩阵D3,给D3中每行分配一个初始为0的隔离标识;从第1行开始,遍历D3中的行元素,若行fi的标识不为0(大于0),直接跳过;否则将行fi与其余行进行两两比较,求取与行fi元素完全相同的行,若行fi与其它行都不一致,则该行可隔离到1个LRU/LRM,将该行标记为1。
如果存在与行fi元素完全相同的行,将其放入集合Fi中,定义为Fi={fi1,fi2,…,fig}。求取Fi所属的被测单元集合Ui=ui1∪ui2∪ui3∪…∪uig,uig表示故障模式fig所属单元的标识,若:
|Ui|=1,将Fi中所有行标记为1,将Fi中故障模式放入V1中;
|Ui|=2,将Fi中所有行标记为2,将Fi中故障模式放入V2中;
|Ui|=3,将Fi中所有行标记为3,将Fi中故障模式放入V3中;
遍遍历完毕。由上述过程得到模糊组V1、V2、V3,下面根据模糊组V1、V2、V3,故障模式故障率λ,可检测故障集合FD,故障元素fi,分别计算隔离率:
参阅图2。采用改进的遗传算法进行模型求解,遗传算法通过编码将相关性矩阵表示为遗传空间的基因型串结构数据,初始化群体,随机生成粒子位置X,随机初始化粒子的位置x和速度v;计算群体上每个个体的适应度值,对个体最优和群体最优粒子更新,其中个体最优粒子的更新方式是从当前粒子和个体最优粒子中选择支配粒子,当两个粒子都不是支配粒子时,从中随机选择一个粒子作为个体最优粒子,群体最优粒子为从Pareto最优解集中随机选择的一个粒子;当新粒子不受其他粒子及当前Pareto最优解集中的粒子的支配时,把新粒子放入Pareto最优解集中;判断是否有终止检测,是则解码,输出最优解,否则执行选择、退火交叉和退火变异遗传操作、自适应交叉和变异概率、产生新群体。
相关性矩阵中每一行表示一种故障模式与所有监测点的关联关系,Ti为第i个监测点与故障模式的关联向量,n为监测点数量,编码转换后该集合的每条染色体有n个基因,每个基因代表一个监测点。
根据相关性矩阵中每一行表示一种故障模式与所有监测点的关联关系,计算适应度,选取FDR,FIR1,FIR2,FIR3构建适应度函数:
如果满足条件1:FDR(TS)≥FD′R&FIR1(TS)≥FI′R1&FIR2(TS)≥FI′R2&FIR3(TS)≥FI′R3,则适应度函数:
f(TS)=(n-|TS|)×(r1×FDR(TS)+r2×(FIR1(TS)+FIR2(TS)+FIR3(TS)));
否则如果满足条件2:FDR(TS)≥FD′R&FIR1(TS)≥FI′R1&FIR2(TS)≥FI′R2,则适应度函数:
f(TS)=(n-|TS|)×(r1×FDR(TS)+r2×(FIR1(TS)+FIR2(TS))+FIR3(TS));
否则如果满足条件3:FDR(TS)≥TD′R&FIR1(TS)≥FI′R1,则适应度函数:
f(TS)=(n-|TS|)×(r1×FDR(TS)+r2×FIR1(TS)+FIR2(TS)+FIR3(TS));
否则如果满足条件4:FDR(TS)≥FD′R,则适应度函数:
f(TS)=(n-|TS|)×(r1×FDR(TS)+FIR1(TS)+FIR2(TS)+FIR3(TS));
否则,适应度函数:f(TS)=(n-|TS|)×(FDR(TS)+FIR1(TS)+FIR2(TS)+FIR3(TS))
式中,r1、r2表示加权因子,Ts表示监测点集合,|TS|表示Ts中监测点个数。
遗传操作包括选择、交叉和变异三个操作,选择采用赌盘选择法进行选择操作,将个体适应度按比例转换为选择概率,然后按选择概率进行随机抽样组建新的种群;交叉、变异操作采用自适应策略,取代传统遗传算法采用定值策略计算超参数交叉概率Pc(i)和变异概率Pm(i):
其中,i表示循环次数,k1、k2表示进化权重,n表示种群数,P1为交叉概率初值,P2为变异概率初值,可根据具体的模型要求进行调整。该自适应策略可以使交叉变异概率随进化迭代过程线性递减,保证运算初期以较大的变异和交叉概率使种群中诞生更多的优秀染色体和优秀子代,加快收敛的速度,运算后期以较小的遗传和交叉概率避免优秀的染色体被破坏,避免了后期寻优不收敛问题,从而得到全局最优解。
为了改善遗传算法搜索性能,采用退火机制对种群更新机制进行优化,根据退火过程结合概率突跳特性在解空间中随机寻找目标函数的全局最优解,避免遗传算法陷入局部最优,当子代的适应度值小于父代时,根据父代的适应度fitness(xold)、子代的适应度值fitness(xnew)和退火速率控制参数λ,得到一种概率来判断是否接受子代:
min{1,exp(-(fitness(xold)-fitness(xnew))/T)}>random[0,1]
Tk+1=αTk
式中,T为退火温度,Tk表示第k次退火温度,Tk+1表示第k+1次退火温度。α表示退火速率。
以上对本发明实施例进行了详细介绍,本文中应用了具体实施方式对本发明进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及设备;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种复杂电子系统运行健康状态监测点优选方法,其特征在于包括如下步骤:
基于状态监测的复杂电子系统优选目标与约束条件分析,以测试电路监测点数量最少为优化目标,以满足故障检测率和隔离率2个诊断能力评价指标为约束条件,以及不超出单个模块上采用硬件测试电路的监测点数量限制,将复杂电子系统故障诊断过程划分为“故障检测”、“故障隔离”、“故障辨识”三步进行的策略,构建复杂电子系统运行状态监测点优化模型;在工程应用中对优化目标进行简化,采用硬件监测点数量最少的检测电路优化目标,构成硬件监测点集合序列TD,运行健康状态监测点设计的约束条件,选择监测点集合T,计算系统故障检测率的检测率计算值FDR和隔离到1个模块的故障隔离率计算值FIR,根据故障检测率的要求值FD和故障隔离率的要求值FI,判断监测点设计能否达到规定的系统故障诊断能力评估指标FDR(T)≥FD、FIR(T)≥FI的要求;针对复杂综合模块化电子系统,利用模块i内检测电路的硬件监测点集合TDi和表示该模块内部能够承受该类硬件监测点数量最大值Ni,根据选择监测点约束条件maxTDi≤Ni,在相邻模块的信号输入或输出端口增加信号检波电路来实现故障的检测和隔离,对单个模块采用硬件检测电路的硬件监测点数量进行限制;计算故障利用D矩阵计算故障检测率和隔离率2个故障诊断能力评价指标,基于D矩阵的故障检测率和故障隔离率计算,定义可检测故障集合FD=Φ,计算可隔离到1,2,3个航线可更换单元LRU/LRM的故障隔离率,从D矩阵中取出所有T中元素相关的列,组成新的矩阵;采用改进的遗传算法进行模型求解,选取FDR,基于粒子群算法firFIR1,FIR2,FIR3滤波器作为构建遗传算法适应度函数,并用合适的窗函数进行加权作为FIR滤波器的单位脉冲响应,计算相关性矩阵群体上每个个体适应度值,选择退火交叉和退火变异遗传操作自适应交叉变异概率,解码输出最优解。
2.如权利要求1所述的复杂电子系统运行健康状态监测点优选方法,其特征在于:在计算故障检测率和隔离率2个系统故障诊断能力评价指标中,利用D矩阵计算故障检测率指标,定义可检测故障集合FD=Φ,根据已知相关性矩阵D=[dij]m×n,构建故障集合F={f1,f2,...,fm}和监测点集合T={t1,t2,…,tg},g≤n,从第1行开始,按行依次遍历矩阵D1,若第i行元素之和大于0且第i行元素不全为0,则故障模式fi可被检测,令可检测的故障模式集合FD=FD∪fi,若i>n,遍历结束,其中,Φ表示空集,dij表示相关性矩阵的元素,dij∈{0,1};0表示故障与监测点不相关,1表示故障与监测点相关,m表示相关性矩阵的行数,n表示相关性矩阵的列数,fi表示故障集合中故障模式,tj表示监测点集合中监测点元素。
4.如权利要求1所述的复杂电子系统运行健康状态监测点优选方法,其特征在于:计算可隔离到1,2,3个LRU/LRM的故障隔离率,从D矩阵中取出所有T中元素相关的列,组成新的矩阵Dg=[dij]m×g;对于每一个故障元素fi,定义标识qi=1,判断标识该故障是否包含到模糊组中,定义隔离到1个LRU/LRM、2个LRU/LRM和3个LRU/LRM的模糊组V1、V2、V3均为空集;从第一行开始,遍历矩阵Dg的行,找到行i对应的故障模式fi;若fi∈FD表明该故障模式可被检测,保留;否则从矩阵Dg中剔除行i,遍历完毕,得到新矩阵D2,其中g表示监测点集合T中元素个数。
5.如权利要求1所述的复杂电子系统运行健康状态监测点优选方法,其特征在于:得到新矩阵D2后,剔除D2中元素全为0的行,得到新矩阵D3,给D3中每行分配一个初始为0的隔离标识;从第1行开始,遍历D3中的行元素,若行fi的标识不为0(大于0),直接跳过;否则将行fi与其余行进行两两比较,求取与行fi元素完全相同的行,若行fi与其它行都不一致,则该行可隔离到1个LRU/LRM,将该行标记为1。
6.如权利要求1所述的复杂电子系统运行健康状态监测点优选方法,其特征在于:如果存在与行fi元素完全相同的行,将其放入集合Fi中,定义为Fi={fi1,fi2,...,fig},求取Fi所属的被测单元集合Ui=ui1∪ui2∪ui3∪...∪uig,uig表示故障模式fig所属单元的标识,若:
|Ui|=1,将Fi中所有行标记为1,将Fi中故障模式放入V1中;
|Ui|=2,将Fi中所有行标记为2,将Fi中故障模式放入V2中;
|Ui|=3,将Fi中所有行标记为3,将Fi中故障模式放入V3中;
遍遍历完毕。
8.如权利要求1所述的复杂电子系统运行健康状态监测点优选方法,其特征在于:采用改进的遗传算法进行模型求解,遗传算法通过编码将相关性矩阵表示为遗传空间的基因型串结构数据,初始化群体,随机生成粒子位置X,随机初始化粒子的位置x和速度v;计算群体上每个个体的适应度值,对个体最优和群体最优粒子更新,其中个体最优粒子的更新方式是从当前粒子和个体最优粒子中选择支配粒子,当两个粒子都不是支配粒子时,从中随机选择一个粒子作为个体最优粒子,群体最优粒子为从Pareto最优解集中随机选择的一个粒子;当新粒子不受其他粒子及当前Pareto最优解集中的粒子的支配时,把新粒子放入Pareto最优解集中;判断是否有终止检测,是则解码,输出最优解,否则执行选择、退火交叉和退火变异遗传操作、自适应交叉和变异概率、产生新群体。
9.如权利要求8所述的复杂电子系统运行健康状态监测点优选方法,其特征在于:
根据相关性矩阵中每一行表示一种故障模式与所有监测点的关联关系,计算适应度,选取FDR,FIR1,FIR2,FIR3构建适应度函数:
如果满足条件1:FDR(TS)≥F′DR&FIR1(TS)≥F′IR1&FIR2(TS)≥F′IR2&FIR3(TS)≥F′IR3,则适应度函数:
f(TS)=(n-|TS|)×(r1×FDR(TS)+r2×(FIR1(TS)+FIR2(TS)+FIR3(TS)));
否则如果满足条件2:FDR(TS)≥F′DR&FIR1(TS)≥F′IR1&FIR2(TS)≥F′IR2,则适应度函数:
f(TS)=(n-|TS|)×(r1×FDR(TS)+r2×(FIR1(TS)+FIR2(TS))+FIR3(TS));
否则如果满足条件3:FDR(TS)≥F′DR&FIR1(TS)≥F′IR1,则适应度函数:
f(TS)=(n-|TS|)×(r1×FDR(TS)+r2×FIR1(TS)+FIR2(TS)+FIR3(TS));
否则如果满足条件4:FDR(TS)≥F′DR,则适应度函数:
f(TS)=(n-|TS|)×(r1×FDR(TS)+FIR1(TS)+FIR2(TS)+FIR3(TS));
否则,适应度函数:f(TS)=(n-|TS|)×(FDR(TS)+FIR1(TS)+FIR2(TS)+FIR3(TS))
式中,r1、r2表示加权因子,Ts表示监测点集合,|TS|表示Ts中监测点个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111013139.6A CN114116370B (zh) | 2021-08-31 | 2021-08-31 | 复杂电子系统运行健康状态监测点优选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111013139.6A CN114116370B (zh) | 2021-08-31 | 2021-08-31 | 复杂电子系统运行健康状态监测点优选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114116370A true CN114116370A (zh) | 2022-03-01 |
CN114116370B CN114116370B (zh) | 2024-04-26 |
Family
ID=80441206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111013139.6A Active CN114116370B (zh) | 2021-08-31 | 2021-08-31 | 复杂电子系统运行健康状态监测点优选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114116370B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115510787A (zh) * | 2022-09-23 | 2022-12-23 | 中国科学院国家空间科学中心 | 基于多目标优化的峰值旁瓣约束快速衰减窗函数设计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130080641A1 (en) * | 2011-09-26 | 2013-03-28 | Knoa Software, Inc. | Method, system and program product for allocation and/or prioritization of electronic resources |
CN107423414A (zh) * | 2017-07-28 | 2017-12-01 | 西安交通大学 | 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法 |
CN110288726A (zh) * | 2019-06-28 | 2019-09-27 | 广西民族大学 | 一种基于bp神经网络甘蔗转运车危险预测方法 |
CN112052952A (zh) * | 2020-08-19 | 2020-12-08 | 哈尔滨工程大学 | 基于遗传算法的柴油机故障诊断中监测参数优化选取方法 |
-
2021
- 2021-08-31 CN CN202111013139.6A patent/CN114116370B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130080641A1 (en) * | 2011-09-26 | 2013-03-28 | Knoa Software, Inc. | Method, system and program product for allocation and/or prioritization of electronic resources |
CN107423414A (zh) * | 2017-07-28 | 2017-12-01 | 西安交通大学 | 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法 |
CN110288726A (zh) * | 2019-06-28 | 2019-09-27 | 广西民族大学 | 一种基于bp神经网络甘蔗转运车危险预测方法 |
CN112052952A (zh) * | 2020-08-19 | 2020-12-08 | 哈尔滨工程大学 | 基于遗传算法的柴油机故障诊断中监测参数优化选取方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115510787A (zh) * | 2022-09-23 | 2022-12-23 | 中国科学院国家空间科学中心 | 基于多目标优化的峰值旁瓣约束快速衰减窗函数设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114116370B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112637132B (zh) | 一种网络异常检测方法、装置、电子设备和存储介质 | |
Yu et al. | Optimizing sensor deployment and maintenance costs for large-scale environmental monitoring | |
CN111581782A (zh) | 一种基于健康状态层流逻辑模型的卫星健康层级评估方法 | |
CN111159922A (zh) | 一种电力系统连锁故障的关键线路辨识方法和装置 | |
CN114116370A (zh) | 复杂电子系统运行健康状态监测点优选方法 | |
CN113626267A (zh) | 复杂电子系统不确定性故障诊断效能评估方法 | |
CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
Gui et al. | Wireless sensor network fault sensor recognition algorithm based on MM* diagnostic model | |
Shao et al. | Optimization of network sensor location for full link flow observability considering sensor measurement error | |
CN106886467A (zh) | 基于分组‑综合多目标进化的多任务测试优选方法 | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
CN112882875A (zh) | 故障诊断方法 | |
CN117235664A (zh) | 配电通信设备的故障诊断方法、系统和计算机设备 | |
CN116955335A (zh) | 一种基于大数据模型算法的地址数据治理方法及其系统 | |
CN115184055B (zh) | 一种分级测试性优化的测试集确定方法及系统 | |
CN115550144B (zh) | 分布式故障节点预测方法、装置、电子设备及存储介质 | |
CN113127274A (zh) | 磁盘故障预测方法、装置、设备及计算机存储介质 | |
CN115165332B (zh) | 一种装备机内测试与综合测试一体化设计方法及系统 | |
CN108090566B (zh) | 基于串并联遗传算法的多目标测试优选方法 | |
CN113221496B (zh) | 一种基于三维测试性分析模型的故障诊断方法 | |
CN115412443A (zh) | 一种基于突发检测的网络拓扑变化检测方法 | |
CN112684300B (zh) | 一种利用双向监测信息的主动配电网故障诊断方法及装置 | |
Cao et al. | A novel fault diagnosis strategy for heterogeneous wireless sensor networks | |
CN111626622A (zh) | 一种考虑不确定性的电路系统测试性指标预计方法 |
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 |