CN114236365A - 基于圆模型的sar adc电路测试优化方法 - Google Patents
基于圆模型的sar adc电路测试优化方法 Download PDFInfo
- Publication number
- CN114236365A CN114236365A CN202111572129.6A CN202111572129A CN114236365A CN 114236365 A CN114236365 A CN 114236365A CN 202111572129 A CN202111572129 A CN 202111572129A CN 114236365 A CN114236365 A CN 114236365A
- Authority
- CN
- China
- Prior art keywords
- test
- fault
- vector
- individual
- population
- 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
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
-
- 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
- G01R31/317—Testing of digital circuits
- G01R31/3172—Optimisation aspects, e.g. using functional pin as test pin, pin multiplexing
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圆模型的SAR ADC电路测试优化方法,首先确定SAR ADC电路可使用的测试信号频率数量、开关数量和潜在的故障元件数量,将测试选择向量作为遗传种群中的个体,测试选择向量中包含测试信号频率编码和测试向量,在个体进化过程中,获取每个测试选择向量下每个故障元件的圆模型,将圆模型圆心之间距离的最小值作为测试选择向量的个体适应度值,同时维护一个适应度矩阵用于存储优秀个体,在最终的适应度矩阵中选择最优测试选择向量,然后根据最优测试选择向量的模糊组选择其他测试选择向量,进而确定每次测试的测试信号频率和测试向量。本发明结合故障元件的圆模型和遗传算法,实现了测试参数优选,从而提高故障诊断准确率。
Description
技术领域
本发明属于数模混合电路故障诊断技术领域,更为具体地讲,涉及一种基于圆模型的SAR ADC电路测试优化方法。
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。
SAR ADC(Successive Approximation Register Analog to DigitalConverter,连接接近式寄存器模数转换器)是一种中等至高等分辨率应用的常用模数转换结构,其使用一系列阶段将模拟电压转换成数字比特,其中每个阶段将一个模拟电压和一个参考电压进行比较,以产生一个数字比特。
SAR ADC电路是一种典型的数模混合电路,其中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的输入信号,根据对应的输出来进行故障检测。在数模混合电路测试中,测试参数(包括测试信号频率和测试向量)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,提供一种基于圆模型的SAR ADC电路测试优化方法,结合故障元件的圆模型和遗传算法,实现了测试参数优选,从而提高故障诊断准确率。
为了实现上述发明目的,本发明基于圆模型的SAR ADC电路测试优化方法包括以下步骤:
S1:根据实际需要确定SAR ADC电路可使用的测试信号频率数量F,然后获取SARADC电路中开关数量N和潜在的故障元件数量C;
S2:随机初始化D个个体构成遗传算法的初始种群,每个个体为测试选择向量Xd=[xd,1,xd,2,…,xd,M,x′d,1,x′d,2,…,x′d,N],其中d=1,2,…,D,[xd,1,xd,2,…,xd,M]表示测试信号频率的二进制编码,2M≥F,[x′d,1,x′d,2,…,x′d,N]表示测试向量,其中x′d,n=1时表示开关n处于闭合状态,x′d,n=0时表示开关n处于断开状态;
S3:初始化迭代次数t=1;
S4:对于每个测试选择向量Xd,仿真获取每个故障元件在该测试选择向量下的圆模型Od,c,具体方法为:
S4.1:根据测试选择向量Xd=[xd,1,xd,2,…,xd,M,x′d,1,x′d,2,…,x′d,N]确定被选中的测试信号频率,然后向SAR ADC电路输入该频率的测试信号,记测试信号电压为在测试向量[x′d,1,x′d,2,…,x′d,N]下对SAR ADC电路进行无故障仿真,得到预测测点t的无故障电压其中j为虚数单位,Uor、Uoj分别表示无故障电压的实部和虚部;
S4.2:在同样测试信号和测试向量下,将第c个故障元件的参数值设置为故障参数值pc1和pc2后分别对SAR ADC电路进行仿真,c=1,2,…,C,得到测点t的故障电压,分别记为计算得到第c个故障元件单独作用的输出电压其中分别表示电压的实部和虚部,分别表示电压的实部和虚部;
S5:对于测试选择向量Xd下所有故障元件的圆模型Od,c,两两计算两个圆模型圆心之间的距离c′=1,2,…,C且c′≠c,然后将距离的最小值作为测试选择向量Xd的个体适应度fitd;个体适应度越大,个体越优;如果测试选择向量Xd所包含的测试向量[x′d,1,x′d,2,…,x′d,N]为0向量,则将其对应的个体适应度fitd设置为0;
S6:对当前种群P进行个体进化,得到子代种群Q,然后按照步骤S5中的相同方法计算子代种群Q中各个测试选择向量的个体适应度值;
S7:当迭代次数t=1,则从种群Q的D个个体中选择G个个体适应度值最大的个体,将个体的测试向量选择向量和对应的个体适应度值存储至适应度矩阵中;
当迭代次数t>1,则将种群Q中的最优个体与当前适应度矩阵中的最差个体进行比较,如果种群Q中最优个体的个体适应度值更大,且适应度矩阵中不包含该个体,则采用种群Q中的最优个体及其个体适应度值替换当前适应度矩阵中的最差个体及其个体适应度值,否则不作任何操作;
S8:判断是否达到迭代停止条件,如果未达到,则进入步骤S9,否则进入步骤S10;
S9:将种群P和种群Q进行合并,然后从合并种群中优选出D个个体构成新种群P′;
S10:令迭代次数t=t+1,种群P=P′,返回步骤S4;
S11:对当前适应度矩阵中的G个个体进行故障元件模糊组分析,具体方法为:
S12:从最终的适应度矩阵中选择个体适应度最大的测试选择向量,从步骤S11的模糊组分析结果中来获取该测试选择向量对应的模糊组,当存在故障元件数量超过1个的模糊组时,从剩余的测试选择向量选择能够区别这些模糊组的测试选择向量;根据所选择的测试选择向量,确定每次测试的测试信号频率和测试向量。
本发明基于圆模型的SAR ADC电路测试优化方法,首先确定SAR ADC电路可使用的测试信号频率数量、开关数量和潜在的故障元件数量,将测试选择向量作为遗传种群中的个体,测试选择向量中包含测试信号频率编码和测试向量,在个体进化过程中,获取每个测试选择向量下每个故障元件的圆模型,将圆模型圆心之间距离的最小值作为测试选择向量的个体适应度值,同时维护一个适应度矩阵用于存储优秀个体,在最终的适应度矩阵中选择最优测试选择向量,然后根据最优测试选择向量的模糊组选择其他测试选择向量,进而确定每次测试的测试信号频率和测试向量。本发明结合故障元件的圆模型和遗传算法,实现了测试参数优选,从而提高故障诊断准确率。
附图说明
图1是本发明基于圆模型的SAR ADC电路测试优化方法的具体实施方式流程图;
图2是本发明中仿真获取圆模型的流程图;
图3是本实施例中4位SAR ADC电路的结构图;
图4是图3所示SAR ADC电路在测试选择向量为001111的电路图;
图5是本实施例中采用最优测试选择向量时的故障元件圆模型示意图;
图6是本实施例中采用对比测试选择向量时的故障元件圆模型示意图。
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。
实施例
图1是本发明基于圆模型的SAR ADC电路测试优化方法的具体实施方式流程图。如图1所示,本发明基于圆模型的SAR ADC电路测试优化方法的具体步骤包括:
S101:SAR ADC电路分析:
根据实际需要确定SAR ADC电路可使用的测试信号频率数量F,然后获取SAR ADC电路中开关数量N和潜在的故障元件数量C。
S102:初始化遗传算法种群:
随机初始化D个个体构成遗传算法的初始种群,每个个体为测试选择向量Xd=[xd,1,xd,2,…,xd,M,x′d,1,x′d,2,…,x′d,N],其中d=1,2,…,D,[xd,1,xd,2,…,xd,M]表示测试信号频率的M位二进制编码,2M≥F,[x′d,1,x′d,2,…,x′d,N]表示测试向量,其中x′d,n=1时表示开关n处于闭合状态,x′d,n=0时表示开关n处于断开状态,n=1,2,…,N。
S103:初始化迭代次数t=1。
S104:获取圆模型:
对于每个测试选择向量Xd,仿真获取每个故障元件在该测试选择向量下的圆模型Od,c。图2是本发明中仿真获取圆模型的流程图。如图2所示,本发明中仿真获取圆模型的具体步骤包括:
S201:无故障仿真:
根据测试选择向量Xd=[xd,1,xd,2,…,xd,M,x′d,1,x′d,2,…,x′d,N]确定被选中的测试信号频率,然后向SAR ADC电路输入该频率的测试信号,记测试信号电压为在测试向量[x′d,1,x′d,2,…,x′d,N]下对SAR ADC电路进行无故障仿真,得到预设测点t的无故障电压其中j为虚数单位,Uor、Uoj分别表示无故障电压的实部和虚部。
S202:故障仿真:
在同样测试信号和测试向量下,将第c个故障元件的参数值设置为故障参数值pc1和pc2后分别对SAR ADC电路进行仿真,c=1,2,…,C,得到测点t的故障电压,分别记为计算得到第c个故障元件单独作用的输出电压其中分别表示电压的实部和虚部,分别表示电压的实部和虚部。
故障参数值pc1和pc2是根据实际情况设置的,一般设置pc1<pc0,pc2>pc0,pc0表示代表第c个故障元件参数的标称值。为了便于步骤S202中的操作,可以将故障参数值pc1设置为第c个故障元件参数的最小值pc,min,故障参数值pc2设置为pc1第c个故障元件参数的最大值pc,max。
S203:计算圆模型参数:
故障元件圆模型的具体理论和推导过程可以参见专利文献“杨成林,田书林,刘震,等.一种模拟电路故障诊断方法:,CN104237770A[P].2014.”
S105:计算个体适应度:
因为每个故障元件的圆模型都会经过无故障点,因此两个圆的圆心越近,半径也会越相近,在容差影响下,容易出现故障无法区分的情况。因此可以比较每组测试向量下各个故障元件的圆模型之间的圆心距离,将最小的距离作为该测试选择向量的个体适应度指标。本发明中每个测试选择向量的个体适应度的计算方法如下:
对于测试选择向量Xd下所有故障元件的圆模型Od,c,两两计算两个圆模型圆心之间的距离c′=1,2,…,C且c′≠c,然后将距离的最小值作为测试选择向量Xd的个体适应度fitd。显然,本发明中个体适应度越大,个体越优。
在SAR ADC电路中,当所有开关均断开时,是无法获取任何故障特征的,所以如果测试选择向量Xd所包含的测试向量[x′d,1,x′d,2,…,x′d,N]为0向量,则将其对应的个体适应度fitd设置为0。这样就保证了即使出现了开关均断开的个体也不会被选中进入下一代。
S106:个体进化:
对当前种群P进行个体进化,得到子代种群Q。然后按照步骤S105中的相同方法计算子代种群Q中各个测试选择向量的个体适应度值。
遗传算法的个体进化包括选择、交叉和变异操作,本实施例中选择环节利用了轮盘赌的方法,这样可以在二进制串中尽量选择适应度大的个体但同时又不会直接淘汰适应度小的个体,增加了种群多样性,避免陷入局部最优。个体环节设计为选择相邻的两个个体,随机在二进制串中选择一位,然后交换两个个体在该位后的二进制串部分来产生新个体。变异操作的目的是使个体基因突变,防止陷入局部最优,从而发现全局最优解,对于二进制编码的个体,只需要根据变异概率将所选的个体的位按位取反,若原来位是0,则变为1;若原来位是1,则变为0;如此复制交叉变异后生成子代种群Q。但是由于本发明中个体为测试选择向量Xd=[xd,1,xd,2,…,xd,M,x′d,1,x′d,2,…,x′d,N],而测试信号频率每次只能选中一个,因此个体进化后,如果测度信号频率存在两个以上被选中(对应元素值为1),则需要随机将多余的测试信号频率的元素值重置为0。
S107:更新适应度矩阵:
当迭代次数t=1,则从种群Q的D个个体中选择G个个体适应度值最大的个体,G的值根据实际需要设置,将个体的测试向量选择向量和对应的个体适应度值存储至适应度矩阵中。
当迭代次数t>1,则将种群Q中的最优个体与当前适应度矩阵中的最差个体进行比较,如果种群Q中最优个体的个体适应度值更大,且适应度矩阵中不包含该个体,则采用种群Q中的最优个体及其个体适应度值替换当前适应度矩阵中的最差个体及其个体适应度值,否则不作任何操作。
本发明中通过适应度矩阵来记录种群进化中的优秀个体,便于后续选择。
S108:判断是否达到迭代停止条件,如果未达到,则进入步骤S109,否则进入步骤S111。迭代停止条件通常有两种,一种是个体适应度值收敛,一种是达到最大迭代次数,在实际应用中根据需要设置即可。
S109:个体优选:
将种群P和种群Q进行合并,然后从合并种群中优选出D个个体构成新种群P′。本实施例中个体优选采用二元锦标赛机制进行优选。
S110:令迭代次数t=t+1,种群P=P′,返回步骤S104。
S111:故障元件模糊组分析:
基于圆故障模型的单故障诊断因为存在交点以及元器件容差的影响,是有可能存在模糊组导致无法隔离潜在故障元件。因此需要对当前适应度矩阵中的G个个体进行故障元件模糊组分析,具体方法为:
S112:确定测试参数:
从最终的适应度矩阵中选择个体适应度最大的测试选择向量,从步骤S111的模糊组分析结果中来获取该测试选择向量对应的模糊组,当存在故障元件数量超过1个的模糊组时,从剩余的测试选择向量选择能够区别这些模糊组的测试选择向量。根据所选择的测试选择向量,确定每次测试的测试信号频率和测试向量。
由于每个测试选择向量存在模糊组,所以需要选择多于一个的最优测试向量,首先选择最优的是为了减小元器件容差的影响,而后续选择的两个或多个测试选择向量是为了当在交点处发生故障导致无法区分潜在故障元件时可以利用这些次优测试选择向量来实现故障检测。也就是说,在实际应用中,只有当测试到的故障特征参数在两个故障元件圆模型的交点附近时,才会出现诊断模糊的情况,因此可以先使用最优测试选择向量进行故障诊断,如果出现诊断模糊,再进一步采用其他测试选择向量来进行测试。
为了更好地说明本发明的技术效果,采用一个具体实例对本发明进行仿真验证。本实施例中仿真验证采用的SAR ADC电路为4位SAR ADC电路。图3是本实施例中4位SAR ADC电路的结构图。如图3所示,本实施例中的4位SAR ADC电路包含5个模拟开关和5个电容(潜在故障元件)。但是由于电容C5是一个调节电容,因此仿真时没有考虑模拟开关S5,将其固定接地。如果要将电容C5考虑在内,只需要将模拟开关S5考虑进去,即测试向量多增加一位即可。
本实施例中设置测试信号频率数量F=4,分别为500Hz、1000Hz、2000Hz和3000Hz,则测试信号频率编码的位数M=2。测试向量为4位,即4个模拟开关的状态。表1是本实施例中当测试信号频率为500Hz时测试选择向量列表。
测试选择向量序号 | S1 S2 S3 S4 | 测试选择向量 |
1 | 1 1 1 1 | 0 0 1 1 1 1 |
2 | 1 1 1 0 | 0 0 1 1 1 0 |
3 | 1 1 0 1 | 0 0 1 1 0 1 |
4 | 1 1 0 0 | 0 0 1 1 0 0 |
5 | 1 0 1 1 | 0 0 1 0 1 1 |
6 | 1 0 1 0 | 0 0 1 0 1 0 |
7 | 1 0 0 1 | 0 0 1 0 0 1 |
8 | 1 0 0 0 | 0 0 1 0 0 0 |
9 | 0 1 1 1 | 0 0 0 1 1 1 |
10 | 0 1 1 0 | 0 0 0 1 1 0 |
11 | 0 1 0 1 | 0 0 0 1 0 1 |
12 | 0 1 0 0 | 0 0 0 1 0 0 |
13 | 0 0 1 1 | 0 0 0 0 1 1 |
14 | 0 0 1 0 | 0 0 0 0 1 0 |
15 | 0 0 0 1 | 0 0 0 0 0 1 |
16 | 0 0 0 0 | 0 0 0 0 0 0 |
表1
如表1所示,4位的SAR ADC有4个模拟开关S1、S2、S3、S4,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SAR ADC在每个测试信号频率下都可以生成16条测试选择向量。图3所示即为SAR ADC电路在测试选择向量为000000的电路图。图4是图3所示SAR ADC电路在测试选择向量为001111的电路图。
在4个测试信号频率下,本实施例中测试选择向量的总数为4×24=64,遗传算法中每个个体的长度为6,种群大小D=20,最大迭代次数为100次,适应度矩阵中保存的个体数量G=5。采用本发明进行测试优选。表2是本实施例中最终得到的适应度矩阵。
表2
表3是表2中5个个体的模糊组表。
表3
如表2和表3所示,首先选择个体适应度值最大的测试选择向量此时存在4个模糊组,分别是C1C2、C1C4、C2C3、C3C4。那么在实际应用中,可以先采用测试选择向量进行故障诊断,当出现诊断模糊的情况时,可以根据需要进一步选择其他测试选择向量,例如当出现模糊组C1C4诊断模糊时,可以采用测试选择向量当出现模糊组C3C4诊断模糊时,可以采用测试选择向量以进一步提高故障诊断准确度。
为了测试本发明所得到的测试选择向量集的故障检测性能,对SAR ADC电路的单故障进行仿真,然后采用本发明所得到的测试选择向量集进行故障检测,并统计故障检测准确率。在单故障仿真时,每次令一个故障元件在参数值故障范围内随机取值,其余故障元件在参数值容差内随机取值。在故障检测时采用故障元件的圆模型作为判断依据,即比较故障输出电压和各个故障元件圆模型圆心的距离,选择到圆心距离与圆半径最相似的圆模型,则该圆代表的故障元件即为最终检测结果。图5是本实施例中采用最优测试选择向量时的故障元件圆模型示意图。表4是本实施例中采用最优测试选择向量的故障检测结果统计表。
故障组 | C1 | C2 | C3 | C4 |
C1 | 100 | 0 | 0 | 0 |
C2 | 0 | 100 | 0 | 0 |
C3 | 0 | 0 | 98 | 4 |
C4 | 0 | 0 | 2 | 96 |
诊断正确率 | 100% | 100% | 98% | 96% |
表4
为进行对比,采用任意一个测试选择向量110001作为对比测试选择向量,即输入激励为3000Hz,开关S4闭合,其余断开。图6是本实施例中采用对比测试选择向量时的故障元件圆模型示意图。表5是本实施例中采用对比测试选择向量的故障检测结果统计表。
故障组 | C1 | C2 | C3 | C4 |
C1 | 56 | 31 | 0 | 0 |
C2 | 44 | 58 | 40 | 0 |
C3 | 0 | 11 | 60 | 4 |
C4 | 0 | 0 | 0 | 96 |
诊断正确率 | 56% | 58% | 60% | 96% |
表5
对比表4和表5可知,本发明所得到的最优测试选择向量的故障诊断正确率可以有效提高故障检测准确率。
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 (2)
1.一种基于圆模型的SAR ADC电路测试优化方法,其特征在于,包括以下步骤:
S1:根据实际需要确定SAR ADC电路可使用的测试信号频率数量F,然后获取SAR ADC电路中开关数量N和潜在的故障元件数量C;
S2:随机初始化D个个体构成遗传算法的初始种群,每个个体为测试选择向量Xd=[xd,1,xd,2,…,xd,M,x′d,1,x′d,2,…,x′d,N],其中d=1,2,…,D,[xd,1,xd,2,…,xd,M]表示测试信号频率的二进制编码,2M≥F,[x′d,1,x′d,2,…,x′d,N]表示测试向量,其中x′d,n=1时表示开关n处于闭合状态,x′d,n=0时表示开关n处于断开状态;
S3:初始化迭代次数t=1;
S4:对于每个测试选择向量Xd,仿真获取每个故障元件在该测试选择向量下的圆模型Od,c,具体方法为:
S4.1:根据测试选择向量Xd=[xd,1,xd,2,…,xd,M,x′d,1,x′d,2,…,x′d,N]确定被选中的测试信号频率,然后向SAR ADC电路输入该频率的测试信号,记测试信号电压为在测试向量[x′d,1,x′d,2,…,x′d,N]下对SAR ADC电路进行无故障仿真,得到预测测点t的无故障电压其中j为虚数单位,Uor、Uoj分别表示无故障电压的实部和虚部;
S4.2:在同样测试信号和测试向量下,将第c个故障元件的参数值设置为故障参数值pc1和pc2后分别对SAR ADC电路进行仿真,c=1,2,…,C,得到测点t的故障电压,分别记为计算得到第c个故障元件单独作用的输出电压其中分别表示电压的实部和虚部,分别表示电压的实部和虚部;
S5:对于测试选择向量Xd下所有故障元件的圆模型Od,c,两两计算两个圆模型圆心之间的距离c′=1,2,…,C且c′≠c,然后将距离的最小值作为测试选择向量Xd的个体适应度fitd;个体适应度越大,个体越优;如果测试选择向量Xd所包含的测试向量[x′d,1,x′d,2,…,x′d,N]为0向量,则将其对应的个体适应度fitd设置为0;
S6:对当前种群P进行个体进化,得到子代种群Q,然后按照步骤S5中的相同方法计算子代种群Q中各个测试选择向量的个体适应度值;
S7:当迭代次数t=1,则从种群Q的D个个体中选择G个个体适应度值最大的个体,将个体的测试向量选择向量和对应的个体适应度值存储至适应度矩阵中;
当迭代次数t>1,则将种群Q中的最优个体与当前适应度矩阵中的最差个体进行比较,如果种群Q中最优个体的个体适应度值更大,且适应度矩阵中不包含该个体,则采用种群Q中的最优个体及其个体适应度值替换当前适应度矩阵中的最差个体及其个体适应度值,否则不作任何操作;
S8:判断是否达到迭代停止条件,如果未达到,则进入步骤S9,否则进入步骤S10;
S9:将种群P和种群Q进行合并,然后从合并种群中优选出D个个体构成新种群P′;
S10:令迭代次数t=t+1,种群P=P′,返回步骤S4;
S11:对当前适应度矩阵中的G个个体进行故障元件模糊组分析,具体方法为:
S12:从最终的适应度矩阵中选择个体适应度最大的测试选择向量,从步骤S11的模糊组分析结果中来获取该测试选择向量对应的模糊组,当存在故障元件数量超过1个的模糊组时,从剩余的测试选择向量选择能够区别这些模糊组的测试选择向量;根据所选择的测试选择向量,确定每次测试的测试信号频率和测试向量。
2.根据权利要求1所述的SAR ADC电路测试优化方法,其特征在于,所述步骤S2.2中故障参数值pc1设置为第c个故障元件参数的最小值pc,min,故障参数值pc2设置为pc1第c个故障元件参数的最大值pc,max。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111572129.6A CN114236365B (zh) | 2021-12-21 | 2021-12-21 | 基于圆模型的sar adc电路测试优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111572129.6A CN114236365B (zh) | 2021-12-21 | 2021-12-21 | 基于圆模型的sar adc电路测试优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114236365A true CN114236365A (zh) | 2022-03-25 |
CN114236365B CN114236365B (zh) | 2022-09-02 |
Family
ID=80760484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111572129.6A Active CN114236365B (zh) | 2021-12-21 | 2021-12-21 | 基于圆模型的sar adc电路测试优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114236365B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000045700A1 (en) * | 1999-02-03 | 2000-08-10 | The Trustees Of Columbia University In The City Of New York | Methods and systems for localizing reentrant circuits from electrogram features |
WO2008125998A1 (en) * | 2007-04-12 | 2008-10-23 | Nxp B.V. | Analog circuit testing and test pattern generation |
CN104198922A (zh) * | 2014-08-15 | 2014-12-10 | 电子科技大学 | 一种模拟电路早期故障诊断中的频率选择方法 |
CN110308384A (zh) * | 2019-07-11 | 2019-10-08 | 电子科技大学 | 基于圆模型和神经网络的模拟电路故障诊断方法 |
CN110470979A (zh) * | 2019-08-15 | 2019-11-19 | 电子科技大学 | 基于故障特征区域的模拟电路故障诊断方法 |
CN111260063A (zh) * | 2020-01-10 | 2020-06-09 | 电子科技大学 | 基于遗传算法的模拟电路故障定位与参数辨识方法 |
-
2021
- 2021-12-21 CN CN202111572129.6A patent/CN114236365B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000045700A1 (en) * | 1999-02-03 | 2000-08-10 | The Trustees Of Columbia University In The City Of New York | Methods and systems for localizing reentrant circuits from electrogram features |
WO2008125998A1 (en) * | 2007-04-12 | 2008-10-23 | Nxp B.V. | Analog circuit testing and test pattern generation |
CN104198922A (zh) * | 2014-08-15 | 2014-12-10 | 电子科技大学 | 一种模拟电路早期故障诊断中的频率选择方法 |
CN110308384A (zh) * | 2019-07-11 | 2019-10-08 | 电子科技大学 | 基于圆模型和神经网络的模拟电路故障诊断方法 |
CN110470979A (zh) * | 2019-08-15 | 2019-11-19 | 电子科技大学 | 基于故障特征区域的模拟电路故障诊断方法 |
CN111260063A (zh) * | 2020-01-10 | 2020-06-09 | 电子科技大学 | 基于遗传算法的模拟电路故障定位与参数辨识方法 |
Non-Patent Citations (3)
Title |
---|
HU HONGZHI: "Fault Diagnosis of Analog Circuits Based on Phasor Circle Model", 《IEEE》 * |
SHULIN TIAN: "Circle Equation-Based Fault Modeling Method for Linear Analog Circuits", 《IEEE》 * |
高媛: "基于复模型的模拟电路故障诊断", 《电子科技大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114236365B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11544917B2 (en) | Power electronic circuit fault diagnosis method based on optimizing deep belief network | |
CN108304623B (zh) | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 | |
CN113255546B (zh) | 一种用于飞机系统传感器故障的诊断方法 | |
US11137322B2 (en) | Diagnosing method of engine condition and diagnostic modeling method thereof | |
Oliinyk et al. | The decision tree construction based on a stochastic search for the neuro-fuzzy network synthesis | |
CN111294237B (zh) | 基于pmc模型的2-阶段网络故障诊断方法 | |
CN111260063A (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 | |
US20200057106A1 (en) | Identifying defect sensitive codes for testing devices with input or output code | |
CN112217668B (zh) | 基于比较模型的自适应网络故障诊断方法 | |
CN110673017B (zh) | 基于遗传算法的模拟电路故障元件参数辨识方法 | |
CN117472789B (zh) | 基于集成学习的软件缺陷预测模型构建方法和装置 | |
CN114236365B (zh) | 基于圆模型的sar adc电路测试优化方法 | |
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 | |
CN114355173B (zh) | 一种基于多输入残差网络的模拟滤波电路故障诊断方法 | |
CN116432359A (zh) | 基于元迁移学习的变拓扑网络潮流计算方法 | |
CN110927509A (zh) | 一种配电网的故障诊断方法 | |
CN110309586B (zh) | 基于ma-dbn的gis分解气体含量预测方法 | |
CN114781577A (zh) | 基于VMD-DCNN-SVM的Buck电路故障诊断方法 | |
CN115186722A (zh) | 接触器故障诊断模型构建方法、装置、介质及电子设备 | |
Roelke et al. | Analytical models for the performance of von Neumann multiplexing | |
Guerreiro et al. | Fault list compression for efficient analogue and mixed-signal production test preparation | |
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 | |
CN111026608A (zh) | 一种Oracle数据库性能诊断方法及其系统、设备、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 |