基于改进正余弦算法的模拟电路单故障诊断方法

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，涉及一种基于改进正余弦算法的模拟电路单故障诊断方法。

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，提供一种基于改进正余弦算法的模拟电路单故障诊断方法，对正余弦算法进行改进，以优化个体进化过程，从而提高故障诊断的准确率。

为了实现上述发明目的，本发明基于改进正余弦算法的模拟电路单故障诊断方法包括以下步骤：

S1：获取模拟电路在预设测点t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

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t处的故障电压相量

S3：以X＝{x

S4：初始化迭代次数g＝1；

S5：基于改进正余弦算法进行种群进化，具体步骤包括：

S5.1：分别计算种群P中每个个体的适应度值，计算方法为：根据传输函数分别计算个体在测点t处的输出电压相量，然后计算输出电压相量与故障电压相量

S5.2：从种群P的D个个体X

其中，c

S5.3：对于步骤S5.2生成的每个个体X′

其中，r

S5.4：计算步骤S5.3得到的每个个体X″

其中，

S5.5：对于步骤S5.4得到的每个个体

S6：将种群P和种群Q进行合并，构成种群S，即S＝P∪Q；

S7：分别计算种群S中每个个体的适应度值，根据适应度值从种群S中优选出适应度值较小的D个个体

S8：对步骤S7筛选出的D个个体

其中，r

其中，

S9：对于步骤S7得到的D个个体

S10：判断是否迭代次数g＜G

S11：令P＝P′，g＝g+1，返回步骤S5；

S12：从种群P′中筛选出适应度值最小的个体，该个体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。

本发明基于改进正余弦算法的模拟电路单故障诊断方法，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，初始化种群时每个代表性故障元件对应一个分种群，代表性故障元件参数值在对应分种群的个体中在故障范围内取值，其他故障元件在容差范围内取值，在个体进化过程中采用老师监督策略、正余弦算法、反思学习，生成子种群与父种群合并后，将每个个体根据传输函数计算得到的输出电压相量和故障电压相量之间的欧式距离作为适应度值，结合反向学习确定下一代种群，最后一代种群中最优个体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。

本发明利用改进的正余弦算法找出与故障响应最接近的模拟电路传输函数参数，进而准确确定故障源，通过对个体进化过程的改进提高故障诊断的准确率。

附图说明

图1是本发明基于改进正余弦算法的模拟电路单故障诊断方法的具体实施方式流程图；

图2是本发明中基于正余弦算法生成子种群的流程图；

图3是本实施例中二阶托马斯模拟滤波电路的电路图。

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＝[x

其中，

如果频率不变，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。当电路发生单故障，即某个故障元件c超过容差范围

其中，E表示误差，|| ||表示二范数，即为欧氏距离；

基于以上思路，提出本发明基于改进正余弦算法的模拟电路单故障诊断方法。图1是本发明基于改进正余弦算法的模拟电路单故障诊断方法的具体实施方式流程图。如图1所示，本发明基于改进正余弦算法的模拟电路单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t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

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t处的故障电压相量

S103：初始化种群：

以X＝{x

S104：初始化迭代次数g＝1。

S105：基于改进正余弦算法进行种群进化：

图2是本发明中基于改进正余弦算法进行种群进化的流程图。如图2所示，本发明中基于正余弦算法生成子种群的具体步骤包括：

S201：计算个体适应度值：

分别计算种群P中每个个体的适应度值，本发明中适应度值的计算方法为：根据传输函数分别计算个体在测点t处的输出电压相量，然后计算输出电压相量与故障电压相量

S202：基于老师监督策略进行个体进化：

从种群P的D个个体X

其中，c

本实施例中，考虑到在迭代前期，学员与老师之间的差距较大，这是由于学员对所学知识比较陌生，所以学员学习效率高，学到的知识多而快.经过一段学习时间后，学员掌握的知识越来越多，与老师的差距就变得越来越小，学习效率明显下降，学到的知识少且慢。因此设计一种非线性递减策略确定学习因子，以进行学习引导。学习因子TF的计算公式为：

其中，c

S203：基于正余弦算法对个体进行优化：

对于步骤S202生成的每个个体X′

其中，r

为了提高种群迭代效率，本实施例中参数r

S204：反思学习：

计算步骤S203得到的每个个体X″

其中，

其中，c为预设的常数，经实验发现其优选取值范围为[6,15]，r

S205：边界检查：

对于步骤S204得到的每个个体

S106：合并种群：

将种群P和种群Q进行合并，构成种群S，即S＝P∪Q，显然合并种群中个体数量为2D。

S107：个体优选：

分别计算种群S中每个个体的适应度值，根据适应度值从种群S中优选出适应度值较小的D个个体

S108：基于反向学习进行个体优化：

对步骤S107筛选出的D个个体

其中，r

其中，

本实施例中进化权重w从0到1非线性递增，其计算公式为：

w＝1/(1+exp(-a×(g/G

其中，a、b分别表示预设的权重控制参数，exp表示以自然常数e为底的指数函数。

S109：确定下一代种群P′。

对于步骤S107得到的D个个体

S110：判断是否迭代次数g＜G

S111：令P＝P′，g＝g+1，返回步骤S105。

S112：确定故障诊断结果：

从种群P′中筛选出适应度值最小的个体，该个体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V

根据符号分析法和传输函数可知，该电路的模糊组情况为：{R

随机设置一个故障，例如R

设置种群数目为D＝100，最大迭代次数G

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。

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95％以上，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。