论文部分内容阅读
摘要：为了实现模拟电路故障的检测，提出了将灵敏度分析与遗传算法结合的算法。该算法利用灵敏度分析估算元件参数偏移量求解故障元件，并用遗传算法寻求最优解。提出改进的自适应遗传算法，实验结果表明该方法对容差模拟电路的多软故障诊断具有较好的诊断率。本文网络版地址：http：//www.eepw.com.cn/article/235429.htm
关键字：模拟电路；故障诊断；灵敏度分析； 遗传算法；
DOI： 10.3969/j.issn.1005-5517.2014.3.015
2 遗传算法求解实例分析
采用遗传算法求解F的极小值。故障诊断电路采用与文献[3]、[4]中相同的直流电路。
测试数据通过在PSpice中将标称电路修改为容差下的故障电路进行MC仿真获得。将其中一组数据作为测试数据输入程序中。实验中设置故障R1=0.5。各个元件参数的偏移百分数作为算法搜索的种群，以F为目标函数。设置连续多代算法群体均值偏差小于某个较小值L或者遗传代数达到设置值，算法即终止。
随机产生种群初始值，用同一个测试样本重复进行10次模拟电路故障诊断，数据结果输出如图2，左边是运行十次算法中，随机产生的初始种群里最优个体元件参数偏移值的分布图。右边是算法收敛后停止时的最优个体元件参数偏移值的分布图。从图中可以看出十次算法运行过程中有九次算法收敛，检测到故障。并较为准确的给出了各元件参数偏移值。其中有一次没有收敛，因满足遗传代数而终止搜索。图中X坐标为R1-R5元件，Y坐标为各元件参数偏移百分比，单位为%。
将容差故障电路进行20次蒙特卡洛分析，输出的一次分析中三个测试点电压值为一组测试数据，每组数据输入并进行一次遗传算法搜索。求其20个测试数据下的诊断率。Mut为较小的数，M为很大的正数，诊断率可达94%以上。某次参数设置后用20次MC分析的结果作为测试数据进行诊断。本文的结果1与文献[3]、[4]的方法的诊断结果2、结果3进行对比，得出表1。
3 遗传算法的改进
由于故障的模糊性，小故障诊断率较低，增加遗传代数提高了收敛率，但并没有很好的提高诊断概率。以下为检测R3时，算法收敛时得到的一组数据，该数据并没有检测出正确的故障，Q1：6.4529，Q2：-5.5277， Q3 ：-0.0268，Q4：3.2115，Q5 ：-1.9950。其中R1、R2同时为故障元件时的输出与设置的故障R3=0.8 等效，所以在具有模糊性的故障诊断中，诊断率相对较低[6]。
4 动态自适应遗传算法，提高诊断概率
M. Srinivas提出的自适应遗传算法是当群体适应度比较集中时，适当增大Pc、Pm的值，而当群体适应度较为分散时，适当减小Pc、Pm的值，对编码当中每一位都根据Pc、Pm来选择是否进行交叉和变异操作[7]。但是该算法以个体为单位来考虑，缺乏整体的考虑。算法易陷入局部最优。同时在对每个个体计算Pc、Pm的值会降低算法执行的效率。
文献[8]中韩瑞锋提出的算法是利用群体最大适应度fitmax，最小适应度ftmin，适应度平均值ftave这三个变量来控制Pc、Pm的值。其中ftmin与ftmax越接近，越容易陷入局部最优，fitave与fitmax反映了群体内部适应度的分布情况，ftave与ftmax越接近，种群个体越集中[8]。
使用 avemax，minmaxffa ffb>>（0.5 将改进的自适应遗传算法应用于之前故障诊断率较低的R1、R3小故障诊断中，遗传代数增加为5000代。其余设置不变，发现算法诊断率大大增加。在实际检测中，可采用上述改进算法诊断，将算法运行多次，将参数偏差最大，偏差次数最多的元件定位为故障元件，即可准确的定位故障元件。
将改进后的自适应算法应用于非线性直流电路的软故障诊断，电路如图4所示。该电路共有10个电阻R1～R10，10个电压测试点vout1～10。
5 结论
改进后的自适应遗传算法适用于直、交流线性电路，直流非线性电路，实验结果证明大大提高了故障诊断概率。与其他算法相比，该算法不仅适用于单软故障，同时也适用于多软故障的检测，且大电路检测中仅需测得测试点电压值，输入程序中即可得出结果，诊断速度非常快。对于故障元件参数偏差超过20%的多软故障，该算法诊断概率较高。故障元件参数偏差在10%～20%时，由于本身元器件容差设定在±10%，其模糊性导致故诊断概率较低。故针对于偏移量较小的多软故障方面的检测率还有待提高。
参考文献：
[1]李焱骏.以电压灵敏度向量为故障特征的模拟电路软故障诊断方法研究[D].电子科技大学，2009
[ 2 ]周龙甫，师奕兵，李焱骏.容差条件下P S O算法诊断模拟电路单软故障方法[ J ] .计算机辅助设计与图形学学报，2009，21（9）：1270～1274
[3]Wang P，Yang S Y.A new diagnosis approach for handling tolerance in analog and mixed signal circuits by using fuzzy math[J].IEEE Transactions on Circuits and System—I：Regular Papers，2005，52（10）：2118～2127
[4]Gao Y，Xu C，Li J.Linear programming relax—PSO hybrid bound algorithm for a class of nonlinear integer programming problems[C].Guangzhou：Proceedings of International Conference on Computational Intelligence and Security，2006：380～383
[5]Whitley D，et al.Genitor II：A distributed genetic algorithm[J].J Expt. Ther. Intell，1990，2： 189～214
[6]吴喜华，谢利理，葛茂艳.基于GA-LMBP算法的模拟电路故障诊断方法[J].现代电子技术， 2010（4）：177～179
[7]Srinivas M，Patnaik L M.Adaptive probabilities of crossover and mutation in genetic algorithms[J].IEEETrans On System， Man and Cybernetics， 1994， 24（4）： 656-667
[8]韩瑞锋.遗传算法原理与应用实例[M].北京：兵器工业出版社，2010：60～66
[9]刘洲洲.基于遗传算法的足球机器人路径规划[J].电子产品世界，2013（2）：28～29
关键字：模拟电路；故障诊断；灵敏度分析； 遗传算法；
DOI： 10.3969/j.issn.1005-5517.2014.3.015
2 遗传算法求解实例分析
采用遗传算法求解F的极小值。故障诊断电路采用与文献[3]、[4]中相同的直流电路。
测试数据通过在PSpice中将标称电路修改为容差下的故障电路进行MC仿真获得。将其中一组数据作为测试数据输入程序中。实验中设置故障R1=0.5。各个元件参数的偏移百分数作为算法搜索的种群，以F为目标函数。设置连续多代算法群体均值偏差小于某个较小值L或者遗传代数达到设置值，算法即终止。
随机产生种群初始值，用同一个测试样本重复进行10次模拟电路故障诊断，数据结果输出如图2，左边是运行十次算法中，随机产生的初始种群里最优个体元件参数偏移值的分布图。右边是算法收敛后停止时的最优个体元件参数偏移值的分布图。从图中可以看出十次算法运行过程中有九次算法收敛，检测到故障。并较为准确的给出了各元件参数偏移值。其中有一次没有收敛，因满足遗传代数而终止搜索。图中X坐标为R1-R5元件，Y坐标为各元件参数偏移百分比，单位为%。
将容差故障电路进行20次蒙特卡洛分析，输出的一次分析中三个测试点电压值为一组测试数据，每组数据输入并进行一次遗传算法搜索。求其20个测试数据下的诊断率。Mut为较小的数，M为很大的正数，诊断率可达94%以上。某次参数设置后用20次MC分析的结果作为测试数据进行诊断。本文的结果1与文献[3]、[4]的方法的诊断结果2、结果3进行对比，得出表1。
3 遗传算法的改进
由于故障的模糊性，小故障诊断率较低，增加遗传代数提高了收敛率，但并没有很好的提高诊断概率。以下为检测R3时，算法收敛时得到的一组数据，该数据并没有检测出正确的故障，Q1：6.4529，Q2：-5.5277， Q3 ：-0.0268，Q4：3.2115，Q5 ：-1.9950。其中R1、R2同时为故障元件时的输出与设置的故障R3=0.8 等效，所以在具有模糊性的故障诊断中，诊断率相对较低[6]。
4 动态自适应遗传算法，提高诊断概率
M. Srinivas提出的自适应遗传算法是当群体适应度比较集中时，适当增大Pc、Pm的值，而当群体适应度较为分散时，适当减小Pc、Pm的值，对编码当中每一位都根据Pc、Pm来选择是否进行交叉和变异操作[7]。但是该算法以个体为单位来考虑，缺乏整体的考虑。算法易陷入局部最优。同时在对每个个体计算Pc、Pm的值会降低算法执行的效率。
文献[8]中韩瑞锋提出的算法是利用群体最大适应度fitmax，最小适应度ftmin，适应度平均值ftave这三个变量来控制Pc、Pm的值。其中ftmin与ftmax越接近，越容易陷入局部最优，fitave与fitmax反映了群体内部适应度的分布情况，ftave与ftmax越接近，种群个体越集中[8]。
使用 avemax，minmaxffa ffb>>（0.5
将改进后的自适应算法应用于非线性直流电路的软故障诊断，电路如图4所示。该电路共有10个电阻R1～R10，10个电压测试点vout1～10。
5 结论
改进后的自适应遗传算法适用于直、交流线性电路，直流非线性电路，实验结果证明大大提高了故障诊断概率。与其他算法相比，该算法不仅适用于单软故障，同时也适用于多软故障的检测，且大电路检测中仅需测得测试点电压值，输入程序中即可得出结果，诊断速度非常快。对于故障元件参数偏差超过20%的多软故障，该算法诊断概率较高。故障元件参数偏差在10%～20%时，由于本身元器件容差设定在±10%，其模糊性导致故诊断概率较低。故针对于偏移量较小的多软故障方面的检测率还有待提高。
参考文献：
[1]李焱骏.以电压灵敏度向量为故障特征的模拟电路软故障诊断方法研究[D].电子科技大学，2009
[ 2 ]周龙甫，师奕兵，李焱骏.容差条件下P S O算法诊断模拟电路单软故障方法[ J ] .计算机辅助设计与图形学学报，2009，21（9）：1270～1274
[3]Wang P，Yang S Y.A new diagnosis approach for handling tolerance in analog and mixed signal circuits by using fuzzy math[J].IEEE Transactions on Circuits and System—I：Regular Papers，2005，52（10）：2118～2127
[4]Gao Y，Xu C，Li J.Linear programming relax—PSO hybrid bound algorithm for a class of nonlinear integer programming problems[C].Guangzhou：Proceedings of International Conference on Computational Intelligence and Security，2006：380～383
[5]Whitley D，et al.Genitor II：A distributed genetic algorithm[J].J Expt. Ther. Intell，1990，2： 189～214
[6]吴喜华，谢利理，葛茂艳.基于GA-LMBP算法的模拟电路故障诊断方法[J].现代电子技术， 2010（4）：177～179
[7]Srinivas M，Patnaik L M.Adaptive probabilities of crossover and mutation in genetic algorithms[J].IEEETrans On System， Man and Cybernetics， 1994， 24（4）： 656-667
[8]韩瑞锋.遗传算法原理与应用实例[M].北京：兵器工业出版社，2010：60～66
[9]刘洲洲.基于遗传算法的足球机器人路径规划[J].电子产品世界，2013（2）：28～29