新闻中心

EEPW首页 > 测试测量 > 设计应用 > 基于灵敏度分析和GA的模拟电路故障诊断

基于灵敏度分析和GA的模拟电路故障诊断

作者:竺琼时间:2014-03-27来源:电子产品世界收藏

  当今电子设备的迅猛发展对电子设备的故障检测提出了更高的要求。为了准确定位故障元件,提出了通过灵敏度估算故障元件偏差值来寻求电路故障元件。电路网络C中共有m个元件,w个节点,其中有n个可测节点电压V1、V2……Vn。其中独立电源及参考地都在网络C中,假设端口i处有一故障元件xi。当元件发生故障时,xi转化为xi+Δxi。k处输出电压由Vk转化为Vk+ΔVk [1]。当有容差且多个故障元件时,根据节点电压灵敏度定义可得

本文引用地址:http://www.eepw.com.cn/article/235429.htm

 

断方程。

  1 诊断方程的转化

  当电路中器件参数值发生小的偏移,单软故障发生的概率较大[2]。Q1、Q2 ……Qm为各元件参数偏移百分数,引入自变量方程

 

  引入罚因子M,将有约束的线性规划问题转化为无约束条件的极值求解问题[3-4]。

 

  式中为PSpice内定义的相对灵敏度,为故障元件i的偏移百分数,为电压输出点k处估算的变化量。

  2 遗传算法求解实例分析

  采用遗传算法求解F的极小值。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,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

  搜索最适合的遗传算子,进一步提高诊断概率。同电路设置故障元件R1偏移-15%,电阻容差为±5%。在初始种群生成时,设定每个个体为单软故障的参数。生成的Chrom为各个元件参数偏移百分数,则元件参数变为R(1+x%)。R表示元件标称值,x为随机产生的偏移百分数,单位为%。但经过交叉变异等操作之后的新的种群即可能完全随机变化,可为多软故障。当运行到终止代数或满足阈值条件即终止算法。阈值设置为相邻两代的E


的差值小于精度L,且连续三次都小于精度L,则认为达到了最优点。

  实验可得变异率较大的其种群均值分布差异较大。而变异概率减小时,种群均值变化较小,其值容易陷入局部最优解。本文将交叉算子与变异算子在一定范围内以一定的步长变化,筛选出结果较好的取值,然后统计各个算子出现的概率来判别算子的最优取值范围[5],同时,设置遗传代数逐步增加。实验结果得出变异率在0.01~0.02之间,交叉率在0.7~0.95之间所占输出比例最大。表2为设置变异率为0.01,交叉率为0.85,遗传代数为100时设置故障及诊断概率。

  由于故障的模糊性,小率较低,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fitmin,适应度平均值fitave这三个变量来控制Pc、Pm的值。其中fitmin与fitmax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,fitave与fitmax越接近,种群个体越集中[8]。

 

  为之后的新一代使用的交叉概率。经过变换之后无法保证其值在0~1之间。同理,也无法满足区间要求。实验证明,在算法运行过程中、值的变化超出了[0,1],会导致算法无法运行。

  在以上算法的思想基础上,本文提出一种改进的自适应遗传算法。显然,的变化范围必然在(0,1]区间内。、值随变化而变化,但需确保其值控制在(0.1)区间。本文提出如下公式

  

  其中a,b,c,d为一个较小系数,根据所需控制的、 的范围来进行相应的修改。它符合遗传算法对、的变化要求。当时种群越分散,此时、的变化缓慢,时,种群越集中,、急剧增加来提升获得新个体的速率。

  根据之前求出的诊断率较高的范围,本文选择将的范围控制在[0.75,0.9]区间、在[0.01,0.1]区间,故有

 

值随变化的图像分别如图3所示。

  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PSO算法诊断单软故障方法[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



评论


相关推荐

技术专区

关闭