[发明专利]一种电子电路测试与故障诊断参数识别优化方法

说明书

技术领域

本发明涉及一种电子电路测试与故障诊断参数识别优化方法。

背景技术

模拟电子电路测试与故障诊断近三十年的研究，一直是基于传统的VonNeumann串行数字计算机，虽然取得了不少的成果，但一直没有富有成效的可付诸广泛使用的诊断理论和方法。随着微电子技术的发展，尤其是模数混合集成电路和超大规模模拟集成电路的发展，特别是芯片系统(SOC)的发展对模拟电子电路测试和诊断提出了急迫的需求，现代工业也往往要求诊断在实时完成。模拟电子电路的诊断优化方法中，最小绝对值范数估计法是比较灵敏和有效的，但在线计算量大，难以满足现代工业实时性要求，因此减少最小绝对值范数估计法的在线计算量是急需解决的问题。

人工神经网络是在现代生物学研究人脑组织所取得成果基础上提出的，它是由大量简单的处理单元相互联接构成的工程计算模型，部分的模拟了人脑的结构和功能。其中连续反馈数据网络以其大规模并行分布处理、连续时间动力学行为等特点而在实时计算方面显现特别的优势。在实时应用方面，虽则模拟电子神经网络的规模与问题的规模相关，但网络的收敛时间与问题的规模无关。随着VLSI等技术的发展，模拟电子神经网络将成为解决实时问题的一条有效途径。

发明内容

为了解决现有模拟电子电路的故障诊断优化方法在线计算量大，不能满足现代工业实时性要求的技术问题，本发明提供一种电子电路测试与故障诊断参数识别优化方法，本发明可快速求得电子元件的参数以判断该元件是否失效以及电路的好坏。

本发明解决上述的技术问题的技术方案包括以下步骤：

测试单个电源激励下电子电路各可及节点电压；

将测量的节点电压与正常情况下节点电压进行比较计算节点电压差值；

将电子元件参数变化量用等效电源表示，建立电路特征方程；

应用最优化理论结合电路特征方程建立最小绝对值范数约束优化问题；

利用普通罚函数方法融合精确罚函数方法将最小绝对值范数约束优化问题转化为无约束优化问题进行求解，神经网络的解就是用等效电流源或电压源表示的电子元件参数变化量，根据电子元件参数容差确定元件是否发生故障。

一种电子电路测试与故障诊断参数识别优化方法，包括以下步骤：

测试单个电源激励下电子电路各可及节点电压；

将测量的节点电压与正常情况下节点电压进行比较计算节点电压差值；

将电子元件参数变化量用等效电源表示，建立电路特征方程；

应用最优化理论结合电路特征方程建立最小绝对值范数约束优化问题；

利用Lagrange乘子法将最小绝对值范数约束优化问题转化为无约束优化问题进行求解，神经网络的解就是用等效电流源或电压源表示的电子元件参数变化量，根据电子元件参数容差确定元件是否发生故障。

本发明的技术效果在于：本发明避免了普通罚函数法中为求得最优解罚参数K_i需为无穷大导致Hesse矩阵病态从而影响惩罚的效率甚至导致计算失败以及较大的罚参数模拟电子电路实现困难等缺点；本发明避免了精确罚函数法中由于使用了非光滑的罚函数在模拟电子神经网络中可能引起寄生振荡和较慢的收敛速度等缺点，可快速求得电子元件的参数，并借以判断该元件是否失效以及电路的好坏。本发明采用Lagrange乘子λ_i做为优化过程中自适应控制参数，对于使E最小的e^*存在一个相应的λ^*，因而神经网络的收敛速度较快，可快速求得电子元件的参数，并借以判断该元件是否失效以及电路的好坏。

下面结合附图及具体实施例对本发明作进一步的说明。

附图说明

图1为本发明的计算等效电源的基于罚函数法的跨导神经网络。

图2为本发明的计算等效电源的基于Lagrange法的跨导神经网络。

图3为本发明的跨导符号函数变换器。

图4为本发明应用示例电路。

具体实施方式

本发明将待测电子电路所有元件参数增量用等效电源替代，在可测试节点用单个电流源对电路激励，测试获得可测节点电压对可测节点电流激励间的阻抗矩阵Z_m^m(m×m维矩阵)，可测节点电压对等效电源的混合矩阵H^m(m×n维矩阵)，依据阻抗矩阵Z_m^m和混合矩阵H^m建立有关节点电压增量与等效电源变量间关系的电路特征(矩阵)方程：