[发明专利]基于遗传算法的模拟电路故障元件参数辨识方法

说明书

本发明公开了一种基于遗传算法的模拟电路故障元件参数辨识方法，首先分析得到模拟电路在不同测点处的传输函数，测量得到模拟电路在预设激励信号下这些测点处的输出电压，将元件参数值向量作为遗传算法中的个体，在对交叉、变异后的个体进行优选时，先按照故障类型对种群个体进行分组，选择每个故障类型的最优个体加入下一代种群，再从剩余个体中优选个体加入下一代种群，将最后一代种群中最优个体的参数值作为元件参数辨识结果。本发明通过遗传算法实现对模拟电路单故障和双故障的故障元件参数辨识。

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，涉及一种基于遗传算法的模拟电路故障元件参数辨识。

背景技术

随着电路的高集成化，芯片的面积在不断的减小，而芯片上集成的模拟元件数量不断增多，芯片中模拟部分的诊断费用居高不下。其原因在于集成电路的飞速发展，而其相应的模拟电路故障诊断技术却停滞不前。随着机器学习、人工智能的发展，基于机器学习和人工智能的模拟电路故障诊断理论方法如雨后春笋般涌现。例如：基于神经网络、SVM等结合小波变换的模拟电路故障诊断方法、测点优选等，需要提取大量的故障特征对神经网络、支持向量机等进行训练。如何在容差情况下提取有效的故障特征是这类方法要解决的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于遗传算法的模拟电路故障元件参数辨识方法，通过遗传算法实现对模拟电路单故障和双故障的故障元件参数辨识。

为实现上述发明目的，本发明基于遗传算法的模拟电路故障元件参数辨识方法包括以下步骤：

S1：获取模拟电路在D个测点t_d处的传输函数，d＝1,2,…,D；

S2：对模拟电路中进行经测点t进行故障诊断的模糊组分析，为每个模糊组选择一个代表性故障元件，记代表性故障元件的数量为N，记其他非代表性故障元件的数量为M；

S3：设置无故障表示模拟电路中所有故障元件均不发生故障，单故障表示模拟电路发生故障时仅有一个代表性故障元件发生故障，双故障表示模拟电路发生故障时有两个代表性故障元件同时发生故障，记故障类型数量

S4：当需要进行模拟电路故障参数辨识时，在预设的激励信号下测量得到D个测点t_d处的输出电压分别表示输出电压的实部和虚部，j为虚数单位；

S5：以X＝{x₁,…,x_N,x′₁，…,x′_M}作为遗传算法中的个体，其中x_n表示第n个代表性故障元件的参数值，n＝1,2,…,N，x′_m表示第m个非代表性故障元件的参数值，m＝1,2,…,M；对每个故障类型分别生成1个初始分种群p_k，k＝1,2,…,K，在分种群p_k中的每个个体中，将第k个故障类型对应的代表性故障元件的参数值x_n在该代表性故障元件的故障范围内取值，其他故障元件的参数值在容差范围内取值；然后将K个分种群p_k合并，构成种群P，记种群P中个体数量为G；

S6：判断是否达到遗传算法的迭代结束条件，如果是，进入步骤S11，否则进入步骤S7；

S7：对种群P进行交叉和变异操作，得到子种群Q；在进行交叉和变异操作时，需要保证子种群Q中每个个体中至多两个代表性故障元件的参数值位于该代表性故障元件的故障范围，其他故障元件的参数值位于其容差范围；

S8：将种群P和种群Q进行合并，构成种群S，即S＝P∪Q；