[发明专利]基于锯齿波和遗传算法的模拟电路测点优选方法

摘要

本发明公开了一种基于锯齿波和遗传算法的模拟电路测点优选方法，对模拟电路的每个元件模糊组代表元件进行多次故障模拟，在模拟时以锯齿波作为模拟电路输入，得到不同频率下各个测点对应的故障电压，从而得到模拟电路数据；初始化遗传算法中的个体，对每个个体进行处理，然后根据个体对应的测点选择方案从模拟电路数据中筛选出对应测点的特征向量，对预设的分类器进行交叉验证，将得到的分类准确率作为个体的适应度值，然后生成下一代种群继续进行处理，直到达到迭代结束条件，从当前种群中适应度最大的个体作为最优个体，其对应的测点选择方案即为测点优选方案。本发明可在基于多频进行模拟电路故障诊断时有效实现测点优选，提高故障诊断的精度。

主权项

1.一种基于锯齿波和遗传算法的模拟电路测点优选方法，其特征在于，包括以下步骤：S1：首先获取模拟电路中的元件模糊组数据，从每个模糊组中选择一个元件作为代表元件pm，m＝1,2,…,M，M表示模糊组数量，记模拟电路中的每个测点为tn，n＝1,2,…,N，N表示测点数量；采用仿真软件对模拟电路进行仿真，依次选择第m个代表元件作为故障元件进行R次故障模拟，其元件参数在其故障范围(即元件参数容差范围以外)内取值，其余代表元件参数在容差范围内随机取值；对每次故障模拟进行蒙特卡洛仿真，记仿真次数为D，每次仿真时将锯齿波作为模拟电路的输入，得到每个测点t_n的输出，分别对输入锯齿波信号和N个测点的输出信号进行采样，然后对输入采样信号和N个测点的输出采样信号分别作傅里叶变换，得到预设的K个频率下的输入正弦波信号与N个测点输出正弦波信号，然后分别计算每个频率下输入正弦波信号与N个测点输出正弦波信号的相位差和幅值比中k＝1,2,…,K，r＝1,2,…,R，d＝1,2,…,D，计算得到各个频率下各个测点对应的故障电压将K个频率下故障电压的实部和虚部构成特征向量其中S2：记遗传算法中个体为X＝[x11,…,xN1,x12,…,xN2,…,x1K,…,xNK]，其中元素xnk＝0,1，当xnk＝1表示第n个测点在第k个频率下被选中，当xnk＝0表示第n个测点在第k个频率下未被选中；采用随机赋值的方式初始化遗传算法种群中的每个个体；S3：预先设置一个频率作为代表频率，记代表频率的序号为k^*，对于每个个体，判断是否代表频率所对应的元素和T表示预设的优选测点数量，如果是，则令个体X＝[x₁₁,…,x_N1,x₁₂,…,x_N2,…,x_1K,…,x_NK]中元素x_nk＝x_nk*，否则令该个体中所有元素均为0；S4：对于种群中的每个个体，如果其元素不全为0，记其对应的测点选择方案中所选取的测点序号为q＝1,2,…,Q，Q表示个体所对应的测点选择方案中的测点数量，从步骤S1得到的模拟电路特征数据中筛选出所选Q个测点的特征向量，将每个代表元件在同一次仿真中由Q个测点得到的特征向量组合得到组合向量令其分类标签为代表元件对应的序号m；将每个代表元件的组合向量作为输入，对应分类标签作为期望输出，对预设的分类器进行交叉验证，将得到的分类准确率作为个体的适应度值；如果某个个体的元素全为0，将其适应度设置为预设值λ，λ的具体取值可以根据需要设置；S5：判断是否达到迭代结束条件，如果是，进入步骤S6，否则进入步骤S7；S6：将当前种群中适应度最大的个体作为最优个体，其对应的测点选择方案即为测点优选方案；S7：对当前种群中的个体进行选择、交叉、变异，生成下一代种群，返回步骤S3。