基于多目标优化的模拟电路测点和频率联合优选方法技术

本发明专利技术公开了一种基于多目标优化的模拟电路测点和频率联合优选方法，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，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；初始化多目标遗传优化算法中的个体，然后根据个体对应的选择方案从模拟电路数据中筛选出对应特征向量，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，采用精英策略生成新的种群并进行非支配排序，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，将当前得到的非支配个体集合作为优选方案集合，其中每个个体对应一个选择方案。本发明专利技术可在保证故障诊断精度的同时降低故障诊断的工作量。

Joint optimization method for measuring points and frequencies of analog circuits based on multi-objective optimization

The invention discloses a joint optimization method for measuring points and frequencies of analog circuits based on multi-objective optimization, which simulates the faults of each fuzzy group representative component of analog circuits several times, obtains the fault voltages corresponding to each measuring point at different frequencies, and thus obtains the analog circuit data; initializes multi-objective genetic optimization calculation; Then, the corresponding feature vectors are selected from the analog circuit data according to the individual selection scheme, and the preset classifier is cross-validated. The classification accuracy is taken as the fitness value of the individual, and the elite strategy is used to generate new populations and non-dominated sorting, and then the next generation of species is generated. The Group continues to process until the end condition of iteration is reached, and the current set of non-dominated individuals is taken as a set of preferred alternatives, in which each individual corresponds to a selection scheme. The invention can reduce the workload of fault diagnosis while ensuring the accuracy of fault diagnosis.

【技术实现步骤摘要】
基于多目标优化的模拟电路测点和频率联合优选方法
本专利技术属于模拟电路故障诊断
，更为具体地讲，涉及一种基于多目标优化的模拟电路测点和频率联合优选方法。
技术介绍
目前，在模拟电路故障诊断领域，基于频率分析的可测性方法已被用来选择适当的测试频率提高故障诊断效率，但并非所有的测试点和频率都是有用的，需要提出适当的选择方法。另一方面，由于模拟电路元件存在容差，增加了故障诊断的模糊性，而大部分的模拟电路故障诊断方法都没有考虑容差影响的情况。在专利“电子科技大学.基于锯齿波的模拟电路故障诊断方法:中国,CN107576904A.20180112.”中，公开了一种基于锯齿波的滤波电路故障诊断方法，以锯齿波信号作为模拟电路故障诊断的输入信号，对输入信号和输出信号分别作傅里叶变换展开成多个频率下的正弦波，可同时获得多个频率下的传输特征，实现多频诊断，从而增加了一个故障下的特征维度，提高分类精度。然而研究发现，由于模拟电路在不同频率下均存在模糊组，且改变频率不能得到改善，需要改变测点位置或增加测点数才能解决这类问题，而基于锯齿波的模拟电路故障诊断方法只能采用增加频率的方法来提高分类精度，并不能改善模糊组问题。此外，随着模拟电路的集成度越来越高，对外的可用测点越来越少，进一步增加了模拟电路故障诊断的难度。基于锯齿波的模拟电路故障诊断方法虽然通过增加特征维度能一定程度提高故障分类精度，但实际模拟电路中可用的测点不多，且获取全部测点下的频率特征需要很大的成本，而部分测点和频率信息对故障诊断精度的提升没有多大的意义，因此需要提出适当的选择方法，对模拟电路的测点和频率进行优选，有效的利用资源，确保达到某故障分类精度标准的条件下使得测点和频率个数最少。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于多目标优化的模拟电路测点和频率联合优选方法，在基于多频进行模拟电路故障诊断时有效实现测点和频率优选，在保证故障诊断精度的同时降低故障诊断的工作量。为实现上述专利技术目的，本专利技术基于多目标优化的模拟电路测点和频率联合优选方法包括以下步骤：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tn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其中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每个频率下测点故障电压的实部和虚部构成该频率下测点的特征向量其中S2：记遗传算法中个体为X＝[x11,…,x1K,x21,…,x2K,…,xN1,…,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；设置多目标遗传优化算法中种群大小Q以及初始种群中所有个体的N×K×Q个元素中值为1的概率γ，据此初始化种群中的每个个体，其中Q根据实际需要设置，γ根据测点和频率联合优选时预设的适应度阈值来设置；S3：对于每个个体，记其对应的选择方案中所选取的测点序号为nw，w＝1,2,…,W，W表示个体所对应的选择方案中的测点数量，记测点nw所选取的频率序号为v＝1,2,…,Vw，Vw表示选择方案中测点nw所对应的频率数量，然后从步骤S1得到的模拟电路特征数据中筛选出所选W个测点在各自对应的Vw个频率下的特征向量，将每个代表元件在同一次仿真中由W个测点得到的V个频率下的特征向量组合得到组合向量gm：令组合向量gm的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；S4：从当前的种群中筛选出适应度值大于预设阈值的个体集合作为父代种群A，对其进行遗传操作生成子代种群B；S5：将父代种群A和子代种群B进行合并得到种群C，计算种群C中每个个体所对应选择方案中测点数量和频率数量，测点数量和频率数量越小，个体越优；根据测点数量和频率数量对种群C中所有个体进行非支配排序，将最优个体放在第一层，依次进行分层存放，记所得到的层数为H，第h层个体集合记为Fh；S6：判断迭代次数是否达到预设的最大迭代次数，如果是，进入步骤S7，否则进入步骤S8；S7：将当前非支配排序所得到的个体集合F1作为优选方案集合，其中每个个体对应一个选择方案；S8：根据种群C生成下一代种群，其具体步骤如下：S8.1：判断种群C中个体数量|C|是否等于Q，如果是，则将种群C作为下一代种群，否则进一步判断种群C中个体数量|C|是否小于Q，如果是则进入步骤S8.2，如果不是则进入步骤S8.3；S8.2：从个体集合F1中复制Q-|C|个个体，与种群C合并作为下一代种群；S8.3：按照非支配排序结果的分层序号从小到大将个体集合Fh依次添加至种群E中，每次放入后即判断当前种群E中个体数量|E|是否小于Q，如果是则继续添加，否则进一步判断当前种群E中个体数量是否等于Q，如果是则将当前种群E作为下一代种群，否则从最后一次添加至种群E中的个体集合中删除|E|-Q个个体，即删除多余个体，将得到的种群E作为下一代种群。本专利技术基于多目标优化的模拟电路测点和频率联合优选方法，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，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；初始化多目标遗传优化算法中的个体，然后根据个体对应的选择方案从模拟电路数据中筛选出对应特征向量，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，采用精英策略生成新的种群并进行非支配排序，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，将当前得到的非支配个体集合作为优选方案集合，其中每个个体对应一个选择方案。本专利技术可在基于多频进行模拟电路故障诊断时有效实现测点和频率的联合优选，在保证故障诊断精度的同时降低故障诊断的工作量。附图说明图1是本专利技术基于多目标优化的模拟电路测点和频率联合优选方法的具体实施方式流程图；图2是本实施例中跳藕滤波电路拓扑图。具体实施方式下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本专利技术的主要内容时，这些描述在这里将被忽略。实施例为了更好地说明本专利技术的技术方案，首先对本专利技术涉及的技术进行简要说明。锯齿波是一种常用波形，在专利“电子科技大学.基于锯齿波的模拟电路故障诊断方法:中国,CN107576904A.20180112.”中所公开的基于锯本文档来自技高网...

【技术保护点】
1.一种基于多目标优化的模拟电路测点和频率联合优选方法，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tn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

【技术特征摘要】
1.一种基于多目标优化的模拟电路测点和频率联合优选方法，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tn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其中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每个频率下测点故障电压的实部和虚部构成该频率下该测点的特征向量其中S2：记遗传算法中个体为X＝[x11,…,x1K,x21,…,x2K,…,xN1,…,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；设置多目标遗传优化算法中种群大小Q以及初始种群中所有个体的N×K×Q个元素中值为1的概率γ，据此初始化种群中的每个个体，其中Q根据实际需要设置，γ根据测点和频率联合优选时预设的适应度阈值来设置；S3：对于每个个体，记其对应的选择方案中所选取的测点序号为nw，w＝1,2,…,W，W表示个体所对应的选择方案中的测点数量，记测点nw所选取的频率序号为v＝1,2,…,Vw，Vw表示选择方案中测点nw所对应的频率数量，然后从步骤S101得到的模拟电路特征数据中筛选出所选W个测点在各自对应的Vw个频率下的特征向量，将每个代表元件在同一次仿真中由W个测点得到的...

【专利技术属性】
技术研发人员：杨成林，赖丹，周秀云，刘震，胡聪，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51