基于靈敏度分析和GA的模擬電路故障診斷

　　當今電子設備的迅猛發(fā)展對電子設備的故障檢測提出了更高的要求。為了準確定位故障元件，提出了通過靈敏度估算故障元件偏差值來尋求電路故障元件。電路網(wǎng)絡C中共有m個元件，w個節(jié)點，其中有n個可測節(jié)點電壓V1、V2……Vn。其中獨立電源及參考地都在網(wǎng)絡C中，假設端口i處有一故障元件xi。當元件發(fā)生故障時，xi轉化為xi+Δxi。k處輸出電壓由Vk轉化為Vk+ΔVk [1]。當有容差且多個故障元件時，根據(jù)節(jié)點電壓靈敏度定義可得

斷方程。

　　1 診斷方程的轉化

　　當電路中器件參數(shù)值發(fā)生小的偏移，單軟故障發(fā)生的概率較大[2]。Q1、Q2 ……Qm為各元件參數(shù)偏移百分數(shù)，引入自變量方程

　　引入罰因子M，將有約束的線性規(guī)劃問題轉化為無約束條件的極值求解問題[3-4]。

　　式中為PSpice內(nèi)定義的相對靈敏度，為故障元件i的偏移百分數(shù)，為電壓輸出點k處估算的變化量。

　　2 遺傳算法求解實例分析

　　采用遺傳算法求解F的極小值。故障診斷電路采用與文獻[3]、[4]中相同的直流電路。

　　測試數(shù)據(jù)通過在PSpice中將標稱電路修改為容差下的故障電路進行MC仿真獲得。將其中一組數(shù)據(jù)作為測試數(shù)據(jù)輸入程序中。實驗中設置故障R1=0.5。各個元件參數(shù)的偏移百分數(shù)作為算法搜索的種群，以F為目標函數(shù)。設置連續(xù)多代算法群體均值偏差小于某個較小值L或者遺傳代數(shù)達到設置值，算法即終止。

　　隨機產(chǎn)生種群初始值，用同一個測試樣本重復進行10次模擬電路故障診斷，數(shù)據(jù)結果輸出如圖2，左邊是運行十次算法中，隨機產(chǎn)生的初始種群里最優(yōu)個體元件參數(shù)偏移值的分布圖。右邊是算法收斂后停止時的最優(yōu)個體元件參數(shù)偏移值的分布圖。從圖中可以看出十次算法運行過程中有九次算法收斂，檢測到故障。并較為準確的給出了各元件參數(shù)偏移值。其中有一次沒有收斂，因滿足遺傳代數(shù)而終止搜索。圖中X坐標為R1-R5元件，Y坐標為各元件參數(shù)偏移百分比，單位為%。

　　將容差故障電路進行20次蒙特卡洛分析，輸出的一次分析中三個測試點電壓值為一組測試數(shù)據(jù)，每組數(shù)據(jù)輸入并進行一次遺傳算法搜索。求其20個測試數(shù)據(jù)下的診斷率。Mut為較小的數(shù)，M為很大的正數(shù)，診斷率可達94%以上。某次參數(shù)設置后用20次MC分析的結果作為測試數(shù)據(jù)進行診斷。本文的結果1與文獻[3]、[4]的方法的診斷結果2、結果3進行對比，得出表1。

　　3 遺傳算法的改進

　　搜索最適合的遺傳算子，進一步提高診斷概率。同電路設置故障元件R1偏移-15%，電阻容差為±5%。在初始種群生成時，設定每個個體為單軟故障的參數(shù)。生成的Chrom為各個元件參數(shù)偏移百分數(shù)，則元件參數(shù)變?yōu)镽(1+x%)。R表示元件標稱值，x為隨機產(chǎn)生的偏移百分數(shù)，單位為%。但經(jīng)過交叉變異等操作之后的新的種群即可能完全隨機變化，可為多軟故障。當運行到終止代數(shù)或滿足閾值條件即終止算法。閾值設置為相鄰兩代的E

的差值小于精度L，且連續(xù)三次都小于精度L，則認為達到了最優(yōu)點。

　　實驗可得變異率較大的其種群均值分布差異較大。而變異概率減小時，種群均值變化較小，其值容易陷入局部最優(yōu)解。本文將交叉算子與變異算子在一定范圍內(nèi)以一定的步長變化，篩選出結果較好的取值，然后統(tǒng)計各個算子出現(xiàn)的概率來判別算子的最優(yōu)取值范圍[5]，同時，設置遺傳代數(shù)逐步增加。實驗結果得出變異率在0.01~0.02之間，交叉率在0.7~0.95之間所占輸出比例最大。表2為設置變異率為0.01，交叉率為0.85，遺傳代數(shù)為100時設置故障及診斷概率。

　　由于故障的模糊性，小故障診斷率較低，增加遺傳代數(shù)提高了收斂率，但并沒有很好的提高診斷概率。以下為檢測R3時，算法收斂時得到的一組數(shù)據(jù)，該數(shù)據(jù)并沒有檢測出正確的故障，Q1：6.4529，Q2： -5.5277， Q3 ：-0.0268，Q4：3.2115，Q5 ：-1.9950。其中R1、R2同時為故障元件時的輸出與設置的故障R3=0.8 等效，所以在具有模糊性的故障診斷中，診斷率相對較低[6]。

　　4 動態(tài)自適應遺傳算法，提高診斷概率

　　M. Srinivas提出的自適應遺傳算法是當群體適應度比較集中時，適當增大Pc、Pm的值，而當群體適應度較為分散時，適當減小Pc、Pm的值，對編碼當中每一位都根據(jù)Pc、Pm來選擇是否進行交叉和變異操作[7]。但是該算法以個體為單位來考慮，缺乏整體的考慮。算法易陷入局部最優(yōu)。同時在對每個個體計算Pc、Pm的值會降低算法執(zhí)行的效率。

　　文獻[8]中韓瑞鋒提出的算法是利用群體最大適應度fitmax，最小適應度fitmin，適應度平均值fitave這三個變量來控制Pc、Pm的值。其中fitmin與fitmax越接近，越容易陷入局部最優(yōu)，fitave與fitmax反映了群體內(nèi)部適應度的分布情況，fitave與fitmax越接近，種群個體越集中[8]。

　　為之后的新一代使用的交叉概率。經(jīng)過變換之后無法保證其值在0~1之間。同理，也無法滿足區(qū)間要求。實驗證明，在算法運行過程中、值的變化超出了[0,1]，會導致算法無法運行。

　　在以上算法的思想基礎上，本文提出一種改進的自適應遺傳算法。顯然，的變化范圍必然在(0,1]區(qū)間內(nèi)。、值隨變化而變化，但需確保其值控制在(0.1)區(qū)間。本文提出如下公式

　　其中a,b,c,d為一個較小系數(shù)，根據(jù)所需控制的、 的范圍來進行相應的修改。它符合遺傳算法對、的變化要求。當時種群越分散，此時、的變化緩慢，時，種群越集中，、急劇增加來提升獲得新個體的速率。

　　根據(jù)之前求出的診斷率較高的范圍，本文選擇將的范圍控制在[0.75,0.9]區(qū)間、在[0.01,0.1]區(qū)間，故有

值隨變化的圖像分別如圖3所示。

　　將改進的自適應遺傳算法應用于之前故障診斷率較低的R1、R3小故障診斷中，遺傳代數(shù)增加為5000代。其余設置不變，發(fā)現(xiàn)算法診斷率大大增加。在實際檢測中，可采用上述改進算法診斷，將算法運行多次，將參數(shù)偏差最大，偏差次數(shù)最多的元件定位為故障元件，即可準確的定位故障元件。

　　將改進后的自適應算法應用于非線性直流電路的軟故障診斷，電路如圖4所示。該電路共有10個電阻R1~R10，10個電壓測試點vout1~10。

　　5 結論

　　改進后的自適應遺傳算法適用于直、交流線性電路，直流非線性電路，實驗結果證明大大提高了故障診斷概率。與其他算法相比，該算法不僅適用于單軟故障，同時也適用于多軟故障的檢測，且大電路檢測中僅需測得測試點電壓值，輸入程序中即可得出結果，診斷速度非?？?。對于故障元件參數(shù)偏差超過20%的多軟故障，該算法診斷概率較高。故障元件參數(shù)偏差在10%~20%時，由于本身元器件容差設定在±10%，其模糊性導致故診斷概率較低。故針對于偏移量較小的多軟故障方面的檢測率還有待提高。

　　參考文獻：

　　[1]李焱駿.以電壓靈敏度向量為故障特征的模擬電路軟故障診斷方法研究[D].電子科技大學,2009

　　[2]周龍甫,師奕兵,李焱駿.容差條件下PSO算法診斷模擬電路單軟故障方法[J].計算機輔助設計與圖形學學報,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]吳喜華,謝利理,葛茂艷.基于GA-LMBP算法的模擬電路故障診斷方法[J].現(xiàn)代電子技術, 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]韓瑞鋒.遺傳算法原理與應用實例[M].北京:兵器工業(yè)出版社,2010:60~66

　　[9]劉洲洲.基于遺傳算法的足球機器人路徑規(guī)劃[J].電子產(chǎn)品世界,2013(2):28~29