基于靈敏度分析和GA的模擬電路故障診斷

摘要：為了實現模擬電路故障的檢測，提出了將靈敏度分析與遺傳算法結合的算法。該算法利用靈敏度分析估算元件參數偏移量求解故障元件，并用遺傳算法尋求最優解。提出改進的自適應遺傳算法，實驗結果表明該方法對容差模擬電路的多軟故障診斷具有較好的診斷率。本文網絡版地址：http：//www.eepw.com.cn/article/235429.htm

關鍵字：模擬電路；故障診斷；靈敏度分析； 遺傳算法；

DOI： 10.3969/j.issn.1005-5517.2014.3.015

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。

測試數據通過在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。將其中一組數據作為測試數據輸入程序中。實驗中設置故障R1=0.5。各個元件參數的偏移百分數作為算法搜索的種群，以F為目標函數。設置連續多代算法群體均值偏差小于某個較小值L或者遺傳代數達到設置值，算法即終止。

隨機產生種群初始值，用同一個測試樣本重復進行10次模擬電路故障診斷，數據結果輸出如圖2，左邊是運行十次算法中，隨機產生的初始種群里最優個體元件參數偏移值的分布圖。右邊是算法收斂后停止時的最優個體元件參數偏移值的分布圖。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偏移值。其中有一次沒有收斂，因滿足遺傳代數而終止搜索。圖中X坐標為R1-R5元件，Y坐標為各元件參數偏移百分比，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據，每組數據輸入并進行一次遺傳算法搜索。求其20個測試數據下的診斷率。Mut為較小的數，M為很大的正數，診斷率可達94%以上。某次參數設置后用20次MC分析的結果作為測試數據進行診斷。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

由于故障的模糊性，小故障診斷率較低，增加遺傳代數提高了收斂率，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據，該數據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。同時在對每個個體計算Pc、Pm的值會降低算法執行的效率。

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ftmin，適應度平均值ftave這三個變量來控制Pc、Pm的值。其中ftmin與ftmax越接近，越容易陷入局部最優，fitave與fitmax反映了群體內部適應度的分布情況，ftave與ftmax越接近，種群個體越集中[8]。

使用 avemax，minmaxffa ffb>>（0.5

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，遺傳代數增加為5000代。其余設置不變，發現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，將參數偏差最大，偏差次數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，診斷速度非常快。對于故障元件參數偏差超過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P S O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劃[J].電子產品世界，2013（2）：28～29