基于动态反馈神经网络建模的模拟电路测试节点选择方法技术

技术编号:7466190 阅读:229 留言:0更新日期:2012-06-29 00:27
本发明专利技术公开了一种基于动态反馈神经网络建模的模拟电路测试节点选择方法。该方法包括以下步骤:选择测试信号的频率;对待测电路输入测试信号,模拟各种典型的故障状态,在待测电路的待选测试节点上采集电路的正常样本和故障样本的电压值,构造故障字典表;根据故障模糊电压区间,分析模糊故障集合,并得到故障整数编码表;构造初始训练样本集,训练初始动态反馈神经网络,由动态反馈神经网络拟合测试节点与故障之间的非线性映射关系;根据网络的输出计算遗传算法的目标函数,利用遗传优化算法得到最优测试节点集合。本发明专利技术方法通过智能算法对故障字典进行分析,能够寻找出全局最优测试节点集合,从而提高后续诊断的准确性。

【技术实现步骤摘要】

本专利技术涉及一种模拟电路测试节点选择方法,尤其是一种。
技术介绍
随着电子设备规模的不断增大和集成程度的不断上升,模拟电子系统的测试和诊断要求越来越高,电路的可测性分析作为模拟电路故障诊断和识别的第一个重要步骤尤显重要,这是因为(1)待测电路中并不是每个测点都是可测的。( 有些可测节点是多余。好的测试节点提取的故障信息可区分性更强。因此,对于一个待测电路来说,好的测试节点集合能有效的提高电路的故障可测性,同时降低电路的测试时间。测试节点选择的目的是在故障均可隔离的前提下,测试节点集合中的测点数目最少。测试节点选择已经被证明是一种NP难的问题,只能通过穷举法才能找到最佳方案, 然而,穷举法的计算复杂度高和不符合实际需要,当故障模式和测点数超过40时,穷举法就不切实际了。目前测试节点方法有两种途径包含法和排除法,其中包含法是根据评估故障的隔离度是否增加了,将一个新的测试节点添加到待选择的测试节点集合中,而排除法是将非必须的测试节点排除到测点集合外,必须的测试节点是指如果删除该测点,会降低故障隔离度。而测试节点选择需要设计的步骤通常有两个方面测试节点的选择策略和测试节点的选择标准。其中最常见的测试节点的选择策略是整数编码字典法。而测试节点的选择标准则有多种,如最小信息熵值、最小故障信息度值、最小电路敏感度值等等。结合现有文献可知,常见的模拟电路测试节点的选择方法均以故障字典为基础的一种迭代选择方法,并以+/-0. 7V的电压值为标准构造模糊故障区间,然而,通过实际应用表明这种传统的模拟电路测试节点选择方法具有以下不足(1)由于每种电路和每类故障模式都是独立的,以+/-0. 7V的电压值为统一标准模糊故障区间的划分并不合理。( 迭代选择方法中均要设置一个测试节点选择的准则,测试节点选择的准确性与准则设置的合理性非常相关,不同的准则得到的最优测试节点集合不同。
技术实现思路
本专利技术的目的是解决现有模拟电路测试节点迭代选择方法中存在的故障模糊区间设计不合理和对测试节点选择准则依赖度高的缺点,提出一种,该方法基于动态反馈神经网络非线性建模和遗传算法的全局最优的智能测试节点选择方法。具体而言,本专利技术采用以下技术方案解决上述技术问题一种,包括以下步骤步骤A、选择测试信号的频率;步骤B、对待测电路输入测试信号,模拟各种典型的故障状态,在待测电路的所有可测节点上采集电路的正常样本和故障样本的电压值,构造故障字典表,其中故障字典表中的行表示所有的待选测试节点,列表示每类故障的节点电压值;步骤C、根据故障模糊电压区间,分析模糊故障集合,并得到故障整数编码表,其中故障整数编码表中的行表示所有的测试节点,列表示每类故障对应的整数编码;步骤D、构造初始训练样本集,训练初始动态反馈神经网络,由动态反馈神经网络拟合测试节点与故障之间的非线性映射关系;步骤E、根据动态反馈神经网络的输出计算,利用遗传优化算法选取最优测试节点集合,其中遗传优化算法的目标函数如下margoutput{faultk ))k=\上式中output (faultk)表示动态反馈神经网络中输出层的第k个神经元的输出值,m是输出层神经元的个数。优选地,步骤C中的故障整数编码表具体按照以下方法得到步骤Cl、考虑待测电路中元件的容差,采用蒙特卡罗分析方法得到每类故障模式的多组节点电压值样本,并用统计方法得到每类故障样本的均值和均方差,因此每类故障模式的模糊区间为;步骤C2、分析所有故障模式的模糊区间,进行故障诊断编码,如果故障的模糊区间与其它故障模糊区间完全不相交,则该故障为完全被隔离,将此类故障赋予整数标识“0”; 如果故障的模糊区间与其它故障模糊区间相交,则为模糊类故障,模糊区间相互交叉的故障不能被正确诊断,将模糊故障均赋予整数标识“ 1 ”。优选地,所述步骤D具体包括步骤D1、将待选测试节点由0、1数值表示,其中0表示该测试节点没有被选择,1 表示该测试节点被选择,结合故障整数编码信息,按照以下方法构造初始训练样本集假设有η个测试节点,m种故障模式,由故障整数编码表可知,每个测试节点对应一个故障模式整数编码向量,首先将测试节点数值化,得到η个测试节点向量分别是, , ... ;将这些向量作为动态反馈神经网络的输入数据,则动态反馈神经网络的输入层神经元个数是η,每个测试节点对应的故障模式整数编码向量作为神经网络的输出值,则动态反馈神经网络的输出层神经元个数是!!!;如果是第d个测点被选择,则输入向量中第d个数为1,其它为零;神经网络的输出表示选择测点集合下相应的输出故障模式整数编码向量,如果是多个测点被选择,则神经网络的输出按以下公式计算得到if faultjfcode! = 1) = faultj(node2 = 1)=…=faultj(noder = 1) = 0, faultj = 0else fault」=1上式中假设有r个测试节点被选择;在故障字典整数编码表中,如果第j个故障模式的整数编码均为0,则r个测点同时被选择后,新的故障整数编码为0,否则为1 ;步骤D2、根据初始训练样本集对反馈神经网络进行训练,具体包括步骤D2-1、凭经验设定反馈神经网络结构和各层参数;步骤D2-2、将初始训练样本集输入反馈神经网络得到反馈神经神经网络的初始参数;步骤D2-3、对训练样本加以微扰,构造多组新的样本,将多组新样本数据输入神经网络进行训练,并计算根据期望输出dt和实际输出yt之间产生的误差;用下式计算产生的误差error 1merror =-ytf2t=\其中,m是输出层神经元的个数;步骤D2-4、分析反馈单元对隐层神经元加权后对网络输出的影响,利用梯度下降算法反复修正网络结构中各项参数值,实现网络参数的动态自校正。优选地,步骤A中所述选择测试信号的频率,是根据类内类间距离选择最优频率, 具体按照以下方法步骤Al、获取待测电路的幅频响应曲线;步骤A2、选择幅频响应曲线上的拐点及其附近的频率,作为待选频率集合;步骤A3、将待选频率集合分别加载到待测电路上,设置多种典型的故障模式,在电路输出节点处采集故障状态下的电压值作为故障信息,并由多层小波变换提取故障信息的细节系数的能量熵值作为故障特征;步骤A4、计算所有待选频率下所有故障类的类内类间距离,选择类内类间距离最大的频率作为最优测试频率。优选地,所述步骤E具体包括步骤E1、将所有可选的测试节点按顺序排列,通过二进制编码表示种群,假设有η 个待测节点,则种群的范围设置为“00. . . 01” “11. . . 11”,其中“0”表示其相应位置的测试节点没有被选择,而“ 1”表示其相应位置的测试节点被选择;初始化算法参数并设置最大迭代次数;步骤Ε2、将代表测试节点集合的种群输入动态反馈神经网络模型进行训练得到网络的输出值,网络的输出值代表测点集合对应输出的故障模式整数编码向量的融合信息;步骤Ε3、根据网络的输出值计算遗传算法的目标函数值,其中目标函数值的计算公式如下所示marg Max(/w-^ outputQfaultk))k=l式中output (faultk)表示动态反馈神经网络中输出层的第k个神经元的输出值;步骤E4、判断算法是否满足最大的循环迭代次数,如果是,则最大目标函数值对应的种群个体值为最佳的测试节点本文档来自技高网
...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员:罗慧王友仁林华姜媛媛崔江
申请(专利权)人:南京航空航天大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1
相关领域技术