基于模糊免疫算法的电路故障诊断研究

2018-09-20王荣海

电子测试 2018年17期

王荣海

(绵阳职业技术学院，四川绵阳，621000)

1 电路测试生成、特征获取与故障诊断方法机理概述

1.1 电路测试生成

电路故障诊断功能性测试主要针对被测试系统生成的测试向量，从而检验功能测试标准的准确性。功能性测试把整个系统看作黑盒，并仅关注其输入与输出而无需了解其内部工作机制，依据输出端口响应判别功能指标和系统存在的障碍点。功能性测试不适合超级规模混成的电路系统，所产生的测试数据往往超过装备的接收能力。

1.2 电路故障诊断特征获取方法

电路尤其是大规模集成电路中的故障数据多为非线性并带有很强的噪声干扰。常用的特征获取[1]方法将现有的特征向量与障碍数据相对应，并将现有数据特征往高维域映射，并在高维域中选取最具重要的障碍数据，去除无用数据点。

1.2.1 主成分方法下的特征获取策略

主成分方法是一类有效的多维信息获取方法，即把几个相关参量转换为无关联并各自独立的主成分参量，并利用线性组合保存初始数据。主成分方法可利用降维方法削减特征维数，再根据线性关联算法完成数据转换，从而实现简约数据各自独立的目标，削减障碍分类操作量，提升障碍识别几率。

1.2.2 独立特征获取方法

独立特征获取方法即把数据和噪声分离，数据和噪声往往在频率上存在交叉。而独立特征获取方法假定初始数据为线性混合的，并利用混合数据的线性组合复原初始源数据，并完成缩放。

1.3 故障诊断机理概述

1.3.1 故障诊断模型

理想的故障诊断模型主要指能够精准获取复杂电路故障特征数据的模型。常见的测试模型包含SSL[2]与Stuckat故障诊断模型，此类模型往往包含大多数电路物理中的问题。工业级别往往利用SSL度量测试生成的效率，而SSL并不能保障覆盖全部的功能障碍模型，从而对工业领域产生影响。这点也是本文的研究重点。

1.3.2 功能级数据

伴随电路故障诊断行业的发展，电路研究工作人员利用程序语言对电路系统的功能级别完成描述，从而直接获得所需求的电路模型。该设计方案能够最大限度地提升电路设计人员的工作效率，并构建准确的故障诊断模型，从而带动电路测试生成行业的发展。

1.3.3 测试集合最小化

完备的测试集合主要指检测所包括的全部测试数据，但采用的测试方法获取的数据集合常不能完全覆盖所有的故障，而是无限接近于100%。为简约测试进程，应不断简约测试数据集，以满足最小数据实现最优的障碍覆盖率。

2 模糊免疫方法机理

2.1 免疫方法机理概述

2.1.1 免疫方法仿生原理

免疫系统[3]作为人体内部功能最为复杂的部分，该系统存在很好的多样性，记忆性，分布性，学习性与自适应性。而从数据处理的角度来说，存在数据的分布化存储、连接与辨识的处理能力，并为科研工作者提供深层的数据处理模型。

2.1.2 免疫方法类别

免疫方法可基本划分为两种，其一为在初次应答阶段完成学习，即免疫模型在首次完成新抗原的辨识时，由于免疫模型首次辨识新的抗原。其二为免疫模型自身存在免疫记忆，若生命体和抗原反复相遇，则系统能够提升应答速率。

2.1.3 免疫方法应答机制

免疫方法应答主要利用抗体学习抗原而实现的，当病原体入侵免疫体系时，首先实现克隆选择，并选取亲和力较高的抗体完成进化。细胞克隆能够让亲和力较高的抗体依据亲和力结果完成克隆并复制。

2.2 模糊免疫方法机理

2.2.1 模糊免疫方法机理概述

模糊免疫方法指把模糊数学推理过程带入到上文所述的人工免疫方法后优化而得。整个过程属于随机搜索寻优的方法，利用抗体群，细胞克隆与演变，亲和力突变，免疫方法获取，成员搜索与抗体群模糊推理过程，保证算法在局部最优点达到收敛。

2.2.2 模糊免疫方法常规步骤和优势

模糊免疫方法是在仿生学的基础上拓展而来的。模糊免疫方法可分为三步：1.生成多样性；2.构建自体耐受环节；3.形成记忆非自构建体。模糊免疫方法作为群体搜索策略，更重视各个单体中的数据转换。此外，免疫方法可同时搜索多个点，获取参数编码组，搜索进程中采用的目标函数为提前设计的自适应函数。

3 模糊免疫算法的电路故障诊断和实验研究3.1 故障诊断中的电路分析

通常情况下，对模拟电路完成故障诊断时，需要设置一组能够反应电路状态的特征参量，并利用电压和电流等参数进行推算。若电路出现故障时，电路中各个节点的电压和电流参量往往发生改变，而电路中各个参数能满足正态分布。因而，若集成电路受到容差影响并产生故障，其故障特征参量往往位于以无容差参数为核心的空间域内。若对整个电路完成灵敏度解析，则需要科学设定测算节点，并将电压变化结果形成特征参量，从而保障故障参量在空间域中的分布。

3.2 电路模糊免疫方法故障诊断的matlab实现流程

采用matlab软件对电路故障诊断的模糊免疫方法编码主要分为六个步骤。即1.设定抗体数目，编码长度，抗体数目，测试样本与进化数目完成编码；2.随机获取初始抗体群组；3.测算抗体群组中各个抗体间的亲和程度；4.在抗体群组中得到最具亲和力的抗体，并完成克隆；5.判断迭代是否终止的标准，并利用亲和力程度高的抗体用作分类装置，测试各个样本的模糊隶属程度。

3.3 模糊免疫算法的电路故障诊断模型构建

采用蒙特卡罗算法对整个电路中涉及到的各个参量完成仿真，并由此生成10组样本，综合各类故障样本得到50个初始抗原群体，完成模糊免疫算法系统的训练与分类学习。通过模糊免疫算法的训练与学习获取故障相应的最优抗体，并结合五个故障特征向量搭建测试样本，结合直流激励完成电路仿真。

3.4 模糊免疫算法的电路故障诊断实验研究

为验证本文模糊免疫算法的实际故障诊断能力，本文采用仿真实验进行分析。如图1给出的电路模型，测算节点为K1,K2,K3,K4,K5,K6,K7，将各个电阻标称量设定为10K，容差区间在5%内。在开断路间设定五类故障，故障T1为R1短路；T2为R3断路；T3为R5断路；T4为R6断路，R11短路；T5为R5短路，R8短路。