CN101216530A - 一种电子电路测试与故障诊断参数识别优化方法 - Google Patents

Abstract

本发明公开了一种电子电路测试与诊断参数识别优化方法，包括以下步骤：首先对单个电源激励下测试电子电路节点电压，然后与正常情况下节点电压进行比较求得节点电压差值，将电子元件参数变化量用等效电源表示，建立电路特征方程；应用最优化理论结合电路特征方程建立参数识别方程；针对此参数识别方程，应用基于罚函数法或Lagrange乘子法的任一种跨导神经网络进行求解，神经网络的解就是用等效电流源或电压源表示的电子元件参数变化量，根据参数容差确定元件是否发生故障。本电子电路测试与诊断参数识别优化方法具有快速、定位准确率高的优点。

Description

一种电子电路测试与故障诊断参数识别优化方法

技术领域

本发明涉及一种电子电路测试与故障诊断参数识别优化方法。

背景技术

模拟电子电路测试与故障诊断近三十年的研究，一直是基于传统的VonNeumann串行数字计算机，虽然取得了不少的成果，但一直没有富有成效的可付诸广泛使用的诊断理论和方法。随着微电子技术的发展，尤其是模数混合集成电路和超大规模模拟集成电路的发展，特别是芯片***(SOC)的发展对模拟电子电路测试和诊断提出了急迫的需求，现代工业也往往要求诊断在实时完成。模拟电子电路的诊断优化方法中，最小绝对值范数估计法是比较灵敏和有效的，但在线计算量大，难以满足现代工业实时性要求，因此减少最小绝对值范数估计法的在线计算量是急需解决的问题。

人工神经网络是在现代生物学研究人脑组织所取得成果基础上提出的，它是由大量简单的处理单元相互联接构成的工程计算模型，部分的模拟了人脑的结构和功能。其中连续反馈数据网络以其大规模并行分布处理、连续时间动力学行为等特点而在实时计算方面显现特别的优势。在实时应用方面，虽则模拟电子神经网络的规模与问题的规模相关，但网络的收敛时间与问题的规模无关。随着VLSI等技术的发展，模拟电子神经网络将成为解决实时问题的一条有效途径。

发明内容

为了解决现有模拟电子电路的故障诊断优化方法在线计算量大，不能满足现代工业实时性要求的技术问题，本发明提供一种电子电路测试与故障诊断参数识别优化方法，本发明可快速求得电子元件的参数以判断该元件是否失效以及电路的好坏。

本发明解决上述的技术问题的技术方案包括以下步骤：

测试单个电源激励下电子电路各可及节点电压；

将测量的节点电压与正常情况下节点电压进行比较计算节点电压差值；

将电子元件参数变化量用等效电源表示，建立电路特征方程；

应用最优化理论结合电路特征方程建立最小绝对值范数约束优化问题；

利用普通罚函数方法融合精确罚函数方法将最小绝对值范数约束优化问题转化为无约束优化问题进行求解，神经网络的解就是用等效电流源或电压源表示的电子元件参数变化量，根据电子元件参数容差确定元件是否发生故障。

一种电子电路测试与故障诊断参数识别优化方法，包括以下步骤：

测试单个电源激励下电子电路各可及节点电压；

将测量的节点电压与正常情况下节点电压进行比较计算节点电压差值；

将电子元件参数变化量用等效电源表示，建立电路特征方程；

应用最优化理论结合电路特征方程建立最小绝对值范数约束优化问题；

利用Lagrange乘子法将最小绝对值范数约束优化问题转化为无约束优化问题进行求解，神经网络的解就是用等效电流源或电压源表示的电子元件参数变化量，根据电子元件参数容差确定元件是否发生故障。

本发明的技术效果在于：本发明避免了普通罚函数法中为求得最优解罚参数K_i需为无穷大导致Hesse矩阵病态从而影响惩罚的效率甚至导致计算失败以及较大的罚参数模拟电子电路实现困难等缺点；本发明避免了精确罚函数法中由于使用了非光滑的罚函数在模拟电子神经网络中可能引起寄生振荡和较慢的收敛速度等缺点，可快速求得电子元件的参数，并借以判断该元件是否失效以及电路的好坏。本发明采用Lagrange乘子λ_i做为优化过程中自适应控制参数，对于使E最小的e^*存在一个相应的λ^*，因而神经网络的收敛速度较快，可快速求得电子元件的参数，并借以判断该元件是否失效以及电路的好坏。

下面结合附图及具体实施例对本发明作进一步的说明。

附图说明

图1为本发明的计算等效电源的基于罚函数法的跨导神经网络。

图2为本发明的计算等效电源的基于Lagrange法的跨导神经网络。

图3为本发明的跨导符号函数变换器。

图4为本发明应用示例电路。

具体实施方式

本发明将待测电子电路所有元件参数增量用等效电源替代，在可测试节点用单个电流源对电路激励，测试获得可测节点电压对可测节点电流激励间的阻抗矩阵Z_m ^m(m×m维矩阵)，可测节点电压对等效电源的混合矩阵H^m(m×n维矩阵)，依据阻抗矩阵Z_m ^m和混合矩阵H^m建立有关节点电压增量与等效电源变量间关系的电路特征(矩阵)方程：

$V^m-Z_m^m{I}^m=H^m{e}^n$ 或

式中 $I^m={[I_1^m,\·\·\·,I_m^m]}^T$ 为电流测试激励； $V^m={[V_1^m,\·\·\·,V_m^m]}^T$ 为可及节点电压测量值；矩阵Z_m ^m为可及节点电压对可及节点电流激励信号间的阻抗矩阵，Z_m ^m为m×m维矩阵；H^m为可及节点电压对等效电源的混合矩阵，H^m为m×n维矩阵；

为可及节点电压因元件参数偏离正常标称值产生的增量矢量； $e^n={[e_1^n,\·\·\·,e_n^n]}^T$ 为模拟电子电路元件参数偏离正常标称值的偏差的等效电流源或电压源。

上述电路特征方程为欠定方程，为求其解e_j ⁿ(j＝1，2，...n)，应用最优化理论构造如下的最小绝对值范数约束优化问题(1)：

$\min \underset{i=1}{\overset{2n}{\mathrm{\Σ}}}\left|e_i\right|$

S·t·  ΔV＝He

式中 $e_i=\mathrm{Re}\left(e_i^n\right),$ $e_{n+i}=I_m\left(e_i^n\right)$ (i＝1，2，…，n)

$\mathrm{\Δ}{V}_j=\mathrm{Re}\left(\mathrm{\Δ}{V}_j^m\right),$ $\mathrm{\Δ}{V}_{m+j}=I_m\left(\mathrm{\Δ}{V}_j^m\right)$ (j＝1，2，…，m)，ΔV＝[ΔV₁，…，ΔV_2m]^T，

e＝[e₁，…，e_2n]^T， $H={\left(\begin{array}{cc}{R}_e{H}^m& -I_m{H}^m\\ I_m{H}^m& \mathrm{Re}{H}^m\end{array}\right)}_{2m\×2n}={\left[h_{\mathrm{ij}}\right]}_{2m\×2n}$

本发明利用神经网络在求上述约束优化问题(1)时，一是利用普通罚函数方法融合精确罚函数方法将最小绝对值范数约束优化问题转化为无约束优化问题进行求解：

$\underset{e}{\min }E=\frac{1}{2}{(\mathrm{He}-\mathrm{\ΔV})}^T{K}_1(\mathrm{He}-\mathrm{\ΔV})+{\left|\right|K_2(\mathrm{He}-\mathrm{\ΔV})\left|\right|}_1+{\left|\right|e\left|\right|}_1$

式中  K₁＝diag(K₁₁，K₁₂，…，K_12m)，K_1i＞0(i＝1，…，2m)；

      K₂＝diag(K₂₁，…，K_22m)，K_2i＞0(i＝1，…，2m)；

上式的最小化过程对应于能量函数为E的神经网络的动态演化过程：

$\frac{{\mathrm{de}}_j}{\mathrm{dt}}=-{\mathrm{\μ}}_j[\mathrm{sign}\left(e_j\right)+\underset{i=1}{\overset{2m}{\mathrm{\Σ}}}{h}_{\mathrm{ij}}[K_{1i}(\underset{j=1}{\overset{2n}{\mathrm{\Σ}}}{h}_{\mathrm{ij}}{e}_j-\mathrm{\Δ}{V}_i)+K_{2i}\mathrm{sign}(\underset{j=1}{\overset{2n}{\mathrm{\Σ}}}{h}_{\mathrm{ij}}{e}_j-\mathrm{\Δ}{V}_i)\left]\right]$

$e_j\left(0\right)=e_j^{\left(0\right)},$ μ_j，K_1i，K_2i＞0(i＝1，…，2m；j＝1，…，2n)，h_ij为矩阵H中的元素，是已知的。

经分析证明得 $\frac{\mathrm{dE}}{\mathrm{dt}}\≤0,$ 当且仅当 $\frac{{\mathrm{de}}_j}{\mathrm{dt}}=0(j=1,\·\·\·,2n),$ $\frac{\mathrm{dE}}{\mathrm{dt}}=0,$ 当能量函数E最小时，神经网络趋于稳定，稳定平衡态即为约束优化问题的最优解。该神经网络可以认为是Hopfield神经网络的改进型，含有积分器、与连接权重h_ij相关的加法器、实现输出神经元激活函数sign(e_j)和输入神经元激活函数 $K_{1i}(\underset{j=1}{\overset{2n}{\mathrm{\Σ}}}{h}_{\mathrm{ij}}{e}_j-{\mathrm{\ΔV}}_i)+K_{2i}\mathrm{sign}(\underset{j=1}{\overset{2n}{\mathrm{\Σ}}}{h}_{\mathrm{ij}}{e}_j-{\mathrm{\ΔV}}_i)$ 的非线性积木块。

为了得到结构简单的人工神经网络，本发明应用电流模式VLSI技术实现(参见图1)。图中神经元非线性sign(x)的形状特别重要，当用具有tanh(rx)的非线性传递函数有源积木块去近似实现时，如果r不是很大，那么由神经网络求得的解不是最小绝对值范数解；本发明提出的图3所示电路跨导符号函数变换器OHL具有较好的硬限幅特性，且其输出幅值可经跨导增益调节，因而神经元激活函数 $K_{2i}\mathrm{sign}(\underset{i=1}{\overset{2n}{\mathrm{\Σ}}}{h}_{\mathrm{ij}}{e}_j-\mathrm{\Δ}{V}_i)$ 的实现只需一个电路跨导符号函数变换器OHL。图1中e_j(j＝1，…，2n)，ΔV_i(i＝1，…，2m)为电压变量。

下面是本发明利用神经网络求解上述约束优化问题(1)的另一种方法。

约束优化问题(1)为凸性优化问题，本发明利用Lagrange乘子法求解问题(1)的神经网络计算能量函数E为

$E=\mathrm{\β}{\left|\right|e\left|\right|}_1+{\mathrm{\λ}}^T(\mathrm{He}-\mathrm{\ΔV})-\frac{\mathrm{\α}}{2}{\left|\right|\mathrm{\λ}\left|\right|}_2^2$

式中λ＝(λ₁，…λ_2m)^T，λ_i(i＝1，…，2m)为Lagrange乘子；α＞0为规则化参数，其作用是消除因病态的Lagrange函数导致的寄生振荡；β为加权罚系数(0＜β≤1)

该神经网络的演化过程如下：

$\frac{{\mathrm{de}}_j}{\mathrm{dt}}=-{\mathrm{\μ}}_j(\mathrm{\βsign}\left(e_j\right)+\underset{i=1}{\overset{2m}{\mathrm{\Σ}}}{h}_{\mathrm{ij}}{\mathrm{\λ}}_i)$ $e_j\left(0\right)=e_j^{\left(0\right)}$

$\frac{{\mathrm{d\λ}}_i}{\mathrm{dt}}={\mathrm{\ρ}}_i(\underset{j=1}{\overset{2n}{\mathrm{\Σ}}}{h}_{\mathrm{ij}}{e}_j-\mathrm{\Δ}{V}_i-\mathrm{\α}{\mathrm{\λ}}_i)$ ${\mathrm{\λ}}_i\left(0\right)={\mathrm{\λ}}_i^{\left(0\right)}$

式中μ_j，ρ_i＞0；i＝1，…，2m；j＝1，…2n。

神经网络是稳定的，稳定点满足凸性优化问题(1)的Kuhn-Tucker条件。在任一初始状态下，神经网络的稳定点均为优化问题(1)的全局最优解。特点是Lagrange乘子λ_i是做为优化过程中自适应控制参数，对于使E最小的e^*存在一个相应的λ^*，因而神经网络的收敛速度较快。该神经网络的跨导模式如图2所示，图中e_j，ΔV_i(j＝1，…，2n；i＝1，…，2m)为电压变量。

神经网络的解就是用等效电流源或电压源表示的电子元件参数变化量，根据参数容差确定元件是否发生故障。

本发明的具体应用示例：

如图4所示电阻网络，各元件参数G_i＝1，i＝1，…，20，每个元件参数具有5％容差，外部节点1，2，3，6，7，10，11，12为可及节点，其中节点12为参考节点。设G₃＝0.5，G₁₈＝0.5，其他元件参数在容差范围内。在节点1加电流激励，测试出节点1，2，3，6，7，10，11的电压值，得到约束优化问题(1)，利用神经网络(参见图2，3)求得各等效电源e_j(j＝1，…，20)，根据 $e_j^n={\left(\mathrm{j\ω}\right)}^{{\mathrm{\α}}_j}{x}_j\mathrm{\Δ}{P}_j$ 计算出元件参数增量ΔP_j(j＝1，…，20)，如表1所示。从表中结果可见，G₃、G₁₈元件参数增量远大于容差，认为是故障元件，G₁₉参数增量略大于容差，但仍认为是正常元件。这一结果与实际测试吻合，表明本发明提出的测试与诊断方法正确。

表1 图4电路诊断结果

元    件	参数变化百分数
			实际值	诊断结果
	G1	2			-1.3677
G2			5	-0.1548
	G3	-50			-36.8
G4			4	-0.4691
	G5	-2			-3.9249
G6			-4	-0.3378

G7	1	-0.2235
			G8	0	-0.1612
G9	-1	-3.9747
			G10	0	-0.2531
G11	3	-0.2717
			G12	5	-0.2774
G13	4	-0.8800
			G14	3	-0.6115
G15	2	-0.4008
			G16	0	-1.0385
G17	0	-0.3287
			G18	-50	-41.44
G19	0	-5.602
			G20	2	-0.1713

Claims (4)

1.一种电子电路测试与故障诊断参数识别优化方法，包括以下步骤：

测试单个电源激励下电子电路各可及节点电压；

将测量的节点电压与正常情况下节点电压进行比较计算节点电压差值；

将电子元件参数变化量用等效电源表示，建立电路特征方程；

应用最优化理论结合电路特征方程建立最小绝对值范数约束优化问题；

利用普通罚函数方法融合精确罚函数方法将最小绝对值范数约束优化问题转化为无约束优化问题进行求解，神经网络的解就是用等效电流源或电压源表示的电子元件参数变化量，根据电子元件参数容差确定元件是否发生故障。

2.根据权利要求1所述的电子电路测试与故障诊断参数识别优化方法，其特征在于：利用标准的梯度方法将无约束优化问题的求解转化为HOPFIELD神经网络。

3.根据权利要求2所述的电子电路测试与故障诊断参数识别优化方法，其特征在于：利用跨导运算放大器作为HOPFIELD神经网络的基本运算单元，采用电流模式实现。

4.一种电子电路测试与故障诊断参数识别优化方法，包括以下步骤：

测试单个电源激励下电子电路各可及节点电压；

将测量的节点电压与正常情况下节点电压进行比较计算节点电压差值；

将电子元件参数变化量用等效电源表示，建立电路特征方程；

应用最优化理论结合电路特征方程建立最小绝对值范数约束优化问题；

利用Lagrange乘子法将最小绝对值范数约束优化问题转化为无约束优化问题进行求解电路，神经网络的解就是用等效电流源或电压源表示的电子元件参数变化量，根据电子元件参数参数容差确定元件是否发生故障。

Images