CN101216530A - 一种电子电路测试与故障诊断参数识别优化方法 - Google Patents
一种电子电路测试与故障诊断参数识别优化方法 Download PDFInfo
- Publication number
- CN101216530A CN101216530A CNA2007103034654A CN200710303465A CN101216530A CN 101216530 A CN101216530 A CN 101216530A CN A2007103034654 A CNA2007103034654 A CN A2007103034654A CN 200710303465 A CN200710303465 A CN 200710303465A CN 101216530 A CN101216530 A CN 101216530A
- Authority
- CN
- China
- Prior art keywords
- node voltage
- neural network
- electronic circuit
- optimization problem
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Tests Of Electronic Circuits (AREA)
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
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Ki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λi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Zm m(m×m维矩阵),可测节点电压对等效电源的混合矩阵Hm(m×n维矩阵),依据阻抗矩阵Zm m和混合矩阵Hm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:
式中 为电流测试激励; 为可及节点电压测量值;矩阵Zm 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,Zm m为m×m维矩阵;Hm为可及节点电压对等效电源的混合矩阵,Hm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; 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ej 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):
S·t· ΔV=He
式中 (i=1,2,…,n)
e=[e1,…,e2n]T,
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:
式中 K1=diag(K11,K12,…,K12m),K1i>0(i=1,…,2m);
K2=diag(K21,…,K22m),K2i>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:
经分析证明得 当且仅当 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hij相关的加法器、实现输出神经元激活函数sign(ej)和输入神经元激活函数 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 的实现只需一个电路跨导符号函数变换器OHL。图1中ej(j=1,…,2n),ΔVi(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
式中λ=(λ1,…λ2m)T,λi(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:
式中μj,ρi>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λi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ej,ΔVi(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Gi=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ej(j=1,…,20),根据 计算出元件参数增量ΔPj(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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2007103034654A CN101216530A (zh) | 2007-12-29 | 2007-12-29 | 一种电子电路测试与故障诊断参数识别优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2007103034654A CN101216530A (zh) | 2007-12-29 | 2007-12-29 | 一种电子电路测试与故障诊断参数识别优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101216530A true CN101216530A (zh) | 2008-07-09 |
Family
ID=39623008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2007103034654A Pending CN101216530A (zh) | 2007-12-29 | 2007-12-29 | 一种电子电路测试与故障诊断参数识别优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101216530A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477172B (zh) * | 2009-02-18 | 2010-12-01 | 湖南大学 | 一种基于神经网络的模拟电路故障诊断方法 |
CN102129029A (zh) * | 2010-12-27 | 2011-07-20 | 东北电力大学 | 一种基于低频噪声测量的模拟电路故障诊断方法 |
CN102778842A (zh) * | 2011-05-13 | 2012-11-14 | 上海联影医疗科技有限公司 | 基于参数优化来制备产品的方法 |
CN103064010A (zh) * | 2013-01-08 | 2013-04-24 | 浙江大学 | 基于希尔伯特-黄变换的模拟电路故障元件参数估计方法 |
CN103064009A (zh) * | 2012-12-28 | 2013-04-24 | 辽宁大学 | 基于小波分析和有限高斯混合模型em方法的模拟电路故障诊断方法 |
CN103558512A (zh) * | 2013-11-19 | 2014-02-05 | 湖南大学 | 一种基于矩阵运算的配电网10kV馈线故障定位方法 |
CN104090228A (zh) * | 2014-07-16 | 2014-10-08 | 电子科技大学 | 一种模拟电路模糊组识别方法 |
CN104569785A (zh) * | 2014-12-18 | 2015-04-29 | 广西师范学院 | 一种逆变电路故障诊断方法 |
CN107784359A (zh) * | 2017-09-19 | 2018-03-09 | 常州大学 | 一种基于Hopfield神经网络的多稳定状态振荡电路 |
CN109521734A (zh) * | 2017-09-19 | 2019-03-26 | 发那科株式会社 | 生产*** |
CN110531625A (zh) * | 2019-09-16 | 2019-12-03 | 江南大学 | 有源电子梯形电路的有限频率范围迭代学习容错控制方法 |
-
2007
- 2007-12-29 CN CNA2007103034654A patent/CN101216530A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477172B (zh) * | 2009-02-18 | 2010-12-01 | 湖南大学 | 一种基于神经网络的模拟电路故障诊断方法 |
CN102129029A (zh) * | 2010-12-27 | 2011-07-20 | 东北电力大学 | 一种基于低频噪声测量的模拟电路故障诊断方法 |
CN102778842B (zh) * | 2011-05-13 | 2014-10-01 | 上海联影医疗科技有限公司 | 基于参数优化来制备产品的方法 |
CN102778842A (zh) * | 2011-05-13 | 2012-11-14 | 上海联影医疗科技有限公司 | 基于参数优化来制备产品的方法 |
CN103064009A (zh) * | 2012-12-28 | 2013-04-24 | 辽宁大学 | 基于小波分析和有限高斯混合模型em方法的模拟电路故障诊断方法 |
CN103064009B (zh) * | 2012-12-28 | 2015-03-11 | 辽宁大学 | 基于小波分析和有限高斯混合模型em方法的模拟电路故障诊断方法 |
CN103064010A (zh) * | 2013-01-08 | 2013-04-24 | 浙江大学 | 基于希尔伯特-黄变换的模拟电路故障元件参数估计方法 |
CN103064010B (zh) * | 2013-01-08 | 2015-04-15 | 浙江大学 | 基于希尔伯特-黄变换的模拟电路故障元件参数估计方法 |
CN103558512A (zh) * | 2013-11-19 | 2014-02-05 | 湖南大学 | 一种基于矩阵运算的配电网10kV馈线故障定位方法 |
CN104090228A (zh) * | 2014-07-16 | 2014-10-08 | 电子科技大学 | 一种模拟电路模糊组识别方法 |
CN104569785A (zh) * | 2014-12-18 | 2015-04-29 | 广西师范学院 | 一种逆变电路故障诊断方法 |
CN107784359A (zh) * | 2017-09-19 | 2018-03-09 | 常州大学 | 一种基于Hopfield神经网络的多稳定状态振荡电路 |
CN109521734A (zh) * | 2017-09-19 | 2019-03-26 | 发那科株式会社 | 生产*** |
CN110531625A (zh) * | 2019-09-16 | 2019-12-03 | 江南大学 | 有源电子梯形电路的有限频率范围迭代学习容错控制方法 |
CN110531625B (zh) * | 2019-09-16 | 2021-02-19 | 江南大学 | 有源电子梯形电路的有限频率范围迭代学习容错控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101216530A (zh) | 一种电子电路测试与故障诊断参数识别优化方法 | |
Patra et al. | An intelligent pressure sensor using neural networks | |
Patra et al. | Artificial neural network-based nonlinearity estimation of pressure sensors | |
CN100507460C (zh) | 基于脉冲响应模板和参数优化的动态软测量建模方法 | |
Ma et al. | A hybrid dynamic equivalent using ANN-based boundary matching technique | |
CN112380774B (zh) | 一种基于残差回声状态网络的动态建模方法及*** | |
CN101216527B (zh) | 一种基于神经网络的在线电子电路故障诊断方法 | |
Rab et al. | Comparison of Monte Carlo simulation, least square fitting and calibration factor methods for the evaluation of measurement uncertainty using direct pressure indicating devices | |
CN108762072A (zh) | 基于核范数子空间法和增广向量法的预测控制方法 | |
CN101251574B (zh) | 一种实时电子电路的故障诊断参数识别方法 | |
Bekiroglu et al. | Recursive approximation of complex behaviours with IoT-data imperfections | |
Zatorre et al. | Designing adaptive conditioning electronics for smart sensing | |
Al‐Shehri | Artificial neural network for forecasting residential electrical energy | |
CN114583767A (zh) | 一种数据驱动的风电场调频响应特性建模方法及*** | |
Mellit et al. | Neural network adaptive wavelets for sizing of stand-alone photovoltaic systems | |
Lin et al. | Weighing fusion method for truck scales based on prior knowledge and neural network ensembles | |
Chen et al. | Multivariate simulation assessment for virtual metrology | |
CN109635452B (zh) | 一种高效的多峰随机不确定性分析方法 | |
Lin et al. | Nonlinear error compensation for load cells based on the optimal neural network with an augmented Lagrange multiplier | |
CN116644301A (zh) | 一种压电陶瓷***高精度模型辨识方法、设备和介质 | |
CN115032458B (zh) | 一种基于电网***的谐波阻抗估计方法及计算机存储介质 | |
CN110703038A (zh) | 一种适用于风机接入配电网的谐波阻抗估算方法 | |
CN111829638B (zh) | 一种体重实时测量方法 | |
Yu et al. | Nonlinear dynamic compensation of sensors using inverse-model-based neural network | |
Pavlin et al. | Yield enhancement of piezoresistive pressure sensors for automotive applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20080709 |