CN101251574B - 一种实时电子电路的故障诊断参数识别方法 - Google Patents

Abstract

本发明公开了一种实时电子电路的故障诊断参数识别方法，包括以下步骤：将待测电子电路所有元件参数增量用等效电源替代，在可测试节点多次应用电流源对电路激励，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，可测节点电压对等效电源的混合矩阵H^m，测量待测电路与正常标称电路可测试节点电压并计算其差值，建立电路测试与诊断特征方程；将元件参数增量与节点电压增量作为优化变量应用最优化理论结合测试与诊断特征方程建立参数识别方程，应用基于增广Lagrange乘子法神经网络及跨导神经网络进行求解，根据神经网络的输出完成故障识别。本发明具有实时性、定位准确率高的优点，适用于现代工业快速诊断场合。

Description

一种实时电子电路的故障诊断参数识别方法

技术领域

本发明涉及一种电子电路的故障诊断方法，特别涉及一种实时电子电路的故障诊断参数识别方法。

背景技术

参数识别法是模拟电子电路故障诊断一种重要方法，一般地是通过求解电路方程从而求得元件参数，由于电路的规模庞大，特别是模数混合集成电路和超大规模模拟集成电路，可测试节点少，因而获得能求所有参数的电路方程非常困难，且这种方程一般为大规模非线性方程，往往求解费时且所求得的解不一定与实际情况吻合。

发明内容

为了解决现有电子电路故障诊断参数识别方法存在的上述技术问题，本发明提供一种实时电子电路的故障诊断参数识别方法。本发明通过多次激励，获得适当而非充分的电路方程组，采用最优化方法直接求得电路所有元件参数增量，从而完成参数识别，定位故障。

本发明解决上述的技术问题的技术方案包括以下步骤：

a.将待测电子电路所有元件参数增量用等效电源替代；

b.测试在单个电流源激励下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)；

c.测量并计算待测电路与正常标称电路可测试节点电压差值，建立电路测试与诊断特征方程；

d.重复步骤a～c，获得多个电流源激励下电子电路的测试与诊断特征方程；

e.将元件参数增量与节点电压增量作为优化变量应用最优化理论将相对参数增量绝对值与相对电压增量的实部绝对值、相对电压增量的虚部绝对值之和最小定义为约束目标函数，将电路测试与诊断特征方程作为优化约束方程从而建立参数识别方程；

f.应用基于增广Lagrange乘子法神经网络求解参数识别方程，神经网络的输出即为元件参数增量，根据元件参数的容差范围完成故障识别。

本发明的技术效果在于：(1)由于Lagrange乘子λ_R、λ_I自动更新将加速神经网络状态向平衡点接近的进程，使神经网络的收敛时间缩短；(2)由于Lagrange乘子λ_R、λ_I的作用，使得含有较大罚参数K的微分方程(6)式的刚性减弱；(3)由于Lagrange乘子λ_R、λ_I的自适应控制作用，使得神经网络的初始状态设置比较自由；(4)由于Lagrange乘子λ_R、λ_I的作用及规则化参数α的引入，使得神经网络的收敛特性得到改进。本发明方法具有实时性、定位准确率高的优点，适用于现代工业快速诊断场合。

下面结合附图及实施例对本发明作进一步的说明。

附图说明

图1为本发明的计算元件参数增量的神经网络模拟框图。

图2为本发明的计算求解优化问题的跨导电容神经网络(图中标有G的表示Gilbert跨导乘法器)。

图3为本发明求解电阻电路故障诊断最小绝对值和优化问题的神经网络模拟框图。

图4为本发明图3所示神经网络的跨导实现(图中标有G的表示Gilbert跨导乘法器)。

图5为本发明应用示例晶体管放大器电路。

图6为本发明应用示例晶体管放大器等效电路。

具体实施方式

下面详细说明本发明的各步骤。

对于一个待诊断电路，首先将该待测电子电路所有元件参数增量用等效电源 $e^n={[e_1^n,\·\·\·,e_n^n]}^T$ 替代，测试在单个电流源激励下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)，然后施加电流测试激励 $I^m={[I_1^m,\·\·\·,I_m^m]}^T,$ 测量可及节点电压 $V^m={[V_1^m,\·\·\·,V_m^m]}^T,$ 根据电路叠加定理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方程：

$V^m-Z_m^m{I}^m=H^m{e}^n$ 或ΔV^m＝H^meⁿ    (1)

式中ΔV^m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，并且

$e_j^n={\left(\mathrm{j\ω}\right)}^{{\mathrm{\α}}_j}{x}_j\mathrm{\Δ}{P}_j---\left(2\right)$

式中α_j＝0，1或-1，随不同类型的元件而定；ΔP_j是元件参数增量；x_j对受控源而言是控制电压或电流，对电阻、电容、电感而言是元件本身的电压或电流。

在多测试激励下，特征方程(1)式为：

$\left[\begin{array}{c}\mathrm{\Δ}{V}^{m1}\\ \mathrm{\Δ}{V}^{m2}\\ \·\\ \·\\ \·\\ \mathrm{\Δ}{V}^{\mathrm{mk}}\end{array}\right]=\left[\begin{array}{c}{H}^{m1}{\mathrm{\Ω}}^1{x}^1\\ H^{m2}{\mathrm{\Ω}}^2{x}^2\\ \·\\ \·\\ \·\\ H^{\mathrm{mk}}{\mathrm{\Ω}}^k{x}^k\end{array}\right]\mathrm{\ΔP}---\left(3\right)$

式中 $x^i=\mathrm{diag}[x_1^i,x_2^i,\·\·\·,x_n^i],(i=1,\·\·\·,k)$

${\mathrm{\Ω}}^i=\mathrm{diag}[{\left(\mathrm{j\ω}\right)}^{{\mathrm{ia}}_1},{\left(\mathrm{j\ω}\right)}^{{\mathrm{ia}}_2},\·\·\·,{\left(\mathrm{j\ω}\right)}^{{\mathrm{ia}}_n}],(i=1,\·\·\·,k)$

ΔP＝[Δ_P1，ΔP₂，…，ΔP_n]^T

上标1至k分别表示对应第1至k个测试激励情况下的数值。

为避免对电路的重复模拟计算与测试，本发明提出以元件参数增量ΔP与节点电压增量Δx作为优化变量应用最优化理论结合电路测试与诊断特征方程建立参数识别方程(4.1)式；约束目标函数(4.2)式是相对参数增量绝对值与相对电压增量的实部绝对值、相对电压增量的虚部绝对值和最小：

$\min \underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left|\frac{{\mathrm{\ΔP}}_i}{P_{\mathrm{io}}}\right|+\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\right|\frac{\mathrm{Re\Δ}{x}_i^i}{\mathrm{Re}{x}_{\mathrm{io}}^j}|+|\frac{\mathrm{Im\Δ}{x}_i^j}{\mathrm{Im}{x}_{\mathrm{io}}^j}\left|\right)---(4.1)$

$S\·t\·\left[\begin{array}{c}\mathrm{\Δ}{V}^{m1}\\ \·\\ \·\\ \·\\ \mathrm{\Δ}{V}^{\mathrm{mk}}\end{array}\right]=\left[\begin{array}{c}{H}^{m1}{\mathrm{\Ω}}^1(x_0^1+{\mathrm{\Δx}}^1)\\ \·\\ \·\\ \·\\ H^{\mathrm{mk}}{\mathrm{\Ω}}^k(x_0^k+{\mathrm{\Δx}}^k)\end{array}\right]\·\mathrm{\ΔP}---\left(4.2\right)$

式中 $x_0^j=\mathrm{diag}[x_{10}^j,x_{20}^j,\·\·\·,x_{n0}^j]$

${\mathrm{\Δx}}^j=\mathrm{diag}[{\mathrm{\Δx}}_1^j,\mathrm{\Δ}{x}_2^j,\·\·\·,\mathrm{\Δ}{x}_n^j],(j=1,\·\·\·,k)$

P_io(i＝1，…，n)为元件参数正常标称值。

(4.1)式、(4.2)式是一般的非线性优化问题，可以利用基于罚函数法的神经网络来求解，但存在一些不足：(1)神经网络的初始状态一般应落在约束优化问题的局部最优解的领域内，否则神经网络的稳态将不是原问题的最优解；(2)对于任何有限罚参数K_i的神经网络，其稳态一般不对应于原问题的最优解，但K_i取得很大时会产生病态问题，增加微分方程的刚性；(3)很大的k_i在实现上存在困难。为了减弱微分方程的刚性，改进神经网络的收敛特性，本发明利用增广Lagrange乘子法将约束最优化最小绝对值和优化问题转化为无约束优化问题进行求解。利用增广Lagrange乘子法构造求解(4.1)式、(4.2)式优化问题的神经网络计算能量函数：

$E=f\left(x\right)+{\mathrm{\λ}}_R^T\mathrm{Re}\left[r\left(x\right)\right]+{\mathrm{\λ}}_I^T\mathrm{Im}\left[r\left(x\right)\right]+\frac{1}{2}{r}^T\left(x\right)K\stackrel{\‾}{r}\left(x\right)-\frac{1}{2}\mathrm{\α}[{\mathrm{\λ}}_R^T{\mathrm{\λ}}_R+{\mathrm{\λ}}_I^T{\mathrm{\λ}}_I]---\left(5\right)$

式中 $f\left(x\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left|\frac{\mathrm{\Δ}{P}_i}{P_{\mathrm{io}}}\right|+\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\right|\frac{\mathrm{Re\Δ}{x}_i^j}{\mathrm{Re}{x}_{\mathrm{io}}^j}|+|\frac{\mathrm{Im\Δ}{x}_i^j}{\mathrm{Im}{x}_{\mathrm{io}}^j}\left|\right)$

$r\left(x\right)=\left[\begin{array}{c}{H}^{m1}{\mathrm{\Ω}}^1(x_0^1+\mathrm{\Δ}{x}^1)\\ \·\\ \·\\ \·\\ H^{\mathrm{mk}}{\mathrm{\Ω}}^k(x_0^k+\mathrm{\Δ}{x}^k)\end{array}\right]\·\mathrm{\ΔP}-\left[\begin{array}{c}\mathrm{\Δ}{V}^{m1}\\ \·\\ \·\\ \·\\ \mathrm{\Δ}{V}^{\mathrm{mk}}\end{array}\right]$

$={[r_1^1,\·\·\·,r_m^1,r_1^2,\·\·\·,r_m^2,r_1^k,\·\·\·,r_m^k]}^T$

$\stackrel{\‾}{r}\left(x\right)={[{\stackrel{\‾}{r}}_1^1,\·\·\·,{\stackrel{\‾}{r}}_m^1,\·\·\·{\stackrel{\‾}{r}}_m^2,\·\·\·,{\stackrel{\‾}{r}}_1^k,\·\·\·,{\stackrel{\‾}{r}}_m^k]}^T$

为r_i ^j的共轭复数(j＝1，…，k；i＝1，…，m)

K_i ^j(j＝1，…，k；i＝1，…，m)为罚参数，且 $k_i^j\≥0;$

${\mathrm{\λ}}_R={[{\mathrm{\λ}}_{R1}^1,\·\·\·,{\mathrm{\λ}}_{\mathrm{Rm}}^1,{\mathrm{\λ}}_{R1}^2,\·\·\·,{\mathrm{\λ}}_{\mathrm{Rm}}^2,\·\·\·,{\mathrm{\λ}}_{R1}^k,\·\·\·,{\mathrm{\λ}}_{\mathrm{Rm}}^k]}^T$

${\mathrm{\λ}}_I={[{\mathrm{\λ}}_{I1}^1,\·\·\·,{\mathrm{\λ}}_{\mathrm{Im}}^1,{\mathrm{\λ}}_{I1}^2,\·\·\·,{\mathrm{\λ}}_{\mathrm{Im}}^2,\·\·\·,{\mathrm{\λ}}_{I1}^k,\·\·\·,{\mathrm{\λ}}_{\mathrm{Im}}^k]}^T$

λ_R，λ_I为Lagrange乘子；

$X={[\mathrm{\Δ}{P}_1,\·\·\·,\mathrm{\Δ}{P}_n,\mathrm{Re\Δ}{x}_1^1,\·\·\·,\mathrm{Re\Δ}{x}_n^1,\mathrm{Re\Δ}{x}_n^k,\·\·\·,\mathrm{Im\Δ}{x}_n^k]}^T$ 为优化变量；

α≥0为规则化参数；

由于增广Lagrange函数可能是病态的，因此在(5)式中引入规则化参数α，以消除惩罚项引起的寄生振荡。

利用标准的梯度法可将(5)式的最小化过程转化为如下一组微分方程组：

$\frac{\mathrm{d\Δ}{P}_j}{\mathrm{dt}}=-{\mathrm{\μ}}_{1j}[\mathrm{sign}\left(\frac{\mathrm{\Δ}{P}_j}{P_{\mathrm{jo}}}\right)\·\frac{1}{P_{\mathrm{jo}}}+\underset{l=1}{\overset{k}{\mathrm{\Σ}}}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(k_i^l\frac{\∂({\left({\mathrm{Rer}}_i^l\right)}^2+{\left({\mathrm{Imr}}_i^l\right)}^2}{2\∂\mathrm{\Δ}{P}_j}+{\mathrm{\λ}}_{\mathrm{Ri}}^i\·\frac{\∂\mathrm{Re}{r}_i^l)}{\∂\mathrm{\Δ}{P}_j}+{\mathrm{\λ}}_{\mathrm{Ii}}^l\·\frac{\∂\mathrm{Im}{r}_i^l}{\∂\mathrm{\Δ}{P}_j})]$

$\mathrm{\Δ}{P}_j\left(0\right)=\mathrm{\Δ}{P}_j^{\left(0\right)},(j=1,\·\·\·,n)---(6.a)$

$\frac{\mathrm{dRe\Δ}{x}_j^l}{\mathrm{dt}}=-{\mathrm{\μ}}_{\mathrm{Rj}}^l[\mathrm{sign}\left(\frac{\mathrm{Re\Δ}{x}_j^l}{\mathrm{Re}{x}_{\mathrm{jo}}^l}\right)\·\frac{1}{\mathrm{Re}{x}_{\mathrm{jo}}^l}+\underset{l=1}{\overset{k}{\mathrm{\Σ}}}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(k_i^l\·\frac{\∂({\left({\mathrm{Rer}}_i^l\right)}^2+{\left({\mathrm{Imr}}_i^l\right)}^2)}{2\∂\mathrm{Re\Δ}{x}_j^l}$

${+\mathrm{\λ}}_{\mathrm{Ri}}^l\·\frac{{\∂\mathrm{Rer}}_i^l)}{\∂\mathrm{Re\Δ}{x}_j^l}+{\mathrm{\λ}}_{\mathrm{Ii}}^l\·\frac{\∂\mathrm{Im}{r}_i^l)}{\∂\mathrm{Re\Δ}{x}_j^l})]$

$\mathrm{Re\Δ}{x}_i^l\left(0\right)=\mathrm{Re\Δ}{x}_j^{l\left(0\right)},(l=1,\·\·\·,k;i=1,\·\·\·,m)---(6.b)$

$\frac{\mathrm{dIm\Δ}{x}_j^i}{\mathrm{dt}}=-{\mathrm{\μ}}_{\mathrm{Ij}}^l[\mathrm{sign}\left(\frac{\mathrm{Im\Δ}{x}_j^l}{\mathrm{Im}{x}_{\mathrm{jo}}^l}\right)\·\frac{1}{\mathrm{Im}{x}_{\mathrm{jo}}^l}+\underset{l=1}{\overset{k}{\mathrm{\Σ}}}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(k_i^l\·\frac{\∂({\left({\mathrm{Rer}}_i^l\right)}^2+{\left({\mathrm{Imr}}_i^l\right)}^2)}{2\∂\mathrm{Im\Δ}{x}_j^l}$

${+\mathrm{\λ}}_{\mathrm{Ri}}^l\·\frac{{\∂\mathrm{Rer}}_i^l)}{\∂\mathrm{Im\Δ}{x}_j^l}+{\mathrm{\λ}}_{\mathrm{Ii}}^l\·\frac{{\∂\mathrm{Imr}}_i^l)}{\∂\mathrm{Im\Δ}{x}_j^i})]$

$\mathrm{Im\Δ}{x}_j^l\left(0\right)=\mathrm{Im\Δ}{x}_j^{l\left(0\right)},(l=1,\·\·\·,k;i=1,\·\·\·,m)---(6.c)$

$\frac{{\mathrm{d\λ}}_{\mathrm{Ri}}^l}{\mathrm{dt}}={\mathrm{\ρ}}_{\mathrm{Ri}}^l[{\mathrm{Rer}}_i^l-{\mathrm{\α\λ}}_{\mathrm{Ri}}^l],{\mathrm{\λ}}_{\mathrm{Ri}}^l\left(0\right)={\mathrm{\λ}}_{\mathrm{Ri}}^{l\left(0\right)},(l=1,\·\·\·,k;i=1.\·\·\·,m)---(6.d)$

$\frac{{\mathrm{d\λ}}_{\mathrm{Ii}}^l}{\mathrm{dt}}={\mathrm{\ρ}}_{\mathrm{Ii}}^l[{\mathrm{Imr}}_i^l-{\mathrm{\α\λ}}_{\mathrm{Ii}}^l],{\mathrm{\λ}}_{\mathrm{Ii}}^l\left(0\right)={\mathrm{\λ}}_{\mathrm{Ii}}^{l\left(0\right)},(l=1,\·\·\·,k;i=1,\·\·\·,m)---(6.e)$

(6)式中，μ_1j，μ_Rj ^l，μ_Ii ^l，ρ_Ri ^l，ρ_Ii ^l(j＝1，…，n；l＝1，…，k；i＝1，…，m)均为大于0的正数。

$\mathrm{sign}\left(x\right)\left\{\begin{array}{cc}1& x>0\\ 0& x=0\\ -1& x<0\end{array}\right.$

可以证明 $\frac{\mathrm{dE}}{\mathrm{dt}}\&le;0$ 时，当且仅当 $\frac{\mathrm{dx}}{\mathrm{dt}}=0$ 等式成立。神经网络在某一初始状态下将按着(6)式沿着能量函数减小的方向运动，神经网络稳定时E最小。稳定点对应所求问题的解。根据(6)式可得计算x的神经网络模拟框图(1所示)。

图1所示神经网络中非线性函数神经元Rer_i ^l，Imr_i ^l， $\frac{\&PartialD;\mathrm{Re}{r}_i^l}{\&PartialD;{\mathrm{\&Delta;P}}_j},\frac{\&PartialD;\mathrm{Re}{r}_i^l}{\&PartialD;\mathrm{Re}{\mathrm{\&Delta;x}}_i^l},$ $\frac{\&PartialD;\mathrm{Im}{r}_i^l}{\&PartialD;\mathrm{\&Delta;}{P}_j},\frac{\&PartialD;I{\mathrm{mr}}_i^l}{\&PartialD;\mathrm{Im\&Delta;}{x}_j^l},\frac{\&PartialD;\mathrm{Im}{r}_i^l}{\&PartialD;\mathrm{Re\&Delta;}{x}_j^l},\frac{\&PartialD;\mathrm{Im}{r}_i^l}{\&PartialD;\mathrm{Im\&Delta;}{x}_j^l}$ (l＝1，…，k；i＝1，…，m；j＝1，…，n)可应用OTA和跨导乘法器TM等综合实现，sign(x)函数神经元应用OHL实现；将ΔP_j，ReΔx_j ^l，ImΔx_j ^l做为电压变量，分析可得图1所示神经网络的跨导电容实现电路如图2所示。

本发明还考虑对于电阻电路故障诊断最小绝对值和优化问题，此时神经网络(6)式、图1、图2将大大简化。如在单测试激励下，(5)式中：

r(x)＝H^mΩ(x₀+Δx)·-ΔV^m＝[r₁，r₂，......r_m]^T

k＝diag[k₁，…，k_m]，λ_R＝[λ₁，…，λ_m]^T，λ_I＝0，x＝[ΔP₁，…，ΔP_n，Δx₁，…，Δx_n]^T(6)式则为：

$\frac{\mathrm{d\&Delta;}{P}_j}{\mathrm{dt}}=-{\mathrm{\&mu;}}_{1j}[\mathrm{sign}\left(\frac{{\mathrm{\&Delta;P}}_j}{P_{\mathrm{jo}}}\right)\&CenterDot;\frac{1}{P_{\mathrm{jo}}}+\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}(k_i{r}_i+{\mathrm{\&lambda;}}_i)\&CenterDot;h_{\mathrm{ij}}(x_{\mathrm{jo}}+{\mathrm{\&Delta;x}}_j)]$

${\mathrm{\&Delta;P}}_j\left(0\right)={\mathrm{\&Delta;P}}_j^{\left(0\right)},(j=1,\&CenterDot;\&CenterDot;\&CenterDot;,n)---(7.a)$

$\frac{{\mathrm{d\&Delta;x}}_j}{\mathrm{dt}}=-{\mathrm{\&mu;}}_{2j}[\mathrm{sign}\left(\frac{{\mathrm{\&Delta;x}}_j}{x_{\mathrm{jo}}}\right)\&CenterDot;\frac{1}{x_{\mathrm{jo}}}+\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}(k_i{r}_i+{\mathrm{\&lambda;}}_i)\&CenterDot;h_{\mathrm{ij}}{\mathrm{\&Delta;P}}_j]$

${\mathrm{\&Delta;x}}_j\left(0\right)=\mathrm{\&Delta;}{x}_j^{\left(0\right)},(j=1,\&CenterDot;\&CenterDot;\&CenterDot;,n)---(7.b)$

$\frac{\mathrm{d\&lambda;}}{\mathrm{dt}}={\mathrm{\&rho;}}_i[r_i-\mathrm{\&alpha;}{\mathrm{\&lambda;}}_i],{\mathrm{\&lambda;}}_i\left(0\right)={\mathrm{\&lambda;}}_i^{\left(0\right)},(i=1,\&CenterDot;\&CenterDot;\&CenterDot;,m)---(7.c)$

(7)式中μ_1j，μ_2j(j＝1，…，n)，ρ_i(i＝1，…，m)均大于0

图1、图2所示神经网络则简化为如图3、图4所示。

神经网络的输出即为元件参数增量，根据参数的容差范围可以判断电子电路中究竟哪个元件或哪些元件发生故障。

本发明的显著特点是不需要对电子电路进行多次重复测试与模拟优化计算，定位速度快，准确率高。

下面为本发明的具体应用示例。

图6所示为一晶体管放大器图5的等效电路，采用单测试激励和多测试激励两种方法进行故障诊断。(1)在节点1加角频率ω＝0.01rad/S的电流激励，测试节点1，2，4，5，6的电压，建立(4.1)式、(4.2)式约束化问题，神经网络(μ_1j＝μ_Rj＝μ_Ij＝10⁵，K_i＝6000，ρ_Ri＝ρ_Ii＝0，ReΔx_j(0)＝ImΔx_j(0)＝λ_Ri(0)＝λ_Ii(0)＝0，(j＝1，…，13；i＝1，…，5))稳定时给出最优解，其中各元件参数增量如表1所示。(2)先后两次分别在节点1及节点4加角频率ω＝0.01rad/S的电流激励，测试节点1，2，4，5，6的电压值，建立(4.1)、(4.2)式约束化问题，神经网络( ${\mathrm{\&mu;}}_{1j}={\mathrm{\&mu;}}_{\mathrm{Rj}}^l={\mathrm{\&mu;}}_{\mathrm{Ij}}^l={10}^5,$ $k_i^1=8000,$ $k_i^2=6000,$ ${\mathrm{\&rho;}}_{\mathrm{Ri}}^l={\mathrm{\&rho;}}_{\mathrm{Ii}}^l=0,$ ΔP_j(0)＝0， $\mathrm{Re\&Delta;}{x}_j^l\left(0\right)=\mathrm{Im\&Delta;}{x}_j^l\left(0\right)=0,$ ${\mathrm{\&lambda;}}_{\mathrm{Ri}}^l\left(0\right)={\mathrm{\&lambda;}}_{\mathrm{Ii}}^l\left(0\right)=0,$ (j＝1，…，13；l＝1，2；i＝1，…，5))稳定时给出最优解，其中各元件参数增量如表1所示。

从表1可看到应用多测试激励法可将两个故障元件都有效的诊断出来，而用单测试激励法只能诊断出C₁一个故障元件，故障元件C_μ未能诊断出来。可见多测试激励法比单测试激励法更有效。图6的模拟仿真测试结果与对图5电路进行实际测试结果吻合。

                   表1图6电子电路诊断结果

Claims (2)

1.一种实时电子电路的故障诊断参数识别方法，包括如下步骤：

a.将待测电子电路所有元件参数增量用等效电源替代；

b.测试在单个电流源激励下可测节点电压对可测节点电流激励间的阻抗矩阵Z_m ^m，可测节点电压对等效电源的混合矩阵H^m；

c.测量并计算待测电路与正常标称电路可测试节点电压差值，建立电路测试与诊断特征方程；

d.重复步骤a～c，获得多个电流源激励下电子电路的测试与诊断特征方程；

e.将元件参数增量与节点电压增量作为优化变量应用最优化理论将相对参数增量绝对值与相对电压增量的实部绝对值、相对电压增量的虚部绝对值之和最小定义为约束目标函数，将电路测试与诊断特征方程作为优化约束方程从而建立参数识别方程；

f.应用基于增广Lagrange乘子法神经网络求解参数识别方程，神经网络的输出即为元件参数增量，根据元件参数的容差范围完成故障识别；

2.根据权利要求1所述的实时电子电路的故障诊断参数识别方法，所述步骤f中利用增广Lagrange乘子法构造求解参数识别方程、约束目标函数的神经网络计算能量函数为：

$E=f\left(x\right)+{\mathrm{\&lambda;}}_R^T\mathrm{Re}\left[r\left(x\right)\right]+{\mathrm{\&lambda;}}_I^T\mathrm{Im}\left[r\left(x\right)\right]+\frac{1}{2}{r}^T\left(x\right)K\stackrel{\&OverBar;}{r}\left(x\right)-\frac{1}{2}\mathrm{\&alpha;}[{\mathrm{\&lambda;}}_R^T{\mathrm{\&lambda;}}_R+{\mathrm{\&lambda;}}_I^T{\mathrm{\&lambda;}}_I]$

式中 $f\left(x\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left|\frac{{\mathrm{\&Delta;P}}_i}{P_{\mathrm{io}}}\right|+\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left(\right|\frac{\mathrm{Re}{\mathrm{\&Delta;x}}_i^j}{\mathrm{Re}{x}_{\mathrm{io}}^j}|+|\frac{\mathrm{Im}{\mathrm{\&Delta;x}}_i^j}{\mathrm{Im}{x}_{\mathrm{io}}^j}\left|\right)$ 为优化问题约束目标函数；

$r\left(x\right)=\left[\begin{array}{c}{H}^{m1}{\mathrm{\&Omega;}}^1(x_0^1+{\mathrm{\&Delta;x}}^1)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ H^{\mathrm{mk}}{\mathrm{\&Omega;}}^k(x_0^k+{\mathrm{\&Delta;x}}^k)\end{array}\right]\&CenterDot;\mathrm{\&Delta;P}-\left[\begin{array}{c}{\mathrm{\&Delta;V}}^{m1}\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ {\mathrm{\&Delta;V}}^{\mathrm{mk}}\end{array}\right]$ 为故障诊断方程残差；

$={[r_1^1,\&CenterDot;\&CenterDot;\&CenterDot;,r_m^1,r_1^2,\&CenterDot;\&CenterDot;\&CenterDot;,r_m^2,r_1^k,\&CenterDot;\&CenterDot;\&CenterDot;,r_m^k]}^T$

$\stackrel{\&OverBar;}{r}\left(x\right)={[{\stackrel{\&OverBar;}{r}}_1^1,\&CenterDot;\&CenterDot;\&CenterDot;,{\stackrel{\&OverBar;}{r}}_m^1,\&CenterDot;\&CenterDot;\&CenterDot;{\stackrel{\&OverBar;}{r}}_m^2,\&CenterDot;\&CenterDot;\&CenterDot;,{\stackrel{\&OverBar;}{r}}_1^k,\&CenterDot;\&CenterDot;\&CenterDot;,{\stackrel{\&OverBar;}{r}}_m^k]}^T$ 为残差矢量的共轭；

为r_i ^j的共轭复数(j＝1，…，k；i＝1，…，m)

$K=\mathrm{diag}[K_1^1,K_2^1,\&CenterDot;\&CenterDot;\&CenterDot;,K_m^1,\&CenterDot;\&CenterDot;\&CenterDot;,K_m^k,],$ K_i ^j(j＝1，…，k；i＝1，…，m)为罚参数，且 $K_i^j\&GreaterEqual;0;$

${\mathrm{\&lambda;}}_R={[{\mathrm{\&lambda;}}_{R1}^1,\&CenterDot;\&CenterDot;\&CenterDot;,{\mathrm{\&lambda;}}_{\mathrm{Rm}}^1,{\mathrm{\&lambda;}}_{R1}^2,\&CenterDot;\&CenterDot;\&CenterDot;,{\mathrm{\&lambda;}}_{\mathrm{Rm}}^2,\&CenterDot;\&CenterDot;\&CenterDot;,{\mathrm{\&lambda;}}_{R1}^k,\&CenterDot;\&CenterDot;\&CenterDot;,{\mathrm{\&lambda;}}_{\mathrm{Rm}}^k]}^T$ 为Lagrange乘子实部分量；

为Lagrange乘子虚部分量；

λ_R，λ_I为Lagrange乘子；

$X={[{\mathrm{\&Delta;P}}_1,\&CenterDot;\&CenterDot;\&CenterDot;,{\mathrm{\&Delta;P}}_n,\mathrm{Re}{\mathrm{\&Delta;x}}_1^1,\&CenterDot;\&CenterDot;\&CenterDot;,\mathrm{Re}{\mathrm{\&Delta;x}}_n^1,\mathrm{Re}{\mathrm{\&Delta;x}}_n^k,\&CenterDot;\&CenterDot;\&CenterDot;,\mathrm{Im}{\mathrm{\&Delta;x}}_n^k]}^T$ 为优化变量；

α≥0为规则化参数；

P_i为元件参数，i＝1至n，n为元件数量；ΔP_i为元件参数增量；x_i为节点电压值，Δx_i为节点电压增量，ΔV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；P_i0为元件参数正常标称值。

Images