基于模糊免疫算法的電路故障診斷研究

王榮海

(綿陽職業技術學院，四川綿陽，621000)

1 電路測試生成、特征獲取與故障診斷方法機理概述

1.1 電路測試生成

電路故障診斷功能性測試主要針對被測試系統生成的測試向量，從而檢驗功能測試標準的準確性。功能性測試把整個系統看作黑盒，并僅關注其輸入與輸出而無需了解其內部工作機制，依據輸出端口響應判別功能指標和系統存在的障礙點。功能性測試不適合超級規模混成的電路系統，所產生的測試數據往往超過裝備的接收能力。

1.2 電路故障診斷特征獲取方法

電路尤其是大規模集成電路中的故障數據多為非線性并帶有很強的噪聲干擾。常用的特征獲取[1]方法將現有的特征向量與障礙數據相對應，并將現有數據特征往高維域映射，并在高維域中選取最具重要的障礙數據，去除無用數據點。

1.2.1 主成分方法下的特征獲取策略

主成分方法是一類有效的多維信息獲取方法，即把幾個相關參量轉換為無關聯并各自獨立的主成分參量，并利用線性組合保存初始數據。主成分方法可利用降維方法削減特征維數，再根據線性關聯算法完成數據轉換，從而實現簡約數據各自獨立的目標，削減障礙分類操作量，提升障礙識別幾率。

1.2.2 獨立特征獲取方法

獨立特征獲取方法即把數據和噪聲分離，數據和噪聲往往在頻率上存在交叉。而獨立特征獲取方法假定初始數據為線性混合的，并利用混合數據的線性組合復原初始源數據，并完成縮放。

1.3 故障診斷機理概述

1.3.1 故障診斷模型

理想的故障診斷模型主要指能夠精準獲取復雜電路故障特征數據的模型。常見的測試模型包含SSL[2]與Stuckat故障診斷模型，此類模型往往包含大多數電路物理中的問題。工業級別往往利用SSL度量測試生成的效率，而SSL并不能保障覆蓋全部的功能障礙模型，從而對工業領域產生影響。這點也是本文的研究重點。

1.3.2 功能級數據

伴隨電路故障診斷行業的發展，電路研究工作人員利用程序語言對電路系統的功能級別完成描述，從而直接獲得所需求的電路模型。該設計方案能夠最大限度地提升電路設計人員的工作效率，并構建準確的故障診斷模型，從而帶動電路測試生成行業的發展。

1.3.3 測試集合最小化

完備的測試集合主要指檢測所包括的全部測試數據，但采用的測試方法獲取的數據集合常不能完全覆蓋所有的故障，而是無限接近于100%。為簡約測試進程，應不斷簡約測試數據集，以滿足最小數據實現最優的障礙覆蓋率。

2 模糊免疫方法機理

2.1 免疫方法機理概述

2.1.1 免疫方法仿生原理

免疫系統[3]作為人體內部功能最為復雜的部分，該系統存在很好的多樣性，記憶性，分布性，學習性與自適應性。而從數據處理的角度來說，存在數據的分布化存儲、連接與辨識的處理能力，并為科研工作者提供深層的數據處理模型。

2.1.2 免疫方法類別

免疫方法可基本劃分為兩種，其一為在初次應答階段完成學習，即免疫模型在首次完成新抗原的辨識時，由于免疫模型首次辨識新的抗原。其二為免疫模型自身存在免疫記憶，若生命體和抗原反復相遇，則系統能夠提升應答速率。

2.1.3 免疫方法應答機制

免疫方法應答主要利用抗體學習抗原而實現的，當病原體入侵免疫體系時，首先實現克隆選擇，并選取親和力較高的抗體完成進化。細胞克隆能夠讓親和力較高的抗體依據親和力結果完成克隆并復制。

2.2 模糊免疫方法機理

2.2.1 模糊免疫方法機理概述

模糊免疫方法指把模糊數學推理過程帶入到上文所述的人工免疫方法后優化而得。整個過程屬于隨機搜索尋優的方法，利用抗體群，細胞克隆與演變，親和力突變，免疫方法獲取，成員搜索與抗體群模糊推理過程，保證算法在局部最優點達到收斂。

2.2.2 模糊免疫方法常規步驟和優勢

模糊免疫方法是在仿生學的基礎上拓展而來的。模糊免疫方法可分為三步：1.生成多樣性；2.構建自體耐受環節；3.形成記憶非自構建體。模糊免疫方法作為群體搜索策略，更重視各個單體中的數據轉換。此外，免疫方法可同時搜索多個點，獲取參數編碼組，搜索進程中采用的目標函數為提前設計的自適應函數。

3 模糊免疫算法的電路故障診斷和實驗研究3.1 故障診斷中的電路分析

通常情況下，對模擬電路完成故障診斷時，需要設置一組能夠反應電路狀態的特征參量，并利用電壓和電流等參數進行推算。若電路出現故障時，電路中各個節點的電壓和電流參量往往發生改變，而電路中各個參數能滿足正態分布。因而，若集成電路受到容差影響并產生故障，其故障特征參量往往位于以無容差參數為核心的空間域內。若對整個電路完成靈敏度解析，則需要科學設定測算節點，并將電壓變化結果形成特征參量，從而保障故障參量在空間域中的分布。

3.2 電路模糊免疫方法故障診斷的matlab實現流程

采用matlab軟件對電路故障診斷的模糊免疫方法編碼主要分為六個步驟。即1.設定抗體數目，編碼長度，抗體數目，測試樣本與進化數目完成編碼；2.隨機獲取初始抗體群組；3.測算抗體群組中各個抗體間的親和程度；4.在抗體群組中得到最具親和力的抗體，并完成克隆；5.判斷迭代是否終止的標準，并利用親和力程度高的抗體用作分類裝置，測試各個樣本的模糊隸屬程度。

3.3 模糊免疫算法的電路故障診斷模型構建

采用蒙特卡羅算法對整個電路中涉及到的各個參量完成仿真，并由此生成10組樣本，綜合各類故障樣本得到50個初始抗原群體，完成模糊免疫算法系統的訓練與分類學習。通過模糊免疫算法的訓練與學習獲取故障相應的最優抗體，并結合五個故障特征向量搭建測試樣本，結合直流激勵完成電路仿真。

3.4 模糊免疫算法的電路故障診斷實驗研究

為驗證本文模糊免疫算法的實際故障診斷能力，本文采用仿真實驗進行分析。如圖1給出的電路模型，測算節點為K1,K2,K3,K4,K5,K6,K7，將各個電阻標稱量設定為10K，容差區間在5%內。在開斷路間設定五類故障，故障T1為R1短路；T2為R3斷路；T3為R5斷路；T4為R6斷路，R11短路；T5為R5短路，R8短路。

圖1 模糊免疫算法電路故障診斷模型

應用模糊免疫算法隨機得到抗體群組的學習抗原，并在20代進化之后獲取最優抗體，其抗體親和力狀態，如表1給出。

表1 模糊免疫算法電路故障診斷抗體親和力對比