電子系統故障預測方法現狀與展望

新時代工程咨詢有限公司 張 建中國電子科技集團公司第四十一研究所 周靖宇

?

電子系統故障預測方法現狀與展望

新時代工程咨詢有限公司 張 建
中國電子科技集團公司第四十一研究所 周靖宇

【摘要】電子系統故障預測是電子系統預測與健康管理(Prognostic and Health Management/Monitoring, PHM)中非常重要的環節，相比故障診斷和狀態監測，故障預測方法可以更有效的在故障發生之前就避免由于故障引發的災難性損失的發生。本文分類綜述了國內外近十年來的電子系統故障預測方法，并從三個新型故障預測方法出發對未來電子系統故障預測方法的發展進行了展望。

【關鍵詞】綜述；電子系統；故障預測

1 引言

系統故障預測與健康管理(Prognostic and Health Management/Monitoring, PHM)的概念最早于1998年由美國提出，目的是要求系統有對自身狀態進行健康管理的能力的同時并且具有預測自身故障的能力。PHM技術最早應用于美軍的直升機裝備保障上，后來又逐漸發展到了航天器的相關領域。隨著故障監測與維修技術迅猛發展，包括機械系統、網絡系統、電力系統等都逐漸的將PHM技術應用進去，并取得了顯著的成果[1-9]。隨著電子技術的迅猛發展，電子系統無疑成為各類系統中極其重要的一個環節，電子系統的重要性不言而喻，由于電子系統故障而造成損失的案例數量大大增加，且影響嚴重。例如我國2011年的“7.23”動車重大追尾事故，便是由于在雷擊后列車的控制中心采集驅動單元采集電路的電路回路故障引起的。因此可見，當前對于電子系統PHM的研究是相當有必要的。

圖1 PHM基礎模型框圖

如圖1為PHM的基礎模型框圖，如圖1可知PHM的研究主要分為圖中六個方面，而這六個方面中故障診斷和故障預測是最重要的兩個方面。在這兩個方面中，故障診斷的相關研究較多，技術也相對成熟；而故障預測的相關研究較少，這是由于電子系統的故障預測研究存在以下幾個難點：

1)數學模型依賴性?，F有針對于系統的研究方法往往考慮的是線性系統，且方法多基于數學模型的建立，這樣使得這些方法在針對電子系統時往往不能滿足實際情況的需要，從而缺乏實際應用性

2)缺乏客觀性。在研究系統的故障現象、故障位置和故障原因等關系的時候往往相當復雜，為了來簡化這些關系，常常通過加入“人為”設定等方法來簡化系統，這樣雖然使得系統中關系的復雜性得以簡化，但是卻使得特征包含的信息特征被不合理的壓縮，導致現有方法不能精確的預測故障；而系統本身原始龐大的信息量如何融合，成為了現有方法客服客觀性問題的一個難題。

3)缺乏延展性。電子系統結構和特征變化很多，故障種類也相當多，這使得現有方法往往缺乏延展性，既只能針對個別結構有較好效果，而缺乏擴充、修改以及適應的能力。

4)驗證難。由于電子系統的發展較快且較新，相關的歷史數據不足，因此缺乏大量的數據去驗證和分析方法的正確性，極大的限制的當今電子系統故障預測方法的發展。

2 現有電子系統故障預測方法

相比故障診斷往往作用于故障出現之后，故障預測可以在故障出現之前及時的預測故障何時發生，從而更大程度的避免故障造成的損失。特別是針對電子系統，由于電子系統在當今復雜系統中應用越發廣泛，所以對于電子系統的故障預測的研究是非常必要的?，F有電子系統故障預測方法可以歸納總結如圖2所示，本文將電子系統故障預測方法主要分為參數模型預測法和非參數模型預測法：

圖2 現有電子系統故障預測方法框圖

2.1 參數模型預測法

參數模型預測法總共包含兩個過程：第一是對已經測得的歷史數據的分析，從而達到確定參數模型的過程；第二是通過已經確定的數學模型對現有的待預測系統進行相應的預測。換言之，通過系統過去的狀態已經現在的狀態，采用一定的預測方法去估計將來某一個時刻的狀態。現有的參數模型較多，常用的方法包括：曲線擬合、概率分析預測、回歸預測、濾波器預測、隨機時間序列預測、灰色模型預測等。對于不同的電子系統，參數模型預測方法[10-15]的選擇合適與否很大程度的影響著預測的效果。

時間序列預測方法的基本思想是將特征數據看為一個隨機序列，通過觀測相鄰值之間的相關性來建立數學模型，從而擬合得到時間序列。這種方法最常用的包括自回歸滑動平均模型法（Auto-Regressive and Moving Average,ARMA）和線性非平穩過程差分自回歸移動平均模型(Autoregressive Integrated Moving Average Model,ARIMA)兩種[16-19]?；疑碚擃A測方法是基于我國鄧聚龍教授1982年提出的灰色模型而建立的預測方法。這種方法有許多相關的改進模型，主要原理都是通過一階微分方程來表征數列的發展規律從而達到預測的效果[8,20]。濾波器預測方法是一種常用的預測方法，常用的濾波器有兩種：一種是基于Kalman濾波器的預測方法[21,22]；一種是基于粒子濾波的預測方法[23-28]。

2.2 非參數模型預測法

非參數模型預測法泛指不需要通過系統構建精確數學模型的一種預測方法，由于這種方法不需要構建精確數學模型的優勢，因此相比參數模型法，這種方法應用更加廣泛。但是這類方法的不足就在于預測模型往往是“黑盒結構”，使得方法缺乏合理性，預測效果存在一定的偶然性。

神經網絡預測法是最常用的一種非參數模型預測方法，通過神經網絡極強的非線性映射能力，適用于各種預測問題的研究中[29-36]。支持向量回歸預測是一種通過支持向量機(Support Vector Machine,SVM)的回歸能力來實現的一種預測方法。支持向量機通過核函數將低維線性不可分問題轉化到高維線性可分來解決，在對于電子系統的故障預測研究中也取得較好的效果[37,38]。相關向量機(Relevance Vector Machine,RVM)是Micnacl E.Tipping于2000年提出的一種類似于SVM的基于稀疏概率模型的學習方法。相比SVM算法，RVM減少了核函數的計算量，也不需要所選函數滿足Mercer條件[40,41]。極限學習機是由南洋理工大學的Huang Guang-Bing于2005年提出的一種單隱層負反饋神經網絡方法[42]，這種方法的最大特點就是速度快、泛化能力強，因此應用于電子系統的預測研究中也取得了較好的效果[17]。粗糙集預測法是一種基于粗糙集理論的預測方法，粗糙集理論是1982年由波蘭科學家Z.Pawlak提出的一種數據分析處理理論。粗糙集預測法特別適用于含有大量且雜亂的數據特征的系統預測，對于這類問題往往可以取得較好的預測效果[39]。組合預測方法出現較早，是預測研究中非常常用的一種方法。其關鍵在于將不同的模型通過特定的方式組合起來，通過發揮各個預測方法之間的優點來達到更好預測的目的。

3 電子系統故障預測方法的發展展望

3.1 RUP預測方法

現在的預測方法大多數關注的重點是剩余使用壽命（Remaining Useful Life,RUL），但是不論是簡單電子系統還是復雜電子系統，由于容差等因素的存在，使得我們采集到的數據存在一定的波動，這樣通過大量數據擬合得到的退化曲線再通過基于閾值參數計算得到的剩余壽命往往不是一個精確且確定的時間刻度，而是基于當前時間刻度下的一個滿足某種概率分布的函數。因此，如何更為科學的完善電子系統中的預測方法，從而能夠給測試人員提供更加合理和更加有參考價值的故障預測信息，這也是現今對于電子系統故障預測方法發展趨勢的重要關注點。

對于這個問題，文獻[22,27,28]中在對于簡單電子系統(模擬電路)的故障預測中將剩余使用性能(Remaining Useful Performance,RUP)預測的概念引入，取得了較好的故障預測效果。RUP的概念最早被CALCE于2012年提出，應用于電池的預測研究中[23]。如圖3所示，其主要思想通過PF得到預測的結果，這里的預測結果不是一個步進數，也不是一個具體的時間值，而是一個概率密度函數（Probability Density Function,PDF）。通過這個PDF我們不僅可以通過均值或者是PDF的最大值來得到我們所需的RUL，我們還能得到一個概率分布函數為監測人員提供更多的信息。盡管這個方法還僅僅是用于模擬電路預測中，但是由于其先進的理念以及適用于電子系統的特性，可以預計RUP預測方法必將極大的促進電子系統預測方法的提高。

圖3 RUP預測方法示意圖

3.2 FI監控指標

對于電子系統的故障預測是電子系統PHM中的一部分，除此之外，電子系統的狀態監控和故障診斷也非常重要，而相比故障預測方法的研究進程，狀態監控和故障診斷的方法已經較為成熟和成功。但是在對于故障預測的研究中，盡管研究人員常常借鑒故障診斷和狀態監控的方法來推進故障預測研究方法的深入，但是對于這三個重要過程本身之間的聯系缺乏關注。這使得電子系統的故障預測方法總是游離于電子系統PHM之外，無法與故障診斷和狀態監控方法合理的結合起來。這個問題極大的影響了電子系統故障預測方法的實用性。

圖4 電子系統FI監控指標結構框圖

基于此，美國CALCE在對于模擬電路故障預測與診斷的研究中，首先提出了一種故障指示值(Fault Indicator,FI)的概念[28]。如圖4所示，這種概念的核心理念就是在對于被測對象特征的分析后，通過特定的計算方法從而得到我們所需要的FI 值[22,27,28]，這里的FI值既能進行故障診斷與定位，又能作為歷史數據和當前數據為故障預測進行服務。因此有理由相信，未來的電子系統故障預測的研究中，FI監控指標的引入可以將故障診斷、狀態監控、故障預測方法在特征融合的層面就合理的結合起來，一方面提高了數據融合方法的合理性；另一方面增加了電子系統故障預測方法的實用性。

3.3 縱向性預測研究的結合

現今電子系統故障預測方法缺乏縱向性，其普遍存在兩點不足：第一是系統故障預測缺乏與元件級和板級預測方法的結合；第二是過多采用數據驅動的方法缺少與物理失效（Physics of Failure,PoF）基礎模型的結合。為了使得電子系統故障預測方法有效的解決上述兩點問題，本文結合文獻[8,9,28]，提出一種電子系統故障預測架構。如圖5所示，將電子系統的預測分為模塊級和元件級兩個層次來分析。對于整個電子系統的故障預測，通過模塊級故障預測方法進行故障的預測；而對于比較容易出現故障的模塊，通過元件級故障預測模型進行元件級的故障預測。與此同時為了增加重要模塊預測的精度，將元件基于物理失效研究下的退化與時間關系式帶入進行元件級故障預測模型的建立，從而將PoF和數據驅動更好的結合起來。

圖5 本文電子系統故障預測結構框圖

4 結束語

電子系統是現今裝備中非常重要的組成部分，由于電子系統的重要性，電子系統的故障往往對于整個裝備會造成極大的破壞。而電子系統故障預測可以在故障發生之前很大程度的避免由于故障而導致的災難性損失的發生，因此對于電子系統故障預測方法的研究是非常有必要的。本文通過對于電子系統故障預測方法的總結與展望，對現今電子系統故障預測的研究提供了一定的指導意義。首先，本文對于電子系統的研究意義和現有問題作了總結；然后，簡要分類介紹了現有的各種電子系統故障預測方法的研究現狀；最后，從RUP預測方法，FI故障指示值和預測方法的縱向性結合三個方面，對未來電子系統故障預測方法的發展提出了自己的建議和展望。

參考文獻

[1]曾聲奎.故障預測與健康管理(PHM)技術的現狀與發展[J].航空學報,2005,26(5):627-632.

[2]孫博,康銳,謝勁松.故障預測與健康管理系統研究和應用現狀綜述[J].系統工程與電子技術,2007,29(10):1762-1767.

[3]梁旭,李行善,張磊等.支持視情維修的故障預測技術研究.測控技術[J],2007,26(6):5-8.

[4]木志高,胡海峰,胡蔦慶.武器裝備故障預測及健康管理系統設計[J].兵工自動化,2006, 25(3):20-21.

[5]張嘉鐘,張利國.航空設備故障預測與健康管理設備[J].航空制造技術,2008,33(2):40-43.

[6]王瑞芳,劉林,徐方.機器人系統的故障預測技術研究[J].制造業自動化,2008,30(11):15-19.

[7]張亮,張鳳敏,李俊濤,等.機載預測與健康管理(PHM)系統的體系結構[J].空軍工程大學學報(自然科學版),2008,9(2):6-9.

[8]許麗佳.電子系統的故障預測與健康管理技術研究[D].成都:電子科技大學,2009.

[9]李旻.復雜電子系統數據綜合診斷與故障預測關鍵技術研究[D].成都:電子科技大學,2012.

[10]Gadzheva E D,Raykovska L H. Nullatornorator approach for diagnosis and fault prediction in analog circuits[J].1994 IEEE International Symposium on Circuits and Systems,1994,Vol.1:53-56.

[11]Y.M.Cheng,H.C.Wu,M.W.Chou,et al.Online failure prediction of electrolytic capacitors for LC filter of switching mode power converters[J]. IEEE Trans.Ind. Electron,2008,55(1):400-406.

[12]M.A.Alam,M.H.Azarian,M.Osterman, et al.Prognostics of failures in embedded planar capacitors using model-based and data-driven approaches[J]. J. Intell.Mater.Syst.Struct,2011,22:1293-1304.

[13]D.Kwon,M.Azarian,M.Pecht. Prognostics of interconnect degradation using RF impedance monitoring and sequential probability ratio test[J]. International Journal of Performability Engineering,2010,6(5):443-452.

[14]Prieto J A,Rueda A,Grout I et al.An approach to realistic fault prediction and layout design for testability in analog circuits[C]. Proceedings of the Conference on Design,Automation and Test in Europe,1998,1:905-911.

[15]Henderson D S,Lothian K,Priest J. PC monitoring and fault prediction for small hydroelectric plants[C].Power station maintenance:The First IEE/IMechE International Conference on Power Station Maintenance - Profitability Through Reliability,1998,1:28-31.

[16]張娜,龍兵,劉震.基于多特征信息融合的模擬電路故障預測[J].測控技術,2011,30(12):82-85.

[17]高光勇,蔣國平.采用優化極限學習機的多變量混沌時間序列預測[J].物理學報,2012,61(4):0405061 -0405069.

[18]羅航,王厚軍,龍兵.基于“松散型”小波神經網絡的時間序列預測研究[J].計算機工程與應用,2008,44(8):16-19.

[19]Robert M,Ed B,Mike D.Predicting faults with real-time diagnosis[C]. Proceedings of the 30th Conference on Decision and Control,1991,1:2598-2603.

[20]程惠濤,黃文虎,姜興渭.基于灰色模型的故障預報技術及其在空間推進系統上的應用[J].推進技術,1998,19(3):74-77.

[21]M.S.Grewal,A.P.Andrew.Kalman filtering: theory and practice using MATLAB[M].Wiley & Sons Inc.,2008,1(15):121.

[22]J.Y.Zhou,S.L.Tian,C.L.Yang,et al. A novel prediction method for analog circuits based on Gaussion white noise estimation[C].The 17th IEEE International Conference on Computational Science and Engineering,Chengdu, 2014,105-112.

[23]W.He,N.Williard,M.Osterman,et al.Remaining useful performance analysis of batteries[C].IEEE Conference on Prognostics and Health Management,Denver, 2011,20-23.

[24]W.He.,N.Williard,M.Osterman,et al.Prognostics of lithium-ion batteries based on Dempster-Shafer theory and the Bayesian Monte-Carlo method[J].Journal of Power Sources,2011,196:10314-10321.

[25]F.Gunnarsson,N.Bergman,U.Forssell,et al.Particle filters for positioning.navigation and Tracking[J]. IEEE Trans.Signal Processing,2002, 50(2):425-437.

[26]M.Li,W.M.Xian,B.Long,et al.Prognostics of analog filters based on particle filters using frequency features[J].J.Electron Test,2013,29: 567-584.

[27]J.Y.Zhou,S.L.Tian,C.L.Yang.A novel prediction method about single components of analog circuits field modeling[J].Scientific World Journal, 2014,2014:1-12.

[28]A.S.S Vasan,B. Long,M.Pecht.Diagnostics and prognostics method for analog electronic circuits[J].IEEE Trans. Ind. Electron,2013,60(11):5277-5291.

[29]Lennox B,Rutherford P,Montague G A etc.A novel fault prediction technique using model degradation analysis[C].Processing of the American Control Confere nce.1995,5:3274-3278.

[30]Khoshgoftaar T M,Pandya A S,More H B.A neural network approach for software development faults[C].Proceedings of the Third Symposium on Software Reliability Engineering,1992,1:83-89.

[31]Devabhaktuni V K,Yagoub M C E,Zhang Q J.A robust algorithm for automaticdevelopment of neural network models for microwave applications[J]. IEEE Transactions Microwave Theory Technology, 2001,49(12):2282-2291.

[32]Virk S M,Muhammad A,Martinez-Enriquez A M. Fault prediction using artificial neural network and fuzzy logic[C].Seventh Mexican International Conference on Artificial Intelligence,2008,1:149-154.

[33]Chen T C,Han D J,Au F T K A et al.Acceleration of levenberg-marquardt training of neural networks with variable decay rate[C].Proceedings of the International Joint Conference on Neural Networks,2003,3:1873-1878.

[34]Thwin M M T,Quah T S.Application of neural network for predicting software development faults using object-oriented design metrics[C]. Proceedings of the 9th International Conference on Neural Information Processing,2002,5:2312-2316.

[35]Ghorbani A A,Bhavsar V C.Incremental communication for Multilayer neural networks[J].IEEE Transactions on Neural Networks,1995,6(6): 1375-1385.

[36]Qiu H,Lee J,Lin J et al.obust Performance Degradation Assessment Methods for Enhanced rolling element bearing prognostics[J].Advanced Engineering Informatics,2003,17(6):127-140.

[37]許麗佳,龍兵,王厚軍.基于LSSVM-HMM的發射機故障預測研究[J].儀器儀表學報,2008,29(1):21-26.

[38]姜媛媛,王友仁,崔江,等.基于LS-SVM的電力電子電路故障預測方法[J].電機與控制學報,2011,15(8):64-68.

[39]Pena J M,Letourneau S, Famili F.Application of rough sets algorithms to prediction aircraft component failure[C].Advanced in intelligent data analysis third international symposium,1999,8:9-11.

[40]Saha B,Goebel K,Christophersen J.Comparison of prognostic algorithms for estimating remaining useful life of batteries[J]. Transactions of the Institute of Measurement and Control,2009,31(3-4):293-308.

[41]周建寶.基于RVM的鋰離子電池剩余壽命預測方法研究[D].哈爾濱:哈爾濱工業大學,2013.

[42]Huang G B,Zhu Q Y,Siew C K.Extreme learning machine:theory and applications[J].Neurocomp uting,2006,70(1/3):489-501.

張建（1982—），男，河北遷安人，碩士，工程師，現供職于新時代工程咨詢有限公司。

周靖宇（1984—），男，四川成都人，博士，現供職于中國電子科技集團公司第四十一研究所，電子測試技術國家重點實驗室，研究方向：電子系統故障預測、故障診斷、測試生成算法。

作者簡介：