电子系统故障预测方法现状与展望

新时代工程咨询有限公司 张 建中国电子科技集团公司第四十一研究所 周靖宇



电子系统故障预测方法现状与展望

新时代工程咨询有限公司 张 建
中国电子科技集团公司第四十一研究所 周靖宇

【摘要】电子系统故障预测是电子系统预测与健康管理(Prognostic and Health Management/Monitoring, PHM)中非常重要的环节，相比故障诊断和状态监测，故障预测方法可以更有效的在故障发生之前就避免由于故障引发的灾难性损失的发生。本文分类综述了国内外近十年来的电子系统故障预测方法，并从三个新型故障预测方法出发对未来电子系统故障预测方法的发展进行了展望。

【关键词】综述；电子系统；故障预测

1 引言

系统故障预测与健康管理(Prognostic and Health Management/Monitoring, PHM)的概念最早于1998年由美国提出，目的是要求系统有对自身状态进行健康管理的能力的同时并且具有预测自身故障的能力。PHM技术最早应用于美军的直升机装备保障上，后来又逐渐发展到了航天器的相关领域。随着故障监测与维修技术迅猛发展，包括机械系统、网络系统、电力系统等都逐渐的将PHM技术应用进去，并取得了显著的成果[1-9]。随着电子技术的迅猛发展，电子系统无疑成为各类系统中极其重要的一个环节，电子系统的重要性不言而喻，由于电子系统故障而造成损失的案例数量大大增加，且影响严重。例如我国2011年的“7.23”动车重大追尾事故，便是由于在雷击后列车的控制中心采集驱动单元采集电路的电路回路故障引起的。因此可见，当前对于电子系统PHM的研究是相当有必要的。

图1 PHM基础模型框图

如图1为PHM的基础模型框图，如图1可知PHM的研究主要分为图中六个方面，而这六个方面中故障诊断和故障预测是最重要的两个方面。在这两个方面中，故障诊断的相关研究较多，技术也相对成熟；而故障预测的相关研究较少，这是由于电子系统的故障预测研究存在以下几个难点：

1)数学模型依赖性。现有针对于系统的研究方法往往考虑的是线性系统，且方法多基于数学模型的建立，这样使得这些方法在针对电子系统时往往不能满足实际情况的需要，从而缺乏实际应用性

2)缺乏客观性。在研究系统的故障现象、故障位置和故障原因等关系的时候往往相当复杂，为了来简化这些关系，常常通过加入“人为”设定等方法来简化系统，这样虽然使得系统中关系的复杂性得以简化，但是却使得特征包含的信息特征被不合理的压缩，导致现有方法不能精确的预测故障；而系统本身原始庞大的信息量如何融合，成为了现有方法客服客观性问题的一个难题。

3)缺乏延展性。电子系统结构和特征变化很多，故障种类也相当多，这使得现有方法往往缺乏延展性，既只能针对个别结构有较好效果，而缺乏扩充、修改以及适应的能力。

4)验证难。由于电子系统的发展较快且较新，相关的历史数据不足，因此缺乏大量的数据去验证和分析方法的正确性，极大的限制的当今电子系统故障预测方法的发展。

2 现有电子系统故障预测方法

相比故障诊断往往作用于故障出现之后，故障预测可以在故障出现之前及时的预测故障何时发生，从而更大程度的避免故障造成的损失。特别是针对电子系统，由于电子系统在当今复杂系统中应用越发广泛，所以对于电子系统的故障预测的研究是非常必要的。现有电子系统故障预测方法可以归纳总结如图2所示，本文将电子系统故障预测方法主要分为参数模型预测法和非参数模型预测法：

图2 现有电子系统故障预测方法框图

2.1 参数模型预测法

参数模型预测法总共包含两个过程：第一是对已经测得的历史数据的分析，从而达到确定参数模型的过程；第二是通过已经确定的数学模型对现有的待预测系统进行相应的预测。换言之，通过系统过去的状态已经现在的状态，采用一定的预测方法去估计将来某一个时刻的状态。现有的参数模型较多，常用的方法包括：曲线拟合、概率分析预测、回归预测、滤波器预测、随机时间序列预测、灰色模型预测等。对于不同的电子系统，参数模型预测方法[10-15]的选择合适与否很大程度的影响着预测的效果。

时间序列预测方法的基本思想是将特征数据看为一个随机序列，通过观测相邻值之间的相关性来建立数学模型，从而拟合得到时间序列。这种方法最常用的包括自回归滑动平均模型法（Auto-Regressive and Moving Average,ARMA）和线性非平稳过程差分自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)两种[16-19]。灰色理论预测方法是基于我国邓聚龙教授1982年提出的灰色模型而建立的预测方法。这种方法有许多相关的改进模型，主要原理都是通过一阶微分方程来表征数列的发展规律从而达到预测的效果[8,20]。滤波器预测方法是一种常用的预测方法，常用的滤波器有两种：一种是基于Kalman滤波器的预测方法[21,22]；一种是基于粒子滤波的预测方法[23-28]。

2.2 非参数模型预测法

非参数模型预测法泛指不需要通过系统构建精确数学模型的一种预测方法，由于这种方法不需要构建精确数学模型的优势，因此相比参数模型法，这种方法应用更加广泛。但是这类方法的不足就在于预测模型往往是“黑盒结构”，使得方法缺乏合理性，预测效果存在一定的偶然性。

神经网络预测法是最常用的一种非参数模型预测方法，通过神经网络极强的非线性映射能力，适用于各种预测问题的研究中[29-36]。支持向量回归预测是一种通过支持向量机(Support Vector Machine,SVM)的回归能力来实现的一种预测方法。支持向量机通过核函数将低维线性不可分问题转化到高维线性可分来解决，在对于电子系统的故障预测研究中也取得较好的效果[37,38]。相关向量机(Relevance Vector Machine,RVM)是Micnacl E.Tipping于2000年提出的一种类似于SVM的基于稀疏概率模型的学习方法。相比SVM算法，RVM减少了核函数的计算量，也不需要所选函数满足Mercer条件[40,41]。极限学习机是由南洋理工大学的Huang Guang-Bing于2005年提出的一种单隐层负反馈神经网络方法[42]，这种方法的最大特点就是速度快、泛化能力强，因此应用于电子系统的预测研究中也取得了较好的效果[17]。粗糙集预测法是一种基于粗糙集理论的预测方法，粗糙集理论是1982年由波兰科学家Z.Pawlak提出的一种数据分析处理理论。粗糙集预测法特别适用于含有大量且杂乱的数据特征的系统预测，对于这类问题往往可以取得较好的预测效果[39]。组合预测方法出现较早，是预测研究中非常常用的一种方法。其关键在于将不同的模型通过特定的方式组合起来，通过发挥各个预测方法之间的优点来达到更好预测的目的。

3 电子系统故障预测方法的发展展望

3.1 RUP预测方法

现在的预测方法大多数关注的重点是剩余使用寿命（Remaining Useful Life,RUL），但是不论是简单电子系统还是复杂电子系统，由于容差等因素的存在，使得我们采集到的数据存在一定的波动，这样通过大量数据拟合得到的退化曲线再通过基于阈值参数计算得到的剩余寿命往往不是一个精确且确定的时间刻度，而是基于当前时间刻度下的一个满足某种概率分布的函数。因此，如何更为科学的完善电子系统中的预测方法，从而能够给测试人员提供更加合理和更加有参考价值的故障预测信息，这也是现今对于电子系统故障预测方法发展趋势的重要关注点。

对于这个问题，文献[22,27,28]中在对于简单电子系统(模拟电路)的故障预测中将剩余使用性能(Remaining Useful Performance,RUP)预测的概念引入，取得了较好的故障预测效果。RUP的概念最早被CALCE于2012年提出，应用于电池的预测研究中[23]。如图3所示，其主要思想通过PF得到预测的结果，这里的预测结果不是一个步进数，也不是一个具体的时间值，而是一个概率密度函数（Probability Density Function,PDF）。通过这个PDF我们不仅可以通过均值或者是PDF的最大值来得到我们所需的RUL，我们还能得到一个概率分布函数为监测人员提供更多的信息。尽管这个方法还仅仅是用于模拟电路预测中，但是由于其先进的理念以及适用于电子系统的特性，可以预计RUP预测方法必将极大的促进电子系统预测方法的提高。

图3 RUP预测方法示意图

3.2 FI监控指标

对于电子系统的故障预测是电子系统PHM中的一部分，除此之外，电子系统的状态监控和故障诊断也非常重要，而相比故障预测方法的研究进程，状态监控和故障诊断的方法已经较为成熟和成功。但是在对于故障预测的研究中，尽管研究人员常常借鉴故障诊断和状态监控的方法来推进故障预测研究方法的深入，但是对于这三个重要过程本身之间的联系缺乏关注。这使得电子系统的故障预测方法总是游离于电子系统PHM之外，无法与故障诊断和状态监控方法合理的结合起来。这个问题极大的影响了电子系统故障预测方法的实用性。

图4 电子系统FI监控指标结构框图

基于此，美国CALCE在对于模拟电路故障预测与诊断的研究中，首先提出了一种故障指示值(Fault Indicator,FI)的概念[28]。如图4所示，这种概念的核心理念就是在对于被测对象特征的分析后，通过特定的计算方法从而得到我们所需要的FI 值[22,27,28]，这里的FI值既能进行故障诊断与定位，又能作为历史数据和当前数据为故障预测进行服务。因此有理由相信，未来的电子系统故障预测的研究中，FI监控指标的引入可以将故障诊断、状态监控、故障预测方法在特征融合的层面就合理的结合起来，一方面提高了数据融合方法的合理性；另一方面增加了电子系统故障预测方法的实用性。

3.3 纵向性预测研究的结合

现今电子系统故障预测方法缺乏纵向性，其普遍存在两点不足：第一是系统故障预测缺乏与元件级和板级预测方法的结合；第二是过多采用数据驱动的方法缺少与物理失效（Physics of Failure,PoF）基础模型的结合。为了使得电子系统故障预测方法有效的解决上述两点问题，本文结合文献[8,9,28]，提出一种电子系统故障预测架构。如图5所示，将电子系统的预测分为模块级和元件级两个层次来分析。对于整个电子系统的故障预测，通过模块级故障预测方法进行故障的预测；而对于比较容易出现故障的模块，通过元件级故障预测模型进行元件级的故障预测。与此同时为了增加重要模块预测的精度，将元件基于物理失效研究下的退化与时间关系式带入进行元件级故障预测模型的建立，从而将PoF和数据驱动更好的结合起来。

图5 本文电子系统故障预测结构框图

4 结束语

电子系统是现今装备中非常重要的组成部分，由于电子系统的重要性，电子系统的故障往往对于整个装备会造成极大的破坏。而电子系统故障预测可以在故障发生之前很大程度的避免由于故障而导致的灾难性损失的发生，因此对于电子系统故障预测方法的研究是非常有必要的。本文通过对于电子系统故障预测方法的总结与展望，对现今电子系统故障预测的研究提供了一定的指导意义。首先，本文对于电子系统的研究意义和现有问题作了总结；然后，简要分类介绍了现有的各种电子系统故障预测方法的研究现状；最后，从RUP预测方法，FI故障指示值和预测方法的纵向性结合三个方面，对未来电子系统故障预测方法的发展提出了自己的建议和展望。

参考文献

[1]曾声奎.故障预测与健康管理(PHM)技术的现状与发展[J].航空学报,2005,26(5):627-632.

[2]孙博,康锐,谢劲松.故障预测与健康管理系统研究和应用现状综述[J].系统工程与电子技术,2007,29(10):1762-1767.

[3]梁旭,李行善,张磊等.支持视情维修的故障预测技术研究.测控技术[J],2007,26(6):5-8.

[4]木志高,胡海峰,胡茑庆.武器装备故障预测及健康管理系统设计[J].兵工自动化,2006, 25(3):20-21.

[5]张嘉钟,张利国.航空设备故障预测与健康管理设备[J].航空制造技术,2008,33(2):40-43.

[6]王瑞芳,刘林,徐方.机器人系统的故障预测技术研究[J].制造业自动化,2008,30(11):15-19.

[7]张亮,张凤敏,李俊涛,等.机载预测与健康管理(PHM)系统的体系结构[J].空军工程大学学报(自然科学版),2008,9(2):6-9.

[8]许丽佳.电子系统的故障预测与健康管理技术研究[D].成都:电子科技大学,2009.

[9]李旻.复杂电子系统数据综合诊断与故障预测关键技术研究[D].成都:电子科技大学,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]张娜,龙兵,刘震.基于多特征信息融合的模拟电路故障预测[J].测控技术,2011,30(12):82-85.

[17]高光勇,蒋国平.采用优化极限学习机的多变量混沌时间序列预测[J].物理学报,2012,61(4):0405061 -0405069.

[18]罗航,王厚军,龙兵.基于“松散型”小波神经网络的时间序列预测研究[J].计算机工程与应用,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]程惠涛,黄文虎,姜兴渭.基于灰色模型的故障预报技术及其在空间推进系统上的应用[J].推进技术,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]许丽佳,龙兵,王厚军.基于LSSVM-HMM的发射机故障预测研究[J].仪器仪表学报,2008,29(1):21-26.

[38]姜媛媛,王友仁,崔江,等.基于LS-SVM的电力电子电路故障预测方法[J].电机与控制学报,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]周建宝.基于RVM的锂离子电池剩余寿命预测方法研究[D].哈尔滨:哈尔滨工业大学,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.

张建（1982—），男，河北迁安人，硕士，工程师，现供职于新时代工程咨询有限公司。

周靖宇（1984—），男，四川成都人，博士，现供职于中国电子科技集团公司第四十一研究所，电子测试技术国家重点实验室，研究方向：电子系统故障预测、故障诊断、测试生成算法。

作者简介：