电子产品测试点优化综述

宋 秦，翟正军，郭阳明

（西北工业大学 计算机学院，陕西 西安710072）

现代化、快节奏的高技术战争的特点是作战规模大、强度高、对抗激烈。在这种条件下，各种武器系统必须保持良好的状态，必须具备根据战场形式变化实现快速部署和快速反应的能力和维护保障能力，这就要求武器系统在时刻保持装备的战备完好性的同时，保障系统必须能准确评估武器系统的实际状态和战斗水平，以保证作战任务的成功率。随着现代数字技术、微电子技术的迅速发展，武器系统中大量采用了复杂的先进电子产品，电子产品的性能不断提高，集成度越来越高，越来越复杂，特别是各种微型电路的应用，给测试和维护带来了严重的问题和负担，加之这些电子产品的工作环境条件恶劣，也使得电子产品的故障预测和健康管理成为当前影响战备完好性、使用和保障费用的主要因素之一。这些已引起了美英等国军方的普遍关注。从目前的文献可以看出[1-9]，国外已经开展了称为电子产品故障预测与健康管理（electronics failure Prediction and Health Management，ePHM）的关键技术研究与应用开发，ePHM及其相关技术已成为PHM研究的一个新的热点，并成为PHM未来研究的重点[10]。

近年来，大量高技术、信息化武器系统/装备在我国各军种的陆续服役，使得复杂先进电子产品的维护保障逐渐成为我军未来使用、维护、维修的重点。提早开展电子产品故障预测与健康管理的核心关键技术――电子产品故障预测理论和方法研究，对提高复杂武器系统可靠性、维修性、测试性、保障性和安全性，以及降低寿命周期费用具有十分重要的意义。

众所周知，在进行试验测试研究时，往往需要布置多个测点，一般来说测点愈多，愈能够更多地了解所测物理量真实状况。但是，测点愈多，所需的仪器设备也就愈多，工作量也会大大增加。人们一般希望用尽量少的测点，达到试验的目的，在试验中工作量较小的情况下得到比较完整、合理的试验数据[11]。目前国外开展的ePHM研究中主要的方法是通过嵌入到电子产品中的传感器收集和分析与故障密切相关的参数，利用关键参数的变化来诊断和预测故障，如利用焊接件焊点的电阻变化来预测电子产品的残余寿命，利用动态功耗来预测电路故障等。针对ePHM系统中大量的航空电子产品的故障预测需求，如何合理的选择测点并寻找传感器布局的优选方案已成为一个迫切需要解决的问题。

1 ePHM中测试点的优化步骤

电子产品尤其是航空电子产品，其系统结构组成复杂，工作环境条件恶劣，要求具有更高的可靠性，对其进行视情维修/维护显得尤为重要。因此在研究测试点优化问题时应结合航空电子产品的特性和工作环境，借鉴已有的PHM和ePHM研究成果，从状态监测获取信息的完备性、准确性以及利用信息的充分性出发，开展电子产品故障预测中测试点优化方法的研究。

航空电子产品结构组成复杂，当某种故障将要发生或某些轻微故障发生后，可能导致产品中多个测量点处会出现故障。诊断就是检测故障和隔离故障的过程，而来源于测试点的参数信息是诊断过程中检测和隔离故障的基础。因此，要对电子产品的故障进行准确监测和预测，首先必须搞清楚电子产品中可能或已经出现的故障情况并明确其危害性，从而进一步确认监测源[12]。

对于一个系统而言，可能发生的故障模式难以穷尽，如果把所有因素都考虑进去，势必使测试设计极为复杂。因此，必须先进行故障模式、影响及危害性分析，以确定故障率高、危害性大的故障模式，把这些故障模式作为测试点选取的参考重点。故障模式影响及危害性分析 （Failure Mode and Effects Criticality Analysis，FMECA）目前已是一种趋于成熟的方法，被广泛应用于设计评审和可靠性分析，表 1列出了一些电子产品的常见故障模式，这些故障模式基本上概括大多数产品可能发生的故障现象[13]。

电子产品故障危害性分析主要的指标有致命度和风险指标，量化后的致命度和风险度数值代表了故障模式的破坏力大小。致命度的计算公式：

影响度的评估项目一般为所有项目的总和。例如发生某个故障时，子系统、系统、安全性、经济性和环境方面均受到影响，这时影响度的计算公式：

通过对具体电子产品对象的故障提取，故障模式危害性分析，进一步确定监测源，进而研究利用测量值确定测试点的选取和优化方法。在选取测试点时要特别关注一些位置，例如，在重要信号的反馈回路上，在较长的时序逻辑通道上，在有冗余电路上增加测试点等。针对具体的电子产品对象，期望提出一种数学模型，根据一定的优化算法和约束条件，以最大检测精度、最大检测覆盖面、最小成本等为准则确定其约束模型，目标模型，从而提出一种测试点优化的方法。

综上可以得出电子产品测试点优化的一般步骤：

1）电子产品的故障模式和危害性分析 通过故障模式和危害性分析进行电子产品的故障诊断，目前数字电路和模拟电路各自的故障诊断方法已存在很多，主要的研究方向集中在如何对数模混合电路进行故障诊断。

2）测试点的选取 根据故障模式和危害性分析得出风险度/致命度评估分析表，以最大检测精度、最大检测覆盖面、最小成本等为准则，为具体电子产品的测试点定义选取规则，选取合理的测试点。

3）测试点的优化 利用优化算法和优化模型，考虑各测试点可以布局的传感器方案，对已选定的测试点进行优化。

2 测试点故障相关参数及影响因素

表1 电子产品典型故障模式Tab 1 Typical failure modes of electronic products

可测试性（Testability）又称为测试性，是系统和设备能及时、准确地确定其工作状态（可工作、不可工作、工作性能下降），并隔离其内部故障的一种设计特性。可测试性是武器装备本身的一种设计特性，描述了测试信息获取的难易程度。

测试点优化是可测试性研究的一个方向，其最常见的设计指标是故障检测率，可以根据已确定的系统可用度、可靠度，通过权衡分析，确定故障检测率和隔离率要求。也可以根据故障检测率和隔离率来估算系统的可用度或可靠度。

可用度 A（ta）与故障检测率 PFD、可靠度 R（tm）之间的关系可用式（4）表示：

式中，A（ta）表示系统在 ta时间的可用度；R（tm）表示系统在任务时间 tm内无故障工作的概率，R（tm）=exp（-λtm），其中，λ 为系统故障率。PFD表示系统发生故障在任务事件或任务后检查时间内检测出的概率；M（tr）表示检测出的故障在tr时间内修复好恢复到使用状态的概率。

由可靠性理论推出，大部分电子器件的失效率与时间的关系可呈现浴盆曲线。经过老化筛选的电子器件，多处于偶然失效期，失效率则近似为常数。相应的，电子设备的失效率也遵从相似的关系。失效率λ与平均故障间隔时间MTBF的关系如下：

外部环境因素会对电子器件造成损伤，降低其可靠性，是引发电子设备故障的重要原因。表2给出了影响电子产品可靠性主要的环境因素[12]。

表2 影响电子元器件可靠性的环境因素Tab 2 The environmental foutors affect the reliability of electronic components

3 ePHM中测试点优化过程的几点问题

3.1 特定电子产品的电路故障诊断方法的选取与应用

数字电路设备中一个元器件、一个电路或设备的物理故障是千变万化的。为了研究故障对电路或设备的影响，诊断故障的位置，必须对故障作一些分类，选择最典型的故障，这个过程称故障的模型化。数字电路中一般说来其故障总数是有限的，其中大部分故障都可以用固定型模型化故障s-a-1和s-a-0来仿真。数字电路的故障诊断包括故障检测和故障定位。目前主要诊断方法有：穷举测试法、伪穷举测试法和测试码生成法等。而对于模拟电路，由于其元件参数具有容差、普遍存在非线性和反馈等原因，使得模拟电路的故障诊断较数字电路的故障诊断复杂得多[14]。

模拟电路故障诊断常用的方法有元件参数辨识法，这种方法已经比较成熟，但是需要特定的数学模型，且绝大部分方法都是针对无容差电路的元件级诊断，计算量大，一般只适用于离线诊断，难以应用于在线工程诊断。对于无容差电路的元件级诊断，用神经网络方法可以取得很好的效果。在众多方法中，故障字典法因适用于非线性电路及诊断条件没有严格的限制、且简单有效、实用性强，因而在工程上多用这种方法。但是，它不能用于软故障诊断，且由于多故障的组合数太大，在实际中只能用于解决单个硬故障问题，因而其应用受到限制[14]。

电路故障诊断研究从多故障法和字典法开始起步，主流是研究多故障的诊断方法。近年来，以神经网络为代表（包括神经网络、进化计算以及它们的融合）的智能计算技术成为许多领域的研究热点。目前，神经网络技术在故障诊断领域的应用研究也取得了很大的进展。

如何根据特定的电子产品选取合适的故障诊断方法，并有效使用这种方法得到合理的监测源，已成为测试点优化研究中面临的第一个挑战。

3.2 测试点的优化算法和优化模型

在测试点的优化方案中，一般是根据给定的性能指标，利用试凑法来确定相关的几何参数，应用这种方法不能保证得到的解是最优解。在优化设计算法中有强搜索方法和弱搜索方法。强搜索方法是利用目标函数及约束函数的梯度信息以确定性方式进行搜索，如梯度法，其优点是搜索效率高，收敛速度快，缺点是容易陷入局部最优解；弱搜索方法是通过在设计空间中大量地采样，以随机方式进行搜索，如穷举法，其优点是能够解决和处理非凸和不连续的目标函数，能以较大的概率搜索到全局最优解，缺点是搜索效率低，收敛速度慢。

随着人工智能技术的发展，神经网络和遗传算法等一系列优化算法正在被各领域的研究者使用。遗传算法（Genetic Algorithms）是基于生物进化理论的原理发展起来的一种高效的随机搜索与优化的方法。它是一种启发式的随机搜索方法，根据"生存竞争"和"优胜劣汰"的原则，使所要解决的问题从初始解逐渐逼近最优解。可以说遗传算法是强搜索方法和弱搜索方法的结合，既不会偏向于局部最优解，又能启发式地自适应搜索到全局最优点[15]。

人工神经网络（Artificial Neural Network）是对人脑最简单一种抽象和模拟，是由大量的神经元按照一定的拓扑结构和学习算法所构成的，是一个具有高度非线性的超大规模连续时间动力系统，其主要特点有分布存储和容差性，自适应性和自组织性，并行处理性和层次性[16]。

在测试点优化方案的建立过程中，应有效利用人工智能技术选取符合特定电子产品的优化算法，以最大检测精度、最大检测覆盖面、最小成本等为准则确定其约束模型，目标模型。

4 结束语

测试点的优化问题是电子产品故障预测与健康管理技术的重要分支，是从监测源的角度来探索ePHM的理论和方法。由于国内对PHM以及ePHM的研究起步较晚，只是近两年才开始进行ePHM初步的研究，ePHM技术目前远未达到成熟，尚不能进入应用，但它代表了PHM未来的一种重要发展趋势。我国应积极开展对ePHM技术的研究，以便尽快与国际接轨。

[1]Gandy M，Line K.Joint strike fighter-prognostics and health management（PHM）[R].Lockheed Martin Aeronautics，2004.

[2]Goodman D，Hofmeister J，Judkins J.Electronic prognostics for switched mode power supplies[EB/OL].（2007-02-21）[2010-03-01].www.sciencedirect.com.

[3]Johnson S B.Introduction to system health engineering and management in aerospace[A].1st Integrated Systems Health Engineering and Management in Aerospace[C].California，USA：Napa， November 7-10，2005.

[4]Brown D W，Kalgren P W，Byington C S，et al.Electronic prognostics-A case study using global positioning system （GPS）[EB/OL].（2007-02-20）[2010-03-01].www.sciencedirect.com.

[5]Sandborn P A，Wilkinson C.A maintenance planning and business case development model for the application of prognostics and health management（PHM）to Electronic System[EB/OL].（2007-02-16）[2010-03-01].www.sciencedirect.com.

[6]Brown E R，Erin-Elaine Moore，McCollom N N ， et al.Prognostics and Health Management[S].IEEE AC paper#1597，Version 3，Updated January 19， 2007.

[7]Hess A.Prognostics&health management-a thirty-year retrospective[A].1st Integrated Systems Health Engineering and Management in Aerospace （ISHEM 2005）[C].California，USA：Napa，November 7-10，2005.

[8]Johnson S B.Introduction to system health engineering and management in aerospace[A].1st Integrated Systems Health Engineering and Management in Aerospace[C].California，USA：Napa，November 7-10，2005.

[9]Hess A， Fila L.The joint strike fighter （JSF）PHM concept：potential impact on aging aircraft problems[A].Proceedings of the IEEE Aerospace Conference[C].Big Sky： Montana，2002-06

[10]于小伟，张宝珍.国外电子产品PHM技术主要研发方法与面临的挑战[EB/OL].（2008-09-17）[2010-03-01].http：//www.jungong.net/_info/content/con-kjcs_12683.htm

[11]王川.测试中测量点的最优分布[J].中国测试技术，2007，33（3）：13-15.

WANG Chuan.The Optimal Distribution of Measurement Points In The Test[J].China Measurement&Testing Technology，2007，33（3）：13-15.

[12]韩国泰.航空电子的故障预测与健康管理技术[J].航空电子技术，2009，40（1）：30-38.

HAN Guo-tai.Prognostics and Health Management of Avionics[J].Avionics Technology，2009，40（1）：30-38.

[13]王绍印.故障模式和影响分析（FMEA）[M].广州：中山大学出版社，2003.

[14]王晓峰，王立梅，康锐.电子线路的故障诊断和测试点的选择[J].电子产品可靠性与环境试验，2001（4）：2-6.

WANG Xiao-feng，WANG Li-mei，KANG Rui.Fault diagnosis and test site selection of electronic circuit[J].Electronic Product Reliability and Environmental Testing，2001（4）：2-6.

[15]张菁华，石庚辰，任国祥.遗传算法在传感器优化设计中的应用[J].探测与控制学报，2004，26（4）：45-48.

ZHANG Jing-hua，SHI Geng-chen，REN Guo-xiang.Genetic algorithm in optimal design of sensor[J].Journal of Detection&Control，2004，26（4）： 45-48.

[16]吕敬祥.基于BP网络与遗传算法的模拟电路故障诊断理论和方法[D].长沙：湖南大学，2005.