电子系统故障预测方法综述

刘 琦，李耀芳，彭慧卿，崔 军，刘宏伟

（1.天津城建大学 计算中心，天津 300384；2.天津工业大学 电子与信息工程学院，天津 300380）

信息科学与技术

电子系统故障预测方法综述

刘 琦1，李耀芳1，彭慧卿1，崔 军2，刘宏伟2

（1.天津城建大学 计算中心，天津 300384；2.天津工业大学 电子与信息工程学院，天津 300380）

利用电子系统的可测性分析方法，从电子系统的故障模式与机理着手，构建了基于测试性的电子系统故障预测方法的框架.综述了国内外故障预测方法的研究现状并进行分类与总结，从基于模型和基于数据驱动2个方面论述了电子系统故障预测方法.最后分析了电子系统故障预测技术存在的问题和难点，展望了该领域未来的发展趋势.

电子系统；故障预测；PHM

现代信息技术的普及和迅猛发展，促使航空、航天、通信等各个领域的工程系统趋向复杂化、综合化和智能化，特别是在电子系统领域.而对于复杂电子系统的研制、生产尤其是维护和保障的成本越来越高.为防止关键电子设备发生灾难性故障，复杂电子系统故障预测越来越成为国内外学者研究的热点［1］.

电子系统的故障预测技术是在故障诊断技术基础上更高要求的监测技术，通过对最优测试点的关键故障特征数据进行分析和量化，采用合理有效的算法，进行预测评估，获取系统未来的运行状态、元器件故障时间和位置，便于在故障真正发生前采取有效的措施，最大限度地减少损失.电子系统的故障一般分为突发型故障和缓变型故障，但由于突发型故障多在系统稳定工作中随机出现无明显的征兆，预测较为困难；而缓变型故障多在损耗失效期元器件渐变失效中产生，因此一般所研究的预测都是针对电子系统的缓变型故障.

故障预测是在系统或元器件仍能正常工作的情况下，利用获取的历史数据预测系统的退化趋势及估计故障发生的时间（或剩余可用寿命RUL）［2-3］.本文利用电子系统的可测性分析方法，从电子系统的故障模式与机理着手，构建了基于测试性的电子系统故障预测方法的框架.综述了国内外故障预测方法的研究现状并进行分类与总结，从基于模型和基于数据驱动2个方面论述了电子系统故障预测方法.最后分析了电子系统故障预测技术存在的问题和难点，展望了该领域未来的发展趋势.

1 电子系统故障预测方法框架

故障预测与健康管理（PHM）以视情维修为目的和基本原则，包含了故障检测与诊断、故障预测、健康管理和寿命追踪等关键技术［4］.电子系统的故障诊断技术主要解决“故障是什么”，“故障在哪里”，即系统是否发生了故障，故障的位置；评价电子系统的健康状况，主要解决“是否维修”，即通过对系统状态的评估预测是否维修，在什么时候进行维修.

本文依据可测试性数据分析方法构建电子系统故障预测框架，如图1所示.无论可获取的故障数据为多少，故障预测的步骤大致如下.

图1 电子系统的故障预测框架

（1）对电子系统进行故障模式与可测试性分析，确定系统关键元器件.

（2）对电子系统进行可测性分析建模，进行测试节点优选配置及传感器布局，选取最优可测试节点.

（3）对系统模型、经验、观测数据等信息的获取和预处理，选择最能反映系统故障状态的关键特征数据，获取故障历史数据.

（4）推导系统的参数，选择适当的数学模型，预测系统的状态和关键故障元器件的寿命.

2 电子系统故障预测方法

故障预测是PHM的核心内容［5］，旨在借助故障历史数据，选择合理的数学模型对系统的未来状态进行推算、评估，预测寿命.故障预测领域主要包括对系统的状态预测和寿命评估两方面内容.按照对判断对象的认识程度和获取数据信息的多少，本文大致归为基于模型和基于数据驱动的预测方法两大类.近年来随着人工智能技术的发展，诸多研究者融合了模型和数据驱动方法进行故障预测.

2.1 基于模型的方法

基于模型的电子系统故障预测技术是通过已知的数学模型掌握被预测元器件或系统的故障模式，利用损伤计算来预测、估计关键元器件的损耗程度，实现系统的寿命评估.电子系统预测技术中所选取模型的参数通常与获取的故障特征数据紧密相关，通过深入研究设备或系统故障退化机理，适度修正、调整数学模型，提高预测精度.基于模型的故障预测方法概括其流程如图2所示.该方法结合输出信号的类型与测试性模型获取的最优测试点位置，建立关键元器件或系统的数学模型，完成状态预测和寿命评估.

图2 基于模型的方法流程

Sikorska等人［6］对工程领域中当前热点的故障预测建模方法进行了研究和分析，按照判断对象的认知和获取故障数据的多少，大致分为几类：基于知识的模型、统计模型、随机模型和物理模型等；按照电子系统的工作原理和元器件物理失效机理建立系统状态预测模型：系统的状态空间模型［7］和累积损伤模型［8］.张叔农等人［9］通过对国外PHM技术大量调研、总结，构建了电子产品健康监控和故障预测的技术框架，并用实际PHM软、硬件系统的设计、分析验证了PHM技术框架在工程实践上的可行性.田沿平等人［10］利用耦合隐马尔可夫模型对模拟电路中用2个测试点分别对各退化状态和寿命进行建模，实验表明该模型提高了状态识别率，能有效预测系统故障，为视情维修提供依据.胡泊［11］采用故障模式与影响分析（failure mode and effects analysis，FMEA），首先对LED驱动电源进行可靠性建模，通过采用应力分析法对不同元器件的工作失效进行计算，采用FMEA分析中的硬件法对电源进行分析，以报表形式输出FMEA分析结果.该方法为关键元器件的确定提供了理论依据.李享［12］针对LED驱动电源中关键元器件性能退化过程进行了研究，分析了关键元器件的失效机理及性能退化过程，提出了基于元器件性能退化的驱动电源寿命预测方法，该方法中建立退化模型的前提是获取关键元器件的性能退化数据，具有一定的实用价值.范庚等人［13］构建了在小样本数据条件下的灰色相关向量机故障预测模型，引入新陈代谢过程更新数据，实验表明模型的预测准确性优于传统的灰色预测模型.

2.2 基于数据驱动的方法

随着现代信息技术的快速发展，电子系统的故障模式和失效机理越来越复杂，很难建立准确的数学模型，因此基于模型的方法在实际应用中存在一定局限性.而基于数据驱动的故障预测技术是通过对故障历史数据的剖析，挖掘其中的隐含信息进行故障预测评估，不需要掌握电子系统的数学模型、专家经验等先验知识.但在实际应用中一些关键设备的典型数据获取困难且代价高昂，获取的数据往往具有不确定性和不完整性.因此从基于统计和机器学习两个方面分析和研究基于数据驱动的故障预测方法［14］.

基于统计方法的故障预测主要通过经典的概率统计、贝叶斯方法、极大似然估计、最大后验概率估计和最小均方误差估计等［14］方法，利用故障历史数据层面进行分类.Wang等人［15］利用参数漂移，建立基于随机性的过程退化模型——Wiener模型，借助统计学方法的最大似然估计和期望最大化算法对桥横梁进行可靠性评估，估计参数值，预测剩余寿命.Carr等［16］选取多个可测试节点获取监测故障数据，利用随机滤波理论，在各种故障模式下建立产品的概率密度函数，计算产品剩余寿命的概率密度函数，实现寿命评估及系统预测.徐宇亮［17］利用改进粒子滤波算法求解电子系统退化的最优估计值，将寿命预测的不确定性问题转化为设备退化度最优估计问题，实现电子系统的全寿命评估.彭宝华等人［18］对金属化膜脉冲电容器退化失效机理进行分析，将Wiener过程的漂移参数和扩散参数看成随机变量建立随机效果Wiener过程模型，采用Bayes方法对系统剩余寿命参数的验后估计，提高预测精度.

人工智能方法已经广泛应用于电路的故障诊断领域中，不少研究者将其推广应用于故障预测中.姜媛媛等人［19］利用最小二乘支持向量机（LSSVM）算法提出了一种故障特征参数相对变化量的故障评估新指标，实现电力电子电路级故障预测.张朝龙等人［20］提取被测电路的频域计算皮尔逊相关系数，以此表征电路元件的健康度，推导出元器件发生故障时的健康度阈值，利用经量子粒子群算法优化的相关向量机算法进行系统故障预测，估计系统的剩余有用寿命.该预测方法计算简单，适用于实时预测.FAN等人［21］利用自组织神经网络预测轴承系统的剩余寿命，神经网络可以实现数据的自适应.

3 存在问题与发展趋势

3.1 存在的问题

（1）故障特征难以提取.在电子系统的故障诊断与预测领域，工程系统中故障模式种类多，故障数据不能明确表征故障状态，利用传统的信号处理分析方法不能全面、完整地获取故障特征数据，不能最大可能反映发生故障的特征.且电子系统中的元器件数目多，可测试节点数量多，选择最能够表征故障信息的关键元器件及最优的可测试节点位置及数量成为故障预测技术的瓶颈.因此需要研究者在掌握系统的结构和工作原理的前提下，对系统进行有效的可测性分析，为获取尽可能全面、完整的故障特征数据打下基础.

（2）故障建模过程复杂.电子系统中网络节点众多，元器件不能用二进制表征其是否故障的状态，元器件的故障通常是在多应力情况下长时间缓慢变化导致整个系统故障.目前大多数学者的研究重点集中在单一应力条件下的物理失效模型，无法满足当前复杂系统对故障预测与寿命评估的需求.因此需要分析多应力条件之间的关系和相关性，建立综合应力下的物理失效模型，结合基于经验数据和元器件性能加速试验方法进行故障预测.

（3）故障历史数据获取困难.获取全面、完整的故障历史数据是基于数据的故障预测方法的前提和基础，它直接影响故障预测的可靠度和准确性，也只有通过可靠的历史数据，才能恰当地利用智能和不确定性算法挖掘历史数据中的隐含信息，预测系统的未来状态.但实际工程中测量设备、环境等干扰因素都会造成历史数据的错误，通过加速试验获取历史数据代价昂贵，使用仿真实验方法获取数据不能适用于实际复杂电子系统中，因此故障历史数据获取直接影响故障预测的精度，是制约故障可靠度的重要因素之一.

3.2 发展趋势展望

（1）故障特征数据获取手段与故障机理研究.对复杂电子系统来说，获取每种工作状态下大批量全面、完整的信息是相对困难的，尤其对元器件在各种应力条件下性能退化监测数据的获取，因此使用先进工艺技术的传感器对于系统参数监测以及特征数据获取具有重要作用.随着电子产品的复杂化、集成化，大多数设备不具备故障预测的能力.有必要深入研究复杂电子系统的故障建模、性能失效机理分析和寿命状态评估等技术，有助于做到“视情维修”，提高故障预测的准确性，减少不必要的经济损失.

（2）故障预测技术的混合研究.随着现代信息技术的发展，电子系统自身的结构越来越复杂且集成度高，为了提高电子系统故障预测的精度和效率，需要采用先进的人工智能及其混合技术.特别是研究复杂电子系统观测数据和故障的不确定性机理，发展不确定性故障预测理论进行故障预测研究，探索将不确定性故障预测技术应用于工程实践，对复杂设备的管理与维护具有重要意义.

4 结 语

结合PHM技术和现代信息技术的发展历程，特别是电子系统领域的发展，本文首先对PHM的核心问题——故障预测主要方法进行了分析，对当前该领域国内外现状进行了研究，构建了电子系统故障预测方法框架，最后对电子系统故障预测研究领域存在的问题和未来的发展趋势进行了探讨.

［1］邓 森，景 博.基于测试性的电子系统综合诊断与故障预测方法综述［J］.控制与决策，2013，28（5）：641-649.

［2］QIU H，LEE J，LIN J，et al.Robust performance degradation assessment methods for enhanced rolling element bearing prognostics ［J］.Advanced Engineering Informatics，2003，17（3/4）：127-140.

［3］彭宝华，周经伦，孙 权，等.基于退化与寿命数据融合的产品剩余寿命预测［J］.系统工程与电子技术，2011，33（5）：1073-1078.

［4］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.

［5］彭 宇，刘大同，彭喜元.故障预测与健康管理技术综述［J］.电子测量与仪器学报，2010，24（1）：1-9.

［6］SIKORSKA J Z，HODKIEWICZ M，MA L.Prognostic modeling options for remaining useful life estimation by industry ［J］.Mechanical Systems and Signal Processing，2011，25（10）：1803-1836.

［7］胡昌华，张 琪，乔玉坤.强跟踪粒子滤波算法及其在故障预报中的应用［J］.自动化学报，2008，34（12）：1522-1528.

［8］LORTON A，FOULADIRAD M，GRALL A.A methodology for probabilistic model-based prognosis ［J］.European Journal of Operational Research，2013，225（3）：443-454.

［9］张叔农，谢劲松，康 锐.电子产品健康监控和故障预测技术框架［J］.测控技术，2007，26（2）：12-18.

［10］田沿平，叶晓慧，金 川，等.耦合隐马尔科夫在模拟电路故障预测中的应用［J］.电子测量技术.2014，37（10）：135-138.

［11］胡 泊.LED路灯驱动电源多目标容差设计技术的研究［D］.哈尔滨：哈尔滨工业大学，2010：1-90.

［12］李 享.LED驱动电源性能退化参数监测及寿命预测方法研究［D］.哈尔滨：哈尔滨工业大学，2012：1-79.

［13］范 庚，马登武，邓 力，等.基于灰色相关向量机的故障预测模型［J］.系统工程与电子技术，2012，34（2）：424-428.

［14］XIAO Y Q，HE Y G.A novel approach for analog fault diagnosis based on neural networks and improved kernel PCA ［J］.Neuro Computing，2011，74（7）：1102-1115.

［15］WANG X.Wiener processes with random effects for degradation data ［J］.Journal of Multivariate Analysis，2010，101（2）：340-351.

［16］CARR M J，WANG W B.Modeling failure modes foe residual life prediction using stochastic filtering theory［J］.IEEE Trans on Reliability，2010，59（2）：346-355.

［17］徐宇亮，孙际哲，陈西宏，等.基于加速退化试验和粒子滤波的电子设备故障预测方法［J］.航空学报，2012，33（8）：1483-1490.

［18］彭宝华，周经伦，潘正强.Wiener过程性能退化产品可靠性评估的Bayes方法［J］.系统工程理论与实践，2010，30（3）：543-549.

［19］姜媛媛，王友仁，罗 慧，等.电力电子电路故障评估新指标及基于LSSVM的预测新方法［J］.电工技术学报，2012，27（12）：43-50.

［20］张朝龙，何怡刚，邓芳明，等.一种基于QPSO-RVM的模拟电路故障预测方法［J］.仪器仪表学报，2014，35（8）：1751-1757.

［21］FAN J Q，YAO Q W.Nonlinear time series：nonparametric and parametric methods ［M］.New York：Springer，2003：10-27.

Review on Fault Prognostic Methods for Electronic Systems

LIU Qi1，LI Yaofang1，PENG Huiqing1，CUI Jun2，LIU Hongwei2
（1.Computing Center，TCU，Tianjin 300384，China；2.Institute of Electronic and Information Engineering，Tianjin Polytechnic University，Tianjin 300380，China）

Proceeding with the fault mode and mechanism of electronic systems，this paper constructs a framework based on testable fault prognostic methods for electronic systems by the testable analysis method of electronic systems.And then the paper reviews，classifies and summarizes the present research status of fault prognostic methods for electronic systems at home and abroad，and expounds the fault prognostic methods for electronic systems from the model-based and datadriven aspects.Finally，the paper analyzes the problems and difficulties of fault prognostic technologies for electronic systems，and predicts the development trend in this field.

electronic system；fault prognosis；PHM

TP271.5：TN06

A

2095-719X（2016）04-0298-04

2015-06-29；

2015-07-13

天津城建大学教育教学改革研究项目（JG-1414）；天津市教委科研计划项目（20140718，20140805）

刘 琦（1979—），女，河北蓉城人，天津城建大学讲师，博士.