复杂电子信息系统故障智能诊断研究∗

李 灿

（昆明长水国际机场动力能源部 昆明 650211）

复杂电子信息系统故障智能诊断研究∗

李 灿

（昆明长水国际机场动力能源部 昆明 650211）

随着系统可用性和安全性要求日益严格，复杂电子信息系统的维护任务也越来越复杂，系统的输入输出信息海量增长、软硬件故障并发度越来越高。为了解决这个问题，论文主要针对复杂电子信息系统，采用以大数据为基础的数据挖掘和基于深度学习的故障智能分析等技术，提出了一种软硬件故障诊断预测模型，为复杂电子信息系统软硬件故障诊断和处置提供了新的手段。

复杂电子信息系统；失效模式；故障诊断

1 引言

随着计算机系统的广泛使用，电子信息系统的功能与结构变得日益复杂和庞大，其中有大量软件程序的嵌入，而现有的开发手段和测试技术不能保证软件不发生错误，软件错误可以通过和硬件的交互作用传递给硬件，并最终导致系统失效；同时，由于软件设计的不完善，硬件故障也能引起软件的失效，这些新的软硬件相关的故障模式给复杂电子信息系统的故障诊断和维修保障带来了困难［1］。目前运用大数据技术可以全面获取、筛选和处理总量巨大且种类繁多的装备故障信息，并且模式智能识别和故障检测等技术迅速发展为智能故障诊断预测技术研究提供了新的技术支撑，因此研究复杂电子信息系统故障诊断方法具有重要的意义。

2 复杂电子信息系统故障诊断信息研究

2.1 软硬件混合失效模式研究

复杂电子信息系统中由于有软件程序的嵌入，并和硬件系统起着同样重要的作用。因此其故障模式不仅包括软件、硬件自身的故障模式，而且还包括软硬件结合所带来的新的问题，这些新的故障模式即软硬件相关故障模式：它既有软件故障的特点又有硬件故障的特点，但并不是软件故障和硬件故障的简单组合，而是在软件和硬件相结合的情况下产生的故障，既影响系统软件又作用于系统硬件。一般有如下三种类型［2］：1）软件程序发生错误，这些错误通过软件和硬件的相互作用传递给硬件并引起硬件的失效；2）硬件发生损坏或故障，并对与之相关的软件产生影响，导致软件发生错误；3）软件和硬件都不存在独立的错误或故障，但当它们发生联系时，发生系统失效，或者不能完成预定功能。

复杂电子信息系统软硬件相关故障的特性如下：1）相关性：即当一个元素或联系发生故障后，可能导致同它相关的元素或联系的状态发生变化，进而引起相关元素或联系也发生故障。某一故障可能对应若于征兆，而某一征兆可能对应若干故障。它们之间存在着错综复杂的关系，造成故障诊断困难。故障的相关性使得许多的故障现象可以归根于同—个故障，从而可以从不同的角度对同—个故障进行诊断；2）时序性：即一个故障只有在其故障因素按照一定时序关系发生时，这个故障才会产生。这主要是因为在复杂电子信息系统中，许多功能是通过软件和硬件的相互作用完成的，控制流和数据流通过软件传递给硬件，只有按照特定的顺序传送特定的数据，系统才能完成其正确的功能，当时序发生改变时，系统就会产生故障。

2.2 故障诊断信息分析与收集

复杂电子信息系统在运行使用中会产生大量数据——技术数据、保障数据和使用数据等。然而保障数据源间封闭、孤立，缺乏规范和标准，很难对数据的多备份、动态镜像、实时控制等实施有效管理［3］。因此，客观上必须依赖大数据分析挖掘技术进行业务处理，建立复杂电子信息系统数据档案库，包括：产品的型号、性能、数量/质量情况、使用情况、保障情况等，保障人员可以从数据库中采集、查阅需要的数据，用于提升保障的准确性［4］。

1）复杂电子信息系统状态监测与故障诊断信息源分析

分析复杂电子信息系统的状态监测与故障诊断信息源故障信源，包括自检设备、在线监测设备、在线测试设备、视频监视设备等，分析信源特征，明确主要软硬件故障：安装故障、配置故障、用户误操作、用户未按规定流程操作、软硬件平台自身异常、数据不完整、病毒影响、软件本身的Bug等，以及信源和信息关联关系等。

2）复杂电子信息系统状态监测与故障诊断信息收集

收集软件故障模式、硬件故障模式和软硬件综合故障模式，根据各类故障信息，挖掘其运行状态的多源故障特征信息，研究故障模式，关联可能的故障种类和正确的故障原因。

2.3 故障诊断信息知识库

通过大数据分析平台收集故障信息，分析和挖掘故障模式，建立故障知识库，研究建立故障模式形式化描述、故障信息的统一表示方式，形成复杂电子信息系统状态监测分类数据集。

图1 故障知识库系统组成

在故障知识库系统组成中，故障基本信息包括：故障名称、类型、时间、部位、现象、故障模式、严重级别、故障原因、文字描述、图示、维修策略等信息；解决方法则详细记录了针对某个故障具体的处理方法、原理知识、演示抓图甚至操作视频等；故障分解针对复杂故障进行分解，以降低故障处理难度；故障统计主要对故障情况进行时间或频率等各方面的统计，便于用户快速找到最近发生或最频繁发生的故障。

日常维护模块主要对软件安装部署知识、系统备份和恢复知识、系统优化方法进行管理；另外，针对在使用过程中发现的改进意见和建议进行收集整理，从而进行反馈对软件进行升级完善。

基础原理模块主要管理软件运行的底层平台知识、软件信息以及系统原理等背景知识，这些知识是软件保障人员进行故障处理和日常维护的基础。

字典库模块主要对系统中各模块公用的信息进行统一管理。用户界面模块主要针对系统不同的用户，如专业技术人员、厂家技术人员或者实际操作人员，提供不同的权限和操作界面。

保障知识库需要对软件的维护性知识和原理性知识进行存储，这些背景知识主要表现为较完整的文档或文字描述，如用户手册、程序员手册、软件帮助以及保障人员收集的其他技术文档等。对此类知识的存储可以利用数据表进行保存和管理，相关的数据如图2所示。

3 基于深度学习的故障智能分析技术研究

针对复杂电子信息系统日常运行产生的大量测试数据及其数据特征，研究采用深度神经网络（Deep Neural Network，DNN）的学习框架［5～6］，深度挖掘异常数据与软硬件故障关联关系，构建基于大数据关联分析的故障分类模型，提高复杂电子信息系统的故障诊断效率和隔离率。基于深度神经网络DNN的故障诊断流程如图3所示。

图3 基于深度神经网络（DNN）的故障诊断流程

步骤总结如下：

1）获取复杂电子信息系统状态的数据信号，并将这些数据作为训练样本；

2）确定DNN的隐层数N，以无监督的方式逐层训练N个DAE，即将每个DAE的隐层输出作为下一层DAE的输入，直到完成N个DAE的训练；

3）添加输出层，根据样本的故障状态类型，微调DNN参数，完成DNN的训练；

4）利用DNN进行复杂电子信息系统健康状态的监测诊断［7～8］。

结合基于深度神经网络的故障诊断流程，建立基于深度学习的故障信息分类模型结构，如图4所示。

图4 基于深度神经网络（DNN）的装备故障类型分类结构

根据基于深度神经网络（DNN）的任务系统分类结构，复杂电子信息系统运行大数据作为深度神经网络模型的输入，经过网络多个隐含层的深层挖掘提取故障特征，将看似不相关的多量数据按隐含关系分为多种故障类型，实现复杂电子信息系统的故障分类和诊断。

4 基于大数据分析的复杂电子信息系统故障诊断与预测框架

面向故障诊断任务的大数据主要分为结构化数据、半结构化、非结构化数据和图数据等多种数据类型，见图5。针对不同的数据特点，采用不同的底层架构对其进行存储与管理。

图5 数据类型

1）分解故障诊断任务

为便于运用知识单元关联专家经验知识，预先将故障诊断任务分解为各个子任务，通过向专家咨询子任务所对应的问题，明确与故障相关的知识及其之间的关系。

图6 故障诊断任务分解

2）搭建结构化和非结构化大数据处理平台

针对子任务对应的海量结构化和非结构化数据，拟采用Hbase来进行存储［9］。该平台分为数据抽取模块、数据智能分析模块和离线分析及结果展示模块三个主要模块。研究分析各个模块的数据抽取方法，数据处理方法和结果的分类统计等，旨在为实现实时在线交互式检索提供数据支撑。该数据处理平台实时分析结果将直接写入Hbase和分布式缓存。对于分布式缓存中的分析结果，采用主动消息推送方式实时发送到调用者。离线分析方式形成各种统计报表和分析报告，可实现在线交互式检索功能［10～11］。

3）基于模糊推理机制和深度学习的故障诊断预测框架

复杂电子信息系统故障数据丰富，能够为深度学习网络提供大数据基础［12～13］。复杂电子信息系统结构日趋复杂，但仍具有明显的层次性特点，即可按整机系统、分系统、各分系统功能单元、电路板、元器件的顺序逐层向下扩展。系统结构的层次性势必使故障也具有层次性的特点。通过对复杂电子信息系统结构、故障特征及各类智能诊断技术的特点分析，以传统的专家系统为主体，采用基于模糊理论的专家系统推理机制和深度学习技术，构建一种基于模糊推理机制和深度学习的故障诊断预测框架，具体框架结构如图7所示。

图7 模糊推理机制的故障诊断预测框架

故障诊断预测框架的知识库分为静态和动态两部分，静态知识由知识工程师把领域专家的诊断知识以产生式规则输入，包括网络结构、样本集知识和专家诊断知识。动态知识则在系统内部通过样本学习实现内部知识获取，在完成一个诊断实例后，可以记忆诊断的过程和结果，从而归纳出新的诊断规则，不断扩充知识库的内容［14］。故障诊断依据知识库（实时数据和模糊专家数据库），进行模糊规则推理［15～16］，从而向领域专家和维修人员给出相应的故障处置策略。模糊通过对装备信息的输入进行理解，获得证据关键词及相应的模糊属性和模糊词，在模糊专家数据库中查找模糊词对应的模糊度，从数据库中取出一条规则，并将该规则的前提条件与证据关键词进行模糊匹配。如果匹配成功，利用模糊推理计算结论，并将该结论加入到证据库中；如果匹配失败，则取下一条规则继续进行模糊匹配；如果所有的规则都已经匹配完毕，则结束模糊推理。在证据库中寻找最终结论，并输出故障及其隶属度。基于深度学习神经网络针对积累的大数据进行训练，并将训练结果对推理证据进行循环修改，有效提高复杂电子信息系统的故障诊断能力。

5 结语

综上所述，本文运用复杂电子信息系统的故障模式分析技术，研究建立故障模式形式化描述、故障信息的统一表示方式。针对复杂电子信息系统不同监测手段获得的不同侧面信息，进行数据特征提取形成状态监测分类数据集。针对复杂电子信息系统日常运行产生的大量测试数据及其数据特征，研究采用深度神经网络（Deep Neural Network，DNN）挖掘异常数据与装备故障之间的关联关系，构建基于深度学习的大数据关联分析的故障分类模型，利用故障特征信息等大数据对深度学习网络进行训练，运用实时处理系统平台，建立故障诊断知识库和预测模型，实现复杂电子信息系统高效智能运行状态评估和异常预测。

［1］XIAO N C，HUANG H Z，LI Y F，et al.Multiple failure mode analysis and weighted risk priority number evaluation in FMEA［J］.Engineering Failure Analysis，2011，18（4）：1162-1170.

［2］Jack LB，Nnadi A K.Fault detection using support vector machines and artificial neural networks，augmented by genetic algorithms［J］.Mechanical Systems and Signal Proeessing，2002，13（2-3）：373-390.

［3］R J Fenton，C J Lopez-Toribio，L P Maguire.Fault Diagnosis of electronic systems using intelligent Techniques：a review［C］//IEEE Trans on systems，Man and Cybernetics-Part C Applications and Reviews，2001，31（3）：269-281.

［4］耿冠宏，孙伟，罗培.神经网络模式识别［J］.软件导刊，2008，7（10）：81-83.DI Guanhong，SUN Wei，LUO Pei.Neural network pattern recognition［J］.Software Guide，2008，7（10）：81-83.

［5］ LeCun，Yann，Yoshua Bengio，Geoffrey Hinton.Deep learning［J］.Nature，2015，521（7553）：436-444.

［6］L.Deng，D.Yu.Deep Learning：Methods and Applications［J］.Foundations and Trends in Signal Processing，2013，7（3）：198-199.

［7］Ripley.Pattern Recognition and Neural Network［M］.Beijing：The Ptople's Posts and Telecommunications Press，2009.

［8］张培先，董泽.智能故障诊断技术的发展及应用［J］.山西电力，2001（3）：57-59.ZHANG Peixian，DONG Yi.Development and application of Intelligent Fault Diagnosis Technology［J］.Shanxi Electric Power，2001（3）：57-59.

［9］陶雪娇，胡晓峰，刘洋.大数据研究综述［J］.系统仿真学报，2013，25（S）：142-146.TAO Xuejiao，HU Xiaofeng，LIU Yang.Overview of Big Data Research［J］.Journal of System Simulation，2013，25（S）：142-146.

［10］薛青，罗佳，郑长伟，等.面向作战仿真的数据挖掘［J］.四川兵工学报，2013，34（8）：93-95.XUE Qing，LUO Jia，ZHENG Changwei，et al.Study on Data Mining for Combat Simulation［J］.Jounal of Sichuan Ordnance，2013，34（8）：93-95.

［11］张敏.云计算环境下的并行数据挖掘策略研究［D］.南京：南京邮电大学，2011：2-24.ZHANG Min.Research on the Parallel Data Mining Strategy under the Cloud Computing Environment［D］.Nanjing：Nanjing University of Posts and Telecommunications，2011：2-24.

［12］Xu D S.Research on Electronic Equipment Fault Diagnosis Based on Improved BP Algorithm［C］//2010 Second International Conference on Machine Learning and Computing，2010：130-134.

［13］朱大奇，于盛林.基于知识的故障诊断方法综述［J］.安徽工业大学学报，2002，19（3）：197-203.ZHU Daqi，YU Shenglin.Survey of knowledge-based fault diagnosis methods［J］.Journal of Anhui university of technology，2002，19（3）：197-203.

［14］陈建勤，席裕庚，张仲俊.模糊规则的学习及其在非线性系统建模中的应用［J］.自动化学报，1997，23（4）：533-537.CHEN Jianqqin，XI Yugen，ZHANG Zhongjun.Fuzzy rule learning and its application to nonlinear system modeling［J］.ACTA AUTOMATICA SINICA，1997，23（4）：533-537.

［15］王东，刘怀亮，徐国华.案例推理在故障诊断系统中的应用［J］.计算机工程，2003，29（12）：10-12．WANG Dong，LIU Huailiang，XU Guohua.Application of Case-based Reasoning in Faulty Diagnoses System［J］.Computer Engineering，2003，29（12）：10-12.

［16］谭勇，王伟.智能故障诊断技术及发展［J］.飞航导弹，2009，42（7）：35-38.TAN Yong，WANG Wei.Intelligent fault diagnosis technology and its development［J］.Winged Missiles Journal，2009，42（7）：35-38.

Research on Intelligent Fault Diagnosis of Complex Electronic Information System

LI Can
（Power and Energy Department of Kunming Changshui International Airport，Kunming 650211）

With the requirement of system availability and security becoming stricter，the maintenance task of complex electronic information system is becoming more and more complex，and the input and the output information of the system increases greatly，and the concurrent fault degree of hardware and software is higher and higher.In order to solve this problem，this article mainly aims at the complex electronic information system，using data mining based on the big data and deep learning intelligent fault analysis technology，proposes a hardware and software fault diagnosis and prediction model，which provides a new method for hardware and software fault diagnosis and disposal of complex electronic information system.

complex electronic information system，failure modes，fault diagnosis

TN710

10.3969/j.issn.1672-9722.2017.10.016

Class Number TN710

2017年5月7日，

2017年6月20日

李灿，男，硕士研究生，研究方向：机场相关动力能源，节能减排，弱电及信息系统管理开发。