组合模型在电子设备故障预测中的应用

张波　董鸿鹏　朱倪瑶

摘 要：针对传统的故障预测方法不能直接对电子设备进行状态预测的问题，提出了基于视情维修（CBM）的最小二乘支持向量机（LSSVM）和隐马尔可夫（HMM）组合故障预测模型，本模型充分利用了LSSVM解决小样本数据时计算速度快，可对信号进行非线性预测和HMM数据结构严谨，计算性能可靠，状态识别精度高的优点，将二者相结合实现故障状态预测。实验结果证明，文章所提出的组合故障预测模型能直接得到该设备的预测状态，而且相对精度较高。

关键词：最小二乘支持向量机；隐马尔可夫；状态预测

中图分类号：TP206 文献标志码：A 文章编号：2095-2945（2018）15-0022-04

Abstract： In view of the problem that the traditional fault prediction method can not directly predict the state of electronic equipment， a combined fault prediction model of Least Squares Support Vector Machine （LSSVM） and Hidden Markov Model （HMM） based on Condition Based Maintenance （CBM） is proposed. This model makes full use of the advantages of LSSVM to solve the small sample data， such as fast calculation speed， rigorous nonlinear prediction of signal and HMM data structure， reliable calculation performance and high accuracy of state recognition. The two methods are combined to realize fault state prediction. The experimental results show that the combined fault prediction model proposed in this paper can directly obtain the prediction state of the equipment， and the relative accuracy is high.

Keywords： Least Squares Support Vector Machine （LSSVM）； Hidden Markov Model （HMM）； state prediction

引言

伴隨着科技的不断发展，电子产品占据了越来越广阔的市场，甚至在一定程度上电子设备的规模和总体水平能够代表一个国家的综合实力[1]，可见电子设备的重要性。

电子设备内部结构非常复杂，一旦发生故障，不能及时排除故障对整个系统影响很大。故障预测通过在电子设备的不同位置安放传感器来监测设备的运行信号，当电子设备发生故障或者性能退化时，传感器就会监测到发生变化的信号，通过采集到的监测信号进行故障预测，在其完全故障或性能发生明显退化前对其进行维修，降低损失[2]。

1 电子设备结构分类

电子设备的主要结构可简单地分为串联、并联、串并联结构，复杂的则由多种串联、并联、串并联结构混合组成，下面介绍电子设备的结构：

1.1 串联结构

1.2 并联结构

1.3 混合结构

其中各图中的S1、S2…Sn分别代表n个模块，N1、N2…Nn代表n个获取故障信号的监测点。

2 组合故障预测模型的建立

为了弥补单一算法的不足，通过对不同预测算法的组合来实现对设备或系统的未来趋势预测，不但能够充分利用各算法的优点，还降低了计算的复杂程度，提高了运算效率[3，4]。

最小二乘支持向量机（LSSVM）是以统计学习理论为基础的一种新的机器学习算法，采用结构风险最小化原则，较好地解决了小样本的学习问题，实现模型复杂性和学习能力之间的最佳结合[5]。隐马尔可夫模型（HMM）是一种动态时间序列概率统计模型，具有完善的数学理论基础和良好的模式分类能力，已经成功使用在语音识别领域[6]和过程故障诊断[7，8]，也逐渐开始应用于状态监测[9]。

采用LSSVM对电子设备状态进行故障预测，得到的是未来状态的预测值，对于电子设备来说仅仅得到未来时刻的预测值是不够的，根据这些预测值无法准确判断出设备是否将处于故障状态或性能退化状态，因此需要利用HMM的解码功能来求解预测的未来状态，即将LSSVM的预测值输入HMM中估计设备所处的状态或状态退化路径，最终得到的将是设备的未来状态。

2.1 组合故障预测模型的预测流程

主要分为三个步骤：

步骤1：数据采集。选择适合的监测信号，通过设置监测点、传感器布局获得设备的状态信号，对获取的状态信号进行预处理和LDA特征提取，获得组合模型需要的有效数据，并将其分为训练数据和测试数据。

步骤2：故障预测。将训练数据输入到LSSVM模型进行回归训练，确定模型参数，训练结束后，通过前几个状态的观测数据对设备未来状态进行预测，得到未来状态的预测值。

步骤3：状态识别。首先将获得的设备各状态训练数据输入到HMM模型，得到设备各状态的HMM模型，再将LSSVM的预测值组成观测序列输入到训练好的HMM模型中进行状态识别，分别计算各模型产生该预测序列的概率，根据最大似然概率值即可判断当前预测序列代表的设备退化状态。

2.2 组合故障预测模型在电子设备中的应用

假设一个具有混合结构的电子设备的一部分结构如图4所示，该电子设备是由模块A1，A2，…A17根据不同的串联、并联结构按照一定的形式组合而成的，每个模块都具有一定的功能，其中Q1，Q2，…Q11，out是获取状态信号的监测点，对应的实际电路图如图5所示。

（1）状态划分与数据采集

图5电路图中所有电阻、电容容差均为±5%，通过对该电路进行灵敏度分析，发现C3的变化对输出电压V（out）的波形影响较大，本文只考虑C3的变化对整个电子设备的影响，其他元件参数均在±5%内变化。通过对该电子设备进行信号监测，当发现监测点out的信号有偏差时并不能确定是模块A17出现退化或故障，要进一步获取监测点Q11的信号，如果Q11的信号正常，则可以判断是模块A17出现问题，否则将继续监测Q10的信号，以此类推，可以初步判断出发生故障的模块。

设C3的容差变化范围分别为[5，7.5]%，[7.5，10]%，[10，12.5]%，[12.5，15]%，[15，17.5]%，[17.5，20]%，[20，22.5]%，[22.5，25]%来模拟该电子设备的状态退化过程（如图6所示，横坐标表示电子设备的工作时间，纵坐标表示电子设备的健康指数），加上正常状态共设置了9種状态。每种状态进行50次蒙特卡罗（MC）分析，发现在25kHz～110kHz之间C3的变化对电路的影响最大，因此每个状态取25kHz、50kHz、60kHz、70kHz、80kHz、90kHz、100kHz、110kHz对应的电压值构成一组8维的特征向量，则每种状态有50组特征向量，30组作为训练样本，20组作为测试样本。

（2）故障预测

如表1所示，对9种状态的8维特征向量取平均值，得到9种状态的LSSVM训练样本，模型参数设置和训练过程参考第三章，获得每个频率下状态5-9的预测值如图7所示。

图7中横坐标表示状态5-9，纵坐标表示V（out）的电压值。如图7所示通过LSSVM预测得到的不同频率下的预测值与实际值都比较接近，得到了较好的预测效果。通过对不同训练样本的预测，最终可得到状态5-9的8维预测向量各20组。

（3）状态识别

每组训练样本的8维特征向量经LDA降维构成4维特征向量，将LSSVM预测得到的状态5-9的8维预测向量通过LDA同一映射空间降为4维特征向量，同时对每种状态随机取5组预测向量构成一个观测序列，共15组预测的观测序列用于HMM状态识别，识别结果如表2所示：

其中，横向表示电子设备应该所处的当前状态，纵坐标表示其未来状态。如表2所示，每个状态的识别率分别为93.3%，86.7%，100%，93.3%，100%，平均状态识别率为94.7%，状态识别精度较高。

3 结束语

本文介绍了电子设备的基本结构，并对不同的串并联结构发生故障的情况进行了分析，针对电子设备的复杂结构以及现有的单一故障预测方法不能对电子设备直接进行状态预测，提出了LSSVM与HMM组合故障预测模型，分析该组合模型的优势并将其应用于一个具有混合结构的电子设备中。通过LSSVM预测得到的预测值再经过HMM状态识别直接得到该设备的预测状态，并且二者的组合能够得到很高的状态预测精度，状态预测精度为94.7%。

参考文献：

[1]高庆，杨叶舟，魏震生.复杂装备的层次诊断技术[J].火力与指挥控制，2007，32（4）：133-135.

[2]曾现萍.含有奇异信号的电子系统性能退化趋势预测方法研究[D].电子科技大学，2016.

[3]王高升，刘振娟，李宏光.基于组合模型的主元分析预测监控方法[J].北京化工大学学报，2014，41（2）：104-108.

[4]王亮，吕卫民，滕克难，等.基于数据驱动的装备故障预测技术研究[J].计算机测量与控制，2013，21（8）：2087-2089.

[5]江田汉，束炯.基于LSSVM的混沌时间序列的多步预测[J].控制与决策，2006，21（1）：77-80.

[6]Rabiner L R. A tutorial on hidden Markov models and selected applications in speech recognition[J]. Readings in Speech Recognition， 1989，77（2）：267-296.

[7]周韶园，谢磊，王树青.On-line Fault Diagnosis in Industrial Processes Using Variable Moving Window and Hidden Markov Model[J]. 中国化学工程学报：英文版，2005，13（3）：388-395.

[8]Wei S， Ahmet Palazo&#