强云花

（甘肃省白银市靖远县融媒体中心，甘肃白银，730900）

1 故障预测和全方位诊断方法框架

近年来，很多专家围绕电子系统的故障检测技术进行了广泛的研究与实验，总结了一定的实践方法。电子系统的设计众多且复杂，因此，故障诊断和预测设计也多种多样。对复杂多样的电子系统要联合嵌入式内部软件诊断技术和外部硬件设备的诊断技术，软件漏洞的辨别依赖于内部测试性策划方法和自主检查等关键技术；对于设备的诊断方法不一，需要根据故障的特点设计详细对应的算法来实现。内外兼顾的设计方式，提高电子系统的实时性和准确性，快速精准确定故障位置并去除故障单元，获得最好的测试点。

2 基于测试性的故障预测方法

故障预测是PHM的核心内容，主要目的是推算其未来状态，它的依据是预测目标的数学模型或历史运行数据。目前，国内外研究出的故障预测方法各有千秋，本文研究基于数据驱动的故障预测。

大型的电子系统可能随时发生各种各样的故障，对此建立完整的数学模型是比较难以实现的，达不到高标准的精准性和时效性。不需要建立数学模型的基于数据驱动的故障预测技术则很好地避开了这一难点，对搜集的历史运行数据进行分析研究，探索其中隐藏的规律来实现故障预测。数据挖掘技术的前提是确定数据挖掘对象、选择合适的数据范围，从数据准备到最后的结果分析都需要可靠的历史数据，只有正确的前提准备才能促进后续数据预处理和数据挖掘过程，对挖掘出的精准度较高的历史数据进行分析得到其未来的发展趋势，使用大数据背景下的数据挖掘技术充分探索其潜在价值。通过得到的系统的传感器分布局面与测试点方位，来保证故障历史数据的有效性。基于统计数据驱动的剩余使用寿命(RUL)估计方法有两种利用观测数据的类型，为直接和间接RUL估计模型。

3 电子系统故障全方位诊断技术

3.1 基于测试性设计的嵌入式故障诊断

测试性设计（Testability Design）是一种集成电路设计技术，将一些特殊的结构或者设备植入电路，看似增加了成本，但是测试性设计可以将内部隐藏的信号暴露给外部设备，反而节约了测试总阶段的时间和资金。测试性设计依据多样的测试方案和测试技术对电子系统进行故障预测，这些方案的设计包括测试建模、对测试点的选取以及故障预测等环节。测试点最优选择是保障测试性设计可靠性的关键一环，测试点的选择要满足信息涵盖量大、成本低的要求，将这一组数据生成最优测试点集合。

3.1.1 故障诊断策略生成方法

诊断策略是完成系统故障诊断的一种优化方法，策略中要充分结合电子系统的约束条件、诊断方向和诊断顺序等，就像启发式诊断算法中，先后顺序不同，诊断时系统的状态就不同，将有影响的数据信息构成启发函数，不同顺序的测试会产生不同的启发函数值，通过这一计算结果来排列最优的诊断顺序，确定故障的诊断策略[1]。

3.1.2 系统多故障诊断方法

随着电子系统的规模不断扩大，同时发生多种故障也是难以避免的。将多重故障看做各不相关的单一故障，按照故障重要程度或者影响程度，依次按照单个故障有序解决，相当于将整个多重故障分块解决，这种方法也称为多重故障按次序测试方法。若故障之间是存在关联的，逐一诊断会产生动态变化，则要用到不可靠条件下的动态多故障诊断(DMFD)方法。做好动态诊断策划和测试出最优诊断顺序，将不断变化的多种故障一一解决，最后采用确定性模拟退火算法得到最优处理结果，诊断系统发生可能性最大的故障。

3.2 基于信号处理的智能故障诊断

3.2.1 故障特征提取方法

故障特征获取采用的是通信行业信号处理技术，用新型的、便于观察计算的信号特征空间的模式向量取代原始特征空间的模式，目的是取得最有效特征。随着通信技术的提高，对故障特征的提取也较为方便。目前应用较多、技术较为成熟的故障特征提取方法是时域分析、频域分析、时频域结合分析、高阶统计量分析等方法。

（1）基于时域和频域的特征提取方法

电子系统故障状态和正常状态下，输出信号是有明显差别的，依据故障类型的不同，输出信号中相对应的很多参数都会发生变化，从信号的峰峰值、频率、相位等参数的变化都可以提取系统的故障特征。时频结合的综合分析方法，适合研究非平稳信号，如介于传统傅里叶分析与小波分析之间的Gabor变换、维格纳二次型分布等。小波变换、时频谱分析、希尔伯特-黄变换等时频分析方法大众认可度较高，这些都是电子系统广泛采用的技术[2]。

（2）基于高阶统计量的特征提取方法

将大量信息简化，去除彼此之间关联较小的数据，高阶统计量的特征提取方法拥有较好的应用成效。电子系统故障状态下，测试点会输出大量带有系统故障信息的信号，这些海量数据中有些信息无关于故障诊断技术，就像数据挖掘技术一样，提取关键数据很重要，因此，简化数据处理时排除无关或者影响较小的故障数据，不会降低数据处理的精确度，反而提高诊断速度、节约诊断时间。可采用核主元分析（KPCA）方法适用于数据的非线性降维，可以做到将故障特征空间向量的维数减少，以简化计算过程，维数越低，数据的关联性就越小。与此作用相近的信号处理技术独立分量分析(ICA)方法，也可以有效的减轻信号之间的关联性，在信号空间维数降低和故障特征提取方面成绩显著。

3.3 智能故障诊断算法设计

智能故障诊断的核心技术在于算法的设计。基于数据驱动模型的方法、基于信号处理的方法和基于知识的方法是故障诊断技术的三大类[3]。现代电子系统结构繁杂、统一度高，传统的故障方法不足以达到现代化故障诊断要求。科技化、自动化方向的综合发展是故障诊断方面的热点问题。

3.3.1 混合智能故障诊断算法

多种的人工智能诊断算法融合诊断，能够综合发挥各自优势，更有效的监视检测电子系统的状态与故障，减小误诊和漏诊情况诊断，提高故障诊断的精确性。对高压断路器的故障特征进行提取采用改进的EMD能量熵方法，为提高故障诊断的准确度可采用遗传算法(GA)优化选择支持向量机的核参数。对电路系统输出的信号进行小波变换完成数据预处理，运用改进的KPCA核主元分析方法或者独立分量分析方法压缩故障特征的维数以减少数据关联，最后构造神经网络分类器对故障进行分类识别。

3.3.2 基于信号处理的智能故障诊断流程

首先对电子系统正常状态和故障状态下测试点的输入数据中，提取故障特征进一步处理，获取样本。设计智能综合故障诊断算法对样本进行有效处理，在精确度达标下构建出故障诊断网络，从待测数据中提取故障特征组成待测样本，送入构建完成的诊断网络进行故障诊断，输出诊断结果[4]。

4 故障预测和全方位诊断策略

如图1所示，本文总的故障预测和全方位诊断策略流程图。

图1 基于测试性的故障预测与全方位诊断框架

首先对电子系统进行测试性建模，选择相应的算法并获得最优诊断策略，选择合适的故障特征提取方法进行故障特征提取，最后设计智能诊断算法完成电子系统的故障诊断。故障预测方法则首先需要对系统进行故障模式与测试分析，并结合模型确定测试点配置和传感器布局，然后根据故障特征向量生成历史数据，实现故障与寿命预测。