組合模型在電子設備故障預測中的應用

張波　董鴻鵬　朱倪瑤

摘 要：針對傳統的故障預測方法不能直接對電子設備進行狀態預測的問題，提出了基于視情維修（CBM）的最小二乘支持向量機（LSSVM）和隱馬爾可夫（HMM）組合故障預測模型，本模型充分利用了LSSVM解決小樣本數據時計算速度快，可對信號進行非線性預測和HMM數據結構嚴謹，計算性能可靠，狀態識別精度高的優點，將二者相結合實現故障狀態預測。實驗結果證明，文章所提出的組合故障預測模型能直接得到該設備的預測狀態，而且相對精度較高。

關鍵詞：最小二乘支持向量機；隱馬爾可夫；狀態預測

中圖分類號：TP206 文獻標志碼：A 文章編號：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

伴隨著科技的不斷發展，電子產品占據了越來越廣闊的市場，甚至在一定程度上電子設備的規模和總體水平能夠代表一個國家的綜合實力[1]，可見電子設備的重要性。

電子設備內部結構非常復雜，一旦發生故障，不能及時排除故障對整個系統影響很大。故障預測通過在電子設備的不同位置安放傳感器來監測設備的運行信號，當電子設備發生故障或者性能退化時，傳感器就會監測到發生變化的信號，通過采集到的監測信號進行故障預測，在其完全故障或性能發生明顯退化前對其進行維修，降低損失[2]。

1 電子設備結構分類

電子設備的主要結構可簡單地分為串聯、并聯、串并聯結構，復雜的則由多種串聯、并聯、串并聯結構混合組成，下面介紹電子設備的結構：

1.1 串聯結構

1.2 并聯結構

1.3 混合結構

其中各圖中的S1、S2…Sn分別代表n個模塊，N1、N2…Nn代表n個獲取故障信號的監測點。

2 組合故障預測模型的建立

為了彌補單一算法的不足，通過對不同預測算法的組合來實現對設備或系統的未來趨勢預測，不但能夠充分利用各算法的優點，還降低了計算的復雜程度，提高了運算效率[3，4]。

最小二乘支持向量機（LSSVM）是以統計學習理論為基礎的一種新的機器學習算法，采用結構風險最小化原則，較好地解決了小樣本的學習問題，實現模型復雜性和學習能力之間的最佳結合[5]。隱馬爾可夫模型（HMM）是一種動態時間序列概率統計模型，具有完善的數學理論基礎和良好的模式分類能力，已經成功使用在語音識別領域[6]和過程故障診斷[7，8]，也逐漸開始應用于狀態監測[9]。

采用LSSVM對電子設備狀態進行故障預測，得到的是未來狀態的預測值，對于電子設備來說僅僅得到未來時刻的預測值是不夠的，根據這些預測值無法準確判斷出設備是否將處于故障狀態或性能退化狀態，因此需要利用HMM的解碼功能來求解預測的未來狀態，即將LSSVM的預測值輸入HMM中估計設備所處的狀態或狀態退化路徑，最終得到的將是設備的未來狀態。

2.1 組合故障預測模型的預測流程

主要分為三個步驟：

步驟1：數據采集。選擇適合的監測信號，通過設置監測點、傳感器布局獲得設備的狀態信號，對獲取的狀態信號進行預處理和LDA特征提取，獲得組合模型需要的有效數據，并將其分為訓練數據和測試數據。

步驟2：故障預測。將訓練數據輸入到LSSVM模型進行回歸訓練，確定模型參數，訓練結束后，通過前幾個狀態的觀測數據對設備未來狀態進行預測，得到未來狀態的預測值。

步驟3：狀態識別。首先將獲得的設備各狀態訓練數據輸入到HMM模型，得到設備各狀態的HMM模型，再將LSSVM的預測值組成觀測序列輸入到訓練好的HMM模型中進行狀態識別，分別計算各模型產生該預測序列的概率，根據最大似然概率值即可判斷當前預測序列代表的設備退化狀態。

2.2 組合故障預測模型在電子設備中的應用

假設一個具有混合結構的電子設備的一部分結構如圖4所示，該電子設備是由模塊A1，A2，…A17根據不同的串聯、并聯結構按照一定的形式組合而成的，每個模塊都具有一定的功能，其中Q1，Q2，…Q11，out是獲取狀態信號的監測點，對應的實際電路圖如圖5所示。

（1）狀態劃分與數據采集

圖5電路圖中所有電阻、電容容差均為±5%，通過對該電路進行靈敏度分析，發現C3的變化對輸出電壓V（out）的波形影響較大，本文只考慮C3的變化對整個電子設備的影響，其他元件參數均在±5%內變化。通過對該電子設備進行信號監測，當發現監測點out的信號有偏差時并不能確定是模塊A17出現退化或故障，要進一步獲取監測點Q11的信號，如果Q11的信號正常，則可以判斷是模塊A17出現問題，否則將繼續監測Q10的信號，以此類推，可以初步判斷出發生故障的模塊。

設C3的容差變化范圍分別為[5，7.5]%，[7.5，10]%，[10，12.5]%，[12.5，15]%，[15，17.5]%，[17.5，20]%，[20，22.5]%，[22.5，25]%來模擬該電子設備的狀態退化過程（如圖6所示，橫坐標表示電子設備的工作時間，縱坐標表示電子設備的健康指數），加上正常狀態共設置了9種狀態。每種狀態進行50次蒙特卡羅（MC）分析，發現在25kHz～110kHz之間C3的變化對電路的影響最大，因此每個狀態取25kHz、50kHz、60kHz、70kHz、80kHz、90kHz、100kHz、110kHz對應的電壓值構成一組8維的特征向量，則每種狀態有50組特征向量，30組作為訓練樣本，20組作為測試樣本。

（2）故障預測

如表1所示，對9種狀態的8維特征向量取平均值，得到9種狀態的LSSVM訓練樣本，模型參數設置和訓練過程參考第三章，獲得每個頻率下狀態5-9的預測值如圖7所示。

圖7中橫坐標表示狀態5-9，縱坐標表示V（out）的電壓值。如圖7所示通過LSSVM預測得到的不同頻率下的預測值與實際值都比較接近，得到了較好的預測效果。通過對不同訓練樣本的預測，最終可得到狀態5-9的8維預測向量各20組。

（3）狀態識別

每組訓練樣本的8維特征向量經LDA降維構成4維特征向量，將LSSVM預測得到的狀態5-9的8維預測向量通過LDA同一映射空間降為4維特征向量，同時對每種狀態隨機取5組預測向量構成一個觀測序列，共15組預測的觀測序列用于HMM狀態識別，識別結果如表2所示：

其中，橫向表示電子設備應該所處的當前狀態，縱坐標表示其未來狀態。如表2所示，每個狀態的識別率分別為93.3%，86.7%，100%，93.3%，100%，平均狀態識別率為94.7%，狀態識別精度較高。

3 結束語

本文介紹了電子設備的基本結構，并對不同的串并聯結構發生故障的情況進行了分析，針對電子設備的復雜結構以及現有的單一故障預測方法不能對電子設備直接進行狀態預測，提出了LSSVM與HMM組合故障預測模型，分析該組合模型的優勢并將其應用于一個具有混合結構的電子設備中。通過LSSVM預測得到的預測值再經過HMM狀態識別直接得到該設備的預測狀態，并且二者的組合能夠得到很高的狀態預測精度，狀態預測精度為94.7%。

參考文獻：

[1]高慶，楊葉舟，魏震生.復雜裝備的層次診斷技術[J].火力與指揮控制，2007，32（4）：133-135.

[2]曾現萍.含有奇異信號的電子系統性能退化趨勢預測方法研究[D].電子科技大學，2016.

[3]王高升，劉振娟，李宏光.基于組合模型的主元分析預測監控方法[J].北京化工大學學報，2014，41（2）：104-108.

[4]王亮，呂衛民，滕克難，等.基于數據驅動的裝備故障預測技術研究[J].計算機測量與控制，2013，21（8）：2087-2089.

[5]江田漢，束炯.基于LSSVM的混沌時間序列的多步預測[J].控制與決策，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]周韶園，謝磊，王樹青.On-line Fault Diagnosis in Industrial Processes Using Variable Moving Window and Hidden Markov Model[J]. 中國化學工程學報：英文版，2005，13（3）：388-395.

[8]Wei S， Ahmet Palazo&#