基於時間特性的周期BIT數據分析模型研究

今日薦文

今日薦文的作者為中國電子科學研究院專家周曉龍，張輝。本篇節選自論文《基於時間特性的周期BIT數據分析模型研究》，發表於《中國電子科學研究院學報》第12卷第2期。

摘 要：機內自檢（BIT）是系統故障檢測的重要手段，在電子系統中被廣泛應用。隨著系統越來越大，BIT數據越來越多。快速、準確的從BIT記錄中獲取有效的故障信息，並進行初步的故障隔離，對於大型電子系統事後檢測分析具有重要的意義。本文主要研究了周期BIT數據分析方法，提出了利用周期BIT數據的時間標籤特性，進行聚類分析，實現故障事件的初步融合，從而為進一步的故障推理提供了唯一性故障數據；論文還討論了該方法在故障隔離方面的應用情況。

關鍵詞:周期BIT；故障隔離；時間序列；故障模糊組

引 言

隨著裝備信息化程度越來越複雜，綜合化水平越來越高，系統的健康狀況監控能力越來越強，故障預測與健康管理（PHM）技術在系統研製、裝備使用和後續保障中起的作用日益重要，測試性技術得到了快速發展。

在測試性設計技術中，機內測試（Built-in Test，BIT）是一項基礎性技術，被廣泛應用到各類系統中。機內測試是指系統或設備內部提供的檢測和隔離故障的自動測試能力。

機內測試的形式有多種，比較典型的有加電BIT，周期BIT，啟動BIT等。其中周期BIT由於具有在線、實時的特性，具有使用和維修輔助的多重用途。但在設計時，往往側重考慮使用需求，比如實時性、關鍵參數監控、不干涉使用等。由於周期BIT的這些特性，周期BIT對於維修來說，往往有較多局限。比如，由於周期BIT信息的實時特性，不能反映歷史情況，對於不穩定狀態不能有效進行監控；受周期BIT機制的影響，周期BIT數據量往往較大，不便於直接應用。以某大型電子系統為例，周期BIT監控設備數百個，工作4個小時存儲的BIT相關的數據量數萬條。對於簡單的數據檢索應用來說，應用性不強。同時，由於裝備構成複雜，在工作過程中可能出現多個故障，且故障之間可能存在相關性，不能直接將故障事件用於故障推理模型，實現故障隔離。因此，在越來越來多的系統研製中，採用事後數據分析技術，對周期BIT數據進行分析，提升周期BIT的應用價值。

本論文闡述了基於時間序列的數據分析模型，通過對周期BIT事件的進行分析，實現了故障事件提取和初步的故障隔離，為進一步開展基於模型的故障推理（比如基於D矩陣的故障隔離）奠定了基礎。

1 周期BIT報故機制

周期BIT是一種實時監控的手段，周期BIT事件報告機制主要有兩種：周期性報告機制和事件觸發機制。周期性報告機制的優點是信息可靠，缺點是數據量大。當監控單元數量較多時，網路傳輸壓力和數據分析量將成倍增長。事件觸發機制的優點是數據量小，狀態更新及時，一般是在監控對象健康狀況發生變化的時候，立即進行報告，包括正常設備發生了故障，故障設備恢復到正常等情況；該機制的缺點是不可靠，可能會由於某些原因造成數據丟包，導致漏報。對於大型信息系統來說，兩種機制都會採用。

當一個故障發生後，會通過故障傳播路徑向後端系統進行傳播，從而可能導致後端系統狀態異常。故障影響範圍，受系統電氣結構和邏輯約束。比如當電源系統出現了故障（故障模式是無輸出）後，受供電影響的相關設備都會出現異常。故障傳播特性導致了周期BIT數據具有顯著的時間特性，比如存在相關性的多個故障，往往在故障報告時間上存在一定的相關性。在時間特性上，相關聯故障的報告發生在一定的時間區間內。該時間區間受系統BIT報故機制的約束。對於簡單系統，該時間可以很短，比如一個報故周期。對於複雜系統，該時間可能會涉及多個報告周期，甚至更長時間。這種相關性與系統設計有直接的關係。

2周期BIT數據的事件化模型

在系統工作過程中，周期BIT監控對象一般有3種狀態：正常，故障，未知。如圖1。在某些設計中，未知狀態也可以作為相關監控對象故障狀態的一種指示，此時可以用故障狀態來表示。對於非故障指示意義的未知狀態，不在本文討論。

圖1 任務過程設備狀態轉換示意圖

不同的周期BIT報故機制導致不一樣的數據構成。

周期性狀態報告機制是通過對系統過程中狀態的離散化生成一個狀態報告序列，如圖2。圖中，豎線表示周期BIT報告數據。其中短豎線表示被監控對象為「正常」狀態，長豎線表示被監控對象為「故障」狀態。下同。

圖2 監控狀況序列（周期性狀態報告機制）

事件觸發機制是只在狀態變化時進行狀態報告，如圖3。在不考慮數據丟失的情況下，兩種機制的結果是可以互相轉換的，本文僅針對第一種形式進行進一步的分析處理。

圖3 監控狀況序列(事件觸發機制)

狀態報告序列可看作是一種時間序列。時間序列是按照時間順序取得的一系列觀測值。時間序列可被抽象成二元組R=(O,t)。其中t為時間變數，O為數據變數，反映數據單元的實際意義。因此，時間序列集合可以描述如下：

R=｛(Oi,ti) ｝，滿足ti＜ti+1(i=1,2...) (1)

對於周期BIT來說，Oi表示為狀態值（正常，故障）。

3故障事件的提取

狀態報告序列R包含了被監控對象在整個過程中的狀態。對於使用和維護來說，故障事件更值得關注。因此，根據R進一步生成故障事件是一種必要的過程。

故障事件需要用3個參數進行標識，Ei=(Oi,ti,dti)。其中Oi表示故障事件，ti表示故障開始時間，dti表示故障持續時間。如圖4。

圖4 故障事件

從R中提取故障事件，需要按照2個步驟進行：

圖5 多設備監控下的事件序列示意圖

4基於時間特徵的故障模糊組分析

在經過事件化表示和故障事件提取後，輸出結果可以全面的反應系統的故障信息，可用於支撐對系統的維護和維修。但是對於複雜系統來說，監控對象之間交聯關係複雜，某監控對象發生故障後，會通過故障傳遞路徑，在系統中進行傳播，從而導致相關的監控對象報故，形成故障模糊組。這種現象，導致故障事件信息的混亂，給故障定位帶來困難。

解決故障模糊組是故障診斷的重要課題，國內外提出了邏輯模型、信息流模型、多信號流圖模型、結構模型、混合診斷模型等不同類型的測試性診斷模型和方法。對於大型複雜系統，由於工作過程中，可能有多個故障同時並發，不滿足單一故障條件，會導致故障定位不準確。

本研究提出了基於時間特性的故障模糊組分析方法，是對故障事件信息的預處理。通過本方法形成的故障模糊組，進一步提交給推理機或其他診斷方式，可有效降低後續工作的難度。

基於時間特性的故障模糊組分析方法是利用故障事件的時間特性，進行聚類分析，形成模糊組集合G，使得每個故障模糊組中的故障事件之間存在強的關聯性。通過分析故障事件之間的時間相似性，來識別不同的故障模糊組。

本文採用基於時間序列數據的相似性分析進行故障模糊組分析。在基於時間序列數據的相似性分析中，常用方法是計算歐幾里得距離。通過歐幾里得距離，進行事件匹配。

故障事件Ei=(Oi,ti,dti)，包括的時間信息包括故障開始時間ti，故障持續時間dti。兩個故障事件之間的歐幾里得距離的d(Ei,Ej)定義如下：

5工程應用參考

系統的複雜性，會導致閾值d展寬。d的取值受2個方面因素的影響，一方面是設計因素，比如周期BIT狀態報告周期、信號時延等固有特性；另一方面是數據丟包或網路阻塞延遲的影響。一旦發生了數據丟包，會成倍增加故障上報的時延。因此，閾值d的確定是一個工程問題。可根據統計試驗結果，確定合適的閾值d。

閾值的確定需考慮2個方面影響：

一是閾值過小可導致較多的故障事件不能相關。可以通過統計評價試驗的方式，確定閾值的下限。統計評價指標為相關率，定義如下：

過高的UR會給故障定位帶來一定的困難，也可能造成隱藏故障，導致一次維修不充分。但一般來說，誤相關的故障會在後續的診斷過程中進行解相關。因此，誤相關的危害要小於相關率過低的為危害。從經驗來看，90%以上的相關率、10%以下的誤相關率是必要的閾值設定參考。

在實際應用中，可通過試驗的方式確定閾值，如圖6。步驟如下：

a) 根據系統的特性，設置初始閾值。

b) 試驗：輸入一組BIT數據文件，運行一遍預處理方法，並計算RR和UR；

c) 判斷RR和UR是否滿足要求；若滿足要求，則閾值設置合理；若RR不滿足要求，則增加閾值；若UR不滿足要去，則減小閾值。

圖6 閾值確定過程

6結 語

本文論述了周期BIT數據分析的數學模型和工程方法，提出了周期BIT事件化表示模型、故障事件提取模型以及基於時間特徵的故障模糊組分析模型，同時，論文也討論了工程中歐幾里得距離閾值的確定方法，為周期BIT數據的事後分析提供了可行的思路和參考。周期BIT數據分析結果，可以用於輔助維修人員準確掌握系統工作過程中發生的故障信息，從而支撐故障診斷方法的制定，提高維修效率，具有良好的應用價值。

該方法在項目組研製的維修輔助設備中得到了應用，效果較好。利用該方法，可以快速識別故障模糊組，可輔助維護人員作出相應的診斷決策。同時，對於較複雜的模糊組，該分析結果，可以提交到推理機中，進行進一步的診斷。

（參考文獻略）

《召 集 令》

身懷學術絕技的你速速前來！

1，有學術水準：一定的專業學術水準是必須的！

2，有獨到思想：具深度，廣度，銳度者為最佳！

3，內容範疇：自然科學，社會科學等等不設限！

4，資訊或翻譯類文章：符合上述條件的均可以。

學術plus諮詢/投稿郵箱

聲明：版權歸《中國電子科學研究院學報》所有。轉載請務必註明出處，違者必究。文章觀點不代表本機構立場。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！