电子系统健康管理与预测

《航空故障诊断与健康管理技术》

电子系统故障预测的四种方法：

1. 基于特征参数法；
   -灰色理论预测法；
2. 利用预警电路；
3. 建立累积损伤模型；
4. 融合多种方法。

Prognositics and Health Management of Electronics

第一章 健康管理的概念和方法

F35上的健康管理设备：cnaary devices -“金丝雀”设备。

1. 保险丝和金丝雀系统

• 这种系统是最传统的方法；
• 金丝雀起源于采矿行业，用金丝雀监测危险气体；金丝雀对有害气体比人敏感，在有害气体下会死亡或者患病，这种情况下人就要离开矿井；
• 提前损伤电路作为半导体的健康监测；这种诊断单元尺寸：0.35-μm, 0.25-μm, 和0.18-pμm；耗电功率：600μW

PoF(Physis of failure)

一般PHM方法：第一步涉及到虚拟寿命评估，其中设计数据、预期寿命周期条件、失效模式、机制和影响分析(FMMEA)以及PoF模型是获得可靠性(虚拟寿命)评估的输入。基于虚拟寿命评估，可以对关键失效模式和失效机制进行优先排序。现有的传感器数据、总线监控数据、维护检查记录也可用于识别异常情况和参数。根据这些信息，可以确定PHM的监测参数和传感器位置。

根据收集到的操作和环境数据，可以评估产品的健康状况。损伤也可以由PoF模型计算得到剩余寿命。然后，PHM信息可以用于维护预测和决策，以最小化生命周期成本，或最大化可用性或其他实用功能。

介绍了不同的预测方法和电子PHM的研究现状。目前的三种方法包括:(1)使用保险丝和金丝雀装置;(2)故障前兆的监测和推理;(3)监测环境和使用载荷，建立基于pof的应力和损伤模型。

保险丝和金丝雀

消耗性设备，如保险丝和金丝雀，一直是保护结构和电力系统的传统方法。保险丝和断路器是电子产品中用于检测过大电流漏出和断开电源的元件的例子。电路内的熔断器保护部件免受电压瞬变或过度耗电的影响，并保护电源免受短路部件的影响。例如，恒温器可以用来感知临界温度限制条件，并关闭产品或系统的一部分，直到温度恢复正常。在一些产品中，自检电路也可以被纳入到不正常的条件，并作出调整以恢复正常条件或激活开关手段，以补偿故障[30]。

金丝雀(canary)一词来源于煤矿最早使用的危险气体警报系统金丝雀(canary bird)。因为金丝雀对有害气体比人类更敏感，金丝雀的死亡或生病是矿工离开矿井的信号。因此，金丝雀提供了一个很容易解释的灾难性故障的有效早期预警。在预后健康监测中也采用了同样的方法。安装在实际产品上的Canary设备还可以用于提供由于特定磨损失效机制而导致的故障预警。

Mishra等人[3 11]通过使用与实际电路位于同一芯片上的预校准单元(电路)，研究了半导体级健康监测器的适用性。这种预测电池方法被称为Sentinel半导体技术，已经商业化，为即将到来的设备故障提供预警哨。

预测金丝雀的失效时间可以相对于实际产品的失效时间进行预先校准。由于它们的位置，这些金丝雀包含和体验与实际产品基本相似的依赖关系。导致电路退化的应力包括电压、电流、温度、湿度和辐射。由于操作应力相同，因此两种电路的损坏率预计相同。然而，预测金丝雀的设计是通过扩大金丝雀结构的压力来更快地失败。

故障前兆的监测和推理

故障前兆是表示即将发生故障的数据事件或趋势。前兆指示通常是可测量变量的变化，可与随后的失败相关联。例如，电源输出电压的变化可能意味着由于反馈调节器和光隔离器电路损坏而即将发生故障。然后，通过测量变量之间的因果关系可以预测失效，这些变量可以与后续的失效和PoF相关。

故障前兆PHM的第一步是选择要监测的生命周期参数。参数可以根据对安全至关重要、可能导致灾难性故障、对任务完成至关重要或可能导致长时间停机的因素来确定。选择也可以基于过去经验建立的关键参数的知识。类似产品的现场失效数据，鉴定测试。更系统的方法，如FMMEA[35]，也可以用来确定需要监控的参数。

一般来说，为了实现基于前兆推理的 PHM 系统，需要识别用于监测的前兆变量，然后开发一种推理算法，将前兆变量的变化与即将发生的故障联系起来。这种角色塑造通常是通过在预期的或加速的使用情况下测量前驱变量来完成的。根据这些特征，可以开发处模型，如参数曲线拟合，神经网络，贝叶斯网络或前驱信号的时间序列趋势。这种方法假设有一个或多个预期的使用配置文件，这些配置文件是可预测的，并且可以模拟，通常在实验室设置中。在一些产品中，使用配置文件是可预测的，但这并不总是正确的。

对于具有高度不同使用特性的现场产品，使用特性中的意外变化可能导致前兆信号的不同(非特征)变化。如果前驱推理模型的特征不能考虑到生命周期使用和环境状况的不确定性，它可能会提供错误的警报。此外，在所有可能的使用场景下(假设它们是已知的并且可以模拟的)，可能并不总是能够描述前兆信号。因此，特性描述和模型开发过程往往是耗时和昂贵的，而且可能并不总是有效。

有许多监测故障前兆和趋势以评估健康和产品可靠性的例子。Smith和Campbell[37]开发了一种静态电流监测器(QCM)，可以在操作过程中实时检测Iddq电流升高2。QCM对系统时钟的每个过渡段进行泄漏电流测量，以实时最大限度地覆盖集成电路。Pecuh等人[38]和Xue和Walker[39]提出了一种用于CMOS器件的低功耗内置电流监视器。在Pecuh等人的研究中，开发了电流监测器，并在一系列用于模拟开路和短路故障的逆变器上进行了测试。两种故障类型都成功检测到，操作速度高达100 MHz，对测试电路的性能影响可以忽略不计。目前由Xue和Walker开发的传感器能够实现10 PA分辨率的Iddq监测。该系统通过扫描链读出将当前电平转换为数字信号。这一概念已通过测试芯片的制造得到验证。

早期故障检测和故障预测系统正在开发中，使用在系统内部不同位置连续监测的电流、电压和温度等变量。太阳微系统公司将这种方法称为连续系统遥测利用[46]。除了传感器信息外，还会跟踪软性能参数，如负载、吞吐量、队列长度和误码率。在PHM实施之前，**通过监测不同变量的信号来进行表征，以建立健康系统的多元状态估计技术(MSET)模型。**一旦使用这些数据建立健康模型，就可以根据学习到的所有变量[47]之间的相关性来预测特定变量的信号。根据应用过程中某一特定变量值的预期变异性，构造了序列概率比检验(SPRT)。在实际监测过程中，使用SPRT根据分布(而不是单个阈值)检测实际信号与期望信号的偏差[48,491]。该信号是根据表征过程中学习到的相关性实时生成的(参见图1.5)。产生了一个新的残差信号，它是实际的和期望的时间序列信号值的算术差。这些差异被用作SPRT模型的输入持续分析偏差，当涉及[47]时提供告警。通过对监控数据的分析，可以根据故障的先行指标提供告警信息，并利用监控信号进行故障诊断、故障原因分析、软件老化[50]故障分析等。

Brown等人[51]证明了商业全球定位系统(GPS)的剩余使用寿命可以通过使用预先失效方法进行预测。GPS的失效模式包括定位误差增加导致的精度失效和失效概率增加导致的解失效。这些失效过程通过记录系统级特征在现场监测，报告使用国家海洋电子协会(NMEA)协议01 83。对GPS进行表征，以收集一系列操作条件下的主特征值。根据实验结果，建立了参数化模型，将主特征值的偏移量与解失败关联起来。在实验期间，BIT没有提供解决方案即将失败的迹象[5 11。

监测环境和使用载荷，建立基于pof的应力和损伤模型

产品的生命周期包括制造、存储、处理、操作和非操作条件。生命周期负荷(表1.3)无论是单独的还是各种组合的，都可能导致产品的性能或物理退化，降低其使用寿命[52]。产品降解的程度和速率取决于暴露在这种负载下的程度和时间(使用率、频率和严重程度)。如果能够在现场测量这些载荷，则载荷剖面可以与损伤模型结合使用，以评估累积载荷暴露造成的退化。

Ramakrishnan和Pecht[52]研究了全寿命周期使用和环境载荷对电子结构和部件的影响。该研究引入了寿命消耗监测(LCM)方法(图1.6)，将现场测量载荷与基于物理的应力和损伤模型相结合，以评估产品剩余寿命。流程如下：

Mathew等人[53]应用LCM方法对航天飞机固体火箭助推器(SRB)内的电路卡进行了预后剩余寿命评估。SRB上记录的从发射前到溅落的振动时间历史，与基于物理的模型一起用于评估损伤。利用srb的整个寿命周期加载剖面，预测了电路板上元件和结构的剩余寿命。经确定，预计在另外40次任务内不会发生电气故障。然而，振动和冲击分析暴露了由于安装在电路板上的铝支架损坏而导致的意外故障。损伤累积分析确定，铝支架已经失去了重要的寿命由于冲击载荷。

Shetty等人[54]应用LCM方法对航天飞机远程操纵器系统(SMRS)机械臂内的末端执行器电子单元(EEEU)进行了预估剩余寿命评估。建立了EEEU板的热载荷和振动载荷的全寿命周期加载曲线。损伤评估采用基于物理的机械和热机械损伤模型。综合使用损伤模型、检查和加速测试的预测估计表明，电子设备几乎没有退化，预计可以再使用20年。

Gu等人[55]开发了一种用于监测、记录和分析电子产品剩余寿命预测的全寿命周期振动负载的方法。利用应变计监测印刷电路板在振动载荷下弯曲曲率的响应。然后根据测量的印刷电路板(PCB)响应计算互连线应变值，并将其用于振动失效疲劳模型的损伤评估。每次任务结束后，根据“矿工法则”累计损失，并预测消耗的生命和剩余生命。该方法被证明为PCB组件的剩余寿命预测。通过对抗性数据的检验，验证了上述结果。

Vichare等人[l]概述了现场负荷监测的一般策略，包括选择合适的监测参数和设计有效的监测方案。提出了在现场监测过程中对原始传感器数据进行处理的方法，以降低监测设备的内存需求和功耗。还提出了在监测系统中嵌入智能前端数据处理能力的方法，以便在输入用于健康评估和预测的损伤模型之前，减少和简化数据(不牺牲相关负载信息)。为了减少机载存储空间、功耗和长时间不间断的数据采集，Vichare等人[S7]建议在传感器模块中嵌入数据缩减和负载参数提取算法。如图1.8所示，利用传感器可以在现场监测一个时载荷信号，并进一步处理，利用嵌入的载荷提取算法提取循环范围(As)、循环平均载荷(S，，，，)和载荷变化率(dsidt)。提取的负载参数可以存储在适当的二进制直方图中，实现进一步的数据缩减。下载的二进制数据可以用来估计负载参数的分布。使用历史可用于损伤累积和剩余寿命预测。

在时间应力测量装置(TSMD)的研究中，可以发现对航空电子模块寿命周期载荷数据的监测。多年来，TSMD设计已经使用先进的传感器进行升级，并且随着微处理器和非易失性存储技术的进步，小型化的TSMD正在开发中[S8]。

2001年，欧盟资助了一个为期四年的项目，环境生命周期信息管理与获取(ELIMA)，旨在开发管理产品生命周期的方法[62]。这项工作的目标是预测从产品中移除的零件的剩余寿命，基于动态数据，如操作时间、温度和功耗。作为个案研究，成员公司监测了游戏机和家用冰箱的使用情况。这项工作的结论是，一般来说，必须考虑与设备所有寿命周期相关的环境。这不仅包括操作和维护环境，还包括操作前环境，在制造、组装、检查、测试、运输和安装期间，可能会对部件施加压力。这种应力往往被忽视，但会对设备的最终可靠性产生重大影响。

Skormin等[63]开发了一种用于航空电子设备故障预测的数据挖掘模型。该模型为振动、温度、供电、功能过载和气压等运行过程中测量的参数提供了聚类数据的手段。这些参数在飞行中使用时间-应力测量装置进行现场监测。与Ramakrishnan[52]基于物理的评估不同，数据挖掘模型依赖于暴露于环境因素和操作条件的统计数据。

Tuchband等人[64]提出了一种基于军用线可更换单元(LRU)生命周期负荷的预测方法。这项研究是国防部长办公室资助的一项为美军开发交互式供应链系统的努力的一部分。目的是通过一个门户网站整合预测、无线通信和数据库，以实现具有成本效益的维护和更换电子设备。该研究表明，基于预测的维护计划可以实施到军事电子系统。该方法包括在LRU上集成嵌入式传感器，用于数据传输的无线通信，用于数据简化和损伤估计的基于pof的算法，以及将这些信息上传到互联网的方法。最后，电子军事系统的预测系统的使用使故障避免、高可用性和降低生命周期成本成为可能。PoF模型可用于计算剩余使用寿命，但有必要识别预测方法中的不确定性，并评估这些不确定性对剩余寿命分布的影响，以便做出风险知情的决策。在不确定性分析中，预测可以表示为失效概率。

Gu等人[65]实现了振动载荷下电子产品预测的不确定性分析。Gu确定了不确定源，并将其分为四种不同类型:测量不确定度、参数不确定度、失效准则不确定度和未来使用不确定度(见图1.9)。Gu等人[65]利用灵敏度分析来识别影响模型输出的主要输入变量。利用蒙特卡罗模拟方法，利用输入参数变量分布信息，给出了累积损伤的分布。根据累积损伤分布，利用置信区间和置信限对剩余寿命进行预测。并以振动载荷作用下的电子板为例，对不确定性分析的实现进行了一步一步的演示。结果表明，试验测得的失效时间在不确定度分析预测的范围内。

PHM 在复杂系统中的实现

系统中的系统这个术语用来描述包含许多不同子系统的复杂系统，这些子系统可能在结构上或功能上相互连接。这些不同的子系统本身可能由不同的子系统组成。在一个由多个系统组成的系统中，许多独立的子系统被集成在一起，这样这些子系统的个别功能被组合起来以实现超出个别子系统能力的功能。例如，一架军用飞机是由子系统组成的，包括:机体、机体、发动机。起落架、机轮、武器、雷达、航空电子设备等。航空电子子系统可能包括通信导航和识别(CNI)系统、GPS、惯性导航系统(INS)、敌我识别(IFF)系统、助降设备和语音和数据通信系统。

为一个完整的系统系统实施有效的PHM策略需要整合不同的预后和健康监测方法。由于系统非常复杂，实现预测的第一步是确定系统中的薄弱环节。实现这一目标的方法之一是对产品进行FMMEA。一旦确定了潜在的失效模式、机制和影响，就可以根据产品的故障属性，对不同的子系统实施金丝雀效应、前兆推理和生命周期损伤建模的组合。一旦确定了监测技术，下一步就是分析数据。

可以使用不同的数据分析方法，如数据驱动模型、基于pof的模型或混合数据分析模型来分析相同的记录数据。例如，计算机系统电子设备的操作负载，如温度、电压、电流和加速度，可以与pof损伤模型一起使用，来计算互连、镀通孔和贴片的金属化和热疲劳之间的电迁移敏感性。此外，关于CPU使用率、当前和CPU温度的数据，例如，可以用来建立一个基于参数相关性的统计模型。这个数据驱动的模型可以被适当地训练来检测热异常和识别某些晶体管退化的迹象。

正在进行算法开发领域的研究，以分析、趋势和分离大规模多元数据。利用主成分分析和支持向量机的投影追踪、马哈瑙比斯距离分析、符号时间序列分析、神经网络分析和贝叶斯网络分析等方法可以处理多元数据。

尽管在某些与预后相关的领域取得了进展，但仍存在许多挑战。在一个系统的系统中实现PHM的关键问题包括决定监控系统中的哪些系统，监控哪些系统参数，选择监控参数的传感器，传感器的电源，用于存储感知数据的车载存储器，现场数据采集，以及从采集的数据中提取特征。了解系统中的一个系统的故障如何影响系统中的另一个系统，以及它如何影响系统中的整个系统的运作，也是一项挑战。从一个系统到另一个系统获取信息可能很困难，特别是当系统由不同的供应商制造时。在对系统中的系统实施PHM之前，其他需要考虑的问题包括:该计划带来的经济影响、PHM实施对基于状态的维护的贡献以及后勤保障。

PHM应用程序所需的元素已经具备，但是集成这些组件来实现系统中的系统的预测仍在进行中。未来，电子系统设计将集成传感和处理模块，从而实现原位PHM。一个系统中的系统的不同子系统的不同PHM实现的组合将是行业的标准。

第二章 PHM传感器系统

数据收集是 PHM 的重要组成部分，通常需要使用传感器系统来测量环境和操作参数。本章介绍常见的传感器及其传感原理。然后讨论了 PHM 实施所需的传感器系统属性，并描述了一些最先进的 PHM 传感器系统。最后，介绍了传感器系统技术的新兴趋势。

在电子产品和系统中实施 PHM 有几种可用的方法，包括监测和分析作为即将发生故障的前兆的参数，例如性能参数的变化，以及暴露条件的利用（例如，使用、温度、振动、辐射）结合 PoF 模型计算累积损伤并评估剩余寿命 [l]。在这些方法中，参数（条件）的监测是一个基本步骤。为了准确评估健康状况并预测产品的剩余寿命，可能需要在产品生命周期的所有阶段进行监控，包括制造、运输、存储、处理和操作。被称为被测量的监测参数可能包括温度、振动、冲击、压力、声级、应变、应力、电压、电流、湿度水平、污染物浓度、使用频率、使用严重性、使用时间、功率和散热。在每种情况下，为了获得这些参数的特性，例如幅度、变化、峰值水平和变化率，可能需要各种监测功能。传感器系统提供了获取、处理和存储这些信息的方法。

---

温度传感器：

最广泛使用的热传感器是电阻热检测器 (RTD)、热敏电阻、热电偶和半导体结二极管。 RTD 的工作原理是传感器（通常是金属）的电阻随温度变化以可预测的方式并以基本线性和可重复的方式（检测元件的电阻-温度特性）变化。因此，可以通过测量其电阻变化来确定传感元件的温度。热敏电阻是一种热敏电阻器，其功能是随着体温的变化而表现出电阻的变化。热敏电阻在相对较小的温度范围内表现出较大的电阻变化。热敏电阻通常由蒸发膜、碳或碳组合物或由铜、钴、锰、镁、镍或钛的氧化物形成的类陶瓷半导体制成。与基本 RTD 不同，热敏电阻可以模压或压缩成各种形状，以适应广泛的应用。热电偶是耦合在接口处的任何一对导电和热电不同的元件。它的操作基于塞贝克效应（三种热电效应之一 - 塞贝克、珀尔帖和汤普森），它是在由两个异质导体组成的电路中产生热电动势（电动势），其结点位于不同的温度。两种不同的材料（通常是金属）在一点连接形成热电偶。参考结保持在已知温度，例如冰水平衡点，并且该固定电压与测量结处的热电偶电压之间的差值由电压表测量。

---

光学传感器：

光学传感器包括光电导体、光电发射器件、光伏器件和光纤传感器。光电导体是一种在用光或辐射照射时会改变电阻的装置。由于电荷载流子数量的变化，光电导体的电导率在辐射的影响下发生变化。光电发射器件是产生输出电流的二极管，输出电流与照射在其表面的光源强度成正比。光伏器件由一个 p-n 结组成，其中辐射产生的载流子可以穿过该结形成自生电压。

当拉紧时，光缆会改变输出光波相对于参考的强度或相位延迟。使用光学检测器和干涉测量技术，可以以高灵敏度测量小应变。光纤布拉格光栅 (FBG) 可用于光纤传感器以感测某些被测量。 FBG 是一种分布式布拉格反射器，构造在一小段光纤中，可反射特定波长的光并传输所有其他波长。布拉格波长对应变和温度都很敏感。 FBG 可用于直接感测应变和温度。它们还可用于转换另一个传感器的输出，该传感器会从被测量中产生应变或温度变化，例如，FBG 气体传感器使用吸收性涂层，在气体存在时会膨胀，产生可通过测量的应变光栅。 FBG 还在仪器应用中找到了用途，例如地震学和油气井中的井下传感器，用于测量外部压力、温度、地震振动和管道内流动的影响。光学传感器的常见示例包括水声传感器、光纤微弯传感器、渐逝或耦合波导传感器、移动光纤水听器、光栅传感器、偏振传感器和全内反射传感器。光学干涉传感器已被开发用于干涉仪声学传感器、光纤磁传感器（带有磁致伸缩护套）和光纤陀螺仪。特别掺杂或涂层的光纤已被证明作为各种类型和配置的物理传感器具有很大的多功能性。它们已被用于辐射传感器、电流传感器、加速度计、温度传感器和化学传感器。

---

选择传感器的流程：

传感器系统对PHM的要求取决于具体的应用程序，但是有一些常见的考虑因素。这包括要测量的参数、传感器系统的性能需求、传感器系统的电气和物理属性、可靠性、成本和可用性。用户需要对考虑事项进行优先排序。为特定的应用选择最优的传感器系统可能需要权衡。

选择需要检测的参数

在PHM实现中要监视的参数可以根据它们与功能的关系来选择，这些功能对安全至关重要，可能会导致灾难性故障，对任务完成至关重要，或者可能导致长时间停机。关键参数的选择也是基于过去的经验和类似产品的现场失效数据以及合格测试所建立的知识。更系统的方法，如FMMEA，可以用来确定需要监测的参数。

用作前体的参数和在产品生命周期中监测应力和损伤建模的参数在本书的前几章中进行了讨论。这些参数可以通过适当的传感器来测量。PHM需要集成许多不同的参数来评估产品的健康状态和预测产品的剩余寿命。**如果一个单独的传感器系统可以监测多个参数，将简化PHM。**多参数传感是指一个传感器系统可以测量温度、湿度、振动、压力等多种参数。能够实现多传感的结构包括内部包含多个不同传感元件的传感系统;传感器系统具有灵活的外接端口，支持各种插入的传感器节点;这些结构的组合。对于这些结构，可以共享一些常见的组件，如电源、A - D转换器、存储器和数据传输。

传感器系统的性能

在精度分析时，应考虑传感器系统所要求的性能:测量值与测量量的真实值之间的接近程度。

• 灵敏度:输出相对于输入的一定变化(校准曲线的斜率)的变化。
• 精度:可可靠测量到的有效数字数。
• 分辨率:在输出端产生可检测的变化所必需的输入的最小变化。
• 测量范围:被测量值的最大值和最小值。
• 重复性:在相同的测量条件下进行的相同测量的连续测量结果之间的一致性。
• 线性:校准曲线与与理论行为相对应的直线的紧密程度。
• 不确定度:指被测量真实值的取值范围。
• 响应时间:传感器对给定输入做出反应所需的时间。
• 稳定时间:传感器接触稳定输入后达到稳态输出所需的时间。

传感器的物理属性

传感器系统的物理属性包括其尺寸、重量、形状、包装以及传感器如何安装到其环境中。在某些 PHM 应用中，传感器的尺寸可能成为最重要的选择标准，因为用于连接传感器的可用空间有限，或者由于要感测的位置不可接近。此外，在某些 PHM 应用（例如移动产品或使用加速度计的振动和冲击测量）中必须考虑传感器的重量，因为增加的质量会改变系统响应。如果需要使用夹具将传感器安装到设备上，则传感器和夹具的附加质量可能会改变系统特性。在选择传感器系统时，用户应确定主机环境可以处理的可用尺寸和重量容量，然后考虑传感器系统的整个尺寸和重量，包括电池和其他附件，如天线或电缆。

对于某些应用，还必须考虑传感器系统的形状，例如圆形、矩形或平面。一些应用还对传感器封装材料有要求，例如金属或塑料，这取决于应用和要感测的参数。还应根据应用考虑连接或安装传感器的方法。

安装方法包括使用胶水、胶带、磁铁或螺钉（螺栓）将传感器系统固定到主机上。嵌入在组件中的传感器系统（例如 IC 中的温度传感器）有助于节省空间并提高性能。

传感器的电气属性

应考虑的传感器系统的电气属性包括板载电源和电源管理能力；板载内存和内存管理能力以及可编程的采样率和模式；传感器系统的数据传输速率、距离和安全性；以及板载数据处理能力。

板载电源和电源管理能力

功耗：与无线和移动系统特别相关；

供电类型：电池供电和非电池供电；

传感器消耗的功率随参数传感方法和采样率不同而不同。

在空闲状态下，传感器消耗的功率低，因此对于热防护系统，在轨飞行期间可以将其调整为休眠模式或者低功率模式。

板载内存和内存管理能力

板载存储器是包含在传感器系统中的存储器。它可以用来存储收集到的数据以及与传感器系统有关的信息(例如，传感器身份，电池状态)，这使得它能够被识别并与其他系统通信。内存中的固件(嵌入式算法)为微处理器提供操作指令，使其能够实时处理数据。板载内存允许更高的数据采样和存储率。如果没有板载内存，则必须传输数据。对于传感器系统，常见的板载内存类型包括EEPROM(电可擦除可编程只读存储器)和NVRAM(非易失性随机访问存储器)。EEPROM是一种用户可修改的ROM，可以反复擦除和重编程(写入)。在传感器系统中，通常使用EEPROM来存储传感器信息。NVRAM是用来描述任何类型的随机存取存储器的总称，这种存储器在电源关闭时不会丢失其信息。NVRAM是更一般的非易失性内存类型的一个子类，区别在于NVRAM设备提供随机访问，而不是像硬盘那样的顺序访问。

可编程的采样率和模式

可编程的采样模式和速率是PHM应用程序的首选，因为这些特性直接影响诊断和预测功耗和内存需求。对于固定的采样速率，周期性和事件触发采样将比连续采样消耗更少的功耗和内存。在相同的采样模式下，低采样率比高采样率消耗更少的功耗和内存。但过低的采样率可能导致信号失真，并可能降低捕获故障检测所需的间歇或瞬态事件的可能性。此外，如果用户想利用传感器，例如，同时监测振动和温度，传感器系统应该允许用户分别设置这两种不同类型的参数的采样模式和速率。

信号处理软件

信号处理包括两部分:一是嵌入式处理，集成到机载处理器中，实现对原始传感器数据的即时和本地化处理;二是在上位机进行处理。在选择传感器系统时，应该同时考虑这两种功能。

板载处理可以显著减少数据点的数量，从而释放内存用于更多的数据存储。这反过来又减少了必须传输到基站或计算机的数据量，从而降低了功耗。在一个网络中工作大量传感器系统的情况下，这将允许分散计算能力，并促进有效的数据并行处理。

在机载处理器中嵌入计算能力也可以促进环境监测应用的有效数据分析。嵌入式计算可以设置为采取立即行动提供实时更新，如关闭设备以避免事故或灾难性故障，并预测未来的维修和维护活动。

目前机载信号处理主要包括特征提取(如雨流循环计数算法)、数据压缩和故障识别与预测。理想情况下，当检测到故障时，它应该显示其计算结果并执行操作，并且应该是可编程的。

机载处理器的能力受到一些物理条件的限制。一个限制是可用的功率。如果处理需要扩展计算和高计算速度，它将消耗更多的功率。另一个限制是板载内存容量。运行复杂的软件需要大量内存。这两个限制使得将复杂的算法嵌入到板载处理器中具有挑战性。然而，即使使用简单的算法和程序来处理原始传感器数据，也可以在原位分析中获得显著的收益。

传感器系统的数据传输速率、距离和安全性

一旦被传感器系统收集，数据通常被传输到基站或计算机进行后分析。一般来说，数据传输的方法有无线和有线两种。无线监控已经成为一种很有前途的技术，可以影响PHM应用。无线传输是指在不使用硬连接的情况下进行远距离数据传输。所涉及的距离可能很短(几米，如电视遥控器)，也可能很长(无线电通信的距离为数千公里甚至数百万公里)。无线传感器节点可用于远程监测不适宜居住和有毒环境。在某些应用中，传感器必须通过遥测技术将数据存储和下载到中央处理站进行远程操作。此外，无线传感器系统在传输传感器测量数据时不依赖于长导线，从而节省了安装和维护成本。通过在无线传感节点中嵌入微控制器，可以极大地增强无线传感节点的优势，提高无线传感节点自身的数据分析能力。

无线数据传输的安全性是另一个需要考虑的重要因素。目前的无线协议和加密方法存在着大量的安全风险。应评估无线传感器系统的安全策略或自定义安全级别，以保护传输过程中的数据。

目前，有线数据传输可以提供高速传输，但受限于对传输线路的需求。无线传输可以提供非常方便的数据通信，不需要有线，但传输速率低于有线传输。这需要对给定的应用程序进行一些权衡。许多传感器系统将数据从传感器无线传输到接收设备，然后通过有线连接到通用串行总线(USB)端口的计算机。这种安排可以代表一种折衷，通过投入、功率需求和成本来改善数据。

板载数据处理能力

费用

为给定的PHM应用程序选择合适的传感器系统必须包括对成本的评估。成本评估应涉及其总拥有成本，包括传感器系统的购买、维护和更换。实际上，初期购买费用可能不到产品使用周期成本的20%。

可靠性

PHM的传感器系统应该是可靠的。传感器系统通常受到噪声和周围环境的一定程度的限制，而噪声和周围环境会随操作和环境条件的变化而变化。

为了降低传感器系统故障的风险，用户必须考虑传感器的环境和工作范围，并确定是否适合特定的应用。传感器系统的包装也应考虑在内，因为它可以保护设备免受有害影响，如湿度、沙子、腐蚀性化学物质、机械力和其他环境条件。

传感器验证用于评估传感器系统的完整性，并根据需要对其进行调整或校正。该功能检查传感器的性能，并通过检测和消除系统误差的影响，确保传感器系统正常工作。自诊断、自校准和传感器融合是实现这一功能的几种方法。

另一种提高传感器系统可靠性的策略是使用多个传感器(冗余)来监控同一产品或系统。通过使用多传感器系统，降低了由于传感器系统故障而导致数据丢失的风险。

虽然考虑传感器系统的可靠性是必要的，但同样有必要考虑传感器系统对其打算监测的产品的可靠性的影响。传感器系统的重量可能会降低可靠性，当连接到表面时，随着时间的推移。另外，如果附加材料与产品的施工材料不相符，附加材料(焊接、胶水、螺丝)的方法也会降低产品的可靠性。

可得性

选择的传感器系统应该是可用的。一般来说，在确定可用性时应该考虑两个方面。首先，用户应确定该传感器系统是否可用于商业用途。这意味着该传感器系统已经从开发阶段进入生产阶段，并开始在市场上销售。有许多传感器系统在出版物和网站上做了广告和推广，但并不是商业上可以买到的。这些传感器系统通常是原型，不能在公开市场上购买。其次，用户应该查看传感器系统的供应商。根据特定的需求和应用，出于安全原因，用户可能需要从国内供应商选择传感器系统。这些信息通常不能在产品数据表中找到，但可以通过与供应商的沟通来验证。

传感器的选择

上面的因素都要考虑。

PHM实现的传感器系统示例

调查的主要发现是最先进的预测传感器系统:

• 可以使用自己的电源管理、数据存储、信号处理和无线数据传输自主执行多种功能。
• 具有多个灵活的或外接的传感器接口，支持各种传感器节点，监控各种参数，如温度、湿度、振动和压力。
• 自带电源，如可充电或可更换电池。
• 有板载电源管理，允许控制操作模式(活动，空闲和睡眠)，和可编程的采样模式(连续，触发或阈值)和速率。
• 这些管理策略结合了新颖的电池技术和低功耗电路，使传感器系统运行更长时间。
• 具有不同的板载数据存储容量(闪存)，从几千字节到数百兆字节。具有嵌入式信号处理算法，能够在数据传输之前对数据进行压缩或简化。

PHM传感器技术的发展趋势

总体而言，传感器技术正朝着极端小型化、无线网络、超低功耗和无电池供电的方向发展。随着电子系统和部件的体积不断缩小，用于监测其环境和操作的传感器也将变得更小、更轻，以便集成。随着MEMS(微机电系统)或NEMS(纳米机电系统)和智能材料技术的成熟，MEMS传感器或纳米传感器将把传感元件、放大、模数转换器和存储单元集成到微芯片中。MEMS和NEMS的制造将提供显著的优势或与电子集成、传感器阵列的制造、单个设备的小尺寸、低功耗和更低的成本。

第三章 基于数据驱动（DD-DataDriven）的PHM

数据驱动(DD)预测技术，它可以使用可用的和历史的信息来统计和概率地得出有关电子系统健康和可靠性的决定、估计和预测。

本章讨论了一些基本的数据驱动算法，以帮助理解学习算法及其与PHM应用的相关性。ML是实现电子系统PHM的一种方法，而统计和概率论是它的支柱。可以结合学习算法来提高算法的效率和有效性。最适合的学习算法将取决于环境和系统的特点。结合数值优化，利用统计和概率方法，基于数据对当前和未来的系统健康状况进行决策。ML通过提取相关数据来解释系统健康的趋势和特征，从而使统计估计和概率估计更加准确。

PoF方法使用基本的工程和失效原理来建模和预测剩余的使用寿命。DD方法纯粹根据现有数据作出健康决策和预测。第三类是一种混合方法，利用来自PoF和DD方法的信息来做出关于系统健康状况和剩余使用寿命的决策和预测。这种混合方法可以同时利用PoF和DD方法的优点，同时消除它们的一些缺点。

DD方法是一种经济有效的大变量系统健康自动监测方法，能够智能地检测和评估系统动力学中的相关趋势，从而估计系统当前和未来的健康状况。ML是通向DD PHM的路径，因为作为一种算法方法，除了数据预处理、通过压缩和转换降低维数、特征提取和清洗(去噪)外，它还融合了统计和概率论。此外，ML利用计算解决方案，否则昂贵或棘手的理论替代。ML在需要用户交互的情况下也很有用，通过用户交互，机器可以学习它要完成的任务，在PHM中，可以学习数据趋势与物理、模式和故障机制之间的关系。

参数统计方法

参数统计技术假设数据符合某种类型的分布(例如高斯分布)，分布的参数(例如均值和标准差)是从数据中计算出来的。数据由参数表示，而对数据进行分类的试验的制定是基于这些参数的。

似然比校验-Likelihood Ratio Test(LTR)

• 似然比校验是反映真实性的一种指标，属于同时反映灵敏度和特异度的复合指标。

• 似然比定义为有约束条件下的似然函数最大值与无约束条件下似然函数最大值之比。

  r=P(xi∣Hnull )P(xi∣Halt)r=\frac{P\left(x_{\mathrm{i}} \mid H_{\text {null }}\right)}{P\left(x_{\mathrm{i}} \mid H_{\mathrm{alt}}\right)} r=P(xi​∣Halt​)P(xi​∣Hnull ​)​

  x是观测量

  • 似然性则是用于在已知某些观测所得到的结果时，对有关事物的性质的参数进行估计；

  • 给定输出x时，关于参数θ的似然函数L(θ|x)（在数值上）= 给定参数θ后变量X的概率：

    L(θ∣x)=P(X=x∣θ)L(\theta \mid x)=P(X=x \mid \theta)L(θ∣x)=P(X=x∣θ)

• (1) 两似然函数值之比值λ只是样本观察值的函数，不包含任何未知参数。

  (2) 0≤λ≤1，因为似然函数值不会为负，且λ的分母为似然函数的极大值，不会小于分子。

  (3)越接近θ0时，λ越大；反之，与θ0相差愈大，λ愈小。因此，若能由给定的α求得显著性界值λ0，则可按以下规则进行统计推断：

最大似然估计-Maximum Likelihood Estimation（MLE）

• 最大似然法明确地使用概率模型，其目标是寻找能够以较高概率产生观察数据的系统发生树；

• 最大似然估计是一种统计方法，它用来求一个样本集的相关概率密度函数的参数；

• 在所有可能的θ取值中，寻找一个值使这个采样的“可能性”最大化。

• ​ 案例

Neyman-Pearson criterion

• The goal of the Neyman-Pearson criterion is to design a classifier (based on training data) that minimizes the probability of missed alarms while constraining the probability of a false alarm to be less than some user-specified significance level a；

最大期望算法-Expectation Maximization

最大期望算法经过两个步骤交替进行计算：

1. 第一步是计算期望（E），利用对隐藏变量的现有估计值，计算其最大似然估计值；
2. 第二步是最大化（M），最大化在E步上求得的最大似然值来计算参数的值。
3. M步上找到的参数估计值被用于下一个E步计算中，这个过程不断交替进行。

最小均方差估计-Minimum Mean Square Error Estimation

在统计学和信号处理中，最小均方误差（英语：Minimum mean-square error，缩写MMSE）估计是一种使均方误差（MSE）最小化的估计函数，其通常被称为最优估计。

最大后验概率估计-Maximum A Posteriori Estimation

在统计学中，最大后验估计是根据经验数据获得对难以观察的量的点估计。它与最大似然估计中的经典方法有密切关系，但是它使用了一个增大的优化目标，这种方法将被估计量的先验分布融合到其中。所以最大后验估计可以看作是规则化（regularization）的最大似然估计。

例子

零无偏估计-Rao-Blackwell Estimation

定理介绍

克拉默-拉奥下界（Cramer-Rao lower bound）

介绍

克拉美-罗界本身不关心具体的估计方式，只是去反映：利用已有信息所能估计参数的最好效果。

非参数统计方法

不知道数据分布的条件下使用非参数统计方法。

最近邻分类法

介绍

对于其相邻的K个样本，应该让与其相同类别的样本尽量靠近，而与其不同类别的样本尽量远离。根据这个假设来训练出一个模型，泛化数据的这种分布特性。

核密度估计（kernel density estimation）

介绍

• 在概率论中用来估计未知的密度函数，属于非参数检验方法之一。
• 由于核密度估计方法不利用有关数据分布的先验知识，对数据分布不附加任何假定，是一种从数据样本本身出发研究数据分布特征的方法，因而，在统计学理论和应用领域均受到高度的重视。

威尔克逊秩和检验-Wilcoxon rank sum test

用于检定两母群体统计量(中位数)差异，但不需母体为常态分布及变异数相同之假设前提。

Python实现

柯尔莫哥洛夫-斯米尔诺夫检验 Kolmogorov-Smirnov test

• 是一种基于累计分布函数的非参数检验，用以检验两个经验分布是否不同或一个经验分布与另一个理想分布是否不同。

卡方检验-Chi Square Test

百科

• 是一种统计量的分布在零假设成立时近似服从卡方分布的假设检验。

机器学习

• 分为监督分类法和非监督分类法

1. 监督分类法：the data are labeled and the algorithm learns from the distinctions among the labeled data；
2. 非监督分类法：The data in unsupervised learning have no predefined classes and do not include any
   labeled data。

监督分类法-Supervised Classification

判别法-Discriminative Approach

线性判别分析-Linear Discriminant Analysis

介绍

神经网络-Neural Networks

支持向量机-Support Vector Machines

介绍

分类树-Decision Tree Classifier

介绍

介绍2

生成法-Generative Approach

朴素贝叶斯分类器-Naive Bayesian Classifier

介绍

隐马尔可夫模型（Hidden Markov Model）

介绍 介绍2

描述由隐藏的马尔可夫链随机生成观测序列的过程，属于生成模型。

无监督分类法-Unsupervised Classification

判别法-Discriminative Approach

主成分分析-Principal Component Analysis

PCA的思想就是将n维特征映射到k维上(k<n)，这k维是重新构造出来的全新维度特征，而不是简单的从n维特征去除n-k维特征，这k维就是主成分。

独立成分分析-Independent Component Analysis

基于隐式马尔科夫模型的方法-HMM-Based Approach

基于随机向量机的方法-SVM-Based Approach

粒子滤波-Particle Filtering

生成法-Generative Approach

层次分类-Hierarchical Classifier

K-近邻算法-k Nearest Neighbor Classifier

模糊C均值聚类-Fuzzy C-Means Classifier

第四章 失效物理学方法

失效物理是一种利用产品的生命周期加载和失效机制的知识来评估产品可靠性的方法。PoF方法是基于一个设备、产品或系统的潜在失效机制和失效地点的识别。失效机制由潜在失效点的应力和变异性之间的关系描述。该方法通过建立评估新材料、结构和技术的科学基础，主动评估可靠性。基于pof的预测允许在其实际应用条件下评估和预测系统的可靠性。它集成了传感器数据和模型，能够现场识别产品偏离预期的正常操作条件或退化(即系统的健康状况)，并预测未来的可靠性状态。本章概述了PHM的PoF方法。

• POF(Physics of failure);
• FMMEA(Failure Modes, Mechanisms, and Effects Analysis)

基于PoF的健康管理方法

马里兰大学的CALCE开发了故障物理方法和软件：

第一步涉及FMMEA，其中设计数据、预期生命周期条件和PoF模型是评估的输入。然后，可以优先考虑关键故障模式和故障机制，以选择监测参数和传感器位置的PHM。根据收集到的操作和环境数据，可以评估产品的健康状况。然后可以从PoF模型计算损伤的数量，以获得剩余寿命。

硬件配置

为了实现可靠性评估目标，PoF方法在开始时需要一定的输入。输入包括所有级别的产品硬件配置(即部件到系统)、负载和故障模型。

产品架构是将产品分解(分类)为物理元素。一个复杂的产品通常由许多共同工作的元素组成，以确保产品的整体功能。体系结构描述了产品的元素、每个元素的功能、功能关系和组装关系[2]。

为了在这里进行讨论，我们将电子产品的6个预后水平定义为[3]。0级包括芯片和片上站点，如电路和金属化。第1级包括部件和组件，以及组成组件的线键、引线框架和封装。该级别包括集成电路和分立元件，如电阻、电容和电感。第2级包括电路板和连接元件到电路卡的互连线(引线，焊锡球等)。这一级别还包括电路板上的位置，如焊盘、镀通孔、通孔和痕迹。级别3包括机箱、机箱、抽屉和电路卡的连接。这个级别包括产品或子系统，如硬盘驱动器、显卡和电源。第4级包括电子产品，如笔记本电脑、单LRU和连接。第5级包括电子系统和不同系统之间的外部连接(例如，从计算机到打印机或LRU和座舱显示器的连接)。

除了几何形状之外，产品中使用的材料也会影响产品对外部和内部应力的响应。材料性能作为基于pof的失效模型的输入，用于计算特定失效点和失效机制的失效时间。

载荷

为了评估产品的可靠性，必须考虑负载，因为负载决定了产品的使用寿命。产品生命周期包括制造、装配、储存、搬运、运输和操作条件。在产品生命周期的每个步骤中，产品都要经历来自环境的载荷，包括温度、气压、湿度、振动、机械应力、化学反应、辐射等。所有这些载荷都可能在产品中累积损伤(可检测或不可检测)，从而影响其剩余寿命。

产品不可避免地暴露在一种或多种环境载荷中，包括热载荷(如温度)、机械载荷(如压力)、化学载荷(如腐蚀腐蚀)、磁性载荷(如来自磁场)、辐射载荷(如来自宇宙辐射)，等等。任何这些环境负荷都会对产品造成压力。在不同的环境条件下，不同的荷载可能主导产品中产生的应力，而其他荷载可能不是临界的或可以忽略的。例如，在许多情况下，不需要考虑辐射，因为辐射水平低到足以忽略，除非在空间飞行期间。

由于材料特性或保护策略的不同，不同的产品或组件对负载的敏感性也可能不同。因此，对一种产品至关重要的负载对另一种产品可能可以忽略不计。例如，把手机掉到硬地上造成的机械冲击可能无法与把打开的笔记本电脑掉到地上造成的冲击相提并论。

产品使用过程中会产生操作负载。这些载荷包括热载荷、机械载荷、化学载荷、磁载荷、电载荷以及其他载荷。例如，在一定的操作条件下，产品可能会由于电功、机械功或化学反应而产生热量。由于不同材料的热膨胀系数(CTE)不匹配，温度变化也会产生机械应力。均匀零件内部的温度梯度甚至会产生机械热应力。

FMMEA

Failure Modes, Mechanisms, and Effects Analysis-失效模式、机理和影响分析

FMMEA是一种系统的方法，用于识别所有潜在失效模式的潜在失效机制和模型，并对失效机制进行排序。FMMEA利用了传统FMEA的基本步骤，并结合了故障物理知识。FMMEA利用应用条件来评估主动应力并选择潜在的失效机制。应力知识与失效模型相结合，根据其严重程度和发生的可能性来优先考虑失效机制。FMMEA由CALCE开发，以解决传统失效模式、影响分析(FMEA)[4-71]和失效模式、影响和临界分析(FMECA)[8]、[9]过程中的缺陷。

FMMEA是基于对产品要求和产品物理特性(及其在生产过程中的变化)之间的关系的理解，产品材料与负载(由于应用条件造成的应力)的相互作用，以及它们对产品在使用条件下的失效易感性的影响。这涉及到识别故障机制和可靠性模型，以定量评估故障易感性。FMMEA结合了生命周期环境和操作条件，以及预期应用的持续时间，以及主动应力和潜在失效机制的知识。

FMMEA过程从定义要分析的系统开始，它被理解为集成以实现特定目标的子系统或级别的组合。系统被分为各种子系统或级别，一直到可能的最低级别——组件或元素。列出了每个元素的所有相关函数。这个函数列表是必要的，因为失败被定义为丢失这些函数。

失效模式是观察到失效发生的效果。它也可以被定义为组件、子系统或系统无法满足或交付其预期功能的方式。应该列出每个确定的元素的所有可能的失效模式。潜在的失效模式可以通过数值应力分析、加速失效试验(如HALT)、过去的经验和工程判断来识别。如果一种模式只能在初始检查时被识别，那么在FMMEA中它就不是一种失效模式。失效模式需要通过目视检查、电气测量或其他测试和测量直接观察到。故障模式识别不应该意味着原因或机制。严重程度是失效影响的严重程度，它可以分配给每个站点的每个模式。严重性级别的分配是基于项目的设计和功能、过去的经验和工程判断。

故障原因被定义为引发故障的特定过程、设计和/或环境条件。对潜在故障原因的了解可以帮助识别驱动给定元素故障模式的故障机制。原因由FMMEA组的头脑风暴确定。查找原因的一种方法是逐项检查生命周期环境概要文件(LCEP)，以评估其中是否有任何项可能导致失败。分析中的原因字段可以用来描述所有可能的选择。

潜在的失效机制是根据相应于材料系统、应力、失效模式和原因的适当的可用机制来确定的。失效机制分为过度压力或磨损机制。关于生命周期条件的信息可以用来消除在给定的应用条件下可能不会发生的失效机制。注意不要把机制与地点、模式或原因混合在一起。当失败机制未被识别时，最好将其记录为未知或尚未确定，而不是做出错误或不知情的决定。

失效模型通过确定失效时间或给定几何形状、材料结构、环境和操作条件下失效的可能性来帮助量化失效。对于超应力机制，失效模型可以提供应力分析来估计产品在给定条件下是否会失效。对于磨损机制，失效模型使用应力和损伤分析来量化产品累积的损伤。

表4.1[3]汇总了不同电子产品的FMMEA实施情况和监测数据。当使用保险丝/金丝雀设备PHM方法时，根据潜在的失效机制，金丝雀的几何形状或材料属性可以缩放，以加速用户条件下的失效。当使用应力和损伤建模方法时，环境和使用载荷剖面都是利用传感器捕获的。然后，传感器数据被转换成可用于故障模型的格式。

在产品的生命周期中，在不同的应力水平下，不同的环境和操作参数可能会激活几种失效机制，尽管通常只有少数操作和环境参数和失效机制会导致大多数失效。高优先级的失效机制决定了必须在设计中考虑或控制的操作应力、环境和操作参数。高优先级的机制是那些发生和严重程度高的组合。故障机制的优先级为有效利用资源提供了机会。图4.2显示了对故障机制进行优先排序的方法。可以计算出失效模式和失效机制的风险优先级数(RPN)。在故障模式分析中，RPN是严重程度、发生情况和检测的产物。严重性描述了失败对客户的影响的严重性。“发生”描述由于特定原因预计故障模式发生的频率。对制造商来说，检测是在问题到达客户之前发现问题或缺陷(包括外部故障)的可能原因的能力。对客户来说，检测是他们在故障发生前发现故障的能力。通常情况下，这些评级从对可靠性影响最高的级别到最低的[23]。在失效机制分析中，RPN只包括严重程度和发生情况，因为失效机制是无法检测到的。需要对故障模式和机制以及影响故障模式和机制的环境条件进行优先评估，以确保收集和利用适当的数据进行预测。

LCEP用于评估失效敏感性。如果某些环境和操作条件不存在或产生非常低水平的应力，则完全依赖于这些环境和操作条件的失效机制被分配为低发生率。对于超应力机制，通过进行应力分析来评估失效易感性，以确定失效是否发生在给定的环境和操作条件下。对于磨损机制，通过确定失效时间(TTF)在给定的LCEP下评估失效易感性。等级的分配是基于对单个失效机制的TTF与预期产品寿命、过去的经验和工程判断的基准。在没有可用的失效模型的情况下，评估仅基于过去的经验和工程判断。从与机制相关的失效模式获得严重等级;一个机构可以有不止一种模式。高优先级故障机制是最关键的。在列举这些时，每种机制都有一个或多个相关的位点、模式和原因。此信息可用于帮助确定要监视的内容、监视的位置以及如何对监视结果作出反应。

应力分析

应力分析对于确定失效机制的严重程度是必要的。要进行的应力分析取决于负载和产品的结构。需要估计不同负荷产生的应力水平和严重程度。由不同载荷引起的同一类型的应力可以放在一起考虑。例如，特定组件的温度可能是由环境温度和组件运行过程中产生的热量共同作用的结果。

热分析是用来确定温度分布在一个特定的组件或整个产品的身体。对于电子产品中的pcb (printed wired board)，通过热分析，根据器件产生的热量和环境温度，输出电路板层、器件结、器件外壳的温度。热分析涉及求解传热三种基本模式的传热方程:传导、对流和辐射。在大多数情况下，稳态温度结果足以评估失效条件;例如，温度循环可以通过只确定高端和低端稳态条件来充分定义。为了确定相变是否会起重要作用，有必要对印制板上结构的热容进行评估。

振动分析可以用来确定印刷电路板的响应，由于包含印刷电路板的结构的随机振动运动。在计算印制电路板的固有频率时，边界条件是至关重要的。经典的边界条件是自由的、简单的或夹紧的。电路卡组件(CCA)的固有频率可以通过实验或数值来确定。实验测定需要在CCA上放置应变计或加速度计，将CCA连接到一个动态激振器，并测量CCA对已知输入的响应。在数值上，印制电路板的固有频率可以使用一阶近似或有限元建模确定。

还有许多其他种类的应力分析没有在这里提到。基于产品所承受的荷载，某些应力分析将更适合于从荷载条件计算应力。

可靠性评估和寿命预测

根据应力分析确定的应力水平和严重程度，以及产品的结构、材料性能和生命周期剖面，基于PoF模型，通过计算特定地点主要失效机制的失效时间来进行可靠性评估。

失效识别步骤包括使用产品的几何形状和材料特性，以及作用在产品上的测量生命周期载荷，以识别产品中的潜在失效模式、机制和失效部位。这个任务通常只在产品新出现的部件上执行。在许多情况下，只需要评估这些新项目。在任何情况下，都会执行一个虚拟限定，以识别潜在的故障机制并对其进行排序。

故障被定义为系统不能执行其预期功能。失效机制是材料或系统退化并最终失效的过程。三种基本的失效类型是过度应力(即应力强度)、磨损(即损伤累积)和性能容忍(即过度扩展延迟)。

故障可以根据触发或加速机制的负载的性质——机械的、热的、电的、辐射的或化学的——进行广泛的分类。例如，机械失效可以由弹性或塑性变形、屈曲、脆性或韧性断裂、界面分离、疲劳裂纹萌生和扩展、蠕变和蠕变断裂引起。当产品在其热性能规范外工作时，通过加热超过其临界温度(如玻璃转变温度、熔点或闪点)或由于温度的严重变化，可能会发生热故障。电子产品的电气故障可能是由于静电放电、介电击穿、结击穿、热电子注入、表面和体诱捕、表面击穿和电迁移。辐射失效主要是由铀和钍污染物以及次级宇宙射线引起的。化学失效发生在加速腐蚀、氧化和离子表面树枝状生长的环境中。

不同的载荷可能触发或加速不同的失效机制。例如，机械失效可由弹性或塑性变形、屈曲、脆性或韧性断裂、界面分离、疲劳裂纹萌生和扩展、蠕变和蠕变断裂引起。热故障可能产生于在其热性能规范之外操作组件，从加热组件超过其临界温度(如玻璃转变温度，熔点，或闪点)，或通过严重改变温度。电气故障包括那些由于静电放电，介电击穿，结击穿，热电子注入，表面和体诱捕，表面击穿和电迁移。辐射失效主要是由铀和钍污染物以及次级宇宙射线引起的。化学失效发生在加速腐蚀、氧化和离子表面树枝状生长的环境中。

不同的负载也可能相互作用导致故障。例如，热负荷可能会因为热膨胀不匹配而触发机械故障。其他的交互失效机制包括应力辅助腐蚀、应力腐蚀开裂、场致金属迁移和化学反应的温度加速。

在现场应用中，利用模型预测产品的可靠性。该模型应(1)提供可重复的结果，(2)反映导致故障的变量和相互作用，(3)预测产品在其应用条件[24]的整个领域的可靠性。在PoF模型中，考虑了应力和各种应力参数及其与材料、几何形状和产品寿命的关系。

对于电子产品，有许多描述元件行为的PoF模型，如印刷电路板、互连和金属化在各种条件下的行为，如温度循环、振动、湿度和腐蚀。例如，用于计算温度和振动载荷引起的损伤的PoF模型总结在图4.3中。

利用Coffin Manson模型可以在时域内计算温度引起的损伤。这种方法已经在Ramakrishnan和Pecht[15]和Cluff等人的工作中得到证实。振动引起的损伤可以从时域和频域两方面进行计算。Gu等人[26]已经证明了其时域可以使用Basquin模型。Ramakrishnan和Pecht已经证明了[15]的频域可以使用Steinberg模型[27]。在某些情况下，需要开发模型。这通常通过使用一系列统计设计的实验来完成。

可靠性信息可用于评估产品是否能在其指定寿命内存活。如果最小失效时间机构的失效时间小于预期任务寿命，则可以迭代评估失效机构对设计参数的敏感性，直到满足系统可靠性目标。由于基于pof的PHM方法实时收集生命周期负载，因此可以根据实际环境和操作条件不断更新预测。

基于对产品退化机理的了解，可以从产品的制造阶段到系统故障的生命周期开始开发适当的健康监测系统。虽然诊断系统可以从产品生命周期的开始实施，但预测系统的领域通常只有在观察到故障或缺陷状况后才开始。产品的剩余寿命可以从产品生命周期的开始计算，并通过监测其生命周期环境来继续评估产品的退化，以提供应用环境中剩余寿命的估计。在每个时间段，产品的损坏可以从各种应力计算，这些应力是由环境或操作负载引起的。然后可以在一定的时间内进行损伤积累。最后根据累积损伤计算剩余寿命。

作为一个案例研究，在Ramakrishnan和Pecht，[151和Mishra等人[161]的实验中，测试车辆由一个置于汽车引擎盖下的电子组件板总成组成，并在华盛顿特区的正常驾驶条件下进行。测试板包含八个表面贴装无铅电感，使用共晶锡铅焊料焊接在FR-4基板上。它包括六个步骤来估计电子产品的剩余寿命:(i) FMMEA， (ii)虚拟可靠性评估，(iii)监测适当的产品参数，(iv)监测数据的简化，(v)应力和损伤累积分析，和(vi)剩余寿命估计。改进后的方法引入了FMMEA和虚拟可靠性评估，以确定给定生命周期环境下的主要失效机制以及相应的环境和运行参数。此外，还加入了步骤(vi)，以根据累积的损伤信息确定产品剩余寿命。由基于pof的PHM估计的测试板的剩余寿命，在图4.4中与使用相似分析得到的估计和实际测量寿命进行了比较。如图所示，任一相似度分析估计的剩余寿命与板的实际寿命相差较大，而基于pof的PHM估计的剩余寿命与实际寿命非常吻合。相似度分析结果与实际寿命不符的原因是，没有解释在第22天发生的事故。基于pof的PHM可以解释这种不可预见的事件，因为操作环境是在现场监测的。

基于PoF的健康管理方法的输出

基于pof的PHM方法提供的输出可用于(1)提供故障的提前警告;(2)减少计划外维修，延长维修周期，及时维修，保持效益;(3)通过减少检查成本、停机时间和库存，降低设备的全寿命周期成本;(4)提高现场和未来系统的资质，并协助设计和后勤支持。

与用于PHM的数据驱动方法相比，PoF方法在新系统和遗留系统中都具有一定的优势，而数据驱动方法通常很难使用这些优势，因为用于训练算法的数据很少。但是，当产品的材料性能和结构几何形状可用时，仍然可以使用PoF模型。虚拟鉴定是基于pof的PHM的第一步，也可用于评估新材料和新结构。因此，它减少了设计余量，这对上市时间很重要。

对于遗留系统，基于pof的PHM首先利用所有可用信息(如以前的加载条件、维护记录等)来评估遗留系统的健康状态。然后，它使用单个单元数据校准健康状态，从而可以得出单个遗留系统健康状况的评估。之后，它利用传感器和预测算法持续更新健康状态，提供最新的系统预测。

基于pof的PHM在存储条件下的可靠性预测方面也有优势。数据驱动方法的局限性是只能在故障点附近检测故障。因此，很难从贮存开始或贮存中期评估其剩余寿命。另外，由于产品没有被使用，因此无法直接测量产品的性能或其他数据。PoF方法可以测量现场环境载荷(如温度、振动和湿度)，载荷剖面可以与损伤模型结合使用，以评估累积载荷暴露造成的退化。

第五章 PHM的经济性

预测和健康管理为降低维护成本、改进维护决策以及向产品设计和验证过程提供产品使用反馈提供了机会。采用PHM方法需要考虑;并计划集成到新的和现有的系统、操作和过程。PHM必须提供显著的优势，以增加维护过程的价值;如果没有支持业务用例的开发，就不能承诺实现和支持PHM方法。PHM的实现需要在不同的规模和复杂性级别上实现。基础预测算法的成熟度、健壮性和适用性影响到技术企业中PHM的整体效能。PHM在严格的进度限制和不同的操作情况下通知决策者的效用同样影响可以实现的成本规避。本章讨论了电子PHM提供的收益和潜在成本规避的确定。

电子系统健康管理预测学习笔记相关推荐

1. 飞机机电管理计算机故障措施,一种基于故障树的飞机机电系统健康管理装置及管理方法与流程...

   本发明属于航空机电系统健康管理技术,涉及一种基于故障树的飞机机电系统健康管理装置及管理方法. 背景技术: 飞机机电系统包含燃油子系统.环控子系统.液压子系统.供电子系统.起落架子系统等,分布于飞机各个 ...

2. 【全栈之巅】Node.js + Vue.js 全栈开发王者荣耀手机端官网和管理后台学习笔记（4.1-4.10）

   [全栈之巅]Node.js + Vue.js 全栈开发王者荣耀手机端官网和管理后台学习笔记(4.1-4.10) 本项目是 学习Bilibili 全栈之巅 视频教程相关源码和体会 https://git ...

3. 《深入理解LINUX内存管理》学习笔记（一）

   引子 为什么要写这个笔记: 1,这本书的中文版翻译了太垃圾,没法阅读.阅读英文原版,可以很好的理解作者的思路.作此笔记备忘 2,一直以来学习LINUX kernel的知识缺乏系统化,借对这本书的学习, ...

4. 模拟电子技术不挂科学习笔记3（放大电路的分析方法）

   文章目录 一.放大电路基础(2~4分) 二.放大电路的分析方法(10分) 写在最后 一.放大电路基础(2~4分) 1.放大电路基础知识 2.放大电路基础例题 二.放大电路的分析方法(10分) 1.放大 ...

5. 金融风控-贷款违约预测学习笔记(Part3：特征工程)

   金融风控-贷款违约预测学习笔记(Part3:特征工程) 1.特征预处理 1.1 处理类别型特征和数值型特征 1.2 缺失值填充 1.3 时间格式处理 1.4 将对象类型特征转换到数值 1.5 类别特征 ...

6. 【全栈之巅】Node.js + Vue.js 全栈开发王者荣耀手机端官网和管理后台学习笔记（3.11-3.12）

   [全栈之巅]Node.js + Vue.js 全栈开发王者荣耀手机端官网和管理后台学习笔记(3.11-3.12) 本项目是 学习Bilibili 全栈之巅 视频教程相关源码和体会 https://gi ...

7. 【全栈之巅】Node.js + Vue.js 全栈开发王者荣耀手机端官网和管理后台学习笔记（3.6-3.10）

   [全栈之巅]Node.js + Vue.js 全栈开发王者荣耀手机端官网和管理后台学习笔记(3.6-3.10) 本项目是 学习Bilibili 全栈之巅 视频教程相关源码和体会 https://git ...

8. 【全栈之巅】Node.js + Vue.js 全栈开发王者荣耀手机端官网和管理后台学习笔记（3.16-3.20）

   [全栈之巅]Node.js + Vue.js 全栈开发王者荣耀手机端官网和管理后台学习笔记(3.16-3.20) 本项目是 学习Bilibili 全栈之巅 视频教程相关源码和体会 https://gi ...

9. 学习【全栈之巅】Node.js + Vue.js 全栈开发王者荣耀手机端官网和管理后台学习笔记（2.17-2.20）

   学习[全栈之巅]Node.js + Vue.js 全栈开发王者荣耀手机端官网和管理后台学习笔记(2.17-2.20) 本项目是 学习Bilibili 全栈之巅 视频教程相关源码和体会 https:// ...

最新文章

1. 从上到下打印二叉树 II
2. ThinkPHP 数据库表结构处理类(简单实用)
3. @ConditionalOnProperty 详解
4. delphi Bpl 学习杂记
5. (转)Android中截取当前屏幕图片
6. dnf安徒恩服务器不稳定,DNF安图恩掉线怎么办 INS安图恩攻坚战不惧掉线
7. CVPR 2022 接收结果出炉！录用 2067 篇，接收数量上升24%（附最新论文下载）
8. Java中的异步等待
9. Oracle和MySQL的几点区别
10. 阿里云服务器部署Java Web项目全过程
11. C#2.0 泛型学习(入门)
12. 五大算法思想（二）贪心算法及常见例子
13. firework算法_FireWorks 自从烟花算法的开创性论文由谭营教授等人于2010年发表之后 联合开发网 - pudn.com...
14. openproj不能修改日期的原因分析与解决
15. Windows系统设置多账户步骤
16. 数组：s.length()与s.length的区别
17. python把汉字变成拼音英文_利用python将表格中的汉字转化为拼音
18. 基于tf-openpose的动作识别实现街头霸王5对战项目
19. stm32第一章cortex-M3处理器概述
20. 一个为程序员定制的、WPF开发的小巧、美观桌面快捷工具

热门文章

1. pdf转换jpg格式转换器
2. android 8.1 9.0 10.0 app安装黑名单（限制app安装）
3. Openmv多色识别
4. appInventor的计时器制作循环计时或延时函数
5. js 数字的千分位分隔符函数
6. 工程师应该掌握的电子电路-1
7. stm32温湿度传感器报告_荷塘区压力传感器外校中心计量校准实验室
8. 编译原理：句型分析和有关文法实用的说明
9. 怎么用计算机按反三角函数的导数,利用导数求反三角函数的解析式
10. FusionCompute安装