CN106323373A - 电子设备健康监测预警系统和方法 - Google Patents

Abstract

本发明涉及一种电子设备健康监测预警系统和方法，通过传感器对电子设备的宿主电子系统电路板进行物理参数监测，获取传感器数据并发送至嵌入式控制装置，传感器数据包括电流数据、振动数据、温度数据和电压数据中的至少一种。嵌入式控制装置对传感器数据进行特征提取得到特征数据，并根据特征数据进行实时分析与预测，得到预测结果并显示，为用户提供宿主电子系统电路板实时健康监测及实时预测信息。可实时监测电子设备的性能退化过程，预测电子设备性能退化趋势，实现了对电子设备的故障预测与健康管理功能。

Description

电子设备健康监测预警系统和方法

技术领域

本发明涉及故障预测技术领域，特别是涉及一种电子设备健康监测预警系统和方法。

背景技术

故障预测与健康管理(Prognostics and Health Management，PHM)技术利用尽可能少的传感器采集系统各种数据信息，采用智能推理算法来评估系统自身健康状态，在系统故障发生前对其故障进行预测，并根据可利用资源信息提供维修保障措施以实现系统视情维修。PHM系统可实现由传统的基于传感器诊断转向基于智能系统预测，极大地促进了状态维修取代事后维修和预防性维修的进程。PHM系统能及时、准确地确定其当前状态以及在未来一段时间内发生故障的可能性，并对使用、维修活动做出辅助决策建议。

传统的失效预警方法是当集成电路关键失效机理发生而失效时，预警电路将输出报警信号。具体在参考器件中存储参考数据，并由应力器件从集成电路的输入管脚输入参数进行测试，并从集成电路的输出管脚进行检测得到测试数据，通过比较电路对测试数据和参考数据进行比较而实现预警输出。传统的失效预警方法需要对集成电路的管脚进行参数输入和数据采集，只适用于CMOS集成电路的失效预警，无法对电子设备进行故障预测。

发明内容

基于此，有必要针对上述问题，提供一种适用于电子设备的电子设备健康监测预警系统和方法。

一种电子设备健康监测预警系统，包括传感器和嵌入式控制装置，所述传感器设置于电子设备内，所述嵌入式控制装置连接所述传感器，

所述传感器用于对所述电子设备的宿主电子系统电路板进行物理参数监测，并将获取得到的传感器数据发送至所述嵌入式控制装置；所述传感器数据包括电流数据、振动数据、温度数据和电压数据中的至少一种；

所述嵌入式控制装置用于对所述传感器数据进行特征提取得到特征数据，并根据所述特征数据进行实时分析与预测，得到预测结果并显示。

一种电子设备健康监测预警方法，包括以下步骤：

传感器对电子设备的宿主电子系统电路板进行物理参数监测，获取传感器数据并发送至嵌入式控制装置；所述传感器数据包括电流数据、振动数据、温度数据和电压数据中的至少一种；

所述嵌入式控制装置对所述传感器数据进行特征提取得到特征数据；

所述嵌入式控制装置根据所述特征数据进行实时分析与预测，得到预测结果并显示。

上述电子设备健康监测预警系统和方法，通过传感器对电子设备的宿主电子系统电路板进行物理参数监测，获取传感器数据并发送至嵌入式控制装置，传感器数据包括电流数据、振动数据、温度数据和电压数据中的至少一种。嵌入式控制装置对传感器数据进行特征提取得到特征数据，并根据特征数据进行实时分析与预测，得到预测结果并显示，为用户提供宿主电子系统电路板实时健康监测及实时预测信息。可实时监测电子设备的性能退化过程，预测电子设备性能退化趋势，实现了对电子设备的故障预测与健康管理功能。

附图说明

图1为一实施例中电子设备健康监测预警系统的结构图；

图2为一实施例中嵌入式控制装置的结构图；

图3为一实施例中电子设备健康监测预警方法的流程图；

图4为一实施例中嵌入式控制装置根据特征数据进行实时分析与预测，得到预测结果的流程图。

具体实施方式

在一个实施例中，一种电子设备健康监测预警系统，如图1所示，包括传感器110和嵌入式控制装置120，传感器110设置于电子设备内，嵌入式控制装置120连接传感器110。

传感器110用于对电子设备的宿主电子系统电路板进行物理参数监测，并将获取得到的传感器数据发送至嵌入式控制装置120。

传感器110的数量和类型均不唯一，可以是一个或多个，也可是一种或多种类型。根据传感器的类型不同，传感器数据的种类也会对应有所不同，传感器数据具体可包括电流数据、振动数据、温度数据和电压数据中的至少一种。可通过针对宿主电子系统电路板进行传感器110的布局设计，以监测所需的物理参数。本实施例中，传感器110包括连接嵌入式控制装置120的电流传感器、振动传感器、温度传感器和电压传感器，分别对宿主电子系统电路板进行监测，对应采集得到的传感器数据包括电流数据、振动数据、温度数据和电压数据。同时对宿主电子系统电路板的四种物理参数进行采集并发送至嵌入式控制装置120进行健康预测，确保预测结果更符合实际情况，提高了预测准确性。可以理解，传感器110的具体类型包括并不限于以上四种，还可包括其他可嵌入的传感器。

嵌入式控制装置120用于对传感器数据进行特征提取得到特征数据，并根据特征数据进行实时分析与预测，得到预测结果并显示。

通过对传感器数据进行特征提取得到特征数据，表征宿主电子系统电路板的物理状态，以便用作后续进行健康预测。嵌入式控制装置120对传感器数据进行特征提取的具体方式并不唯一，可以是对同一时刻对宿主电子系统电路板不同位置采集到的同类型传感器数据进行特征提取，得到特征数据；也可以是对宿主电子系统电路板同一位置采集到的多个同类型传感器数据进行特征提取，得到特征数据。特征数据的类型也不唯一，具体可包括均值或均方差。

以传感器数据包括温度数据、特征数据包括均值为例，可以是通过多个温度传感器对宿主电子系统电路板的不同位置同时进行温度监测，根据同一时刻采集得到的多个温度数据计算得到均值作为特征数据；也可以是通过温度传感器对宿主电子系统电路板的同一位置进行温度监测，获取每个采集周期内的多个温度数据计算得到均值作为特征数据。

嵌入式控制装置120的具体类型并不唯一，具体可以是SoPC嵌入式装置或SoC嵌入式装置。本实施例中，嵌入式控制装置120为SoPC嵌入式装置，将处理器、存储器、I/O(输入/输出)口等系统设计及其他用户需要的功能模块集成到一个器件上，构建成一个可编程的片上系统。SoPC嵌入式装置具有灵活的设计方式，可裁减、可扩充、可升级，并具备软硬件的系统可编程能力。

在一个实施例中，如图2所示，嵌入式控制装置120包括FPGA(Field-ProgrammableGate Array，现场可编程门阵列)逻辑器件121、嵌入式处理器122和显示器123，FPGA逻辑器件121连接传感器110，嵌入式处理器122连接FPGA逻辑器件121和显示器123。

嵌入式处理器122通过FPGA逻辑器件121获取传感器110输出的传感器数据，对传感器数据进行特征提取得到特征数据，并根据特征数据进行实时分析与预测得到预测结果，并将预测结果发送至显示器123进行显示。

此外，嵌入式控制装置120还包括连接嵌入式处理器122的存储器124和应用程序编程接口125。存储器124用于存储传感器数据以及预测结果等数据，应用程序编程接口125用于提供程序访问接口，以便进行应用程序的开发和访问，提高了操作便利性。

具体地，FPGA逻辑器件121可以是具有软核或硬核的FPGA逻辑器件。嵌入式处理器122内置有内核层、服务层和应用层。其中，内核层包括操作系统内核和传感器驱动程序，本实施例中，操作系统内核为面向SoPC的操作系统内核，传感器驱动程序用于结合操作系统内核，针对传感器进行驱动。服务层包括基于数据驱动的预测算法模型和应用编程接口，基于数据驱动的预测算法模型用于根据操作系统内核提供的接口获取传感器数据，针对传感器数据进行特征提取，并对特征数据进行实时分析与预测。应用层包括故障预测与健康管理APP(Application，应用程序)以及访问APP。故障预测与健康管理APP用于将预测结果发送至显示器123进行显示，为用户提供宿主电子系统电路板的实时健康监测及实时预测信息。工作人员可通过访问APP连接服务层所提供的应用编程接口，设计操作系统内核、传感器驱动程序、基于数据驱动的预测模型以及故障预测与健康管理APP的应用程序。

传感器110实时获取传感器数据，对所获得的传感器数据经FPGA逻辑器件121、内核层中传感器驱动程序与操作系统内核传递后，在服务层中的基于数据驱动的预测模型中进行特征提取，并利用预测算法对特征数据进行实时预测，通过应用层中的故障预测与健康管理APP显示所获得的预测结果，为用户提供宿主电子系统电路板实时健康监测及实时预测信息。

嵌入式控制装置120根据特征数据进行实时分析与预测，得到预测结果的具体方式并不唯一，可以采用任何具有预测功能的算法进行分析和预测。具体地，可采用拓展卡尔曼滤波、无迹卡尔曼滤波和粒子滤波算法进行实时分析与预测，这些算法均是以卡尔曼滤波为基础。

给定N个量测输出数据y₁,y₂,...,y_N，要预测p步之后系统状态x_N+p。其中，滤波是指：

${\hat{x}}_{k|k}=E\left(x_k\right|y^k)\→x_k,y^k={\left\{y_i\right\}}_{i=1}^k,k=1,2,...,N$

一步预测和两步预测分别为：

${\hat{x}}_{k+1|k}=E\left(x_{k+1}\right|y^k)\→x_{k+1},{\hat{x}}_{k+2|k}=E\left(x_{k+2}\right|y^k)\→x_{k+2},$

其中，为记号方便，简记

具体而言，对于线性随机系统

$\left\{\begin{array}{c}{x}_{k+1}=A{x}_k+w_k\\ y_k={\mathrm{Cx}}_k+v_k\end{array}\right.$

其中，A和C为预设矩阵，w_k是均值为0，方差为Q不相关过程噪声，v_k是均值为0，方差为R不相关量测噪声，且w_k,v_k不相关。

本实施例中，嵌入式控制装置120采用卡尔曼预测算法根据特征数据进行实时分析与预测，具体包括以下步骤：

对特征数据进行卡尔曼滤波滤波得到滤波数据。具体为：

${\hat{x}}_k^{\′}=A{\hat{x}}_{k-1},$

P′_k＝AP_k-1A^T+Q,

K_k＝P′_kC^T(CP′_kC^T+R)^-1,

${\hat{x}}_k={\hat{x}}_k^{\′}+K_k(y_k-C{\hat{x}}_k^{\′}),$

P_k＝P′_k-K_kCP′_k.

其中，k＝1,2,...,N，N为特征数据的个数，且P₀,已知；A和C为预设矩阵，A^T,C^T分别表示对矩阵A和C进行转置，Q和R分别为不相关过程噪声和不相关量测噪声的方差，y_k表示特征数据，表示滤波数据。

根据滤波数据进行卡尔曼预测得到预测结果。具体为：

${\hat{x}}_{N+k|N}=A{\hat{x}}_{N+k-1|N},k=1,2,...,p$

其中， 为滤波数据，表示第k步的预测结果；N为特征数据的个数，p为预测步数。

上述电子设备健康监测预警系统，通过传感器110对电子设备的宿主电子系统电路板进行物理参数监测，获取传感器数据并发送至嵌入式控制装置120，传感器数据包括电流数据、振动数据、温度数据和电压数据中的至少一种。嵌入式控制装置120对传感器数据进行特征提取得到特征数据，并根据特征数据进行实时分析与预测，得到预测结果并显示，为用户提供宿主电子系统电路板实时健康监测及实时预测信息。可实时监测电子设备的性能退化过程，预测电子设备性能退化趋势，实现了对电子设备的故障预测与健康管理功能。

在一个实施例中，一种电子设备健康监测预警方法，基于上述电子设备健康监测预警系统实现。如图3所示，该方法包括以下步骤：

步骤S110：传感器对电子设备的宿主电子系统电路板进行物理参数监测，获取传感器数据并发送至嵌入式控制装置。

传感器设置于电子设备内，传感器的数量和类型均不唯一，可以是一个或多个，也可是一种或多种类型。根据传感器的类型不同，传感器数据的种类也会对应有所不同，传感器数据具体可包括电流数据、振动数据、温度数据和电压数据中的至少一种。可通过针对宿主电子系统电路板进行传感器的布局设计，以监测所需的物理参数。本实施例中，传感器包括电流传感器、振动传感器、温度传感器和电压传感器，分别对宿主电子系统电路板进行监测，对应采集得到的传感器数据包括电流数据、振动数据、温度数据和电压数据。同时对宿主电子系统电路板的四种物理参数进行采集并发送至嵌入式控制装置进行健康预测，确保预测结果更符合实际情况，提高了预测准确性。可以理解，传感器的具体类型包括并不限于以上四种，还可包括其他可嵌入的传感器。

步骤S120：嵌入式控制装置对传感器数据进行特征提取得到特征数据。

通过对传感器数据进行特征提取得到特征数据，表征宿主电子系统电路板的物理状态，以便用作后续进行健康预测。对传感器数据进行特征提取的具体方式并不唯一，可以是对同一时刻对宿主电子系统电路板不同位置采集到的同类型传感器数据进行特征提取，得到特征数据；也可以是对宿主电子系统电路板同一位置采集到的多个同类型传感器数据进行特征提取，得到特征数据。特征数据的类型也不唯一，具体可包括均值或均方差。嵌入式控制装置的具体类型并不唯一，具体可以是SoPC嵌入式装置或SoC嵌入式装置。

步骤S130：嵌入式控制装置根据特征数据进行实时分析与预测，得到预测结果并显示。

嵌入式控制装置根据特征数据进行实时分析与预测，得到预测结果的具体方式并不唯一，具体地，可采用拓展卡尔曼滤波、无迹卡尔曼滤波和粒子滤波算法进行实时分析与预测，这些算法均是以卡尔曼滤波为基础。本实施例中，如图4所示，步骤S130中采用卡尔曼预测算法根据特征数据进行实时分析与预测，具体包括步骤S132和步骤S134。

步骤S132：对特征数据进行卡尔曼滤波滤波得到滤波数据。具体为：

${\hat{x}}_k^{\′}=A{\hat{x}}_{k-1},$

P′_k＝AP_k-1A^T+Q,

K_k＝P′_kC^T(CP′_kC^T+R)^-1,

${\hat{x}}_k={\hat{x}}_k^{\′}+K_k(y_k-C{\hat{x}}_k^{\′}),$

P_k＝P′_k-K_kCP′_k.

其中，k＝1,2,...,N，N为特征数据的个数，且P₀,已知；A和C为预设矩阵，A^T,C^T分别表示对矩阵A和C进行转置，Q和R分别为不相关过程噪声和不相关量测噪声的方差，y_k表示特征数据，表示滤波数据。

步骤S134：根据滤波数据进行卡尔曼预测得到预测结果。具体为：

${\hat{x}}_{N+k|N}=A{\hat{x}}_{N+k-1|N},k=1,2,...,p$

其中， 为滤波数据，表示第k步的预测结果；N为特征数据的个数，p为预测步数。

上述电子设备健康监测预警方法，通过传感器对电子设备的宿主电子系统电路板进行物理参数监测，获取传感器数据并发送至嵌入式控制装置，传感器数据包括电流数据、振动数据、温度数据和电压数据中的至少一种。嵌入式控制装置对传感器数据进行特征提取得到特征数据，并根据特征数据进行实时分析与预测，得到预测结果并显示，为用户提供宿主电子系统电路板实时健康监测及实时预测信息。可实时监测电子设备的性能退化过程，预测电子设备性能退化趋势，实现了对电子设备的故障预测与健康管理功能。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种电子设备健康监测预警系统，其特征在于，包括传感器和嵌入式控制装置，所述传感器设置于电子设备内，所述嵌入式控制装置连接所述传感器，

所述传感器用于对所述电子设备的宿主电子系统电路板进行物理参数监测，并将获取得到的传感器数据发送至所述嵌入式控制装置；所述传感器数据包括电流数据、振动数据、温度数据和电压数据中的至少一种；

所述嵌入式控制装置用于对所述传感器数据进行特征提取得到特征数据，并根据所述特征数据进行实时分析与预测，得到预测结果并显示。

2.根据权利要求1所述的电子设备健康监测预警系统，其特征在于，所述传感器包括连接所述嵌入式控制装置的电流传感器、振动传感器、温度传感器和电压传感器。

3.根据权利要求1所述的电子设备健康监测预警系统，其特征在于，所述嵌入式控制装置包括FPGA逻辑器件、嵌入式处理器和显示器，所述FPGA逻辑器件连接所述传感器，所述嵌入式处理器连接所述FPGA逻辑器件和所述显示器，

所述嵌入式处理器通过所述FPGA逻辑器件获取所述传感器输出的传感器数据，对所述传感器数据进行特征提取得到所述特征数据，并根据所述特征数据进行实时分析与预测得到所述预测结果，并将所述预测结果发送至所述显示器进行显示。

4.根据权利要求3所述的电子设备健康监测预警系统，其特征在于，所述嵌入式控制装置还包括连接所述嵌入式处理器的存储器和应用程序编程接口。

5.根据权利要求1-4任意一项所述的电子设备健康监测预警系统，其特征在于，所述嵌入式控制装置为SoPC嵌入式装置或SoC嵌入式装置。

6.一种电子设备健康监测预警方法，其特征在于，包括以下步骤：

传感器对电子设备的宿主电子系统电路板进行物理参数监测，获取传感器数据并发送至嵌入式控制装置；所述传感器数据包括电流数据、振动数据、温度数据和电压数据中的至少一种；

所述嵌入式控制装置对所述传感器数据进行特征提取得到特征数据；

所述嵌入式控制装置根据所述特征数据进行实时分析与预测，得到预测结果并显示。

7.根据权利要求6所述的电子设备健康监测预警方法，其特征在于，所述传感器包括电流传感器、振动传感器、温度传感器和电压传感器。

8.根据权利要求6所述的电子设备健康监测预警方法，其特征在于，所述特征数据包括均值或均方差值。

9.根据权利要求6所述的电子设备健康监测预警方法，其特征在于，所述嵌入式控制装置根据所述特征数据进行实时分析与预测，得到预测结果，包括：

对所述特征数据进行卡尔曼滤波滤波得到滤波数据，具体为：

${\hat{x}}_k^{\′}=A{\hat{x}}_{k-1},$

P′_k＝AP_k-1A^T+Q,

K_k＝P′_kC^T(CP′_kC^T+R)^-1,

${\hat{x}}_k={\hat{x}}_k^{\′}+K_k(y_k-C{\hat{x}}_k^{\′}),$

P_k＝P′_k-K_kCP′_k.

其中，k＝1,2,...,N，N为特征数据的个数，且P₀，已知；A和C为预设矩阵，A^T,C^T分别表示对矩阵A和C进行转置，Q和R分别为不相关过程噪声和不相关量测噪声的方差，y_k表示特征数据，表示滤波数据；

根据所述滤波数据进行卡尔曼预测得到预测结果，具体为：

${\hat{x}}_{N+k|N}=A{\hat{x}}_{N+k-1|N},k=1,2,...,p$

其中， 为滤波数据，表示第k步的预测结果；N为特征数据的个数，p为预测步数。