中國電子學(xué)會

中國電子學(xué)會團體標準

《面向復(fù)雜電子裝備運行維護需求的預(yù)測性維護應(yīng)用指南》

編制說明

一、工作簡況

1、任務(wù)來源

《面向復(fù)雜電子裝備運行維護需求的預(yù)測性維護應(yīng)用指南》標準制定是2021年中國電子

學(xué)會團體標準計劃項目之一，計劃號：JH/CIE182-2021，由中國電子學(xué)會可靠性分會提出，

由中國電子學(xué)會可靠性分會歸口，主要承辦單位為工業(yè)和信息化部電子第五研究所。項目起

止時間：2021.12-2022.12。

2、主要工作過程

2021年6月，完成面向復(fù)雜裝備運行維護需求的預(yù)測性維護國內(nèi)外相關(guān)標準情況調(diào)研。

2021年7月-8月，完成面向復(fù)雜裝備運行維護需求的預(yù)測性維護總體技術(shù)路線、實施方

案規(guī)劃和關(guān)鍵技術(shù)方案設(shè)計及論證，并編制標準草案初稿。

2021年10月，由工業(yè)和信息化部電子第五研究所組織所內(nèi)專家評審?fù)瓿蓸藴什莅傅乃鶅?nèi)

評審，并形成工作組討論稿。

2021年11月-2022年3月，完成標準草案內(nèi)部的修改，并開展標準草案的測試驗證工作，

同時，按照項目要求已形成《面向復(fù)雜電子裝備運行維護需求的預(yù)測性維護應(yīng)用指南》標準

（征求意見稿初稿），后面即將開始在行業(yè)內(nèi)進行首輪專家意見的征集并修改。

3、標準編制的主要成員單位及其所做的工作

主要承辦單位：工業(yè)和信息化部電子第五研究所，主要完成相關(guān)標準和文獻調(diào)研、標準

技術(shù)點研究、標準編制以及意見征集。

二、標準編制原則和確定主要內(nèi)容的論據(jù)及解決的主要問題

1、編制原則

參照GB/T1.1-2020《標準化工作導(dǎo)則第1部分：標準化文件的結(jié)構(gòu)和起草規(guī)則》進行

標準編制。

標準研究立足于復(fù)雜電子裝備預(yù)測性維護技術(shù)及維護決策方法的研究，實現(xiàn)復(fù)雜電子裝

備的預(yù)測維護流程設(shè)計、預(yù)測維護方法選取及建模等故障預(yù)測維護參考體系架構(gòu)，適應(yīng)復(fù)雜

-1-

中國電子學(xué)會

電子裝備預(yù)測維護技術(shù)的數(shù)字化、智能化的要求，明確了預(yù)測性維護的體系架構(gòu)和具體內(nèi)容

要素。

2、確定標準的主要內(nèi)容和框架

本標準主要內(nèi)容的依據(jù)源于項目《面向復(fù)雜裝備的全壽命周期MRO系統(tǒng)》的主要技術(shù)內(nèi)

容和技術(shù)方案，并參考國外IEEE、IEC等PHM相關(guān)標準體系架構(gòu)而確定。

本標準的結(jié)構(gòu)和內(nèi)容框架包括：（1）范圍；（2）規(guī)范性引用文件；（3）術(shù)語和定義；

（4）技術(shù)原則；（5）實施架構(gòu)及功能要求。

3、編制過程中解決的主要問題

本標準首先規(guī)定了復(fù)雜電子裝備和預(yù)測性維護基本的術(shù)語和定義，其次對復(fù)雜裝備的預(yù)

測性維護技術(shù)原則進行了規(guī)定，最后介紹了預(yù)測性維護的實施架構(gòu)和功能要素要求等。

三、主要試驗[或驗證]情況分析和預(yù)期達到的效果

本編制組在前期的復(fù)雜電子裝備的預(yù)測性維護相關(guān)研究中，開展了復(fù)雜電子裝備的關(guān)鍵

系統(tǒng)及零部件的加速退化試驗測試、故障老化試驗及維護維修測試等，對標準中提出的預(yù)測

維護流程、預(yù)測分析、維護方法等進行了驗證，取得了比較好的效果，支撐了本標準的編制。

針對航電裝備中的信號處理器件，如ARM、FPGA、DDR3、ADC、DAC等，結(jié)合各自工作特

點和輸入輸出信息流設(shè)計性能分析電路板，并按照如下測試框圖完成故障傳播機制分析方法

研究。通過故障診斷及預(yù)測方法實現(xiàn)關(guān)鍵器件的精準故障狀態(tài)識別和預(yù)測性維護，驗證了標

準中預(yù)測維護方法等有效性。

溫度

信號處理器件

故障分析電路板

濕度

ARMADC性能退化分析方法

頻率

FPGADAC

故障信息流

電壓

DDR3

振動

圖1信號處理器件測試方法

基于故障注入硬件平臺和Labview測控軟件開展P2020實驗板和TCP/IP網(wǎng)絡(luò)的測試實

驗，完成P2020各個模塊工作狀態(tài)下相關(guān)參數(shù)的測試。

本實驗故障注入平臺基于PXI數(shù)據(jù)采集系統(tǒng)和其他分立儀器搭建而成。

-2-

中國電子學(xué)會

本實驗主要使用的儀器主要包括故障注入硬件平臺、P2020實驗板、TCP/IP網(wǎng)絡(luò)。上

述器材的連接原理如圖2所示，其中故障注入平臺以PXIe-8135為核心控制模塊，控制

PXI-5422故障信號發(fā)生模塊產(chǎn)生故障信號，通過PXI-25334*64矩陣板卡把故障信號注入

到P2020實驗板的各個測試點。P2020實驗板通過多條信號注入線與PXI-2533內(nèi)部的列引

腳相連，以實現(xiàn)故障信號經(jīng)通道選擇后在P2020實驗板不同位置的注入功能。

本實驗以PXI-5124為信號采集和波形顯示功能核心板卡，P2020實驗板的信號測量點

通過信號線連接到PXI-2533的不同列引腳，通過選通列引腳與行引腳將待觀測信號引入

PXI-5124的信號輸入端，通過設(shè)計的Labview軟件將PXI-5124采集到的數(shù)據(jù)顯示為直觀波

形。P2020實驗板通過PCI-E接口與TCP/IP網(wǎng)絡(luò)連接，以實現(xiàn)兩臺或者多臺P2020實驗板

通過TCP/IP網(wǎng)絡(luò)進行互相通信。

TCP/IP網(wǎng)絡(luò)

實驗系統(tǒng)架構(gòu)

接口

E

-

PCI-E接口

PCI

P2020實驗板P2020實驗板

信號注入線

以太網(wǎng)

信號注入線以太網(wǎng)

故障注入平臺

圖2故障注入與信號監(jiān)測實驗框架

本節(jié)以數(shù)據(jù)數(shù)據(jù)模塊的FPGA功能電路的故障診斷及維護為代表，采用SVM,KNN,BP神

經(jīng)網(wǎng)絡(luò)等數(shù)據(jù)挖掘的方法進行LRU/LRM級故障診斷，并根據(jù)診斷的故障類型進行維護。采集

參數(shù)FPGA功能電路供電電壓AC值，F(xiàn)PGA功能電路GND，GPGA功能區(qū)時鐘頻率。通過Ethernet

的GND注入不同幅值，不同頻率的noise，square,sine等干擾信號注入故障，診斷模型輸

出FPGA時鐘頻率異常，F(xiàn)PGA供電電源異常，F(xiàn)PGA電路GND噪聲等3類故障以及正常。數(shù)據(jù)

-3-

中國電子學(xué)會

集首先要按均值和方差進行歸一化,值的分布情況見圖3。數(shù)據(jù)集包括3個特征和一個類標

簽，共計8000條樣本。每類故障包括正常的數(shù)據(jù)包含2000個樣本。

6

4

2

0

-2

-4

010002000300040005000600070008000

圖3按均值和方差歸一化后的樣本集，包括訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)

首先建立本問題的SVM故障診斷模型。由于SVM是一個二分類方法，因此這里需要給出

SVM多分類求解方案。采用OVO的方案。在訓(xùn)練模型的過程中，設(shè)置第1，2類，第1，3類，

第1，4類，第2，3類，第2，4類，第3，4類所對應(yīng)的訓(xùn)練集建立6個SVM子模型，針對

測試樣本，分別對六個結(jié)果進行測試，最終采取投票形式得到原始SVM模型的分類結(jié)果。圖

4-9分別給出了各個子SVM模型的分類結(jié)果圖。6個子模型，訓(xùn)練樣本為總樣本的70%，測

試樣本占30%。

5

3(training)

43(classified)

4(training)

3

4(classified)

2SupportVectors

1

0

-1

-2

-3

-4

-2-101234

圖4第3、第4類樣本的SVM模型分類結(jié)果（僅顯示第1，第3維特征），分類正確率100%.

-4-

中國電子學(xué)會

1

0.5

0

-0.5

-12(training)

2(classified)

4(training)

-1.5

4(classified)

SupportVectors

-2

-1.5-1-0.500.511.5

圖5第2、第4類樣本的SVM模型分類結(jié)果（僅顯示第1，第3維特征），分類正確率100%.

4

2(training)

2(classified)

3

3(training)

3(classified)

2SupportVectors

1

0

-1

-2

-2-101234

圖6第2、第3類樣本的SVM模型分類結(jié)果（僅顯示第1，第2維特征），分類正確率88.7%.

1.5

1(training)

11(classified)

4(training)

4(classified)

0.5

SupportVectors

0

-0.5

-1

-1.5

-2

-2-1.5-1-0.500.511.5

圖7第1、第4類樣本的SVM模型分類結(jié)果（僅顯示第1，第2維特征），分類正確率99%.

-5-

中國電子學(xué)會

5

1(training)

41(classified)

3(training)

3

3(classified)

2SupportVectors

1

0

-1

-2

-3

-4

-2-101234

圖8第1、第3類樣本的SVM模型分類結(jié)果（僅顯示第2，第3維特征），分類正確率94.25%.

4

1(training)

31(classified)

2(training)

2(classified)

2

SupportVectors

1

0

-1

-2

-3

-2-1.5-1-0.500.511.5

圖9第1、第2類樣本的SVM模型分類結(jié)果（僅顯示第2，第3維特征），分類正確率100%.

針對4類樣本的分類問題，建立6個SVM分模型，并采用投票的方式得到多分類的SVM

模型。6個SVM分模型的故障分類準確率如下：SVM12故障分類準確率是100%，SVM13故障

分類準確率是94.25%，SVM14故障分類準確率是99%，SVM23故障分類準確率是88.7%，SVM24

故障分類準確率是100%，SVM34故障分類準確率是100%.最后采用分類投票的方式將6個

SVM的結(jié)果匯總，統(tǒng)計出總體SVM模型故障準確率達到準確率達到94.5%。

其次，采用BP神經(jīng)網(wǎng)絡(luò)建立該問題的的故障診斷模型。建立一個含有2個隱含層的BP

神經(jīng)網(wǎng)絡(luò)。訓(xùn)練參數(shù)設(shè)置為：net.trainparam.show=50，net.trainparam.epochs=500，

net.trainparam.goal=0.01，net.trainParam.lr=0.01。BP網(wǎng)絡(luò)模型中，訓(xùn)練樣本和

測試樣本各占一半。該模型診斷準確率達到：92.25%。

圖10-12是BP神經(jīng)網(wǎng)絡(luò)模型運行過程的表現(xiàn)狀況，以及誤差和訓(xùn)練狀態(tài)圖：

-6-

中國電子學(xué)會

圖10BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型

BestTrainingPerformanceis0.041747atepoch494

1

10

Train

Best

Goal

0

10

-1

10

-2

MeanSquaredError(mse)ErrorSquaredMean10

-3

10

050100150200250300350400450500

500Epochs

圖11BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型誤差收斂曲線