由于传统的“计划维修”和“事后维修”存在着很多缺陷,已经很难满足设备维修保障的需求。因此,故障预测与健康管理(Prognostic and Health Management,PHM)技术诞生了。正因为PHM技术表现出的各种优势,成为当前研究的重点。基于上述原因,论文的主要研究工作有:1.电子系统故障预测与健康管理策略的研究。首先启动故障预测框架,对监测的信号进行预测,如果预测信号超过信号故障容限,则首先启动针对模块级故障诊断的多信号模型诊断推理,若速度优先,可选择实时诊断推理方法;若精度优先,可选择基于拉格朗日松弛诊断方法,以确定潜在的故障模块。然后则启动针对元件级故障诊断的基于最小二乘支持支持向量机诊断方法,确定具体的故障元件,对故障模块或元件进行修复、替换与重新测试。2.基于粒子滤波模拟电路故障预测方法的研究。论文主要以模拟电路为主要研究对象,提出了模拟电路故障预测框架。首先输入测试激励信号;然后进行特征提取,特征提取是被测电路故障预测的关键部分,特征选取的好坏直接影响到是否能够反映出被测电路寿命退化的趋势。在特征提取之后,往往需要对提取的特征进行一定的处理,即需要将提取的特征进行转换处理以反映出电路性能退化的趋势,称之为故障指示器。最后,根据设定好的失效阈值,采用粒子滤波预测算法就可以预测被测电路的剩余使用寿命,为整个电子系统的使用寿命提供了有效的参考标准。3.基于多信号模型多故障诊断方法的研究。复杂电子系统故障模式多,而且易发生多故障,而系统级多故障诊断问题一直以来是个比较困难的问题。本论文对基于多信号模型的系统级多故障诊断方法进行了深入研究,对比了实时诊断与基于拉格朗日松弛两种故障诊断方法的性能,实验表明多信号模型非常适合于复杂电子系统系统级故障诊断定位。另外,针对多信号模型测试不可靠问题,提出了一种快捷简单的不可靠测试预警算法。4.基于多特征模拟电路故障诊断方法的研究。对于支持向量机这类数据驱动故障诊断方法,重点是特征提取,即针对不同故障类型,设计最好的特征向量,以取得最优的诊断效果。本论文对模拟电路故障特征向量进行深入研究,包括小波特征、统计信号特征、常规时域特征与频率特征。得到特征数据后,就可以采用最小二乘支持向量机进行故障诊断。它包括分类器训练与测试两个阶段。根据测试数据诊断结果,我们选取诊断效果最好的特征向量作为最优特征向量,并在在线监测、诊断推理中采用该最优特征向量,以提高在线系统诊断精度与效率。