電子系統(tǒng)故障預(yù)測方法現(xiàn)狀與展望

新時代工程咨詢有限公司 張 建中國電子科技集團(tuán)公司第四十一研究所 周靖宇

?

電子系統(tǒng)故障預(yù)測方法現(xiàn)狀與展望

新時代工程咨詢有限公司 張 建
中國電子科技集團(tuán)公司第四十一研究所 周靖宇

【摘要】電子系統(tǒng)故障預(yù)測是電子系統(tǒng)預(yù)測與健康管理(Prognostic and Health Management/Monitoring, PHM)中非常重要的環(huán)節(jié)，相比故障診斷和狀態(tài)監(jiān)測，故障預(yù)測方法可以更有效的在故障發(fā)生之前就避免由于故障引發(fā)的災(zāi)難性損失的發(fā)生。本文分類綜述了國內(nèi)外近十年來的電子系統(tǒng)故障預(yù)測方法，并從三個新型故障預(yù)測方法出發(fā)對未來電子系統(tǒng)故障預(yù)測方法的發(fā)展進(jìn)行了展望。

【關(guān)鍵詞】綜述；電子系統(tǒng)；故障預(yù)測

1 引言

系統(tǒng)故障預(yù)測與健康管理(Prognostic and Health Management/Monitoring, PHM)的概念最早于1998年由美國提出，目的是要求系統(tǒng)有對自身狀態(tài)進(jìn)行健康管理的能力的同時并且具有預(yù)測自身故障的能力。PHM技術(shù)最早應(yīng)用于美軍的直升機(jī)裝備保障上，后來又逐漸發(fā)展到了航天器的相關(guān)領(lǐng)域。隨著故障監(jiān)測與維修技術(shù)迅猛發(fā)展，包括機(jī)械系統(tǒng)、網(wǎng)絡(luò)系統(tǒng)、電力系統(tǒng)等都逐漸的將PHM技術(shù)應(yīng)用進(jìn)去，并取得了顯著的成果[1-9]。隨著電子技術(shù)的迅猛發(fā)展，電子系統(tǒng)無疑成為各類系統(tǒng)中極其重要的一個環(huán)節(jié)，電子系統(tǒng)的重要性不言而喻，由于電子系統(tǒng)故障而造成損失的案例數(shù)量大大增加，且影響嚴(yán)重。例如我國2011年的“7.23”動車重大追尾事故，便是由于在雷擊后列車的控制中心采集驅(qū)動單元采集電路的電路回路故障引起的。因此可見，當(dāng)前對于電子系統(tǒng)PHM的研究是相當(dāng)有必要的。

圖1 PHM基礎(chǔ)模型框圖

如圖1為PHM的基礎(chǔ)模型框圖，如圖1可知PHM的研究主要分為圖中六個方面，而這六個方面中故障診斷和故障預(yù)測是最重要的兩個方面。在這兩個方面中，故障診斷的相關(guān)研究較多，技術(shù)也相對成熟；而故障預(yù)測的相關(guān)研究較少，這是由于電子系統(tǒng)的故障預(yù)測研究存在以下幾個難點(diǎn)：

1)數(shù)學(xué)模型依賴性?，F(xiàn)有針對于系統(tǒng)的研究方法往往考慮的是線性系統(tǒng)，且方法多基于數(shù)學(xué)模型的建立，這樣使得這些方法在針對電子系統(tǒng)時往往不能滿足實(shí)際情況的需要，從而缺乏實(shí)際應(yīng)用性

2)缺乏客觀性。在研究系統(tǒng)的故障現(xiàn)象、故障位置和故障原因等關(guān)系的時候往往相當(dāng)復(fù)雜，為了來簡化這些關(guān)系，常常通過加入“人為”設(shè)定等方法來簡化系統(tǒng)，這樣雖然使得系統(tǒng)中關(guān)系的復(fù)雜性得以簡化，但是卻使得特征包含的信息特征被不合理的壓縮，導(dǎo)致現(xiàn)有方法不能精確的預(yù)測故障；而系統(tǒng)本身原始龐大的信息量如何融合，成為了現(xiàn)有方法客服客觀性問題的一個難題。

3)缺乏延展性。電子系統(tǒng)結(jié)構(gòu)和特征變化很多，故障種類也相當(dāng)多，這使得現(xiàn)有方法往往缺乏延展性，既只能針對個別結(jié)構(gòu)有較好效果，而缺乏擴(kuò)充、修改以及適應(yīng)的能力。

4)驗(yàn)證難。由于電子系統(tǒng)的發(fā)展較快且較新，相關(guān)的歷史數(shù)據(jù)不足，因此缺乏大量的數(shù)據(jù)去驗(yàn)證和分析方法的正確性，極大的限制的當(dāng)今電子系統(tǒng)故障預(yù)測方法的發(fā)展。

2 現(xiàn)有電子系統(tǒng)故障預(yù)測方法

相比故障診斷往往作用于故障出現(xiàn)之后，故障預(yù)測可以在故障出現(xiàn)之前及時的預(yù)測故障何時發(fā)生，從而更大程度的避免故障造成的損失。特別是針對電子系統(tǒng)，由于電子系統(tǒng)在當(dāng)今復(fù)雜系統(tǒng)中應(yīng)用越發(fā)廣泛，所以對于電子系統(tǒng)的故障預(yù)測的研究是非常必要的?，F(xiàn)有電子系統(tǒng)故障預(yù)測方法可以歸納總結(jié)如圖2所示，本文將電子系統(tǒng)故障預(yù)測方法主要分為參數(shù)模型預(yù)測法和非參數(shù)模型預(yù)測法：

圖2 現(xiàn)有電子系統(tǒng)故障預(yù)測方法框圖

2.1 參數(shù)模型預(yù)測法

參數(shù)模型預(yù)測法總共包含兩個過程：第一是對已經(jīng)測得的歷史數(shù)據(jù)的分析，從而達(dá)到確定參數(shù)模型的過程；第二是通過已經(jīng)確定的數(shù)學(xué)模型對現(xiàn)有的待預(yù)測系統(tǒng)進(jìn)行相應(yīng)的預(yù)測。換言之，通過系統(tǒng)過去的狀態(tài)已經(jīng)現(xiàn)在的狀態(tài)，采用一定的預(yù)測方法去估計將來某一個時刻的狀態(tài)。現(xiàn)有的參數(shù)模型較多，常用的方法包括：曲線擬合、概率分析預(yù)測、回歸預(yù)測、濾波器預(yù)測、隨機(jī)時間序列預(yù)測、灰色模型預(yù)測等。對于不同的電子系統(tǒng)，參數(shù)模型預(yù)測方法[10-15]的選擇合適與否很大程度的影響著預(yù)測的效果。

時間序列預(yù)測方法的基本思想是將特征數(shù)據(jù)看為一個隨機(jī)序列，通過觀測相鄰值之間的相關(guān)性來建立數(shù)學(xué)模型，從而擬合得到時間序列。這種方法最常用的包括自回歸滑動平均模型法（Auto-Regressive and Moving Average,ARMA）和線性非平穩(wěn)過程差分自回歸移動平均模型(Autoregressive Integrated Moving Average Model,ARIMA)兩種[16-19]。灰色理論預(yù)測方法是基于我國鄧聚龍教授1982年提出的灰色模型而建立的預(yù)測方法。這種方法有許多相關(guān)的改進(jìn)模型，主要原理都是通過一階微分方程來表征數(shù)列的發(fā)展規(guī)律從而達(dá)到預(yù)測的效果[8,20]。濾波器預(yù)測方法是一種常用的預(yù)測方法，常用的濾波器有兩種：一種是基于Kalman濾波器的預(yù)測方法[21,22]；一種是基于粒子濾波的預(yù)測方法[23-28]。

2.2 非參數(shù)模型預(yù)測法

非參數(shù)模型預(yù)測法泛指不需要通過系統(tǒng)構(gòu)建精確數(shù)學(xué)模型的一種預(yù)測方法，由于這種方法不需要構(gòu)建精確數(shù)學(xué)模型的優(yōu)勢，因此相比參數(shù)模型法，這種方法應(yīng)用更加廣泛。但是這類方法的不足就在于預(yù)測模型往往是“黑盒結(jié)構(gòu)”，使得方法缺乏合理性，預(yù)測效果存在一定的偶然性。

神經(jīng)網(wǎng)絡(luò)預(yù)測法是最常用的一種非參數(shù)模型預(yù)測方法，通過神經(jīng)網(wǎng)絡(luò)極強(qiáng)的非線性映射能力，適用于各種預(yù)測問題的研究中[29-36]。支持向量回歸預(yù)測是一種通過支持向量機(jī)(Support Vector Machine,SVM)的回歸能力來實(shí)現(xiàn)的一種預(yù)測方法。支持向量機(jī)通過核函數(shù)將低維線性不可分問題轉(zhuǎn)化到高維線性可分來解決，在對于電子系統(tǒng)的故障預(yù)測研究中也取得較好的效果[37,38]。相關(guān)向量機(jī)(Relevance Vector Machine,RVM)是Micnacl E.Tipping于2000年提出的一種類似于SVM的基于稀疏概率模型的學(xué)習(xí)方法。相比SVM算法，RVM減少了核函數(shù)的計算量，也不需要所選函數(shù)滿足Mercer條件[40,41]。極限學(xué)習(xí)機(jī)是由南洋理工大學(xué)的Huang Guang-Bing于2005年提出的一種單隱層負(fù)反饋神經(jīng)網(wǎng)絡(luò)方法[42]，這種方法的最大特點(diǎn)就是速度快、泛化能力強(qiáng)，因此應(yīng)用于電子系統(tǒng)的預(yù)測研究中也取得了較好的效果[17]。粗糙集預(yù)測法是一種基于粗糙集理論的預(yù)測方法，粗糙集理論是1982年由波蘭科學(xué)家Z.Pawlak提出的一種數(shù)據(jù)分析處理理論。粗糙集預(yù)測法特別適用于含有大量且雜亂的數(shù)據(jù)特征的系統(tǒng)預(yù)測，對于這類問題往往可以取得較好的預(yù)測效果[39]。組合預(yù)測方法出現(xiàn)較早，是預(yù)測研究中非常常用的一種方法。其關(guān)鍵在于將不同的模型通過特定的方式組合起來，通過發(fā)揮各個預(yù)測方法之間的優(yōu)點(diǎn)來達(dá)到更好預(yù)測的目的。

3 電子系統(tǒng)故障預(yù)測方法的發(fā)展展望

3.1 RUP預(yù)測方法

現(xiàn)在的預(yù)測方法大多數(shù)關(guān)注的重點(diǎn)是剩余使用壽命（Remaining Useful Life,RUL），但是不論是簡單電子系統(tǒng)還是復(fù)雜電子系統(tǒng)，由于容差等因素的存在，使得我們采集到的數(shù)據(jù)存在一定的波動，這樣通過大量數(shù)據(jù)擬合得到的退化曲線再通過基于閾值參數(shù)計算得到的剩余壽命往往不是一個精確且確定的時間刻度，而是基于當(dāng)前時間刻度下的一個滿足某種概率分布的函數(shù)。因此，如何更為科學(xué)的完善電子系統(tǒng)中的預(yù)測方法，從而能夠給測試人員提供更加合理和更加有參考價值的故障預(yù)測信息，這也是現(xiàn)今對于電子系統(tǒng)故障預(yù)測方法發(fā)展趨勢的重要關(guān)注點(diǎn)。

對于這個問題，文獻(xiàn)[22,27,28]中在對于簡單電子系統(tǒng)(模擬電路)的故障預(yù)測中將剩余使用性能(Remaining Useful Performance,RUP)預(yù)測的概念引入，取得了較好的故障預(yù)測效果。RUP的概念最早被CALCE于2012年提出，應(yīng)用于電池的預(yù)測研究中[23]。如圖3所示，其主要思想通過PF得到預(yù)測的結(jié)果，這里的預(yù)測結(jié)果不是一個步進(jìn)數(shù)，也不是一個具體的時間值，而是一個概率密度函數(shù)（Probability Density Function,PDF）。通過這個PDF我們不僅可以通過均值或者是PDF的最大值來得到我們所需的RUL，我們還能得到一個概率分布函數(shù)為監(jiān)測人員提供更多的信息。盡管這個方法還僅僅是用于模擬電路預(yù)測中，但是由于其先進(jìn)的理念以及適用于電子系統(tǒng)的特性，可以預(yù)計RUP預(yù)測方法必將極大的促進(jìn)電子系統(tǒng)預(yù)測方法的提高。

圖3 RUP預(yù)測方法示意圖

3.2 FI監(jiān)控指標(biāo)

對于電子系統(tǒng)的故障預(yù)測是電子系統(tǒng)PHM中的一部分，除此之外，電子系統(tǒng)的狀態(tài)監(jiān)控和故障診斷也非常重要，而相比故障預(yù)測方法的研究進(jìn)程，狀態(tài)監(jiān)控和故障診斷的方法已經(jīng)較為成熟和成功。但是在對于故障預(yù)測的研究中，盡管研究人員常常借鑒故障診斷和狀態(tài)監(jiān)控的方法來推進(jìn)故障預(yù)測研究方法的深入，但是對于這三個重要過程本身之間的聯(lián)系缺乏關(guān)注。這使得電子系統(tǒng)的故障預(yù)測方法總是游離于電子系統(tǒng)PHM之外，無法與故障診斷和狀態(tài)監(jiān)控方法合理的結(jié)合起來。這個問題極大的影響了電子系統(tǒng)故障預(yù)測方法的實(shí)用性。

圖4 電子系統(tǒng)FI監(jiān)控指標(biāo)結(jié)構(gòu)框圖

基于此，美國CALCE在對于模擬電路故障預(yù)測與診斷的研究中，首先提出了一種故障指示值(Fault Indicator,FI)的概念[28]。如圖4所示，這種概念的核心理念就是在對于被測對象特征的分析后，通過特定的計算方法從而得到我們所需要的FI 值[22,27,28]，這里的FI值既能進(jìn)行故障診斷與定位，又能作為歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)為故障預(yù)測進(jìn)行服務(wù)。因此有理由相信，未來的電子系統(tǒng)故障預(yù)測的研究中，F(xiàn)I監(jiān)控指標(biāo)的引入可以將故障診斷、狀態(tài)監(jiān)控、故障預(yù)測方法在特征融合的層面就合理的結(jié)合起來，一方面提高了數(shù)據(jù)融合方法的合理性；另一方面增加了電子系統(tǒng)故障預(yù)測方法的實(shí)用性。

3.3 縱向性預(yù)測研究的結(jié)合

現(xiàn)今電子系統(tǒng)故障預(yù)測方法缺乏縱向性，其普遍存在兩點(diǎn)不足：第一是系統(tǒng)故障預(yù)測缺乏與元件級和板級預(yù)測方法的結(jié)合；第二是過多采用數(shù)據(jù)驅(qū)動的方法缺少與物理失效（Physics of Failure,PoF）基礎(chǔ)模型的結(jié)合。為了使得電子系統(tǒng)故障預(yù)測方法有效的解決上述兩點(diǎn)問題，本文結(jié)合文獻(xiàn)[8,9,28]，提出一種電子系統(tǒng)故障預(yù)測架構(gòu)。如圖5所示，將電子系統(tǒng)的預(yù)測分為模塊級和元件級兩個層次來分析。對于整個電子系統(tǒng)的故障預(yù)測，通過模塊級故障預(yù)測方法進(jìn)行故障的預(yù)測；而對于比較容易出現(xiàn)故障的模塊，通過元件級故障預(yù)測模型進(jìn)行元件級的故障預(yù)測。與此同時為了增加重要模塊預(yù)測的精度，將元件基于物理失效研究下的退化與時間關(guān)系式帶入進(jìn)行元件級故障預(yù)測模型的建立，從而將PoF和數(shù)據(jù)驅(qū)動更好的結(jié)合起來。

圖5 本文電子系統(tǒng)故障預(yù)測結(jié)構(gòu)框圖

4 結(jié)束語

電子系統(tǒng)是現(xiàn)今裝備中非常重要的組成部分，由于電子系統(tǒng)的重要性，電子系統(tǒng)的故障往往對于整個裝備會造成極大的破壞。而電子系統(tǒng)故障預(yù)測可以在故障發(fā)生之前很大程度的避免由于故障而導(dǎo)致的災(zāi)難性損失的發(fā)生，因此對于電子系統(tǒng)故障預(yù)測方法的研究是非常有必要的。本文通過對于電子系統(tǒng)故障預(yù)測方法的總結(jié)與展望，對現(xiàn)今電子系統(tǒng)故障預(yù)測的研究提供了一定的指導(dǎo)意義。首先，本文對于電子系統(tǒng)的研究意義和現(xiàn)有問題作了總結(jié)；然后，簡要分類介紹了現(xiàn)有的各種電子系統(tǒng)故障預(yù)測方法的研究現(xiàn)狀；最后，從RUP預(yù)測方法，F(xiàn)I故障指示值和預(yù)測方法的縱向性結(jié)合三個方面，對未來電子系統(tǒng)故障預(yù)測方法的發(fā)展提出了自己的建議和展望。

參考文獻(xiàn)

[1]曾聲奎.故障預(yù)測與健康管理(PHM)技術(shù)的現(xiàn)狀與發(fā)展[J].航空學(xué)報,2005,26(5):627-632.

[2]孫博,康銳,謝勁松.故障預(yù)測與健康管理系統(tǒng)研究和應(yīng)用現(xiàn)狀綜述[J].系統(tǒng)工程與電子技術(shù),2007,29(10):1762-1767.

[3]梁旭,李行善,張磊等.支持視情維修的故障預(yù)測技術(shù)研究.測控技術(shù)[J],2007,26(6):5-8.

[4]木志高,胡海峰,胡蔦慶.武器裝備故障預(yù)測及健康管理系統(tǒng)設(shè)計[J].兵工自動化,2006, 25(3):20-21.

[5]張嘉鐘,張利國.航空設(shè)備故障預(yù)測與健康管理設(shè)備[J].航空制造技術(shù),2008,33(2):40-43.

[6]王瑞芳,劉林,徐方.機(jī)器人系統(tǒng)的故障預(yù)測技術(shù)研究[J].制造業(yè)自動化,2008,30(11):15-19.

[7]張亮,張鳳敏,李俊濤,等.機(jī)載預(yù)測與健康管理(PHM)系統(tǒng)的體系結(jié)構(gòu)[J].空軍工程大學(xué)學(xué)報(自然科學(xué)版),2008,9(2):6-9.

[8]許麗佳.電子系統(tǒng)的故障預(yù)測與健康管理技術(shù)研究[D].成都:電子科技大學(xué),2009.

[9]李旻.復(fù)雜電子系統(tǒng)數(shù)據(jù)綜合診斷與故障預(yù)測關(guān)鍵技術(shù)研究[D].成都:電子科技大學(xué),2012.

[10]Gadzheva E D,Raykovska L H. Nullatornorator approach for diagnosis and fault prediction in analog circuits[J].1994 IEEE International Symposium on Circuits and Systems,1994,Vol.1:53-56.

[11]Y.M.Cheng,H.C.Wu,M.W.Chou,et al.Online failure prediction of electrolytic capacitors for LC filter of switching mode power converters[J]. IEEE Trans.Ind. Electron,2008,55(1):400-406.

[12]M.A.Alam,M.H.Azarian,M.Osterman, et al.Prognostics of failures in embedded planar capacitors using model-based and data-driven approaches[J]. J. Intell.Mater.Syst.Struct,2011,22:1293-1304.

[13]D.Kwon,M.Azarian,M.Pecht. Prognostics of interconnect degradation using RF impedance monitoring and sequential probability ratio test[J]. International Journal of Performability Engineering,2010,6(5):443-452.

[14]Prieto J A,Rueda A,Grout I et al.An approach to realistic fault prediction and layout design for testability in analog circuits[C]. Proceedings of the Conference on Design,Automation and Test in Europe,1998,1:905-911.

[15]Henderson D S,Lothian K,Priest J. PC monitoring and fault prediction for small hydroelectric plants[C].Power station maintenance:The First IEE/IMechE International Conference on Power Station Maintenance - Profitability Through Reliability,1998,1:28-31.

[16]張娜,龍兵,劉震.基于多特征信息融合的模擬電路故障預(yù)測[J].測控技術(shù),2011,30(12):82-85.

[17]高光勇,蔣國平.采用優(yōu)化極限學(xué)習(xí)機(jī)的多變量混沌時間序列預(yù)測[J].物理學(xué)報,2012,61(4):0405061 -0405069.

[18]羅航,王厚軍,龍兵.基于“松散型”小波神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測研究[J].計算機(jī)工程與應(yīng)用,2008,44(8):16-19.

[19]Robert M,Ed B,Mike D.Predicting faults with real-time diagnosis[C]. Proceedings of the 30th Conference on Decision and Control,1991,1:2598-2603.

[20]程惠濤,黃文虎,姜興渭.基于灰色模型的故障預(yù)報技術(shù)及其在空間推進(jìn)系統(tǒng)上的應(yīng)用[J].推進(jìn)技術(shù),1998,19(3):74-77.

[21]M.S.Grewal,A.P.Andrew.Kalman filtering: theory and practice using MATLAB[M].Wiley & Sons Inc.,2008,1(15):121.

[22]J.Y.Zhou,S.L.Tian,C.L.Yang,et al. A novel prediction method for analog circuits based on Gaussion white noise estimation[C].The 17th IEEE International Conference on Computational Science and Engineering,Chengdu, 2014,105-112.

[23]W.He,N.Williard,M.Osterman,et al.Remaining useful performance analysis of batteries[C].IEEE Conference on Prognostics and Health Management,Denver, 2011,20-23.

[24]W.He.,N.Williard,M.Osterman,et al.Prognostics of lithium-ion batteries based on Dempster-Shafer theory and the Bayesian Monte-Carlo method[J].Journal of Power Sources,2011,196:10314-10321.

[25]F.Gunnarsson,N.Bergman,U.Forssell,et al.Particle filters for positioning.navigation and Tracking[J]. IEEE Trans.Signal Processing,2002, 50(2):425-437.

[26]M.Li,W.M.Xian,B.Long,et al.Prognostics of analog filters based on particle filters using frequency features[J].J.Electron Test,2013,29: 567-584.

[27]J.Y.Zhou,S.L.Tian,C.L.Yang.A novel prediction method about single components of analog circuits field modeling[J].Scientific World Journal, 2014,2014:1-12.

[28]A.S.S Vasan,B. Long,M.Pecht.Diagnostics and prognostics method for analog electronic circuits[J].IEEE Trans. Ind. Electron,2013,60(11):5277-5291.

[29]Lennox B,Rutherford P,Montague G A etc.A novel fault prediction technique using model degradation analysis[C].Processing of the American Control Confere nce.1995,5:3274-3278.

[30]Khoshgoftaar T M,Pandya A S,More H B.A neural network approach for software development faults[C].Proceedings of the Third Symposium on Software Reliability Engineering,1992,1:83-89.

[31]Devabhaktuni V K,Yagoub M C E,Zhang Q J.A robust algorithm for automaticdevelopment of neural network models for microwave applications[J]. IEEE Transactions Microwave Theory Technology, 2001,49(12):2282-2291.

[32]Virk S M,Muhammad A,Martinez-Enriquez A M. Fault prediction using artificial neural network and fuzzy logic[C].Seventh Mexican International Conference on Artificial Intelligence,2008,1:149-154.

[33]Chen T C,Han D J,Au F T K A et al.Acceleration of levenberg-marquardt training of neural networks with variable decay rate[C].Proceedings of the International Joint Conference on Neural Networks,2003,3:1873-1878.

[34]Thwin M M T,Quah T S.Application of neural network for predicting software development faults using object-oriented design metrics[C]. Proceedings of the 9th International Conference on Neural Information Processing,2002,5:2312-2316.

[35]Ghorbani A A,Bhavsar V C.Incremental communication for Multilayer neural networks[J].IEEE Transactions on Neural Networks,1995,6(6): 1375-1385.

[36]Qiu H,Lee J,Lin J et al.obust Performance Degradation Assessment Methods for Enhanced rolling element bearing prognostics[J].Advanced Engineering Informatics,2003,17(6):127-140.

[37]許麗佳,龍兵,王厚軍.基于LSSVM-HMM的發(fā)射機(jī)故障預(yù)測研究[J].儀器儀表學(xué)報,2008,29(1):21-26.

[38]姜媛媛,王友仁,崔江,等.基于LS-SVM的電力電子電路故障預(yù)測方法[J].電機(jī)與控制學(xué)報,2011,15(8):64-68.

[39]Pena J M,Letourneau S, Famili F.Application of rough sets algorithms to prediction aircraft component failure[C].Advanced in intelligent data analysis third international symposium,1999,8:9-11.

[40]Saha B,Goebel K,Christophersen J.Comparison of prognostic algorithms for estimating remaining useful life of batteries[J]. Transactions of the Institute of Measurement and Control,2009,31(3-4):293-308.

[41]周建寶.基于RVM的鋰離子電池剩余壽命預(yù)測方法研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2013.

[42]Huang G B,Zhu Q Y,Siew C K.Extreme learning machine:theory and applications[J].Neurocomp uting,2006,70(1/3):489-501.

張建（1982—），男，河北遷安人，碩士，工程師，現(xiàn)供職于新時代工程咨詢有限公司。

周靖宇（1984—），男，四川成都人，博士，現(xiàn)供職于中國電子科技集團(tuán)公司第四十一研究所，電子測試技術(shù)國家重點(diǎn)實(shí)驗(yàn)室，研究方向：電子系統(tǒng)故障預(yù)測、故障診斷、測試生成算法。

作者簡介：