3、故障诊断基础：故障定义与分类与诊断流程
各位同学，咱们今天聊点实在的。故障诊断，说白了就是给电子战系统“看病”。你想想看，一个嵌入式系统在天上飞、地上跑，突然不干活了，你总得知道它哪儿疼吧？
我干这行十几年了，见过太多“病急乱投医”的案例。有一次在项目现场，一个雷达信号处理板卡死活不响应，团队折腾了三天，最后发现就是个电容虚焊。嗯，从那天起我就明白——诊断基础不牢，地动山摇。
3.1 故障的定义
先给故障下个定义。故障，就是系统偏离了预期行为。注意，这里有两个关键词：“偏离”和“预期”。
什么叫偏离？比如一个ADC采样值本该是1024，结果你读出来是512，这就是偏离。什么叫预期？你得先知道系统“正常”是什么样。我在项目中遇到过最头疼的情况，不是故障本身，而是连“正常”都没定义清楚。
故障 ≠ 失效
故障是系统内部的状态异常，失效是系统对外表现的功能丧失。一个电容漏电是故障，整机不工作是失效。别搞混了。
3.2 故障分类：硬故障 / 软故障 / 间歇性故障
故障怎么分？我个人习惯分成三类。这个分类不是学术上的死规定，而是实战中特别好用。
3.2.1 硬故障
硬故障，就是“死了就救不回来”的那种。比如芯片烧了、PCB断线、电阻开路。这类故障的特点是：永久性、确定性。你测一次是坏的，测一百次还是坏的。
我曾经在一个项目中，一块FPGA的IO口全部输出高电平。查了半天，发现是电源过压把IO bank烧了。换芯片，问题解决。硬故障的诊断相对简单，因为它的表现很稳定。
实战技巧：硬故障用万用表或示波器一测一个准。我建议先测电源对地电阻，很多硬故障都能从这里发现端倪。
3.2.2 软故障
软故障就有点“玄学”了。它是由软件逻辑、时序、配置等问题引起的。比如寄存器配置错了、中断优先级设反了、DMA传输地址越界了。
软故障的特点是：可恢复、条件触发。你重启一下系统，它可能就好了。但过一会儿又犯。说白了，硬件没坏，是“脑子”坏了。
我记得有一次，一个信号处理模块在特定频率下会死机。查了三天硬件，啥问题没有。最后发现是软件里一个浮点运算的精度不够，导致滤波器系数溢出。改一行代码，搞定。
注意：软故障最容易让人误判为硬故障。我见过有人把软件bug当成硬件问题，换了好几块板子都没解决。诊断软故障，一定要先看日志、看状态寄存器。
3.2.3 间歇性故障
间歇性故障，是诊断界的“噩梦”。它时好时坏，毫无规律。比如温度高了就出问题、振动大了就复位、电磁干扰强了就丢数据。
这类故障的根源往往是：接触不良、热稳定性差、电磁兼容性不足。你想想看，一个焊点虚焊，常温下接触良好，温度一高就断开。等你拿示波器去测，温度又降下来了，它又好了。
我曾经处理过一个最棘手的间歇性故障：一个机载电子战吊舱，飞行中偶尔会出现频谱显示异常。落地测试一切正常。折腾了两个月，最后发现是机箱接地螺丝松动，导致机载振动时接地阻抗变化。拧紧螺丝，问题消失。
三类故障对比：
| 类型 | 特点 | 诊断难度 | 典型例子 |
|---|---|---|---|
| 硬故障 | 永久、稳定 | 低 | 芯片烧毁、PCB断线 |
| 软故障 | 可恢复、条件触发 | 中 | 寄存器配置错误、时序冲突 |
| 间歇性故障 | 时好时坏、随机 | 高 | 虚焊、热漂移、EMC干扰 |
3.3 故障诊断流程
诊断不是瞎蒙，得有章法。我总结了一个五步流程，这些年一直在用。
- 故障复现——先让故障稳定出现。复现不了，诊断无从谈起。我建议记录复现条件：温度、电压、频率、操作步骤。
- 信息收集——看日志、读寄存器、测波形。别急着拆板子，先看数据。
- 故障定位——缩小范围。是电源问题？时钟问题？还是通信问题？用二分法，一步步排除。
- 根因分析——找到根本原因。比如“电压偏低”不是根因，“LDO输出电容老化导致纹波过大”才是。
- 验证修复——改完以后，要在最严苛的条件下测试。别修好了常温，高温又挂了。
我的习惯：每步都做记录。别嫌麻烦。有一次我靠三年前的诊断笔记，十分钟就定位了一个类似故障。好记性不如烂笔头。
3.4 诊断性能指标
诊断做得好不好，得有量化指标。我重点讲三个：检测率、隔离率、虚警率。
3.4.1 检测率
检测率 = 正确检测出的故障数 / 实际发生的故障总数 × 100%
说白了，就是“你能发现多少故障”。检测率越高越好。但100%很难，因为有些故障太隐蔽了。
举个例子：一个系统有100个潜在故障点，你的诊断程序能发现95个，那检测率就是95%。
3.4.2 隔离率
隔离率 = 能定位到具体故障单元的故障数 / 检测出的故障总数 × 100%
检测出来还不够，你得知道是哪个芯片、哪个模块坏了。隔离率衡量的是“定位精度”。
我遇到过最尴尬的情况：检测出有故障，但只能定位到“板卡级”，不知道是哪个芯片。换整块板子，成本高、周期长。所以隔离率越高，维修成本越低。
3.4.3 虚警率
虚警率 = 误报的故障数 / 总报警次数 × 100%
这个指标很要命。虚警太多，操作员就不信你了。狼来了的故事听过吧？
我曾经参与过一个项目，虚警率高达30%。操作员天天被“假故障”骚扰，最后干脆把报警关了。结果真故障来了，没人知道。嗯，这是血的教训。
三个指标的关系：
检测率和虚警率是一对矛盾。你越想检测出所有故障，就越容易误报。反之，你越想降低虚警率，就可能漏掉真故障。我建议根据系统的重要程度来权衡：关键系统宁可虚警，也不能漏报。
3.5 小结
这一章的内容，说白了就是诊断的“基本功”。故障分三类，流程有五步，指标有三个。你把这些搞清楚了，后面讲具体诊断技术时，才能听得明白。
最后说一句：诊断不是纸上谈兵。我建议你们找块旧板子，故意制造几个故障，亲手走一遍诊断流程。相信我，踩过的坑，比看过的书管用。