CN102262700B - 基于小波分析的退化数据预处理的产品寿命预测方法 - Google Patents

Abstract

本发明公开了一种基于小波分析的退化数据预处理的产品寿命预测方法，具体步骤为：步骤一、搜集退化及温度数据；步骤二、提取退化趋势项；步骤三、分解噪声项；步骤四、重构退化数据；步骤五、进行产品寿命预测。本发明可以剔除退化数据中温度波动的干扰，还原真实的退化数据；可用于加速退化试验的加速退化数据预处理，从而提高产品寿命预测的准确性；可直接提取在温度波动和温度漂移作用下的性能参数波动数据，从而避免了采用温度建模等步骤。

Description

基于小波分析的退化数据预处理的产品寿命预测方法

技术领域

本发明是一种基于小波分析的退化数据预处理的产品寿命预测方法，属于数据处理技术领域。

背景技术

对于电子、光电等产品而言，温度是它们的敏感应力并影响着它们的性能参数，在实际使用以及试验过程中，这些性能参数除了在时间上会表现出退化的趋势，还会同时表现出与温度相关的变化趋势(性能参数的温度漂移)。在这种退化、温度漂移叠加的情况下，所得到的性能参数退化数据很难真实的反映产品的退化过程。因此，在实际观测、分析以及利用这些数据预测产品寿命时，通过它所获得的寿命预测结果很难准确、真实的反映产品的实际情况。因此就需要对这些数据进行预处理，剔除温度漂移的影响，提取产品真实的退化过程，从而对产品的寿命进行预测。

发明内容

本发明的目的是为了解决上述问题，将温度的波动看做一种噪声，因此在温度波动作用下的退化数据由退化趋势项、温度波动作用下的噪声项以及退化自身的随机噪声项组成。通过小波分析的方法将退化数据分解为上述三项，并依此将温度波动作用下的噪声项从退化数据中剔除，从而剔除了温度波动的影响，完成了退化数据的预处理，应用预处理后的退化数据进行产品寿命预测。

本发明的基于小波分析的退化数据预处理的产品寿命预测方法，具体步骤为：

步骤一、搜集退化及温度数据；

步骤二、提取退化趋势项；

步骤三、分解噪声项；

步骤四、重构退化数据；

步骤五、进行产品寿命预测。

本发明的优点在于：

(1)可以剔除退化数据中温度波动的干扰，还原真实的退化数据；

(2)可用于加速退化试验的加速退化数据预处理，从而提高产品寿命预测的准确性；

(3)可直接提取在温度波动和温度漂移作用下的性能参数波动数据，从而避免了采用温度建模等步骤。

附图说明

图1是本发明的流程图；

图2是本发明实施例中步骤一搜集的退化及温度数据曲线图；

图3是本发明实施例中步骤一搜集的退化及温度数据曲线图；

图4是本发明实施例中步骤二搜退化趋势项y_t′的曲线图；

图5是本发明实施例中步骤三噪声项y_nT′曲线图；

图6是本发明实施例中步骤三随机噪声项y_nR′曲线图；

图7是本发明实施例中步骤四退化数据y′曲线图；。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明是一种基于小波分析的退化数据预处理的产品寿命预测方法，流程图如图1所示，包括以下几个步骤：

步骤一、搜集退化及温度数据

对需要处理的退化数据y_p进行搜集，同时利用温度传感器等手段将退化数据采样点所对应的产品温度数据T进行搜集。从而获得在时间上一一对应的退化数据和温度数据。

步骤二、提取退化趋势项

由于温度波动作用下的退化数据y_p是由退化趋势项y_t、温度波动作用下的噪声项y_nT以及退化自身的随机噪声项y_nR组成的，因此退化数据y_p可以表示为：

y_p＝y_t+y_nT+y_nR    (1)

同时真实情况下的退化数据y可表示为：

y＝y_t+y_nR    (2)

利用小波分析中的多分辨率分析的方法(matlab中的小波分析工具箱)对退化数据进行分解，将退化数据y_p分解为近似退化趋势项y_t′和噪声项y_n。在分解过程中，不断的调整分析函数的参数，并将所得到的噪声项y_n和温度数据T进行相关性分析，当得到的相关性r₁最大时，即可认为得到了最优的分解结果。此时的退化数据可表示为：

y_p＝y_t′+y_n    (3)

步骤三、分解噪声项

为了提取温度波动和温度漂移作用下的性能参数波动数据，即温度波动作用下的噪声项y_nT，需要将步骤二得到的噪声项y_n进行分解。采用小波分析中的多分辨率分析的方法(matlab中的小波分析工具箱)对噪声项y_n进行分析，将其近似分解为温度波动作用下的噪声项y_nT′以及退化自身的随机噪声项y_nR′。在分解过程中，不断的调整分析函数中的参数，并将所得到的温度波动作用下的噪声项y_nT′和温度数据T进行相关性分析，当二者的相关性r₂同时满足以下条件时：

1)调整过程中，相关性r₂最大时的结果；

2)r₂＞r₁；

3)设定最低可接受相关性值r_l，r₂＞r_l；

即可认为得到了最优的结果，从而将噪声项y_n中的温度波动作用下的噪声项y_nT′以及退化自身的随机噪声项y_nR′分离开。此时，所得到的温度波动作用下的噪声项y_nT′同y_nT最接近。

步骤四、重构退化数据

由公式(1)和公式(2)可知，重构退化数据可表示为：

y′＝y_t′+y_nR′    (4)

因此通过公式(4)便可得到重构后的退化数据y′，即y′为预处理后的退化数据。

步骤五、进行产品寿命预测

通常温度作用下产品的寿命预测模型的形式为：

τ＝L(T|Y)    (5)

其中τ为产品的寿命，T为产品所处的温度，Y为产品的退化模型。

退化模型可表示为：

Y＝F(T，t|θ)    (6)

其意义为在温度T作用下，经历时间t，产品的退化参数值。其中θ为模型的参数向量。

因此，结合模型(6)，通过温度T作用下t时刻的退化数据y，便可求得θ的值。从而得到退化模型及寿命预测模型的具体形式，进而实现了产品的寿命预测。

由此可见，若使用未经处理的退化数据y_p来开展寿命预测，会将与退化无关的量引入到退化模型的求解中，从而影响寿命预测的精度。而采用步骤四中得到的预处理后的退化数据y′来进行寿命预测，就可有效的避免上述问题，从而在寿命预测的同时提高了其精度。

实施例：

若对某产品实施温度应力加速退化试验，样本量为1，温度应力100℃，试验时间为1000小时。现对其退化数据进行预处理。

步骤一、搜集退化及温度数据

对需要处理的退化数据y_p进行搜集，同时利用温度传感器将退化数据采样点所对应的产品温度数据T进行搜集。所搜集的数据如图2，图3所示。

步骤二、提取退化趋势项

利用小波分析中的多分辨率分析的方法(matlab中的小波分析工具箱)对退化数据进行分解，将退化数据y_p分解为近似退化趋势项y_t′和噪声项y_n。当所得到的噪声项y_n和温度数据T的相关性r₁达到最大值0.9416时(相关性取值范围为(0，1))，即得到了最优的分解结果。此时的近似退化趋势项y_t′如图4所示。

步骤三、分解噪声项

对步骤二得到的噪声项y_n进行分解。采用小波分析中的多分辨率分析的方法(matlab中的小波分析工具箱)对噪声项y_n进行分析，将其近似分解为温度波动作用下的噪声项y_nT′以及退化自身的随机噪声项y_nR′。若设定最低可接受相关性值r_l为0.95，当温度波动作用下的噪声项y_nT′和温度数据T进行相关性达到最大值0.9586时，即得到了最优的结果，此时分解后的温度波动作用下的噪声项y_nT′以及退化自身的随机噪声项y_nR′分别如图5、图6所示。

步骤四、重构退化数据

通过公式(4)得到重构后的退化数据y′，即y′为预处理后的退化数据，如图7所示。

步骤五、进行产品寿命预测

通过对图7和图2进行对比，可以看出处理后的退化数据只与产品的退化有关，剔除了同退化无关的温度漂移影响。将预处理后的退化数据y′带入产品的退化模型，确定相关参数，得到退化模型及寿命预测模型的具体形式，从而实现了对产品寿命的预测。

若要得到产品在100℃时的寿命。已知100℃时产品的退化模型为：

y＝50-(1/θ)t+ε其中θ为模型参数，ε为服从正态分布的随机噪声，ε～N(μ，σ²)。

y的值达到C时产品失效，产品的寿命预测模型为：

τ＝θ(50-C+ε)

通过退化数据y′拟合得到θ，μ，σ²的评估值后，便可对产品100℃时的寿命、各概率下的分位寿命进行预测。

Claims (2)

1.一种基于小波分析的退化数据预处理的产品寿命预测方法，其特征在于，包括以下几个步骤：

步骤一、搜集退化及温度数据

搜集退化数据y_p和退化数据采样点所对应的产品温度数据T，得到在时间上一一对应的退化数据和温度数据；

步骤二、提取退化趋势项

退化数据y_p是由退化趋势项y_t、温度波动作用下的噪声项y_nT以及退化自身的随机噪声项y_nR组成的，退化数据y_p表示为：

y_p＝y_t+y_nT+y_nR                (1)

真实情况下的退化数据y表示为：

y＝y_t+y_nR                     (2)

采用小波分析中的多分辨率分析的方法对退化数据进行分解，将退化数据y_p分解为近似退化趋势项和噪声项y_n，在分解过程中，不断的调整分析函数的参数，并将所得到的噪声项y_n和温度数据T进行相关性判断，当得到的噪声项y_n和温度数据T相关性r₁最大时，即得到了最优的分解结果，此时退化数据y_p表示为：

$y_p=y_t^{\′}+y_n---\left(3\right)$

步骤三、分解噪声项

采用小波分析中的多分辨率分析的方法对噪声项y_n进行分解，将噪声项y_n分解为温度波动作用下的噪声项y_nT′以及退化自身的随机噪声项y_nR′，在分解过程中，不断的调整分析函数中的参数，并将所得到的温度波动作用下的噪声项y_nT′和温度数据T进行相关性分析,当二者的相关性r₂同时满足以下条件时：

1)调整过程中，相关性r₂最大时的结果；

2)r₂＞r₁；

3)设定最低可接受相关性值r_h，r₂＞r_h；

得到最优的分解结果；

步骤四、重构退化数据

通过公式(1)和公式(2)可得，重构退化数据为：

$y^{\′}=y_t^{\′}+{y_{\mathrm{nR}}}^{\′}---\left(4\right)$

通过公式(4)得到重构后的退化数据y′，y′为预处理后的退化数据；

步骤五、进行产品寿命预测

通过步骤四得到的预处理后的退化数据，进行产品寿命预测。

2.根据权利要求1所述的一种基于小波分析的退化数据预处理的产品寿命预测方法，其特征在于，所述的步骤五具体为：

温度T作用下产品的寿命预测模型为：

τ＝L(T|Y)                    (5)

其中τ为产品的寿命，T为产品所处的温度，Y为产品的退化模型；

退化模型为：

Y＝F(T,t|θ)                  (6)

退化模型表示在温度T作用下，在t时刻，产品的退化参数值；其中θ为产品退化模型的参数向量；

因此，结合模型(6)，通过温度T作用下t时刻的退化数据y，获取θ的值，从而得到退化模型及寿命预测模型的具体形式，实现产品的寿命预测。

Images