CN103197186A - 一种电子产品退化状态实时预测方法 - Google Patents
一种电子产品退化状态实时预测方法 Download PDFInfo
- Publication number
- CN103197186A CN103197186A CN2013101257051A CN201310125705A CN103197186A CN 103197186 A CN103197186 A CN 103197186A CN 2013101257051 A CN2013101257051 A CN 2013101257051A CN 201310125705 A CN201310125705 A CN 201310125705A CN 103197186 A CN103197186 A CN 103197186A
- Authority
- CN
- China
- Prior art keywords
- predicted value
- electronic product
- sigma
- value
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种电子产品退化状态实时预测方法,通过可靠性试验数据、现场性能退化数据,依据曲线拟合,现场性能退化数据外推当前运行电子产品在j+1时刻的预测值xj+1,依据自回归模型,根据每个时刻的可靠性试验数据,得到j+1个预测值:y1,y2,…,yj,yj+1,根据前j预测值的拟合曲线,外推得到j+1时刻的预测值y0j+1,计算差值Δj+1=y0j+1-xj+1,最后得到可靠性试验数据融合现场性能退化数据预测的结果zj+1=yj+1+Δj+1;根据得到预测值xj+1和zj+1时的误差大小为预测值xj+1和zj+1分配权值,最终根据权值将预测值xj+1和zj+1融合得到最终电子产品在j+1时刻的退化状态实时预测值。通过实验验证,本发明电子产品退化状态实时预测方法,基于差值修正算法,提高了电子产品退化状态预测的准确度。
Description
技术领域
本发明属于电子产品可靠性分析技术领域,更为具体地讲,涉及一种电子产品退化状态实时预测方法。
背景技术
目前,电子产品的日常维护、维修主要依赖于生产厂家,而且是以在出现故障之后进行现场维修的模式完成的,属于被动式故障排除,这导致了电子设备的技术含量日趋提高与使用维护的手段和能力相对较低的矛盾日益凸显。正是在这样的背景下,故障预诊断与健康管理(PHM)技术应运而生。其意义在于,可以提前预知将要发生故障的时间和位置,预测电子产品的剩余寿命(RUL),提高电子产品的运行可靠性,减少日常维护成本。
而对于PHM来说,通过预测技术,实时获取电子产品在未来时刻的退化状态是非常具有实际意义的。提前预知电子产品的性能退化量,就可以提前预知电子产品的可能发生故障的时间并且提前合理安排维护时间,可以很大程度上降低维护成本。
电子产品退化状态实时预测方法多采用基于现场数据的预测方法,但电子产品退化状态预测的准确度有待提高。
发明内容
本发明的目的在于克服现有技术的不足,提供一种电子产品退化状态实时预测方法,以提高电子产品退化状态预测的准确度。
为实现以上目的,本发明电子产品退化状态实时预测方法,其特征在于,包括以下步骤:
(1)、选取数量为N的同类电子产品(至少10-15个),对每个电子产品从最初运行开始,每间隔一定时间提取数据测试点的信号幅值,得到N组由M个信号幅值组成的退化数据并作为产品性能退化的可靠性试验数据;
对于当前运行的电子产品也从最初运行开始,每间隔一定时间ts提取测试点的信号幅值,当运行到j时刻时,得到由j个信号幅值组成的现场性能退化数据,其中,j<M;
(2)、对现场性能退化数据进行曲线拟合,根据拟合结果来选择最理想的拟合模型,根据拟合模型来外推当前运行电子产品在j+1时刻的预测值xj+1;
(3)、将可靠性试验数据中同一个时刻的N个产品的信号幅值按顺序组成一个序列,利用AR(自回归)模型进行预测,得到预测值,得到从第1个时刻到第j+1时刻的j+1个预测值:y1,y2,…,yj,yj+1;
对将预测值y1,y2,…,yj作为一个序列,进行曲线拟合,根据拟合结果来选择最理想的拟合模型,根据拟合模型来外推电子产品在j+1时刻的预测值y0j+1;
计算差值Δj+1=y0j+1-xj+1,最后得到可靠性试验数据融合现场性能退化数据预测的结果zj+1=yj+1+Δj+1;
(4)、根据得到预测值xj+1和zj+1时的误差大小为预测值xj+1和zj+1分配权值,最终根据权值将预测值xj+1和zj+1融合得到最终电子产品在j+1时刻的退化状态实时预测值Tj+1。
本发明的目的是这样实现的:
本发明电子产品退化状态实时预测方法,通过每间隔一定时间分别提取N个同类电子产品测试点的信号幅值构成可靠性试验数据,然后对当前运行电子设备采用同样的方法,提取运行到j时刻时的信号幅值组成现场性能退化数据;在此基础上,依据曲线拟合,现场性能退化数据外推当前运行电子产品在j+1时刻的预测值xj+1,依据自回归模型,根据每个时刻的可靠性试验数据,得到j+1个预测值:y1,y2,…,yj,yj+1,根据前j预测值的拟合曲线,外推得到j+1时刻的预测值y0j+1,计算差值Δj+1=y0j+1-xj+1,最后得到可靠性试验数据融合现场性能退化数据预测的结果zj+1=yj+1+Δj+1;最后,根据得到预测值xj+1和zj+1时的误差大小为预测值xj+1和zj+1分配权值,最终根据权值将预测值xj+1和zj+1融合得到最终电子产品在j+1时刻的退化状态实时预测值。
通过实验验证,本发明电子产品退化状态实时预测方法,基于差值修正算法,提高了电子产品退化状态预测的准确度。
附图说明
图1是本发明电子产品退化状态实时预测方法一种具体实施方式流程图;
图2是第2组数据作为现场性能退化数据实验对比图;
图3是第6组数据作为现场性能退化数据实验对比图;
图4是第11组数据作为现场性能退化数据实验对比图;
图5是三次实验的预测结果精度对比如图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
图1是本发明电子产品退化状态实时预测方法一种具体实施方式流程图。
在本实施例中,如图1所示,本发明电子产品退化状态实时预测方法包括以下步骤:
步骤ST1:选取数量为N的同类电子产品(至少10-15个),对每个电子产品从最初运行开始,每间隔一定时间提取数据测试点的信号幅值,得到N组由M个信号幅值组成的退化数据并作为产品性能退化的可靠性试验数据;
对于当前运行的电子产品也从最初运行开始,每间隔一定时间ts提取测试点的信号幅值,当运行到j时刻时,得到由j个信号幅值组成的现场性能退化数据,其中,j<M;
步骤ST2:对现场性能退化数据进行曲线拟合,根据拟合结果来选择最理想的拟合模型,根据拟合模型来外推当前运行电子产品在j+1时刻的预测值xj+1;
通常的性能退化轨迹有三种:线性即x=a+bt,凸形即log(x)=a+bt和凹形即log(x)=a+blog(t)。在本实施例中,利用Matlab的曲线拟合工具箱cftool来对现场性能退化数据进行曲线拟合,根据拟合曲线和现场性能退化数据之间的残差的平方和最小的原则来选择最理想的拟合模型。
拟合推出的退化轨迹即拟合曲线也不一定能很好地与现场性能退化数据吻合,所以需要进一步对拟合结果进行修正:
首先将取出拟合曲线和现场性能退化数据之间的残差,组成一个随机序列:Δx1,Δx2,…,Δxj,然后利用无激励的AR模型估计出预测值Δxj+1,利用预测值Δxj+1就可以来修正第j+1时刻的曲线拟合值从而得到修正后的预测值xj+1。
现场性能退化数据拟合后的曲线上,第1,2,…,j时刻的值为x01,x02,…x0j,得到j个相应的残差与现场性能退化数据的比值:
设j个残差与真实值的比值均值为μx,最后得到方差值σx 2:
方差值σx 2作为预测值xj+1时的误差。
(3)、将可靠性试验数据中同一个时刻的N个产品的信号幅值按顺序组成一个序列,利用AR(自回归)模型进行预测,得到预测值,得到从第1个时刻到第j+1时刻的j+1个预测值:y1,y2,…,yj,yj+1。
对将预测值y1,y2,…,yj作为一个序列,进行曲线拟合,根据拟合结果来选择最理想的拟合模型,根据拟合模型来外推电子产品在j+1时刻的预测值y0j+1。
在本实例中,根据拟合曲线和预测值y1,y2,…,yj之间的残差的平方和最小的原则来选择最理想的拟合模型。
拟合推出的退化轨迹即拟合曲线也不一定能很好地与预测值y…,y2,…,yj吻合,所以需要进一步对拟合结果进行修正:
首先将取出拟合曲线和预测值y1,y2,…,yj之间的残差,组成一个随机序列:Δy1,Δy2,…,Δyj,然后利用无激励的AR模型估计出预测值Δyj+1,利用预测值Δyj+1就可以来修正第j+1时刻的曲线拟合值从而得到修正后的预测值y0j+1。
预测值y1,y2,…,yj拟合后的曲线上,第1,2,…,j时刻的值为y01,y02,…y0j,得到j个相应的残差与预测值y1,y2,…,yj的比值:
设j个残差与真实值的比值均值为μy,最后得到方差值σy 2:
计算差值Δj+1=y0j+1-xj+1,最后得到可靠性试验数据融合现场性能退化数据预测的结果zj+1=yj+1+Δj+1。
预测值zj+1的误差来自预测值y1,y2,…,yj与现场性能退化数据x1,x2,…,xj进行曲线拟合是分别产生的误差,其方差σz 2:
方差值σz 2作为预测值zj+1时的误差。
(4)、根据得到预测值xj+1和zj+1时的误差大小为预测值xj+1和zj+1分配权值,最终根据权值将预测值xj+1和zj+1融合得到最终电子产品在j+1时刻的退化状态实时预测值Tj+1:
验证实例
表1是验证本发明电子产品退化状态实时预测方法的一种具体电子产品(GaAs激光器)性能(工作电流)退化数据表。
表1
在本实施例中,一共提取了15个电子产品,做了15组退化数据;对于每一组数据,每间隔250小时读取一次工作电流的幅值数据,一共读取了17次至第4000小时。在3次实验中,分别将第2、6、11组数据选为现场性能退化数据,另外14组数据选为可靠性试验数据。在每一次验证实验中,我们从第2250小时开始预测下一个时刻的退化状态实时预测值,以此类推,一直预测到第4000小时。试验验证结果与比较流行且最常用的基于现场数据的预测方法进行比较,来证明本发明中提到的方法的优点。
实验验证结果如表2-4所示。
表2
表3
表4
从表2-4中,下划线的数值代表着用本发明基于差值修正的电子产品退化状态实时预测方法的结果要比基于现场数据方法的结果更接近与真值,误差要比基于现场数据方法的结果更小。从中我们可以看出,在预测结果的比较中,下划线的数值要多于没有下划线的数值,即发明基于差值修正的电子产品退化状态实时预测方法的结果要比基于现场数据方法的结果更好。
同样的,在预测结果误差值(Error)的比较中,下划线的数值要多于没有下划线的数值,也证明本发明基于差值修正的电子产品退化状态实时预测方法的结果要比基于现场数据方法的结果更好,在图2-4中也能明显地看出来,其中common代表基于现场数据的预测方法的预测结果,new代表本发明基于差值修正的电子产品退化状态实时预测方法的结果。
另外三次实验的预测结果精度对比如图5所示,其精度用残差的平方和(Sum of square of residual)来表示。从图5中可以看出,本发明基于差值修正的电子产品退化状态实时预测方法的精度要比基于现场数据方法的精度更高。其中common代表基于现场数据的预测方法的预测结果,new代表本发明基于差值修正的电子产品退化状态实时预测方法的结果,横坐标代表实验次数(Sequence Number)。
从以上验证结果可以看出,本发明中提出的基于差值修正的预测方法要比目前比较流行且最常用的基于现场数据的预测方法效果更好。可以更为准确地实时预测电子产品的退化状态数据。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种电子产品退化状态实时预测方法,其特征在于,包括以下步骤:
(1)、选取数量为N的同类电子产品(至少10-15个),对每个电子产品从最初运行开始,每间隔一定时间提取数据测试点的信号幅值,得到N组由M个信号幅值组成的退化数据并作为产品性能退化的可靠性试验数据;
对于当前运行的电子产品也从最初运行开始,每间隔一定时间ts提取测试点的信号幅值,当运行到j时刻时,得到由j个信号幅值组成的现场退化数据;
(2)、对现场性能退化数据进行曲线拟合,根据拟合结果来选择最理想的拟合模型,根据拟合模型来外推当前运行电子产品在j+1时刻的预测值xj+1;
(3)、将可靠性试验数据中同一个时刻的N个产品的信号幅值按顺序组成一个序列,利用AR(自回归)模型进行预测,得到预测值,得到从第1个时刻到第j+1时刻的j+1个预测值:y1,y2,…,yj,yj+1;
对将预测值y1,y2,…,yj作为一个序列,进行曲线拟合,根据拟合结果来选择最理想的拟合模型,根据拟合模型来外推电子产品在j+1时刻的预测值y0j+1;
计算差值Δj+1=y0j+1-xj+1,最后得到可靠性试验数据融合现场性能退化数据预测的结果zj+1=yj+1+Δj+1;
(4)、根据得到预测值xj+1和zj+1时的误差大小为预测值xj+1和zj+1分配权值,最终根据权值将预测值xj+1和zj+1融合得到最终电子产品在j+1时刻的退化状态实时预测值。
2.根据权利要求1所述的退化状态实时预测方法,其特征在于,在步骤(2)中,所述的拟合结果来选择最理想的拟合模型为拟合曲线和现场性能退化数据之间的残差的平方和最小的原则来选择最理想的拟合模型;
所述当前运行电子产品在j+1时刻的预测值xj+1需要进行修正:
首先将取出拟合曲线和现场性能退化数据之间的残差,组成一个随机序列:Δx1,Δx2,…,Δxj,然后利用无激励的AR模型估计出预测值Δxj+1,利用预测值Δxj+1就可以来修正第j+1时刻的曲线拟合值从而得到修正后的预测值xj+1。
3.根据权利要求1所述的退化状态实时预测方法,其特征在于,在步骤(4)中,所述的根据得到预测值xj+1和zj+1时的误差大小为预测值xj+1和zj+1分配权值,最终根据权值将预测值xj+1和zj+1融合得到最终电子产品在j+1时刻的退化状态实时预测值Tj+1:
方差值σx 2作为预测值xj+1时的误差根据以下步骤得到:
现场性能退化数据拟合后的曲线上,第1,2,…,j时刻的值为x01,x02,…x0j,得到j个相应的残差与现场性能退化数据的比值:
设j个残差与真实值的比值均值为μx,最后得到方差值σx 2:
方差值σz 2作为预测值zj+1时的误差根据以下步骤得到:
预测值y1,y2,…,yj拟合后的曲线上,第1,2,…,j时刻的值为y01,y02,…y0j,得到j个相应的残差与预测值y1,y2,…,yj的比值:
设j个残差与真实值的比值均值为μy,最后得到方差值σy 2:
方差σz 2:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310125705.1A CN103197186B (zh) | 2013-04-12 | 2013-04-12 | 一种电子产品退化状态实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310125705.1A CN103197186B (zh) | 2013-04-12 | 2013-04-12 | 一种电子产品退化状态实时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103197186A true CN103197186A (zh) | 2013-07-10 |
CN103197186B CN103197186B (zh) | 2016-03-23 |
Family
ID=48719869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310125705.1A Active CN103197186B (zh) | 2013-04-12 | 2013-04-12 | 一种电子产品退化状态实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103197186B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199744A (zh) * | 2014-08-29 | 2014-12-10 | 浪潮(北京)电子信息产业有限公司 | 一种超级计算机应用性能稳定性判断方法及装置 |
CN104463347A (zh) * | 2014-11-06 | 2015-03-25 | 电子科技大学 | 含有奇异信号的电子产品退化状态趋势预测方法 |
CN104992076A (zh) * | 2015-08-06 | 2015-10-21 | 中北大学 | 基于多退化机理的小样本微惯性传感器可靠度评估方法 |
CN105320845A (zh) * | 2015-11-26 | 2016-02-10 | 电子科技大学 | 一种基于量子引力算法的时间序列预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5677853A (en) * | 1994-11-16 | 1997-10-14 | Delco Electronics Corp. | Product testing by statistical profile of test variables |
CN101666662A (zh) * | 2009-09-25 | 2010-03-10 | 北京航空航天大学 | 基于模糊理论的加速退化试验预测方法 |
CN102042848A (zh) * | 2010-11-23 | 2011-05-04 | 北京航空航天大学 | 基于多元混合时序分析的多性能参数加速退化试验产品寿命预测方法 |
CN102901651A (zh) * | 2012-10-16 | 2013-01-30 | 南京航空航天大学 | 电子产品分数阶神经网络性能退化模型及寿命预测方法 |
-
2013
- 2013-04-12 CN CN201310125705.1A patent/CN103197186B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5677853A (en) * | 1994-11-16 | 1997-10-14 | Delco Electronics Corp. | Product testing by statistical profile of test variables |
CN101666662A (zh) * | 2009-09-25 | 2010-03-10 | 北京航空航天大学 | 基于模糊理论的加速退化试验预测方法 |
CN102042848A (zh) * | 2010-11-23 | 2011-05-04 | 北京航空航天大学 | 基于多元混合时序分析的多性能参数加速退化试验产品寿命预测方法 |
CN102901651A (zh) * | 2012-10-16 | 2013-01-30 | 南京航空航天大学 | 电子产品分数阶神经网络性能退化模型及寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
CHENLIANG SONG, ET AL.: "Real-time Prediction method for Performance Degradation Trend Based on Reliability Experimental Data", 《APPLIED MECHANICS AND MATERIALS》 * |
HUITIAN LU, ET AL.: "Real-Time Performance Reliability Prediction", 《IEEE TRANSACTIONS ON RELIABILITY》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199744A (zh) * | 2014-08-29 | 2014-12-10 | 浪潮(北京)电子信息产业有限公司 | 一种超级计算机应用性能稳定性判断方法及装置 |
CN104199744B (zh) * | 2014-08-29 | 2017-11-24 | 浪潮(北京)电子信息产业有限公司 | 一种超级计算机应用性能稳定性判断方法及装置 |
CN104463347A (zh) * | 2014-11-06 | 2015-03-25 | 电子科技大学 | 含有奇异信号的电子产品退化状态趋势预测方法 |
CN104992076A (zh) * | 2015-08-06 | 2015-10-21 | 中北大学 | 基于多退化机理的小样本微惯性传感器可靠度评估方法 |
CN104992076B (zh) * | 2015-08-06 | 2017-12-08 | 中北大学 | 基于多退化机理的小样本微惯性传感器可靠度评估方法 |
CN105320845A (zh) * | 2015-11-26 | 2016-02-10 | 电子科技大学 | 一种基于量子引力算法的时间序列预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103197186B (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103246943B (zh) | 基于马尔可夫链的汽车运行工况多尺度预测方法 | |
Yang et al. | Probabilistic short-term wind power forecast using componential sparse Bayesian learning | |
CN105225010A (zh) | 一种基于可靠性的变压器设备寿命评估方法 | |
CN103746370B (zh) | 一种风电场可靠性建模方法 | |
CN101789039B (zh) | 继电保护设备可用率和最优检修周期的计算方法 | |
CN102486833B (zh) | 装置的效能预测及故障检测的方法 | |
CN102042848A (zh) | 基于多元混合时序分析的多性能参数加速退化试验产品寿命预测方法 | |
CN103383445A (zh) | 一种智能电表寿命和可靠性预测系统及其方法 | |
CN102831325A (zh) | 一种基于高斯过程回归的轴承故障预测方法 | |
CN103197186A (zh) | 一种电子产品退化状态实时预测方法 | |
CN102346745A (zh) | 单词的用户行为数的预测方法和装置 | |
CN104331572A (zh) | 考虑风速和风电机组故障相关性的风电场可靠性建模方法 | |
Yu et al. | Bus travel-time prediction based on bus speed | |
CN104598736A (zh) | 一种自适应多核组合相关向量机的滚动轴承寿命预测模型 | |
CN104182623A (zh) | 一种基于当量变化率计算的热工过程数据检测方法 | |
CN103345585A (zh) | 基于支持向量机的风功率预测校正方法及系统 | |
CN103473605A (zh) | 能源消费预测方法与系统 | |
CN101976301A (zh) | 逐年负荷预测中历史数据预处理的方法与装置 | |
CN107038297A (zh) | 全球能源互联网运行特性仿真的自适应变步长积分方法 | |
CN104899608A (zh) | 滚动轴承剩余寿命预测的加权融合相关向量机模型 | |
Lin et al. | Modeling the impacts of changes in nuclear energy, natural gas, and coal in the environment through the novel DARDL approach | |
CN102751725A (zh) | 一种配电网过负荷风险状态辨识方法 | |
Zhang et al. | A quantitative assessment of energy strategy evolution in China and US | |
Adebola et al. | Multivariate causality test on electricity consumption, capital, labour and economic growth for Nigeria | |
Fantazzini et al. | Proposed coal power plants and coal-to-liquids plants in the US: Which ones survive and why? |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |