CN110333962B - 一种基于数据分析预测的电子元器件故障诊断模型 - Google Patents

Abstract

本发明提供一种基于数据分析预测的电子元器件故障诊断模型，包括数据采集模块、数据预处理模块、故障诊断模型构建模块、预测模块和预测结果输出模块；所述故障诊断模型构建模块接收所述“干净”的结构化数据集后进行聚类，得到多个簇类；对于每一簇类，运用分形几何学量化其分维数值，每簇类的分维数值是其故障特征、此量值用于判断批次元器件中存在的故障类型；按故障类型将输入数据分类存储一份到存储模块。本发明减少了人工重复性检测工作、缩短乐检测周期、降低了筛选成本、挖掘制造商电子元器件生产质量控制潜力、实现乐能力与效益的持续提升，为型号提供高质量高可靠性的电子元器件，保证了航天型号产品可靠性和稳定性。

Description

一种基于数据分析预测的电子元器件故障诊断模型

技术领域

本发明涉及电子元器件领域，特别涉及一种基于数据分析预测的电子元器件故障诊断模型。

背景技术

电子元器件是航天武器装备的重要组成部件，其质量的可靠性和稳定性可能决定航天产品任务的成败。据统计，80％航天质量问题与元器件质量相关。

目前元器件质量及可靠性保证业务主要依赖于传统试验检测技术，即“一事一议”式小子样试验测试鉴定技术，通过对每类元器件、每个规格、每生产批次的试验测试，如外观检查、筛前初测、温度冲击、密封性检查、X射线检查、振动、冲击、应力、DPA、老化筛选等，落实型号的质量保证要求。在当前多型号任务并行研制、高强度发射的新环境下，传统试验测试技术手段承受了越来越大的效率与成本压力，如任务周期耗时、耗工、耗料，跟不上快节奏研制需求；测试数据没有集中存储、统筹利用，业务价值无法挖掘；业务过程严重依赖人工处理，数据质量引用不便、过程追溯困难、处理效率低下等。

数据分析挖掘技术已经应用在各个领域，如金融业、汽车、餐饮、电信、能源等领域。随着电子工业迅速的发展，在电子元器件行业应用大数据分析诊断元器件故障较少，除了传统的失效分析，亟需大数据分析技术预测元器件故障问题，做到元器件质量故障的早发现、早隔绝、早处理的快速响应机制。

由上文可知，依赖小子样试验测试的传统元器件检测业务迫切需要在技术能力、业务可靠性、业务效率、业务成本等方面取得突破。利用大数据分析技术挖掘元器件生产过程数据、历史数据、筛选数据等测试数据，建立故障特征模型与数据之间模式，再用经过验证的故障特征模型处理性能测试数据，完成批次元器件故障隐患的预测。从而减少人工重复性检测工作、缩短检测周期、降低筛选成本、挖掘制造商电子元器件生产质量控制潜力、实现能力与效益的持续提升，增补现有传统元器件检测技术手段。

发明内容

本发明的目的在于提供一种基于数据分析预测的电子元器件故障诊断模型，通过建立故障特征诊断模型预测批次元器件测试数据中存在故障隐患，为型号提供高质量高可靠性的电子元器件，保证航天型号产品可靠性和稳定性。

为了解决上述技术问题，本发明的技术方案是：提供一种基于数据分析预测的电子元器件故障诊断模型，其特征在于，包括数据采集模块、数据预处理模块、故障诊断模型构建模块、预测模块和预测结果输出模块；

所述数据采集模块接收批次元器件输入的测试数据文件，得到故障预测的数据文件源，并储存一份到所述存储模块；

所述数据预处理模块接收所述故障预测的数据文件源后进行数据清洗和数据融合，得到干净结构化数据文件，并储存一份到所述存储模块；

所述故障诊断模型构建模块接收所述干净结构化数据文件后进行聚类，得到每簇类；对于每一簇类，运用分形几何学量化每簇类的分维数值，依据分维数规则确定的故障特征确定故障类型，将诊断出的不同故障类型数据存储一份到存储模块；

所述存储模块包括不同故障类型的文件系统和数据库；所述文件系统用于存储结构化数据，所述数据库用于故障样本数据；

所述预测模块接收所述不同故障类型并从所述数据库中提取常规故障类型，对比拟合所述接收批次元器件所属的故障类型，预测所述接收批次元器件存在的故障隐患类型；

所述预测结果输出模块接收所述接收批次元器件存在的故障隐患类型并进行可视化展示。

进一步的，所述预测模块通过比较批次数据的不同故障类型与相应常规故障类型的匹配度，得出接收批次元器件数据故障隐患类型。

进一步的，所述数据采集模块接收批次元器件输入的测试数据文件：

所述数据采集模块获取原始批次电子元器件测试数据文件，每一个文件中为一个批次的元器件数据，其中包括该批次元器件批次号、日期、序列号、标称电压、标称电容、大小、测试电压、评价、电性能参数及电性能参数公差。

进一步的，所述数据预处理模块接收所述故障预测的数据文件源后进行数据清洗和数据融合：

根据批次元器件每种电性能参数标称值的公差范围对批次元器件数据进行数据清洗，即每种电性能参数必须同时满足在标称值的公差范围之内才为合格数据，得到干净合格的电性能参数，便于后续挖掘批次数据存在的真实故障隐患类型。

进一步的，所述故障诊断模型构建模块首先对干净结构化数据文件中的每个电性能参数，按照Max-min原理进行归一化处理，用于消除电性能参数取值范围的不同对聚出的类造成一定程度的偏差；

再对归一化后的电性能参数进行聚类分析，其中使用基于距离的非层次K-Means聚类算法，对于K＝(2，3，4…N)时，每一次K取值聚出的簇都用分形几何学计算每簇的分形维值(D)，得到每次K取值量化每簇的故障特征，按照每簇D数值大小、每簇的个数及每簇所在位置对各簇的D进行合并，比较每一次聚类合并后的量化故障特征与前一次是否有变化，如果有变化，将增加K次聚类，重新计算；如果在误差范围内没有变化，计算该K次聚类合并量化后每簇中各个参数的均值、方差、最小值、最大值，依据每簇中参数的最大值、最小值，辨识该批次元器件中存在故障类型，如存在漏电流超差故障类型、ESR超差故障类型，再将每批次号元器件存在的故障类型存储一份到存储模块。

进一步的，所述预测模块接收所述不同故障类型并从所述数据库中提取常规故障类型，对比拟合所述接收批次元器件所属的故障类型，拟合程度越好，说明该批次元器件存在该故障类型模式。

本发明提供的基于数据分析预测的电子元器件故障诊断模型，减少了人工重复性检测工作、缩短乐检测周期、降低了筛选成本、挖掘制造商电子元器件生产质量控制潜力、实现乐能力与效益的持续提升，为型号提供高质量高可靠性的电子元器件，保证了航天型号产品可靠性和稳定性。

附图说明

下面结合附图对发明作进一步说明：

图1为本发明实施例提供的基于数据分析预测的电子元器件故障诊断模型的结构示意图；

图2为本发明实施例提供的基于数据分析预测的电子元器件故障诊断模型的实施结构图。

具体实施方式

以下结合附图和具体实施例对本发明提出的基于数据分析预测的电子元器件故障诊断模型作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明实施例的目的。

本发明针对现有传统元器件检测技术存在的不足，提供一种基于数据分析预测技术的电子元器件故障诊断模型，旨在通过建立故障特征诊断模型预测批次元器件测试数据中存在故障隐患，为型号提供高质量高可靠性的电子元器件，保证航天型号产品可靠性和稳定性。

本发明是通过以下技术方案实现的：

如图1所示，本发明系统结构主要包括六个模块：分别为数据采集模块，数据预处理模块，故障诊断模型构建模块，存储模块，预测模块，预测结果输出模块，如图1所示系统结构示意图。其中数据采集模块是采集电子元器件输入的批次测试数据文件，并对其进行解析，数据预处理模块对输入的批次元器件测试数据文件进行预处理得到结构化数据，包括数据融合、数据清洗等预处理手段；故障诊断模型构建模块对结构化的数据运用聚类算法识别同一集群内数据点的同类及不同集群数据点不同类，以及运用分形几何学算法辨识类与类中存在故障特征的类型，存储模块用来存储结构化数据及不同故障类型特征，预测模块是比较批次数据的故障特征模式与相应故障类型的匹配度，得出该批次数据故障隐患类型，预测结果输出模块对得到批次元器件数据所属的故障类型进行可视化展示。

上述的数据采集模块接收批次元器件输入的测试数据文件，得到故障预测的数据文件源，并将存储到存储模块。

上述的数据预处理模块对接收到批次测试数据进行数据清洗、融合预处理，使其得到干净结构化数据文件，并将数据存储到存储模块。

上述的故障诊断模型构建模块接收批次干净结构化的数据，对其进行聚类得到每类，对于每一类，运用分形几何学量化每簇的分维数值，依据量化规则诊断批次元器件中存在的故障特征，将不同故障特征建立不同故障类型，将诊断出不同故障类型存储到存储模块。

上述的存储模块主要包括不同故障类型的文件系统和数据库，文件系统用于存储计算得到的故障类型，数据库用于测试数据文件。

上述的预测模块从数据库提取常规的故障类型，对比拟合该批次元器件故障所属的故障类型，预测批次元器件存在的故障隐患类型。

上述的预测结果输出模块对批次元器件存在的故障隐患进行展示。

实施例1

如图2所示，实施案例包括：数据采集模块，数据预处理模块，故障诊断模型构建模块，存储模块，预测模块以及预测结果输出模块。

数据采集模块获取原始批次电子元器件测试数据文件，每一个文件中为一个批次的元器件数据，其中包括该批次元器件批次号、日期、序列号、标称电压、标称电容、大小、测试电压、评价、电性能参数及电性能参数公差等元数据。

数据预处理模块对接收到的批次电子元器件测试数据文件进行预处理，根据批次元器件每种电性能参数标称值的公差范围对批次元器件数据进行数据清洗，即每种电性能参数必须同时满足在标称值的公差范围之内才为合格数据，得到干净合格的电性能参数，便于后续挖掘批次数据存在的真实故障隐患类型。

故障诊断模型构建模块主要是建立诊断故障隐患的模型。首先对预处理后的批次数据文件中的每个电性能参数，按照Max-min原理进行归一化处理，这样可以消除电性能参数取值范围的不同对聚出的类造成一定程度的偏差。再对归一化后的电性能参数进行聚类分析，其中使用基于距离的非层次K-Means聚类算法，对于K＝(2，3，4…N)时，每一次K取值聚出的簇都用分形几何学计算每簇的分形维值(D)，得到每次K取值量化每簇的故障特征，按照每簇D数值大小、每簇的个数及每簇所在位置对各簇的D进行合并，比较每一次聚类合并后的量化故障特征与前一次是否有变化，如果有变化，将增加K次聚类，重新计算。如果在误差范围内没有变化，计算该K次聚类合并量化后每簇中各个参数的均值、方差、最小值、最大值，依据每簇中参数的最大值、最小值，辨识该批次元器件中存在故障类型，如存在漏电流超差故障类型、ESR超差故障类型等等，再将每批次号元器件存在的故障类型存储到存储模块。

本文使用分形几何学原理，如下：

其中，R为所取正方形的边长，N(r)为所取正方形作为最小单元网格覆盖在上述聚类出点所在的区域图之上，得出聚类出的点经过网格数，即为N(r)，同理再取边长为r₂值时正方形，得出聚类出的点经过网格数位，此时记为N(r₂)，依据上述的公式计算聚类出的每簇分形维数值，得到量化每簇的故障特征。根据每批次元器件的型号、数量、聚类的类别等因素，而选择不同边长的R、r₂值。

存储模块用来存储不同故障类型，便于预测模块判断批次元器件中存在故障类型，结构化数据文件便于数据、模型的更新。

预测模块接收某批次元器件的合并量化后稳定的故障特征，与所有故障类型进行拟合估计，拟合程度越好，说明该批次元器件存在该故障类型模式。

预测结果输出模块对预测模块的结果进行输出。

系统具体流程为：

步骤一：数据采集模块获取原始批次电子元器件测试数据文件，解析元器件数据中每个元数据信息，并将数据存储一份到存储模块。

步骤二：数据预处理模块接收到数据采集模块的数据文件，按照每种电性能参数标称值的公差范围对数据进行清洗，得到处理后干净的电性能参数数据，传送给故障诊断模型构建模块，同时也存储一份到存储模块。

步骤三：故障诊断模型构建模块对干净的电性能参数数据进行归一化处理，运用聚类算法进行聚类分析，再用分形几何学量化每次聚类出每簇的故障特征，依据一定合并、及判断原则，得到量化后故障特征存在最终故障类型，将最终量化后故障模式建立常规故障类型模式，将其存储到存储模块。

步骤四：预测模块接收某批次元器件的合并量化后稳定的故障特征，与从存储模块获取所有故障类型特征进行拟合估计，判断该批次元器件存在故障类型。

步骤五：对预测元器件故障类型的结果进行展示。

显然，本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (3)

1.一种基于数据分析预测的电子元器件故障诊断模型，其特征在于，包括数据采集模块、数据预处理模块、故障诊断模型构建模块、预测模块、存储模块和预测结果输出模块；

所述数据采集模块接收批次元器件输入的测试数据文件，得到故障预测的数据文件源，并储存一份到所述存储模块；

所述数据预处理模块接收所述故障预测的数据文件源后进行数据清洗和数据融合，得到干净结构化数据文件，并储存一份到所述存储模块；

所述故障诊断模型构建模块接收所述干净结构化数据文件后进行聚类，得到每簇类；对于每一簇类，运用分形几何学量化每簇类的分维数值，依据分维数规则确定的故障特征确定故障类型，将诊断出的不同故障类型数据存储一份到存储模块；

所述存储模块包括不同故障类型的文件系统和数据库；所述文件系统用于存储结构化数据，所述数据库用于存储故障样本数据；

所述预测模块接收所述不同故障类型并从所述数据库中提取常规故障类型，对比拟合所述接收批次元器件所属的故障类型，预测所述接收批次元器件存在的故障隐患类型；

所述预测结果输出模块接收所述接收批次元器件存在的故障隐患类型并进行可视化展示；

所述数据采集模块接收批次元器件输入的测试数据文件：

所述数据采集模块获取原始批次电子元器件测试数据文件，每一个文件中为一个批次的元器件数据，其中包括该批次元器件批次号、日期、序列号、标称电压、标称电容、大小、测试电压、评价、电性能参数及电性能参数公差；

所述故障诊断模型构建模块首先对干净结构化数据文件中的每个电性能参数，按照Max-min原理进行归一化处理，用于消除电性能参数取值范围的不同对聚出的类造成一定程度的偏差；

再对归一化后的电性能参数进行聚类分析，其中使用基于距离的非层次K-Means聚类算法，对于K＝2，3，4…N时，每一次K取值聚出的簇都用分形几何学计算每簇的分形维值D，得到每次K取值量化每簇的故障特征，按照每簇D数值大小、每簇的个数及每簇所在位置对各簇的D进行合并，比较每一次聚类合并后的量化故障特征与前一次是否有变化，如果有变化，将增加K次聚类，重新计算；如果在误差范围内没有变化，计算该K次聚类合并量化后每簇中各个参数的均值、方差、最小值、最大值，依据每簇中参数的最大值、最小值，辨识该批次元器件中存在故障类型，包括漏电流超差故障类型和ESR超差故障类型，再将每批次号元器件存在的故障类型存储一份到存储模块；

所述预测模块接收所述不同故障类型并从所述数据库中提取常规故障类型，对比拟合所述接收批次元器件所属的故障类型，拟合程度越好，说明该批次元器件存在该故障类型模式。

2.如权利要求1所述的基于数据分析预测的电子元器件故障诊断模型，其特征在于，所述预测模块通过比较批次数据的不同故障类型与相应常规故障类型的匹配度，得出接收批次元器件数据故障隐患类型。

3.如权利要求1所述的基于数据分析预测的电子元器件故障诊断模型，其特征在于，所述数据预处理模块接收所述故障预测的数据文件源后进行数据清洗和数据融合：

根据批次元器件每种电性能参数标称值的公差范围对批次元器件数据进行数据清洗，即每种电性能参数必须同时满足在标称值的公差范围之内才为合格数据，得到干净合格的电性能参数，便于后续挖掘批次数据存在的真实故障隐患类型。