CN111259338B - 元器件失效率修正方法、装置、计算机设备及存储介质 - Google Patents

元器件失效率修正方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111259338B
CN111259338B CN202010045857.0A CN202010045857A CN111259338B CN 111259338 B CN111259338 B CN 111259338B CN 202010045857 A CN202010045857 A CN 202010045857A CN 111259338 B CN111259338 B CN 111259338B
Authority
CN
China
Prior art keywords
failure
determining
working time
component
tested
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.)
Active
Application number
CN202010045857.0A
Other languages
English (en)
Other versions
CN111259338A (zh
Inventor
胡湘洪
聂国健
于迪
郑丽香
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Electronic Product Reliability and Environmental Testing Research Institute
Original Assignee
China Electronic Product Reliability and Environmental Testing Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Electronic Product Reliability and Environmental Testing Research Institute filed Critical China Electronic Product Reliability and Environmental Testing Research Institute
Priority to CN202010045857.0A priority Critical patent/CN111259338B/zh
Publication of CN111259338A publication Critical patent/CN111259338A/zh
Application granted granted Critical
Publication of CN111259338B publication Critical patent/CN111259338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Debugging And Monitoring (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请涉及一种元器件失效率修正方法、装置、计算机设备及存储介质，所述元器件失效率修正方法通过所述修正累积工作时长对所述待测试元器件组的历史失效率进行修正。在本申请实施例中，通过利用所述修正累积工作时长，在所述元器件的历史失效率基础上，通过所述修正累积工作时长引入所述元器件的真实使用环境或者预设使用环境，基于所述历史失效率，将新的环境条件引入至所述元器件失效率的预计过程中，从而使得得出的所述元器件失效率与真实值更加接近。解决了现有技术中存在的传统数理统计预计模型得到的失效率与实际失效率具有较大的预计偏差，达到了提高所述元器件失效率预计结果准确性的技术效果。

Description

元器件失效率修正方法、装置、计算机设备及存储介质
技术领域
本申请涉及元器件可靠性预计技术领域，特别是涉及一种元器件失效率修正方法、装置、计算机设备及存储介质。
背景技术
可靠性预计是元器件可靠性设计的主要工作项目之一，可靠性预计对预估元器件可靠性水平、定位薄弱环节、开展可靠性试验等的重要的支撑作用。可靠性预计实施的基础是建立元器件失效率预计模型，失效率预计模型通常由各种预计标准、手册等提供。
目前应用较多的失效率预计模型是传统数理统计预计模型，在传统数理统计预计模型中元器件失效率由基本失效率连乘多个影响系数得到。传统数理统计预计模型中不同影响系数在连乘过程中会协同放大或缩小，但在实际应用中，元器件失效可能是由多种失效机理诱发，不同的失效机理对不同应力的敏感性不同，失效部位也有不尽相同。因此，通过传统数理统计预计模型得到的失效率与实际失效率具有较大的预计偏差。
发明内容
基于此，有必要针对传统数理统计预计模型得到的失效率与实际失效率具有较大的预计偏差的问题，提供一种元器件失效率修正方法、装置、计算机设备及存储介质。
一种元器件失效率修正方法，所述方法包括：
获取待测试元器件组的历史失效率，其中，所述历史失效率符合伽马分布；
根据所述历史失效率确定所述伽马分布的形状参数和尺度参数；
确定所述待测试元器件组中失效元器件的数量，得到失效数量；
确定所述待测试元器件组的修正累积工作时长，所述修正累积工作时长用于表征修正后所述待测试元器件组中所有元器件实际工作时长的总和；
根据所述形状参数、所述尺度参数、所述失效数量和所述修正累积工作时长确定所述待测试元器件组的失效率。
在其中一个实施例中，所述根据所述形状参数、所述尺度参数、所述失效数量和所述修正累积工作时长确定所述待测试元器件组的失效率，包括：
计算所述形状参数和所述失效数量之和，得到第一累计和；
计算所述尺度参数和所述修正累积工作时长之和，得到第二累计和；
计算所述第一累计和与所述第二累计和的比值，得到所述待测试元器件组的失效率。
在其中一个实施例中，所述根据所述形状参数、所述尺度参数、所述失效数量和所述修正累积工作时长确定所述待测试元器件组的失效率，包括：
通过公式(1)确定所述待测试元器件组的失效率：
其中，E(λ')表示所述待测试元器件组的失效率，a表示所述形状参数，b表示所述尺度参数，r表示所述失效数量，T表示所述修正累积工作时长。
在其中一个实施例中，所述确定所述待测试元器件组的修正累积工作时长，包括：
确定所述待测试元器件组的环境参数和参考条件，所述环境参数用于表征所述待测试元器件组的预设使用环境；
根据所述环境参数和所述参考条件确定环境系数；
根据所述元器件类型确定所述失效元器件在不同应力下的加速系数，得到多个加速系数；
根据所述环境系数和所述多个加速系数确定转化系数；
获取所述待测试元器件组中所述失效元器件的第一实际累积工作时长，所述第一实际累积工作时长用于表征所述失效元器件原始工作时长的总和；
获取所述待测试元器件组中未失效元器件的第二实际累积工作时长和所述未失效元器件的未失效数量，所述第二实际累积工作时长用于表征所述未失效元器件原始工作时长的总和；
根据所述失效数量、所述第一实际累积工作时长、所述未失效数量、所述第二实际累积工作时长和所述转化系数确定所述修正累积工作时长。
在其中一个实施例中，所述根据所述失效数量、所述第一实际累积工作时长、所述未失效数量、所述第二实际累积工作时长和所述转化系数确定所述修正累积工作时长，包括：
通过公式(2)确定所述修正累积工作时长：
T＝(r×t1+R×t2)×CF (2)
其中，T表示所述修正累积工作时长，CF表示所述转化系数，r表示所述失效数量，t1表示所述第一实际累积工作时长，R表示所述未失效数量，t2表示所述第二实际累积工作时长。
在其中一个实施例中，所述根据所述环境系数和所述多个加速系数确定转化系数，包括：
通过公式(3)确定所述转化系数：
CF＝CFE×∏AFi (3)
其中，CF表示所述转化系数，CFE表示所述环境系数，AFi表示所述失效元器件在第i种诱发应力下的加速系数。
在其中一个实施例中，所述根据所述环境参数和所述参考条件确定环境系数，包括：
通过公式(4)确定所述环境系数：
CFE＝πE/πE0 (4)
其中，CFE表示所述环境系数，πE表示在所述环境参数下环境系数的取值，πE0表示在参考条件下环境系数的取值。
在其中一个实施例中，所述确定所述待测试元器件组中失效元器件的数量，得到失效数量，包括：
确定所述待测试元器件组中的所述失效元器件；
确定所述失效元器件中的诱发失效应力类型；
对所述失效元器件中的诱发失效应力进行筛检，以得到所述失效数量。
一种元器件失效率修正装置，包括：
历史失效率获取模块，用于获取待测试元器件组的历史失效率，其中，所述历史失效率符合伽马分布；
伽马分布参数确定模块，用于根据所述历史失效率确定所述伽马分布的形状参数和尺度参数；
失效数量确定模块，用于确定所述待测试元器件组中失效元器件的数量，得到失效数量；
修正累积工作时长确定模块，用于确定所述待测试元器件组的修正累积工作时长，所述修正累积工作时长用于表征修正后所述待测试元器件组中所有元器件实际工作时长的总和；
失效率确定模块，用于根据所述形状参数、所述尺度参数、所述失效数量和所述实际累积工作时长确定所述元器件组的失效率。
一种计算机设备，包括：包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本申请实施例提供了一种元器件失效率修正方法，通过所述修正累积工作时长对所述待测试元器件组的历史失效率进行修正。在本申请实施例中，通过利用所述修正累积工作时长，在所述元器件的历史失效率基础上，通过所述修正累积工作时长引入所述元器件的真实使用环境或者预设使用环境，基于所述历史失效率，将新的环境条件引入至所述元器件失效率的预计过程中，从而使得得出的所述元器件失效率与真实值更加接近。本申请实施例所述元器件失效率修正方法解决了传统数理统计预计模型得到的失效率与实际失效率具有较大的预计偏差的问题，达到了提高所述元器件失效率预计结果准确性的技术效果。
附图说明
图1为本申请一个实施例元器件失效率修正方法应用场景示意图；
图2为本申请一个实施例元器件失效率修正方法的流程示意图；
图3为本申请一个实施例元器件失效率修正方法的流程示意图；
图4为本申请一个实施例元器件失效率修正方法的流程示意图；
图5为本申请一个实施例元器件失效率修正方法的流程示意图；
图6为本申请一个实施例元器件失效率修正装置结构示意图。
附图标记说明：
10、元器件失效率修正装置；100、历史失效率获取模块；200、伽马分布参数确定模块；300、失效数量确定模块；400、修正累积工作时长确定模块；500、失效率确定模块。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下通过实施例，并结合附图，对本申请的一种元器件失效率修正方法、装置、计算机设备及存储介质进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
请参见图1，本申请实施例提供的元器件失效率修正方法可以应用于计算机设备，该计算机设备的内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种元器件失效率修正方法。
元器件是电子元器件的简称，所述元器件一般包括：电容器、晶体管、电阻等。所述元器件的应力一般包括：电应力、机械应力、温度应力、湿度应力等类型。本申请实施例元器件失效率修正方法适用于任何元器件失效率的预计、修正及失效率预计或修正模型的建立。本实施例所述元器件失效率修正方法可以设定多个不同的应力剖面，在不同的应力剖面对待测试元器件组的失效率进行检测、修正和预计。本实施例以所述元器件失效率修正方法应用于对电容器失效率的修正为例进行具体说明。
请参见图2，本申请一个实施例提供了一种元器件失效率修正方法，所述方法用于预计元器件的失效率。所述元器件失效率修正方法包括以下步骤：
S100，获取待测试元器件组的历史失效率，其中，所述历史失效率符合伽马分布。
所述待测试元器件组是指需要进行失效率测试和修正的一组元器件。所述待测试元器件可以是在一批产品，或者在一批产品中按一定规则进行选择出来的具有代表性的样品。所述待测试元器件组中的元器件可以为电阻、电容器等任意电子元器件，例如，电容器、电阻、二极管等。所述历史失效率是指所述元器件的伽马分布中的先验信息，即历史经验数据。所述历史失效率可以采用元器件失效率测试试验获取，也可以直接通过相关预计标准、手册、历史试验数据等获取。本实施例对于所述历史失效率的具体获取方式不作具体限定。伽玛分布Γ(a，b)是指统计学上的一种连续概率函数，包括两个参数，分别为形状参数a和尺度参数b。所述历史失效率一般采用指数假设，因此，本实施例所述历史失效率采用伽马分布作为先验分布。
S200，根据所述历史失效率确定所述伽马分布的形状参数和尺度参数。
所述形状参数和所述尺度参数用于表征所述历史失效率的分布特性，所述形状参数a可以取值为0.5、1、2等。所述尺度参数b可根据a/E(λ)得到，其中，E(λ)即为所述历史失效率。
S300，确定所述待测试元器件组中失效元器件的数量，得到失效数量。
所述失效元器件是指由于电应力、机械应力、温度应力等不同类型的应力作用而损坏的元器件。所述失效数量是指所述待测试元器件组中的所述失效元器件的数量，可以利用人为采集计数或者其他计数方式均可，本实施例不作具体限定。
S400，确定所述待测试元器件组的修正累积工作时长，所述修正累积工作时长用于表征修正后所述待测试元器件组中所有元器件实际工作时长的总和。
所述修正累积工作时长是指所述元器件在预设环境中的工作时长。所述修正累积工作时长可以采用现场采集的，也可以通过其他途径获取。例如可以先获取所述失效元器件在失效前的累积工作时间和未失效元器件的累积工作时间，然后对所获得的两种所述累积工作时长进行修正即可获得所述修正累积工作时长。本实施例对于所述修正累积工作时长的获取途径和方式不作任何限定，只需要可以得到用于表征修正后所述待测试元器件组中所有元器件实际工作时长的总和的所述修正累积工作时长参数即可。
S500，根据所述形状参数、所述尺度参数、所述失效数量和所述修正累积工作时长确定所述待测试元器件组的失效率。
所述待测试元器件组的失效率是指经修正后的所述元器件的失效率，用于表征所述待测试元器件组的真实失效率，便于在下次使用进行参考或者为所述元器件的设计提供元器件失效率的数据参考。所述待测试元器件组的失效率以所述历史失效率中的所述形状参数和所述尺度参数为基础，然后引入所述失效数量和所述修正累积工作时长，通过计算即可确定所述待测试元器件组的失效率。
本实施例提供了一种元器件失效率修正方法，通过所述修正累积工作时长对所述待测试元器件组的历史失效率进行修正。在本实施例中，通过利用所述修正累积工作时长，在所述元器件的历史失效率基础上，通过所述修正累积工作时长引入所述元器件的真实使用环境或者预设使用环境，基于所述历史失效率，将新的环境条件引入至所述元器件失效率的预计过程中，从而使得得出的所述元器件失效率与真实值更加接近。本实施例所述元器件失效率修正方法解决了传统数理统计预计模型得到的失效率与实际失效率具有较大的预计偏差的问题，达到了提高所述元器件失效率预计结果准确性的技术效果。
请参见图3，本实施例涉及根据所述形状参数、所述尺度参数、所述失效数量和所述修正累积工作时长确定所述待测试元器件组的失效率的一种可能的实现方式，即，所述步骤S500包括：
S510，计算所述形状参数和所述失效数量之和，得到第一累计和。
S520，计算所述尺度参数和所述修正累积工作时长之和，得到第二累计和。
S530，计算所述第一累计和与所述第二累计和的比值，得到所述待测试元器件组的失效率。
也就是说，所述第一累计和为所述形状参数a和所述失效数量r之和a+r，所述第二累计和为所述尺度参数b和所述失效累积工作时长T之和b+T，所述待测试元器件组的失效率为所述第一累计和a+r与所述第二累计和b+T的比值。
通过公式(1)确定所述待测试元器件组的失效率：
其中，E(λ')表示所述待测试元器件组的失效率，a表示所述形状参数，b表示所述尺度参数，r表示所述失效数量，T表示所述修正累积工作时长。
请参见图4，本实施例涉及确定所述待测试元器件组的修正累积工作时长，即，步骤S400包括：
S410，确定所述待测试元器件组的环境参数和参考条件，所述环境参数用于表征所述待测试元器件组的预设使用环境。
所述环境参数用于表征所述待测试元器件组的预设使用环境，所述环境参数可以包括所述待测试元器件组的所述预设使用环境中的任何参数，例如：温度、湿度、安装位置与方式等。所述参考条件是指所述待测试元器件组的预设应力环境条件，用于表征所述待测试元器件组的在实际使用中所承受的应力情况，例如电应力、机械应力、温度应力、湿度应力等。
S420，根据所述环境参数和所述参考条件确定环境系数。
所述环境系数是结合所述环境参数和所述参考条件所确定的，可以用于同时表征所述待测试元器件组的使用环境和应力条件。所述环境系数可以通过试验获取的数据计算确定，也可以采用历史经验数据和预设应力条件相结合确定。本实施例对于所述环境系数的确定不作任何限定，只需要可以根据所述环境参数和所述参考条件确定即可。在一个具体的实施例中，所述步骤S420包括：
通过公式(4)确定所述环境系数：
CFE＝πE/πE0 (4)
其中，CFE表示所述环境系数，πE表示在所述环境参数下环境系数的取值，πE0表示在参考条件下环境系数的取值。
S430，根据所述元器件类型确定所述失效元器件在不同应力下的加速系数，得到多个加速系数。
所述加速系数可以通过试验获取，也可以根据所述元器件类型和不同诱发应力在历史经验数据中直接获取。所述加速系数用于表征所述元器件实际的诱发应力水平相较参考条件下应力量值对所述元器件失效的加速能力。
S440，根据所述环境系数和所述多个加速系数确定转化系数。
所述转化系数引入了环境条件和应力条件两方面的矫正参数，用于表征所述待测试元器件组受到使用环境和实际应力对所述元器件的影响程度。在一个具体的实施例中，所述步骤S440包括：
通过公式(3)确定所述转化系数：
CF＝CFE×∏AFi (3)
其中，CF表示所述转化系数，CFE表示所述环境系数，AFi表示所述失效元器件在第i种诱发应力下的加速系数。
S450，获取所述待测试元器件组中所述失效元器件的第一实际累积工作时长，所述第一实际累积工作时长用于表征所述失效元器件原始检测的工作时长的总和。
所述第一实际累积工作时长是作为所述元器件失效率修正的基础数据，是指原始的、未经修正前直接从所述待测试元器件组中采集而来的所述失效元器件的实际累积工作时长。所述第一实际累积工作时长可以通过试验采集获取，也可以通过历史经验数据直接获取。本实施例对于获取所述待测试元器件组中所述失效元器件的第一实际累积工作时长的具体方式不作任何限定，只需要可以获取所述待测试元器件组中所述失效元器件的第一实际累积工作时长即可。
S460，获取所述待测试元器件组中未失效元器件的第二实际累积工作时长和所述未失效元器件的未失效数量，所述第二实际累积工作时长用于表征所述未失效元器件原始检测的工作时长的总和。
所述第二实际累积工作时长是作为所述元器件失效率修正的基础数据，是指原始的、未经修正前直接从所述待测试元器件组中采集而来的所述未失效元器件的实际累积工作时长。所述第二实际累积工作时长可以通过试验采集获取，也可以通过历史经验数据直接获取。本实施例对于获取所述待测试元器件组中所述未失效元器件的第二实际累积工作时长的具体方式不作任何限定，只需要可以获取所述待测试元器件组中所述未失效元器件的第二实际累积工作时长即可。
S470，根据所述失效数量、第一实际累积工作时长、所述未失效数量、第二实际累积工作时长和所述转化系数确定所述修正累积工作时长。在一个具体的实施例中，所述步骤S470包括：
通过公式(2)确定所述修正累积工作时长：
T＝(r×t1+R×t2)×CF (2)
其中，T表示所述修正累积工作时长，CF表示所述转化系数，r表示所述失效数量，t1表示所述第一实际累积工作时长，R表示所述未失效数量，t2表示所述第二实际累积工作时长。
请参见图5，在一个实施例中，所述步骤S300包括：
S310，确定所述待测试元器件组中的所述失效元器件。
所述待测试元器件组中元器件数量较多，在长期工作过程中，有的元器件正常工作，有的元器件因为诱发应力等其他原因而被损坏，所述失效元器件是指被损坏而无法正常工作的元器件。
S320，确定所述失效元器件中的诱发失效应力类型。
所述诱发失效应力是指导致所述元器件失效的原因，一般包括电应力、机械应力、温度应力等不同类型。
S330，对所述失效元器件中的诱发失效应力进行筛检，以得到所述失效数量。
导致所述元器件失效原因较多，例如诱发失效应力、使用环境、甚至人为因素等。本实施例对所述失效元器件中所述诱发应力进行筛检，去除由于人为原因或者其例如机械应力等原因导致失效的所述元器件，然后统计所述失效元器件中和预设诱发应力类型相同类型失效元器件的数量，从而得到所述失效数量。
在一个具体的实施例中，例如选取待测试元器件组包括300只固体钽电容，在300只所述固体钽电容中，所述失效数量为299只。所述固体钽电容历史失效率中所述伽马分布的形状参数a取值为0.5，所述固体钽电容的历史失效率取值为0.57Fit。故，所述尺度参数b＝0.5/0.57Fit＝8.77×108。所述修正累积时长T＝5910030小时，则，所述固体钽电容，即所述待测试元器件组的失效率：
而现有所述历史失效率为0.57Fit，经现场数据进行计算获得所述元器件失效率结果为：
由此可见，经修正后的该型号的所述固体钽电容在预设条件下的失效率为1.7Fit。由于现场数据量样本量较少，其可信性相对较低，如果直接采用可能会引入较大误差。且现场估计结果相较所述历史失效率结果存在显著差异，通过本实施例所述元器件失效率修正方法对所述历史失效率进行修正更新后的所述待测试元器件组的失效率更加接近实际水平。将通过本实施例所述元器件失效率修正方法确定的所述待测试元器件组的失效率应用于后续所述元器件的可靠性预计工作中，为所述元器件的预计结果，提供更为广泛的支撑效用。此外，随着所述参考条件和环境条件的不断累积可以对所述待测试元器件组的失效率进行迭代修正，有利于提高所述待测试元器件组的失效率的预计准确性。
应该理解的是，虽然流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参见图6，本申请一个实施例提供了一种元器件失效率修正装置10，包括：历史失效率获取模块100、伽马分布参数确定模块200、失效数量确定模块300、修正累积工作时长确定模块400和失效率确定模块500。
所述历史失效率获取模块100用于获取待测试元器件组的历史失效率，其中，所述历史失效率符合伽马分布；
所述伽马分布参数确定模块200用于根据所述历史失效率确定所述伽马分布的形状参数和尺度参数；
所述失效数量确定模块300用于确定所述待测试元器件组中失效元器件的数量，得到失效数量；
所述修正累积工作时长确定模块400用于确定所述待测试元器件组的修正累积工作时长，所述修正累积工作时长用于表征修正后所述待测试元器件组中所有元器件实际工作时长的总和；
所述失效率确定模块500用于根据所述形状参数、所述尺度参数、所述失效数量和所述修正累积工作时长确定所述待测试元器件组的失效率。
在一个实施例中，所述失效率确定模块500具体用于计算所述形状参数和所述失效数量之和，得到第一累计和；计算所述尺度参数和所述修正累积工作时长之和，得到第二累计和；计算所述第一累计和与所述第二累计和的比值，得到所述待测试元器件组的失效率。
所述失效率确定模块500还用于通过公式(1)确定所述待测试元器件组的失效率：
其中，E(λ')表示所述待测试元器件组的失效率，a表示所述形状参数，b表示所述尺度参数，r表示所述失效数量，T表示所述修正累积工作时长。
在一个实施例中，所述修正累积工作时长确定模块400具体用于确定所述待测试元器件组的环境参数和参考条件，所述环境参数用于表征所述待测试元器件组的预设使用环境；根据所述环境参数和所述参考条件确定环境系数；根据所述元器件类型确定所述失效元器件在不同应力下的加速系数，得到多个加速系数；根据所述环境系数和所述多个加速系数确定转化系数；获取所述待测试元器件组中所述失效元器件的第一实际累积工作时长，所述第一实际累积工作时长用于表征所述失效元器件原始检测的工作时长的总和；获取所述待测试元器件组中未失效元器件的第二实际累积工作时长和所述未失效元器件的未失效数量，所述第二实际累积工作时长用于表征所述未失效元器件原始检测的工作时长的总和；根据所述失效数量、所述第一实际累积工作时长、所述未失效数量、所述第二实际累积工作时长和所述转化系数确定所述修正累积工作时长。
在一个实施例中，所述修正累积工作时长确定模块400具体用于根据所述失效数量、第一实际累积工作时长、所述未失效数量、第二实际累积工作时长和所述转化系数确定所述修正累积工作时长，包括：通过公式(2)确定所述修正累积工作时长：
T＝(r×t1+R×t2)×CF (2)
其中，T表示所述修正累积工作时长，CF表示所述转化系数，r表示所述失效数量，t1表示所述第一实际累积工作时长，R表示所述未失效数量，t2表示所述第二实际累积工作时长。
在一个实施例中，所述修正累积工作时长确定模块400具体用于根据所述环境系数和所述多个加速系数确定转化系数，包括：
通过公式(3)确定所述转化系数：
CF＝CFE×∏AFi (3)
其中，CF表示所述转化系数，CFE表示所述环境系数，AFi表示所述失效元器件在第i种诱发应力下的加速系数。
在一个实施例中，所述修正累积工作时长确定模块400具体用于根据所述环境参数和所述参考条件确定环境系数，包括：通过公式(4)确定所述环境系数：
CFE＝πE/πE0 (4)
其中，CFE表示所述环境系数，πE表示在所述环境参数下环境系数的取值，πE0表示在参考条件下环境系数的取值。
在一个实施例中，所述失效数量确定模块300具体用于确定所述待测试元器件组中的所述失效元器件；确定所述失效元器件中的诱发失效应力类型；对所述失效元器件中的诱发失效应力进行筛检，以得到所述失效数量。
关于所述元器件失效率修正装置10的具体限定可以参见上文中对于元器件失效率修正方法的限定，在此不再赘述。上述所述元器件失效率修正装置10中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括：包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
获取待测试元器件组的历史失效率，其中，所述历史失效率符合伽马分布；
根据所述历史失效率确定所述伽马分布的形状参数和尺度参数；
确定所述待测试元器件组中失效元器件的数量，得到失效数量；
确定所述待测试元器件组的修正累积工作时长，所述修正累积工作时长用于表征修正后所述待测试元器件组中所有元器件实际工作时长的总和；
根据所述形状参数、所述尺度参数、所述失效数量和所述修正累积工作时长确定所述待测试元器件组的失效率。
在一个实施例中，处理器执行计算机程序时还实现：计算所述形状参数和所述失效数量之和，得到第一累计和；计算所述尺度参数和所述修正累积工作时长之和，得到第二累计和；计算所述第一累计和与所述第二累计和的比值，得到所述待测试元器件组的失效率。
在一个实施例中，处理器执行计算机程序时还实现：通过公式(1)确定所述待测试元器件组的失效率：
其中，E(λ')表示所述待测试元器件组的失效率，a表示所述形状参数，b表示所述尺度参数，r表示所述失效数量，T表示所述修正累积工作时长。
在一个实施例中，处理器执行计算机程序时还实现：确定所述待测试元器件组的环境参数和参考条件，所述环境参数用于表征所述待测试元器件组的预设使用环境；根据所述环境参数和所述参考条件确定环境系数；根据所述元器件类型确定所述失效元器件在不同应力下的加速系数，得到多个加速系数；根据所述环境系数和所述多个加速系数确定转化系数；获取所述待测试元器件组中所述失效元器件的第一实际累积工作时长，所述第一实际累积工作时长用于表征所述失效元器件原始检测的工作时长的总和；获取所述待测试元器件组中未失效元器件的第二实际累积工作时长和所述未失效元器件的未失效数量，所述第二实际累积工作时长用于表征所述未失效元器件原始检测的工作时长的总和；根据所述失效数量、所述第一实际累积工作时长、所述未失效数量、所述第二实际累积工作时长和所述转化系数确定所述修正累积工作时长。
在一个实施例中，处理器执行计算机程序时还实现：通过公式(2)确定所述修正累积工作时长：
T＝(r×t1+R×t2)×CF (2)
其中，T表示所述修正累积工作时长，CF表示所述转化系数，r表示所述失效数量，t1表示所述第一实际累积工作时长，R表示所述未失效数量，t2表示所述第二实际累积工作时长。
在一个实施例中，处理器执行计算机程序时还实现：通过公式(3)确定所述转化系数：
CF＝CFE×∏AFi (3)
其中，CF表示所述转化系数，CFE表示所述环境系数，AFi表示所述失效元器件在第i种诱发应力下的加速系数。
在一个实施例中，处理器执行计算机程序时还实现：通过公式(4)确定所述环境系数：
CFE＝πE/πE0 (4)
其中，CFE表示所述环境系数，πE表示在所述环境参数下环境系数的取值，πE0表示在参考条件下环境系数的取值。
在一个实施例中，处理器执行计算机程序时还实现：确定所述待测试元器件组中的所述失效元器件；确定所述失效元器件中的诱发失效应力类型；对所述失效元器件中的诱发失效应力进行筛检，以得到所述失效数量。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
获取待测试元器件组的历史失效率，其中，所述历史失效率符合伽马分布；
根据所述历史失效率确定所述伽马分布的形状参数和尺度参数；
确定所述待测试元器件组中失效元器件的数量，得到失效数量；
确定所述待测试元器件组的修正累积工作时长，所述修正累积工作时长用于表征修正后所述待测试元器件组中所有元器件实际工作时长的总和；
根据所述形状参数、所述尺度参数、所述失效数量和所述修正累积工作时长确定所述待测试元器件组的失效率。
在一个实施例中，计算机程序被处理器执行时还实现：计算所述形状参数和所述失效数量之和，得到第一累计和；计算所述尺度参数和所述修正累积工作时长之和，得到第二累计和；计算所述第一累计和与所述第二累计和的比值，得到所述待测试元器件组的失效率。
在一个实施例中，计算机程序被处理器执行时还实现：通过公式(1)确定所述待测试元器件组的失效率：
其中，E(λ')表示所述待测试元器件组的失效率，a表示所述形状参数，b表示所述尺度参数，r表示所述失效数量，T表示所述修正累积工作时长。
在一个实施例中，计算机程序被处理器执行时还实现：确定所述待测试元器件组的环境参数和参考条件，所述环境参数用于表征所述待测试元器件组的预设使用环境；根据所述环境参数和所述参考条件确定环境系数；根据所述元器件类型确定所述失效元器件在不同应力下的加速系数，得到多个加速系数；根据所述环境系数和所述多个加速系数确定转化系数；获取所述待测试元器件组中所述失效元器件的第一实际累积工作时长，所述第一实际累积工作时长用于表征所述失效元器件原始检测的工作时长的总和；获取所述待测试元器件组中未失效元器件的第二实际累积工作时长和所述未失效元器件的未失效数量，所述第二实际累积工作时长用于表征所述未失效元器件原始检测的工作时长的总和；根据所述失效数量、所述第一实际累积工作时长、所述未失效数量、所述第二实际累积工作时长和所述转化系数确定所述修正累积工作时长。
在一个实施例中，计算机程序被处理器执行时还实现：通过公式(2)确定所述修正累积工作时长：
T＝(r×t1+R×t2)×CF (2)
其中，T表示所述修正累积工作时长，CF表示所述转化系数，r表示所述失效数量，t1表示所述第一实际累积工作时长，R表示所述未失效数量，t2表示所述第二实际累积工作时长。
在一个实施例中，计算机程序被处理器执行时还实现：通过公式(3)确定所述转化系数：
CF＝CFE×∏AFi (3)
其中，CF表示所述转化系数，CFE表示所述环境系数，AFi表示所述失效元器件在第i种诱发应力下的加速系数。
在一个实施例中，计算机程序被处理器执行时还实现：通过公式(4)确定所述环境系数：
CFE＝πE/πE0 (4)
其中，CFE表示所述环境系数，πE表示在所述环境参数下环境系数的取值，πE0表示在参考条件下环境系数的取值。
在一个实施例中，计算机程序被处理器执行时还实现：确定所述待测试元器件组中的所述失效元器件；确定所述失效元器件中的诱发失效应力类型；对所述失效元器件中的诱发失效应力进行筛检，以得到所述失效数量。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种元器件失效率修正方法，其特征在于，所述方法包括：
获取待测试元器件组的历史失效率，其中，所述历史失效率符合伽马分布；
根据所述历史失效率确定所述伽马分布的形状参数和尺度参数；
确定所述待测试元器件组中失效元器件的数量，得到失效数量；
确定所述待测试元器件组的修正累积工作时长，所述修正累积工作时长用于表征修正后所述待测试元器件组中所有元器件实际工作时长的总和；
根据所述形状参数、所述尺度参数、所述失效数量和所述修正累积工作时长确定所述待测试元器件组的失效率；
其中，所述根据所述形状参数、所述尺度参数、所述失效数量和所述修正累积工作时长确定所述待测试元器件组的失效率，包括：
计算所述形状参数和所述失效数量之和，得到第一累计和；
计算所述尺度参数和所述修正累积工作时长之和，得到第二累计和；
计算所述第一累计和与所述第二累计和的比值，得到所述待测试元器件组的失效率。
2.根据权利要求1所述的元器件失效率修正方法，其特征在于，所述确定所述待测试元器件组的修正累积工作时长，包括：
确定所述待测试元器件组的环境参数和参考条件，所述环境参数用于表征所述待测试元器件组的预设使用环境；
根据所述环境参数和所述参考条件确定环境系数；
根据所述元器件类型确定所述失效元器件在不同应力下的加速系数，得到多个加速系数；
根据所述环境系数和所述多个加速系数确定转化系数；
获取所述待测试元器件组中所述失效元器件的第一实际累积工作时长，所述第一实际累积工作时长用于表征所述失效元器件原始工作时长的总和；
获取所述待测试元器件组中未失效元器件的第二实际累积工作时长和所述未失效元器件的未失效数量，所述第二实际累积工作时长用于表征所述未失效元器件原始工作时长的总和；
根据所述失效数量、所述第一实际累积工作时长、所述未失效数量、所述第二实际累积工作时长和所述转化系数确定所述修正累积工作时长；
所述根据所述失效数量、所述第一实际累积工作时长、所述未失效数量、所述第二实际累积工作时长和所述转化系数确定所述修正累积工作时长，包括：
通过公式（2）确定所述修正累积工作时长：
（2）
其中，T表示所述修正累积工作时长，CF表示所述转化系数，r表示所述失效数量，t1表示所述第一实际累积工作时长，R表示所述未失效数量，t2表示所述第二实际累积工作时长；
所述根据所述环境系数和所述多个加速系数确定转化系数，包括：
通过公式（3）确定所述转化系数：
（3）
其中，CF表示所述转化系数，CFE表示所述环境系数，AF i 表示所述失效元器件在第i种诱发应力下的加速系数；
所述根据所述环境参数和所述参考条件确定环境系数，包括：
通过公式（4）确定所述环境系数：
（4）
其中，CFE表示所述环境系数，πE表示在所述环境参数下环境系数的取值，πE0表示在参考条件下环境系数的取值。
3.根据权利要求1所述的元器件失效率修正方法，其特征在于，所述确定所述待测试元器件组中失效元器件的数量，得到失效数量，包括：
确定所述待测试元器件组中的所述失效元器件；
确定所述失效元器件中的诱发失效应力类型；
对所述失效元器件中的诱发失效应力进行筛检，以得到所述失效数量；
其中，所述对所述失效元器件中的诱发失效应力进行筛检，以得到所述失效数量，包括：去除失效的所述元器件；统计所述失效元器件中和预设诱发应力类型相同的失效元器件的数量，从而得到所述失效数量。
4.根据权利要求1所述的元器件失效率修正方法，其特征在于，所述确定所述待测试元器件组的修正累积工作时长，包括：
获取所述失效元器件在失效前的累积工作时间和未失效元器件的累积工作时间；
对所获得的所述失效元器件在失效前的累积工作时间和所述未失效元器件的累积工作时间进行修正，获得修正累积工作时长。
5.根据权利要求1所述的元器件失效率修正方法，其特征在于，所述形状参数和所述尺度参数用于表征所述历史失效率的分布特性。
6.一种元器件失效率修正装置，其特征在于，包括：
历史失效率获取模块，用于获取待测试元器件组的历史失效率，其中，所述历史失效率符合伽马分布；
伽马分布参数确定模块，用于根据所述历史失效率确定所述伽马分布的形状参数和尺度参数；
失效数量确定模块，用于确定所述待测试元器件组中失效元器件的数量，得到失效数量；
修正累积工作时长确定模块，用于确定所述待测试元器件组的修正累积工作时长，所述修正累积工作时长用于表征修正后所述待测试元器件组中所有元器件实际工作时长的总和；
失效率确定模块，用于根据所述形状参数、所述尺度参数、所述失效数量和所述实际累积工作时长确定所述元器件组的失效率；
其中，所述根据所述形状参数、所述尺度参数、所述失效数量和所述修正累积工作时长确定所述待测试元器件组的失效率，包括：
计算所述形状参数和所述失效数量之和，得到第一累计和；
计算所述尺度参数和所述修正累积工作时长之和，得到第二累计和；
计算所述第一累计和与所述第二累计和的比值，得到所述待测试元器件组的失效率。
7.根据权利要求6所述的元器件失效率修正装置，其特征在于，所述修正累积工作时长确定模块还用于，
确定所述待测试元器件组的环境参数和参考条件，所述环境参数用于表征所述待测试元器件组的预设使用环境；
根据所述环境参数和所述参考条件确定环境系数；
根据所述元器件类型确定所述失效元器件在不同应力下的加速系数，得到多个加速系数；
根据所述环境系数和所述多个加速系数确定转化系数；
获取所述待测试元器件组中所述失效元器件的第一实际累积工作时长，所述第一实际累积工作时长用于表征所述失效元器件原始工作时长的总和；
获取所述待测试元器件组中未失效元器件的第二实际累积工作时长和所述未失效元器件的未失效数量，所述第二实际累积工作时长用于表征所述未失效元器件原始工作时长的总和；
根据所述失效数量、所述第一实际累积工作时长、所述未失效数量、所述第二实际累积工作时长和所述转化系数确定所述修正累积工作时长；
所述根据所述失效数量、所述第一实际累积工作时长、所述未失效数量、所述第二实际累积工作时长和所述转化系数确定所述修正累积工作时长，包括：
通过公式（2）确定所述修正累积工作时长：
（2）
其中，T表示所述修正累积工作时长，CF表示所述转化系数，r表示所述失效数量，t1表示所述第一实际累积工作时长，R表示所述未失效数量，t2表示所述第二实际累积工作时长；
所述根据所述环境系数和所述多个加速系数确定转化系数，包括：
通过公式（3）确定所述转化系数：
（3）
其中，CF表示所述转化系数，CFE表示所述环境系数，AF i 表示所述失效元器件在第i种诱发应力下的加速系数；
所述根据所述环境参数和所述参考条件确定环境系数，包括：
通过公式（4）确定所述环境系数：
（4）
其中，CFE表示所述环境系数，πE表示在所述环境参数下环境系数的取值，πE0表示在参考条件下环境系数的取值。
8.根据权利要求6所述的元器件失效率修正装置，其特征在于，所述失效数量确定模块具体用于确定所述待测试元器件组中的所述失效元器件；确定所述失效元器件中的诱发失效应力类型；对所述失效元器件中的诱发失效应力进行筛检，以得到所述失效数量；
其中，所述对所述失效元器件中的诱发失效应力进行筛检，以得到所述失效数量，包括：去除失效的所述元器件；统计所述失效元器件中和预设诱发应力类型相同的失效元器件的数量，从而得到所述失效数量。
9.一种计算机设备，包括：包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202010045857.0A 2020-01-16 2020-01-16 元器件失效率修正方法、装置、计算机设备及存储介质 Active CN111259338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010045857.0A CN111259338B (zh) 2020-01-16 2020-01-16 元器件失效率修正方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010045857.0A CN111259338B (zh) 2020-01-16 2020-01-16 元器件失效率修正方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111259338A CN111259338A (zh) 2020-06-09
CN111259338B true CN111259338B (zh) 2023-09-05

Family

ID=70946987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010045857.0A Active CN111259338B (zh) 2020-01-16 2020-01-16 元器件失效率修正方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111259338B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112667957A (zh) * 2020-12-03 2021-04-16 国网天津市电力公司营销服务中心 一种基于深度神经网络的智能电能表失效率预测方法
CN112686397B (zh) * 2020-12-18 2024-06-11 广东机电职业技术学院 空调器故障率计算方法、装置、计算机设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258245A (zh) * 2013-05-10 2013-08-21 北京航空航天大学 一种新的电子产品失效率预计修正方法
CN104143037A (zh) * 2013-05-10 2014-11-12 北京圣涛平试验工程技术研究院有限责任公司 航天器器件位移损伤失效率测算方法
CN104143038A (zh) * 2013-05-10 2014-11-12 北京圣涛平试验工程技术研究院有限责任公司 敏感器件总剂量效应失效率的测算方法
CN107784148A (zh) * 2016-08-31 2018-03-09 中国石油化工股份有限公司 一种集输管道失效率评估方法及装置
CN109709507A (zh) * 2018-12-24 2019-05-03 博众精工科技股份有限公司 基于失效率等级的智能电能表可靠性预计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239694B (zh) * 2014-08-28 2016-11-23 北京交通大学 一种城轨列车转向架的故障预测与视情维修方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258245A (zh) * 2013-05-10 2013-08-21 北京航空航天大学 一种新的电子产品失效率预计修正方法
CN104143037A (zh) * 2013-05-10 2014-11-12 北京圣涛平试验工程技术研究院有限责任公司 航天器器件位移损伤失效率测算方法
CN104143038A (zh) * 2013-05-10 2014-11-12 北京圣涛平试验工程技术研究院有限责任公司 敏感器件总剂量效应失效率的测算方法
CN107784148A (zh) * 2016-08-31 2018-03-09 中国石油化工股份有限公司 一种集输管道失效率评估方法及装置
CN109709507A (zh) * 2018-12-24 2019-05-03 博众精工科技股份有限公司 基于失效率等级的智能电能表可靠性预计方法

Also Published As

Publication number Publication date
CN111259338A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
CN111123188A (zh) 基于改进最小二乘法的电能表综合检定方法及系统
CN112732785A (zh) 时序数据异常检测方法、装置、设备及存储介质
CN111259338B (zh) 元器件失效率修正方法、装置、计算机设备及存储介质
KR101223898B1 (ko) 태양광 발전모듈의 고장 진단 및 예지 방법
CN111881023B (zh) 一种基于多模型对比的软件老化预测方法及装置
CN112257755A (zh) 航天器运行状态的分析方法和装置
EP2347311A1 (en) Robust filtering and prediction using switching models for machine condition monitoring
CN112100574A (zh) 一种基于重采样的aakr模型不确定度计算方法及系统
CN110866682B (zh) 基于历史数据的地下电缆预警方法和装置
CN113723861A (zh) 异常用电行为检测方法、装置、计算机设备和存储介质
CN114371408A (zh) 电池荷电状态的估算方法、充电曲线的提取方法及装置
CN115795928A (zh) 基于伽马过程的加速退化试验数据处理方法和装置
CN117237678B (zh) 用电行为异常检测方法、装置、设备及存储介质
CN110737587A (zh) 一种基于测试案例的测试方法、装置、存储介质和服务器
CN111258854B (zh) 模型训练方法、基于预测模型的报警方法和相关装置
CN111274687B (zh) 元器件失效率预计方法、装置、计算机设备及存储介质
CN113434823B (zh) 数据采集任务异常预警方法、装置、计算机设备和介质
CN114083987B (zh) 电池监测参数的修正方法、装置和计算机设备
CN114138634B (zh) 测试用例的选取方法、装置、计算机设备和存储介质
CN114185882A (zh) 一种不良数据修正方法、装置、存储介质及电子设备
JP2020047847A (ja) データ処理方法、データ処理装置、およびデータ処理プログラム
CN110245844B (zh) 异常指标检测方法及装置
CN112949951A (zh) 数据预测方法、装置、电子设备及存储介质
CN112799911A (zh) 一种节点健康状态检测方法、装置、设备及存储介质
CN112685449A (zh) 一种热力系统性能计算方法、装置及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant