CN111625990B - 电子整机贮存寿命持续评价方法及装置 - Google Patents
电子整机贮存寿命持续评价方法及装置 Download PDFInfo
- Publication number
- CN111625990B CN111625990B CN202010298002.9A CN202010298002A CN111625990B CN 111625990 B CN111625990 B CN 111625990B CN 202010298002 A CN202010298002 A CN 202010298002A CN 111625990 B CN111625990 B CN 111625990B
- Authority
- CN
- China
- Prior art keywords
- complete machine
- storage
- model
- electronic complete
- electronic
- 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
Links
- 238000003860 storage Methods 0.000 title claims abstract description 392
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000015556 catabolic process Effects 0.000 claims abstract description 112
- 238000006731 degradation reaction Methods 0.000 claims abstract description 112
- 238000013210 evaluation model Methods 0.000 claims abstract description 53
- 238000003062 neural network model Methods 0.000 claims description 46
- 238000011156 evaluation Methods 0.000 claims description 31
- 238000012423 maintenance Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000013500 data storage Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 235000006679 Mentha X verticillata Nutrition 0.000 claims description 5
- 235000002899 Mentha suaveolens Nutrition 0.000 claims description 5
- 235000001636 Mentha x rotundifolia Nutrition 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 239000000047 product Substances 0.000 description 74
- 230000001133 acceleration Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010998 test method Methods 0.000 description 4
- 238000012356 Product development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
Abstract
本申请涉及一种电子整机贮存寿命持续评价方法及装置。电子整机贮存寿命评价方法，通过建立电子整机贮存寿命的评价模型，明确了贮存寿命特征参数的确定方法。电子整机贮存寿命评价方法还建立了退化与误差逆传播算法模型，并选取误差最小的模型作为贮存寿命预测模型。进一步结合上述确定的电子整机贮存寿命的评价模型，得出电子整机的贮存寿命。电子整机贮存寿命评价方法，建立了贮存寿命特征参数与贮存寿命和可靠度的关系模型，为有效评价产品贮存寿命奠定了重要基础。
Description
技术领域
本申请涉及电子产品系统可靠性技术领域，特别是涉及一种电子整机贮存寿命评价方法及装置。
背景技术
随着中国制造业的快速发展，高可靠性、长寿命电子产品的贮存寿命评价技术得到广泛关注。了解电子产品寿命底数，对制定产品维修保障策略、市场布局和新产品研制计划等均具有重要意义。研究发现，通常产品的维修保障费用占其寿命周期总成本的30％至70％。通过合理研究产品的寿命评价策略，准确摸清产品寿命底数，可以合理制定产品保修期并提前中修、大修等维修保障措施以降低维修成本和产品使用风险。同时，根据产品到寿情况提前安排延寿策略或新产品研制计划，降低市场流失风险。
传统的，产品贮存寿命评价方法通常通过开展加速试验或综合评估的方式开展，一次性给出较长的寿命评估值，忽略了贮存期间环境等各种因素的影响，评价误差较大。其一，采用加速试验的方法评价产品的贮存寿命。加速试验的方法是通过提高贮存时的环境应力水平，加速电子产品贮存失效，以通过加速模型在较短的时间内给出较长的寿命评估值。但是，加速试验的方法，首先均要投入较多的试验样本以得到加速模型参数，其次需要投入至少两个样本开展较长时间的加速试验。此外，由于试验样本通常很难达到较高的一致性，即使建立了加速模型，通过试验得到的加速因子也会存在一定偏差，而微小的加速因子变化即为带来大的产品贮存寿命波动。因此，电子产品贮存寿命加速试验方法很难准确得到加速模型参数，而加速因子的微小差异即会带来很大的贮存寿命评估误差。其二，基于电子产品的性能数据退化趋势进行寿命预测。电子产品的性能数据是其产品状态的直观表现，通过直接预测产品性能数据的失效时间作为寿命值符合黑箱理论。即不管产品贮存期间的环境、状态等因素发生了何种变化，最终都能通过性能数据的变化趋势展现出来。传统方法中通过模型优化检验的方法从指数、威布尔和对数正态模型中选取最优的预测模型。虽然这些模型对于有确定变化趋势的数据拟合具有一定的效果，但当数据存在一定随机性时，通常预测偏差较大。
发明内容
基于此，有必要针对传统的产品贮存寿命评价方法中贮存寿命评估误差较大的问题，提供一种电子整机贮存寿命评价方法及装置。
一种电子整机贮存寿命评价方法，对电子整机的贮存寿命进行持续性评价，所述电子整机贮存寿命评价方法包括：
判断能否获取所述电子整机贮存期间的特征参数，并根据判断结果确定电子整机贮存寿命的评价模型；
获取输入数据，并将所述输入数据按照时间顺序从小到大进行排列；
验证所述输入数据的有效性，所述输入数据的有效性通过判断在规定时间内是否有退化趋势进行验证；
若所述输入数据具有退化趋势，则根据具有退化趋势的所述输入数据确定退化与误差逆传播算法模型，并选取误差最小的模型作为贮存寿命预测模型；
将所述电子整机贮存期间的特征参数或者所述电子整机贮存可靠度输入至所述贮存寿命预测模型，并结合上述确定的所述电子整机贮存寿命的评价模型，得出所述电子整机的贮存寿命。
在一个实施例中，当不能获取电子整机贮存期间的特征参数时，所述电子整机贮存寿命的评价模型，满足以下公式：
LC＝min(T(R(t)＝R0),T(C(t)＝C0)) (1)
其中，LC代表所述电子整机贮存寿命；T代表所述电子整机的贮存时间t的函数，R(t)是所述电子整机贮存到时间t的可靠度，R0是所述电子整机的贮存可靠度最低可接受值；C(t)是所述电子整机贮存到时间t为所述电子整机出现故障时的维修费用，C0是所述电子整机允许的最高维修费用。
在一个实施例中，当能获取电子整机贮存期间的特征参数时，所述电子整机贮存寿命的评价模型，满足以下公式：
LC＝T(R(mint(Mi0))＝R0) (2)
其中，LC代表所述电子整机贮存寿命；T代表产品的贮存时间t的函数，t(Mi0)代表产品的第i个贮存寿命特征参数Mi达到其失效阈值Mi0的时间；R0是产品的贮存可靠度最低可接受值。
在一个实施例中，所述电子整机贮存寿命的特征参数的确定步骤包括：
对所述电子整机进行故障模式及影响分析和危害性分析；
确定所述电子整机的严酷度等级，所述严酷度等级分为Ⅰ级、Ⅱ级、Ⅲ级和Ⅳ级；
将所述电子整机的严酷度等级为Ⅲ级和Ⅳ级的故障模式相关的关键特征参数作为所述电子整机贮存寿命的特征参数。
在一个实施例中，所述退化与误差逆传播算法模型，包括：
根据以下公式(3)-(7)拟合得出模型参数a和模型参数b，其中公式(3)-(7)分别为五种确定型数据退化趋势预测模型：
pex＝a*exp(bx) (3)
p1＝a*x+b (4)
pm＝a*xb (5)
pln＝a*log(bx) (6)
其中，x代表时间，pex、p1、pm、pln和pd分别代表五种确定型数据退化趋势预测模型中所述电子整机的贮存可靠度或所述电子整机贮存寿命的特征参数所对应的时间；
结合上述公式(3)-(7)中得出的所述模型参数a和所述模型参数b，建立以下的公式(8)；其中，公式(8)为预测随机型数据趋势的误差逆传播神经网络模型；所述误差逆传播神经网络模型的输入数据为所述电子整机的贮存可靠度或所述电子整机贮存寿命的特征参数，所述误差逆传播神经网络模型的输出数据pbp为时间；
pbp＝feedforwardnet((a,b)',trainbr')(1≤a≤10，1≤b≤10) (8)
其中，公式(8)中feedforwardnet为所述误差逆传播神经网络模型的创建函数，(a,b)代表从具有退化趋势的所述输入数据中选取的误差最小的(a,b)值作为所述误差逆传播神经网络模型的模型参数；trainbr代表选用贝叶斯算法作为训练函数；
根据所述确定型数据退化趋势预测模型和所述误差逆传播神经网络模型中输出的时间参数，预测所述电子整机的贮存寿命。
在一个实施例中，所述根据所述确定型数据退化趋势预测模型和所述误差逆传播神经网络模型中输出的时间参数，预测所述电子整机的贮存寿命的步骤，包括：
根据以下公式(9)计算所述确定型数据退化趋势预测模型和所述误差逆传播神经网络模型的预测误差；
其中，lifepre为预测寿命，lifeac为实际寿命。
从中选取误差最小预测模型，作为贮存寿命预测模型p，根据所述贮存寿命预测模型p预测所述电子整机的贮存寿命。
在一个实施例中，当所述输入数据包括：时间和所述电子整机贮存寿命的特征参数时，根据所述电子整机贮存寿命的特征参数分别得出上述公式(3)至(8)所述的预测模型，并分别将所述电子整机贮存寿命的特征参数的阈值作为各自所述预测模型的输入值，得出各自所述预测模型的输出值，从所述预测模型的输出值中选取最小值作为单个产品的贮存寿命；
计算用于统计的K个所述电子整机的贮存寿命，根据以下公式(11)计算在不同时间点t，所述电子整机的贮存可靠度值R(t)，绘制贮存时间-可靠度曲线；
其中，K是用于统计的所述电子整机的总数，r(t)是时间t到达寿命极限的所述电子整机的数量；
根据所述贮存时间-可靠度曲线和满足公式(2)的所述电子整机贮存寿命的评价模型得到所述电子整机的贮存寿命Lc。
在一个实施例中，所述电子整机贮存寿命评价方法，还包括：
在所述电子整机实际贮存过程中，不断收集新的模型贮存数据，并补充到所述输入数据的序列中，不断更新得到最佳预测模型，并给出新的贮存寿命预测值；
将所述最佳预测模型和所述新的贮存寿命预测值输入至所述退化与误差逆传播算法模型，实现所述退化与误差逆传播算法模型的修正和对所述电子整机贮存寿命的持续评价。
本申请还提供一种电子整机贮存寿命的持续评价方法，包括：
判断能否获取所述电子整机贮存期间的特征参数，并根据判断结果确定电子整机贮存寿命的评价模型；
获取输入数据，并将所述输入数据按照时间顺序从小到大进行排列；
验证所述输入数据的有效性，所述输入数据的有效性通过判断在规定时间内是否有退化趋势进行验证；
若所述输入数据具有退化趋势，则根据具有退化趋势的所述输入数据确定退化与误差逆传播算法模型，并选取误差最小的模型作为贮存寿命预测模型；
将所述电子整机贮存期间的特征参数或者所述电子整机贮存可靠度输入至所述贮存寿命预测模型，并结合上述确定的所述电子整机贮存寿命的评价模型，得出所述电子整机的贮存寿命；
不断收集新的模型贮存数据，并补充到所述输入数据的序列中，不断更新得到最佳预测模型，并给出新的贮存寿命预测值；
将所述最佳预测模型和所述新的贮存寿命预测值输入至所述退化与误差逆传播算法模型，实现所述退化与误差逆传播算法模型的修正和对所述电子整机贮存寿命的持续评价。
本申请还提供一种电子整机贮存寿命评价装置，包括：
特征参数获取装置，用于获取或者判断能否获取电子整机的贮存寿命的特征参数；
电子整机贮存寿命评价模型确定装置，与所述特征参数获取装置连接，用于根据所述特征参数获取装置的判断结果确定电子整机贮存寿命的评价模型；
输入数据存储装置，与所述电子整机贮存寿命评价模型确定装置连接，用于获取输入数据，并将所述输入数据按照时间顺序从小到大进行排列；以及
输入数据有效性验证装置，与所述输入数据存储装置连接，用于验证所述输入数据的有效性，所述输入数据的有效性通过判断在规定时间内是否有退化趋势进行验证；以及
退化与误差逆传播算法模型确定装置，分别与所述电子整机贮存寿命评价模型确定装置和所述输入数据有效性验证装置连接，用于根据具有退化趋势的所述输入数据确定退化与误差逆传播算法模型，并选取误差最小的模型作为贮存寿命预测模型；
其中，所述电子整机贮存寿命评价模型确定装置还用于根据所述贮存寿命预测模型结合所述电子整机贮存期间的特征参数或者所述电子整机贮存可靠度，得出所述电子整机的贮存寿命。
本申请中提供一种电子整机贮存寿命评价方法及装置。所述电子整机贮存寿命评价方法，通过建立所述电子整机贮存寿命的评价模型，明确了贮存寿命特征参数的确定方法。电子整机贮存寿命评价方法还建立了退化与误差逆传播算法模型，并选取误差最小的模型作为贮存寿命预测模型。进一步结合上述确定的所述电子整机贮存寿命的评价模型，得出所述电子整机的贮存寿命。电子整机贮存寿命评价方法，建立了贮存寿命特征参数与贮存寿命和可靠度的关系模型，为有效评价产品贮存寿命奠定了重要基础。
附图说明
图1为本申请一个实施例中提供的电子整机贮存寿命评价方法的流程图；
图2为本申请一个实施例中提供的电子整机贮存寿命评价方法的部分流程示意图；
图3为本申请一个实施例中提供的电子整机贮存寿命评价方法的流程图；
图4为本申请一个实施例中提供的退化与误差逆传播算法模型中预测误差示意图；
图5为本申请一个实施例中提供的退化与误差逆传播算法模型中预测误差示意图；
图6为本申请一个实施例中提供的电子整机贮存寿命评价装置结构示意图。
附图标号说明：
电子整机贮存寿命评价装置 100
特征参数获取装置 11
电子整机贮存寿命评价模型确定装置 12
输入数据存储装置 13
输入数据有效性验证装置 14
退化与误差逆传播算法模型确定装置 15
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。
本申请中术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
贮存寿命作为电子产品的重要技术指标，对制定产品使用和维修保障策略，降低市场投放和安全风险，规划新产品研制决策等具有重要意义。本申请提出的一种电子整机贮存寿命评价方法以及电子整机贮存寿命的持续评价方法，解决了加速寿命试验方法成本高、时间长，难以持续评价的问题，同时弥补了现有预测模型不能有效结合确定型和随机型数据预测的缺陷。
本申请通过开发相应的算法程序，实现了对电子整机贮存寿命的持续准确评价，且可大幅节省贮存寿命评价费用，通过提供准备的寿命评估值，指导制造商降低产品的维修保障费用，市场前景广阔。
请参阅图1，本申请提供一种电子整机贮存寿命评价方法，对电子整机的贮存寿命进行持续性评价。所述电子整机贮存寿命评价方法包括：
S100，判断能否获取所述电子整机贮存期间的特征参数，并根据判断结果确定电子整机贮存寿命的评价模型。本步骤中，需要根据实际电子整机的测试对象，获取所述电子整机贮存期间的特征参数。所述电子整机贮存期间的特征参数可以从实际的电子整机的关键特征参数中选取。比如，所述电子整机贮存期间的特征参数可以包括功率、内存、开路电压、短路电流、串联电阻、并联电阻、填充因子、最大功率、最大功率点电压、最大功率点电流、反向电流、反向电压或者转换效率等。
S200，获取输入数据，并将所述输入数据按照时间顺序从小到大进行排列。具体在本步骤中，所述输入数据的格式可以分为两列，第一列为时间，第二列为对应时间的产品贮存可靠度或各种贮存寿命特征参数，按时间先后顺序从小到大排列。在一个实施例中，在验证所述输入数据的有效性之前还包括将所述输入数据分为两组，根据输入数据行数抽取至少两行数据作为测试数据，其余行数据为建模数据。各组数据的行号随机抽取。
S300，验证所述输入数据的有效性，所述输入数据的有效性通过判断在规定时间内是否有退化趋势进行验证。本步骤中，检测输入数据是否具有退化性或退化趋势的检测方法是通过相应的算法模型初步预测未来5倍最大贮存寿命时的特征参数值。若输入数据的特征参数未超过初步预测未来5倍最大贮存寿命时的特征参数值则认为所述输入数据不具备退化性，将该输入数据从输入数据中删除。若该输入数据的所有特征参数都不具有退化性，则可认为该电子整机能满足当前的贮存寿命指标要求且具有较大余量。
S400，若所述输入数据具有退化趋势，则根据具有退化趋势的所述输入数据确定退化与误差逆传播算法模型，并选取误差最小的模型作为贮存寿命预测模型。本步骤中，通过确定所述退化与误差逆传播算法模型，来预测贮存寿命。所述退化与误差逆传播算法模型(Combination of Convention Degradation Model and Back Propagation NeuralNetworks Model，简称C-BP)，是将传统退化模型和BP神经网络相结合的寿命预测模型。所述退化与误差逆传播算法模型综合了常用的5种确定型数据退化趋势预测模型和预测随机型数据趋势的BP神经网络算法，能有效预测各种性能数据变化趋势。BP是一种按误差逆传播算法训练的多层前馈网络。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。BP网络的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。在获得所述C-BP模型之后需要对所述退化与误差逆传播算法模型进行优化，并选取误差最小的模型作为贮存寿命预测模型。
S500，将所述电子整机贮存期间的特征参数或者所述电子整机贮存可靠度输入至所述贮存寿命预测模型，并结合上述确定的所述电子整机贮存寿命的评价模型，得出所述电子整机的贮存寿命。本步骤中，当将时间和所述电子整机贮存可靠度输入至所述贮存寿命预测模型，可以结合电子整机贮存寿命的第一评价模型得出所述电子整机的贮存寿命。当将时间和所述电子整机贮存期间的特征参数输入至所述贮存寿命预测模型，可以结合电子整机贮存寿命的第二评价模型得出所述电子整机的贮存寿命。
本实施例中，提供了一种电子整机贮存寿命评价方法，通过建立所述电子整机贮存寿命的评价模型，明确了贮存寿命特征参数的确定方法。本实施例中，建立了贮存寿命特征参数与贮存寿命和可靠度的关系模型，为有效评价产品贮存寿命奠定了重要基础。本申请通过验证所述输入数据的有效性，提出了并非所有性能数据超差均代表产品贮存寿命到寿。
另外本申请提供的所述电子整机贮存寿命评价方法，还考虑到电子整机产品复杂贮存环境的综合影响，避免了因加速因子的微小差异即会带来很大的贮存寿命评估误差。本申请的所述电子整机贮存寿命评价方法，还提供了特征参数与贮存寿命间的关系模型，同时考虑到可修复产品的寿命特性，并且可实现贮存寿命的持续评价。
在一个实施例中，当不能获取电子整机贮存期间的特征参数时，所述电子整机贮存寿命的评价模型，满足以下公式：
LC＝min(T(R(t)＝R0),T(C(t)＝C0)) (1)
其中，LC代表所述电子整机贮存寿命；T代表所述电子整机的贮存时间t的函数，R(t)是所述电子整机贮存到时间t的可靠度，R0是所述电子整机的贮存可靠度最低可接受值；C(t)是所述电子整机贮存到时间t为所述电子整机出现故障时的维修费用，C0是所述电子整机允许的最高维修费用。
本实施例中，R0是所述电子整机的贮存可靠度最低可接受值可以是根据实际的电子产品给出的预设值。故障时的维修费用以及最高维修费用也是根据实际的电子产品给出的预设阈值或者预设范围。本实施例中，在得知某一个时间下所述电子整机贮存的可靠度，即可计算得出所述电子整机贮存寿命LC。
在一个实施例中，当所述输入数据包括：时间和所述电子整机贮存可靠度时，将所述电子整机的贮存可靠度最低可接受值作为所述贮存寿命预测模型的输入值，根据上述公式(1)得出所述电子整机贮存寿命LC。
本实施例中，所述贮存寿命预测模型为从所述退化与误差逆传播算法模型中选取的误差最小的模型。
在一个实施例中，当能获取电子整机贮存期间的特征参数时，所述电子整机贮存寿命的评价模型，满足以下公式：
LC＝T(R(mint(Mi0))＝R0) (2)
其中，LC代表所述电子整机贮存寿命；T代表产品的贮存时间t的函数，t(Mi0)代表产品的第i个贮存寿命特征参数Mi达到其失效阈值Mi0的时间；R0是产品的贮存可靠度最低可接受值。
本实施例中，产品寿命特征参数超过规定域值时则认为产品失效。当能获取产品贮存期间特征参数时，可将公式(1)转换为以上公式(2)中的模型，对产品的贮存寿命进行评价。电子整机贮存期间的特征参数一般包括首翻期和贮存可靠度。通常只有当产品出现不可维修或维修经济性差的故障，或者贮存可靠度下降到规定的水平时才认为产品到寿。若所述电子整机贮存寿命的特征参数超过规定的特征参数阈值时，则认为所述电子整机失效。
在一个实施例中，所述电子整机贮存寿命的特征参数的确定步骤包括：
S110，对所述电子整机进行故障模式及影响分析(FMEA)和危害性分析(CA)。本实施例中根据电子产品的工作原理和历史失效数据，对所述电子整机进行故障模式及影响分析(FMEA)和危害性分析(CA)。Failure Mode,Effects and Criticality Analysis,FMECA是针对电子产品所有可能的故障，并根据对故障模式的分析，确定每种故障模式对产品工作的影响，找出单点故障，并按故障模式的严重度及其发生概率确定其危害性。所谓单点故障指的是引起产品故障的，且没有冗余或替代的工作程序作为补救的局部故障。FMECA包括故障模式及影响分析(FMEA)和危害性分析(CA)。
S120，确定所述电子整机的严酷度等级，所述严酷度等级分为Ⅰ级、Ⅱ级、Ⅲ级和Ⅳ级。本步骤中在选择特征参数的时候从所述严酷度等级为Ⅲ级和Ⅳ级的故障模式中选取相关的关键性能参数。
S130，将所述电子整机的严酷度等级为Ⅲ级和Ⅳ级的故障模式相关的关键特征参数作为所述电子整机贮存寿命的特征参数。优选地，所述电子整机贮存寿命的特征参数包括首翻期和贮存可靠度。
本实施例中，给出一种所述电子整机贮存寿命的特征参数的确定方法。所述电子整机贮存寿命的特征参数的确定方法可以更好的实现所述电子整机贮存寿命的特征参数的选择，有利于所述电子整机贮存寿命评价方法的实现。
在一个实施例中，所述退化与误差逆传播算法模型，包括：
S410，根据以下公式(3)-(7)拟合得出模型参数a和模型参数b，其中公式(3)-(7)分别为五种确定型数据退化趋势预测模型：
pex＝a*exp(bx) (3)
p1＝a*x+b (4)
pm＝a*xb (5)
pln＝a*log(bx) (6)
其中，x代表时间，pex、p1、pm、pln和pd分别代表五种确定型数据退化趋势预测模型中所述电子整机的贮存可靠度或所述电子整机贮存寿命的特征参数所对应的时间参数。
S420，结合上述公式(3)-(7)中得出的所述模型参数a和所述模型参数b，建立以下的公式(8)。其中，公式(8)为预测随机型数据趋势的误差逆传播神经网络模型。所述误差逆传播神经网络模型的输入数据为所述电子整机的贮存可靠度或所述电子整机贮存寿命的特征参数，所述误差逆传播神经网络模型的输出数据pbp为时间参数。
pbp＝feedforwardnet((a,b)',trainbr')(1≤a≤10，1≤b≤10) (8)
其中，公式(8)中feedforwardnet为所述误差逆传播神经网络模型的创建函数，(a,b)代表从具有退化趋势的所述输入数据中选取的误差最小的(a,b)值作为所述误差逆传播神经网络模型的模型参数；trainbr代表选用贝叶斯算法作为训练函数。
一般的BP神经网络模型拓扑结构包括输入层(input layer)、隐层(hide layer)和输出层(output layer)。本实施例中，所述误差逆传播神经网络模型的创建函数包括三个变量，其中参数a为隐含层层数，参数b为隐含层节点数，分别在a取1-10的整数时建立反向传播神经网络，从具有退化趋势的所述输入数据中选取误差最小的(a,b)值作为模型参数；trainbr代表选用贝叶斯算法作为训练函数。
S430，根据所述确定型数据退化趋势预测模型和所述误差逆传播神经网络模型中输出的时间参数(pex、p1、pm、pln、pd和pbp，这6种时间参数)，预测所述电子整机的贮存寿命。
本实施例中，确定所述确定型数据退化趋势预测模型和所述误差逆传播神经网络模型可以实现所述电子整机贮存寿命的准确评价。所述确定型数据退化趋势预测模型和所述误差逆传播神经网络模型可以结合起来形成所述贮存寿命预测模型实现高精度贮存寿命预测。
在一个实施例中，所述根据所述确定型数据退化趋势预测模型和所述误差逆传播神经网络模型中输出的时间参数(pex、p1、pm、pln、pd和pbp，这6种时间参数)，预测所述电子整机的贮存寿命的步骤，包括：
根据以下公式(9)计算所述确定型数据退化趋势预测模型和所述误差逆传播神经网络模型的预测误差；
其中，lifepre为预测寿命，lifeac为实际寿命。
从中选取误差最小预测模型，作为贮存寿命预测模型p，根据所述贮存寿命预测模型p预测所述电子整机的贮存寿命。其中，所述贮存寿命预测模型p为：
p＝minerr(pex,p1,pm,pln,pd,pbp) (10)
本实施例中，提供一种预测所述电子整机的贮存寿命的方法步骤。具体的，包括计算所述确定型数据退化趋势预测模型和所述误差逆传播神经网络模型的预测误差。根据所述预测误差中最小的模型，进运算最终预测得出所述电子整机的贮存寿命。
在一个实施例中，当所述输入数据包括：时间和所述电子整机贮存寿命的特征参数时，根据所述电子整机贮存寿命的特征参数分别得出上述公式(3)至(8)所述的预测模型，并分别将所述电子整机贮存寿命的特征参数的阈值作为各自所述预测模型的输入值，得出各自所述预测模型的输出值，从所述预测模型的输出值中选取最小值作为单个产品的贮存寿命；
计算用于统计的K个所述电子整机的贮存寿命，根据以下公式(11)计算在不同时间点t，所述电子整机的贮存可靠度值R(t)，绘制贮存时间-可靠度曲线；
其中，K是用于统计的所述电子整机的总数，r(t)是时间t到达寿命极限的所述电子整机的数量；
根据所述贮存时间-可靠度曲线和满足公式(2)的所述电子整机贮存寿命的评价模型得到所述电子整机的贮存寿命Lc。
本实施例中，当所述输入数据是时间和所述电子整机贮存寿命的特征参数时，由于每种电子产品可能具有n种贮存寿命特征参数。将n种参数依次按上述公式(3)至(8)所述的预测模型，得到n个预测模型p，将贮存寿命特征参数的阈值作为各自预测模型p的输入值，则取n个输出值的最小值作为单个产品的贮存寿命。再根据公式(11)统计计算得出K个电子产品的贮存寿命。根据公式(11)计算不同时间点t该产品的贮存可靠度值R(t)，绘制贮存时间-可靠度曲线，根据上述公式(2)得到该产品的贮存寿命Lc。
在一个实施例中，所述电子整机贮存寿命评价方法，还包括：
在所述电子整机实际贮存过程中，不断收集新的模型贮存数据，并补充到所述输入数据的序列中，不断更新得到最佳预测模型，并给出新的贮存寿命预测值；
将所述最佳预测模型和所述新的贮存寿命预测值输入至所述退化与误差逆传播算法模型，实现所述退化与误差逆传播算法模型的修正和对所述电子整机贮存寿命的持续评价。
本实施例中，提供一种对所述退化与误差逆传播算法模型的修正和对所述电子整机贮存寿命的持续评价的方法步骤。由于输入的数据量越大，所述退化与误差逆传播算法模型(C-BP模型)的预测精度越高，实际应用中要基于产品的实际贮存数据或加速试验数据不断修正所述C-BP模型。修正方法为产品实际贮存过程中，不断收集新的模型贮存数据，并补充到输入数据序列中，重新通过步骤得到最佳预测模型p，并给出新的贮存寿命预测值。通过开发相应的C-BP算法软件，可实现贮存寿命预测模型的快速修正和贮存寿命持续评价。
本申请还提供一种电子整机贮存寿命的持续评价方法，包括：
S10，判断能否获取所述电子整机贮存期间的特征参数，并根据判断结果确定电子整机贮存寿命的评价模型。
S20，获取输入数据，并将所述输入数据按照时间顺序从小到大进行排列。
S30，验证所述输入数据的有效性，所述输入数据的有效性通过判断在规定时间内是否有退化趋势进行验证。
S40，若所述输入数据具有退化趋势，则根据具有退化趋势的所述输入数据确定退化与误差逆传播算法模型，并选取误差最小的模型作为贮存寿命预测模型。
S50，将所述电子整机贮存期间的特征参数或者所述电子整机贮存可靠度输入至所述贮存寿命预测模型，并结合上述确定的所述电子整机贮存寿命的评价模型，得出所述电子整机的贮存寿命。上述S10-S50的步骤中的描述可参考上述S100-S500的描述。
S60，不断收集新的模型贮存数据，并补充到所述输入数据的序列中，不断更新得到最佳预测模型，并给出新的贮存寿命预测值。
S70，将所述最佳预测模型和所述新的贮存寿命预测值输入至所述退化与误差逆传播算法模型，实现所述退化与误差逆传播算法模型的修正和对所述电子整机贮存寿命的持续评价。
本实施例中，提供的所述电子整机贮存寿命持续评价方法，在给出高精度贮存寿命预测模型的同时，可以持续收集数据进行模型修正，实现了电子产品贮存寿命的持续准确评价。本实施例中，结合实际应用，基于产品的实际贮存数据或加速试验数据不断修正所述退化与误差逆传播算法模型。修正方法为产品实际贮存过程中，不断收集新的模型贮存数据，并补充到输入数据序列中，重新通过步骤得到最佳预测模型p，并给出新的贮存寿命预测值。通过开发相应的所述退化与误差逆传播算法模型的算法软件，可实现贮存寿命预测模型的快速修正和贮存寿命持续评价。
在一个具体的实施例中，参见图3、图4和图5。图3为所述电子整机贮存寿命评价方法的步骤流程示意图。所述电子整机贮存寿命评价方法包括以下步骤：
步骤一，确定电子产品贮存寿命特征参数和评价模型。如果该电子产品的测试数据不可获取，可以统计该电子产品前10年的故障数据，经判断目前发现的该电子产品的故障均可修复且修复成本可接受。本实施例中选取以下：
Lc＝min(T(R(t)＝R0)，T(C(t)＝C0)) 公式(1)
作为贮存寿命评价模型，其中，T代表产品的贮存时间t的函数，R(t)是产品贮存到时间t的可靠度，R0是产品的贮存可靠度最低可接受值；C(t)是产品贮存到时间t出现故障时的维修费用，C0是产品允许的最高维修费用。计算得到该电子产品每季度的可靠度值，得到40组数据。
步骤二、模型输入数据。将上述得出的40组数据按照两列的格式进行输入。第一列为时间，第二列为对应时间的产品贮存可靠度。
步骤三、划分建模数据和测试数据。将输入数据分为两组，比如可以随机抽取5行数据作为测试数据，其余35行数据为建模数据。
步骤四、数据有效性验证。经过数据分析发现具有退化趋势，未做数据剔除处理。
步骤五、确定退化与误差逆传播算法模型(C-BP模型)的模型参数。将输入数据录入算法程序，得到最佳贮存寿命预测模型为BP神经网络，其不同隐含层数和节点数下的预测误差分别参见图4-图5，因此确定隐含层层数为1，节点数为4，预测模型为pbp＝feedforwardent(4',trainbr')。图4为不同隐含层数下的预测误差。图5为不同隐含层节点数下的预测误差。
步骤六、预测贮存寿命。由于输入数据是时间和产品贮存可靠度时，将贮存可靠度的最低可接收值0.8作为预测模型pbp的输入值，根据公式(1)，预测模型pbp的输出值即为贮存寿命Lc＝15年。
步骤七、贮存寿命预测模型持续修正。该电子产品贮存到13年时，补充了3年的贮存期间故障数据，将输入数据变为52组，将数据重新录入退化与误差逆传播算法模型(C-BP)的算法程序，得到修正后的贮存寿命值LC＝16年。
请参阅图6，本申请还提供一种电子整机贮存寿命评价装置100，包括：
特征参数获取装置11，用于获取或者判断能否获取电子整机的贮存寿命的特征参数。
电子整机贮存寿命评价模型确定装置12，与所述特征参数获取装置11连接，用于根据所述特征参数获取装置11的判断结果确定电子整机贮存寿命的评价模型；
输入数据存储装置13，与所述电子整机贮存寿命评价模型确定装置12连接，用于获取输入数据，并将所述输入数据按照时间顺序从小到大进行排列；以及
输入数据有效性验证装置14，与所述输入数据存储装置13连接，用于验证所述输入数据的有效性，所述输入数据的有效性通过判断在规定时间内是否有退化趋势进行验证；以及
退化与误差逆传播算法模型确定装置15，分别与所述电子整机贮存寿命评价模型确定装置12和所述输入数据有效性验证装置14连接，用于根据具有退化趋势的所述输入数据确定退化与误差逆传播算法模型。
本实施例中，特征参数获取装置11、电子整机贮存寿命评价模型确定装置12、输入数据存储装置13、输入数据有效性验证装置14和退化与误差逆传播算法模型确定装置15可以是硬件结构模块或者是通过软件模块组成的硬件结构。所述电子整机贮存寿命评价装置100可以基于特征参数和可靠性数据实现对电子整机贮存寿命的精确预测。
在一个实施例中，所述退化与误差逆传播算法模型确定装置15包括：
五种确定型数据退化趋势预测模型和预测随机型数据趋势的误差逆传播神经网络模型；
以下公式(3)-(7)分别为五种确定型数据退化趋势预测模型：
pex＝a*exp(bx) (3)
p1＝a*x+b (4)
pm＝a*xb (5)
pln＝a*log(bx) (6)
其中，x代表时间，pex、p1、pm、pln和pd分别代表五种确定型数据退化趋势预测模型中所述电子整机的贮存可靠度或所述电子整机贮存寿命的特征参数所对应的时间；a和b分别为模型参数；
以下公式(8)为预测随机型数据趋势的误差逆传播神经网络模型；所述误差逆传播神经网络模型的输入数据为所述电子整机的贮存可靠度或所述电子整机贮存寿命的特征参数，所述误差逆传播神经网络模型的输出数据pbp为时间；
pbp＝feedforwardnet((a,b)',trainbr')(1≤a≤10，1≤b≤10) (8)
其中，公式(8)中feedforwardnet为所述误差逆传播神经网络模型的创建函数，(a,b)代表从具有退化趋势的所述输入数据中选取的误差最小的(a,b)值作为所述误差逆传播神经网络模型的模型参数；trainbr代表选用贝叶斯算法作为训练函数。
本申请提供的所述电子整机贮存寿命评价方法及装置的适应性较强，可以对大部分的电子整机设备的贮存寿命进行评价。所述电子整机贮存寿命评价方法及装置可用于包括武器系统在内的电子整机贮存寿命持续评价研究。
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发明专利范围的限制。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)
1.一种电子整机贮存寿命评价方法，其特征在于，对电子整机的贮存寿命进行持续性评价，所述电子整机贮存寿命评价方法包括：
判断能否获取所述电子整机贮存期间的特征参数，并根据判断结果确定电子整机贮存寿命的评价模型；
获取输入数据，并将所述输入数据按照时间顺序从小到大进行排列，所述输入数据包括所述时间以及对应所述时间的电子整机贮存可靠度或各种所述电子整机贮存期间的特征参数；
验证所述输入数据的有效性，所述输入数据的有效性通过判断在规定时间内是否有退化趋势进行验证；
若所述输入数据具有退化趋势，则根据具有退化趋势的所述输入数据确定退化与误差逆传播算法模型，并选取误差最小的模型作为贮存寿命预测模型；
将所述电子整机贮存期间的特征参数或者所述电子整机贮存可靠度输入至所述贮存寿命预测模型，并结合上述确定的所述电子整机贮存寿命的评价模型，得出所述电子整机的贮存寿命；
所述根据判断结果确定电子整机贮存寿命的评价模型，包括：
当不能获取所述电子整机贮存期间的特征参数时，所述电子整机贮存寿命的评价模型，满足以下公式：
LC＝min(T(R(t)＝R0),T(C(t)＝C0)) (1)
其中，LC代表所述电子整机贮存寿命；T代表所述电子整机的贮存时间t的函数，R(t)是所述电子整机贮存到时间t的可靠度，R0是所述电子整机的贮存可靠度最低可接受值；C(t)是所述电子整机贮存到时间t为所述电子整机出现故障时的维修费用，C0是所述电子整机允许的最高维修费用；
当能获取所述电子整机贮存期间的特征参数时，所述电子整机贮存寿命的评价模型，满足以下公式：
LC＝T(R(mint(Mi0))＝R0) (2)
其中，LC代表所述电子整机贮存寿命；T代表产品的贮存时间t的函数，t(Mi0)代表产品的第i个贮存寿命特征参数Mi达到其失效阈值Mi0的时间；R0是产品的贮存可靠度最低可接受值；
所述根据具有退化趋势的所述输入数据确定退化与误差逆传播算法模型，包括：
根据以下公式(3)-(7)拟合得出模型参数a和模型参数b，其中公式(3)-(7)分别为五种确定型数据退化趋势预测模型：
pex＝a*exp(bx) (3)
p1＝a*x+b (4)
pm＝a*xb (5)
pln＝a*log(bx) (6)
其中，x代表时间，pex、p1、pm、pln和pd分别代表五种确定型数据退化趋势预测模型中所述电子整机的贮存可靠度或所述电子整机贮存寿命的特征参数所对应的时间参数；
结合上述公式(3)-(7)中得出的所述模型参数a和所述模型参数b，建立以下的公式(8)；其中，公式(8)为预测随机型数据趋势的误差逆传播神经网络模型；所述误差逆传播神经网络模型的输入数据为所述电子整机的贮存可靠度或所述电子整机贮存寿命的特征参数，所述误差逆传播神经网络模型的输出数据pbp为时间参数；
pbp＝feedforwardnet((a,b)',trainbr')(1≤a≤10，1≤b≤10) (8)
其中，公式(8)中feedforwardnet为所述误差逆传播神经网络模型的创建函数，(a,b)代表从具有退化趋势的所述输入数据中选取的误差最小的(a,b)值作为所述误差逆传播神经网络模型的模型参数；trainbr代表选用贝叶斯算法作为训练函数；
根据所述确定型数据退化趋势预测模型和所述误差逆传播神经网络模型中输出的时间参数，预测所述电子整机的贮存寿命。
2.根据权利要求1所述的电子整机贮存寿命评价方法，其特征在于，在所述验证所述输入数据的有效性之前，所述方法还包括：
将所述输入数据分为两组，根据输入数据行数抽取至少两行数据作为测试数据，其余行数据为建模数据。
3.根据权利要求1所述的电子整机贮存寿命评价方法，其特征在于，所述将所述输入数据按照时间顺序从小到大进行排列，包括：
将所述输入数据的格式分为两列，第一列为所述时间，第二列为对应所述时间的产品贮存可靠度或各种贮存寿命特征参数，按所述时间先后顺序从小到大排列。
4.根据权利要求3所述的电子整机贮存寿命评价方法，其特征在于，所述电子整机贮存寿命的特征参数的确定步骤包括：
对所述电子整机进行故障模式及影响分析和危害性分析；
确定所述电子整机的严酷度等级，所述严酷度等级分为Ⅰ级、Ⅱ级、Ⅲ级和Ⅳ级；
将所述电子整机的严酷度等级为Ⅲ级和Ⅳ级的故障模式相关的关键特征参数作为所述电子整机贮存寿命的特征参数。
5.根据权利要求4所述的电子整机贮存寿命评价方法，其特征在于，若所述电子整机贮存寿命的特征参数超过特征参数阈值时，则所述电子整机失效。
6.根据权利要求5所述的电子整机贮存寿命评价方法，其特征在于，所述根据所述确定型数据退化趋势预测模型和所述误差逆传播神经网络模型中输出的时间参数，预测所述电子整机的贮存寿命的步骤，包括：
根据以下公式(9)计算所述确定型数据退化趋势预测模型和所述误差逆传播神经网络模型的预测误差；
其中，lifepre为预测寿命，lifeac为实际寿命；
从中选取误差最小预测模型，作为贮存寿命预测模型p，根据所述贮存寿命预测模型p预测所述电子整机的贮存寿命。
7.根据权利要求6所述的电子整机贮存寿命评价方法，其特征在于，当所述输入数据包括：时间和所述电子整机贮存寿命的特征参数时，根据所述电子整机贮存寿命的特征参数分别得出上述公式(3)至(8)所述的预测模型，并分别将所述电子整机贮存寿命的特征参数的阈值作为各自所述预测模型的输入值，得出各自所述预测模型的输出值，从所述预测模型的输出值中选取最小值作为单个产品的贮存寿命；
计算用于统计的K个所述电子整机的贮存寿命，根据以下公式(11)计算在不同时间点t，所述电子整机的贮存可靠度值R(t)，绘制贮存时间-可靠度曲线；
其中，K是用于统计的所述电子整机的总数，r(t)是时间t到达寿命极限的所述电子整机的数量；
根据所述贮存时间-可靠度曲线和满足公式(2)的所述电子整机贮存寿命的评价模型得到所述电子整机的贮存寿命Lc。
8.根据权利要求7所述的电子整机贮存寿命评价方法，其特征在于，还包括：
在所述电子整机实际贮存过程中，不断收集新的模型贮存数据，并补充到所述输入数据的序列中，不断更新得到最佳预测模型，并给出新的贮存寿命预测值；
将所述最佳预测模型和所述新的贮存寿命预测值输入至所述退化与误差逆传播算法模型，实现所述退化与误差逆传播算法模型的修正和对所述电子整机贮存寿命的持续评价。
9.一种电子整机贮存寿命的持续评价方法，其特征在于，包括：
判断能否获取所述电子整机贮存期间的特征参数，并根据判断结果确定电子整机贮存寿命的评价模型；
获取输入数据，并将所述输入数据按照时间顺序从小到大进行排列，所述输入数据包括所述时间以及对应所述时间的电子整机贮存可靠度或各种所述电子整机贮存期间的特征参数；
验证所述输入数据的有效性，所述输入数据的有效性通过判断在规定时间内是否有退化趋势进行验证；
若所述输入数据具有退化趋势，则根据具有退化趋势的所述输入数据确定退化与误差逆传播算法模型，并选取误差最小的模型作为贮存寿命预测模型；
将所述电子整机贮存期间的特征参数或者所述电子整机贮存可靠度输入至所述贮存寿命预测模型，并结合上述确定的所述电子整机贮存寿命的评价模型，得出所述电子整机的贮存寿命；
不断收集新的模型贮存数据，并补充到所述输入数据的序列中，不断更新得到最佳预测模型，并给出新的贮存寿命预测值；
将所述最佳预测模型和所述新的贮存寿命预测值输入至所述退化与误差逆传播算法模型，实现所述退化与误差逆传播算法模型的修正和对所述电子整机贮存寿命的持续评价；
所述根据判断结果确定电子整机贮存寿命的评价模型，包括：
当不能获取所述电子整机贮存期间的特征参数时，所述电子整机贮存寿命的评价模型，满足以下公式：
LC＝min(T(R(t)＝R0),T(C(t)＝C0)) (1)
其中，LC代表所述电子整机贮存寿命；T代表所述电子整机的贮存时间t的函数，R(t)是所述电子整机贮存到时间t的可靠度，R0是所述电子整机的贮存可靠度最低可接受值；C(t)是所述电子整机贮存到时间t为所述电子整机出现故障时的维修费用，C0是所述电子整机允许的最高维修费用；
当能获取所述电子整机贮存期间的特征参数时，所述电子整机贮存寿命的评价模型，满足以下公式：
LC＝T(R(mint(Mi0))＝R0) (2)
其中，LC代表所述电子整机贮存寿命；T代表产品的贮存时间t的函数，t(Mi0)代表产品的第i个贮存寿命特征参数Mi达到其失效阈值Mi0的时间；R0是产品的贮存可靠度最低可接受值；
所述根据具有退化趋势的所述输入数据确定退化与误差逆传播算法模型，包括：
根据以下公式(3)-(7)拟合得出模型参数a和模型参数b，其中公式(3)-(7)分别为五种确定型数据退化趋势预测模型：
pex＝a*exp(bx) (3)
p1＝a*x+b (4)
pm＝a*xb (5)
pln＝a*log(bx) (6)
其中，x代表时间，pex、p1、pm、pln和pd分别代表五种确定型数据退化趋势预测模型中所述电子整机的贮存可靠度或所述电子整机贮存寿命的特征参数所对应的时间参数；
结合上述公式(3)-(7)中得出的所述模型参数a和所述模型参数b，建立以下的公式(8)；其中，公式(8)为预测随机型数据趋势的误差逆传播神经网络模型；所述误差逆传播神经网络模型的输入数据为所述电子整机的贮存可靠度或所述电子整机贮存寿命的特征参数，所述误差逆传播神经网络模型的输出数据pbp为时间参数；
pbp＝feedforwardnet((a,b)',trainbr')(1≤a≤10，1≤b≤10) (8)
其中，公式(8)中feedforwardnet为所述误差逆传播神经网络模型的创建函数，(a,b)代表从具有退化趋势的所述输入数据中选取的误差最小的(a,b)值作为所述误差逆传播神经网络模型的模型参数；trainbr代表选用贝叶斯算法作为训练函数；
根据所述确定型数据退化趋势预测模型和所述误差逆传播神经网络模型中输出的时间参数，预测所述电子整机的贮存寿命。
10.一种电子整机贮存寿命评价装置，其特征在于，包括：
特征参数获取装置，用于获取或者判断能否获取电子整机的贮存寿命的特征参数；
电子整机贮存寿命评价模型确定装置，与所述特征参数获取装置连接，用于根据所述特征参数获取装置的判断结果确定电子整机贮存寿命的评价模型；
输入数据存储装置，与所述电子整机贮存寿命评价模型确定装置连接，用于获取输入数据，并将所述输入数据按照时间顺序从小到大进行排列，所述输入数据包括所述时间以及对应所述时间的电子整机贮存可靠度或各种所述电子整机贮存期间的特征参数；以及
输入数据有效性验证装置，与所述输入数据存储装置连接，用于验证所述输入数据的有效性，所述输入数据的有效性通过判断在规定时间内是否有退化趋势进行验证；以及
退化与误差逆传播算法模型确定装置，分别与所述电子整机贮存寿命评价模型确定装置和所述输入数据有效性验证装置连接，用于根据具有退化趋势的所述输入数据确定退化与误差逆传播算法模型，并选取误差最小的模型作为贮存寿命预测模型；
所述电子整机贮存寿命评价模型确定装置，具体用于：
当不能获取所述电子整机贮存期间的特征参数时，所述电子整机贮存寿命的评价模型，满足以下公式：
LC＝min(T(R(t)＝R0),T(C(t)＝C0)) (1)
其中，LC代表所述电子整机贮存寿命；T代表所述电子整机的贮存时间t的函数，R(t)是所述电子整机贮存到时间t的可靠度，R0是所述电子整机的贮存可靠度最低可接受值；C(t)是所述电子整机贮存到时间t为所述电子整机出现故障时的维修费用，C0是所述电子整机允许的最高维修费用；
当能获取所述电子整机贮存期间的特征参数时，所述电子整机贮存寿命的评价模型，满足以下公式：
LC＝T(R(mint(Mi0))＝R0) (2)
其中，LC代表所述电子整机贮存寿命；T代表产品的贮存时间t的函数，t(Mi0)代表产品的第i个贮存寿命特征参数Mi达到其失效阈值Mi0的时间；R0是产品的贮存可靠度最低可接受值；
所述退化与误差逆传播算法模型确定装置，具体用于：
根据以下公式(3)-(7)拟合得出模型参数a和模型参数b，其中公式(3)-(7)分别为五种确定型数据退化趋势预测模型：
pex＝a*exp(bx) (3)
p1＝a*x+b (4)
pm＝a*xb (5)
pln＝a*log(bx) (6)
其中，x代表时间，pex、p1、pm、pln和pd分别代表五种确定型数据退化趋势预测模型中所述电子整机的贮存可靠度或所述电子整机贮存寿命的特征参数所对应的时间参数；
结合上述公式(3)-(7)中得出的所述模型参数a和所述模型参数b，建立以下的公式(8)；其中，公式(8)为预测随机型数据趋势的误差逆传播神经网络模型；所述误差逆传播神经网络模型的输入数据为所述电子整机的贮存可靠度或所述电子整机贮存寿命的特征参数，所述误差逆传播神经网络模型的输出数据pbp为时间参数；
pbp＝feedforwardnet((a,b)',trainbr')(1≤a≤10，1≤b≤10) (8)
其中，公式(8)中feedforwardnet为所述误差逆传播神经网络模型的创建函数，(a,b)代表从具有退化趋势的所述输入数据中选取的误差最小的(a,b)值作为所述误差逆传播神经网络模型的模型参数；trainbr代表选用贝叶斯算法作为训练函数；
根据所述确定型数据退化趋势预测模型和所述误差逆传播神经网络模型中输出的时间参数，预测所述电子整机的贮存寿命；
其中，所述电子整机贮存寿命评价模型确定装置还用于根据所述贮存寿命预测模型结合所述电子整机贮存期间的特征参数或者所述电子整机贮存可靠度，得出所述电子整机的贮存寿命。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010298002.9A CN111625990B (zh) | 2020-04-16 | 2020-04-16 | 电子整机贮存寿命持续评价方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010298002.9A CN111625990B (zh) | 2020-04-16 | 2020-04-16 | 电子整机贮存寿命持续评价方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111625990A CN111625990A (zh) | 2020-09-04 |
| CN111625990B true CN111625990B (zh) | 2023-08-04 |
Family
ID=72269837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010298002.9A Active CN111625990B (zh) | 2020-04-16 | 2020-04-16 | 电子整机贮存寿命持续评价方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111625990B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7636717B1 (en) * | 2007-01-18 | 2009-12-22 | Netlogic Microsystems, Inc. | Method and apparatus for optimizing string search operations |
| CN107015875A (zh) * | 2017-03-31 | 2017-08-04 | 北京强度环境研究所 | 一种电子整机贮存寿命评估方法及装置 |
| CN108446523A (zh) * | 2018-05-11 | 2018-08-24 | 北京航天自动控制研究所 | 一种电子整机贮存寿命评估与预测方法 |
-
2020
- 2020-04-16 CN CN202010298002.9A patent/CN111625990B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7636717B1 (en) * | 2007-01-18 | 2009-12-22 | Netlogic Microsystems, Inc. | Method and apparatus for optimizing string search operations |
| CN107015875A (zh) * | 2017-03-31 | 2017-08-04 | 北京强度环境研究所 | 一种电子整机贮存寿命评估方法及装置 |
| CN108446523A (zh) * | 2018-05-11 | 2018-08-24 | 北京航天自动控制研究所 | 一种电子整机贮存寿命评估与预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111625990A (zh) | 2020-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN111553590A (zh) | 一种雷达嵌入式健康管理系统 | |
| CN104917085B (zh) | 一种优化可靠性与经济性的变压器检修决策方法 | |
| CN107122832A (zh) | 一种质量控制与可靠性分析的制造系统预防性维修方法 | |
| CN112685961A (zh) | 一种模拟电路的剩余使用寿命预测方法及系统 | |
| CN107305651B (zh) | 一种输电系统可靠性评估方法和系统 | |
| CN115562225A (zh) | 工业机器人运维管理方法、装置、计算机设备和存储介质 | |
| CN114167217B (zh) | 一种铁路配电网的多重故障诊断方法 | |
| CN114997566A (zh) | 考虑节点连通度损失的电网阻塞风险评估方法及系统 | |
| CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
| CN109359742B (zh) | 一种地铁子系统预防维修周期的生成方法 | |
| CN111625990B (zh) | 电子整机贮存寿命持续评价方法及装置 | |
| CN114399135A (zh) | 基于层次分析法的电网运行异常指标朔因关联度确定方法 | |
| CN109784629B (zh) | 一种基于神经网络的变电站工控网络故障定位方法 | |
| CN115270078B (zh) | 一种机电设备平均修复时间的计算方法和系统 | |
| CN114400776A (zh) | 基于数字镜像的变电站自动化设备状态诊断方法和系统 | |
| CN113887990A (zh) | 电气设备维修决策优化方法 | |
| CN114091243A (zh) | 一种产品概念设计可靠性的预测方法及系统 | |
| Ma et al. | Modeling the impact of prognostic errors on CBM effectiveness using discrete-event simulation | |
| CN112800674A (zh) | 一种基于极限学习机的电力系统元件可靠性参数计算方法 | |
| CN111044808A (zh) | 一种用电信息采集系统运维质量可靠性评估系统及方法 | |
| Li et al. | Simulation of Reliability Prediction Based on Multiple Factors for Spinning Machine | |
| Wang et al. | Maintenance strategy for multi-component systems based on structure and reliability | |
| CN110119820B (zh) | 一种整体换件预防性维修方案制定方法 | |
| CN114897262A (zh) | 一种基于深度学习的轨道交通设备故障预测方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Xiaoxi Inventor after: Yang Sibang Inventor after: Lu Jiale Inventor after: Gao Mingzhe Inventor after: Li Jin Inventor after: Wang Chunhui Inventor after: Shi Zhong Inventor after: Hu Xianghong Inventor before: Liu Xiaoxi Inventor before: Zhu Xiaoping Inventor before: Yang Sibang Inventor before: Lu Jiale Inventor before: Gao Mingzhe Inventor before: Li Jin Inventor before: Wang Chunhui Inventor before: Shi Zhong Inventor before: Hu Xianghong |