CN111680388B - 任务电子系统可靠性数据量化方法、装置和计算机设备 - Google Patents
任务电子系统可靠性数据量化方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111680388B CN111680388B CN202010326257.1A CN202010326257A CN111680388B CN 111680388 B CN111680388 B CN 111680388B CN 202010326257 A CN202010326257 A CN 202010326257A CN 111680388 B CN111680388 B CN 111680388B
- Authority
- CN
- China
- Prior art keywords
- data
- test
- reliability
- stage
- fusion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 163
- 238000011002 quantification Methods 0.000 title abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 513
- 238000011161 development Methods 0.000 claims abstract description 95
- 230000007613 environmental effect Effects 0.000 claims abstract description 85
- 230000008569 process Effects 0.000 claims abstract description 79
- 230000004927 fusion Effects 0.000 claims abstract description 74
- 238000007499 fusion processing Methods 0.000 claims abstract description 29
- 238000013139 quantization Methods 0.000 claims description 50
- 230000003595 spectral effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000007500 overflow downdraw method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 abstract description 34
- 238000013461 design Methods 0.000 abstract description 15
- 238000012795 verification Methods 0.000 abstract description 12
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 35
- 238000011160 research Methods 0.000 description 11
- 238000004088 simulation Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000013095 identification testing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000000470 constituent Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000011981 development test Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000007493 shaping process Methods 0.000 description 4
- 238000012356 Product development Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005728 strengthening Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请涉及一种任务电子系统可靠性数据量化方法、装置和计算机设备。该方法包括：计算机设备通过获取系统中多个设备的地面试验可靠性数据，将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据,将系统在研制阶段产生的研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据,对基准环境条件下的融合数据与至少一个测试阶段产生的过程数据进行融合并量化，得到各测试阶段的量化结果。本方法实现了对研制阶段、测试阶段的系统可靠性水平进行跟踪评价，从而解决可靠性设计和验证工作呈现两张皮的问题，有利于在装备研制过程中及时调整可靠性计划和设立可靠性增长目标，具备良好的工程可操作性。
Description
技术领域
本申请涉及航空航天技术领域，特别是涉及一种任务电子系统可靠性数据量化方法、装置和计算机设备。
背景技术
现代军用飞机，尤其是第四代战斗机在采用模块化设计后，呈现一种高度综合化的复杂系统，飞机中的各种功能系统，如飞行控制系统、航空电子系统的性能与可靠性都是互相影响的，因此，复杂系统的可靠性评估工作越来越受到重视。
现有技术中，综合化的复杂系统，例如，任务电子系统和整机的可靠性评估一般采用内场紧缩系统可靠性鉴定或外场试飞评估的方式，外场试飞评估即将产品处于真实的使用环境下，记录产品的运行时间和故障信息，利用这些数据评估产品的可靠性水平；内场紧缩系统可靠性鉴定指的是在内场进行小规模的模拟试验，利用模拟试验数据评估产品的可靠性水平。
上述两种方法都只能在研制最终阶段给出产品的可靠性评估值，导致可靠性评估值无法准确反映产品水平。
发明内容
基于此，有必要针对上述技术问题，提供一种任务电子系统可靠性数据量化方法、装置和计算机设备。
一种任务电子系统可靠性数据量化方法，该方法包括：
获取系统中多个设备的地面试验可靠性数据，将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据；地面试验可靠性数据用于表征系统在不同设备中的试验数据；
将系统在研制阶段产生的研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据；基准环境条件用于表示所有的融合数据均为同一环境条件下的数据；
对基准环境条件下的融合数据与至少一个测试阶段产生的过程数据进行融合并量化，得到各测试阶段的量化结果；量化结果用于表示系统的可靠程度。
在其中一个实施例中，上述对基准环境条件下的融合数据与至少一个测试阶段产生的过程数据进行融合并量化，得到各测试阶段的量化结果，包括：
根据上一个测试阶段的量化结果对当前测试阶段的过程数据进行增长趋势检验；增长趋势检验用于检验过程数据相对于上一个测试阶段的量化结果的平均故障间隔时间的增长情况；
根据检验结果得到当前测试阶段的量化结果。
在其中一个实施例中，上述根据检验结果得到当前测试阶段的量化结果，包括：
若检验结果为当前测试阶段的过程数据存在增长趋势，则采用变母体增长量化方法将上一个测试阶段的量化结果与当前测试阶段的过程数据进行融合并量化，得到当前测试阶段的量化结果；
若检验结果为当前测试阶段的过程数据不存在增长趋势，则将上一个测试阶段的量化结果与当前测试阶段的过程数据相加并量化，得到当前测试阶段的量化结果。
在其中一个实施例中，上述将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据，包括：
获取地面试验可靠性数据的数据类型；数据类型至少包括成败型数据和非成败型数据；
若数据类型为非成败型数据，则采用二项近似法，将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据。
在其中一个实施例中，上述将系统在研制阶段产生的研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据，包括：
获取研制数据对应的试验类型；试验类型至少包括受环境影响的试验和不受环境影响的试验；
根据试验类型对应的数据融合方法，将研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据。
在其中一个实施例中，上述根据试验类型对应的数据融合方法，将研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据，包括：
若试验类型为受环境影响的试验，则采用阿伦尼斯模型和逆幂率模型获得环境折合因子，利用环境折合因子将研制数据与转换后的试验数据折合到基准环境条件下，得到基准环境条件下的融合数据；
若试验类型为不受环境影响的试验，则按照预设比例将研制数据与转换后的试验数据进行折合处理，得到融合处理后的数据。
在其中一个实施例中，上述环境折合因子至少包括温度折合因子和振动折合因子；上述采用阿伦尼斯模型和逆幂率模型获得环境折合因子，包括：
根据任意两个温度台阶之间的试验时间，采用阿伦尼斯模型，计算求得温度折合因子；
根据试验振动功率谱密度与振动功率谱密度额定值的关系，采用逆幂率模型，计算求得振动折合因子；振动功率谱密度额定值指的是传统试验剖面下的振动功率谱密度。
一种任务电子系统可靠性数据量化装置，该装置包括：
地面数据获取模块，用于获取系统中多个设备的地面试验可靠性数据，将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据；地面试验可靠性数据用于表征系统在不同设备中的试验数据；
研制数据融合模块，用于将系统在研制阶段产生的研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据；基准环境条件用于表示所有的融合数据均为同一环境条件下的数据；
量化模块，用于对基准环境条件下的融合数据与至少一个测试阶段产生的过程数据进行融合并量化，得到各测试阶段的量化结果；量化结果用于表示系统的可靠程度。
一种计算机设备，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以下步骤：
获取系统中多个设备的地面试验可靠性数据，将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据；地面试验可靠性数据用于表征系统在不同设备中的试验数据；
将系统在研制阶段产生的研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据；基准环境条件用于表示所有的融合数据均为同一环境条件下的数据；
对基准环境条件下的融合数据与至少一个测试阶段产生的过程数据进行融合并量化，得到各测试阶段的量化结果；量化结果用于表示系统的可靠程度。
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以下步骤：
获取系统中多个设备的地面试验可靠性数据，将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据；地面试验可靠性数据用于表征系统在不同设备中的试验数据；
将系统在研制阶段产生的研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据；基准环境条件用于表示所有的融合数据均为同一环境条件下的数据；
对基准环境条件下的融合数据与至少一个测试阶段产生的过程数据进行融合并量化，得到各测试阶段的量化结果；量化结果用于表示系统的可靠程度。
上述任务电子系统可靠性数据量化方法、装置和计算机设备，计算机设备通过获取系统中多个设备的地面试验可靠性数据，将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据,将系统在研制阶段产生的研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据,对基准环境条件下的融合数据与至少一个测试阶段产生的过程数据进行融合并量化，得到各测试阶段的量化结果。本方法中，计算机设备在对地面试验可靠性数据进行数据字段、格式及相应数据处理的基础上，利用研制阶段、测试阶段的数据及故障信息，通过数据融合量化的方法，对研制阶段、测试阶段的数据进行可靠性水平量化，从而得到研制阶段、测试阶段的过程数据的量化结果，实现了对研制阶段、测试阶段的系统可靠性水平进行跟踪评价，从而解决可靠性设计和验证工作呈现“两张皮”的问题，有利于在装备研制过程中及时调整可靠性计划和设立可靠性增长目标，具备良好的工程可操作性。
附图说明
图1为一个实施例中任务电子系统可靠性数据量化方法的应用环境图；
图2为一个实施例中任务电子系统可靠性数据量化方法的流程示意图；
图3为另一个实施例中任务电子系统可靠性数据量化方法的流程示意图；
图4为另一个实施例中任务电子系统可靠性数据量化方法的流程示意图；
图5为另一个实施例中任务电子系统可靠性数据量化方法的流程示意图；
图6为另一个实施例中任务电子系统可靠性数据量化方法的流程示意图；
图7为另一个实施例中任务电子系统可靠性数据量化方法的流程示意图；
图8为另一个实施例中任务电子系统可靠性数据量化方法的流程示意图；
图9为一个实施例中任务电子系统可靠性数据量化装置的结构框图；
图10为另一个实施例中任务电子系统可靠性数据量化装置的结构框图；
图11为另一个实施例中任务电子系统可靠性数据量化装置的结构框图；
图12为另一个实施例中任务电子系统可靠性数据量化装置的结构框图。
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，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的任务电子系统可靠性数据量化方法，可以应用于如图1所示的应用环境中。图1提供了一种计算机设备，该计算机设备可以是服务器，也可以是终端，其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、通信接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种任务电子系统可靠性数据量化方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
经过不断探索和实践，可靠性鉴定试验工作在装备型号中发挥了重要作用。但是，随着装备技术发展、可靠性要求提高及可靠性鉴定试验工作的深入，任务电子系统可靠性评价暴露出四个方面的问题。高可靠性产品的问题：在一些飞机中，机载计算机产品平均故障间隔时间(Mean Time Between Failure，MTBF)指标普遍在5000至10000小时，如采用传统可靠性试验方法，在试验时间和经费均不可承受；内外场表现不一致的问题：可靠性鉴定试验不能完全模拟外场情况且试验样品多为有选择性的样品；复杂系统指标验证的问题：软件密集型产品考核不充分，复杂大系统组成繁多，当前试验设备无法满足；产品研制过程信息的利用问题：产品研制过程中积累了大量仿真试验、强化试验、可靠性摸底试验、可靠性加速试验、环境试验等数据，这些数据均从一定的角度反映了产品的可靠性水平，产品鉴定时应该考虑这些数据的应用方式。
军用飞机的研制过程中的可靠性评价与验证工作越来越受到重视，在系统的整个寿命周期进行经济有效的研制试验与评价，便于支持各种采办和持续使用项目的决策和活动。试验与评价过程为仿真试验—设备物理试验—系统综合试验—现场试验，其中仿真试验在仿真阶段开始、直至系统的整个寿命周期，以便为产品的研制和改进提供信息。
在航空产品的研制过程中，如何保证产品的可靠性水平，对高可靠性产品的可靠性验证，本领域研究者提出了可靠性加速试验的理念，即采用一种比产品正常工作时所承受的应力高得多的应力进行可靠性试验，突破了传统的可靠性模拟试验的概念，这种方法在指定关键航空电子设备上进行了可靠性加速试验，在暴露设计缺陷的同时，提高了评估设备的可靠性水平。
现代军用飞机，尤其是第四代战斗机在采用模块化设计后，是一种高度综合化的复杂系统，飞机中的各种功能系统，如飞行控制系统、航空电子系统的性能与可靠性都是互相影响的，尤其是系统内软件的影响。因此必须进行系统综合试验，即飞机各功能系统在地面进行的综合试验。
复杂系统的可靠性评估工作越来越受到重视，文献众多。由于大型复杂系统一般具有组成单元数量多、单元寿命分布类型种类多、系统结构复杂、单元级试验信息充分、系统级试验小子样、可靠性信息来源广等特点，因此，其可靠性评估涉及内容非常丰富。复杂系统其组成单元的寿命分布类型决定了这些单元的可靠性评估和鉴定采用分析方法是不同的。常用模型有：二项、指数、对数、正态分布等。
针对复杂系统可采用评估策略为借鉴信息融合技术在其它领域中应用的成功经验，采用“融合+综合”相结合思路，即先对系统的各组成单元采用各种信息融合技术进行可靠性评估，然后再采用多级综合，对整个系统的可靠性进行综合评估。数据融合技术的最大优势在于它能合理协调多源数据、扩大系统处理数据的空间覆盖范围和时间覆盖能力，它可以利用不同产品层次及环境、不同数据源和产品不同研制阶段的数据进行融合评估。复杂系统可靠性评估的发展趋势是针对复杂系统不同来源可靠性数据的特点，将数据融合技术引入系统可靠性评估。目前，常用的信息融合方法主要有，基于统计推断的Bayes方法；基于信息论的最大熵方法；基于信息论的Dempster-Shafer证据理论；基于智能技术的神经网络方法；基于模糊数学的融合方法。
通过对收集到的文献资料分析比较，上述的几种数据融合方法中，基于统计推断的Bayes融合方法是最成功的数据融合方法，它从理论和工程应用上较成熟，操作性强，但其难点是先验信息规范化和先验分布选取及其超参数确定方法。
对于具有高可靠性指标的三类定型产品，目前国内只采用类似可靠性摸底试验的方式对其可靠性进行考核，并不能验证可靠性指标。对于大系统和整机，目前的做法是外场评估，即将产品处于真实的使用环境下，记录产品的运行时间和故障信息，利用这些数据评估产品的可靠性水平。近年来，军方要求第三方评价机构介入研制阶段早期，并在承研单位中大力推广可靠性仿真试验、可靠性强化试验和可靠性加速增长试验等新试验技术,期间积累了大量的可靠性数据,为综合评价产品最终状态的可靠性水平奠定了坚实的基础。可靠性仿真试验通过分析设备故障主要机理以及影响因素，发现设计薄弱环节，通过设计改进消除设备缺陷，提高部件、单元或LRU的可靠性，增强设备可靠性，可靠性仿真试验可以证明设备可靠性设计的合理性；可靠性强化试验可以寻找在仿真试验中没有分析到的设计与制造缺陷，在极端条件下寻找由组合应力、设备制造、内部模块相互作用或兼容性引起的失效模式，可以证明设备耐瞬间过应力的能力；可靠性加速增长试验是在保持失效机理不变的条件下，通过加大试验应力来缩短试验周期，利用较短的试验时间暴露产品设计或工艺耗损型机理导致的故障，通过设计改进提高产品的可靠性。
目前国内部分型号定型时，针对高可靠二、三级产品可靠性综合评价开展了一些研究工作。其主要思想为：二、三级产品的可靠性水平由科研试飞和定型试飞该中累计的数据进行评价，如果外场数据不足以判定产品是否达到可靠性最低可接受值，且产品通过了可靠性鉴定试验或加速增长试验，则需要综合考虑仿真试验的薄弱环节处置情况和强化试验的应力极限结果和故障纠正措施对其可靠性进行综合评价。然而，目前设备级产品可靠性水平都很高，试飞数据和部队试用数据不足以评估其可靠性，如果根据产品研制过程中问题发现和纠正情况直接对产品做出接收判断，缺乏科学根据，使用方风险不可控。
任务电子系统组成庞大、复杂、任务构型多样。以往对于类似复杂大系统的可靠性评价，主要采用在定型阶段开展内场紧缩系统可靠性鉴定试验或外场试飞评估的方式回答其可靠性指标。然而，紧缩试验方法的合理性和考核充分性还存在争议，同时，目前由于提供内场可靠性鉴定试验的样机存在内场通过试验，但在部队外场故障率较高的现象，其次，外场试飞评估数据来源不受控，典型任务剖面覆盖不全面，使得评估准确性大打折扣。而且，以上两种方法都只能在研制最终阶段给出产品可靠性评估值，无法在研制各个阶段对产品可靠性水平进行跟踪评价，从而使得可靠性设计和验证工作呈现两张皮的状态，不利于在装备研制过程中及时调整可靠性计划和设立可靠性增长目标。
鉴于目前任务电子系统可靠性评价方法存在的问题，为了对此型复杂电子系统进行更加合理和全面的可靠性评价，将产品可靠性评价管理前伸并贯穿整个研制过程，并在研制各阶段引导设计师真正参与产品可靠性设计及增长过程，本发明拟在明确数据收集字段、格式及相应数据处理方法的基础上，利用各研制阶段地面试验、航电联试、军所检、外场试飞、环境试验、鉴定试验等使用数据及故障信息，采用可靠性综合评价理论方法，在研制各阶段分别综合评价任务电子系统的可靠性水平，具备良好的工程可操作性。
在一个实施例中，如图2所示，提供了一种任务电子系统可靠性数据量化方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S201、获取系统中多个设备的地面试验可靠性数据，将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据；地面试验可靠性数据用于表征系统在不同设备中的试验数据。
其中，系统一般指的是现代军用飞机对应的任务电子系统，地面试验可靠性数据至少包括各个设备的有效试验(通电)时间、责任故障数、故障现象、故障发生时刻、故障原因和故障纠正情况等数据。成败型数据指的是当该数据发生故障时会直接影响设备或系统的正常运行，该数据结果只呈现两种状态，即故障和非故障；非成败型数据与成败型数据呈对立关系，顾名思义，非成败型数据指的是该数据会在某个时刻或某段时间里发生故障波动，但数据结果并只不呈现两种结果。
在本实施例中，计算机设备从不同系统实验室的设备获取各自对应的地面试验可靠性数据，由于不同设备的试验项目不一定一致，计算机设备获取到的各设备的地面实验数据存在格式不一致或数据类型不一致的情况，在进行所有设备的地面试验可靠性数据融合过程中，需要对数据类型或者数据格式做出统一标准要求。一般的，计算机设备可以将地面试验可靠性数据中非成败型数据转换为成败型数据，其数据类型转换的方法包括多种，可以采用二项近似法、正态近似法等多种算法进行数据类型的转换，本实施例对此不做限定。
S202、将系统在研制阶段产生的研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据；基准环境条件用于表示所有的融合数据均为同一环境条件下的数据。
其中，研制阶段的研制数据包括地面联试阶段产生的数据、航电联试阶段产生的数据、外场试飞阶段产生的数据、军所检产生的数据、摸底试验阶段产生的数据、环境试验阶段产生的数据等。上述各阶段产生的数据类型一般包括试验项目、环境条件、有效试验(通电)时间、责任故障数、故障现象、故障发生时刻、故障原因和故障纠正情况等。
在本实施例中，计算机设备获取不同研制阶段产生的研制数据，不同的研制阶段需要开展不同的试验项目，系统在各试验项目中所经受的环境条件存在差异，计算机设备在对上述研制数据进行融合之前，需要将不同环境条件下收集的研制数据折合到统一的环境基准条件下。计算机设备可以通过多种方法将不同环境条件下的数据折合至基准环境条件下，其中，计算机设备可以通过分析环境条件中对比影响因子，根据影响因子建立数据折合模型，该对比影响因子指的是该影响因子发生变化时，对研制数据会产生比较大的影响。示例地，计算机设备通过对研制数据进行分析，得出研制数据的主要应力为温度应力和振动应力，则可以利用阿伦尼斯模型和逆幂率模型求得温度折合因子和振动折合因子，进而根据温度折合因子和振动折合因子进行数据的折合，本实施例对此不做限定。
S203、对基准环境条件下的融合数据与至少一个测试阶段产生的过程数据进行融合并量化，得到各测试阶段的量化结果；量化结果用于表示系统的可靠程度。
其中，测试阶段至少包括基地试飞阶段、部队试用阶段、研制阶段、以及试验阶段，其中，测试阶段产生的数据类型至少包括飞机编号、执行何种任务、实际工作时间、故障发生时间、故障现象、故障原因等。
在本实施例中，系统在不同测试阶段存在技术状态的差异，不同阶段的试验数据理论上不来自于同一母体，计算机设备在某时刻对当前阶段的测试数据进行数据评估，则需要考虑母体的变化情况，而不是通过对上一阶段的测试数据的量化结果进行累加得到当前测试阶段的量化结果。一般的，判断当前阶段的测试数据相较于前一阶段的测试数据是否存在母体的变化，判断依据可以为当前阶段的测试数据相较于前一阶段的测试数据是否存在数据增长趋势，而检验当前阶段的测试数据是否存在数据增长趋势的方法包括多种，计算机设备可以采用顺序增长模型、动态增长模型、约束增长模型等数据模型来检验数据增长趋势。示例地，计算机设备可以采用变母体增长量化方法，利用顺序增长模型对各阶段试验数据进行增长检验，把各阶段数据融合为增长后的可靠性数据，本实施例对此不做限定。
上述任务电子系统可靠性数据量化方法中，计算机设备通过获取系统中多个设备的地面试验可靠性数据，将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据,将系统在研制阶段产生的研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据,对基准环境条件下的融合数据与至少一个测试阶段产生的过程数据进行融合并量化，得到各测试阶段的量化结果。本方法中，计算机设备在对地面试验可靠性数据进行数据字段、格式及相应数据处理的基础上，利用研制阶段、测试阶段的数据及故障信息，通过数据融合量化的方法，对研制阶段、测试阶段的数据进行可靠性水平量化，从而得到研制阶段、测试阶段的过程数据的量化结果，实现了对研制阶段、测试阶段的系统可靠性水平进行跟踪评价，从而解决可靠性设计和验证工作呈现“两张皮”的问题，有利于在装备研制过程中及时调整可靠性计划和设立可靠性增长目标，具备良好的工程可操作性。
本方法要实现对系统测试阶段过程数据的量化跟踪，计算机设备就需要对所有测试阶段的过程数据进行量化处理，在一个实施例中，如图3所示，上述对基准环境条件下的融合数据与至少一个测试阶段产生的过程数据进行融合并量化，得到各测试阶段的量化结果，包括：
S301、根据上一个测试阶段的量化结果对当前测试阶段的过程数据进行增长趋势检验；增长趋势检验用于检验过程数据相对于上一个测试阶段的量化结果的平均故障间隔时间的增长情况。
其中，上一个测试阶段的量化结果包括上一个测试阶段的试验时间和故障数；当前测试阶段的过程数据至少包括试验时间、故障数、故障现象、故障原因等。
在本实施例中，计算机设备可以利用顺序增长模型或约束增长模型对当前测试阶段的过程数据进行可靠性增长趋势检验，一般的，数据增长趋势检验可以通过分析当前测试阶段过程数据中的试验时间和故障数，与上一个测试阶段的量化结果的试验时间和故障数之间的关系，检验当前测试阶段过程数据是否存在数据增长趋势。示例地，假设阶段i的故障次数为ni，试验时间为ti，下一阶段的过程数据的检验统计量的公式具体如下：
通过上述计算下一阶段的过程数据的检验统计量，得到计算结果，本实施例对此不做限定。
S302、根据检验结果得到当前测试阶段的量化结果。
其中，检验结果包括存在数据增长趋势和不存在数据增长趋势。
在本实施例中，计算机设备通过公式(1)计算得到检验结果，如果通过检验，则可根据上一测试阶段的试验时间和故障数，推算出增长模型下的等效的试验时间及故障数，进而开展可靠性评估，如果不能通过检验，则把上一测试阶段的试验时间和故障数与当前阶段的试验时间及故障数相加，进行可靠性评估。根据上述公式(1)，若计算结果为则表示从阶段i到阶段i+1存在数据增长趋势；若计算结果为则将两段数据进行合并，继续进行下一测试阶段的过程数据的增长检验，其中α为显著性水平一般取0.05、0.1或0.2等，本实施例对此不做限定。
具体地，在一个实施例中，如图4所示，上述根据检验结果得到当前测试阶段的量化结果，包括：
S401、若检验结果为当前测试阶段的过程数据存在增长趋势，则采用变母体增长量化方法将上一个测试阶段的量化结果与当前测试阶段的过程数据进行融合并量化，得到当前测试阶段的量化结果。
其中，变母体增长量化方法指的是当数据母体发生变化时，计算融合数据的等效试验时间及故障数的方法。
在本实施例中，根据上述公式(1)，若检验结果为则表示从阶段i到阶段i+1存在数据增长趋势，此时，计算机设备可以通过以下具体的变母体增长量化方法，计算上一测试阶段和当前测试阶段的融合数据的试验时间及故障数。
首先分别令n′i＝ni+1和t′i＝ti,(i＝1,…,m)计算Mm -1的一阶矩μ和二阶矩ν：
其中，n为故障数，t为试验时间。
矩阵A的具体计算公式为：
ω(k1,...,km-1)的具体计算公式为：
qi的具体计算公式为：
qi＝ki-1+n′i-1,(i＝1,…,m,k0＝0) (6)
将上述计算求得的一阶矩μ和二阶矩ν带入公式(7)和(8)，求得第m测试阶段的等效试验时间tm和故障数nm：
tm＝μ/(ν-μ2) (7)
nm＝tmμ (8)
此时，系统在当前测试阶段的MTBF点估计为：
系统在当前测试阶段置信度为C的量化下限值为：
S402、若检验结果为当前测试阶段的过程数据不存在增长趋势，则将上一个测试阶段的量化结果与当前测试阶段的过程数据相加并量化，得到当前测试阶段的量化结果。
在本实施例中，根据上述公式(1)，若检验结果为则表示从阶段i到阶段i+1不存在数据增长趋势，此时，计算机设备则可以通过将上一个测试阶段的量化结果中的试验时间、故障数与当前测试阶段的过程数据中的试验时间、故障数相加，得到当前测试阶段的量化结果，本实施例对此不做限定。
在本实施例中，由于不同测试阶段的过程数据可能存在目标变化，计算机设备采用变母体增长量化方式对过程数据进行增长趋势检验，并不是直接将量化结果累加，使得最终得到的量化结果更加准确，可靠。
计算机设备在开始采集不同实验室设备的地面试验可靠性数据时，由于不同设备的地面试验可靠性数据类型或数据格式不一定一致，仍需要对不同设备地面试验可靠性数据进行处理，在一个实施例中，如图5所示，上述将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据，包括：
S501、获取地面试验可靠性数据的数据类型；数据类型至少包括成败型数据和非成败型数据。
在本实施例中，计算机设备可以通过向各实验室设备发送采集地面试验可靠性数据的指令，以使各实验室的设备将自身采集到的地面试验可靠性数据发送至计算机设备中。计算机设备从不同系统实验室的设备获取各自对应的地面试验可靠性数据，该地面试验可靠性数据包括多个数据项目，不同设备的数据项目的数据类型存在不一致的情况，示例地，数据类型包括成败型数据和非成败型数据，本实施例对此不做限定。
S502、若数据类型为非成败型数据，则采用二项近似法，将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据。
在本实施例中，计算机设备可以根据不同设备的地面试验可靠性数据构建相应的数学模型，示例地，在本实施例中，由于不同实验室的设备呈现金字塔分布，地面试验可靠性数据源于各个组成单元地面试验，计算机设备为了融合这些数据，利用金字塔模型的单元级向系统级数据整合方法，将下一层级设备的可靠性数据整合成上一层级的可靠性数据。对于地面试验可靠性数据中的综合天线孔径、电子对抗综合单元和有源自卫发射设备等单元单独收集的一部分试验数据，该数据为非成败型数据，计算机设备可通过二项近似法，将它们的数据转化为成败型数据。具体的计算方式如下所示：
设定系统的任务系统的初始参数，其中，样本量为ns，成功次数为ss，系统由n个成败型设备串联；设定设备的初始参数，其中，样本量为ni，成功次数为si。
已知任务系统中的各设备的数据为(ni，si)，其中，ni为第i个设备的样本量，si为第i个设备的成功次数，fi为第i个设备的失败次数。
系统等效样本量的计算方式如下：
n*＝min{n1,n2,...,nl} (11)
系统等效失败次数的计算方式如下：
根据系统等效样本量和失败次数就可以利用二项分布求得系统的可靠度点估计和单侧置信下限。对于系统组成单元有非成败型单元时，可以通过LM法，将非成败型单元的数据转化为成败型数据。
根据设备的数据得到设备的可靠性点估计值和可靠度置信下限RL,c,i，根据这两个值，可将设备的数据转换为成败型数据(n*,f*)，转换公式见下：
在本实施例中，计算机设备可以将非成败型数据转换为成败型数据，将转换后的数据类型一致的数据进行融合处理，增大融合得到的数据的可靠性。
系统的研制阶段是处于不同的环境条件下进行研制测试的，故研制阶段的数据是处于不同环境条件下的数据，若要对所有数据进处理，则需要将所有数据折合至同一个环境条件下进行处理，在一个实施例中，如图6所示，上述将系统在研制阶段产生的研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据，包括：
S601、获取研制数据对应的试验类型；试验类型至少包括受环境影响的试验和不受环境影响的试验。
在本实施例中，计算机设备根据研制阶段的试验项目，获取研制阶段的数据对应的试验类型，研制阶段的研制数据对应的试验类型包括地面联试、航电联试、外场试飞、军所检、摸底试验、环境试验等。上述不同试验类型的试验环境存在差异，计算机设备需要根据不同的试验类型，采用不同的折合方法，将不同环境条件下收集的研制数据折合到统一的环境基准条件下，本实施例对此不做限定。
S602、根据试验类型对应的数据融合方法，将研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据。
在本实施例中，计算机设备将可靠性鉴定试验剖面与外场试飞条件等同，以此作为基准，根据试验类型，明确各试验时间的折合方式。示例地，对于可靠性试验、基地试飞和部队试飞等其主要应力不是温度和振动应力的试验，此处也可以认为是受环境影响较少的试验类型，计算机设备可以直接采用1：1折合的方式将该阶段的数据与转换后的试验数据进行融合；对于地面联试、航电联试、军所检、摸底试验、环境试验等其主要应力为温度和振动应力的试验，则按需要根据环境影响因子进行数据折合。不同试验类型对应的数据融合方式可以参考表1所示，本实施例对此不做限定。
表1
具体地，在一个实施例中，如图7所示，上述根据试验类型对应的数据融合方法，将研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据，包括：
S701、若试验类型为受环境影响的试验，则采用阿伦尼斯模型和逆幂率模型获得环境折合因子，利用环境折合因子将研制数据与转换后的试验数据折合到基准环境条件下，得到基准环境条件下的融合数据。
其中，试验类型为受环境影响的试验，即该试验类型的应力主要是温度应力和振动应力，此时，计算机设备可以采用阿伦尼斯模型计算温度折合因子，采用逆幂率模型计算振动折合因子，利用温度折合因子和振动折合因子将不同环境下的数据折合到基准条件。
在本实施例中，为获得相同的试验效果，通常可靠性鉴定试验剖面是以模拟外场使用实际条件作为输入制定的，从工程实施角度，计算机设备可以将不同测试阶段的环境条件与外场试飞条件等同，以此作为基准，采用阿伦尼斯模型和逆幂率模型将研制阶段中不同温度及振动条件下的试验时间数据进行折合。
具体地，在一个实施例中，环境折合因子至少包括温度折合因子和振动折合因子，上述采用阿伦尼斯模型和逆幂率模型获得环境折合因子，包括：
根据任意两个温度台阶之间的试验时间，采用阿伦尼斯模型，计算求得温度折合因子；根据试验振动功率谱密度与振动功率谱密度额定值的关系，采用逆幂率模型，计算求得振动折合因子；振动功率谱密度额定值指的是传统试验剖面下的振动功率谱密度。
其中，采用阿伦尼斯模型被广泛用来预计温度函数的寿命，适用于与温度有关且在该模型有效范围内的失效机理。阿伦尼斯模型用于描述热激发失效机理，如金相见的扩散、化学反应、微电子电路中的某些失效机理，广泛应用于元器件和电子系统的加速试验中。温度折合因子的本质就是加速系数，在本实施例中，利用阿伦尼斯模型计算温度因子，采用此模型可将任意两个温度台阶之间的试验时间通过温度因子进行折合。
其中，温度折合因子的求解方式如下所示：
Acc为各研制试验温度下相对于基准温度的折合因子；Ea为激活能，以eV为单位，因为电子系统的激活能基本上由其中的集成芯片确定，而一般集成芯片的激活能取0.8～1.1，在本实施例中，此处Ea取0.8eV；K为玻尔兹曼常数，一般为8.6171×10-5V/K。
示例地，当以可靠性鉴定试验剖面为基准温度时，由于可靠性鉴定试验剖面中有多个温度段，需要将多个温度台阶折合到一个温度台阶上，这时需要引进损伤量的概念。假设一个可靠性鉴定试验剖面带给系统的损伤量为1，对于某个特定的系统，如一个剖面有-55℃(60min)、70℃(60min)、21℃(180min)和27℃(180min)，那么将这些温度折合到一个温度台阶70℃为135min,损伤量仍然为1。假设该系统在常温下(25℃)拷机试验300小时，等效为70℃是65小时，相当于28.8个损伤量，也就是相当经历了28.8个可靠性鉴定试验剖面，即这300小时在可靠性综合评估中算为230小时。
其中，振动应力引起电子系统疲劳失效，其疲劳效被认为服从逆幂率模型。振动因子利用逆幂率模型计算所得：
其中，ν1为某研制试验的振动功率谱密度；ν2为传统试验剖面下的振动功率谱密度；m为振动应力加速率常数，不同的失效类型对应不同的值，一般介于3～5之间。
与温度折合因子类似，以可靠性鉴定试验中一次任务所经历的振动剖面作为一个损伤量，可以利用上式，将带有振动应力的研制试验项目折合到鉴定振动剖面的损伤上。示例地，假设一个可靠性鉴定试验剖面的持续时间为480min时，带给系统的振动损伤量为1，对于某个特定的系统，剖面有0.005g2/Hz(20min),0.001g2/Hz(340min)，那么将这些振动折合到0.005g2/Hz的持续时间为22min,损伤量仍然为1。假设该系统在功能振动量值0.006g2/Hz，3小时，则等效到0.005g2/Hz，相当于1075min,相当与约49个损伤量，即这3小时的功能振动相当于可靠性鉴定振动试验剖面391小时。
S702、若试验类型为不受环境影响的试验，则按照预设比例将研制数据与转换后的试验数据进行折合处理，得到融合处理后的数据。
其中，预设比例指的是根据环境条件的温度差、振动差计算得到的这个比例，一般的，本实施例采用1：1进行折合。在本实施例中，若试验类型为不受环境影响的试验，即试验类型为不受温度应力或振动应力影响，或者受温度应力或振动应力影响较小的试验类型，计算机设备在进行数据融合时，直接将研制数据与转换后的试验数据按照1:1的比例，进行折合处理，得到融合处理后的数据，本实施例对此不做限定。
在本实施例中，为获得相同的试验效果，计算机设备考虑不同研制阶段的试验类型受环境的影响，采用不同的方式对研制阶段的试验数据进行融合处理，使得融合处理后的数据更能准确表示研制阶段的实际情况，提高了融合数据的可靠性。
为了更好的说明上述方法，如图8所示，本实施例提供一种任务电子系统可靠性数据量化方法，具体包括：
S801、获取系统中多个设备的地面试验可靠性数据，并获取地面试验可靠性数据的数据类型；
S802、将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据；
S803、若数据类型为非成败型数据，则采用二项近似法，将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据；
S804、获取研制数据对应的试验类型；
S805、若试验类型为受环境影响的试验，则采用阿伦尼斯模型和逆幂率模型获得环境折合因子，利用环境折合因子将研制数据与转换后的试验数据折合到基准环境条件下，得到基准环境条件下的融合数据；
S806、若试验类型为不受环境影响的试验，则将研制数据与转换后的试验数据进行一比一折合处理，得到融合处理后的数据；
S807、对基准环境条件下的融合数据与当前测试阶段产生的过程数据进行融合并量化，得到当前测试阶段的量化结果；
S808、根据上一个测试阶段的量化结果对当前测试阶段的过程数据进行增长趋势检验；
S809、若检验结果为当前测试阶段的过程数据存在增长趋势，则采用变母体增长量化方法将上一个测试阶段的量化结果与当前测试阶段的过程数据进行融合并量化，得到当前测试阶段的量化结果；
S810、若检验结果为当前测试阶段的过程数据不存在增长趋势，则将上一个测试阶段的量化结果与当前测试阶段的过程数据相加并量化，得到当前测试阶段的量化结果。
在本实施例中，计算机设备在对地面试验可靠性数据进行数据字段、格式及相应数据处理的基础上，利用研制阶段、测试阶段的数据及故障信息，通过数据融合量化的方法，对研制阶段、测试阶段的数据进行可靠性水平量化，从而得到研制阶段、测试阶段的过程数据的量化结果，实现了对研制阶段、测试阶段的系统可靠性水平进行跟踪评价，有利于在装备研制过程中及时调整可靠性计划和设立可靠性增长目标，具备良好的工程可操作性。
本实施例中提供的一种任务电子系统可靠性数据量化方法，其实现原理和技术效果与上述任一实施例提供的任务电子系统可靠性数据量化方法的过程类似，在此不再赘述。
应该理解的是，虽然图2-8的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2-8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种任务电子系统可靠性数据量化装置，包括：地面数据获取模块901、研制数据融合模块902和量化模块903，其中：
地面数据获取模块901，用于获取系统中多个设备的地面试验可靠性数据，将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据；地面试验可靠性数据用于表征系统在不同设备中的试验数据；
研制数据融合模块902，用于将系统在研制阶段产生的研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据；基准环境条件用于表示所有的融合数据均为同一环境条件下的数据；
量化模块903，用于对基准环境条件下的融合数据与至少一个测试阶段产生的过程数据进行融合并量化，得到各测试阶段的量化结果；量化结果用于表示系统的可靠程度。
在一个实施例中，如图10所示，上述量化模块903包括检验单元9031和量化单元9032，其中：
检验单元9031，用于根据上一个测试阶段的量化结果对当前测试阶段的过程数据进行增长趋势检验；增长趋势检验用于检验过程数据相对于上一个测试阶段的量化结果的平均故障间隔时间的增长情况；
量化单元9032，用于根据检验结果得到当前测试阶段的量化结果。
在一个实施例中，上述量化单元9032包括第一量化子单元和第二量化子单元，其中：
第一量化子单元，用于若检验结果为当前测试阶段的过程数据存在增长趋势，则采用变母体增长量化方法将上一个测试阶段的量化结果与当前测试阶段的过程数据进行融合并量化，得到当前测试阶段的量化结果；
第二量化子单元，用于若检验结果为当前测试阶段的过程数据不存在增长趋势，则将上一个测试阶段的量化结果与当前测试阶段的过程数据相加并量化，得到当前测试阶段的量化结果。
在一个实施例中，如图11所示，上述地面数据获取模块901包括获取单元9011和转换单元9012，其中：
获取单元9011，用于获取地面试验可靠性数据的数据类型；数据类型至少包括成败型数据和非成败型数据；
转换单元9012，用于若数据类型为非成败型数据，则采用二项近似法，将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据。
在一个实施例中，如图12所示，上述研制数据融合模块902包括获取单元9021和融合单元9022，其中：
获取单元9021，用于获取研制数据对应的试验类型；试验类型至少包括受环境影响的试验和不受环境影响的试验；
融合单元9022，用于根据试验类型对应的数据融合方法，将研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据。
在一个实施例中，上述融合单元9022包括第一融合子单元和第二融合子单元：
第一融合子单元，用于若试验类型为受环境影响的试验，则采用阿伦尼斯模型和逆幂率模型获得环境折合因子，利用环境折合因子将研制数据与转换后的试验数据折合到基准环境条件下，得到基准环境条件下的融合数据；
第二融合子单元，用于若试验类型为不受环境影响的试验，则按照预设比例将研制数据与转换后的试验数据进行折合处理，得到融合处理后的数据。
在一个实施例中，环境折合因子至少包括温度折合因子和振动折合因子；上述第一融合子单元具体用于根据任意两个温度台阶之间的试验时间，采用阿伦尼斯模型，计算求得温度折合因子；还用于根据试验振动功率谱密度与振动功率谱密度额定值的关系，采用逆幂率模型，计算求得振动折合因子；振动功率谱密度额定值指的是传统试验剖面下的振动功率谱密度。
关于任务电子系统可靠性数据量化装置的具体限定可以参见上文中对于任务电子系统可靠性数据量化方法的限定，在此不再赘述。上述任务电子系统可靠性数据量化装置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，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取系统中多个设备的地面试验可靠性数据，将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据；地面试验可靠性数据用于表征系统在不同设备中的试验数据；
将系统在研制阶段产生的研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据；基准环境条件用于表示所有的融合数据均为同一环境条件下的数据；
对基准环境条件下的融合数据与至少一个测试阶段产生的过程数据进行融合并量化，得到各测试阶段的量化结果；量化结果用于表示系统的可靠程度。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
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，计算机程序被处理器执行时实现以下步骤：
获取系统中多个设备的地面试验可靠性数据，将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据；地面试验可靠性数据用于表征系统在不同设备中的试验数据；
将系统在研制阶段产生的研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据；基准环境条件用于表示所有的融合数据均为同一环境条件下的数据；
对基准环境条件下的融合数据与至少一个测试阶段产生的过程数据进行融合并量化，得到各测试阶段的量化结果；量化结果用于表示系统的可靠程度。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上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)
1.一种任务电子系统可靠性数据量化方法，其特征在于，所述方法包括：
获取系统中多个设备的地面试验可靠性数据，将所述地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据；所述地面试验可靠性数据用于表征所述系统在不同设备中的试验数据；
将所述系统在研制阶段产生的研制数据与所述转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据；所述基准环境条件用于表示所有的融合数据均为同一环境条件下的数据；
根据上一个测试阶段的量化结果对当前测试阶段的过程数据进行增长趋势检验；所述增长趋势检验用于检验所述过程数据相对于所述上一个测试阶段的量化结果的平均故障间隔时间的增长情况；
若所述检验结果为所述当前测试阶段的过程数据存在增长趋势，则采用变母体增长量化方法将所述上一个测试阶段的量化结果与所述当前测试阶段的过程数据进行融合并量化，得到所述当前测试阶段的量化结果；
若所述检验结果为所述当前测试阶段的过程数据不存在增长趋势，则将所述上一个测试阶段的量化结果与所述当前测试阶段的过程数据相加并量化，得到所述当前测试阶段的量化结果；
所述量化结果用于表示所述系统的可靠程度。
2.根据权利要求1所述的方法，其特征在于，所述将所述地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据，包括：
获取所述地面试验可靠性数据的数据类型；所述数据类型至少包括成败型数据和非成败型数据；
若所述数据类型为非成败型数据，则采用二项近似法，将所述地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据。
3.根据权利要求1所述的方法，其特征在于，所述将所述系统在研制阶段产生的研制数据与所述转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据，包括：
获取所述研制数据对应的试验类型；所述试验类型至少包括受环境影响的试验和不受环境影响的试验；
根据所述试验类型对应的数据融合方法，将所述研制数据与所述转换后的试验数据进行数据融合处理，得到所述基准环境条件下的融合数据。
4.根据权利要求3所述的方法，其特征在于，所述根据所述试验类型对应的数据融合方法，将所述研制数据与所述转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据，包括：
若所述试验类型为所述受环境影响的试验，则采用阿伦尼斯模型和逆幂率模型获得环境折合因子，利用环境折合因子将所述研制数据与所述转换后的试验数据折合到所述基准环境条件下，得到所述基准环境条件下的融合数据；
若所述试验类型为所述不受环境影响的试验，则按照预设比例将所述研制数据与所述转换后的试验数据进行折合处理，得到融合处理后的数据。
5.根据权利要求4所述的方法，其特征在于，所述环境折合因子包括温度折合因子和振动折合因子，所述采用阿伦尼斯模型和逆幂率模型获得环境折合因子，包括：
根据任意两个温度台阶之间的试验时间，采用阿伦尼斯模型，计算求得所述温度折合因子；
根据试验振动功率谱密度与振动功率谱密度额定值的关系，采用逆幂率模型，计算求得所述振动折合因子；所述振动功率谱密度额定值指的是传统试验剖面下的振动功率谱密度。
6.一种任务电子系统可靠性数据量化装置，其特征在于，所述装置包括：
地面数据获取模块，用于获取系统中多个设备的地面试验可靠性数据，将所述地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据；所述地面试验可靠性数据用于表征系统在不同设备中的试验数据；
研制数据融合模块，用于将所述系统在研制阶段产生的研制数据与所述转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据；所述基准环境条件用于表示所有的融合数据均为同一环境条件下的数据；
量化模块，用于根据上一个测试阶段的量化结果对当前测试阶段的过程数据进行增长趋势检验；所述增长趋势检验用于检验所述过程数据相对于所述上一个测试阶段的量化结果的平均故障间隔时间的增长情况；若所述检验结果为所述当前测试阶段的过程数据存在增长趋势，则采用变母体增长量化方法将所述上一个测试阶段的量化结果与所述当前测试阶段的过程数据进行融合并量化，得到所述当前测试阶段的量化结果；若所述检验结果为所述当前测试阶段的过程数据不存在增长趋势，则根据所述上一个测试阶段的量化结果与所述当前测试阶段的过程数据，得到所述当前测试阶段的量化结果；所述量化结果用于表示所述系统的可靠程度。
7.根据权利要求6所述的装置，其特征在于，所述地面数据获取模块包括获取单元和转换单元，获取单元，用于获取地面试验可靠性数据的数据类型；数据类型至少包括成败型数据和非成败型数据；转换单元，用于若数据类型为非成败型数据，则采用二项近似法，将地面试验可靠性数据中的非成败型数据转换为成败型数据，得到转换后的试验数据。
8.根据权利要求6所述的装置，其特征在于，所述研制数据融合模块包括获取单元和融合单元，获取单元，用于获取研制数据对应的试验类型；试验类型至少包括受环境影响的试验和不受环境影响的试验；融合单元，用于根据试验类型对应的数据融合方法，将研制数据与转换后的试验数据进行数据融合处理，得到基准环境条件下的融合数据。
9.一种计算机设备，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中任一项所述的方法的步骤。
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010326257.1A CN111680388B (zh) | 2020-04-23 | 2020-04-23 | 任务电子系统可靠性数据量化方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010326257.1A CN111680388B (zh) | 2020-04-23 | 2020-04-23 | 任务电子系统可靠性数据量化方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111680388A CN111680388A (zh) | 2020-09-18 |
| CN111680388B true CN111680388B (zh) | 2023-12-12 |
Family
ID=72452033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010326257.1A Active CN111680388B (zh) | 2020-04-23 | 2020-04-23 | 任务电子系统可靠性数据量化方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111680388B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114610645B (zh) * | 2022-03-30 | 2022-12-23 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 任务可靠性和测试性联合确定方法、装置和计算机设备 |
| CN115687951B (zh) * | 2022-12-13 | 2023-04-07 | 中国电子信息产业集团有限公司第六研究所 | 一种混合电子系统的可靠性评估方法及装置 |
| CN116187108B (zh) * | 2023-04-27 | 2023-07-18 | 北京航空航天大学 | 舰载机着舰任务的可靠性分配方法和装置 |
| CN116881852B (zh) * | 2023-09-07 | 2023-11-14 | 北京航空航天大学 | 一种多源数据下的导弹技术准备完好率评估方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102789543A (zh) * | 2012-07-03 | 2012-11-21 | 北京航空航天大学 | 基于多试验信息的可靠性综合评估方法 |
| CN105373687A (zh) * | 2014-08-18 | 2016-03-02 | 鲍珂 | 一种基于多阶段试验的重型车辆动力系统可靠性评估方法 |
| CN106485410A (zh) * | 2016-09-30 | 2017-03-08 | 中车南京浦镇车辆有限公司 | 一种确定轨道车辆可靠性增长趋势及预测故障率的方法 |
| CN107808169A (zh) * | 2017-11-16 | 2018-03-16 | 中国航天标准化研究所 | 一种航天多阶段任务系统可靠性评估方法和系统 |
-
2020
- 2020-04-23 CN CN202010326257.1A patent/CN111680388B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102789543A (zh) * | 2012-07-03 | 2012-11-21 | 北京航空航天大学 | 基于多试验信息的可靠性综合评估方法 |
| CN105373687A (zh) * | 2014-08-18 | 2016-03-02 | 鲍珂 | 一种基于多阶段试验的重型车辆动力系统可靠性评估方法 |
| CN106485410A (zh) * | 2016-09-30 | 2017-03-08 | 中车南京浦镇车辆有限公司 | 一种确定轨道车辆可靠性增长趋势及预测故障率的方法 |
| CN107808169A (zh) * | 2017-11-16 | 2018-03-16 | 中国航天标准化研究所 | 一种航天多阶段任务系统可靠性评估方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111680388A (zh) | 2020-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111680388B (zh) | 任务电子系统可靠性数据量化方法、装置和计算机设备 | |
| Naha et al. | Internal short circuit detection in Li-ion batteries using supervised machine learning | |
| Zhang et al. | A missing-data tolerant method for data-driven short-term voltage stability assessment of power systems | |
| CN107918358B (zh) | 数控装备故障分析方法和装置 | |
| US8726203B1 (en) | System and method for generating virtual test benches | |
| Sun et al. | A novel fault prediction method based on convolutional neural network and long short-term memory with correlation coefficient for lithium-ion battery | |
| CN113343581B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
| CN115687951B (zh) | 一种混合电子系统的可靠性评估方法及装置 | |
| CN117933065A (zh) | 一种液体火箭发动机的寿命评估方法 | |
| Zhao et al. | Sensor fault diagnosis of aero-engine based on divided flight status | |
| Calderano et al. | An enhanced aircraft engine gas path diagnostic method based on upper and lower singleton type-2 fuzzy logic system | |
| Fan et al. | Bayesian inference of a series system on Weibull step-stress accelerated life tests with dependent masking | |
| Yakovyna et al. | Reliability assessment of CubeSat nanosatellites flight software by high-order Markov chains | |
| Wang et al. | Method of diagnostic tree design for system-level faults based on dependency matrix and fault tree | |
| CN113052431B (zh) | 一种基于adcp模型的航天测发系统效能评估方法 | |
| CN116432442A (zh) | 航天发射场地面设施设备三性一体化评估方法 | |
| Contini et al. | Sensitivity analysis for system design improvement | |
| Yuan et al. | An integrated method for hardware FMEA of new electronic products | |
| Vesely | Probabilistic risk assessment | |
| Wang et al. | Reliability modeling and verification method for dynamic reconfiguration system | |
| Zhou et al. | Generating function approach to reliability analysis of structural systems | |
| Wang et al. | Testability modeling and test point optimization method of multi-State system | |
| Shi et al. | Comparison of model-based diagnosis methods: Testability modeling & Rodon | |
| Liu et al. | Missile health status assessment method based on hierarchical model | |
| Rao et al. | A novel Markov system dynamics framework for reliability analysis of systems |
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 |