CN111967167B - 一种非线性退化过程可靠性评估方法 - Google Patents

一种非线性退化过程可靠性评估方法 Download PDF

Info

Publication number
CN111967167B
CN111967167B CN202011122527.3A CN202011122527A CN111967167B CN 111967167 B CN111967167 B CN 111967167B CN 202011122527 A CN202011122527 A CN 202011122527A CN 111967167 B CN111967167 B CN 111967167B
Authority
CN
China
Prior art keywords
degradation
function
performance degradation
nonlinear
stage
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
CN202011122527.3A
Other languages
English (en)
Other versions
CN111967167A (zh
Inventor
王治华
张奡
吴琼
温楠
李璐
欧阳相民
刘鸿鹄
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202011122527.3A priority Critical patent/CN111967167B/zh
Publication of CN111967167A publication Critical patent/CN111967167A/zh
Application granted granted Critical
Publication of CN111967167B publication Critical patent/CN111967167B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开的实施例提供了一种非线性退化过程可靠性评估方法、系统、设备和计算机可读存储介质。所述方法包括获取产品的性能退化测试数据；对所述性能退化测试数据进行分析，建立考虑阶段性的非线性退化模型；根据所述性能退化测试数据对所述考虑阶段性的非线性退化模型的未知参数进行极大似然估计，确定所述未知参数的估计值，将述未知参数的估计值代入所述考虑阶段性的非线性退化模型，得到最优考虑阶段性的非线性退化模型；通过所述最优考虑阶段性的非线性退化模型评估产品可靠性。以此方式，可以进行有效的产品可靠性评估。

Description

一种非线性退化过程可靠性评估方法
技术领域
本公开的实施例一般涉及性能退化可靠性工程技术领域，并且更具体地，涉及一种非线性退化过程可靠性评估方法、系统、设备和计算机可读存储介质。
背景技术
准确的可靠性评估对于保障产品的安全运行，制定维修更换策略具有重要意义。对于缺乏足够失效数据的高可靠性长寿命产品，性能退化分析为其可靠性评估提供了可行途径。在性能退化分析中，建立能够合理描述性能退化规律的模型对准确的可靠性评估十分关键。
由于内在失效机理的影响和外在环境条件的动态变化，很多产品的退化过程的特征无法用线性描述，呈现非线性退化规律。同时，其退化过程在初期和中后期会呈现阶段性变化，因而在退化模型中必须考虑性能退化过程的阶段性。另外，由于产品的退化过程是非单调的，退化模型往往基于Wiener过程建立。然而，目前考虑阶段性的Wiener过程退化建模方法大多数方法忽略了产品在各退化阶段的非线性特征，无法针对该问题进行有效的可靠性评估。
发明内容
本公开旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此，在本公开的第一方面，提供了一种非线性退化过程可靠性评估方法。该方法包括：
获取产品的性能退化测试数据；
对所述性能退化测试数据进行分析，建立考虑阶段性的非线性退化模型；
根据所述性能退化测试数据对所述考虑阶段性的非线性退化模型的未知参数进行极大似然估计，确定所述未知参数的估计值，将述未知参数的估计值代入所述考虑阶段性的非线性退化模型，得到最优考虑阶段性的非线性退化模型；
通过所述最优考虑阶段性的非线性退化模型评估产品可靠性。
进一步地，对所述性能退化测试数据进行分析，建立考虑阶段性的非线性退化模型包括：
所述对所述性能退化测试数据进行分析，确定所述性能退化测试数据在性能退化初期和性能退化中后期的阶段性退化特征；
分别根据所述性能退化初期和性能退化中后期的阶段性退化特征，选取对应的时间尺度函数，建立考虑阶段性的非线性退化模型。
进一步地，所述分别根据所述性能退化初期和性能退化中后期的阶段性退化特征，选取对应的时间尺度函数，建立考虑阶段性的非线性退化模型包括：
分别对所述性能退化初期和性能退化中后期的阶段性退化特征进行分析，判断在所述性能退化初期和性能退化中后期是否存在非线性退化特征；
若是，则通过第一时间尺度函数构建第一或第二退化时期退化模型；所述第一时间尺度函数包括幂函数、指数函数和/或对数函数；
若否，则通过第二时间尺度函数构建第一或第二退化时期退化模型；所述第二时间尺度函数包括线性函数；
根据所述第一和第二退化时期退化模型，构建所述考虑阶段性的非线性退化模型。
进一步地，根据所述性能退化测试数据对所述考虑阶段性的非线性退化模型的未知参数进行极大似然估计，确定所述未知参数的估计值包括：
根据Wiener过程的数学性质和所述性能退化测试数据，构建所述性能退化测试数据的似然函数；
根据所述似然函数对所述考虑阶段性的非线性退化模型的未知参数进行极大似然估计，确定所述未知参数的估计值；
其中，所述未知参数包括时间尺度函数参数、斜率、扩散系数和变点分布参数。
进一步地，所述根据所述似然函数对所述考虑阶段性的非线性退化模型的未知参数进行极大似然估计，确定所述未知参数的估计值包括：
根据所述似然函数对所述考虑阶段性的非线性退化模型的未知参数进行极大似然估计，得到时间尺度函数参数和退化轨迹变点的轮廓对数似然函数；
根据所述轮廓对数似然函数，计算得到所述时间尺度函数参数和退化轨迹变点的估计值；
根据所述时间尺度函数参数和退化轨迹变点的估计值，计算得到所述斜率和扩散系数的估计值；
对所述退化轨迹变点的估计值进行分布拟合，得到所述变点分布参数的估计值。
进一步地，所述通过所述考虑阶段性的非线性退化模型评估产品可靠性包括：
基于首达时通过所述考虑阶段性的非线性退化模型进行产品可靠性分析，得到所述产品的可靠度函数；
所述首达时为性能退化量首次达到失效阈值的时间。
在本公开的第二方面，提出了一种非线性退化过程可靠性评估系统，包括：
获取模块，用于获取产品的性能退化测试数据；
模型建立模块，用于对所述性能退化测试数据进行分析，建立考虑阶段性的非线性退化模型；
参数估计模块，用于根据所述性能退化测试数据对所述考虑阶段性的非线性退化模型的未知参数进行极大似然估计，确定所述未知参数的估计值，将所述未知参数的估计值代入所述非线性退化模型，得到最优考虑阶段性的非线性退化模型；
评估模块，用于通过所述最优考虑阶段性的非线性退化模型评估产品可靠性。
进一步地，所述模型建立模块具体用于：
所述对所述性能退化测试数据进行分析，确定所述性能退化测试数据在性能退化初期和性能退化中后期的阶段性退化特征；
分别根据所述性能退化初期和性能退化中后期的阶段性退化特征，选取对应的时间尺度函数，建立考虑阶段性的非线性退化模型
在本公开的第三方面，提出了一种设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如根据本公开的上述方法。
在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的上述方法。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本公开的实施例的一种非线性退化过程可靠性评估方法的流程图；
图2示出了根据本公开的实施例的一种非线性退化过程可靠性评估系统的方框图；
图3示出了根据本公开的实施例的真空荧光显示屏亮度退化数据示意图；
图4示出了根据本公开的实施例的真空荧光显示屏亮度的可靠度曲线示意图；
图5示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
如图1所示，是本申请实施例一种非线性退化过程可靠性评估方法的流程图。从图1中可以看出，本实施例的非线性退化过程可靠性评估方法，包括以下步骤：
S110，获取产品的性能退化测试数据。
在本实施例中，用于一种非线性退化过程可靠性评估方法的执行主体可以通过有线方式或者无线连接的方式获取所述产品的性能退化测试数据。
进一步地，上述执行主体可以获取与之通信连接的电子设备发送的性能退化测试数据，也可以是预先存储于本地的性能退化测试数据。
可选地，收集m个产品的性能退化测试数据。可表示为
Figure DEST_PATH_IMAGE001
，其中，
Figure DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE003
为第i个产品在第j个测试时刻
Figure DEST_PATH_IMAGE004
的性能退化测试数据。
所述i和j的取值范围为大于0的正整数。
例如，所述
Figure DEST_PATH_IMAGE005
；
所述
Figure DEST_PATH_IMAGE006
。
S120，对所述性能退化测试数据进行分析，建立考虑阶段性的非线性退化模型。
可选地，对所述性能退化测试数据进行分析，确定所述性能退化测试数据在性能退化初期和性能退化中后期的阶段性退化特征。
对所述性能退化初期和性能退化中后期的阶段性退化特征进行分析，判断在所述性能退化初期和性能退化中后期是否存在非线性退化特征。根据工程经验、先验知识和/或通过对样本均值的分段拟合结果来选取合适的时间尺度函数来描述阶段性退化规律。若存在所述非线性退化特征，则选用第一时间尺度函数（常用时间尺度函数）构建所述非线性退化模型；所述第一时间尺度函数包括幂函数、指数函数和/或对数函数；若不存在所述非线性退化特征，则通过第二时间尺度函数构建所述考虑阶段性的非线性退化模型；所述第二时间尺度函数包括线性函数。同时，考虑到性能退化过程的随机性和非单调性，引入Wiener过程来描述性能退化过程的非单调随机退化特征。
综上，可将具有阶段性和非线性退化特征的性能退化过程描述为如下退化模型：
Figure DEST_PATH_IMAGE007
其中，所述
Figure DEST_PATH_IMAGE008
表示产品在t时刻的性能退化量；
所述
Figure DEST_PATH_IMAGE009
表示初始性能退化量，一般为0；当所述
Figure DEST_PATH_IMAGE010
不为0时，可通过变化
Figure DEST_PATH_IMAGE011
=
Figure DEST_PATH_IMAGE012
使所述
Figure 483349DEST_PATH_IMAGE010
为0；
所述
Figure DEST_PATH_IMAGE013
、
Figure DEST_PATH_IMAGE014
为各阶段的漂移系数，用于表示各阶段（性能退化初期和性能退化中后期）退化率的大小；
所述σ为扩散系数，用于表示退化过程随机性的大小；
所述
Figure DEST_PATH_IMAGE015
为标准布朗运动，用于表示退化过程的随机性；
所述τ为退化过程的阶段性变化的时间点，即变点；
所述
Figure DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
为时间尺度函数；当退化阶段为线性时所述
Figure 88905DEST_PATH_IMAGE016
=t、
Figure 790014DEST_PATH_IMAGE017
=t-τ。
进一步地，为了描述所述变点的个体差异性，令所述变点τ服从伽马分布。所述变点τ可以视作所述伽马分布的一个样本值，记为
Figure DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE019
。
S130，根据所述性能退化测试数据对所述考虑阶段性的非线性退化模型的未知参数进行极大似然估计，确定所述未知参数的估计值，将述未知参数的估计值代入所述考虑阶段性的非线性退化模型，得到最优考虑阶段性的非线性退化模型。
可选地，根据步骤S120所描述的非线性退化模型可知，各个产品的性能退化测试数据可划分为两组，分别属于两个退化阶段（性能退化初期和性能退化中后期），具有不同的线性或者非线性退化特征，由各个产品退化过程的变点划分。
可选地，对于第i个产品，
Figure 362988DEST_PATH_IMAGE018
为性能退化变点，则为第一阶段的测试值
Figure 115043DEST_PATH_IMAGE020
；为第二阶段测试值
Figure DEST_PATH_IMAGE021
。
其中，
Figure 796560DEST_PATH_IMAGE022
=
Figure DEST_PATH_IMAGE023
。所述
Figure DEST_PATH_IMAGE024
为向下取整符号。
需要说明的是，为了便于在工程上的应用，在本实施例中测试产品的变点均在测试点上。即，
Figure 611064DEST_PATH_IMAGE022
=
Figure DEST_PATH_IMAGE025
。
可选地，由Wiener过程（布朗运动过程）的数学性质，构建性能退化测试数据的似然函数，从而进行未知参数的极大似然估计。
具体地，使得
Figure DEST_PATH_IMAGE026
；
Figure DEST_PATH_IMAGE027
；
Figure DEST_PATH_IMAGE028
；
Figure DEST_PATH_IMAGE029
；
则第一阶段（性能退化初期）和第二阶段（性能退化中后期）的数据分别服从多元正太分布，即，
Figure DEST_PATH_IMAGE030
；
Figure DEST_PATH_IMAGE031
。
对数似然函数可以表示为：
Figure DEST_PATH_IMAGE032
其中，所述
Figure DEST_PATH_IMAGE033
；
所述
Figure DEST_PATH_IMAGE034
；
所述
Figure DEST_PATH_IMAGE035
；
所述
Figure DEST_PATH_IMAGE036
、
Figure DEST_PATH_IMAGE037
分别为所述时间尺度函数
Figure DEST_PATH_IMAGE038
、
Figure DEST_PATH_IMAGE039
中的未知参数矢量。
由上述对数似然函数可知，所述对数似然函数中未知参数较多，直接对所有参数进行优化是十分困难的。因此，在本实施例中，选择首先求出各退化轨迹变点
Figure DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE041
，……
Figure DEST_PATH_IMAGE042
和时间尺度函数参数
Figure 885663DEST_PATH_IMAGE036
、
Figure 475913DEST_PATH_IMAGE037
。
具体地，求各阶段斜率和扩散系数的偏导数，并使得所述偏导数的值为0，求解可得：
Figure DEST_PATH_IMAGE043
；
Figure DEST_PATH_IMAGE044
；
将上述
Figure 623604DEST_PATH_IMAGE013
、
Figure 50037DEST_PATH_IMAGE014
（各阶段斜率，即，漂移系数）和（扩散系数）的值代入所述对数似然函数中，得到
Figure DEST_PATH_IMAGE045
、
Figure DEST_PATH_IMAGE046
和
Figure DEST_PATH_IMAGE047
，
Figure DEST_PATH_IMAGE048
，……
Figure DEST_PATH_IMAGE049
的轮廓对数似然函数。求取所述轮廓对数似然函数的极大值时，
Figure 459153DEST_PATH_IMAGE045
、
Figure 654642DEST_PATH_IMAGE046
和
Figure 881224DEST_PATH_IMAGE047
，
Figure 542756DEST_PATH_IMAGE048
，……
Figure 489984DEST_PATH_IMAGE049
的取值为极大似然估计值。
将所述估计值代入上述各阶段斜率和扩散系数的求取公式，得到各阶段斜率和扩散系数的估计值。
通过分布拟合由各退化轨迹退化参数样本值
Figure 320405DEST_PATH_IMAGE047
，
Figure 327675DEST_PATH_IMAGE048
，……
Figure 853335DEST_PATH_IMAGE049
得到变点分布参数的估计值。
综上得到所述考虑阶段性的非线性退化模型所有未知参数（
Figure 354985DEST_PATH_IMAGE013
，
Figure 790646DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE050
，
Figure 155768DEST_PATH_IMAGE045
，
Figure 903144DEST_PATH_IMAGE046
，α，ρ）的估计值。即，得到未知参数：时间尺度函数参数、斜率、扩散系数和变点分布参数的估计值。
将得到的所述未知参数的估计值代入所述考虑阶段性的非线性退化模型，得到最优考虑阶段性的非线性退化模型。
S140，通过所述最优考虑阶段性的非线性退化模型评估产品可靠性。
基于首达时概念，产品的可靠性定义为产品在规定的时间内不发生失效的概率。
所述首达时为性能退化量首次达到失效阈值的时间。（由于产品的退化过程是非单调的，产品的失效时间一般定义为性能退化量首次达到失效阈值的时间，即首达时）
可选地，考虑到产品变点位置的个体差异性，以及Wiener过程首达时分布特征，基于首达时通过所述最优考虑阶段性的非线性退化模型进行产品可靠性分析，得到所述产品的可靠度函数。
所述可靠度函数可以表示为：
Figure DEST_PATH_IMAGE051
其中，所述
Figure DEST_PATH_IMAGE052
,ρ,α
Figure DEST_PATH_IMAGE053
为伽马分布的概率密度函数。
本实施例的一种非线性退化过程可靠性评估方法，针对两阶段退化过程(前期、中后期)存在的非线性退化阶段情况，构建合理的考虑阶段性的非线性Wiener过程退化模型，根据性能退化测试数据估计退化模型参数，进而基于退化失效理论实现产品的可靠性评估。
下面给出根据本发明一个具体实施例的产品可靠性评估方法。
在本实施例中以真空荧光显示屏为产品，对所述真空荧光显示屏的可靠性进行评估。
显示屏类设备的亮度会随时间衰减，由于出厂前老化筛选的不完全，显示屏亮度在使用初期会经历一个快速衰减阶段，之后衰减速度会逐渐减缓，进入平稳衰减阶段。
通过大数据分析可知，所述显示屏类设备，通常初期呈现非线性快速衰减规律，后期呈现线性衰减特征。
可选地，本实施例以只有单个测试样本的情况进行说明。
收集所述真空荧光显示屏亮度退化数据如图2所示。
根据工程经验采用幂函数来描述退化初期的非线性特征，建立考虑阶段性的非线性退化模型。
可选地，所述考虑阶段性的非线性退化模型为：
Figure DEST_PATH_IMAGE054
；
基于获取的所述真空荧光显示屏亮度退化数据建立对数似然函数：
Figure DEST_PATH_IMAGE055
；
基于极大似然估计方法，得到所述考虑阶段性的非线性退化模型的所有未知参数的估计值。所述估计值分别为：
Figure DEST_PATH_IMAGE056
=520，
Figure 549764DEST_PATH_IMAGE013
=40.67，
Figure 698986DEST_PATH_IMAGE014
=0.2742，
Figure DEST_PATH_IMAGE057
=1.626，b=0.5206。
将上述估计值代入所述考虑阶段性的非线性退化模型，得到最优考虑阶段性的非线性退化模型。所述真空荧光显示屏的亮度低于最低标准亮度的60%视为失效（首达时）。
基于所述首达时通过所述最优考虑阶段性的非线性退化模型对所述真空荧光显示屏的可靠性进行分析，得到所述真空荧光显示屏的可靠度函数。
根据所述可靠度函数生成可靠度曲线，如图3所示。
所述可靠度函数为：
Figure 733544DEST_PATH_IMAGE051
；
需要说明的是，本实施例中所用到公式和所述公式中的参数，均可参考上述一种非线性退化过程可靠性评估方法中对应的公式和参数。
如图4所示，本申请实施例还提出了一种非线性退化过程可靠性评估系统400，包括：
获取模块410，用于获取产品的性能退化测试数据；
模型建立模块420，用于对所述性能退化测试数据进行分析，建立考虑阶段性的非线性退化模型；
参数估计模块430，用于根据所述性能退化测试数据对所述考虑阶段性的非线性退化模型的未知参数进行极大似然估计，确定所述未知参数的估计值，将所述未知参数的估计值代入所述考虑阶段性的非线性退化模型，得到最优考虑阶段性的非线性退化模型；
评估模块440，用于通过所述最优考虑阶段性的非线性退化模型评估产品可靠性。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的系统的具体工作过程，可以参考前述种非线性退化过程可靠性评估方法实施例中的对应过程，在此不再赘述。
本申请实施例还提出了一种设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的非线性退化过程可靠性评估方法。
此外，本申请实施例还提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的非线性退化过程可靠性评估方法。
图5示出了可以用来实施本公开的实施例的电子设备500的示意性框图。如图所示，设备500包括中央处理单元（CPU）501，其可以根据存储在只读存储器（ROM）502中的计算机程序指令或者从存储单元508加载到随机访问存储器（RAM）503中的计算机程序指令，来执行各种适当的动作和处理。在RAM503中，还可以存储设备500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出（I/O）接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元501执行上文所描述的各个方法和处理。例如，在一些实施例中，方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由CPU 501执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，CPU 501可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行方法。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种非线性退化过程可靠性评估方法，其特征在于，包括：
获取产品的性能退化测试数据；
对所述性能退化测试数据进行分析，确定所述性能退化测试数据在性能退化初期和性能退化中后期的阶段性退化特征；分别对所述性能退化初期和性能退化中后期的阶段性退化特征进行分析，判断在所述性能退化初期和性能退化中后期是否存在非线性退化特征；若是，则通过第一时间尺度函数构建第一或第二退化时期退化模型；所述第一时间尺度函数包括幂函数、指数函数和/或对数函数；若否，则通过第二时间尺度函数构建第一或第二退化时期退化模型；所述第二时间尺度函数包括线性函数；根据所述第一和第二退化时期退化模型，构建考虑阶段性的非线性退化模型；
根据所述性能退化测试数据对所述考虑阶段性的非线性退化模型的未知参数进行极大似然估计，确定所述未知参数的估计值，将述未知参数的估计值代入所述考虑阶段性的非线性退化模型，得到最优考虑阶段性的非线性退化模型；
通过所述最优考虑阶段性的非线性退化模型评估产品可靠性。
2.根据权利要求1所述的方法，其特征在于，根据所述性能退化测试数据对所述考虑阶段性的非线性退化模型的未知参数进行极大似然估计，确定所述未知参数的估计值包括：
根据Wiener过程的数学性质和所述性能退化测试数据，构建所述性能退化测试数据的似然函数；
根据所述似然函数对所述考虑阶段性的非线性退化模型的未知参数进行极大似然估计，确定所述未知参数的估计值；
其中，所述未知参数包括时间尺度函数参数、斜率、扩散系数和变点分布参数。
3.根据权利要求2所述的方法，其特征在于，所述根据所述似然函数对所述考虑阶段性的非线性退化模型的未知参数进行极大似然估计，确定所述未知参数的估计值包括：
根据所述似然函数对所述考虑阶段性的非线性退化模型的未知参数进行极大似然估计，得到时间尺度函数参数和退化轨迹变点的轮廓对数似然函数；
根据所述轮廓对数似然函数，计算得到所述时间尺度函数参数和退化轨迹变点的估计值；
根据所述时间尺度函数参数和退化轨迹变点的估计值，计算得到所述斜率和扩散系数的估计值；
对所述退化轨迹变点的估计值进行分布拟合，得到所述变点分布参数的估计值。
4.根据权利要求3所述的方法，其特征在于，所述通过所述考虑阶段性的非线性退化模型评估产品可靠性包括：
基于首达时通过所述考虑阶段性的非线性退化模型进行产品可靠性分析，得到所述产品的可靠度函数；
所述首达时为性能退化量首次达到失效阈值的时间。
5.一种非线性退化过程可靠性评估系统，其特征在于，包括：
获取模块，用于获取产品的性能退化测试数据；
模型建立模块，用于对所述性能退化测试数据进行分析，确定所述性能退化测试数据在性能退化初期和性能退化中后期的阶段性退化特征；分别对所述性能退化初期和性能退化中后期的阶段性退化特征进行分析，判断在所述性能退化初期和性能退化中后期是否存在非线性退化特征；若是，则通过第一时间尺度函数构建第一或第二退化时期退化模型；所述第一时间尺度函数包括幂函数、指数函数和/或对数函数；若否，则通过第二时间尺度函数构建第一或第二退化时期退化模型；所述第二时间尺度函数包括线性函数；根据所述第一和第二退化时期退化模型，构建考虑阶段性的非线性退化模型；
参数估计模块，用于根据所述性能退化测试数据对所述考虑阶段性的非线性退化模型的未知参数进行极大似然估计，确定所述未知参数的估计值，将所述未知参数的估计值代入所述非线性退化模型，得到最优考虑阶段性的非线性退化模型；
评估模块，用于通过所述最优考虑阶段性的非线性退化模型评估产品可靠性。
6.一种设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1~4中任一项所述的方法。
7.一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，所述程序被处理器执行时实现如权利要求1~4中任一项所述的方法。
CN202011122527.3A 2020-10-20 2020-10-20 一种非线性退化过程可靠性评估方法 Active CN111967167B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011122527.3A CN111967167B (zh) 2020-10-20 2020-10-20 一种非线性退化过程可靠性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011122527.3A CN111967167B (zh) 2020-10-20 2020-10-20 一种非线性退化过程可靠性评估方法

Publications (2)

Publication Number Publication Date
CN111967167A CN111967167A (zh) 2020-11-20
CN111967167B true CN111967167B (zh) 2021-04-06

Family

ID=73386944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011122527.3A Active CN111967167B (zh) 2020-10-20 2020-10-20 一种非线性退化过程可靠性评估方法

Country Status (1)

Country Link
CN (1) CN111967167B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113094923B (zh) * 2021-04-22 2022-04-12 哈尔滨工业大学 考虑多源不确定性的多参数相关退化产品可靠性评估方法
CN115795928B (zh) * 2023-02-10 2023-05-23 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）） 基于伽马过程的加速退化试验数据处理方法和装置
CN116228045B (zh) * 2023-05-09 2023-09-01 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）） 基于性能退化的产品可靠性薄弱环节评估方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU1196896A1 (ru) * 1984-04-18 1985-12-07 Пензенский Политехнический Институт Устройство дл вычислени дер Винера нелинейных объектов
CN101894221B (zh) * 2010-08-02 2013-05-15 北京航空航天大学 基于退化量分布非平稳时序分析的加速退化试验产品寿命预测方法

Also Published As

Publication number Publication date
CN111967167A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
CN111967167B (zh) 一种非线性退化过程可靠性评估方法
CN110880984B (zh) 基于模型的流量异常监测方法、装置、设备及存储介质
Briand et al. Using simulation for assessing the real impact of test coverage on defect coverage
CN113837596B (zh) 一种故障确定方法、装置、电子设备及存储介质
CN110059894B (zh) 设备状态评估方法、装置、系统及存储介质
CN116882321B (zh) 气象影响量化评估方法、装置、存储介质及电子设备
CN113127305A (zh) 异常检测方法及装置
JP2019121162A (ja) 監視装置、監視方法および監視プログラム
CN117593115A (zh) 信贷风险评估模型的特征值确定方法、装置、设备和介质
CN110704614B (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
CN110490132B (zh) 数据处理方法和装置
CN114564487B (zh) 预报预测相结合的气象栅格数据更新方法
CN115293735A (zh) 一种无人工厂工业互联网平台监测管理方法及系统
CN115994093A (zh) 测试用例推荐方法和装置
CN115795928A (zh) 基于伽马过程的加速退化试验数据处理方法和装置
CN111128775A (zh) 集成电路制程异常的定位方法和装置
CN110895624A (zh) 基于最大熵谱估计的加速贮存与自然贮存退化数据一致性检验法
CN114860563A (zh) 应用程序测试方法、装置、计算机可读存储介质及设备
CN113127333A (zh) 一种数据处理方法、装置、电子设备和存储介质
Thompson The co-development of models with expert judgement suppresses model diversity and underestimates risk
EP3113088A1 (en) Energy intensity variability analysis
CN116663392B (zh) 水文气象灾害二维复合事件模拟方法、装置、设备及介质
CN111310989B (zh) 零件加工成功率的预测方法、预测装置及可读存储介质
CN111507639B (zh) 理财风险分析方法及装置
CN112348296B (zh) 电信数据获取方法、装置、设备及存储介质

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