CN112348810B - 一种在役电子系统可靠性评估方法 - Google Patents
一种在役电子系统可靠性评估方法 Download PDFInfo
- Publication number
- CN112348810B CN112348810B CN202011380684.4A CN202011380684A CN112348810B CN 112348810 B CN112348810 B CN 112348810B CN 202011380684 A CN202011380684 A CN 202011380684A CN 112348810 B CN112348810 B CN 112348810B
- Authority
- CN
- China
- Prior art keywords
- electronic system
- component
- temperature
- reliability
- image
- 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 40
- 238000009792 diffusion process Methods 0.000 claims abstract description 34
- 230000015556 catabolic process Effects 0.000 claims abstract description 32
- 238000006731 degradation reaction Methods 0.000 claims abstract description 32
- 230000005653 Brownian motion process Effects 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 8
- 238000013398 bayesian method Methods 0.000 claims abstract description 5
- 239000000306 component Substances 0.000 claims description 109
- 238000005315 distribution function Methods 0.000 claims description 29
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000009529 body temperature measurement Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 239000008358 core component Substances 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000006872 improvement Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000280 densification Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011253 protective coating Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明公开了一种在役电子系统可靠性评估方法,包括以下步骤:步骤1,给电子系统供电,获取电子系统温度分布图像序列;步骤2,提取元器件子块区域;步骤3,获得各元器件的温度值随时间变化的序列数据;步骤4,建立维纳过程模型,得到电子系统的可靠度函数;步骤5,以各元器件工作温度连续两次超过安全阈值的时间间隔为随机变量,根据极大似然估计法确定漂移参数与扩散系数的先验估计值;步骤6,采用贝叶斯方法逐步更新模型参数,计算得到漂移系数与扩散系数的后验估计值,从而估算电子系统在不同退化程度下的可靠度。本发明采用两次越过阈值的时间间隔来进行失效分析和可靠性评估,具有良好的鲁棒性和准确性。
Description
技术领域
本发明涉及电子系统技术领域,特别是涉及在在役电子系统各可靠性评估。
背景技术
大多数电子系统都采用PCB结构,板上元器件密集,电路原理复杂,给可靠性与寿命等分析带来了困难。对电子系统中各元件的数据信息进行采集主要是使用针床测试仪或人工使用探针探测电子系统内部节点的电信号,然后根据这些信息进行可靠性分析。但随着元器件逐渐小型化、密集化、多层话的方向发展,接触接触式诊断的弱点越来越明显。探针需要刺穿元器件和元器件的保护涂层,如果机械压力不当,则会造成对元器件严重的物理破坏。因此,对元器件进行非介入式检测技术的研究受到了高度重视,利用红外热像仪测得的电子系统温度信息进行故障分析,是典型的非接触式故障分析技术之一。
维纳过程在随机过程理论中起着极其重要的作用,并在许多领域得到了广泛的应用,包括工程,物理学,经济学,通信和生物学。维纳工艺如此广泛应用的关键原因在于其良好的分析性能,这有可能推导维纳工艺的分析解决方案。维纳过程初次通过时间的累积分布函数(CDF)的推导可以通过反射原理完成,并且解析表达式为封闭形式。近年来,扩展维纳过程的第一个通道问题得到了极大的研究。对于时间依赖于漂移和扩散的维纳过程,已经通过了首次通过时间分布和生存概率。
现有的可靠性评估方法中,一旦产品的性能达到一定的极限,就被认为是故障。但是由于噪声干扰,这种方法在判断电子产品的状态时可能会得出错误的结论。因此,针对以上问题,亟需提供一种预测精度较高,能有效排除噪声干扰的可靠性评估方法。
发明内容
本发明的目的在于针对现有电子系统可靠性评估方法,提出了一种新的基于维纳过程中两个相邻交叉之间的时间间隔的概率分布,进行寿命与失效分析,具有严谨的数据处理与数据分析,预测精度较高,能有效排除噪声干扰。
本发明的目的通过以下技术方案实现:
提供了一种在役电子系统可靠性评估方法,包括以下步骤:
步骤1,给电子系统供电,通电后通过红外热像仪对电子系统进行成像,得到电子系统红外图像,进而获取电子系统温度分布图像序列;
步骤2,根据电子系统红外图像,检测电子元器件区域,提取元器件子块区域;
步骤3,将电子系统红外图像反演成温度分布数据,根据各元器件子区域块,获得各元器件的温度值随时间变化的序列数据;
步骤4,建立电子系统中各元器件温度值随时间变化的维纳过程模型,得到各元件的可靠度函数,联合各个元器件的可靠度函数得到电子系统的可靠度函数;
步骤5,以各元器件工作温度连续两次超过安全阈值的时间间隔为随机变量,根据极大似然估计法确定漂移参数与扩散系数的先验估计值;
步骤6,采用贝叶斯方法逐步更新模型参数,计算得到漂移系数与扩散系数的后验估计值,从而估算电子系统在不同退化程度下的可靠度。
进一步的改进,所述步骤1的具体步骤为:
将电子系统在应用平台上固定好,为各个核心元器件进行编号,编号顺序为1-H;
施加激励源,程控电源及信号源给电子系统进行供电,选择1分钟作为标准预加电时间,预加电后1分钟后打开红外热像仪进行图像采集;
为各个元器件设定失效阈值为Lh(h=1,2,…,H),当元器件工作温度超过自身失效阈值Lh时,视为h号元器件失效,当有一个元器件失效,视为整个电子系统失效;
在持续的图像采集过程中,一个采样周期为10分钟,一个采样周期内,第一分钟内,每隔5秒记录一幅图像,在第二分钟开始,每隔10秒记录一幅图像。
进一步的改进,所述步骤2的具体步骤为:
将获取电子系统的红外图像进行高斯滤波,二维高斯卷积函数定义为:
式中:x,y表示二维图像中像素的横坐标与纵坐标,单位为像素,σg为标准差,e为自然常数;
所采取的卷积核为:
滤波后,通过拉普拉斯边缘检测算法,将监测的电子系统中各元件的轮廓识别出来,轮廓内为各元件的温度信息估计区域;
拉普拉斯算子为:
即:
f(x+1,y)-2f(x,y)+f(x-1,y)
f表示图像信息;
用卷积核表示为:
进一步的改进,所述步骤3的具体步骤为:
在第r个测量周期中,10分钟内拍摄的图像总帧数为K,图像序列的每帧图像都含有n×m个像素,红外图像每个像素点对应的位置为(i,j),图像序列帧数为k,像素(i,j)对应的温度信息为Tij(k),则第k帧温度值表示为:
T(k)表示第k帧的所有像素点温度值的集合,其中Tij(k)表示第k帧图像中第i行,第j列像素点的温度;n表示图像中像素所在的行数,m表示图像中像素所在的列数;
计算10分钟内所有帧数的温度平均值:
再计算电子系统中各个元件的温度信息估计区域内温度的平均值,作为各元件的工作温度在r个采样周期中,h号元器件温度测量值为/>将/>作为h号元器件tr时刻的温度测量值。
进一步的改进,所述步骤4的具体步骤为:
利用维纳过程建模,求出h号元器件工作温度第一次通过失效阈值Lh时间的失效概率分布函数,具体公式为:
式中,T1 h为h号元器件第一次通过阈值的时间,Φ(x)为标准正太分布的累计分布函数,Lh为h号元器件的故障阈值,μh、σh分别为h号元器件的漂移系数和扩散系数,与Ph{T1≤t}为h号元器件T1出现的概率累计分布函数;t表示测试持续时间。
计算h号元器件工作温度第二次通过失效阈值Lh的时间首次出现的概率,得到失效概率分布函数为:
其中,
ah为h号元器件两个相邻通过失效阈值Lh的时间间隔;/>与Ph{ΔTh≥a}表示为h号元器件第二次通过失效阈值且时间跨度为ah的概率分布函数;由可靠度函数与失效概率分布函数的关系可知,h号元器件的可靠度函数为:
电子系统的可靠度函数为:
R(t)=min(R1(t),R2(t),...,Rh(t),...,RH(t))
min()表示取括号中最小值;
对于连续监测t1,t2,...,tc,...,tN时刻点得到h号元器件的性能退化量当在tc时刻点进行电子系统可靠度估计时,此时当前性能退化量为/>对电子系统进行可靠性评估,第一次通过失效阈值与第二次通过失效阈值的失效概率分布函数计算表达式分别为:
式中分别为当前在退化量Yc下第一次和第二次通过失效阈值Lh时间的失效概率分布函数;
当前h号元器件的可靠度函数为:
当前电子系统的可靠度函数为:
R(t|Yc)=min(R1(t|Yc),R2(t|Yc),...,Rh(t|Yc),...,RH(t|Yc))。
进一步的改进,所述步骤5的具体步骤为:
由同一批电子系统得到X个寿命数据,其中包括b个失效时间数据,以及X-b个右截尾的寿命数据;
依据当前可靠度函数可知,待确定的模型参数为各元件的漂移系数μh和扩散系数σh;对于连续监测所得的退化数据时间序列设/>则待评估的h号元器件在ti-1与ti时刻的性能退化增量表示为/>依据极大似然估计法得:
其中,L(μh,σh 2)表示关于h号元器件的漂移参数与扩散系数的似然函数;
Δti=ti-ti-1;
从而,求解得到h号元器件的漂移系数和扩散系数的估计值和/>分别为:
进一步的改进,所述步骤6的具体步骤为:
h号元器件的漂移系数和扩散系数的估计值和/>是无先验信息估计方法下的估计值;为提高待测评估结果的准确性,通过融合同类电子系统性能退化数据,采用贝叶斯理论模型更新模型参数,获取后验分布的漂移系数和扩散系数:对于b个同类电子系统,得到b对漂移系数和扩散系数的先验分布估计值/> 表示第b个电子系统中h号元器件的漂移系数,/>表示第b个电子系统中的h号元器件的扩散系数;
h号元器件的μh和σh 2的联合先验分布表示为:
式中:为超参数;
依据贝叶斯方法得经一步更新的后验分布:
上述两式中的π()都表示后验分布函数,为迭代一次后更新的参数,从第1个电子系统的退化数据不断迭代更新到第b个系统的退化数据,由以下计算得到:
因此,逐步更新各元件退化模型参数μh,σh 2的后验估计值;为第b个电子系统中编号为h的元器件的第1个退化增量,/>表示为第b个电子系统的t0到t1时刻。
附图说明
图1为本发明的流程图;
图2为基于首次超越失效阈值分析方法(传统方法)的评估值与本发明方法的评估值及与实际值的对比图。
具体实施方式
为了使发明的目的、技术方案及优点更加清楚明白,以下结合式例,对本发明进行进一步的详细说明。
本发明是一种电子系统核心元器件剩余寿命估计方法,包括如下步骤:
步骤1,给电子系统供电,通电后通过红外热像仪对电子系统进行成像,获取电子系统温度分布图像序列:
施加激励源,程控电源及信号源给电子系统进行供电,选择1min作为标准预加电时间,预加电后1min后打开红外热像仪进行图像采集;
为各个元器件设定失效阈值为Lh(h=1,2,…,H),当元器件工作温度超过自身失效阈值Lh时,视为h号元器件失效,当有一个元器件失效,视为整个电子系统失效;
在持续的图像采集过程中,一个采样周期为10分钟,一个采样周期内,每隔5秒记录一幅图像,在第二分钟开始,每隔10秒记录一幅图像;
步骤2,根据电子系统红外图像,检测电子元器件区域,提取元器件子块区域:
将获取电子系统的红外图像进行高斯滤波,二维高斯卷积函数定义为:
式中:x,y表示二维图像中像素的横坐标与纵坐标σg为标准差,e为自然常数;
所采取的卷积核为:
滤波后,通过拉普拉斯边缘检测算法,将监测的电子系统中各元件的轮廓识别出来,轮廓内为各元件的温度信息估计区域;
拉普拉斯算子为:
即:
f(x+1,y)-2f(x,y)+f(x-1,y)
f表示图像信息;
用卷积核表示为:
步骤3,将电子系统红外图像反演成温度分布数据,根据各元器件子区域块,获得各元器件的温度值随时间变化的序列数据:
在第r个测量周期中,10分钟内拍摄的图像总帧数为K,图像序列的每帧图像都含有n×m个像素,红外图像每个像素点对应的位置为(i,j),图像序列帧数为k,像素(i,j)对应的温度信息为Tij(k),则第k帧温度值表示为:
T(k)表示第k帧的所有像素点温度值的集合,其中Tij(k)表示第k帧图像中第i行,第j列像素点的温度;n表示图像中像素所在的行数,m表示图像中像素所在的列数;
计算10分钟内所有帧数的温度平均值:
再计算电子系统中各个元件的温度信息估计区域内温度的平均值,作为各元件的工作温度在r个采样周期中,h号元器件温度测量值为Yr h,将Yr h作为h号元器件件tr时刻的温度测量值。
步骤4,建立电子系统中各元器件温度值随时间变化的维纳过程模型,得到各元件的可靠度函数,联合各个元器件的可靠度函数得到电子系统的可靠度函数:
利用维纳过程建模,求出h号元器件工作温度第一次通过失效阈值Lh时间的失效概率分布函数,具体公式为:
式中,T1 h为h号元器件第一次通过阈值的时间,Φ(x)为标准正太分布的累计分布函数,Lh为h号元器件的故障阈值,μh、σh分别为h号元器件的漂移系数和扩散系数,与Ph{T1≤t}为h号元器件T1出现的概率累计分布函数;t表示测试持续时间。
计算h号元器件工作温度第二次通过失效阈值Lh的时间首次出现的概率,得到失效概率分布函数为:
其中,Γ(s,x)(这个修改)是不完整伽马函数,,ah为h号元器件两个相邻通过失效阈值Lh的时间间隔;与Ph{ΔTh≥a}表示为h号元器件第二次通过失效阈值且时间跨度为ah的概率分布函数;
由可靠度函数与失效概率分布函数的关系可知,h号元器件的可靠度函数为:
电子系统的可靠度函数为:
对于连续监测t1,t2,...,tc,...,tN时刻点得到h号元器件的性能退化量当在tc时刻点进行电子系统可靠度估计时,此时当前性能退化量为/>对电子系统进行可靠性评估,第一次通过失效阈值与第二次通过失效阈值的失效概率分布函数计算表达式分别为:
式中分别为当前在退化量Yc下第一次和第二次通过失效阈值Lh时间的失效概率分布函数。
当前h号元器件的可靠度函数为:
当前电子系统的可靠度函数为:
步骤5,以各元器件工作温度连续两次超过安全阈值的时间间隔为随机变量,根据极大似然估计法确定漂移参数与扩散系数的先验估计值:
由同一批电子系统得到X个寿命数据,其中包括b个失效时间数据,以及X-b个右截尾的寿命数据;
依据当前可靠度函数可知,待确定的模型参数为各元件的漂移系数μh和扩散系数σh;对于连续监测所得的退化数据时间序列设/>则待评估的h号元器件在ti-1与ti时刻的性能退化增量表示为/>依据极大似然估计法得:
其中,L(μh,σh 2)表示关于h号元器件的漂移参数与扩散系数的似然函数;
Δti=ti-ti-1
从而,求解得到h号元器件的漂移系数和扩散系数的估计值和/>分别为:
步骤6,采用贝叶斯方法逐步更新模型参数,计算得到漂移系数与扩散系数的后验估计值,从而估算电子系统在不同退化程度下的可靠度:
h号元器件的漂移系数和扩散系数的估计值和/>是无先验信息估计方法下的估计值;为提高待测评估结果的准确性,通过融合同类电子系统性能退化数据,采用贝叶斯理论模型更新模型参数,获取后验分布的漂移系数和扩散系数:对于b个同类电子系统,得到b对漂移系数和扩散系数的先验分布估计值/> 表示第b个电子系统中h号元器件的漂移系数,/>表示第b个电子系统中的h号元器件的扩散系数;
h号元器件的μh和σh 2的联合先验分布可表示为:
式中:为超参数;
依据贝叶斯方法得经一步更新的后验分布:
上述两式中的π(·)都表示后验分布函数,为迭代一次后更新的参数,从第1个电子系统的退化数据不断迭代更新到第b个系统的退化数据,由以下计算得到:
因此,逐步更新各元件退化模型参数μh,σh 2的后验估计值;为第b个电子系统中编号为h的元器件的第1个退化增量,/>表示为第b个电子系统的t0到t1时刻;
综上所述,本发明通过加速实验得到性能退化数据,并建立维纳过程模型,依据极大似然估计法计算扩散系数和漂移系数,获取电子系统元件可靠度分布函数与寿命概率密度函数,从而估算电子系统元件寿命。
整个过程基于严谨的数据处理与数据分析,预测精度高。同时本发明通过计算维纳过程两个相邻交叉之间的时间间隔的概率分布,能够有效消除噪声干扰,准确的计算失效概率,使得本发明的方法在准确度和鲁棒性上都有显著的提升,可以广泛的应用在实际应用中。
表1两种方法评估结果及与实际值的对比表
从表1可以看出,本发明的方法相比现有的基于首次超越失效阈值分析方法得到的评估值与真实值更加接近,预测结果更精确。对比图如图2所示。
最后应当说明的是,以上实施例仅用于说明本发明的技术方案而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细说明,本领域的普通技术人员应当了解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (1)
1.一种在役电子系统可靠性评估方法,其特征在于,包括以下步骤:
步骤1,给电子系统供电,通电后通过红外热像仪对电子系统进行成像,得到电子系统红外图像,进而获取电子系统温度分布图像序列;
将电子系统在应用平台上固定好,为各个核心元器件进行编号,编号顺序为1-H;
施加激励源,程控电源及信号源给电子系统进行供电,选择1分钟作为标准预加电时间,预加电后1分钟后打开红外热像仪进行图像采集;
为各个元器件设定失效阈值为Lh,h=1,2,…,H,当元器件工作温度超过自身失效阈值Lh时,视为h号元器件失效,当有一个元器件失效,视为整个电子系统失效;
在持续的图像采集过程中,一个采样周期为10分钟,一个采样周期内,第一分钟内,每隔5秒记录一幅图像,在第二分钟开始,每隔10秒记录一幅图像;
步骤2,根据电子系统红外图像,检测电子元器件区域,提取元器件子块区域;将获取电子系统的红外图像进行高斯滤波,二维高斯卷积函数定义为:
式中:x,y表示二维图像中像素的横坐标与纵坐标,单位为像素,σg为标准差,e为自然常数;
所采取的卷积核为:
滤波后,通过拉普拉斯边缘检测算法,将监测的电子系统中各元件的轮廓识别出来,轮廓内为各元件的温度信息估计区域;
拉普拉斯算子为:
即:
f(x+1,y)-2f(x,y)+f(x-1,y)
f表示图像信息;
用卷积核表示为:
步骤3,将电子系统红外图像反演成温度分布数据,根据各元器件子区域块,获得各元器件的温度值随时间变化的序列数据;
在第r个测量周期中,10分钟内拍摄的图像总帧数为K,图像序列的每帧图像都含有n×m个像素,红外图像每个像素点对应的位置为(i,j),图像序列帧数为k,像素(i,j)对应的温度信息为Tij(k),则第k帧温度值表示为:
T(k)表示第k帧的所有像素点温度值的集合,其中Tij(k)表示第k帧图像中第i行,第j列像素点的温度;n表示图像中像素所在的行数,m表示图像中像素所在的列数;
计算10分钟内所有帧数的温度平均值:
再计算电子系统中各个元件的温度信息估计区域内温度的平均值,作为各元件的工作温度在r个采样周期中,h号元器件温度测量值为/>将/>作为h号元器件tr时刻的温度测量值;
步骤4,建立电子系统中各元器件温度值随时间变化的维纳过程模型,得到各元件的可靠度函数,联合各个元器件的可靠度函数得到电子系统的可靠度函数;
利用维纳过程建模,求出h号元器件工作温度第一次通过失效阈值Lh时间的失效概率分布函数,具体公式为:
式中,为h号元器件第一次通过阈值的时间,Φ(x)为标准正太分布的累计分布函数,Lh为h号元器件的故障阈值,μh、σh分别为h号元器件的漂移系数和扩散系数,/>与Ph{T1≤t}为h号元器件T1出现的概率累计分布函数;t表示测试持续时间;
计算h号元器件工作温度第二次通过失效阈值Lh的时间T2 h首次出现的概率,得到失效概率分布函数为:
其中, ah为h号元器件两个相邻通过失效阈值Lh的时间间隔;/>与Ph{ΔTh≥a}表示为h号元器件第二次通过失效阈值且时间跨度为ah的概率分布函数;
由可靠度函数与失效概率分布函数的关系可知,h号元器件的可靠度函数为:
电子系统的可靠度函数为:
R(t)=min(R1(t),R2(t),...,Rh(t),...,RH(t))
min()表示取括号中最小值;
对于连续监测t1,t2,...,tc,...,tN时刻点得到h号元器件的性能退化量当在tc时刻点进行电子系统可靠度估计时,此时当前性能退化量为/>对电子系统进行可靠性评估,第一次通过失效阈值与第二次通过失效阈值的失效概率分布函数计算表达式分别为:
式中分别为当前在退化量Yc下第一次和第二次通过失效阈值Lh时间的失效概率分布函数;
当前h号元器件的可靠度函数为:
当前电子系统的可靠度函数为:
R(t|Yc)=min(R1(t|Yc),R2(t|Yc),...,Rh(t|Yc),...,RH(t|Yc));
步骤5,以各元器件工作温度连续两次超过安全阈值的时间间隔为随机变量,根据极大似然估计法确定漂移参数与扩散系数的先验估计值;
由同一批电子系统得到X个寿命数据,其中包括b个失效时间数据,以及X-b个右截尾的寿命数据;
依据当前可靠度函数可知,待确定的模型参数为各元件的漂移系数μh和扩散系数σh;对于连续监测所得的退化数据时间序列设t0=0,/>则待评估的h号元器件在ti-1与ti时刻的性能退化增量表示为/>依据极大似然估计法得:
其中,L(μh,σh 2)表示关于h号元器件的漂移参数与扩散系数的似然函数;Δti=ti-ti-1;
从而,求解得到h号元器件的漂移系数和扩散系数的估计值和/>分别为:
步骤6,采用贝叶斯方法逐步更新模型参数,计算得到漂移系数与扩散系数的后验估计值,从而估算电子系统在不同退化程度下的可靠度;h号元器件的漂移系数和扩散系数的估计值和/>是无先验信息估计方法下的估计值;为提高待测评估结果的准确性,通过融合同类电子系统性能退化数据,采用贝叶斯理论模型更新模型参数,获取后验分布的漂移系数和扩散系数:对于b个同类电子系统,得到b对漂移系数和扩散系数的先验分布估计值 表示第b个电子系统中h号元器件的漂移系数,/>表示第b个电子系统中的h号元器件的扩散系数;
h号元器件的μh和σh 2的联合先验分布表示为:
式中:为超参数;
依据贝叶斯方法得经一步更新的后验分布:
上述两式中的π()都表示后验分布函数,为迭代一次后更新的参数,从第1个电子系统的退化数据不断迭代更新到第b个系统的退化数据,由以下计算得到:
因此,逐步更新各元件退化模型参数μh,σh 2的后验估计值;为第b个电子系统中编号为h的元器件的第1个退化增量,/>表示为第b个电子系统的t0到t1时刻。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010845277X | 2020-08-20 | ||
CN202010845277 | 2020-08-20 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348810A CN112348810A (zh) | 2021-02-09 |
CN112348810B true CN112348810B (zh) | 2024-04-12 |
Family
ID=74427164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011380684.4A Active CN112348810B (zh) | 2020-08-20 | 2020-11-30 | 一种在役电子系统可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348810B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358342A (zh) * | 2017-06-27 | 2017-11-17 | 苏州热工研究院有限公司 | 一种核电设备需求失效概率的评估方法及系统 |
CN107862134A (zh) * | 2017-11-06 | 2018-03-30 | 河南科技大学 | 一种考虑自相关测量误差的Wiener过程可靠性分析方法 |
CN108460790A (zh) * | 2018-03-29 | 2018-08-28 | 西南科技大学 | 一种基于一致性预测器模型的视觉跟踪方法 |
CN109033710A (zh) * | 2018-08-30 | 2018-12-18 | 电子科技大学 | 一种基于多性能退化的动量轮可靠性评估方法 |
CN111523251A (zh) * | 2020-06-09 | 2020-08-11 | 江苏科技大学 | 一种随机环境应力下的产品寿命快速评估方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014125926A1 (ja) * | 2013-02-15 | 2014-08-21 | 本田技研工業株式会社 | 油圧制御装置及びそれを備えた四輪駆動車両の駆動力配分装置 |
GB2516840A (en) * | 2013-07-31 | 2015-02-11 | Bqr Reliability Engineering Ltd | Failure rate estimation from multiple failure mechanisms |
-
2020
- 2020-11-30 CN CN202011380684.4A patent/CN112348810B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358342A (zh) * | 2017-06-27 | 2017-11-17 | 苏州热工研究院有限公司 | 一种核电设备需求失效概率的评估方法及系统 |
CN107862134A (zh) * | 2017-11-06 | 2018-03-30 | 河南科技大学 | 一种考虑自相关测量误差的Wiener过程可靠性分析方法 |
CN108460790A (zh) * | 2018-03-29 | 2018-08-28 | 西南科技大学 | 一种基于一致性预测器模型的视觉跟踪方法 |
CN109033710A (zh) * | 2018-08-30 | 2018-12-18 | 电子科技大学 | 一种基于多性能退化的动量轮可靠性评估方法 |
CN111523251A (zh) * | 2020-06-09 | 2020-08-11 | 江苏科技大学 | 一种随机环境应力下的产品寿命快速评估方法 |
Non-Patent Citations (3)
Title |
---|
Enhanced reliability of drift-diffusion approximation for electrons in fluid models for nonthermal plasmas;M. M. Becker等;AIP Advances;20130131;第01卷(第03期);全文 * |
退化系统的可靠性建模与老练策略优化;吕燚;中国博士学位论文全文数据库 基础科学辑;20200315(第03期);全文 * |
随机性能退化下极小样本高速列车轴承的可靠性评估;朱德馨;刘宏昭;;机械科学与技术;20131015(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112348810A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rabiei et al. | Quantitative methods for structural health management using in situ acoustic emission monitoring | |
JP6005638B2 (ja) | はんだ接合の品質検査方法 | |
CN110455490B (zh) | 超声速和高超声速风洞流场湍流度的计算方法及装置 | |
Kakarala et al. | On achievable accuracy in edge localization | |
Chan et al. | Robust recursive eigendecomposition and subspace-based algorithms with application to fault detection in wireless sensor networks | |
JP2003526859A5 (zh) | ||
CN109918776B (zh) | 基于双步最小二乘法的机械产品的疲劳裂纹预测方法 | |
CN108489529A (zh) | 一种基于高阶统计量的微弱信号检测方法 | |
CN112348810B (zh) | 一种在役电子系统可靠性评估方法 | |
Zhang et al. | Knowledge-based transfer fuzzy clustering with non-local spatial information for surface roughness measurement | |
Li | RUL estimation for rolling bearings using augmented quaternion-based least mean p-power with correntropy induced metric under framework of sparsity | |
CN117314020A (zh) | 一种浮游生物的湿地碳汇数据监测系统 | |
JP5403575B2 (ja) | 環境負荷濃度変化判定装置 | |
Pang et al. | RUL prediction for bivariate degradation process considering individual differences | |
Dang et al. | Trend-adaptive multi-scale PCA for data fault detection in IoT networks | |
CN116415182A (zh) | 基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法 | |
CN114877926A (zh) | 传感器故障检测与诊断方法、介质、电子设备及系统 | |
CN112700039A (zh) | 一种火电厂负荷运行数据的稳态检测与提取方法 | |
Brankov | Optimization of the internal noise models for channelized Hotelling observer | |
Both et al. | Model discovery in the sparse sampling regime | |
Carrillo et al. | Bayesian compressed sensing using generalized Cauchy priors | |
CN116738859B (zh) | 一种铜管在线无损寿命评估方法及系统 | |
Teng et al. | Analyzing Accelerated Degradation Data via an Inverse Gaussian Degradation Model with Random Parameters | |
Qu et al. | Substructural damage detection using neural networks and ICA | |
Berg et al. | On the Stationarity of the Informational Parameters Calculated from the Burning Torch Frame Sequences in Infrared Band |
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 |