CN114091281A - 产品寿命预测方法、装置、电子设备及存储介质 - Google Patents
产品寿命预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114091281A CN114091281A CN202111424472.6A CN202111424472A CN114091281A CN 114091281 A CN114091281 A CN 114091281A CN 202111424472 A CN202111424472 A CN 202111424472A CN 114091281 A CN114091281 A CN 114091281A
- Authority
- CN
- China
- Prior art keywords
- parameters
- model
- gaussian distribution
- test sample
- stress
- 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.)
- Pending
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本申请提供了一种产品寿命预测方法、装置、电子设备及存储介质,涉及产品寿命预测技术领域。方法包括将产品在应力下做加速退化试验,得到产品的退化数据,结合逆高斯过程求解出随机分布特征参数包含隐变量的表达式,结合最大期望算法迭代求解出稳定的随机分布特征参数,基于阿伦尼斯模型建立加速应力相对于常温下加速应力的加速系数模型,并估算加速系数模型的模型参数,然后基于加速系数模型的模型参数、稳定的随机分布特征参数和加速系数模型的模型参数的似然函数求解正常应力下的线性逆高斯分布参数,以便对测试样本及测试样本的同类产品的寿命进行预测。本申请提供的方法、装置、电子设备及存储介质能够对产品的寿命进行准确预测。
Description
技术领域
本申请涉及产品寿命预测技术领域,尤其涉及一种产品寿命预测方法、装置、电子设备及存储介质。
背景技术
对于一些核心零部件产品,如机床、武器装备的核心零部件,由于其制造复杂、造价昂贵等原因,一旦设备出现故障导致停工停产,将会导致巨大的经济损失,因此如何实现对核心零部件产品的寿命进行准确预测,以便对核心零部件进行维护、保养、更换,对确保设备正常运行生产具有十分重要的意义。
目前,对于零部件产品的寿命预测,常用的方式是通过线性曲线、多项式曲线拟合退化轨迹,然而在实际情形中由于产品的原材料、生产工序及外部环境等差异,导致简单的退化曲线并不能满足实际需求,容易造成产品寿命的错误评估,进而对产品的预测性维护、保养、更换等做出错误的决策。
因此,如何提供一种有效的方案以便于对产品的寿命进行准确预测,已成为现有技术中一亟待解决的难题。
发明内容
第一方面,本申请实施例提供了一种产品寿命预测方法,包括:
通过加速退化试验获取测试样本在应力下的退化数据;
基于退化数据和线性逆高斯分布参数的联合先验密度函数,通过贝叶斯公式得出测试样本的联合后验密度函数;
以线性逆高斯分布参数为隐变量,通过极大值似然估计方法求解出联合后验密度函数的随机分布特征参数包含隐变量的表达式;
通过最大期望算法迭代求解出所述随机分布特征参数收敛时所对应的随机分布特征参数收敛值;
基于阿伦尼斯模型建立加速应力相对于常温下加速应力的加速系数模型,并估算所述加速系数模型的模型参数;
基于所述加速系数模型的模型参数、随机分布特征参数收敛值和所述加速系数模型的模型参数的似然函数求解正常应力下的线性逆高斯分布参数,得到正常应力下退化过程的逆高斯分布函数,以便根据正常应力下退化过程的逆高斯分布函数对所述测试样本及所述测试样本的同类产品的剩余寿命进行预测。
在一个可能的设计中,测试样本的联合后验密度函数为其中π(λ,δ)为线性逆高斯分布参数的联合先验密度函数,y为测试样本在应力下的退化量,λ和δ均为线性逆高斯分布参数,L(y|λ,δ)为测试样本的极大似然函数。
在一个可能的设计中,以线性逆高斯分布参数为隐变量,通过极大值似然估计方法求解出联合后验密度函数的随机分布特征参数包含隐变量的表达式,包括:
将线性逆高斯分布参数作为隐变量,得到测试样本的完全样本数据(Δtij,Δyij,λi,δi),其中,j=1,2,L,mi,i=1,2,L,n,Δtij为j时刻与j-1时刻的之间的时间差,Δyij为第i个测试样本从j-1时刻到j时刻的退化增量,λi和δi均为测试样本所i对应的线性逆高斯分布参数;
通过极大值似然估计方法求解出联合后验密度函数的随机分布特征参数包含隐变量的表达式。
在一个可能的设计中,加速应力相对于常温下加速应力的加速系数模型为其中,Tk表示第k个加速应力所对应的应力值,r1、r2、r3均为阿伦尼斯模型的模型参数,为线性逆高斯分布参数uk的期望值,为线性逆高斯分布参数λk的期望值。
在一个可能的设计中,所述基于所述加速系数模型的模型参数、随机分布特征参数收敛值和所述加速系数模型的模型参数的似然函数求解正常应力下的线性逆高斯分布参数,得到正常应力下退化过程的逆高斯分布函数,包括:
建立阿伦尼斯模型的模型参数的似然函数其中,Δti,j,k表示j时刻与j-1时刻之间的时间差,y(ti,j,k)表示第i个测试样本于应力k下在j时刻的退化量,Δy(ti,j,k)表示第i个测试样本于应力k下从j-1时刻到j时刻的退化增量;
通过牛顿法、拟牛顿法或梯度下降算法优化估算阿伦尼斯模型的模型参数;
基于阿伦尼斯模型的模型参数的估算值,确定出正常应力下的线性逆高斯分布参数;
在一个可能的设计中,所述测试样本及所述测试样本的同类产品的预测寿命为所述测试样本及所述测试样本的同类产品在t时刻的预测剩余寿命为其中,f(t)为F(t)的导数,f(t+x)为F(t+x)的导数,x为积分变量。
第二方面,本申请实施例提供了一种产品寿命预测装置,包括:
测试单元,用于通过加速退化试验获取测试样本在应力下的退化数据;
第一运算单元,用于基于退化数据和线性逆高斯分布参数的联合先验密度函数,通过贝叶斯公式得出测试样本的联合后验密度函数;
第二运算单元,用于以线性逆高斯分布参数为隐变量,通过极大值似然估计方法求解出联合后验密度函数的随机分布特征参数包含隐变量的表达式;
第三运算单元,用于通过最大期望算法迭代求解出所述随机分布特征参数收敛时所对应的随机分布特征参数收敛值;
第四运算单元,用于基于阿伦尼斯模型建立加速应力相对于常温下加速应力的加速系数模型,并估算所述加速系数模型的模型参数;
第五运算单元,用于基于所述加速系数模型的模型参数、随机分布特征参数收敛值和所述加速系数模型的模型参数的似然函数求解正常应力下的线性逆高斯分布参数,得到正常应力下退化过程的逆高斯分布函数,以便根据正常应力下退化过程的逆高斯分布函数对所述测试样本及所述测试样本的同类产品的寿命进行预测。
第三方面,本申请实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序,实现以下流程:
通过加速退化试验获取测试样本在应力下的退化数据;
基于退化数据和线性逆高斯分布参数的联合先验密度函数,通过贝叶斯公式得出测试样本的联合后验密度函数;
以线性逆高斯分布参数为隐变量,通过极大值似然估计方法求解出联合后验密度函数的随机分布特征参数包含隐变量的表达式;
通过最大期望算法迭代求解出所述随机分布特征参数收敛时所对应的随机分布特征参数收敛值;
基于阿伦尼斯模型建立加速应力相对于常温下加速应力的加速系数模型,并估算所述加速系数模型的模型参数;
基于所述加速系数模型的模型参数、随机分布特征参数收敛值和所述加速系数模型的模型参数的似然函数求解正常应力下的线性逆高斯分布参数,得到正常应力下退化过程的逆高斯分布函数,以便根据正常应力下退化过程的逆高斯分布函数对所述测试样本及所述测试样本的同类产品的剩余寿命进行预测。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现以下流程:
通过加速退化试验获取测试样本在应力下的退化数据;
基于退化数据和线性逆高斯分布参数的联合先验密度函数,通过贝叶斯公式得出测试样本的联合后验密度函数;
以线性逆高斯分布参数为隐变量,通过极大值似然估计方法求解出联合后验密度函数的随机分布特征参数包含隐变量的表达式;
通过最大期望算法迭代求解出所述随机分布特征参数收敛时所对应的随机分布特征参数收敛值;
基于阿伦尼斯模型建立加速应力相对于常温下加速应力的加速系数模型,并估算所述加速系数模型的模型参数;
基于所述加速系数模型的模型参数、随机分布特征参数收敛值和所述加速系数模型的模型参数的似然函数求解正常应力下的线性逆高斯分布参数,得到正常应力下退化过程的逆高斯分布函数,以便根据正常应力下退化过程的逆高斯分布函数对所述测试样本及所述测试样本的同类产品的剩余寿命进行预测。
本申请一个或多个实施例采用的上述至少一个技术方案能够达到以下有益效果:
本申请实施例提供的产品寿命预测方案,通过将产品在应力下做加速退化试验,得到产品的退化数据,结合逆高斯过程求解出随机分布特征参数包含隐变量的表达式,结合最大期望算法迭代求解出稳定的随机分布特征参数,基于阿伦尼斯模型建立加速应力相对于常温下加速应力的加速系数模型,并估算所述加速系数模型的模型参数,然后基于加速系数模型的模型参数、稳定的随机分布特征参数和加速系数模型的模型参数的似然函数求解正常应力下的线性逆高斯分布参数,以便根据正常应力下退化过程的逆高斯分布函数对所述测试样本及所述测试样本的同类产品的寿命进行预测。如此,能够对产品的寿命进行准确预测,以便对产品做预测性维护、保养、更换等,避免设备由于出现故障导致停工停产而造成巨大的经济损失。
附图说明
此处所说明的附图用来提供对本文件的进一步理解,构成本文件的一部分,本文件的示意性实施例及其说明用于解释本文件,并不构成对本文件的不当限定。在附图中:
图1为本申请一个实施例提供的产品寿命预测方法的流程图。
图2为本申请一个实施例提供的电子设备的结构示意图。
图3为本申请一个实施例提供的产品寿命预测装置的结构示意图。
具体实施方式
为了对产品的寿命进行准确预测,本申请实施例提供了一种产品寿命预测方法、装置、电子设备及存储介质,该产品寿命预测方法、装置、电子设备及存储介质可对产品的寿命进行准确预测。
本申请实施例提供的产品寿命预测方法可应用于用户终端,所述用户终端可以是,但不限于个人电脑、智能手机、平板电脑、个人数字助理(personal digitalassistant,PDA)等。
下面将对本申请实施例提供的产品寿命预测方法进行详细说明。
为便于描述,除特别说明外,本申请实施例均以用户终端为执行主体进行说明。
可以理解,所述执行主体并不构成对本申请实施例的限定。
如图1所示,本申请实施例提供的产品寿命预测方法可以包括如下步骤:
步骤S101,通过加速退化试验获取测试样本在应力下的退化数据。
本申请实施例中,可在应力下对测试样本进行加速退化试验,测试样本可以是一个或多个,在初始时刻所对应的时间为0,测试样本在初始时刻所对应的退化量可表示为ti0=0,表示第i个测试样本在初始时刻的退化量。第i个测试样本在j-1时刻到j时刻之间的退化增量可表示为Δyij=yij-yi,j-1,其中j-1时刻为j时刻的前一时刻,yij表示第i个测试样本在j时刻的退化量,yi,j-1表示第i个测试样本在j-1时刻的退化量,j=1,2,L,mi,i=1,2,L,n,mi和n均为正整数。
步骤S102,基于退化数据和线性逆高斯分布参数的联合先验密度函数,通过贝叶斯公式得出测试样本的联合后验密度函数。
假设线性逆高斯分布参数λ和δ=1/u均未知但相关,其联合先验分布由两部分组成:λ取伽马分布,在λ给定的条件下,δ=1/u的条件先验为正态分布。即假设其中,λ、δ、u为线性逆高斯分布参数,a、b、c、d为随机分布特征参数,也称为超参数。
在得到测试样本的退化数据后,可通过贝叶斯公式得出测试样本的联合后验密度函数其中π(λ,δ)为线性逆高斯分布参数的联合先验密度函数,y为测试样本在应力下的退化量,λ和δ均为线性逆高斯分布参数,L(y|λ,δ)为测试样本的极大似然函数。
步骤S103,以线性逆高斯分布参数为隐变量,通过极大值似然估计方法求解出联合后验密度函数的随机分布特征参数包含隐变量的表达式。
具体的,步骤S103可包括如下的步骤S1031-S1033。
S1031,将线性逆高斯分布参数作为隐变量,得到测试样本的完全样本数据。
测试样本的完全样本数据可表示为(Δtij,Δyij,λi,δi),其中,j=1,2,L,mi,i=1,2,L,n,Δtij为j时刻与j-1时刻的之间的时间差,Δyij为第i个测试样本从j-1时刻到j时刻的退化增量,λi和δi均为测试样本所i对应的线性逆高斯分布参数。
S1032,建立测试样本的完全样本数据的似然函数。
S1033,通过极大值似然估计方法求解出联合后验密度函数的随机分布特征参数包含隐变量的表达式。
包含Ω=(a,b,c,d)的完全对数似然函数 采用极大值似然估计方法(Maximum Likelihood Estimate,MLE)估算联合后验密度函数的随机分布特征参数(a、b、c、d),可得出联合后验密度函数的随机分布特征参数包含隐变量的表达式。
步骤S104,通过最大期望算法迭代求解出随机分布特征参数收敛时所对应的随机分布特征参数收敛值。
由于随机分布特征参数的估计值的表达式中仍然含有隐变量λi和δi,所以无法直接求解,但是可以通过随机给出随机分布特征参数的一组初值,运用最大期望算法(Expectation Maximization Algorithm,EM)求解随机分布特征参数。
具体的,在最大期望算法的E步(Expectation-step,E-step)中,需要求出包含隐变量数据的后验期望值,包括E(λi)、E(lnλi)、E(λiδi)和假设迭代l次后的超参数值为由于假定λi服从伽马分布,而δi|λi服从正态分布,各项的期望值皆可由以上分布的统计特性,然后结合条件期望公式进行得出。通过迭代公式,下一次迭代得到的参数值取决于上一次参数值,将上一次参数值代入得到各项的后验期望值如下:
在最大期望算法的M步(Maximization step,M-step)中将期望值代入参数的迭代公式,得到第l+1步迭代的估计值:
步骤S105,基于阿伦尼斯模型建立加速应力相对于常温下加速应力的加速系数模型,并估算所述加速系数模型的模型参数。
假设加速应力的失效机理一致,即加速应力下,参数的变化关系满足则加速应力相对于常温下加速应力的加速系数模型为其中,Tk表示第k个加速应力所对应的应力值,r1、r2、r3均为阿伦尼斯模型的模型参数,为线性逆高斯分布参数uk的期望值,为线性逆高斯分布参数λk的期望值。
步骤S106,基于加速系数模型的模型参数、随机分布特征参数收敛值和加速系数模型的模型参数的似然函数求解正常应力下的线性逆高斯分布参数,得到正常应力下退化过程的逆高斯分布函数,以便根据正常应力下退化过程的逆高斯分布函数对测试样本及测试样本的同类产品的寿命进行预测。
具体的,步骤S106可包括如下的步骤S1061-S1064。
步骤S1061,建立阿伦尼斯模型的模型参数的似然函数。
阿伦尼斯模型的模型参数的似然函数可表示为其中,Δti,j,k表示j时刻与j-1时刻之间的时间差,y(ti,j,k)表示第i个测试样本于应力k下在j时刻的退化量,Δy(ti,j,k)表示第i个测试样本于应力k下从j-1时刻到j时刻的退化增量。
步骤S1062,通过牛顿法、拟牛顿法或梯度下降算法优化估算阿伦尼斯模型的模型参数。
步骤S1063,基于阿伦尼斯模型的模型参数的估算值,确定出正常应力下的线性逆高斯分布参数。
估算出阿伦尼斯模型的模型参数后,可将阿伦尼斯模型的模型参数的估算值代入上述的加速系数模型可得到正常应力T0下所对应的线性逆高斯分布参数u0、λ0的期望值,并将线性逆高斯分布参数u0、λ0的期望值作为正常应力下的线性逆高斯分布参数。
步骤S1064,基于常应力下的线性逆高斯分布参数确定出正常应力下退化过程的逆高斯分布函数。
在确定出正常应力下退化过程的逆高斯分布函数后,即可根据正常应力下退化过程的逆高斯分布函数,对测试样本及测试样本的同类产品的寿命进行预测。
需要说明的是,本申请实施例中在得到正常应力下退化过程的逆高斯分布函数时,常应力下的线性逆高斯分布参和需要根据阿伦尼斯模型的模型参数的r1、r2、r3的估算值确定出,而阿伦尼斯模型的模型参数的r1、r2、r3需要根据线性逆高斯分布参数uk的期望值和线性逆高斯分布参数λk的期望值确定出,而线性逆高斯分布参数uk和线性逆高斯分布参数λk需要根据随机分布特征参数a、b、c、d确定出。因此,在步骤S106中确定正常应力下退化过程的逆高斯分布函数时,需要使用到随机分布特征参数收敛值。
综上所述,本申请实施例提供的产品寿命预测方案,通过将产品在应力下做加速退化试验,得到产品的退化数据,结合逆高斯过程求解出随机分布特征参数包含隐变量的表达式,结合最大期望算法迭代求解出稳定的随机分布特征参数,基于阿伦尼斯模型建立加速应力相对于常温下加速应力的加速系数模型,并估算所述加速系数模型的模型参数,然后基于加速系数模型的模型参数、稳定的随机分布特征参数和加速系数模型的模型参数的似然函数求解正常应力下的线性逆高斯分布参数,以便根据正常应力下退化过程的逆高斯分布函数对所述测试样本及所述测试样本的同类产品的寿命进行预测。如此,能够对产品的寿命进行准确预测,以便对产品做预测性维护、保养、更换等,避免设备由于出现故障导致停工停产而造成巨大的经济损失,同时还可避免由于提前更换产品而导致的资源浪费。
图2是本申请的一个实施例提供的电子设备的结构示意图。请参考图2,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图2中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成产品寿命预测装置。处理器,执行存储器所存放的程序,实现以下流程:
通过加速退化试验获取测试样本在应力下的退化数据;
基于退化数据和线性逆高斯分布参数的联合先验密度函数,通过贝叶斯公式得出测试样本的联合后验密度函数;
以线性逆高斯分布参数为隐变量,通过极大值似然估计方法求解出联合后验密度函数的随机分布特征参数包含隐变量的表达式;
通过最大期望算法迭代求解出所述随机分布特征参数收敛时所对应的随机分布特征参数收敛值;
基于阿伦尼斯模型建立加速应力相对于常温下加速应力的加速系数模型,并估算所述加速系数模型的模型参数;
基于所述加速系数模型的模型参数、随机分布特征参数收敛值和所述加速系数模型的模型参数的似然函数求解正常应力下的线性逆高斯分布参数,得到正常应力下退化过程的逆高斯分布函数,以便根据正常应力下退化过程的逆高斯分布函数对所述测试样本及所述测试样本的同类产品的剩余寿命进行预测。
上述如本申请图2所示实施例揭示的产品寿命预测装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请一个或多个实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1的方法,并实现产品寿命预测装置在图2所示实施例的功能,本申请实施例在此不再赘述。
当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示实施例的方法,并具体用于执行以下操作:
通过加速退化试验获取测试样本在应力下的退化数据;
基于退化数据和线性逆高斯分布参数的联合先验密度函数,通过贝叶斯公式得出测试样本的联合后验密度函数;
以线性逆高斯分布参数为隐变量,通过极大值似然估计方法求解出联合后验密度函数的随机分布特征参数包含隐变量的表达式;
通过最大期望算法迭代求解出所述随机分布特征参数收敛时所对应的随机分布特征参数收敛值;
基于阿伦尼斯模型建立加速应力相对于常温下加速应力的加速系数模型,并估算所述加速系数模型的模型参数;
基于所述加速系数模型的模型参数、随机分布特征参数收敛值和所述加速系数模型的模型参数的似然函数求解正常应力下的线性逆高斯分布参数,得到正常应力下退化过程的逆高斯分布函数,以便根据正常应力下退化过程的逆高斯分布函数对所述测试样本及所述测试样本的同类产品的剩余寿命进行预测。
图3是本申请的一个实施例提供的产品寿命预测装置的结构示意图。请参阅图3,在一种软件实施方式中,产品寿命预测装置包括:
测试单元,用于通过加速退化试验获取测试样本在应力下的退化数据;
第一运算单元,用于基于退化数据和线性逆高斯分布参数的联合先验密度函数,通过贝叶斯公式得出测试样本的联合后验密度函数;
第二运算单元,用于以线性逆高斯分布参数为隐变量,通过极大值似然估计方法求解出联合后验密度函数的随机分布特征参数包含隐变量的表达式;
第三运算单元,用于通过最大期望算法迭代求解出所述随机分布特征参数收敛时所对应的随机分布特征参数收敛值;
第四运算单元,用于基于阿伦尼斯模型建立加速应力相对于常温下加速应力的加速系数模型,并估算所述加速系数模型的模型参数;
第五运算单元,用于基于所述加速系数模型的模型参数、随机分布特征参数收敛值和所述加速系数模型的模型参数的似然函数求解正常应力下的线性逆高斯分布参数,得到正常应力下退化过程的逆高斯分布函数,以便根据正常应力下退化过程的逆高斯分布函数对所述测试样本及所述测试样本的同类产品的寿命进行预测。
总之,以上所述仅为本文件的较佳实施例而已,并非用于限定本文件的保护范围。凡在本文件的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本文件的保护范围之内。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本文件中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种产品寿命预测方法,其特征在于,包括:
通过加速退化试验获取测试样本在应力下的退化数据;
基于退化数据和线性逆高斯分布参数的联合先验密度函数,通过贝叶斯公式得出测试样本的联合后验密度函数;
以线性逆高斯分布参数为隐变量,通过极大值似然估计方法求解出联合后验密度函数的随机分布特征参数包含隐变量的表达式;
通过最大期望算法迭代求解出所述随机分布特征参数收敛时所对应的随机分布特征参数收敛值;
基于阿伦尼斯模型建立加速应力相对于常温下加速应力的加速系数模型,并估算所述加速系数模型的模型参数;
基于所述加速系数模型的模型参数、随机分布特征参数收敛值和所述加速系数模型的模型参数的似然函数求解正常应力下的线性逆高斯分布参数,得到正常应力下退化过程的逆高斯分布函数,以便根据正常应力下退化过程的逆高斯分布函数对所述测试样本及所述测试样本的同类产品的寿命进行预测。
4.根据权利要求2所述的方法,其特征在于,以线性逆高斯分布参数为隐变量,通过极大值似然估计方法求解出联合后验密度函数的随机分布特征参数包含隐变量的表达式,包括:
将线性逆高斯分布参数作为隐变量,得到测试样本的完全样本数据(Δtij,Δyij,λi,δi),其中,j=1,2,L,mi,i=1,2,L,n,Δtij为j时刻与j-1时刻的之间的时间差,Δyij为第i个测试样本从j-1时刻到j时刻的退化增量,λi和δi均为测试样本所i对应的线性逆高斯分布参数;
通过极大值似然估计方法求解出联合后验密度函数的随机分布特征参数包含隐变量的表达式。
6.根据权利要求5所述的方法,其特征在于,所述基于所述加速系数模型的模型参数、随机分布特征参数收敛值和所述加速系数模型的模型参数的似然函数求解正常应力下的线性逆高斯分布参数,得到正常应力下退化过程的逆高斯分布函数,包括:
建立阿伦尼斯模型的模型参数的似然函数其中,Δti,j,k表示j时刻与j-1时刻之间的时间差,y(ti,j,k)表示第i个测试样本于应力k下在j时刻的退化量,Δy(ti,j,k)表示第i个测试样本于应力k下从j-1时刻到j时刻的退化增量;
通过牛顿法、拟牛顿法或梯度下降算法优化估算阿伦尼斯模型的模型参数,得到阿伦尼斯模型的模型参数的估算值;
基于阿伦尼斯模型的模型参数的估算值,确定出正常应力下的线性逆高斯分布参数;
8.一种产品寿命预测装置,其特征在于,包括:
测试单元,用于通过加速退化试验获取测试样本在应力下的退化数据;
第一运算单元,用于基于退化数据和线性逆高斯分布参数的联合先验密度函数,通过贝叶斯公式得出测试样本的联合后验密度函数;
第二运算单元,用于以线性逆高斯分布参数为隐变量,通过极大值似然估计方法求解出联合后验密度函数的随机分布特征参数包含隐变量的表达式;
第三运算单元,用于通过最大期望算法迭代求解出所述随机分布特征参数收敛时所对应的随机分布特征参数收敛值;
第四运算单元,用于基于阿伦尼斯模型建立加速应力相对于常温下加速应力的加速系数模型,并估算所述加速系数模型的模型参数;
第五运算单元,用于基于所述加速系数模型的模型参数、随机分布特征参数收敛值和所述加速系数模型的模型参数的似然函数求解正常应力下的线性逆高斯分布参数,得到正常应力下退化过程的逆高斯分布函数,以便根据正常应力下退化过程的逆高斯分布函数对所述测试样本及所述测试样本的同类产品的寿命进行预测。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序,实现以下流程:
通过加速退化试验获取测试样本在应力下的退化数据;
基于退化数据和线性逆高斯分布参数的联合先验密度函数,通过贝叶斯公式得出测试样本的联合后验密度函数;
以线性逆高斯分布参数为隐变量,通过极大值似然估计方法求解出联合后验密度函数的随机分布特征参数包含隐变量的表达式;
通过最大期望算法迭代求解出所述随机分布特征参数收敛时所对应的随机分布特征参数收敛值;
基于阿伦尼斯模型建立加速应力相对于常温下加速应力的加速系数模型,并估算所述加速系数模型的模型参数;
基于所述加速系数模型的模型参数、随机分布特征参数收敛值和所述加速系数模型的模型参数的似然函数求解正常应力下的线性逆高斯分布参数,得到正常应力下退化过程的逆高斯分布函数,以便根据正常应力下退化过程的逆高斯分布函数对所述测试样本及所述测试样本的同类产品的剩余寿命进行预测。
10.一种计算机可读存储介质,其特征在于,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现以下流程:
通过加速退化试验获取测试样本在应力下的退化数据;
基于退化数据和线性逆高斯分布参数的联合先验密度函数,通过贝叶斯公式得出测试样本的联合后验密度函数;
以线性逆高斯分布参数为隐变量,通过极大值似然估计方法求解出联合后验密度函数的随机分布特征参数包含隐变量的表达式;
通过最大期望算法迭代求解出所述随机分布特征参数收敛时所对应的随机分布特征参数收敛值;
基于阿伦尼斯模型建立加速应力相对于常温下加速应力的加速系数模型,并估算所述加速系数模型的模型参数;
基于所述加速系数模型的模型参数、随机分布特征参数收敛值和所述加速系数模型的模型参数的似然函数求解正常应力下的线性逆高斯分布参数,得到正常应力下退化过程的逆高斯分布函数,以便根据正常应力下退化过程的逆高斯分布函数对所述测试样本及所述测试样本的同类产品的剩余寿命进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111424472.6A CN114091281A (zh) | 2021-11-26 | 2021-11-26 | 产品寿命预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111424472.6A CN114091281A (zh) | 2021-11-26 | 2021-11-26 | 产品寿命预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114091281A true CN114091281A (zh) | 2022-02-25 |
Family
ID=80305160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111424472.6A Pending CN114091281A (zh) | 2021-11-26 | 2021-11-26 | 产品寿命预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091281A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828648A (zh) * | 2023-02-15 | 2023-03-21 | 中国科学技术大学 | 一种火灾后电子封装互连结构寿命的预测方法及装置 |
CN115879610A (zh) * | 2022-11-30 | 2023-03-31 | 中国南方电网有限责任公司超高压输电公司广州局 | 接触器使用期限预测方法、装置、设备和存储介质 |
CN116991646A (zh) * | 2023-09-27 | 2023-11-03 | 致真存储(北京)科技有限公司 | 磁存储器寿命预测方法、装置、电子设备及存储介质 |
-
2021
- 2021-11-26 CN CN202111424472.6A patent/CN114091281A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879610A (zh) * | 2022-11-30 | 2023-03-31 | 中国南方电网有限责任公司超高压输电公司广州局 | 接触器使用期限预测方法、装置、设备和存储介质 |
CN115879610B (zh) * | 2022-11-30 | 2024-03-29 | 中国南方电网有限责任公司超高压输电公司广州局 | 接触器使用期限预测方法、装置、设备和存储介质 |
CN115828648A (zh) * | 2023-02-15 | 2023-03-21 | 中国科学技术大学 | 一种火灾后电子封装互连结构寿命的预测方法及装置 |
CN116991646A (zh) * | 2023-09-27 | 2023-11-03 | 致真存储(北京)科技有限公司 | 磁存储器寿命预测方法、装置、电子设备及存储介质 |
CN116991646B (zh) * | 2023-09-27 | 2023-12-29 | 致真存储(北京)科技有限公司 | 磁存储器寿命预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114091281A (zh) | 产品寿命预测方法、装置、电子设备及存储介质 | |
CN108846749B (zh) | 一种基于区块链技术的分片化的交易执行系统及方法 | |
CN112311611B (zh) | 数据异常的监测方法、装置和电子设备 | |
US20180365523A1 (en) | Method and system for training machine learning system | |
CN105511957A (zh) | 用于生成作业告警的方法和系统 | |
CN111861464A (zh) | 区块链的节点共识方法及系统 | |
CN115270003A (zh) | 一种基于物联网平台行为数据挖掘的信息推荐方法及系统 | |
US20150067644A1 (en) | Method and apparatus for minimum cost cycle removal from a directed graph | |
CN110955685A (zh) | 一种大数据基数估计方法、系统、服务器和存储介质 | |
CN110688111A (zh) | 业务流程的配置方法、装置、服务器和存储介质 | |
CN112181430A (zh) | 代码变更统计方法、装置、电子设备及存储介质 | |
CN113946983A (zh) | 产品可靠性薄弱环节评估方法、装置和计算机设备 | |
CN116560968A (zh) | 一种基于机器学习的仿真计算时间预测方法、系统及设备 | |
CN115795928A (zh) | 基于伽马过程的加速退化试验数据处理方法和装置 | |
CN108470242B (zh) | 风险管控方法、装置、及服务器 | |
CN116011677A (zh) | 时序数据的预测方法、装置、电子设备及存储介质 | |
CN107368281B (zh) | 一种数据处理方法及装置 | |
CN115587545A (zh) | 一种用于光刻胶的参数优化方法、装置、设备及存储介质 | |
CN109145996B (zh) | 异常环境下的指标数据生成方法、装置及电子设备 | |
CN114185882A (zh) | 一种不良数据修正方法、装置、存储介质及电子设备 | |
CN113516453A (zh) | 建设项目投资资金管控预警方法、装置、设备及介质 | |
CN110019068B (zh) | 一种日志文本处理方法和装置 | |
JP6771619B2 (ja) | ソースコードのプロパティを検証するための方法およびシステム | |
CN114091773A (zh) | 系统寿命预测方法、装置、电子设备及存储介质 | |
CN115687845A (zh) | 存储性能的决策树生成方法、装置、电子设备及存储介质 |
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 |