CN115616437A - 一种epc特种电源的智能调测控制方法及系统 - Google Patents
一种epc特种电源的智能调测控制方法及系统 Download PDFInfo
- Publication number
- CN115616437A CN115616437A CN202211448080.8A CN202211448080A CN115616437A CN 115616437 A CN115616437 A CN 115616437A CN 202211448080 A CN202211448080 A CN 202211448080A CN 115616437 A CN115616437 A CN 115616437A
- Authority
- CN
- China
- Prior art keywords
- reliability
- packaging process
- test
- sequence
- packaging
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012360 testing method Methods 0.000 claims abstract description 305
- 238000012858 packaging process Methods 0.000 claims abstract description 215
- 230000007613 environmental effect Effects 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 19
- 238000004806 packaging method and process Methods 0.000 claims description 62
- 238000011156 evaluation Methods 0.000 claims description 50
- 230000002159 abnormal effect Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 abstract description 2
- 238000005538 encapsulation Methods 0.000 description 14
- 238000003860 storage Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/40—Testing power supplies
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种EPC特种电源的智能调测控制方法及系统，包括：获取EPC特种电源的封装流程信息构建EPC特种电源的封装流程序列，提取封装流程序列中各封装流程的关键特征；根据封装流程的关键特征对所述封装流程序列进行分段，根据分段后的封装流程序列选取测试时间点，根据各段的装配内容对测试时间点设置可靠性测试内容；完成封装流程中所有测试时间点的可靠性测试后，对各测试时间点的测试结果进行整合，根据装配关系预测整机测试结果，当所述整机测试结果满足预设标准时结束可靠性测试。本发明通过系统性测试EPC特种电源在高压、高低温环境下的可靠性，提高特种电源的测试效率与准确性，实现不同环境条件下的性能变化的可视化。
Description
技术领域
本发明涉及电源测试技术领域，更具体的，涉及一种EPC特种电源的智能调测控制方法及系统。
背景技术
特种电源即特殊种类的电源，其特殊主要是由于衡量电源的技术指标要求不同于常用的电源，主要是输出电压特别高，输出电流特别大，或者对稳定度、动态响应及纹波要求特别高，或者要求电源输出的电压或电流是脉冲或其它一些要求。可见特种电源就是运用电力电子技术及一些特殊手段，将发电厂或蓄电源输出的一次电能，变换成能满足对电能形式特殊需要的场合要求而设计的电源，这就使得在设计及生产此类电源时有比普通电源更特殊甚至更严格的要求。
EPC特种电源一般是为特殊负载或场合要求而设计的，在工业、环保、医疗、国防和科研等方面具有广泛应用。另外，EPC特种电源往往要求在高低温等恶劣环境及高压情况下高效稳定运行，因此，针对EPC特种电源性能指标的高规格要求，可靠性测试就显得尤为重要。目前关于特种电源的可靠性测试中测试项目较为单一，缺乏系统集成化的测试环境。为了满足EPC特种电源的多元可靠性测试要求，亟需从而实现一套融合综合参数试验与性能测试及批量测试于一体的协同试验测试环境。
发明内容
为了解决上述技术问题，本发明提出了一种EPC特种电源的智能调测控制方法及系统。
本发明第一方面提供了一种EPC特种电源的智能调测控制方法，包括：
获取EPC特种电源的封装流程信息构建EPC特种电源的封装流程序列，提取封装流程序列中各封装工艺的关键特征；
根据封装流程的关键特征对所述封装流程序列进行分段，根据分段后的封装流程序列选取测试时间点，根据各段的装配内容对测试时间点设置可靠性测试内容；
判断测试时间点中的可靠性测试内容是否满足预设可靠性标准，若不满足可靠性标准，则对封装流程子序列中的装配进行补偿修正，若满足，则进行下一测试时间点的可靠性测试；
完成封装流程中所有测试时间点的可靠性测试后，对各测试时间点的测试结果进行整合，根据装配关系预测整机测试结果，当所述整机测试结果满足预设标准时结束可靠性测试。
本方案中，获取EPC特种电源的封装流程信息构建EPC特种电源的封装流程序列，提取封装流程序列中各封装流程的关键特征，具体为：
根据EPC特种电源的封装工艺流程获取封装流程信息，将封装流程信息进行初步简化，去除冗杂封装流程；
将简化后封装流程信息构建封装流程序列，对封装流程序列中的各封装工艺进行评价；
根据大数据检索获取特种电源封装流程中评价指标，通过所述评价指标基于层次分析模型及模糊综合评价模型获取各个封装流程的重要性评价；
通过层次分析模型构建判断矩阵获取评价指标的指标权重，根据评价指标确定特种电源各个封装流程的评价因素集合，通过模糊综合评价判断评价因素对预设重要性评价等级的隶属度，得到隶属度矩阵；
根据所述隶属度矩阵及指标权重计算模糊综合评价结果，获取特种电源各个封装流程的重要性评价等级，将重要性评级等级高于预设等级阈值的封装流程划分为关键封装流程，并提取关键特征。
本方案中，根据封装流程的关键特征对所述封装流程序列进行分段，具体为：
将所述关键特征作为封装流程序列的分段节点，并将封装流程序列划分为若干封装流程子序列，根据各封装流程的结束时间戳作为封装流程子序列对应的测试时间点；
读取封装流程子序列的装配内容，根据装配内容匹配对应的可靠性测试内容，将测试时间点及可靠性测试内容构建调试流程序列；
将调试流程序列输入指令发生器，通过调试流程序列中的可靠性测试内容的测试顺序初始化测试环境，根据测试环境变化驱动相应测试组件，将环境条件匹配可靠性测试数据进行输出；
根据各项可靠性测试对应测试环境的环境条件变化区间设置当前测试环境的可靠性标准，通过各项可靠性测试的可靠性标准获取调试流程序列对应的可靠性标准序列。
本方案中，判断测试时间点中的可靠性测试内容是否满足预设可靠性标准，具体为：
获取各项可靠性测试中含有环境条件的可靠性测试数据，将可靠性测试数据时序序列与可靠性标准序列进行分段对比，获取各段子序列的均方误差，
预设误差阈值区间，判断所述均方误差是否落在误差阈值区间内，若不落在，则证明当前封装流程对应的可靠性测试不符合预设可靠性标准；
若落在，在误差阈值区间内选取阈值点划分不同可靠性等级的子区间，将所述均方误差进行二次判断，生成当前封装流程对应的可靠性测试的可靠性等级，并将带有环境条件标签的EPC特种电源可靠性变化进行可视化处理；
根据调试流程序列进行测试环境的变换，自动转入下一封装流程的可靠性测试。
本方案中，对各测试时间点的测试结果进行整合，根据装配关系预测整机测试结果，具体为：
在调试流程序列历遍结束后，获取各可靠性测试的测试结果，将测试结果进行异常值剔除；
获取封装流程序列中各封装流程装配内容中的装配结构，通过各封装流程子序列及各个装配结构的装配顺序及装配关系构建封装有向图；
将封装流程子序列作为封装有向图的节点，将各个装配结构的装配顺序及装配关系作为节点之间的连接关系，通过封装流程子序列对应的可靠性测试的测试结果作为节点的补充节点；
根据装配有向图中各个节点的邻接矩阵计算对其他节点可靠性影响程度，通过获取各节点对其他节点的可靠性影响程度对节点设置权值标签；
基于图卷积神经网络构建整机可靠性预测模型，对封装有向图进行学习表示，输出整机可靠性测试的预测结果。
本方案中，还包括：获取EPC特种电源整机可靠性测试的预测结果，将所述预测结果预设可靠性阈值进行对比；
若所述预测结果小于预设可靠性阈值，则根据各个封装流程子序列对应的可靠性测试的可靠性等级判断本身的异常率，将本身的异常率匹配其他封装流程子序列的可靠性影响程度获取综合异常率；
通过所述综合异常率对各个封装流程子序列进行倒序排序，根据排序结果选取预设数量的封装流程子序列的装配进行调整修正；
若所述预测结果大于等于预设可靠性阈值，则完成调试流程序列的测试，进行实际整机测试，根据实际整机测试结果对整机可靠性预测模型进行误差补偿。
本发明第二方面还提供了一种EPC特种电源的智能调测控制系统，该系统包括：存储器、处理器，所述存储器中包括一种EPC特种电源的智能调测控制方法程序，所述一种EPC特种电源的智能调测控制方法程序被所述处理器执行时实现如下步骤：
获取EPC特种电源的封装流程信息构建EPC特种电源的封装流程序列，提取封装流程序列中各封装工艺的关键特征；
根据封装流程的关键特征对所述封装流程序列进行分段，根据分段后的封装流程序列选取测试时间点，根据各段的装配内容对测试时间点设置可靠性测试内容；
判断测试时间点中的可靠性测试内容是否满足预设可靠性标准，若不满足可靠性标准，则对封装流程子序列中的装配进行补偿修正，若满足，则进行下一测试时间点的可靠性测试；
完成封装流程中所有测试时间点的可靠性测试后，对各测试时间点的测试结果进行整合，根据装配关系预测整机测试结果，当所述整机测试结果满足预设标准时结束可靠性测试。
本发明公开了一种EPC特种电源的智能调测控制方法及系统，包括：获取EPC特种电源的封装流程信息构建EPC特种电源的封装流程序列，提取封装流程序列中各封装流程的关键特征；根据封装流程的关键特征对所述封装流程序列进行分段，根据分段后的封装流程序列选取测试时间点，根据各段的装配内容对测试时间点设置可靠性测试内容；完成封装流程中所有测试时间点的可靠性测试后，对各测试时间点的测试结果进行整合，根据装配关系预测整机测试结果，当所述整机测试结果满足预设标准时结束可靠性测试。本发明通过系统性测试EPC特种电源在高压、高低温环境下的可靠性，提高特种电源的测试效率与准确性，实现不同环境条件下的性能变化的可视化。
附图说明
图1示出了本发明一种EPC特种电源的智能调测控制方法的流程图；
图2示出了本发明根据关键特征对封装流程序列进行分段的方法流程图；
图3示出了本发明预测整机测试结果的方法流程图；
图4示出了本发明一种EPC特种电源的智能调测控制系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
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，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种EPC特种电源的智能调测控制方法的流程图。
如图1所示，本发明第一方面提供了一种EPC特种电源的智能调测控制方法，包括：
S102，获取EPC特种电源的封装流程信息构建EPC特种电源的封装流程序列，提取封装流程序列中各封装工艺的关键特征；
S104，根据封装流程的关键特征对所述封装流程序列进行分段，根据分段后的封装流程序列选取测试时间点，根据各段的装配内容对测试时间点设置可靠性测试内容；
S106，判断测试时间点中的可靠性测试内容是否满足预设可靠性标准，若不满足可靠性标准，则对封装流程子序列中的装配进行补偿修正，若满足，则进行下一测试时间点的可靠性测试；
S108，完成封装流程中所有测试时间点的可靠性测试后，对各测试时间点的测试结果进行整合，根据装配关系预测整机测试结果，当所述整机测试结果满足预设标准时结束可靠性测试。
需要说明的是，根据EPC特种电源的封装工艺流程获取封装流程信息，将封装流程信息进行初步简化，去除冗杂封装流程；将简化后封装流程信息构建封装流程序列，对封装流程序列中的各封装工艺进行评价；根据大数据检索获取特种电源封装流程中评价指标，例如：封装流程耗时，封装结构数据及重要性，封装步骤复杂度等，通过所述评价指标基于层次分析模型及模糊综合评价模型获取各个封装流程的重要性评价；通过层次分析模型构建判断矩阵获取评价指标的指标权重，根据评价指标确定特种电源各个封装流程的评价因素集合，通过模糊综合评价判断评价因素对预设重要性评价等级的隶属度，得到隶属度矩阵；建立评价指标层次结构，根据层级结构中各层的判断矩阵生成各指标的指标权重，指标层与目标层的隶属度通过其下一层指标的隶属度与权重进行计算，针对不同重要性评价等级：不重要、一般重要、重要、特别重要设置对应的隶属度，分别为70、80、90、100，根据所述隶属度矩阵及指标权重计算模糊综合评价结果，获取特种电源各个封装流程的重要性评价等级，将重要性评级等级高于预设等级阈值的封装流程划分为关键封装流程，并提取关键特征。
图2示出了本发明根据关键特征对封装流程序列进行分段的方法流程图。
根据本发明实施例，根据封装流程的关键特征对所述封装流程序列进行分段，具体为：
S202，将所述关键特征作为封装流程序列的分段节点，并将封装流程序列划分为若干封装流程子序列，根据各封装流程的结束时间戳作为封装流程子序列对应的测试时间点；
S204，读取封装流程子序列的装配内容，根据装配内容匹配对应的可靠性测试内容，将测试时间点及可靠性测试内容构建调试流程序列；
S206，将调试流程序列输入指令发生器，通过调试流程序列中的可靠性测试内容的测试顺序初始化测试环境，根据测试环境变化驱动相应测试组件，将环境条件匹配可靠性测试数据进行输出；
S208，根据各项可靠性测试对应测试环境的环境条件变化区间设置当前测试环境的可靠性标准，通过各项可靠性测试的可靠性标准获取调试流程序列对应的可靠性标准序列。
需要说明的是，获取各项可靠性测试中含有环境条件的可靠性测试数据，所述环境条件包括高压环境，高温环境及低温环境等，将可靠性测试数据时序序列与可靠性标准序列进行分段对比，获取各段子序列的均方误差，预设误差阈值区间，判断所述均方误差是否落在误差阈值区间内，若不落在，则证明当前封装流程对应的可靠性测试不符合预设可靠性标准；若落在，在误差阈值区间内选取阈值点划分不同可靠性等级的子区间，将所述均方误差进行二次判断，生成当前封装流程对应的可靠性测试的可靠性等级，并将带有环境条件标签的EPC特种电源可靠性变化进行可视化处理；根据调试流程序列进行测试环境的变换，自动转入下一封装流程的可靠性测试。
图3示出了本发明预测整机测试结果的方法流程图。
根据本发明实施例，对各测试时间点的测试结果进行整合，根据装配关系预测整机测试结果，具体为：
S302，在调试流程序列历遍结束后，获取各可靠性测试的测试结果，将测试结果进行异常值剔除；
S304，获取封装流程序列中各封装流程装配内容中的装配结构，通过各封装流程子序列及各个装配结构的装配顺序及装配关系构建封装有向图；
S306，将封装流程子序列作为封装有向图的节点，将各个装配结构的装配顺序及装配关系作为节点之间的连接关系，通过封装流程子序列对应的可靠性测试的测试结果作为节点的补充节点；
S308，根据装配有向图中各个节点的邻接矩阵计算对其他节点可靠性影响程度，通过获取各节点对其他节点的可靠性影响程度对节点设置权值标签；
S310，基于图卷积神经网络构建整机可靠性预测模型，对封装有向图进行学习表示，输出整机可靠性测试的预测结果。
需要说明的是，封装有向图中各节点对其他节点可靠性影响程度
的计算公式具体为：
其中，
分别表示第
次迭代后某封装流程子序列节点对其他封装流程子序列节点，
，其具体数值通过节点邻接矩阵得出；
表示阻尼因子；
表示状态转移矩阵，
表示元素全为1的n×1矩阵；
表示封装流程子序列的数量；
通过图卷积神经网络对封装有向图进行表示学习，在封装有向图相连的一对封装流程子序列节点
，将
作为初始特征向量，将封装流程子序列节点
通过邻居节点聚合机制进行表示，得到节点
向量表示
，具体为：
其中，
表示激活函数，
表示特征变换的参数矩阵，
表示节点
对节点
的可靠性影响程度；
根据上述公式，生成节点
的向量表示
后进行下一相连节点的向量表示，以此类推，将封装有向图中所有节点进行表示后，计算节点的向量内积获取整机可靠性测试的预测结果。
需要说明的是，获取EPC特种电源整机可靠性测试的预测结果，将所述预测结果预设可靠性阈值进行对比；若所述预测结果小于预设可靠性阈值，则根据各个封装流程子序列对应的可靠性测试的可靠性等级判断本身的异常率，通过各个封装流程子序列的历史异常率进行统计分析，确定各个可靠性等级的预设本身异常率，将本身的异常率匹配其他封装流程子序列的可靠性影响程度获取综合异常率；其中综合异常率的计算公式具体为：
其中，
表示封装流程子序列n的综合异常率，
表示封装流程子序列n本身的异常率，
表示其他封装流程子序列对封装流程子序列n的可靠性影响程度，
表示其他封装流程子序列本身的异常率；
通过所述综合异常率对各个封装流程子序列进行倒序排序，根据排序结果选取预设数量的封装流程子序列的装配进行调整修正；若所述预测结果大于等于预设可靠性阈值，则完成调试流程序列的测试，进行实际整机测试，根据实际整机测试结果对整机可靠性预测模型进行误差补偿。
根据本发明实施例，构建数据库，存储不同工序要求的EPC特种电源对应的调试流程序列，具体为：
获取EPC特种电源的封装流程信息设置工序要求标签，构建数据库，将对应的调试流程序列、匹配的可靠性标准序列及封装流程序列添加工序要求标签存入数据库中；
提取当前待测EPC特种电源的封装流程信息，在数据库中进行相似度计算，提取相似度符合预设相似度要求的数据，并按照相似度进行排序，选取相似度最高的数据对应的调试流程序列及对应的可靠性标准序列进行可靠性测试；
通过当前待测EPC特种电源的性能要求对所述可靠性标准序列进行修正，若封装流程序列中存在封装流程子序列的可靠性测试的可靠性等级不符合预设可靠性标准，则对所述封装流程子序列进行封装工艺修正，匹配更新后的可靠性标准在工序要求标签下进行数据添加；
另外，通过数据库监测测试硬件的运行状态，根据相同封装流程序列预设时间段内的EPC特种电源各测试环境条件的性能变化；
通过可靠性测试数据判断所述性能变化差值大于预设差值阈值，则生成该测试环境条件对应测试硬件的异常预警，并按照预设方式发送提醒硬件设备的运维检测。
图4示出了本发明一种EPC特种电源的智能调测控制系统的框图。
本发明第二方面还提供了一种EPC特种电源的智能调测控制系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种EPC特种电源的智能调测控制方法程序，所述一种EPC特种电源的智能调测控制方法程序被所述处理器执行时实现如下步骤：
获取EPC特种电源的封装流程信息构建EPC特种电源的封装流程序列，提取封装流程序列中各封装工艺的关键特征；
根据封装流程的关键特征对所述封装流程序列进行分段，根据分段后的封装流程序列选取测试时间点，根据各段的装配内容对测试时间点设置可靠性测试内容；
判断测试时间点中的可靠性测试内容是否满足预设可靠性标准，若不满足可靠性标准，则对封装流程子序列中的装配进行补偿修正，若满足，则进行下一测试时间点的可靠性测试；
完成封装流程中所有测试时间点的可靠性测试后，对各测试时间点的测试结果进行整合，根据装配关系预测整机测试结果，当所述整机测试结果满足预设标准时结束可靠性测试。
需要说明的是，根据EPC特种电源的封装工艺流程获取封装流程信息，将封装流程信息进行初步简化，去除冗杂封装流程；将简化后封装流程信息构建封装流程序列，对封装流程序列中的各封装工艺进行评价；根据大数据检索获取特种电源封装流程中评价指标，例如：封装流程耗时，封装结构数据及重要性，封装步骤复杂度等，通过所述评价指标基于层次分析模型及模糊综合评价模型获取各个封装流程的重要性评价；通过层次分析模型构建判断矩阵获取评价指标的指标权重，根据评价指标确定特种电源各个封装流程的评价因素集合，通过模糊综合评价判断评价因素对预设重要性评价等级的隶属度，得到隶属度矩阵；建立评价指标层次结构，根据层级结构中各层的判断矩阵生成各指标的指标权重，指标层与目标层的隶属度通过其下一层指标的隶属度与权重进行计算，针对不同重要性评价等级：不重要、一般重要、重要、特别重要设置对应的隶属度，分别为70、80、90、100，根据所述隶属度矩阵及指标权重计算模糊综合评价结果，获取特种电源各个封装流程的重要性评价等级，将重要性评级等级高于预设等级阈值的封装流程划分为关键封装流程，并提取关键特征。
根据本发明实施例，根据封装流程的关键特征对所述封装流程序列进行分段，具体为：
将所述关键特征作为封装流程序列的分段节点，并将封装流程序列划分为若干封装流程子序列，根据各封装流程的结束时间戳作为封装流程子序列对应的测试时间点；
读取封装流程子序列的装配内容，根据装配内容匹配对应的可靠性测试内容，将测试时间点及可靠性测试内容构建调试流程序列；
将调试流程序列输入指令发生器，通过调试流程序列中的可靠性测试内容的测试顺序初始化测试环境，根据测试环境变化驱动相应测试组件，将环境条件匹配可靠性测试数据进行输出；
根据各项可靠性测试对应测试环境的环境条件变化区间设置当前测试环境的可靠性标准，通过各项可靠性测试的可靠性标准获取调试流程序列对应的可靠性标准序列。
需要说明的是，获取各项可靠性测试中含有环境条件的可靠性测试数据，将可靠性测试数据时序序列与可靠性标准序列进行分段对比，获取各段子序列的均方误差，预设误差阈值区间，判断所述均方误差是否落在误差阈值区间内，若不落在，则证明当前封装流程对应的可靠性测试不符合预设可靠性标准；若落在，在误差阈值区间内选取阈值点划分不同可靠性等级的子区间，将所述均方误差进行二次判断，生成当前封装流程对应的可靠性测试的可靠性等级，并将带有环境条件标签的EPC特种电源可靠性变化进行可视化处理；根据调试流程序列进行测试环境的变换，自动转入下一封装流程的可靠性测试。
根据本发明实施例，对各测试时间点的测试结果进行整合，根据装配关系预测整机测试结果，具体为：
在调试流程序列历遍结束后，获取各可靠性测试的测试结果，将测试结果进行异常值剔除；
获取封装流程序列中各封装流程装配内容中的装配结构，通过各封装流程子序列及各个装配结构的装配顺序及装配关系构建封装有向图；
将封装流程子序列作为封装有向图的节点，将各个装配结构的装配顺序及装配关系作为节点之间的连接关系，通过封装流程子序列对应的可靠性测试的测试结果作为节点的补充节点；
根据装配有向图中各个节点的邻接矩阵计算对其他节点可靠性影响程度，通过获取各节点对其他节点的可靠性影响程度对节点设置权值标签；
基于图卷积神经网络构建整机可靠性预测模型，对封装有向图进行学习表示，输出整机可靠性测试的预测结果。
需要说明的是，封装有向图中各节点对其他节点可靠性影响程度
的计算公式具体为：
其中，
分别表示第
次迭代后某封装流程子序列节点对其他封装流程子序列节点，
，其具体数值通过节点邻接矩阵得出；
表示阻尼因子；
表示状态转移矩阵，
表示元素全为1的n×1矩阵；
表示封装流程子序列的数量；
通过图卷积神经网络对封装有向图进行表示学习，在封装有向图相连的一对封装流程子序列节点
，将
作为初始特征向量，将封装流程子序列节点
通过邻居节点聚合机制进行表示，得到节点
向量表示
，具体为：
其中，
表示激活函数，
表示特征变换的参数矩阵，
表示节点
对节点
的可靠性影响程度；
根据上述公式，生成节点
的向量表示
后进行下一相连节点的向量表示，以此类推，将封装有向图中所有节点进行表示后，计算节点的向量内积获取整机可靠性测试的预测结果。
需要说明的是，获取EPC特种电源整机可靠性测试的预测结果，将所述预测结果预设可靠性阈值进行对比；若所述预测结果小于预设可靠性阈值，则根据各个封装流程子序列对应的可靠性测试的可靠性等级判断本身的异常率，通过各个封装流程子序列的历史异常率进行统计分析，确定各个可靠性等级的预设本身异常率，将本身的异常率匹配其他封装流程子序列的可靠性影响程度获取综合异常率；其中综合异常率的计算公式具体为：
其中，
表示封装流程子序列n的综合异常率，
表示封装流程子序列n本身的异常率，
表示其他封装流程子序列对封装流程子序列n的可靠性影响程度，
表示其他封装流程子序列本身的异常率；
通过所述综合异常率对各个封装流程子序列进行倒序排序，根据排序结果选取预设数量的封装流程子序列的装配进行调整修正；若所述预测结果大于等于预设可靠性阈值，则完成调试流程序列的测试，进行实际整机测试，根据实际整机测试结果对整机可靠性预测模型进行误差补偿。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种EPC特种电源的智能调测控制方法程序，所述一种EPC特种电源的智能调测控制方法程序被处理器执行时，实现如上述任一项所述的一种EPC特种电源的智能调测控制方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但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。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种EPC特种电源的智能调测控制方法，其特征在于，包括以下步骤：
获取EPC特种电源的封装流程信息构建EPC特种电源的封装流程序列，提取封装流程序列中各封装工艺的关键特征；
根据封装流程的关键特征对所述封装流程序列进行分段，根据分段后的封装流程序列选取测试时间点，根据各段的装配内容对测试时间点设置可靠性测试内容；
判断测试时间点中的可靠性测试内容是否满足预设可靠性标准，若不满足可靠性标准，则对封装流程子序列中的装配进行补偿修正，若满足，则进行下一测试时间点的可靠性测试；
完成封装流程中所有测试时间点的可靠性测试后，对各测试时间点的测试结果进行整合，根据装配关系预测整机测试结果，当所述整机测试结果满足预设标准时结束可靠性测试。
2.根据权利要求1所述的一种EPC特种电源的智能调测控制方法，其特征在于，获取EPC特种电源的封装流程信息构建EPC特种电源的封装流程序列，提取封装流程序列中各封装流程的关键特征，具体为：
根据EPC特种电源的封装工艺流程获取封装流程信息，将封装流程信息进行初步简化，去除冗杂封装流程；
将简化后封装流程信息构建封装流程序列，对封装流程序列中的各封装工艺进行评价；
根据大数据检索获取特种电源封装流程中评价指标，通过所述评价指标基于层次分析模型及模糊综合评价模型获取各个封装流程的重要性评价；
通过层次分析模型构建判断矩阵获取评价指标的指标权重，根据评价指标确定特种电源各个封装流程的评价因素集合，通过模糊综合评价判断评价因素对预设重要性评价等级的隶属度，得到隶属度矩阵；
根据所述隶属度矩阵及指标权重计算模糊综合评价结果，获取特种电源各个封装流程的重要性评价等级，将重要性评级等级高于预设等级阈值的封装流程划分为关键封装流程，并提取关键特征。
3.根据权利要求1所述的一种EPC特种电源的智能调测控制方法，其特征在于，根据封装流程的关键特征对所述封装流程序列进行分段，具体为：
将所述关键特征作为封装流程序列的分段节点，并将封装流程序列划分为若干封装流程子序列，根据各封装流程的结束时间戳作为封装流程子序列对应的测试时间点；
读取封装流程子序列的装配内容，根据装配内容匹配对应的可靠性测试内容，将测试时间点及可靠性测试内容构建调试流程序列；
将调试流程序列输入指令发生器，通过调试流程序列中的可靠性测试内容的测试顺序初始化测试环境，根据测试环境变化驱动相应测试组件，将环境条件匹配可靠性测试数据进行输出；
根据各项可靠性测试对应测试环境的环境条件变化区间设置当前测试环境的可靠性标准，通过各项可靠性测试的可靠性标准获取调试流程序列对应的可靠性标准序列。
4.根据权利要求1所述的一种EPC特种电源的智能调测控制方法，其特征在于，判断测试时间点中的可靠性测试内容是否满足预设可靠性标准，具体为：
获取各项可靠性测试中含有环境条件的可靠性测试数据，将可靠性测试数据时序序列与可靠性标准序列进行分段对比，获取各段子序列的均方误差，
预设误差阈值区间，判断所述均方误差是否落在误差阈值区间内，若不落在，则证明当前封装流程对应的可靠性测试不符合预设可靠性标准；
若落在，在误差阈值区间内选取阈值点划分不同可靠性等级的子区间，将所述均方误差进行二次判断，生成当前封装流程对应的可靠性测试的可靠性等级，并将带有环境条件标签的EPC特种电源可靠性变化进行可视化处理；
根据调试流程序列进行测试环境的变换，自动转入下一封装流程的可靠性测试。
5.根据权利要求1所述的一种EPC特种电源的智能调测控制方法，其特征在于，对各测试时间点的测试结果进行整合，根据装配关系预测整机测试结果，具体为：
在调试流程序列历遍结束后，获取各可靠性测试的测试结果，将测试结果进行异常值剔除；
获取封装流程序列中各封装流程装配内容中的装配结构，通过各封装流程子序列及各个装配结构的装配顺序及装配关系构建封装有向图；
将封装流程子序列作为封装有向图的节点，将各个装配结构的装配顺序及装配关系作为节点之间的连接关系，通过封装流程子序列对应的可靠性测试的测试结果作为节点的补充节点；
根据装配有向图中各个节点的邻接矩阵计算对其他节点可靠性影响程度，通过获取各节点对其他节点的可靠性影响程度对节点设置权值标签；
基于图卷积神经网络构建整机可靠性预测模型，对封装有向图进行学习表示，输出整机可靠性测试的预测结果。
6.根据权利要求1所述的一种EPC特种电源的智能调测控制方法，其特征在于，还包括：
获取EPC特种电源整机可靠性测试的预测结果，将所述预测结果预设可靠性阈值进行对比；
若所述预测结果小于预设可靠性阈值，则根据各个封装流程子序列对应的可靠性测试的可靠性等级判断本身的异常率，将本身的异常率匹配其他封装流程子序列的可靠性影响程度获取综合异常率；
通过所述综合异常率对各个封装流程子序列进行倒序排序，根据排序结果选取预设数量的封装流程子序列的装配进行调整修正；
若所述预测结果大于等于预设可靠性阈值，则完成调试流程序列的测试，进行实际整机测试，根据实际整机测试结果对整机可靠性预测模型进行误差补偿。
7.一种EPC特种电源的智能调测控制系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种EPC特种电源的智能调测控制方法程序，所述一种EPC特种电源的智能调测控制方法程序被所述处理器执行时实现如下步骤：
获取EPC特种电源的封装流程信息构建EPC特种电源的封装流程序列，提取封装流程序列中各封装工艺的关键特征；
根据封装流程的关键特征对所述封装流程序列进行分段，根据分段后的封装流程序列选取测试时间点，根据各段的装配内容对测试时间点设置可靠性测试内容；
判断测试时间点中的可靠性测试内容是否满足预设可靠性标准，若不满足可靠性标准，则对封装流程子序列中的装配进行补偿修正，若满足，则进行下一测试时间点的可靠性测试；
完成封装流程中所有测试时间点的可靠性测试后，对各测试时间点的测试结果进行整合，根据装配关系预测整机测试结果，当所述整机测试结果满足预设标准时结束可靠性测试。
8.根据权利要求7所述的一种EPC特种电源的智能调测控制系统，其特征在于，根据封装流程的关键特征对所述封装流程序列进行分段，具体为：
将所述关键特征作为封装流程序列的分段节点，并将封装流程序列划分为若干封装流程子序列，根据各封装流程的结束时间戳作为封装流程子序列对应的测试时间点；
读取封装流程子序列的装配内容，根据装配内容匹配对应的可靠性测试内容，将测试时间点及可靠性测试内容构建调试流程序列；
将调试流程序列输入指令发生器，通过调试流程序列中的可靠性测试内容的测试顺序初始化测试环境，根据测试环境变化驱动相应测试组件，将环境条件匹配可靠性测试数据进行输出；
根据各项可靠性测试对应测试环境的环境条件变化区间设置当前测试环境的可靠性标准，通过各项可靠性测试的可靠性标准获取调试流程序列对应的可靠性标准序列。
9.根据权利要求7所述的一种EPC特种电源的智能调测控制系统，其特征在于，判断测试时间点中的可靠性测试内容是否满足预设可靠性标准，具体为：
获取各项可靠性测试中含有环境条件的可靠性测试数据，将可靠性测试数据时序序列与可靠性标准序列进行分段对比，获取各段子序列的均方误差，
预设误差阈值区间，判断所述均方误差是否落在误差阈值区间内，若不落在，则证明当前封装流程对应的可靠性测试不符合预设可靠性标准；
若落在，在误差阈值区间内选取阈值点划分不同可靠性等级的子区间，将所述均方误差进行二次判断，生成当前封装流程对应的可靠性测试的可靠性等级，并将带有环境条件标签的EPC特种电源可靠性变化进行可视化处理；
根据调试流程序列进行测试环境的变换，自动转入下一封装流程的可靠性测试。
10.根据权利要求7所述的一种EPC特种电源的智能调测控制系统，其特征在于，对各测试时间点的测试结果进行整合，根据装配关系预测整机测试结果，具体为：
在调试流程序列历遍结束后，获取各可靠性测试的测试结果，将测试结果进行异常值剔除；
获取封装流程序列中各封装流程装配内容中的装配结构，通过各封装流程子序列及各个装配结构的装配顺序及装配关系构建封装有向图；
将封装流程子序列作为封装有向图的节点，将各个装配结构的装配顺序及装配关系作为节点之间的连接关系，通过封装流程子序列对应的可靠性测试的测试结果作为节点的补充节点；
根据装配有向图中各个节点的邻接矩阵计算对其他节点可靠性影响程度，通过获取各节点对其他节点的可靠性影响程度对节点设置权值标签；
基于图卷积神经网络构建整机可靠性预测模型，对封装有向图进行学习表示，输出整机可靠性测试的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211448080.8A CN115616437B (zh) | 2022-11-18 | 2022-11-18 | 一种epc特种电源的智能调测控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211448080.8A CN115616437B (zh) | 2022-11-18 | 2022-11-18 | 一种epc特种电源的智能调测控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115616437A true CN115616437A (zh) | 2023-01-17 |
| CN115616437B CN115616437B (zh) | 2023-03-14 |
Family
ID=84878901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211448080.8A Active CN115616437B (zh) | 2022-11-18 | 2022-11-18 | 一种epc特种电源的智能调测控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115616437B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020155628A1 (en) * | 2001-04-20 | 2002-10-24 | International Business Machines Corporation | Method for test optimization using historical and actual fabrication test data |
| KR20030003603A (ko) * | 2001-07-03 | 2003-01-10 | 이동영 | 케이블 포괄절연평가장치 및 이를 이용한 포괄절연방법 |
| US20100095177A1 (en) * | 2008-10-13 | 2010-04-15 | International Business Machines Corporation | Implementing Diagnosis of Transitional Scan Chain Defects Using LBIST Test Patterns |
| US20120109553A1 (en) * | 2010-11-02 | 2012-05-03 | Schneider Electric USA, Inc. | Automated emergency power supply test with variable, priority-based transfer times |
| CN108139449A (zh) * | 2016-01-11 | 2018-06-08 | 特因泰什工业公司 | 用于便携式充电设备的改进的质量控制测试系统及使用方法 |
| US20180196098A1 (en) * | 2017-01-06 | 2018-07-12 | Liebert Corporation | System and method of identifying path of residual current flow through an intelligent power strip |
| CN109271741A (zh) * | 2018-10-25 | 2019-01-25 | 北京航空航天大学 | 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 |
| US20190312820A1 (en) * | 2018-04-09 | 2019-10-10 | Nicira, Inc. | Path maximum transmission unit (pmtu) discovery in software-defined networking (sdn) environments |
| CN115356650A (zh) * | 2022-07-27 | 2022-11-18 | 北京航空航天大学 | 一种卫星s4r电源系统状态量化评价方法 |
-
2022
- 2022-11-18 CN CN202211448080.8A patent/CN115616437B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020155628A1 (en) * | 2001-04-20 | 2002-10-24 | International Business Machines Corporation | Method for test optimization using historical and actual fabrication test data |
| KR20030003603A (ko) * | 2001-07-03 | 2003-01-10 | 이동영 | 케이블 포괄절연평가장치 및 이를 이용한 포괄절연방법 |
| US20100095177A1 (en) * | 2008-10-13 | 2010-04-15 | International Business Machines Corporation | Implementing Diagnosis of Transitional Scan Chain Defects Using LBIST Test Patterns |
| US20120109553A1 (en) * | 2010-11-02 | 2012-05-03 | Schneider Electric USA, Inc. | Automated emergency power supply test with variable, priority-based transfer times |
| CN108139449A (zh) * | 2016-01-11 | 2018-06-08 | 特因泰什工业公司 | 用于便携式充电设备的改进的质量控制测试系统及使用方法 |
| US20180196098A1 (en) * | 2017-01-06 | 2018-07-12 | Liebert Corporation | System and method of identifying path of residual current flow through an intelligent power strip |
| US20190312820A1 (en) * | 2018-04-09 | 2019-10-10 | Nicira, Inc. | Path maximum transmission unit (pmtu) discovery in software-defined networking (sdn) environments |
| CN109271741A (zh) * | 2018-10-25 | 2019-01-25 | 北京航空航天大学 | 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 |
| CN115356650A (zh) * | 2022-07-27 | 2022-11-18 | 北京航空航天大学 | 一种卫星s4r电源系统状态量化评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| LI SHUMING: "Application of benchmark nonlinear load in UPS power supply testing" * |
| 李洪涛: "特种电源技术研究进展概述" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115616437B (zh) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | A Wiener process model with dynamic covariate for degradation modeling and remaining useful life prediction | |
| JP2022184909A (ja) | 電力網アセットの状態分類を行うための方法および装置 | |
| US20160239592A1 (en) | Data-driven battery aging model using statistical analysis and artificial intelligence | |
| CN115758899B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断系统 | |
| CN116087787A (zh) | 一种基于主成分分析法的电池故障判断方法和系统 | |
| CN117394529A (zh) | 基于scada的主配网合环倒供电控制条件辅助决策方法及系统 | |
| Han et al. | Research on quality problems management of electric power equipment based on knowledge–data fusion method | |
| KR102315580B1 (ko) | 건물의 화재 예측 분석 장치 및 방법 | |
| CN116881675A (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
| CN115905959A (zh) | 基于缺陷因子的电力断路器关联性故障分析方法及装置 | |
| CN116061690A (zh) | 一种电动汽车充电过程中的安全预警方法及装置 | |
| CN116882303A (zh) | 一种激光电源的寿命预测方法、系统及存储介质 | |
| Renold et al. | Comprehensive Review of Machine Learning, Deep Learning, and Digital Twin Data-Driven Approaches in Battery Health Prediction of Electric Vehicles | |
| CN114676746A (zh) | 一种自然灾害下电力设备故障概率预测方法及系统 | |
| Firos et al. | Fault detection in power transmission lines using AI model | |
| CN115616437B (zh) | 一种epc特种电源的智能调测控制方法及系统 | |
| Chen et al. | A data fusion-based methodology of constructing health indicators for anomaly detection and prognostics | |
| Aizpurua et al. | Determining appropriate data analytics for transformer health monitoring | |
| Nandagopan et al. | Online prediction of DGA results for intelligent condition monitoring of power transformers | |
| Zhou et al. | A dynamic health assessment method for industrial equipment based on sg-fcm clustering algorithm | |
| Yang et al. | Smart Meter Fault Diagnosis based on Directional Gradient KNN | |
| Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal | |
| Perlov et al. | Failure Forecasting System by the Diagnostic Data of the Radio Information Systems | |
| CN114169091B (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
| US20240104269A1 (en) | Transferable hybrid prognostics based on fundamental degradation modes |
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 |