CN116011247A - 产品寿命预测方法、装置、设备及存储介质 - Google Patents
产品寿命预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116011247A CN116011247A CN202310104733.9A CN202310104733A CN116011247A CN 116011247 A CN116011247 A CN 116011247A CN 202310104733 A CN202310104733 A CN 202310104733A CN 116011247 A CN116011247 A CN 116011247A
- Authority
- CN
- China
- Prior art keywords
- product
- life
- coefficient
- failure rate
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 74
- 230000007613 environmental effect Effects 0.000 claims abstract description 26
- 238000004519 manufacturing process Methods 0.000 claims description 60
- 230000008569 process Effects 0.000 claims description 29
- 238000013461 design Methods 0.000 claims description 26
- 229910000679 solder Inorganic materials 0.000 claims description 26
- 238000003466 welding Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000011161 development Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 239000003102 growth factor Substances 0.000 claims description 5
- 238000012827 research and development Methods 0.000 abstract description 11
- 239000000047 product Substances 0.000 description 347
- 230000035882 stress Effects 0.000 description 68
- 238000012549 training Methods 0.000 description 15
- 239000003985 ceramic capacitor Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 239000003990 capacitor Substances 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000035939 shock Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 238000005476 soldering Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000005526 G1 to G0 transition Effects 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 241001091282 Trimorphodon lambda Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Factory Administration (AREA)
Abstract
本公开提供了一种产品寿命预测方法、装置、设备及存储介质，通过获取产品内各个零件的理想参数；将所述产品内各个零件的理想参数输入寿命预测模型，得到预测寿命值，其中，所述寿命预测模型为基于产品的基因寿命、环境寿命系数以及寿命增长系数的乘积所训练的模型，解决了现有技术中国内针对电子产品的寿命没有成熟预测方法的问题，提供了一种较为严谨且全面的寿命预测方法，不仅能够有效提高产品寿命预测的准确度，而且为新产品的研发设计提供了指导，且适用于一切电子产品，适用性广。
Description
技术领域
本公开涉及智能设备技术领域，尤其涉及一种产品寿命预测方法、装置、设备及存储介质。
背景技术
在电子产品方案设计和工程研制阶段，及早预测产品寿命比事后通过实验检验或精确统计产品寿命的作用更大，通过实施“预测-改进设计-再设计”的循环，找出产品薄弱环节，优化电路设计，能够使得产品达到规定的寿命要求。目前，现有的产品寿命预测的方法，成本高、且预测结果不准确。
发明内容
本公开提供了一种产品寿命预测方法、装置、设备及存储介质，以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面，提供了一种产品寿命预测方法，所述方法包括：
获取产品内各个零件的理想参数；
将所述产品内各个零件的理想参数输入寿命预测模型，得到预测寿命值，其中，所述寿命预测模型为基于产品的基因寿命、环境寿命系数以及寿命增长系数的乘积所训练的模型。
在一可实施方式中，在所述获取产品内各个零件的理想参数之前，还包括：
获取产品的基础寿命和基因寿命系数；根据所述产品的基础寿命、基因寿命系数以及基因寿命之间的关系式，确定所述产品的基因寿命，其中，所述关系式为：
基因寿命＝基础寿命×基因寿命系数。
在一可实施方式中，所述获取产品的基础寿命和基因寿命系数，包括：
根据所述产品的产品基础故障率公式，确定所述产品的基础寿命，其中，所述产品基础故障率公式为：
其中，Fi为所述产品中的第i种零件在规定环境下的通用故障率，πDi为所述产品中的第i种零件的设计影响系数，πQi为所述产品中的第i种零件的质量系数，Ni为所述产品中的第i种零件的数量；
通过所述产品所在企业的生产制造能力和质量管理水平以及基因寿命系数的乘积，确定所述产品的基因寿命系数。
在一可实施方式中，在所述根据所述产品的产品基础故障率公式，确定所述产品的基础寿命之前，还包括：
通过各个零件的零件选择故障率系数、零件应用故障率系数、零件温度应力故障率系数以及电应力故障率系数的乘积，确定各个零件的设计影响系数；
通过各个零件的零件采购策略和故障率系数之间的关系表，确定各个零件的质量系数。
在一可实施方式中，其中，在通过各个零件的零件选择故障率系数、零件应用故障率系数、零件温度应力故障率系数以及电应力故障率系数的乘积，确定各个零件的设计影响系数之前，还包括：
根据零件的选择故障率系数和零件尺寸规格之间的关系表，确定所述零件选择故障率系数；
根据所述零件的应用故障率系数和零件摆放位置之间的关系表，确定所述零件应用故障率系数；
根据所述零件的温度应力故障率系数的计算公式，确定所述零件温度应力故障率系数，其中，所述零件的温度应力故障率系数的计算公式为：
其中，T0为参考温度，T1为所述零件工作的实际温度，Ea为激活能，k为波尔兹曼常数；
根据所述零件的电应力故障率系数的计算公式，确定所述零件电应力故障率系数，其中，所述零件的电应力故障率系数的计算公式为：
πs＝em[p1-p0]
其中，P1为施加的应力百分比，P0为额定应力，m为拟合参数。
在一可实施方式中，在所述通过所述产品所在企业的生产制造能力和质量管理水平以及基因寿命系数的乘积，确定所述产品的基因寿命系数之前，还包括：
根据所述产品的焊接锡膏类型和故障率系数之间的关系表，确定所述产品的锡膏类型因素；
根据所述产品的芯片焊接工艺和故障率系数之间的关系表，确定所述产品的芯片焊接工艺因素；
根据所述产品的作业类型和故障率系数之间的关系表，确定所述产品的自动化水平因素；
根据所述产品的工人技艺水平和故障率系数之间的关系表，确定所述产品的工人技艺水平因素；
根据所述产品的锡膏类型因素、芯片焊接工艺因素、自动化水平因素、工人技艺水平因素以及生产制造能力的乘积，确定所述产品所在企业的生产制造能力；
通过所述产品的质量管理等级和故障率系数之间的关系表，确定所述产品所在企业的质量管理水平。
在一可实施方式中，所述确定产品的环境寿命系数，包括：
根据所述产品的工作环境以及故障率系数之间的关系表，确定所述产品的环境寿命系数。
在一可实施方式中，所述确定产品的寿命增长系数，包括：
根据所述产品的开发批次与故障率系数之间的关系表，确定所述产品的寿命增长系数。
根据本公开的第二方面，提供了一种产品寿命预测装置，所述装置包括：
参数获取模块，用于获取产品内各个零件的理想参数；
寿命预测模块，用于将所述产品内各个零件的理想参数输入寿命预测模型，得到预测寿命值，其中，所述寿命预测模型为基于产品的基因寿命、环境寿命系数以及寿命增长系数的乘积所训练的模型。
在一可实施方式中，所述装置在所述获取产品内各个零件的理想参数之前，还包括，模型训练模块，具体用于：
获取产品的基础寿命和基因寿命系数；根据所述产品的基础寿命、基因寿命系数以及基因寿命之间的关系式，确定所述产品的基因寿命，其中，所述关系式为：
基因寿命＝基础寿命×基因寿命系数。
在一可实施方式中，所述模型训练模块，具体还用于：所述获取产品的基础寿命和基因寿命系数，包括：
根据所述产品的产品基础故障率公式，确定所述产品的基础寿命，其中，所述产品基础故障率公式为：
其中，Fi为所述产品中的第i种零件在规定环境下的通用故障率，πDi为所述产品中的第i种零件的设计影响系数，πQi为所述产品中的第i种零件的质量系数，Ni为所述产品中的第i种零件的数量；
通过所述产品所在企业的生产制造能力和质量管理水平以及基因寿命系数的乘积，确定所述产品的基因寿命系数。
在一可实施方式中，所述模型训练模块，具体还用于：在所述根据所述产品的产品基础故障率公式，确定所述产品的基础寿命之前，还包括：
通过各个零件的零件选择故障率系数、零件应用故障率系数、零件温度应力故障率系数以及电应力故障率系数的乘积，确定各个零件的设计影响系数；
通过各个零件的零件采购策略和故障率系数之间的关系表，确定各个零件的质量系数。
在一可实施方式中，所述模型训练模块，具体还用于：
在通过各个零件的零件选择故障率系数、零件应用故障率系数、零件温度应力故障率系数以及电应力故障率系数的乘积，确定各个零件的设计影响系数之前，根据零件的选择故障率系数和零件尺寸规格之间的关系表，确定所述零件选择故障率系数；根据所述零件的应用故障率系数和零件摆放位置之间的关系表，确定所述零件应用故障率系数；根据所述零件的温度应力故障率系数的计算公式，确定所述零件温度应力故障率系数，其中，所述零件的温度应力故障率系数的计算公式为：
其中，T0为参考温度，T1为所述零件工作的实际温度，Ea为激活能，k为波尔兹曼常数；
根据所述零件的电应力故障率系数的计算公式，确定所述零件电应力故障率系数，其中，所述零件的电应力故障率系数的计算公式为：
πs＝em[p1-p0]
其中，P1为施加的应力百分比，P0为额定应力，m为拟合参数。
在一可实施方式中，所述模型训练模块，具体还用于：
在所述通过所述产品所在企业的生产制造能力和质量管理水平以及基因寿命系数的乘积，确定所述产品的基因寿命系数之前，根据所述产品的焊接锡膏类型和故障率系数之间的关系表，确定所述产品的锡膏类型因素；
根据所述产品的芯片焊接工艺和故障率系数之间的关系表，确定所述产品的芯片焊接工艺因素；
根据所述产品的作业类型和故障率系数之间的关系表，确定所述产品的自动化水平因素；
根据所述产品的工人技艺水平和故障率系数之间的关系表，确定所述产品的工人技艺水平因素；
根据所述产品的锡膏类型因素、芯片焊接工艺因素、自动化水平因素、工人技艺水平因素以及生产制造能力的乘积，确定所述产品所在企业的生产制造能力；
通过所述产品的质量管理等级和故障率系数之间的关系表，确定所述产品所在企业的质量管理水平。
在一可实施方式中，所述模型训练模块，具体还用于：
根据所述产品的工作环境以及故障率系数之间的关系表，确定所述产品的环境寿命系数。
在一可实施方式中，所述模型训练模块，具体还用于：
根据所述产品的开发批次与故障率系数之间的关系表，确定所述产品的寿命增长系数。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的一种产品寿命预测方法、装置、设备及存储介质，通过获取产品内各个零件的理想参数；将所述产品内各个零件的理想参数输入寿命预测模型，得到预测寿命值，其中，所述寿命预测模型为基于产品的基因寿命、环境寿命系数以及寿命增长系数的乘积所训练的模型，解决了现有技术中国内针对电子产品的寿命没有成熟预测方法的问题，提供了一种较为严谨且全面的寿命预测方法，不仅能够有效提高产品寿命预测的准确度，而且为新产品的研发设计提供了指导，且适用于一切电子产品，适用性广。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1示出了本公开实施例一提供的一种产品寿命预测方法的实现流程示意图；
图2示出了本公开实施例一提供的一种产品金字塔寿命模型的示意图；
图3示出了本公开实施例一提供的一种浴盆曲线的示意图；
图4示出了本公开实施例三提供的一种产品寿命预测装置的结构示意图；
图5示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂，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，所描述的实施例仅仅是本公开一部分实施例，而非全部实施例。基于本公开中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
实施例一
图1为本公开实施例一提供的一种产品寿命预测方法的流程图，该方法可以由本公开实施例提供的产品寿命预测装置来执行，该装置可采用软件和/或硬件的方式实现。该方法具体包括：
S110、获取产品内各个零件的理想参数。
其中，理想参数，可以是产品内各个零件理想状态下的参数值，也即出厂时的规格值。
具体的，在本实施例中，为了得到产品的预测寿命值，需要先获得产品内各个零件在理想状态下的参数，即产品内各个零件的理想参数。由于电子产品是由不同零件组合而成，而不同厂商不同零件尺寸的参数值也有所区别，电子产品的预测寿命值正是与各个零件理想状态下的参数值息息相关，因此，本实施例可以获取产品内各个零件的规格值作为理想参数值。
S120、将产品内各个零件的理想参数输入寿命预测模型，得到预测寿命值。
其中，寿命预测模型为基于产品的基因寿命、环境寿命系数以及寿命增长系数的乘积所训练的模型。
其中，寿命预测模型，可以是任意一种用于预测产品寿命的神经网络模型。预测寿命值，可以是产品能够供应用户正常使用的使用时间。基因寿命跟产品本身的零件等因素有关，环境寿命系数为根据产品所使用的环境有关，寿命增长系数为根据该产品研发批次的经验所得。
一般来说，以电脑产品为例，产品的寿命有两个主要的影响因素，包括内在基因和环境因素。除了上述两个因素外，本实施例还通过多年的研究发现电脑产品的寿命还符合某些增长的规律，并将该规律称之为寿命增长系数。其中，寿命增长是指经过经验的累积，产品寿命相较于其父辈会出现规律性的增长。该经验不仅包含企业的研发能力、制造水平、质量管理水平以及供应采购策略等内在因素，还包含产品外部使用环境以及用户对产品的使用习惯等方面。
本实施例通过多年的实验和维修大数据跟踪分析，建立了电脑产品的通用寿命模型，用于更全面更准确的预设产品寿命。如图2所示，图中的模型为产品金字塔寿命模型。研发能力处于金字塔的最底部，是产品寿命的基石；寿命增长处于金字塔的最顶部，是产品经验积累以及行业发展趋势的综合体现。采购策略、制造能力、质量管理水平以及环境是产品寿命的外部因素。根据模型所示，产品的寿命主要由基因寿命、环境寿命系数以及寿命增长系数所决定，概括成公式如下：
产品寿命＝基因寿命×环境寿命系数×寿命增长系数(1)
需要说明的是，本实施例图2的寿命模型虽然是以电脑产品为例，但是由于电子产品的组成和制造过程具有高度相似性，因此本实施例的产品寿命预测方法却可以延伸至其他各种类型的电子产品。
具体的，由于不同电子产品的组成零件不同，因此本实施例针对不同类型、不同型号的产品，先进行针对性的模型训练，得到寿命预测模型。然后，本实施例再将得到的产品内各个零件的理想参数，依次输入或共同输入到该寿命预测模型中，从而得到该类产品所对应的预测寿命值。
在本公开实施例中，在获取产品内各个零件的理想参数之前，还包括：获取产品的基础寿命和基因寿命系数；根据产品的基础寿命、基因寿命系数以及基因寿命之间的关系式，确定产品的基因寿命，其中，关系式为：
基因寿命＝基础寿命×基因寿命系数 (2)
上式(2)中，基因寿命是产品寿命的内部因子，是由产品生产企业自身所决定的。产品基因寿命由基础寿命和基因寿命系数两部分组成，基础寿命由企业的研发能力和采购策略决定，是产品寿命的主要组成部分；基因寿命系数主要由企业的生产制造能力和质量管理水平决定。
在本公开实施例中，所述获取产品的基础寿命和基因寿命系数，包括：根据所述产品的产品基础故障率公式，确定所述产品的基础寿命，其中，所述产品基础故障率公式为：
其中，Fi为所述产品中的第i种零件在规定环境下的通用故障率，πDi为所述产品中的第i种零件的设计影响系数，πQi为所述产品中的第i种零件的质量系数，Ni为所述产品中的第i种零件的数量；
通过所述产品所在企业的生产制造能力和质量管理水平以及基因寿命系数的乘积，确定所述产品的基因寿命系数。
具体的，对于不同的产品，其寿命数据也有不同的分布特点。产品出故障是一种随机事件，其瞬时失效率是时间的函数。通常来说，产品的失效率曲线有递增型、递减型以及常数型等。在对电脑产品进行寿命研究时发现，这类产品服从一条典型的失效率曲线。这条曲线具有两头高，中间低的特点，称之为“浴盆曲线”，如图3所示。通过图3的曲线可以看出，以电脑为代表的电子产品其整个寿命周期的失效率不是恒定的，“浴盆曲线”被划分为三个时间段如下：
1)早期(或幼儿死亡期)：早期失效期的特点是开始时候失效率很高，但是失效率快速下降。这一阶段失效的原因大多是由于设计、原材料和制造过程中的缺陷造成的。
2)稳态期(偶然失效期)：这个阶段产品失效率低而稳定，通常认为以恒定的失效率发生失效，这种失效率被表示为稳态失效率。这一时期是产品的良好使用阶段，失效主要原因是质量缺陷、材料弱点、环境和使用不当等因素引起的，对产品寿命的研究就是针对这一时期，因此又称之为“有用寿命期”。在稳态期，时间对失效率按照指数规律分布。
3)耗损期：在这个阶段失效率快速增加。产品的失效率随工作时间的增长而上升。这一阶段失效的原因主要由磨损、疲劳、老化和耗损等原因造成。
本实施例通过大量的数据统计分析，发现电脑产品故障分布概率密度符合指数分布，即其寿命曲线对应着浴盆曲线的底部，故障概率密度函数为：
f(t)＝λe-λt (4)
其中，故障分布概率密度f(t)表示产品在t时刻的单位时间内的失效概率。λ为产品故障率，故障率λ与寿命之间的关系为：
其中，MTBF为产品的寿命，也即故障率的倒数。电脑等符合指数分布的产品，其寿命具有无记忆性。这类产品在经过一段时间t0工作之后的剩余寿命仍然具有原来工作寿命相同的分布，而与时间t无关。即说明电脑产品过去工作了多久对现在和将来的寿命分布不产生影响。
根据公式(5)可以推导出产品的基础寿命公式为：
本实施例若想求得产品的基础寿命，先要获得产品的基础故障率。由于产品是由若干个元器件组成的，因此产品的故障率就是组成产品的所有元器件的故障率所累加，如上述公式(3)。其中，零件在规定环境下的通用故障率Fi可以从供应商处得到或通过寿命专项测试实验得到。零件的质量系数πQi可以由企业的采购策略决定，因为从不同市场得到的零件具有不同的可靠性特征，其故障率也是不相同的，设计影响系数下文进行详述。
除此之外，一个新产品的诞生，除了研发还有制造和质量管理两个至关重要的环节。因此，企业制造能力和质量管理水平直接影响着产品的基础寿命，他们共同组成产品的基因寿命系数，如下公式：
基因寿命系数＝制造能力×质量管理水平 (7)
也即，通过所述产品所在企业的生产制造能力和质量管理水平以及基因寿命系数的乘积，确定所述产品的基因寿命系数。其中，企业的生产制造能力可以包括：焊接锡膏的选择、芯片焊接工艺、自动化水平以及工人技艺水平等；质量管理贯穿着产品的生命周期，因此企业的质量管理水平对产品寿命的影响至关重要。
在本公开实施例中，在所述根据所述产品的产品基础故障率公式，确定所述产品的基础寿命之前，还包括：通过各个零件的零件选择故障率系数、零件应用故障率系数、零件温度应力故障率系数以及电应力故障率系数的乘积，确定各个零件的设计影响系数；通过各个零件的零件采购策略和故障率系数之间的关系表，确定各个零件的质量系数。
具体的，本实施例中的设计影响系数πD主要体现为零件选择、零件使用、应用电应力系数和应用温度系数四个部分，可以用以下公式来表达
πD＝πC*πA*πT*πS(8)
其中，πC为各个零件的零件选择故障率系数；πA为各个零件的应用故障率系数；πT为各个零件的温度应力故障率系数；πS为各个零件的电应力故障率系数。
由于企业都希望能从原厂进行元器件采购，但现实情况是由于种种原因会造成原厂无料可供。近几年电子生产企业前后遭遇到被动零件缺货、晶体管缺货、IC缺货等，电子零器件缺货成为常态。一方面中国企业采取灵活多变的采购策略将影响降到最低。另一方面，这些采购策略势必将影响到产品的寿命。因此，企业的采购策略对零件故障率的影响至关重要。中国企业对电子元器件常见的采购策略有以下几种：从原厂直接采购、从代理商采购、现货市场采购以及从二手市场回收等。
不同采购策略下元器件的质量水平是不一样的，因此采购策略对产品寿命的影响我们称之为元器件质量系数。不同采购策略下元器件的质量系数见下表1，本实施例以多层陶瓷电容MLCC为例进行说明，可以通过各个零件的零件采购策略和故障率系数之间的关系表，确定各个零件的质量系数。需要说明的是，本实施例表1中分类的内容以及故障率系数仅仅是一种示例，还可以根据不同类型的电子产品进行适应性的调整，因此不对其进行限定。
表1故障率系数与采购策略的关系表
| 零件采购策略 | 故障率系数(零件质量系数) | |
| 1 | 原厂 | 1 |
| 2 | 代理商 | 1.53 |
| 3 | 现货市场 | 3.08 |
| 4 | 二手回收 | 6.26 |
本实施例在通过各个零件的零件选择故障率系数、零件应用故障率系数、零件温度应力故障率系数以及电应力故障率系数的乘积，确定各个零件的设计影响系数之前，还包括：根据零件的选择故障率系数和零件尺寸规格之间的关系表，确定所述零件选择故障率系数；根据所述零件的应用故障率系数和零件摆放位置之间的关系表，确定所述零件应用故障率系数；根据所述零件的温度应力故障率系数的计算公式，确定所述零件温度应力故障率系数，其中，所述零件的温度应力故障率系数的计算公式为：
其中，T0为参考温度，取常温25°，开尔文绝对温度按照°K＝273+25；T1为所述零件工作的实际温度，按照℃+273；Ea为激活能，k为波尔兹曼常数，8.2×10-5；
根据所述零件的电应力故障率系数的计算公式，确定所述零件电应力故障率系数，其中，所述零件的电应力故障率系数的计算公式为：
πs＝em[p1-p0] (10)
其中，p1为施加的应力百分比，p0为额定应力(额定应力)，m为拟合参数。
具体的，本实施例还是以多层陶瓷电容MLCC为例进行说明。经过寿命测试和失效大数据分析，得知多层陶瓷电容的通用故障率为0.116fit。其失效主要分为扭曲破裂失效和热冲击失效。扭曲破裂失效与机械应力相关，热冲击失效与电应力和温度应力相关。扭曲破裂失效主要表现为：在机械力作用下，PCB板材弯曲变形，多层陶瓷电容的活动范围受端位及焊点限制，容易发生破裂。因此，机械应力造成的扭曲破裂失效就与零件的选择和应用相关联。
具体的，针对多层陶瓷电容选择的故障率系数主要与多层陶瓷电容的尺寸有关系。也就是在应力条件相同的条件下，尺寸越大的多层陶瓷电容发生扭曲破裂失效的几率就越大，因此根据零件的选择故障率系数和零件尺寸规格之间的关系表，确定所述零件选择故障率系数，如图表2所示。需要说明的是，本实施例表2中零件规格分类的内容以及故障率系数仅仅是一种示例，还可以根据不同类型的电子产品进行适应性的调整，因此不对其进行限定。
表2故障率系数与尺寸的关系表
具体的，针对零件使用产生的故障率系数主要与多层陶瓷电容摆放的位置有关。例如，如果PCB板材受力点正好与电容的长边垂直的话，PCB板材弯曲变形时，电容更容易发生扭曲破裂失效。因此，本实施例中故障率系数与电容摆放位置的关系可以如表3所示。需要说明的是，本实施例表3中零件摆放位置的内容以及故障率系数仅仅是一种示例，还可以根据不同类型的电子产品进行适应性的调整，因此不对其进行限定。
表3故障率系数与零件应用的关系表
| 零件摆放的位置(长边) | <![CDATA[故障率系数π<sub>A</sub>]]> | |
| 1 | 无外在机械力 | 0.85 |
| 2 | 与作用力方向平行 | 1.0 |
| 3 | 与作用力方向垂直 | 3.2 |
由于多层陶瓷电容热冲击失效的主要原因是零件承受过高的温度或者温度升降太过急促引起的。其相关联因素是电应力和温度应力，具体为当电应力和温度应力过载时电容的温度会急剧上升，因此温度应力对电容故障率的影响用公式(9)来表达，电应力故障率系数的影响用公式(10)来表达。
本实施例考虑了企业研发能力对产品寿命影响的方面。以电脑产品常用元器件的故障模式为基础，不仅保留了温度应力和电应力对于产品故障的影响，还充分考虑到零件选择和零件应用等带来的机械应力对于产品故障率的影响。另外，本实施例还预留了设计带来的其他应力对于产品故障率的影响。
在本公开实施例中，在所述通过所述产品所在企业的生产制造能力和质量管理水平以及基因寿命系数的乘积，确定所述产品的基因寿命系数之前，还包括：根据所述产品的焊接锡膏类型和故障率系数之间的关系表，确定所述产品的锡膏类型因素；根据所述产品的芯片焊接工艺和故障率系数之间的关系表，确定所述产品的芯片焊接工艺因素；根据所述产品的作业类型和故障率系数之间的关系表，确定所述产品的自动化水平因素；根据所述产品的工人技艺水平和故障率系数之间的关系表，确定所述产品的工人技艺水平因素；根据所述产品的锡膏类型因素、芯片焊接工艺因素、自动化水平因素、工人技艺水平因素以及生产制造能力的乘积，确定所述产品所在企业的生产制造能力；通过所述产品的质量管理等级和故障率系数之间的关系表，确定所述产品所在企业的质量管理水平。
具体的，本实施例还是以多层陶瓷电容MLCC为例进行说明，常见的焊接锡膏有低温锡膏、中温锡膏和高温锡膏等，而焊接锡膏的选择对产品故障率的影响如下表4所示。需要说明的是，本实施例表4中锡膏类型以及故障率系数仅仅是一种示例，还可以根据不同类型的电子产品进行适应性的调整，因此不对其进行限定。
表4故障率系数与锡膏类型的关系表
| 锡膏类型 | 故障率系数 | |
| 1 | 高温锡膏 | 1 |
| 2 | 中温锡膏 | 1.26 |
| 3 | 低温锡膏 | 1.53 |
本实施例考虑到了企业制造能力对产品寿命影响的方面，该模型非常具有前瞻性。例如，考虑到电子产业刚刚导入且极具应用前景的中低温锡膏焊接工艺。联合中低温锡膏焊接技术研究与应用联盟内的其他企业，深入研究锡膏焊接技术与产品故障率的关系，并将这些关系融合到寿命模型中。除此之外，企业制造能力方面还考虑到未来可能大规模应用的芯片后焊工艺及自动化制造等。
由于芯片的供货时常会非常紧张，为了避免浪费，越来越多的企业采用芯片后焊工艺来有效利用产能。其中，芯片后焊工艺是指：当芯片缺货时，企业先将芯片之外的零部件先组装起来，待芯片来货时再将芯片组装起来的工艺，但是这种工艺无疑也会对有故障率系数产生影响。以电脑产品为例，芯片焊接工艺对产品故障率的影响见下表5。需要说明的是，本实施例表5中芯片焊接工艺类型以及故障率系数仅仅是一种示例，还可以根据不同类型的电子产品进行适应性的调整，因此不对其进行限定。
表5故障率系数与芯片焊接工艺的关系表
| 芯片焊接工艺 | 故障率系数 | |
| 1 | 正常工艺 | 1.0 |
| 2 | 后焊工艺 | 1.23 |
由于各个厂商配置的设备可能不同，全自动化设备生产出的产品其故障率可能性肯定低于人工作业，因此本实施例设置自动化水平与故障率系数关系，以供参考。需要说明的是，本实施例表6中作业类型以及故障率系数仅仅是一种示例，还可以根据不同类型的电子产品进行适应性的调整，因此不对其进行限定。
表6故障率系数与自动化水平的关系表
| 作业类型 | 故障率系数 | |
| 1 | 人工作业 | 1.0 |
| 2 | 半自动化作业 | 0.73 |
| 3 | 全自动化作业 | 0.58 |
同样，对于人工作业和半自动化作业的产品，本实施例还需要考虑工人的技艺水平，不同工人技艺水平也会影响故障率系数。工人技艺水平分为熟练工人、半熟练工人和新鲜工人。工人技艺水平对产品故障率的影响见下表7。需要说明的是，本实施例表7中作业类型以及故障率系数仅仅是一种示例，还可以根据不同类型的电子产品进行适应性的调整，因此不对其进行限定。
表7故障率系数与工人技艺水平的关系表
| 工人技艺水平 | 故障率系数 | |
| 1 | 熟练工人 | 1.0 |
| 2 | 半熟练工人 | 1.83 |
| 3 | 新鲜工人 | 2.36 |
除此之外，企业的质量管理水平也会影响产品故障率系数。一般来说，按照企业质量管理水平以及其对应的质量绩效水平，业界通常将企业的质量管理水平分为四个等级，分别为检验级、质量保证级、预防级和完美级，例如企业质量管理水平与产品故障率的关系见下表8。需要说明的是，本实施例表8中质量管理水平等级以及故障率系数仅仅是一种示例，还可以根据不同类型的电子产品进行适应性的调整，因此不对其进行限定。
表8故障率系数与质量管理水平的关系表
| 质量管理水平 | 故障率系数 | |
| 1 | 检验级 | 5.3 |
| 2 | 质量保证级 | 2.03 |
| 3 | 预防级 | 1.0 |
| 4 | 完美级 | N/A |
因此，本实施例在获得上述各种因素之后，可以根据产品的锡膏类型因素、芯片焊接工艺因素、自动化水平因素、工人技艺水平因素以及生产制造能力的乘积，来确定所述产品所在企业的生产制造能力；并通过产品的质量管理等级和故障率系数之间的关系表，确定产品所在企业的质量管理水平。
本实施例提供的寿命预测模型对影响电脑产品寿命的因素考虑比较全面且符合中国国情。企业采购策略、制造能力以及质量管理水平这些影响因素都是其他模型所没有的。而且，这些影响产品寿命的因素非常贴切中国企业的实际情况。例如，采购策略方面，近几年电子生产企业前后遭遇到被动零件缺货、晶体管缺货、IC缺货等，电子零器件缺货成为常态。中国的企业一方面采取灵活多变的采购策略将影响降到最低；另一方面积极采取电子零件国产化替代方案，特别是针对核心器件。这些采购策略势将影响到最终产品的寿命。
在本公开实施例中，确定产品的环境寿命系数，包括：根据产品的工作环境以及故障率系数之间的关系表，确定产品的环境寿命系数。
具体的，产品的环境条件主要是指产品执行任务所遇到的或用户使用产品过程的环境条件，同时运输、存储以及工艺过程中引入的环境影响也值得特别关注。其中，环境中最重要的因素是温度，除温度之外的其他使用环境一般与产品的使用场合有关。根据用户调研，可以得知电脑产品的环境影响因素按照使用场合可以进行如下划分：地面条件良好、一般地面固定和恶劣地面固定，可移动使用和固定使用，环境可控和不可控等。
具体的，同样的产品在不同的温度和环境条件下运行时或使用时，其寿命是不同的。良好环境的故障率与恶劣环境的故障率可能会相差30～50倍。比如，同样的电脑产品在网吧使用的寿命只有在家庭环境使用寿命的3/1，只有在企业办公环境使用寿命的1/5，其他电子产品亦是如此，有所区别的可能是使用寿命相差的区别。
因此，本实施例在预测产品寿命时，有需求准确了解产品工作时的温度和使用环境。故障率系数与使用环境的关系见下表9。需要说明的是，本实施例表9中使用环境以及故障率系数仅仅是一种示例，还可以根据不同类型的电子产品进行适应性的调整，因此不对其进行限定。
表9故障率系数与使用环境的关系表
在本公开实施例中，确定产品的寿命增长系数，包括：根据产品的开发批次与故障率系数之间的关系表，确定产品的寿命增长系数。
具体的，寿命增长系数位于产品寿命金字塔模型的最顶端，包含位于其下面的所有寿命影响因素在长期经验积累下的增长。
本实施例在前期由于积累了大量的设计经验、产品及元器件失效数据、维修数据和客户反馈意见，因此依托于这些数据进行大数据分析，总结出产品寿命增长的规律，并将这些规律应用于产品寿命模型中，示例性的，寿命增长系数与产品故障率的关系见表10。需要说明的是，本实施例表10中产品开发的代数以及故障率系数仅仅是一种示例，还可以根据不同类型的电子产品进行适应性的调整，因此不对其进行限定。
表10寿命增长系数与产品故障率的关系
本实施例提供的寿命预测模型创造性的引入了寿命增长系数这一概念，积累了大量的设计经验、产品及元器件故障数据、售后维修数据和客户反馈意见等。依托于这些数据，进行大数据分析并总结出产品寿命增长的规律，并将这些规律应用于产品寿命模型中，增加寿命预测模型预测的准确性。
除了以上主要因素外，本实施例还可以在寿命预测模型内添加其他方面的因素进行训练，例如：置信度、串并联、冗余设计等，本实施例不再赘述。
本实施例总结了较为全面的影响产品寿命的各个因素，包含研发能力、采购策略、制造水平，质量管理水平、外部环境及寿命增长系数等，并可以通过本实施例提供的公式确定上述各部分之间的关系来训练寿命预测模型，从而得到成熟的寿命预测模型来预测各个产品的预测寿命值。除此之外，还要至少以下优点：
(1)本实施例提供的寿命预测模型可以提供给各种类型的电子产品在研发阶段给予新产品设计的指导，在新产品进入量产阶段可以预测产品的寿命进而进行品牌宣传和制定合适的维修策略。
(2)本实施例提供的寿命预测模型还具备通用性强的特点，适用于一切电脑产品的寿命预测与研究，包含台式及笔记本电脑、服务器电脑以及平板电脑等，还可应用于其他非电脑类电子产品与设备的寿命研究和预测。突破国外技术封锁的同时填补国内商用电子产品领域寿命预测方法的空白。另外，通过市场调研、研发、测试、维修及售后服务等大数据分析，可以不断修正模型，让其越来越可靠。
(3)本实施例提供的模型可靠性高。经25类累计出货6000万台电脑和非电脑电子产品的检验，相较于目前市面上常用的欧美寿命预测方法和模型，该模型具有更高的精确性。具体来说，采用此模型得到的数据在精确性方面提升了20％以上。
实施例二
图4是本公开实施例提供的一种产品寿命预测装置的结构示意图，该装置具体包括：
参数获取模块410，用于获取产品内各个零件的理想参数；
寿命预测模块420，用于将所述产品内各个零件的理想参数输入寿命预测模型，得到预测寿命值，其中，所述寿命预测模型为基于产品的基因寿命、环境寿命系数以及寿命增长系数的乘积所训练的模型。
参数获取模块，用于获取产品内各个零件的理想参数；
寿命预测模块，用于将所述产品内各个零件的理想参数输入寿命预测模型，得到预测寿命值，其中，所述寿命预测模型为基于产品的基因寿命、环境寿命系数以及寿命增长系数的乘积所训练的模型。
在一可实施方式中，所述装置在所述获取产品内各个零件的理想参数之前，还包括，模型训练模块，具体用于：获取产品的基础寿命和基因寿命系数；根据所述产品的基础寿命、基因寿命系数以及基因寿命之间的关系式，确定所述产品的基因寿命，其中，所述关系式为：
基因寿命＝基础寿命×基因寿命系数。
在一可实施方式中，所述模型训练模块，具体还用于：所述获取产品的基础寿命和基因寿命系数，包括：根据所述产品的产品基础故障率公式，确定所述产品的基础寿命，其中，所述产品基础故障率公式为：
其中，Fi为所述产品中的第i种零件在规定环境下的通用故障率，πDi为所述产品中的第i种零件的设计影响系数，πQi为所述产品中的第i种零件的质量系数，Ni为所述产品中的第i种零件的数量；
通过所述产品所在企业的生产制造能力和质量管理水平以及基因寿命系数的乘积，确定所述产品的基因寿命系数。
在一可实施方式中，所述模型训练模块，具体还用于：在所述根据所述产品的产品基础故障率公式，确定所述产品的基础寿命之前，还包括：通过各个零件的零件选择故障率系数、零件应用故障率系数、零件温度应力故障率系数以及电应力故障率系数的乘积，确定各个零件的设计影响系数；通过各个零件的零件采购策略和故障率系数之间的关系表，确定各个零件的质量系数。
在一可实施方式中，所述模型训练模块，具体还用于：在通过各个零件的零件选择故障率系数、零件应用故障率系数、零件温度应力故障率系数以及电应力故障率系数的乘积，确定各个零件的设计影响系数之前，根据零件的选择故障率系数和零件尺寸规格之间的关系表，确定所述零件选择故障率系数；根据所述零件的应用故障率系数和零件摆放位置之间的关系表，确定所述零件应用故障率系数；根据所述零件的温度应力故障率系数的计算公式，确定所述零件温度应力故障率系数，其中，所述零件的温度应力故障率系数的计算公式为：
其中，T0为参考温度，T1为所述零件工作的实际温度，Ea为激活能，k为波尔兹曼常数；
根据所述零件的电应力故障率系数的计算公式，确定所述零件电应力故障率系数，其中，所述零件的电应力故障率系数的计算公式为：
πs＝m[p1-p0]
其中，P1为施加的应力百分比，P0为额定应力，m为拟合参数。
在一可实施方式中，所述模型训练模块，具体还用于：在所述通过所述产品所在企业的生产制造能力和质量管理水平以及基因寿命系数的乘积，确定所述产品的基因寿命系数之前，根据所述产品的焊接锡膏类型和故障率系数之间的关系表，确定所述产品的锡膏类型因素；根据所述产品的芯片焊接工艺和故障率系数之间的关系表，确定所述产品的芯片焊接工艺因素；根据所述产品的作业类型和故障率系数之间的关系表，确定所述产品的自动化水平因素；根据所述产品的工人技艺水平和故障率系数之间的关系表，确定所述产品的工人技艺水平因素；根据所述产品的锡膏类型因素、芯片焊接工艺因素、自动化水平因素、工人技艺水平因素以及生产制造能力的乘积，确定所述产品所在企业的生产制造能力；通过所述产品的质量管理等级和故障率系数之间的关系表，确定所述产品所在企业的质量管理水平。
在一可实施方式中，所述模型训练模块，具体还用于：根据所述产品的工作环境以及故障率系数之间的关系表，确定所述产品的环境寿命系数。
在一可实施方式中，所述模型训练模块，具体还用于：根据所述产品的开发批次与故障率系数之间的关系表，确定所述产品的寿命增长系数。
根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元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。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如一种产品寿命预测方法。例如，在一些实施例中，一种产品寿命预测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并由计算单元501执行时，可以执行上文描述的一种产品寿命预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行一种产品寿命预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
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。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种产品寿命预测方法，其特征在于，所述方法包括：
获取产品内各个零件的理想参数；
将所述产品内各个零件的理想参数输入寿命预测模型，得到预测寿命值，其中，所述寿命预测模型为基于产品的基因寿命、环境寿命系数以及寿命增长系数的乘积所训练的模型。
2.根据权利要求1所述的方法，其特征在于，在所述获取产品内各个零件的理想参数之前，还包括：
获取产品的基础寿命和基因寿命系数；根据所述产品的基础寿命、基因寿命系数以及基因寿命之间的关系式，确定所述产品的基因寿命，其中，所述关系式为：
基因寿命＝基础寿命×基因寿命系数。
3.根据权利要求2所述的方法，其特征在于，所述获取产品的基础寿命和基因寿命系数，包括：
根据所述产品的产品基础故障率公式，确定所述产品的基础寿命，其中，所述产品基础故障率公式为：
其中，Fi为所述产品中的第i种零件在规定环境下的通用故障率，πDi为所述产品中的第i种零件的设计影响系数，πQi为所述产品中的第i种零件的质量系数，Ni为所述产品中的第i种零件的数量；
通过所述产品所在企业的生产制造能力和质量管理水平以及基因寿命系数的乘积，确定所述产品的基因寿命系数。
4.根据权利要求3所述的方法，其特征在于，在所述根据所述产品的产品基础故障率公式，确定所述产品的基础寿命之前，还包括：
通过各个零件的零件选择故障率系数、零件应用故障率系数、零件温度应力故障率系数以及电应力故障率系数的乘积，确定各个零件的设计影响系数；
通过各个零件的零件采购策略和故障率系数之间的关系表，确定各个零件的质量系数。
5.根据权利要求4所述的方法，其中，在通过各个零件的零件选择故障率系数、零件应用故障率系数、零件温度应力故障率系数以及电应力故障率系数的乘积，确定各个零件的设计影响系数之前，还包括：
根据零件的选择故障率系数和零件尺寸规格之间的关系表，确定所述零件选择故障率系数；
根据所述零件的应用故障率系数和零件摆放位置之间的关系表，确定所述零件应用故障率系数；
根据所述零件的温度应力故障率系数的计算公式，确定所述零件温度应力故障率系数，其中，所述零件的温度应力故障率系数的计算公式为：
其中，T0为参考温度，T1为所述零件工作的实际温度，Ea为激活能，k为波尔兹曼常数；
根据所述零件的电应力故障率系数的计算公式，确定所述零件电应力故障率系数，其中，所述零件的电应力故障率系数的计算公式为：
πs＝em[p1-p0]
其中，P1为施加的应力百分比，P0为额定应力，m为拟合参数。
6.根据权利要求5所述的方法，其特征在于，在所述通过所述产品所在企业的生产制造能力和质量管理水平以及基因寿命系数的乘积，确定所述产品的基因寿命系数之前，还包括：
根据所述产品的焊接锡膏类型和故障率系数之间的关系表，确定所述产品的锡膏类型因素；
根据所述产品的芯片焊接工艺和故障率系数之间的关系表，确定所述产品的芯片焊接工艺因素；
根据所述产品的作业类型和故障率系数之间的关系表，确定所述产品的自动化水平因素；
根据所述产品的工人技艺水平和故障率系数之间的关系表，确定所述产品的工人技艺水平因素；
根据所述产品的锡膏类型因素、芯片焊接工艺因素、自动化水平因素、工人技艺水平因素以及生产制造能力的乘积，确定所述产品所在企业的生产制造能力；
通过所述产品的质量管理等级和故障率系数之间的关系表，确定所述产品所在企业的质量管理水平。
7.根据权利要求6所述的方法，其特征在于，所述确定产品的环境寿命系数，包括：
根据所述产品的工作环境以及故障率系数之间的关系表，确定所述产品的环境寿命系数。
8.根据权利要求7所述的方法，其特征在于，所述确定产品的寿命增长系数，包括：
根据所述产品的开发批次与故障率系数之间的关系表，确定所述产品的寿命增长系数。
9.一种产品寿命预测装置，其特征在于，所述装置包括：
参数获取模块，用于获取产品内各个零件的理想参数；
寿命预测模块，用于将所述产品内各个零件的理想参数输入寿命预测模型，得到预测寿命值，其中，所述寿命预测模型为基于产品的基因寿命、环境寿命系数以及寿命增长系数的乘积所训练的模型。
10.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
11.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310104733.9A CN116011247A (zh) | 2023-01-29 | 2023-01-29 | 产品寿命预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310104733.9A CN116011247A (zh) | 2023-01-29 | 2023-01-29 | 产品寿命预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116011247A true CN116011247A (zh) | 2023-04-25 |
Family
ID=86035661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310104733.9A Pending CN116011247A (zh) | 2023-01-29 | 2023-01-29 | 产品寿命预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116011247A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116955066A (zh) * | 2023-06-21 | 2023-10-27 | 南京国电南自电网自动化有限公司 | 基于温度特性的继电保护装置cpu模件监测方法和系统 |
-
2023
- 2023-01-29 CN CN202310104733.9A patent/CN116011247A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116955066A (zh) * | 2023-06-21 | 2023-10-27 | 南京国电南自电网自动化有限公司 | 基于温度特性的继电保护装置cpu模件监测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101346678B (zh) | 用于丛集工具的自动化状态估计系统以及操作该系统的方法 | |
| CN116011247A (zh) | 产品寿命预测方法、装置、设备及存储介质 | |
| JP2017027329A (ja) | 故障予測装置および故障予測方法 | |
| CN111652518B (zh) | 用于分析工艺数据的方法和设备以及计算机可读介质 | |
| CN112180230A (zh) | 芯片测试参数异常的侦测方法、存储介质、终端 | |
| CN113762604A (zh) | 一种工业互联网大数据服务系统 | |
| CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
| Li et al. | Integrated predictive maintenance approach for multistate manufacturing system considering geometric and non-geometric defects of products | |
| Price et al. | The constant‐interval replacement model for preventive maintenance: A new perspective | |
| KR20040066891A (ko) | 로트 및 툴 헬스 계량들에 근거하여 로트들의 생산을스케줄링하기 위한 방법 및 장치 | |
| CN115222307B (zh) | 一种基于数据分析的流水线工人安全管控方法 | |
| CN116431505A (zh) | 一种回归测试方法、装置、电子设备、存储介质及产品 | |
| Vintr | Optimization of reliability requirements from manufacturer's point of view | |
| JP5341448B2 (ja) | 品質管理方法、半導体装置の製造方法及び品質管理システム | |
| JP2006350883A (ja) | 知識データベースを利用した需要予測値自動判定システムおよびそれに用いられる需要予測値自動判定プログラム並びにそのプログラムが記録された記録媒体 | |
| US11796420B2 (en) | Bearing maintenance timing acquisition method | |
| Felea et al. | Decision support model for production disturbance estimation | |
| Mahmood et al. | Triple sampling X̄ control chart for gamma process | |
| CN116433145B (zh) | 电商数据监测与订单管理方法及系统 | |
| Pitaloka et al. | Reliability and Life Data Analysis on the Components of Pump | |
| CN117451348B (zh) | 丝杆设备检测方法、装置、电子设备和存储介质 | |
| CN115981290A (zh) | 一种电厂故障自处理方法、装置、设备及存储介质 | |
| CN114862613A (zh) | 一种智能制造工业物联网云服务管理平台 | |
| CN116244006A (zh) | 一种数据处理方法、装置、存储介质、电子设备及产品 | |
| CN118396186A (zh) | 一种电子元器件生产质量优化控制方法 |
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 |