CN116432415A - 产品可靠性预测方法、装置、计算机设备和存储介质 - Google Patents

产品可靠性预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116432415A
CN116432415A CN202310256827.8A CN202310256827A CN116432415A CN 116432415 A CN116432415 A CN 116432415A CN 202310256827 A CN202310256827 A CN 202310256827A CN 116432415 A CN116432415 A CN 116432415A
Authority
CN
China
Prior art keywords
failure
heavy
target product
life
reliability
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
Application number
CN202310256827.8A
Other languages
English (en)
Inventor
雷庭
周军连
路艳春
刁斌
杨洪旗
胡宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Electronic Product Reliability and Environmental Testing Research Institute
Original Assignee
China Electronic Product Reliability and Environmental Testing Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Electronic Product Reliability and Environmental Testing Research Institute filed Critical China Electronic Product Reliability and Environmental Testing Research Institute
Priority to CN202310256827.8A priority Critical patent/CN116432415A/zh
Publication of CN116432415A publication Critical patent/CN116432415A/zh
Pending legal-status Critical Current

Links

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

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

Abstract

本申请涉及一种产品可靠性预测方法、装置、计算机设备、存储介质和计算机程序产品。方法包括：确定目标产品的关重部位以及非关重部位；对目标产品的非关重部位进行数理统计失效率的预测，获得目标产品的非关重部位的数理统计失效率；建立目标产品的关重部位的故障预测模型，基于故障预测模型对关重部位进行失效物理的预测，确定关重部位各元器件的失效模式、失效机理以及失效寿命；确定关重部位各元器件的失效寿命拟合曲线；确定目标产品的关重部位的失效寿命以及薄弱环节；获得目标产品的可靠性预测结果。采用本方法能够高效进行产品的可靠性预测。

Description

产品可靠性预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及可靠性预测技术领域，特别是涉及一种产品可靠性预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着科学技术的发展，在产品的研制过程中，为了保障产品被研制出来能够正常工作，必须对产品的可靠性进行设计，而可靠性预测是可靠性设计中主要的项目之一，能为可靠性指标论证、分配、产品设计方案比较、识别潜在改进环节、控制产品成本以及任务可靠度评估等提供理论依据。
可靠性预测手段通常分为两种：数理统计预测以及失效物理预测，这两种手段虽然均能够为产品的可靠性预测发挥着一定的作用，但是，在需要更高效地预测产品可靠性的环境下，数理统计预测的方法利用手册虽然能够计算失效率指标，但无法高效地对产品的薄弱环节进行定位，且对手册中未覆盖的元器件也无法进行预测；失效物理预测的方法虽然能够利用失效物理模型对产品的薄弱环节进行定位，但是目前的失效物理预测的方法实施流程较为复杂，效率低下，难以适应系统级产品的可靠性预计。
发明内容
基于此，有必要针对上述技术问题，提供一种高效的产品可靠性预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种产品可靠性预测方法，所述方法包括：
确定目标产品的关重部位以及非关重部位；
对所述目标产品的非关重部位进行数理统计失效率的预测，获得所述目标产品的非关重部位的数理统计失效率；
建立所述目标产品的关重部位的故障预测模型，基于所述故障预测模型对所述关重部位进行失效物理的预测，确定所述关重部位各元器件的失效模式、失效机理以及失效寿命；
根据所述失效模式、所述失效机理以及所述失效寿命，确定所述关重部位各元器件的失效寿命拟合曲线；
并根据所述失效寿命拟合曲线，确定所述目标产品的关重部位的失效寿命以及薄弱环节；
对所述非关重部位的数理统计失效率，以及所述关重部位的失效寿命以及薄弱环节进行融合处理，获得所述目标产品的可靠性预测结果。
在其中一个实施例中，所述对所述目标产品的非关重部位进行数理统计失效率的预测，获得所述目标产品的非关重部位的数理统计失效率，包括：
对所述目标产品划分为多个可靠性预计单元，并基于各所述可靠性预计单元的可靠性逻辑关系和数学关系，建立目标产品可靠性模型；
确定属于非关重部位的各所述可靠性预计单元内的元器件的工作失效率；
基于各所述元器件的工作失效率，获得属于非关重部位的各所述可靠性预计单元的工作失效率；
基于各所述可靠性预计单元的工作失效率以及所述目标产品可靠性模型，获得所述目标产品的非关重部位的数理统计失效率。
在其中一个实施例中，包括以下各项的至少一项：
第一项：
所述确定属于非关重部位的各所述可靠性预计单元内的元器件的工作失效率，包括：
获取各所述元器件的工作应力数据以及各类别元器件的失效率数理统计模型；
根据各所述元器件的工作应力数据以及各类别元器件的失效率数理统计模型，计算属于非关重部位的各所述可靠性预计单元内的元器件的工作失效率；
第二项
所述基于各所述元器件的工作失效率，获得属于非关重部位的各所述可靠性预计单元的工作失效率，包括：
将可靠性预计单元内的各所述元器件的工作失效率相加，获得属于非关重部位的所述可靠性预计单元的工作失效率。
在其中一个实施例中，所述建立所述目标产品的关重部位的故障预测模型，基于所述故障预测模型得到所述关重部位各元器件的失效模式、失效机理以及失效寿命包括：
建立所述目标产品的关重部位的数字仿真模型；
基于所述数字仿真模型获取关重部位不同应力仿真条件下的应力分布大小，并建立所述目标产品的关重部位的故障预测模型；
将所述关重部位应力分布大小输入至所述故障预测模型，得到各元器件的失效模式、失效机理及失效寿命。
在其中一个实施例中，所述根据所述失效模式、所述失效机理以及所述失效寿命，确定所述关重部位各元器件的失效寿命拟合曲线包括：
根据所述各元器件的失效模式以及失效机理，得到各元器件的失效寿命分布类型；
对所述各元器件的失效寿命进行抽样，并基于所述失效寿命分布类型以及抽样得到的失效寿命，确定所述关重部位各元器件的失效寿命拟合曲线。
在其中一个实施例中，所述根据所述失效寿命拟合曲线，确定所述目标产品的关重部位的失效寿命以及薄弱环节包括：
根据所述关重部位各元器件的失效寿命拟合曲线，确定最小的目标产品的关重部位的失效寿命；
根据所述最小的目标产品的关重部位的失效寿命，确定所述目标产品的关重部位的薄弱环节。
在其中一个实施例中，所述对所述非关重部位的数理统计失效率，以及所述关重部位的失效寿命以及薄弱环节进行融合处理，获得所述目标产品的可靠性预测结果，包括：
根据所述关重部位的失效寿命，得到所述关重部位的等效常数失效率；
结合所述关重部位的等效常数失效率以及所述非关重部位的数理统计失效率，得到目标产品总失效率；
根据所述目标产品总失效率以及所述关重部位的薄弱环节，得到目标产品可靠性预测结果。
第二方面，本申请还提供了一种产品可靠性预测装置，所述装置包括：
产品关重度划分模块，用于确定目标产品的关重部位以及非关重部位；
非关重部位失效预测模块，用于对所述目标产品的非关重部位进行数理统计失效率的预测，获得所述目标产品的非关重部位的数理统计失效率；
故障模型预测模块，用于建立所述目标产品的关重部位的故障预测模型，基于所述故障预测模型对所述关重部位进行失效物理的预测，确定所述关重部位各元器件的失效模式、失效机理以及失效寿命；
关重部位失效拟合模块，用于根据所述失效模式、所述失效机理以及所述失效寿命，确定所述关重部位各元器件的失效寿命拟合曲线；
关重部位失效预测模块，用于并根据所述失效寿命拟合曲线，确定所述目标产品的关重部位的失效寿命以及薄弱环节；
产品可靠性预测模块，用于对所述非关重部位的数理统计失效率，以及所述关重部位的失效寿命以及薄弱环节进行融合处理，获得所述目标产品的可靠性预测结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
确定目标产品的关重部位以及非关重部位；
对所述目标产品的非关重部位进行数理统计失效率的预测，获得所述目标产品的非关重部位的数理统计失效率；
建立所述目标产品的关重部位的故障预测模型，基于所述故障预测模型对所述关重部位进行失效物理的预测，确定所述关重部位各元器件的失效模式、失效机理以及失效寿命；
根据所述失效模式、所述失效机理以及所述失效寿命，确定所述关重部位各元器件的失效寿命拟合曲线；
并根据所述失效寿命拟合曲线，确定所述目标产品的关重部位的失效寿命以及薄弱环节；
对所述非关重部位的数理统计失效率，以及所述关重部位的失效寿命以及薄弱环节进行融合处理，获得所述目标产品的可靠性预测结果。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
确定目标产品的关重部位以及非关重部位；
对所述目标产品的非关重部位进行数理统计失效率的预测，获得所述目标产品的非关重部位的数理统计失效率；
建立所述目标产品的关重部位的故障预测模型，基于所述故障预测模型对所述关重部位进行失效物理的预测，确定所述关重部位各元器件的失效模式、失效机理以及失效寿命；
根据所述失效模式、所述失效机理以及所述失效寿命，确定所述关重部位各元器件的失效寿命拟合曲线；
并根据所述失效寿命拟合曲线，确定所述目标产品的关重部位的失效寿命以及薄弱环节；
对所述非关重部位的数理统计失效率，以及所述关重部位的失效寿命以及薄弱环节进行融合处理，获得所述目标产品的可靠性预测结果。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
确定目标产品的关重部位以及非关重部位；
对所述目标产品的非关重部位进行数理统计失效率的预测，获得所述目标产品的非关重部位的数理统计失效率；
建立所述目标产品的关重部位的故障预测模型，基于所述故障预测模型对所述关重部位进行失效物理的预测，确定所述关重部位各元器件的失效模式、失效机理以及失效寿命；
根据所述失效模式、所述失效机理以及所述失效寿命，确定所述关重部位各元器件的失效寿命拟合曲线；
并根据所述失效寿命拟合曲线，确定所述目标产品的关重部位的失效寿命以及薄弱环节；
对所述非关重部位的数理统计失效率，以及所述关重部位的失效寿命以及薄弱环节进行融合处理，获得所述目标产品的可靠性预测结果。
上述产品可靠性预测方法、装置、计算机设备、存储介质和计算机程序产品，确定目标产品的关重部位以及非关重部位；对目标产品的非关重部位进行数理统计失效率的预测，获得目标产品的非关重部位的数理统计失效率；建立目标产品的关重部位的故障预测模型，基于故障预测模型对关重部位进行失效物理的预测，确定关重部位各元器件的失效模式、失效机理以及失效寿命；根据失效模式、失效机理以及失效寿命，确定关重部位各元器件的失效寿命拟合曲线；并根据失效寿命拟合曲线，确定目标产品的关重部位的失效寿命以及薄弱环节；对非关重部位的数理统计失效率，以及关重部位的失效寿命以及薄弱环节进行融合处理，获得目标产品的可靠性预测结果。在整个过程中，通过对目标产品进行关重部位以及非关重部位的划分，并分别对关重部位以及非关重部位进行分析，即对非关重部位采用数理统计失效率的预测，对关重部位进行失效物理的预测，再将关重部位以及非关重部位的分析结果融合来得到目标产品可靠性预测结果，实现了更高效的可靠性预测。
附图说明
图1为一个实施例中产品可靠性预测方法的应用环境图；
图2为一个实施例中产品可靠性预测方法的流程示意图；
图3为另一个实施例中产品可靠性预测方法的流程示意图；
图4为又一个实施例中产品可靠性预测方法的流程示意图；
图5为一个具体应用实例中对非关重部位进行数理统计的可靠性预测的流程图；
图6为一个具体应用实例中对关重部位进行失效物理的可靠性预测的流程图；
图7为一个具体应用实例中数理统计预测与失效物理预测融合的综合流程图；
图8为一个实施例中产品可靠性预测装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的产品可靠性预测方法，可以应用于涉及可靠性检测平台102的应用环境中，由可靠性检测平台102对目标产品的可靠性进行预测，其中，可靠性检测平台102是用于接收用户发出的目标产品可靠性预测请求，并根据请求对目标产品进行可靠性预测的平台。在另一些实施例中，如图1所示，该应用环境还可以涉及能够与可靠性检测平台102进行通信的服务器104，通过服务器104对产品的可靠性进行预测。在另一些实施例中，如图1所示，该应用环境还可以同时涉及可靠性检测平台102和服务器104，可靠性检测平台102通过网络与服务器104进行通信。可靠性检测平台102可以向服务器104发出对目标产品的可靠性预测请求，通过服务器104对目标产品进行可靠性预测。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
其中，可靠性检测平台102或者服务器104在对目标产品的可靠性进行预测时，可以采用以下方式进行：确定目标产品的关重部位以及非关重部位；对目标产品的非关重部位进行数理统计失效率的预测，获得目标产品的非关重部位的数理统计失效率；建立目标产品的关重部位的故障预测模型，基于故障预测模型对关重部位进行失效物理的预测，确定关重部位各元器件的失效模式、失效机理以及失效寿命；根据失效模式、失效机理以及失效寿命，确定关重部位各元器件的失效寿命拟合曲线；并根据失效寿命拟合曲线，确定目标产品的关重部位的失效寿命以及薄弱环节；对非关重部位的数理统计失效率，以及关重部位的失效寿命以及薄弱环节进行融合处理，获得目标产品的可靠性预测结果。
在一个实施例中，如图2所示，提供了一种产品可靠性预测方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
S100，确定目标产品的关重部位以及非关重部位。
其中，关重部位是指目标产品中关键重要的部位，此外，关重部位还包括存在一些目前产品可靠性预计手册上不支持的新元器件的部位。非关重部位是指目标产品中不具备关键性和重要性这两种特性的部位。
示例性地，用户在需要对某一产品进行可靠性预测时，于可靠性检测平台102发起对该目标产品的可靠性预测请求，可靠性检测平台102将可靠性预测请求发送至服务器104；服务器104在获取可靠性预测请求后，确定要进行可靠性预测的目标产品，并根据产品设计迭代程度和设计的历史经验对目标产品进行关重度判定，将目标产品划分为非关重部位及关重部位，一般将微电路、分立器件及光电器件等划分为关重部位，将电阻、电容及电感等划分为非关重部位。
S200，对目标产品的非关重部位进行数理统计失效率的预测，获得目标产品的非关重部位的数理统计失效率。
其中，失效率是指工作到某一时刻尚未失效的产品，在该时刻后，单位时间内发生失效的概率。数理统计失效率是指采用数理统计的方式获取的失效率。
具体地，数理统计失效率的预测可以通过相关的预计手册来实现，如GJB/Z299C手册，对于目标产品的非关重部位，根据GJB/Z 299C上记载的内容来实施可靠性预测，判断非关重部位失效的概率，从而得到非关重部位可靠性预测结果，即数理统计失效率。
S300，建立目标产品的关重部位的故障预测模型，基于故障预测模型对关重部位进行失效物理的预测，确定关重部位各元器件的失效模式、失效机理以及失效寿命。
其中，失效物理是指研究电子产品在各种应力下发生失效的内在原因及其机理的科学，又称可靠性物理。失效模式是产品失效的外在表现形式，可以理解为人生病表现出的状态，如发烧、及头疼等状态。失效机理是产品失效的内在原因，可以理解为导致人生病的细菌感染。失效寿命是产品从开始到失效所经过的时间。
具体地，对于目标产品的关重部位，由于它的关键性和重要性，需要采用更加高效精确的手段来进行可靠性的预测，可以是建立目标产品的关重部位的故障预测模型，通过故障预测模型来对关重部位进行失效物理的预测，基于失效物理方法分析得到可靠性预计结果，确定关重部位各元器件失效时的状态、导致失效的原因，以及产品从开始至失效所经历的时间，即确定关重部位各元器件的失效模式、失效机理以及失效寿命。
更进一步地，基于故障预测模型对关重部位进行多次失效物理的预测，尽管各元器件的失效模式、失效机理不会改变，但是多次预测下关重部位各元器件的失效寿命会存在差异。
S400，根据失效模式、失效机理以及失效寿命，确定关重部位各元器件的失效寿命拟合曲线。
其中，拟合曲线是指曲线拟合方法是由给定的离散数据点，建立数据关系，求出一系列微小的直线段把这些插值点连接成光滑的曲线，以便观察两组数据之间的内在联系，了解数据之间的变化趋势。失效寿命拟合曲线是指对同一元器件进行多次失效物理的预测后，将多次预测得到的失效寿命拟合起来的失效寿命拟合曲线。
具体地，基于多次对同一元器件进行失效物理的预测，得到关重部位各元器件的多次失效寿命值，并根据失效模式及失效机理对关重部位同一元器件的多次失效寿命值进行拟合，确定关重部位各元器件的失效寿命拟合曲线。
S500，并根据失效寿命拟合曲线，确定目标产品的关重部位的失效寿命以及薄弱环节。
其中，薄弱环节即失效寿命最小的失效位置。
具体地，失效寿命拟合曲线是指关重部位各元器件的失效寿命拟合曲线，且由于关重部位各元器件的不同失效模式及失效机理会对应不同的失效寿命，所以基于关重部位各元器件的失效寿命拟合曲线，可以确定各关重部位分别的失效寿命，从而基于各关重部位分别的失效寿命确定目标产品的关重部位的失效寿命以及薄弱环节。
S600，对非关重部位的数理统计失效率，以及关重部位的失效寿命以及薄弱环节进行融合处理，获得目标产品的可靠性预测结果。
其中，可靠性预测结果是对元器件在规定的工作环境及功能条件下的可靠性水平评估。
具体地，对目标产品进行划分关重部位与非关重部位，对划分后的非关重部位进行数理统计失效率的预测，获得非关重部位的数理统计失效率；对划分后的关重部位进行失效物理的预测，得到关重部位的失效寿命以及薄弱环节；将非关重部位的数理统计失效率、关重部位的失效寿命以及薄弱环节进行融合处理，可以获得目标产品的可靠性预测结果。
上述产品可靠性预测方法中，确定目标产品的关重部位以及非关重部位；对目标产品的非关重部位进行数理统计失效率的预测，获得目标产品的非关重部位的数理统计失效率；建立目标产品的关重部位的故障预测模型，基于故障预测模型对关重部位进行失效物理的预测，确定关重部位各元器件的失效模式、失效机理以及失效寿命；根据失效模式、失效机理以及失效寿命，确定关重部位各元器件的失效寿命拟合曲线；并根据失效寿命拟合曲线，确定目标产品的关重部位的失效寿命以及薄弱环节；对非关重部位的数理统计失效率，以及关重部位的失效寿命以及薄弱环节进行融合处理，获得目标产品的可靠性预测结果。在整个过程中，通过对目标产品进行关重部位以及非关重部位的划分，并分别对关重部位以及非关重部位进行分析，即对非关重部位采用数理统计失效率的预测，对关重部位进行失效物理的预测，再将关重部位以及非关重部位的分析结果融合来得到目标产品的可靠性预测结果，实现了更高效的可靠性预测。
在一个实施例中，如图3所示，S200包括：
S220，对目标产品划分为多个可靠性预计单元，并基于各可靠性预计单元的可靠性逻辑关系和数学关系，建立目标产品可靠性模型。
其中，可靠性预计单元是指用于可靠性预计的独立单元。可靠性模型是通过数学方法描述系统各单元存在的功能逻辑关系而形成的可靠性框图及数学模型。
具体地，参照电力电子中设备、系统的功能原理，对目标产品划分出在电路功能上相对独立，内部为串联结构的多个可靠性预计单元，确定可靠性预计单元间的可靠性逻辑关系和数学关系，建立目标产品可靠性模型，其中，可靠性逻辑关系可以是串联、并联、串并混合等关系。
S240，确定属于非关重部位的各可靠性预计单元内的元器件的工作失效率。
具体地，由于可靠性预计单元是对目标产品进行划分的，所以可靠性预计单元可以属于关重部位，也可以属于非关重部位，在进行数理统计失效率的预测时，是对属于非关重部位的可靠性预计单元内的元器件的工作失效率进行确定。
S260，基于各元器件的工作失效率，获得属于非关重部位的各可靠性预计单元的工作失效率。
具体地，各可靠性预计单元内由多种元器件构成，因此，通过属于非关重部位的各可靠性预计单元内各元器件的工作失效率，即可以获得属于非关重部位的各可靠性预计单元的工作失效率。
S280，基于各可靠性预计单元的工作失效率以及目标产品可靠性模型，获得目标产品的非关重部位的数理统计失效率。
具体地，目标产品可靠性模型是在基于各可靠性预计单元的可靠性逻辑关系和数学关系上建立的模型，因此，基于属于非关重部位的各可靠性预计单元的工作失效率以及目标产品可靠性模型，即基于属于非关重部位的各可靠性预计单元的工作失效率以及可靠性预计单元的之间的可靠性逻辑关系和数学关系，可以获得目标产品的非关重部位的数理统计失效率。
本实施例中，通过将目标产品划分为多个可靠性预计单元，并基于各可靠性预计单元的可靠性逻辑关系和数学关系，建立目标产品可靠性模型，可以形成元器件、可靠性预计单元、及目标产品可靠性模型之间的分级关系，可以通过逐级分析来高效得到目标产品的非关重部位的数理统计失效率。
在一个实施例中，确定属于非关重部位的各可靠性预计单元内的元器件的工作失效率包括：
获取各元器件的工作应力数据以及各类别元器件的失效率数理统计模型；根据各元器件的工作应力数据以及各类别元器件的失效率数理统计模型，计算属于非关重部位的各可靠性预计单元内的元器件的工作失效率。
其中，应力是指物体由于外因(受力、湿度、温度场变化等)而变形时，在物体内各部分之间产生相互作用的内力以抵抗这种外因的作用，并试图使物体从变形后的位置恢复到变形前的位置。
示例性地，属于非关重部位的某个可靠性预计单元内部分元器件的工作失效率汇编清单表如下表1所示：
表1非关重部位的某可靠性预计单元内部分元器件的工作失效率清单表
元器件类别 质量等级 失效率(10-6/h)
电阻 A1M 1.556
电容 A2 2.558
电感 B1 0.111
分立器件 B2 0.469
连接器 A1 0.084
集成电路 A4 3.303
SMT互连 - 1.08
... ... ...
其中，获取非关重部位的某个可靠性预计单元内部分元器件的工作失效率的步骤为：首先，获取各可靠性预计单元内的各元器件的工作应力数据，工作应力数据可以是各元器件的应用方式、电应力比、工作环境温度以及其它环境应力等数据，汇编目标产品的各元器件应力数据清单；并获取传统手册中各类别元器件的失效率数理统计模型，其中，传统手册可以是GJB/Z 299C手册，失效率数理统计模型为工作应力数据与数理统计失效率之间的关系，基于各元器件的工作应力数据以及各类别元器件的失效率数理统计模型，计算属于非关重部位的各可靠性预计单元内的元器件的工作失效率。
基于各元器件的工作失效率，获得属于非关重部位的各可靠性预计单元的工作失效率包括：
将可靠性预计单元内的各元器件的工作失效率相加，获得属于非关重部位的可靠性预计单元的工作失效率。
示例性地，非关重部位的各可靠性预计单元的工作失效率的汇编清单表如表2所示：
表2非关重部位的各可靠性预计单元的工作失效率的汇编清单表
可靠性预计单元名称 失效率(10-6/h)
功能模块1 9.38
功能模块2 6.87
功能模块3 10.17
功能模块4 4.12
功能模块5 11.60
... ...
合计 56.2
由于可靠性预计单元由多个元器件组成，可靠性预计单元的工作失效率近似于可靠性预计单元内的各元器件工作失效率之和，将属于非关重部位的可靠性预计单元内的各元器件的工作失效率相加，获得属于非关重部位的可靠性预计单元的工作失效率，如功能模块1失效率为9.38×10-6/h。进一步地，从表2可以看出，获得属于非关重部位的可靠性预计单元的工作失效率之后，基于各可靠性预计单元之间的可靠性逻辑关系和数学关系，可以得到非关重部位的数理统计失效率为λ1＝56.2×10-6/h。
本实施例中，通过获取各元器件的工作应力数据以及各类别元器件的失效率数理统计模型，能够高效且精确的计算非关重部位各可靠性预计单元内的元器件的工作失效率，并且基于可靠性预计单元内的各元器件的工作失效率之和，能够更高效地获取非关重部位的各可靠性预计单元的工作失效率。
在一个实施例中，如图4所示，S300包括：
S320，建立目标产品的关重部位的数字仿真模型。
具体地，服务器获取目标产品的数据化样机、寿命周期环境条件、使用条件和设计信息等，根据获取的信息，建立目标产品的关重部位的仿真模型。
S340，基于数字仿真模型获取关重部位不同应力仿真条件下的应力分布大小，并建立目标产品的关重部位的故障预测模型。
具体地，对目标产品的关重部位的仿真模型的任务剖面输入热、电、振动、机械等不同应力仿真条件，并进行仿真以得到不同应力仿真条件下的应力分布大小。另外，还需建立目标产品的关重部位的故障预测模型。
S360，将关重部位应力分布大小输入至故障预测模型，得到各元器件的失效模式、失效机理及失效寿命。
具体地，将关重部位不同应力仿真条件下的应力分布大小输入至故障预测模型，故障预测模型可以是失效物理模型库、材料库、元器件库和相应的仿真软件工具组成的模型，基于故障预测模型进行关重部位各元器件的应力损失分析、故障模式及机理分析、及累计损伤分析，以得到各元器件的失效模式、失效机理及失效寿命。
本实施例中，通过基于关重部位的数字仿真模型来获取关重部位应力仿真条件下的应力分布大小、以及故障预测模型，能够更精确且全面的对各元器件的失效模式、失效机理及失效寿命进行分析。
在一个实施例中，根据失效模式、失效机理以及失效寿命，确定关重部位各元器件的失效寿命拟合曲线包括：
根据各元器件的失效模式以及失效机理，得到各元器件的失效寿命分布类型。
具体地，在将关重部位应力仿真条件输入至故障预测模型进行故障分析时，容易得知各元器件的失效模式以及失效机理，不同元器件的失效模式以及失效机理会对应不同的分布类型，其中，分布类型是失效寿命与失效率(或可靠度)的分布类型，即根据元器件的失效模式以及失效机理可以确定失效寿命与失效率(或可靠度)之间的关系，它可以是指数分布、正态分布、威布尔分布等分布类型，如热载流子失效机理对应的分布类型是指数分布。
对各元器件的失效寿命进行抽样，并基于失效寿命分布类型以及抽样得到的失效寿命，确定关重部位各元器件的失效寿命拟合曲线。
具体地，由于在对同一元器件进行多次故障预测时，失效寿命也存在差异，对各元器件的失效寿命进行抽样，抽样手段可以是蒙特卡罗抽样法，根据抽样对元器件的失效寿命进行预处理，并基于失效寿命的分布类型以及抽样得到的失效寿命进行失效寿命的分布拟合，确定关重部位各元器件的失效寿命拟合曲线，得到的失效寿命拟合曲线是去除了异常失效寿命预测值的曲线。其中，失效寿命拟合曲线的横坐标是失效寿命，纵坐标可以是失效率或可靠度等参数。
本实施例中，通过各元器件的失效模式以及失效机理，能够高效地确定失效寿命拟合曲线的分布类型，再对失效寿命进行抽样，基于失效寿命分布类型以及抽样得到的失效寿命，确定的关重部位各元器件的失效寿命拟合曲线为去除了异常失效寿命预测值的曲线，根据失效寿命拟合曲线确定的失效寿命也将更为精确。
在一个实施例中，根据失效寿命拟合曲线，确定目标产品的关重部位的失效寿命以及薄弱位置包括：
根据关重部位各元器件的失效寿命拟合曲线，确定最小的目标产品的关重部位的失效寿命。
具体地，根据关重部位各元器件去除了异常预测值后的失效寿命拟合曲线，可以更精确地确定各关重部位的各元器件的失效寿命，根据各关重部位的各元器件的失效寿命，取各关重部位中元器件最小的失效寿命作为各关重部位的失效寿命，再取各关重部位的失效寿命最小的作为整个目标产品的关重部位的失效寿命，即确定最小的目标产品的关重部位的失效寿命。
根据最小的目标产品的关重部位的失效寿命，确定目标产品的关重部位的薄弱环节。
具体地，本申请的薄弱环节被定义为失效寿命最小的失效位置，即最小的目标产品的关重部位的失效寿命所对应的关重部位为本申请的薄弱环节。此外，其它失效寿命较小的部位也可以算作是本申请的相对薄弱点。
进一步地，如表3所示，在进行失效物理预测时，得到的各关重部位(包括新器件部位)中相对薄弱点的位号、各关重部位的主要失效模式、主要失效机理及失效寿命：
表3各关重部位中相对薄弱点的失效模式、失效机理以及失效寿命
Figure BDA0004129975470000151
Figure BDA0004129975470000161
本实施例中，根据最小的目标产品的关重部位的失效寿命确定目标产品关重部位的失效寿命以及薄弱环节，能够准确地对产品可靠性进行分析，同时，通过失效寿命拟合曲线也能够精确地确定产品的失效寿命以及薄弱环节。
在一个实施例中，对非关重部位的数理统计失效率，以及关重部位的失效寿命以及薄弱环节进行融合处理，获得目标产品的可靠性预测结果包括：
根据关重部位的失效寿命，得到关重部位的等效常数失效率。
其中，等效常数失效率是指关重部位失效寿命等效的失效率，且失效率以常数形式表示。
具体地，对非关重部位进行数理统计分析时，传统的预计手册中均假设产品的失效寿命服从指数分布，即产品的失效率为常数，因此，需要对关重部位的可靠性结果以及非关重部位的可靠性结果进行统一，即将关重部位进行失效物理分析后得到的关重部位的失效寿命转换为等效的常数失效率。且由于传统的预计手册中均假设产品的失效寿命服从指数分布，因此在该指数分布曲线上进行转换，实际应用中一般是选取50％分位的指数分布曲线进行求解，即一半的产品发生失效对应的失效寿命，从而得到关重部位的失效寿命转化的等效常数失效率。
以非关重部位的数理统计失效率为λ1＝56.2×10-6/h，关重部位的失效寿命为R＝67322h为例，为获取目标产品的可靠性预测结果，将关重部位的失效寿命转换为关重部位的失效寿命的等效常数失效率，在可靠度曲线上选取50％分位进行求解，
Figure BDA0004129975470000162
可得关重部位的失效寿命的等效常数率为：λ2＝-lnR/t＝-ln(0.5)/67322＝10.3×10-6/h。
结合关重部位的等效常数失效率以及非关重部位的数理统计失效率，得到目标产品总失效率。
具体地，此时，关重部位的可靠性结果以及非关重部位的可靠性结果具有统一性，此时将关重部位的等效常数失效率以及非关重部位的数理统计失效率相加，即可得到目标产品总失效率，即λ＝λ1+λ2＝66.5×10-6/h。
根据目标产品总失效率以及关重部位的薄弱环节，得到目标产品可靠性预测结果。
具体地，根据目标产品总失效率以及关重部位的薄弱环节，还有失效模式、失效机理、及失效寿命等，对目标产品进行综合性分析，得到可靠性预测结果。
在一个实施例中，对非关重部位进行数理统计的可靠性预测的流程图如图5所示。其中，具体流程为：
1、对目标产品划分为多个可靠性预计单元，并基于各可靠性预计单元的可靠性逻辑关系和数学关系，建立目标产品可靠性模型；
2、明确各可靠性预计单元内各元器件的应用方式、工作环境温度、其它环境应力、以及电应力比等工作应力数据；
3、汇编各元器件的应力数据详细清单；
4、基于传统手册获取各类别元器件的失效率数理统计模型，根据各元器件的工作应力数据以及各类别元器件的失效率数理统计模型，使用应力分析法或计数法计算属于非关重部位的各可靠性预计单元内的元器件的工作失效率；
5、重复第4步骤，计算各可靠性预计单元内的每一种元器件的工作失效率，将可靠性预计单元内的各元器件的工作失效率相加，获得属于非关重部位的可靠性预计单元的工作失效率；
6、基于各可靠性预计单元的工作失效率以及目标产品可靠性模型，即基于各可靠性预计单元的工作失效率以及各可靠性预计单元的可靠性逻辑关系和数学关系，逐级分析并获得目标产品的非关重部位的数理统计失效率。此外，还可以获得目标产品的平均故障间隔时间以及可靠度等可靠性指标。
在一个实施例中，对关重部位进行失效物理的可靠性预测的流程图如图6所示。其中，具体流程为：
1、输入产品的数据化样机、寿命周期环境条件、使用条件和设计信息等，建立起关重部位的仿真模型；
2、在仿真模型的任务剖面施加热、电、振动、机械等应力条件，并进行仿真，得到不同应力条件下的应力分布大小；
3、利用失效物理模型库、元器件库、材料库和相应的仿真软件工具建立故障预测模型，将不同应力条件下的应力分布大小输入故障预测模型，进行应力损失分析、累积损伤分析、及蒙特卡洛抽样仿真分析，预测目标产品观众部位的平均首次故障时间，找出相应主故障机理，即确定关重部位各元器件的失效寿命、失效机理及失效模式；
4、在第三步进行应力损失分析、累积损伤分析、及蒙特卡洛抽样仿真分析后，综合运用故障分布拟合、故障聚类、多分布综合和可靠性综合评估等手段，评估产品的可靠性水平；
5、输出基于失效物理的可靠性预计结果，主要包括产品的可靠性薄弱环节及建议的改进措施，可靠性综合评估结果，还包括产品的失效寿命、及失效机理等。
在一个实施例中，图7为数理统计预测与失效物理预测融合的综合流程图。一方面，将目标产品划分为非关重部位和关重部位，对非关重部位进行基于手册的数理统计预计方法，其中，对于国产的元器件，可以用GJB/Z 299手册，对于进口的元器件，可以用国外的预计手册，得到失效率的预计值；另一方面，对关重部位采用基于失效物理的预计方法，利用数字样机得到目标产品关重部位的仿真模型，再对仿真模型的任务剖面输入不同应力仿真条件得到应力分布大小，再输入至失效物理模型，即故障预测模型中进行预测，得到关重产品的主要失效机理、失效寿命及薄弱位置等，最后将非观众部位的失效率统计值与关重部位的主要失效机理、失效寿命及薄弱位置进行融合，得到融合的预计指标。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的产品可靠性预测方法的产品可靠性预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个产品可靠性预测装置实施例中的具体限定可以参见上文中对于产品可靠性预测方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种产品可靠性预测装置，包括：产品关重度划分模块100、非关重部位失效预测模块200、故障模型预测模块300、关重部位失效拟合模块400、关重部位失效预测模块500和产品可靠性预测模块600，其中：
产品关重度划分模块100，用于确定目标产品的关重部位以及非关重部位；
非关重部位失效预测模块200，用于对目标产品的非关重部位进行数理统计失效率的预测，获得目标产品的非关重部位的数理统计失效率；
故障模型预测模块300，用于建立目标产品的关重部位的故障预测模型，基于故障预测模型对关重部位进行失效物理的预测，确定关重部位各元器件的失效模式、失效机理以及失效寿命；
关重部位失效拟合模块400，用于根据失效模式、失效机理以及失效寿命，确定关重部位各元器件的失效寿命拟合曲线；
关重部位失效预测模块500，用于并根据失效寿命拟合曲线，确定目标产品的关重部位的失效寿命以及薄弱环节；
产品可靠性预测模块600，用于对非关重部位的数理统计失效率，以及关重部位的失效寿命以及薄弱环节进行融合处理，获得目标产品的可靠性预测结果。
在一个实施例中，非关重部位失效预测模块200还用于对目标产品划分为多个可靠性预计单元，并基于各可靠性预计单元的可靠性逻辑关系和数学关系，建立目标产品可靠性模型；确定属于非关重部位的各可靠性预计单元内的元器件的工作失效率；基于各元器件的工作失效率，获得属于非关重部位的各可靠性预计单元的工作失效率；基于各可靠性预计单元的工作失效率以及目标产品可靠性模型，获得目标产品的非关重部位的数理统计失效率。
在一个实施例中，非关重部位失效预测模块200还用于获取各元器件的工作应力数据以及各类别元器件的失效率数理统计模型；根据各元器件的工作应力数据以及各类别元器件的失效率数理统计模型，计算属于非关重部位的各可靠性预计单元内的元器件的工作失效率；将可靠性预计单元内的各元器件的工作失效率相加，获得属于非关重部位的可靠性预计单元的工作失效率。
在一个实施例中，故障模型预测模块300还用于建立目标产品的关重部位的数字仿真模型；基于数字仿真模型获取关重部位不同应力仿真条件下的应力分布大小，并建立目标产品的关重部位的故障预测模型；将关重部位应力分布大小输入至故障预测模型，得到各元器件的失效模式、失效机理及失效寿命。
在一个实施例中，关重部位失效拟合模块400还用于根据各元器件的失效模式以及失效机理，得到各元器件的失效寿命分布类型；对各元器件的失效寿命进行抽样，并基于失效寿命分布类型以及抽样得到的失效寿命，确定关重部位各元器件的失效寿命拟合曲线。
在一个实施例中，关重部位失效预测模块500还用于根据关重部位各元器件的失效寿命拟合曲线，确定最小的目标产品的关重部位的失效寿命；根据最小的目标产品的关重部位的失效寿命，确定目标产品的关重部位的薄弱环节。
在一个实施例中，产品可靠性预测模块600还用于根据关重部位的失效寿命，得到关重部位的等效常数失效率；结合关重部位的等效常数失效率以及非关重部位的数理统计失效率，得到目标产品总失效率；根据目标产品总失效率以及关重部位的薄弱环节，得到目标产品可靠性预测结果。
上述产品可靠性预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数理统计失效率、关重部位的失效寿命以及薄弱环节。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种产品可靠性预测方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase ChangeMemory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random AccessMemory，SRAM)或动态随机存取存储器(Dynamic Random AccessMemory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种产品可靠性预测方法，其特征在于，所述方法包括：
确定目标产品的关重部位以及非关重部位；
对所述目标产品的非关重部位进行数理统计失效率的预测，获得所述目标产品的非关重部位的数理统计失效率；
建立所述目标产品的关重部位的故障预测模型，基于所述故障预测模型对所述关重部位进行失效物理的预测，确定所述关重部位各元器件的失效模式、失效机理以及失效寿命；
根据所述失效模式、所述失效机理以及所述失效寿命，确定所述关重部位各元器件的失效寿命拟合曲线；
并根据所述失效寿命拟合曲线，确定所述目标产品的关重部位的失效寿命以及薄弱环节；
对所述非关重部位的数理统计失效率，以及所述关重部位的失效寿命以及薄弱环节进行融合处理，获得所述目标产品的可靠性预测结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述目标产品的非关重部位进行数理统计失效率的预测，获得所述目标产品的非关重部位的数理统计失效率，包括：
对所述目标产品划分为多个可靠性预计单元，并基于各所述可靠性预计单元的可靠性逻辑关系和数学关系，建立目标产品可靠性模型；
确定属于非关重部位的各所述可靠性预计单元内的元器件的工作失效率；
基于各所述元器件的工作失效率，获得属于非关重部位的各所述可靠性预计单元的工作失效率；
基于各所述可靠性预计单元的工作失效率以及所述目标产品可靠性模型，获得所述目标产品的非关重部位的数理统计失效率。
3.根据权利要求2所述的方法，其特征在于，包括以下各项的至少一项：
第一项：
所述确定属于非关重部位的各所述可靠性预计单元内的元器件的工作失效率，包括：
获取各所述元器件的工作应力数据以及各类别元器件的失效率数理统计模型；
根据各所述元器件的工作应力数据以及各类别元器件的失效率数理统计模型，计算属于非关重部位的各所述可靠性预计单元内的元器件的工作失效率；
第二项
所述基于各所述元器件的工作失效率，获得属于非关重部位的各所述可靠性预计单元的工作失效率，包括：
将可靠性预计单元内的各所述元器件的工作失效率相加，获得属于非关重部位的所述可靠性预计单元的工作失效率。
4.根据权利要求1所述的方法，其特征在于，所述建立所述目标产品的关重部位的故障预测模型，基于所述故障预测模型得到所述关重部位各元器件的失效模式、失效机理以及失效寿命包括：
建立所述目标产品的关重部位的数字仿真模型；
基于所述数字仿真模型获取关重部位不同应力仿真条件下的应力分布大小，并建立所述目标产品的关重部位的故障预测模型；
将所述关重部位应力分布大小输入至所述故障预测模型，得到各元器件的失效模式、失效机理及失效寿命。
5.根据权利要求1所述的方法，其特征在于，所述根据所述失效模式、所述失效机理以及所述失效寿命，确定所述关重部位各元器件的失效寿命拟合曲线包括：
根据所述各元器件的失效模式以及失效机理，得到各元器件的失效寿命分布类型；
对所述各元器件的失效寿命进行抽样，并基于所述失效寿命分布类型以及抽样得到的失效寿命，确定所述关重部位各元器件的失效寿命拟合曲线。
6.根据权利要求1所述的方法，其特征在于，所述根据所述失效寿命拟合曲线，确定所述目标产品的关重部位的失效寿命以及薄弱环节包括：
根据所述关重部位各元器件的失效寿命拟合曲线，确定最小的目标产品的关重部位的失效寿命；
根据所述最小的目标产品的关重部位的失效寿命，确定所述目标产品的关重部位的薄弱环节。
7.根据权利要求1至6任意一项所述的方法，其特征在于，所述对所述非关重部位的数理统计失效率，以及所述关重部位的失效寿命以及薄弱环节进行融合处理，获得所述目标产品的可靠性预测结果，包括：
根据所述关重部位的失效寿命，得到所述关重部位的等效常数失效率；
结合所述关重部位的等效常数失效率以及所述非关重部位的数理统计失效率，得到目标产品总失效率；
根据所述目标产品总失效率以及所述关重部位的薄弱环节，得到目标产品可靠性预测结果。
8.一种产品可靠性预测装置，其特征在于，所述装置包括：
产品关重度划分模块，用于确定目标产品的关重部位以及非关重部位；
非关重部位失效预测模块，用于对所述目标产品的非关重部位进行数理统计失效率的预测，获得所述目标产品的非关重部位的数理统计失效率；
故障模型预测模块，用于建立所述目标产品的关重部位的故障预测模型，基于所述故障预测模型对所述关重部位进行失效物理的预测，确定所述关重部位各元器件的失效模式、失效机理以及失效寿命；
关重部位失效拟合模块，用于根据所述失效模式、所述失效机理以及所述失效寿命，确定所述关重部位各元器件的失效寿命拟合曲线；
关重部位失效预测模块，用于并根据所述失效寿命拟合曲线，确定所述目标产品的关重部位的失效寿命以及薄弱环节；
产品可靠性预测模块，用于对所述非关重部位的数理统计失效率，以及所述关重部位的失效寿命以及薄弱环节进行融合处理，获得所述目标产品的可靠性预测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202310256827.8A 2023-03-16 2023-03-16 产品可靠性预测方法、装置、计算机设备和存储介质 Pending CN116432415A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310256827.8A CN116432415A (zh) 2023-03-16 2023-03-16 产品可靠性预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310256827.8A CN116432415A (zh) 2023-03-16 2023-03-16 产品可靠性预测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116432415A true CN116432415A (zh) 2023-07-14

Family

ID=87078703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310256827.8A Pending CN116432415A (zh) 2023-03-16 2023-03-16 产品可靠性预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116432415A (zh)

Similar Documents

Publication Publication Date Title
Singh et al. Electric power grid reliability evaluation: models and methods
CN115841046B (zh) 基于维纳过程的加速退化试验数据处理方法和装置
CN115795928B (zh) 基于伽马过程的加速退化试验数据处理方法和装置
CN109143094A (zh) 一种动力电池的异常数据检测方法和装置
CN110264270A (zh) 一种行为预测方法、装置、设备和存储介质
Chen A novel reliability estimation method of complex network based on Monte Carlo
Levitin et al. Reliability of non-coherent warm standby systems with reworking
Hu et al. Statistical equivalency and optimality of simple step‐stress accelerated test plans for the exponential distribution
Zhou et al. A novel green design method using electrical products reliability assessment to improve resource utilization
Yeh A sequential decomposition method for estimating flow in a multi-commodity, multistate network
CN107315849B (zh) 电池设计中用于优化组件布置的系统和方法
Beutner et al. Nonparametric meta‐analysis for minimal‐repair systems
CN108829987B (zh) 一种数据驱动型概率评估方法
CN116228045B (zh) 基于性能退化的产品可靠性薄弱环节评估方法和装置
CN117235664A (zh) 配电通信设备的故障诊断方法、系统和计算机设备
Zhao et al. Hadoop-based power grid data quality verification and monitoring method
CN116432415A (zh) 产品可靠性预测方法、装置、计算机设备和存储介质
Grebenyuk et al. Technological infrastructure management models and methods based on digital twins
CN116108697A (zh) 基于多元性能退化的加速试验数据处理方法、装置和设备
CN116306485A (zh) 一种电路板数字孪生体的建立方法、系统及终端
CN115544276B (zh) 计量装置知识图谱构建方法和计量装置档案核查方法
CN116127785B (zh) 基于多元性能退化的可靠性评价方法、装置和设备
CN118034961A (zh) 设备系统的可靠性评估方法、装置、计算机设备及介质
CN118230994A (zh) 元件寿命更新方法、装置、设备、介质和计算机程序产品
CN116432066A (zh) 电缆温度数据处理方法、装置、计算机设备和存储介质

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