CN117236039A - 一种传感器寿命预测方法、系统及设备 - Google Patents
一种传感器寿命预测方法、系统及设备 Download PDFInfo
- Publication number
- CN117236039A CN117236039A CN202311243731.4A CN202311243731A CN117236039A CN 117236039 A CN117236039 A CN 117236039A CN 202311243731 A CN202311243731 A CN 202311243731A CN 117236039 A CN117236039 A CN 117236039A
- Authority
- CN
- China
- Prior art keywords
- level
- typical sensor
- sensor
- field
- typical
- 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 68
- 230000035882 stress Effects 0.000 claims abstract description 290
- 238000004458 analytical method Methods 0.000 claims abstract description 161
- 230000032683 aging Effects 0.000 claims abstract description 105
- 230000001133 acceleration Effects 0.000 claims abstract description 65
- 230000008569 process Effects 0.000 claims abstract description 35
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 11
- 238000002474 experimental method Methods 0.000 claims description 80
- 230000005672 electromagnetic field Effects 0.000 claims description 79
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 abstract description 4
- 238000010168 coupling process Methods 0.000 abstract description 4
- 238000005859 coupling reaction Methods 0.000 abstract description 4
- 230000007797 corrosion Effects 0.000 description 9
- 238000005260 corrosion Methods 0.000 description 9
- 230000008646 thermal stress Effects 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 230000015556 catabolic process Effects 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 6
- 206010067484 Adverse reaction Diseases 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000006838 adverse reaction Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005489 elastic deformation Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种传感器寿命预测方法、系统及设备，包括：利用预构建的传感器加速失效模型，对待测传感器进行加速老化实验仿真，获得待测传感器寿命预测结果；预构建的传感器加速失效模型的构建过程，具体如下：对典型传感器的装置级、板卡级及器件级依次进行多物理场失效分析，获得典型传感器的装置级应力集中区域、板卡级应力集中区域及器件级应力集中区域，进而获得典型传感器的失效机理；根据典型传感器的失效机理，分析典型传感器的关键零件或装置整体失效与工作寿命特征的影响规律，获得预构建的传感器加速失效模型；本发明充分考虑多物理场耦合环境下传感器的应力损伤，建立精确的传感器老化失效模型寿命预测，有效提升预测结果的精确性。
Description
技术领域
本发明属于传感器寿命预测技术领域，特别涉及一种传感器寿命预测方法、系统及设备。
背景技术
在现代电力系统中，越来越多的传感器投入使用，以实现对电力系统的精准调控，保障电力系统的稳态运行；但在恶劣环境条件下，传感器运行的可靠性和安全性将受到严格的考验；其中，高温、低温、振动及强电磁干扰等环境条件都会对传感器的温度运行产生影响，当累计疲劳损伤到达一定程度时，传感器将发生失效，进而可能导致整个电力系统瘫痪；因此，很有必要对传感器在多物理场耦合条件下进行寿命加速老化实验，进而对传感器的使用寿命进行更为精准地预测，便于对电力系统传感器进行定期维护，避免因传感器失效导致电力系统故障发生。
目前，传统的寿命加速老化实验方法往往仅为单一物理场下的传感器寿命加速老化方法，但在实际使用时，传感器一般处于复杂的多物理场环境下，可能遭受振动、温度及电磁等多种应力等综合影响；因此，现有技术中利用单一物理场下的传感器寿命加速老化实验方法，对传感器的寿命预测时，其大大降低了寿命预测结果的精度。
发明内容
针对现有技术中存在的技术问题，本发明提供了一种传感器寿命预测方法、系统及设备，以解决现有技术中利用单一物理场下的传感器寿命加速老化实验方法，对传感器的寿命预测时，其大大降低了寿命预测结果的精度的技术问题。
为达到上述目的，本发明采用的技术方案为：
本发明提供了一种传感器寿命预测方法，包括：
利用预构建的传感器加速失效模型，对待测传感器进行加速老化实验仿真，获得待测传感器寿命预测结果；
其中，所述预构建的传感器加速失效模型的构建过程，具体如下：
对典型传感器的装置级、板卡级及器件级依次进行多物理场失效分析，获得典型传感器的装置级应力集中区域、典型传感器的板卡级应力集中区域及典型传感器的器件级应力集中区域；其中，所述典型传感器的型号与待测传感器的型号相同；
根据所述典型传感器的装置级应力集中区域、所述典型传感器的板卡级应力集中区域及所述典型传感器的器件级应力集中区域，获得典型传感器的失效机理；
根据所述典型传感器的失效机理，分析典型传感器的关键零件或装置整体失效与工作寿命特征的影响规律，获得所述预构建的传感器加速失效模型。
进一步的，对典型传感器的装置级、板卡级及器件级依次进行多物理场失效分析，获得典型传感器的装置级应力集中区域、典型传感器的板卡级应力集中区域及典型传感器的器件级应力集中区域的过程，具体如下：
对典型传感器的装置级进行多物理场失效分析，获得典型传感器的装置级应力集中区域及典型传感器中失效板卡位置；
根据所述典型传感器中失效板卡位置，对典型传感器的板卡级进行多物理失效分析，获得典型传感器的板卡级应力集中区域及典型传感器中失效器件位置；
根据所述典型传感器中失效器件位置，对典型传感器的器件级进行多物理场失效分析，获得典型传感器的器件级应力集中区域。
进一步的，对典型传感器的装置级进行多物理场失效分析，获得典型传感器的装置级应力集中区域及典型传感器中失效板卡位置的过程，具体如下：
建立典型传感器的装置级有限元分析模型；
对所述典型传感器装置级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的装置级机械振动场下的应力分布、典型传感器的装置级温度场下的应力分布、典型传感器的装置级湿度场下的应力分布及典型传感器的装置级电磁场下的应力分布；
根据所述典型传感器的装置级机械振动场下的应力分布、典型传感器的装置级温度场下的应力分布、典型传感器的装置级湿度场下的应力分布及典型传感器的装置级电磁场下的应力分布，分析得到典型传感器的装置级应力集中区域及典型传感器中失效板卡位置。
进一步的，对所述典型传感器装置级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的装置级机械振动场下的应力分布、典型传感器的装置级温度场下的应力分布、典型传感器的装置级湿度场下的应力分布及典型传感器的装置级电磁场下的应力分布的过程，具体如下：
基于振动疲劳模型，对所述典型传感器装置级有限元分析模型进行机械振动场下的加速老化实验，得到典型传感器的装置级机械振动场下的应力分布；其中，振动疲劳模型为基于应变的Coffin-Manson疲劳模型；
基于与温度相关的阿伦尼乌斯模型，对所述典型传感器装置级有限元分析模型进行温度场下的加速老化实验，得到典型传感器的装置级温度场下的应力分布；
基于与湿度相关的阿伦尼乌斯模型，对所述典型传感器装置级有限元分析模型进行湿度场下的加速老化实验，得到典型传感器的装置级湿度场下的应力分布；
基于多物理场电磁分析模型，对所述典型传感器装置级有限元分析模型进行电磁场下的加速老化实验，得到典型传感器的装置级电磁场下的应力分布。
进一步的，根据所述典型传感器中失效板卡位置，对典型传感器的板卡级进行多物理失效分析，获得典型传感器的板卡级应力集中区域及典型传感器中失效器件位置的过程，具体如下：
根据所述典型传感器中失效板卡位置，建立典型传感器的板卡级有限元分析模型；
对所述典型传感器板卡级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的板卡级机械振动场下的应力分布、典型传感器的板卡级温度场下的应力分布、典型传感器的板卡级湿度场下的应力分布及典型传感器的板卡级电磁场下的应力分布；
根据所述典型传感器的板卡级机械振动场下的应力分布、典型传感器的板卡级温度场下的应力分布、典型传感器的板卡级湿度场下的应力分布及典型传感器的板卡级电磁场下的应力分布，分析得到典型传感器的板卡级应力集中区域及典型传感器中失效板卡位置。
进一步的，对所述典型传感器板卡级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的板卡级机械振动场下的应力分布、典型传感器的板卡级温度场下的应力分布、典型传感器的板卡级湿度场下的应力分布及典型传感器的板卡级电磁场下的应力分布的过程，具体如下：
基于振动疲劳模型，对所述典型传感器板卡级有限元分析模型进行机械振动场下的加速老化实验，得到典型传感器的板卡级机械振动场下的应力分布；其中，振动疲劳模型为基于应变的Coffin-Manson疲劳模型；
基于与温度相关的阿伦尼乌斯模型，对所述典型传感器板卡级有限元分析模型进行温度场下的加速老化实验，得到典型传感器的板卡级温度场下的应力分布；
基于与湿度相关的阿伦尼乌斯模型，对所述典型传感器板卡级有限元分析模型进行湿度场下的加速老化实验，得到典型传感器的板卡级湿度场下的应力分布；
基于多物理场电磁分析模型，对所述典型传感器板卡级有限元分析模型进行电磁场下的加速老化实验，得到典型传感器的板卡级电磁场下的应力分布。
进一步的，根据所述典型传感器中失效器件位置，对典型传感器的器件级进行多物理场失效分析，获得典型传感器的器件级应力集中区域的过程，具体如下：
根据所述典型传感器中失效器件位置，建立典型传感器的器件级有限元分析模型；
对所述典型传感器器件级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的器件级机械振动场下的应力分布、典型传感器的器件级温度场下的应力分布、典型传感器的器件级湿度场下的应力分布及典型传感器的器件级电磁场下的应力分布；
根据所述典型传感器的器件级机械振动场下的应力分布、典型传感器的器件级温度场下的应力分布、典型传感器的器件级湿度场下的应力分布及典型传感器的器件级电磁场下的应力分布，分析得到典型传感器的器件级应力集中区域。
进一步的，对所述典型传感器器件级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的器件级机械振动场下的应力分布、典型传感器的器件级温度场下的应力分布、典型传感器的器件级湿度场下的应力分布及典型传感器的器件级电磁场下的应力分布的过程，具体如下：
基于振动疲劳模型，对所述典型传感器器件级有限元分析模型进行机械振动场下的加速老化实验，得到典型传感器的器件级机械振动场下的应力分布；其中，振动疲劳模型为基于应变的Coffin-Manson疲劳模型；
基于与温度相关的阿伦尼乌斯模型，对所述典型传感器器件级有限元分析模型进行温度场下的加速老化实验，得到典型传感器的器件级温度场下的应力分布；
基于与湿度相关的阿伦尼乌斯模型，对所述典型传感器器件级有限元分析模型进行湿度场下的加速老化实验，得到典型传感器的器件级湿度场下的应力分布；
基于多物理场电磁分析模型，对所述典型传感器器件级有限元分析模型进行电磁场下的加速老化实验，得到典型传感器的器件级电磁场下的应力分布。
本发明还提供了一种传感器寿命预测系统，包括：
预测模型，用于利用预构建的传感器加速失效模型，对待测传感器进行加速老化实验仿真，获得待测传感器寿命预测结果；
其中，所述预构建的传感器加速失效模型的构建过程，具体如下：
对典型传感器的装置级、板卡级及器件级依次进行多物理场失效分析，获得典型传感器的装置级应力集中区域、典型传感器的板卡级应力集中区域及典型传感器的器件级应力集中区域；其中，所述典型传感器的型号与待测传感器的型号相同；
根据所述典型传感器的装置级应力集中区域、所述典型传感器的板卡级应力集中区域及所述典型传感器的器件级应力集中区域，获得典型传感器的失效机理；
根据所述典型传感器的失效机理，分析典型传感器的关键零件或装置整体失效与工作寿命特征的影响规律，获得所述预构建的传感器加速失效模型。
本发明还提供了一种传感器寿命预测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种传感器寿命预测方法的步骤。
与现有技术相比，本发明的有益效果为：
本发明提供了一种传感器寿命预测方法及系统，通过对典型传感器的装置级、板卡级及器件级依次进行多物理场失效分析，获得电磁传感器的装置级应力集中区域、板卡级应力集中区域以及器件级应力集中区域，进而分析得到典型传感器的失效机理；根据典型传感器的失效机理，通过分析典型传感器的关键零件或装置整体失效与工作寿命特征的影响规律，进而获得所述传感器加速失效模型；利用传感器加速失效模型，对待测传感器进行加速老化实验仿真，实现对待测传感器寿命的精确预测；本发明方法过程简单，能够充分考虑多物理场耦合环境下传感器的应力损伤，建立精确的传感器老化失效模型用于传感器寿命的预测，有效提升了传感器预测结果的精确性，为传感器的定期维护提供依据，避免因传感器失效导致电力系统故障发生，保障了电力系统的安全可靠运行。
附图说明
图1为实施例中传感器加速失效模型的构建流程图；
图2为实施例中获得典型传感器的装置级、板卡级或器件级机械振动场下的应力分布的流程图；
图3为实施例中获得典型传感器的装置级、板卡级或器件级温度场下的应力分布的流程图；
图4为实施例中获得典型传感器的装置级、板卡级或器件级湿度场下的应力分布的流程图；
图5为实施例中获得典型传感器的装置级、板卡级或器件级电磁场下的应力分布的流程图。
具体实施方式
为了使本发明所解决的技术问题，技术方案及有益效果更加清楚明白，以下具体实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供了一种传感器寿命预测方法，包括以下步骤：
步骤1、建立传感器加速失效模型，得到预构建的传感器加速失效模型。
步骤2、利用预构建的传感器加速失效模型，对待测传感器进行加速老化实验仿真，获得待测传感器寿命预测结果。
本发明步骤1中，所述预构建的传感器加速失效模型的构建过程，包括以下步骤：
步骤11、对典型传感器的装置级、板卡级及器件级依次进行多物理场失效分析，获得典型传感器的装置级应力集中区域、典型传感器的板卡级应力集中区域及典型传感器的器件级应力集中区域；其中，所述典型传感器的型号与待测传感器的型号相同；
具体的，包括以下步骤：
步骤111、对典型传感器的装置级进行多物理场失效分析，获得典型传感器的装置级应力集中区域及典型传感器中失效板卡位置；其中，具体过程如下：
1)建立典型传感器的装置级有限元分析模型。
2)对所述典型传感器装置级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的装置级机械振动场下的应力分布、典型传感器的装置级温度场下的应力分布、典型传感器的装置级湿度场下的应力分布及典型传感器的装置级电磁场下的应力分布。
具体的，基于振动疲劳模型，对所述典型传感器装置级有限元分析模型进行机械振动场下的加速老化实验，得到典型传感器的装置级机械振动场下的应力分布；其中，振动疲劳模型为基于应变的Coffin-Manson疲劳模型；基于与温度相关的阿伦尼乌斯模型，对所述典型传感器装置级有限元分析模型进行温度场下的加速老化实验，得到典型传感器的装置级温度场下的应力分布；基于与湿度相关的阿伦尼乌斯模型，对所述典型传感器装置级有限元分析模型进行湿度场下的加速老化实验，得到典型传感器的装置级湿度场下的应力分布；基于多物理场电磁分析模型，对所述典型传感器装置级有限元分析模型进行电磁场下的加速老化实验，得到典型传感器的装置级电磁场下的应力分布。
3)根据所述典型传感器的装置级机械振动场下的应力分布、典型传感器的装置级温度场下的应力分布、典型传感器的装置级湿度场下的应力分布及典型传感器的装置级电磁场下的应力分布，分析得到典型传感器的装置级应力集中区域及典型传感器中失效板卡位置。
步骤112、根据所述典型传感器中失效板卡位置，对典型传感器的板卡级进行多物理失效分析，获得典型传感器的板卡级应力集中区域及典型传感器中失效器件位置；其中，具体过程如下：
1)根据所述典型传感器中失效板卡位置，建立典型传感器的板卡级有限元分析模型。
2)对所述典型传感器板卡级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的板卡级机械振动场下的应力分布、典型传感器的板卡级温度场下的应力分布、典型传感器的板卡级湿度场下的应力分布及典型传感器的板卡级电磁场下的应力分布。
具体的，基于振动疲劳模型，对所述典型传感器板卡级有限元分析模型进行机械振动场下的加速老化实验，得到典型传感器的板卡级机械振动场下的应力分布；其中，振动疲劳模型为基于应变的Coffin-Manson疲劳模型；基于与温度相关的阿伦尼乌斯模型，对所述典型传感器板卡级有限元分析模型进行温度场下的加速老化实验，得到典型传感器的板卡级温度场下的应力分布；基于与湿度相关的阿伦尼乌斯模型，对所述典型传感器板卡级有限元分析模型进行湿度场下的加速老化实验，得到典型传感器的板卡级湿度场下的应力分布；基于多物理场电磁分析模型，对所述典型传感器板卡级有限元分析模型进行电磁场下的加速老化实验，得到典型传感器的板卡级电磁场下的应力分布。
3)根据所述典型传感器的板卡级机械振动场下的应力分布、典型传感器的板卡级温度场下的应力分布、典型传感器的板卡级湿度场下的应力分布及典型传感器的板卡级电磁场下的应力分布，分析得到典型传感器的板卡级应力集中区域及典型传感器中失效板卡位置。
步骤113、根据所述典型传感器中失效器件位置，对典型传感器的器件级进行多物理场失效分析，获得典型传感器的器件级应力集中区域；其中，具体过程如下：
1)根据所述典型传感器中失效器件位置，建立典型传感器的器件级有限元分析模型；
2)对所述典型传感器器件级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的器件级机械振动场下的应力分布、典型传感器的器件级温度场下的应力分布、典型传感器的器件级湿度场下的应力分布及典型传感器的器件级电磁场下的应力分布。
具体的，基于振动疲劳模型，对所述典型传感器器件级有限元分析模型进行机械振动场下的加速老化实验，得到典型传感器的器件级机械振动场下的应力分布；其中，振动疲劳模型为基于应变的Coffin-Manson疲劳模型；基于与温度相关的阿伦尼乌斯模型，对所述典型传感器器件级有限元分析模型进行温度场下的加速老化实验，得到典型传感器的器件级温度场下的应力分布；基于与湿度相关的阿伦尼乌斯模型，对所述典型传感器器件级有限元分析模型进行湿度场下的加速老化实验，得到典型传感器的器件级湿度场下的应力分布；基于多物理场电磁分析模型，对所述典型传感器器件级有限元分析模型进行电磁场下的加速老化实验，得到典型传感器的器件级电磁场下的应力分布。
3)根据所述典型传感器的器件级机械振动场下的应力分布、典型传感器的器件级温度场下的应力分布、典型传感器的器件级湿度场下的应力分布及典型传感器的器件级电磁场下的应力分布，分析得到典型传感器的器件级应力集中区域。
步骤12、根据所述典型传感器的装置级应力集中区域、所述典型传感器的板卡级应力集中区域及所述典型传感器的器件级应力集中区域，获得典型传感器的失效机理。
步骤13、根据所述典型传感器的失效机理，分析典型传感器的关键零件或装置整体失效与工作寿命特征的影响规律，获得所述预构建的传感器加速失效模型。
本发明还提供了一种传感器寿命预测系统，包括模型构建模块及预测模块；所述模型构建模型，用于建立传感器加速失效模型，得到预构建的传感器加速失效模型；所述预测模块，用于利用预构建的传感器加速失效模型，对待测传感器进行加速老化实验仿真，获得待测传感器寿命预测结果。
其中，所述预构建的传感器加速失效模型的构建过程，具体如下：
对典型传感器的装置级、板卡级及器件级依次进行多物理场失效分析，获得典型传感器的装置级应力集中区域、典型传感器的板卡级应力集中区域及典型传感器的器件级应力集中区域；其中，所述典型传感器的型号与待测传感器的型号相同；根据所述典型传感器的装置级应力集中区域、所述典型传感器的板卡级应力集中区域及所述典型传感器的器件级应力集中区域，获得典型传感器的失效机理；根据所述典型传感器的失效机理，分析典型传感器的关键零件或装置整体失效与工作寿命特征的影响规律，获得所述预构建的传感器加速失效模型。
本发明提供的传感器寿命预测方法，通过对典型传感器的装置级、板卡级及器件级依次进行多物理场失效分析，获得电磁传感器的装置级应力集中区域、板卡级应力集中区域以及器件级应力集中区域，进而分析得到典型传感器的失效机理；根据典型传感器的失效机理，通过分析典型传感器的关键零件或装置整体失效与工作寿命特征的影响规律，进而获得所述传感器加速失效模型；利用传感器加速失效模型，对待测传感器进行加速老化实验仿真，实现对待测传感器寿命的精确预测。
本发明还提供了一种传感器寿命预测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种传感器寿命预测方法的步骤；所述处理器执行所述计算机程序时实现上述传感器寿命预测方法的步骤，例如：建立传感器加速失效模型，得到预构建的传感器加速失效模型；利用预构建的传感器加速失效模型，对待测传感器进行加速老化实验仿真，获得待测传感器寿命预测结果。
或者，所述处理器执行所述计算机程序时实现上述传感器寿命预测系统中各模块的功能，例如：模型构建模型，用于建立传感器加速失效模型，得到预构建的传感器加速失效模型；预测模块，用于利用预构建的传感器加速失效模型，对待测传感器进行加速老化实验仿真，获得待测传感器寿命预测结果。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序在所述传感器寿命预测设备中的执行过程。
所述传感器寿命预测设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述传感器寿命预测设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述附图3仅仅是传感器寿命预测设备的示例，并不构成对传感器寿命预测设备的限定。
所称处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器也可以是任何常规的处理器等，所述处理器是所述传感器寿命预测设备的控制中心，利用各种接口和线路连接整个传感器寿命预测设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述传感器寿命预测设备的各种功能。
实施例
本实施例提供了一种传感器寿命预测方法，包括以下步骤：
步骤1、建立传感器加速失效模型，得到预构建的传感器加速失效模型；其中，如附图1所示，所述预构建的传感器加速失效模型的构建过程，具体包括以下步骤：
步骤11、在ANSYS软件中，建立典型传感器的装置级有限元分析模型；其中，所述典型传感器的型号与待预测传感器的型号相同。
步骤12、对所述典型传感器的装置级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的装置级机械振动场下的应力分布、典型传感器的装置级温度场下的应力分布、典型传感器的装置级湿度场下的应力分布及典型传感器的装置级电磁场下的应力分布。
本实施例中，对所述典型传感器的装置级有限元分析模型，进行机械振动场下的加速老化实验，得到典型传感器的装置级机械振动场下的应力分布的过程，如附图2所示，具体如下：
获取典型传感器的装置级力学特征值及典型传感器的装置级形变-应力分析结果；其中，所述典型传感器的装置级力学特征值包括传感器装置级的强度、硬度、弹性及延展性。
根据所述典型传感器的装置级力学特征及典型传感器的装置级形变-应力分析结果，利用振动疲劳模型，并引入振动加速因子，对典型传感器的装置级有限元分析模型进行加速老化实验分析，获得典型传感器的装置级机械振动场下的应力分布；其中，所述振动疲劳模型为基于应变的Coffin-Manson疲劳模型。
本实施例中，对所述典型传感器的装置级有限元分析模型，进行温度场下的加速老化实验，得到典型传感器的装置级温度场下的应力分布的过程，如附图3所示，具体如下：
获取典型传感器的装置级热应力特征值及典型传感器的装置级热应力分析结果，利用与温度相关的阿伦尼乌斯模型，并引入温度加速因子，对典型传感器的装置级有限元分析模型进行加速老化实验，获得典型传感器的装置级温度场下的应力分布。
本实施例中，对所述典型传感器的装置级有限元分析模型，进行湿度场下的加速老化实验，得到典型传感器的装置级湿度场下的应力分布的过程，如附图4所示，具体如下：
获得大气腐蚀特征值及典型传感器的大气腐蚀分析结果，利用与湿度相关的阿伦尼乌斯模型，并引入湿度加速因子，对典型传感器的装置级有限元分析模型进行加速老化实验，获得典型传感器的装置级湿度场下的应力分布。
本实施例中，对所述典型传感器的装置级有限元分析模型，进行电磁场下的加速老化实验，得到典型传感器的装置级电磁场下的应力分布的过程，如附图5所示，具体如下：
获得典型传感器上的感应电压的特征值、典型传感器上的感应电流的特征值、典型传感器中板卡和芯片的电源完整性分析结果以及典型传感器中板卡和芯片的信号完整性分析结果，利用多物理场电磁分析模型，并引入电磁加速因子，对典型传感器的装置级有限元分析模型进行加速老化实验，获得典型传感器的装置级电磁场下的应力分布。
步骤13、根据所述典型传感器的装置级机械振动场下的应力分布、典型传感器的装置级温度场下的应力分布、典型传感器的装置级湿度场下的应力分布及典型传感器的装置级电磁场下的应力分布，分析得到典型传感器的装置级应力集中区域。
步骤14、根据所述典型传感器的装置级应力集中区域，确定典型传感器中失效板卡位置。
步骤15、根据所述典型传感器中失效板卡位置，在ANSYS软件中，建立典型传感器的板卡级有限元分析模型。
步骤16、对所述典型传感器板卡级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的板卡级机械振动场下的应力分布、典型传感器的板卡级温度场下的应力分布、典型传感器的板卡级湿度场下的应力分布及典型传感器的板卡级电磁场下的应力分布。
本实施例中，对所述典型传感器的板卡级有限元分析模型，进行机械振动场下的加速老化实验，得到典型传感器的板卡级机械振动场下的应力分布的过程，如附图2所示，具体如下：
获取典型传感器的板卡级力学特征值及典型传感器的板卡级形变-应力分析结果；其中，所述典型传感器的板卡级力学特征值包括传感器板卡级的强度、硬度、弹性及延展性。
根据所述典型传感器的板卡级力学特征及典型传感器的板卡级形变-应力分析结果，利用振动疲劳模型，并引入振动加速因子，对典型传感器的板卡级有限元分析模型进行加速老化实验分析，获得典型传感器的板卡级机械振动场下的应力分布；其中，所述振动疲劳模型为基于应变的Coffin-Manson疲劳模型。
本实施例中，对所述典型传感器的板卡级有限元分析模型，进行温度场下的加速老化实验，得到典型传感器的板卡级温度场下的应力分布的过程，如附图3所示，具体如下：
获取典型传感器的板卡级热应力特征值及典型传感器的板卡级热应力分析结果，利用与温度相关的阿伦尼乌斯模型，并引入温度加速因子，对典型传感器的板卡级有限元分析模型进行加速老化实验，获得典型传感器的板卡级温度场下的应力分布。
本实施例中，对所述典型传感器的板卡级有限元分析模型，进行湿度场下的加速老化实验，得到典型传感器的板卡级湿度场下的应力分布的过程，如附图4所示，具体如下：
获得大气腐蚀特征值及典型传感器的大气腐蚀分析结果，利用与湿度相关的阿伦尼乌斯模型，并引入湿度加速因子，对典型传感器的板卡级有限元分析模型进行加速老化实验，获得典型传感器的板卡级湿度场下的应力分布。
本实施例中，对所述典型传感器的板卡级有限元分析模型，进行电磁场下的加速老化实验，得到典型传感器的板卡级电磁场下的应力分布的过程，如附图5所示，具体如下：
获得典型传感器上的感应电压的特征值、典型传感器上的感应电流的特征值、典型传感器中板卡和芯片的电源完整性分析结果以及典型传感器中板卡和芯片的信号完整性分析结果，利用多物理场电磁分析模型，并引入电磁加速因子，对典型传感器的板卡级有限元分析模型进行加速老化实验，获得典型传感器的板卡级电磁场下的应力分布。
步骤17、根据所述典型传感器的板卡级机械振动场下的应力分布、典型传感器的板卡级温度场下的应力分布、典型传感器的板卡级湿度场下的应力分布及典型传感器的板卡级电磁场下的应力分布，分析得到典型传感器的板卡级应力集中区域。
步骤18、根据所述典型传感器的板卡级应力集中区域，确定典型传感器中失效板卡位置。
步骤19、根据所述典型传感器中失效器件位置，在ANSYS软件中，建立典型传感器的器件级有限元分析模型。
步骤110、对所述典型传感器器件级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的器件级机械振动场下的应力分布、典型传感器的器件级温度场下的应力分布、典型传感器的器件级湿度场下的应力分布及典型传感器的器件级电磁场下的应力分布。
本实施例中，对所述典型传感器的器件级有限元分析模型，进行机械振动场下的加速老化实验，得到典型传感器的器件级机械振动场下的应力分布的过程，如附图2所示，具体如下：
获取典型传感器的器件级力学特征值及典型传感器的器件级形变-应力分析结果；其中，所述典型传感器的器件级力学特征值包括传感器器件级的强度、硬度、弹性及延展性。
根据所述典型传感器的器件级力学特征及典型传感器的器件级形变-应力分析结果，利用振动疲劳模型，并引入振动加速因子，对典型传感器的器件级有限元分析模型进行加速老化实验分析，获得典型传感器的器件级机械振动场下的应力分布；其中，所述振动疲劳模型为基于应变的Coffin-Manson疲劳模型。
本实施例中，对所述典型传感器的器件级有限元分析模型，进行温度场下的加速老化实验，得到典型传感器的器件级温度场下的应力分布的过程，如附图3所示，具体如下：
获取典型传感器的器件级热应力特征值及典型传感器的器件级热应力分析结果，利用与温度相关的阿伦尼乌斯模型，并引入温度加速因子，对典型传感器的器件级有限元分析模型进行加速老化实验，获得典型传感器的器件级温度场下的应力分布。
本实施例中，对所述典型传感器的器件级有限元分析模型，进行湿度场下的加速老化实验，得到典型传感器的器件级湿度场下的应力分布的过程，如附图4所示，具体如下：
获得大气腐蚀特征值及典型传感器的大气腐蚀分析结果，利用与湿度相关的阿伦尼乌斯模型，并引入湿度加速因子，对典型传感器的器件级有限元分析模型进行加速老化实验，获得典型传感器的器件级湿度场下的应力分布。
本实施例中，对所述典型传感器的器件级有限元分析模型，进行电磁场下的加速老化实验，得到典型传感器的器件级电磁场下的应力分布的过程，如附图5所示，具体如下：
获得典型传感器上的感应电压的特征值、典型传感器上的感应电流的特征值、典型传感器中板卡和芯片的电源完整性分析结果以及典型传感器中芯片的信号完整性分析结果，利用多物理场电磁分析模型，并引入电磁加速因子，对典型传感器的器件级有限元分析模型进行加速老化实验，获得典型传感器的器件级电磁场下的应力分布。
步骤111、根据所述典型传感器的器件级机械振动场下的应力分布、典型传感器的器件级温度场下的应力分布、典型传感器的器件级湿度场下的应力分布及典型传感器的器件级电磁场下的应力分布，分析得到典型传感器的器件级应力集中区域。
步骤112、根据所述典型传感器的装置级应力集中区域、所述典型传感器的板卡级应力集中区域及所述典型传感器的器件级应力集中区域，获得典型传感器的失效机理。
步骤113、根据所述典型传感器的失效机理，分析典型传感器的关键零件或装置整体失效与工作寿命特征的影响规律，获得所述预构建的传感器加速失效模型。
步骤2、利用预构建的传感器加速失效模型，对待测传感器进行加速老化实验仿真，获得待测传感器寿命预测结果。
本实施例中，基于应变的Coffin-Manson疲劳模型，并引入振动加速因子，获得典型传感器的装置级、板卡级及器件或机械振动场下的应力分布的过程中，具体如下：
对于机械振动损伤，传感器在实际的工作中受到的随机振动荷载往往具有稳定的统计特性；因此，针对传感器的装置级、板卡级及器件级对随机振动过程进行建模，利用基于应变的Coffin-Manson疲劳模型，建立在常温下的振动疲劳加速老化试验模型，将典型传感器的力学特值以及形变-应力分析结果，应用于所述常温下的振动疲劳加速老化试验模型中，并加入振动加速因子，进而获得典型传感器的装置级、板卡级或器件级机械振动场下的应力分布。
需要说明的是，假设传感器的材料为理想的连续体，且假设传感器上无初始的裂纹和缺陷，并且其初始应力远小于材料的弹性极限；因此，利用振动应力幅值和疲劳寿命之间的关系描述抗力指标；在机械振动场下，若材料承受的荷载过大，即应力超过材料的屈服极限，或着材料中存在局部高应力区时，应力-应变呈现非线性变化；其中，应变包括弹性变形和塑性变形；进而，利用应力幅值和疲劳寿命之间的关系对传感器的工作寿命进行预测。
具体的，基于应变的Coffin-Manson疲劳模型为：
其中，Δεt为总应变范围；Δεel为弹性应变范围；Δεpl为塑性应变范围；σ′f为疲劳强度系数；E为材料弹性模量；ε′f为疲劳塑性系数；b为疲劳强度指数；c为疲劳塑性指数；Nf为疲劳寿命。
当仅考虑传感器中焊接点的弹性变形，不考虑疲劳塑性变形项时，基于应变的Coffin-Manson疲劳模型即可简化为：
其中，Δεt为总应变范围；σ′f为疲劳强度系数；E为材料弹性模量；Nf为疲劳寿命。
本实施例中，利用与温度相关的阿伦尼乌斯模型，并引入温度加速因子，获得典型传感器的装置级、板卡级或器件级温度场下的应力分布的过程，具体如下：
在温度场下，传感器的元器件特性退化失效主要是由于构成物质的原子或分子，因化学或物理原因随时间发生了不良的反应变化；当不良的反应变化的结果积累到一定程度时，传感器的元器件则产生失效；根据典型传感器的热应力特征值及热应力分析结构，利用与温度相关的阿伦尼乌斯模型，并引入温度加速因子，对典型传感器的装置级有限元分析模型进行加速老化实验，获得典型传感器的装置级、板卡级或器件级温度场下的应力分布。
其中，与温度相关的阿伦阿伦尼乌斯模型中，不良的反应速率和激活能的指数成反比，并与温度的倒数的指数成反比；具体的，所述与温度相关的阿伦尼乌斯模型为：
其中，M为传感器元器件某项特征值或者退化量；R(t)为温度为T时的退化速率，退化速率为关于时间t的线性函数；A为常数；Ea为对应某种反应的激活能；k为玻尔兹曼常数。
需要说明的是，反应速率退化速度越快则失效寿命越短；因此，当温度T升高时，R(t)变小，则寿命变短；一般来说，对于传感器的元器件有“10℃法则”；即，室温每提高10℃，寿命将缩短1/3-1/2。
本实施例中，利用与湿度相关的阿伦尼乌斯模型，并引入湿度加速因子，获得典型传感器的装置级、板卡级或器件级湿度场下的应力分布的过程，具体如下：
结合大气腐蚀特征值，分析传感器在不同湿度环境下的大气腐蚀特征，即根据典型传感器的大气腐蚀分析结果，利用与湿度相关的阿伦尼乌斯模型，并引入湿度加速因子，对典型传感器的装置级、板卡级及器件级有限元分析模型进行加速老化实验，进而获得典型传感器的装置级、板卡级或器件级湿度场下的应力分布。
其中，与湿度相关的阿伦尼乌斯模型为：
其中，M′为元器件某项特征值或者退化量，R′(t′)为湿度为T′时的退化速率，退化速率是关于时间t′的线性函数；B为常数；E′ a为对应某种反应的激活能；k′为玻尔兹曼常数。
本实施例中，获得典型传感器的装置级、板卡级及器件级电磁场下的应力分布的过程中，通过分析传感器的感应电压、感应电力的特征，对板卡及芯片进行电流完整性和信号完整性分析，利用多物理场电磁分析模型，并引入电磁加速因子，对典型传感器的装置级、板卡级及器件级有限元分析模型进行加速老化实验，获得典型传感器的装置级、板卡级及器件级电磁场下的应力分布。
本实施例提供的一种传感器寿命预测系统及设备中相关部分的说明可以参见本实施例所述的一种传感器寿命预测方法中对应部分的详细说明，在此不再赘述。
本发明所述的传感器寿命预测方法及系统，基于振动疲劳模型、与温度相关的阿伦尼乌斯模型、与湿度相关的阿伦尼乌斯模型以及多物理电磁分析模型，对典型传感器有限元分析模型进行寿命加速老化试验，获得典型传感器机械振动场下的应力分析、温度场下的应力分布、湿度场下的应力分析及电磁场下的应力分布，进而确定典型传感器装置级、板卡级及器件级在多物理场下的应力集中区域；结合典型传感器装置级、板卡级及器件级在多物理场下的应力集中区域，进而失效机理分析，分析典型传感器的关键零件或装置整体失效与工作寿命特征的影响规律，进而构建得到精确的传感器加速失效模型；利用传感器加速失效模型，对待测传感器进行加速老化实验仿真，进而获得待测传感器寿命预测结果；由此，实现通过充分考虑多物理场耦合环境下传感器的应力损伤，建立精确的传感器老化失效模型用于传感器寿命的预测，有效提升了传感器预测结果的精确性。
上述实施例仅仅是能够实现本发明技术方案的实施方式之一，本发明所要求保护的范围并不仅仅受本实施例的限制，还包括在本发明所公开的技术范围内，任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。
Claims (10)
1.一种传感器寿命预测方法，其特征在于，包括：
利用预构建的传感器加速失效模型，对待测传感器进行加速老化实验仿真，获得待测传感器寿命预测结果；
其中，所述预构建的传感器加速失效模型的构建过程，具体如下：
对典型传感器的装置级、板卡级及器件级依次进行多物理场失效分析，获得典型传感器的装置级应力集中区域、典型传感器的板卡级应力集中区域及典型传感器的器件级应力集中区域；其中，所述典型传感器的型号与待测传感器的型号相同；
根据所述典型传感器的装置级应力集中区域、所述典型传感器的板卡级应力集中区域及所述典型传感器的器件级应力集中区域，获得典型传感器的失效机理；
根据所述典型传感器的失效机理，分析典型传感器的关键零件或装置整体失效与工作寿命特征的影响规律，获得所述预构建的传感器加速失效模型。
2.根据权利要求1所述的一种传感器寿命预测方法，其特征在于，对典型传感器的装置级、板卡级及器件级依次进行多物理场失效分析，获得典型传感器的装置级应力集中区域、典型传感器的板卡级应力集中区域及典型传感器的器件级应力集中区域的过程，具体如下：
对典型传感器的装置级进行多物理场失效分析，获得典型传感器的装置级应力集中区域及典型传感器中失效板卡位置；
根据所述典型传感器中失效板卡位置，对典型传感器的板卡级进行多物理失效分析，获得典型传感器的板卡级应力集中区域及典型传感器中失效器件位置；
根据所述典型传感器中失效器件位置，对典型传感器的器件级进行多物理场失效分析，获得典型传感器的器件级应力集中区域。
3.根据权利要求2所述的一种传感器寿命预测方法，其特征在于，对典型传感器的装置级进行多物理场失效分析，获得典型传感器的装置级应力集中区域及典型传感器中失效板卡位置的过程，具体如下：
建立典型传感器的装置级有限元分析模型；
对所述典型传感器装置级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的装置级机械振动场下的应力分布、典型传感器的装置级温度场下的应力分布、典型传感器的装置级湿度场下的应力分布及典型传感器的装置级电磁场下的应力分布；
根据所述典型传感器的装置级机械振动场下的应力分布、典型传感器的装置级温度场下的应力分布、典型传感器的装置级湿度场下的应力分布及典型传感器的装置级电磁场下的应力分布，分析得到典型传感器的装置级应力集中区域及典型传感器中失效板卡位置。
4.根据权利要求3所述的一种传感器寿命预测方法，其特征在于，对所述典型传感器装置级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的装置级机械振动场下的应力分布、典型传感器的装置级温度场下的应力分布、典型传感器的装置级湿度场下的应力分布及典型传感器的装置级电磁场下的应力分布的过程，具体如下：
基于振动疲劳模型，对所述典型传感器装置级有限元分析模型进行机械振动场下的加速老化实验，得到典型传感器的装置级机械振动场下的应力分布；其中，振动疲劳模型为基于应变的Coffin-Manson疲劳模型；
基于与温度相关的阿伦尼乌斯模型，对所述典型传感器装置级有限元分析模型进行温度场下的加速老化实验，得到典型传感器的装置级温度场下的应力分布；
基于与湿度相关的阿伦尼乌斯模型，对所述典型传感器装置级有限元分析模型进行湿度场下的加速老化实验，得到典型传感器的装置级湿度场下的应力分布；
基于多物理场电磁分析模型，对所述典型传感器装置级有限元分析模型进行电磁场下的加速老化实验，得到典型传感器的装置级电磁场下的应力分布。
5.根据权利要求2所述的一种传感器寿命预测方法，其特征在于，根据所述典型传感器中失效板卡位置，对典型传感器的板卡级进行多物理失效分析，获得典型传感器的板卡级应力集中区域及典型传感器中失效器件位置的过程，具体如下：
根据所述典型传感器中失效板卡位置，建立典型传感器的板卡级有限元分析模型；
对所述典型传感器板卡级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的板卡级机械振动场下的应力分布、典型传感器的板卡级温度场下的应力分布、典型传感器的板卡级湿度场下的应力分布及典型传感器的板卡级电磁场下的应力分布；
根据所述典型传感器的板卡级机械振动场下的应力分布、典型传感器的板卡级温度场下的应力分布、典型传感器的板卡级湿度场下的应力分布及典型传感器的板卡级电磁场下的应力分布，分析得到典型传感器的板卡级应力集中区域及典型传感器中失效板卡位置。
6.根据权利要求5所述的一种传感器寿命预测方法，其特征在于，对所述典型传感器板卡级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的板卡级机械振动场下的应力分布、典型传感器的板卡级温度场下的应力分布、典型传感器的板卡级湿度场下的应力分布及典型传感器的板卡级电磁场下的应力分布的过程，具体如下：
基于振动疲劳模型，对所述典型传感器板卡级有限元分析模型进行机械振动场下的加速老化实验，得到典型传感器的板卡级机械振动场下的应力分布；其中，振动疲劳模型为基于应变的Coffin-Manson疲劳模型；
基于与温度相关的阿伦尼乌斯模型，对所述典型传感器板卡级有限元分析模型进行温度场下的加速老化实验，得到典型传感器的板卡级温度场下的应力分布；
基于与湿度相关的阿伦尼乌斯模型，对所述典型传感器板卡级有限元分析模型进行湿度场下的加速老化实验，得到典型传感器的板卡级湿度场下的应力分布；
基于多物理场电磁分析模型，对所述典型传感器板卡级有限元分析模型进行电磁场下的加速老化实验，得到典型传感器的板卡级电磁场下的应力分布。
7.根据权利要求2所述的一种传感器寿命预测方法，其特征在于，根据所述典型传感器中失效器件位置，对典型传感器的器件级进行多物理场失效分析，获得典型传感器的器件级应力集中区域的过程，具体如下：
根据所述典型传感器中失效器件位置，建立典型传感器的器件级有限元分析模型；
对所述典型传感器器件级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的器件级机械振动场下的应力分布、典型传感器的器件级温度场下的应力分布、典型传感器的器件级湿度场下的应力分布及典型传感器的器件级电磁场下的应力分布；
根据所述典型传感器的器件级机械振动场下的应力分布、典型传感器的器件级温度场下的应力分布、典型传感器的器件级湿度场下的应力分布及典型传感器的器件级电磁场下的应力分布，分析得到典型传感器的器件级应力集中区域。
8.根据权利要求7所述的一种传感器寿命预测方法，其特征在于，对所述典型传感器器件级有限元分析模型，分别进行机械振动场、温度场、湿度场及电磁场下的加速老化实验，得到典型传感器的器件级机械振动场下的应力分布、典型传感器的器件级温度场下的应力分布、典型传感器的器件级湿度场下的应力分布及典型传感器的器件级电磁场下的应力分布的过程，具体如下：
基于振动疲劳模型，对所述典型传感器器件级有限元分析模型进行机械振动场下的加速老化实验，得到典型传感器的器件级机械振动场下的应力分布；其中，振动疲劳模型为基于应变的Coffin-Manson疲劳模型；
基于与温度相关的阿伦尼乌斯模型，对所述典型传感器器件级有限元分析模型进行温度场下的加速老化实验，得到典型传感器的器件级温度场下的应力分布；
基于与湿度相关的阿伦尼乌斯模型，对所述典型传感器器件级有限元分析模型进行湿度场下的加速老化实验，得到典型传感器的器件级湿度场下的应力分布；
基于多物理场电磁分析模型，对所述典型传感器器件级有限元分析模型进行电磁场下的加速老化实验，得到典型传感器的器件级电磁场下的应力分布。
9.一种传感器寿命预测系统，其特征在于，包括：
预测模型，用于利用预构建的传感器加速失效模型，对待测传感器进行加速老化实验仿真，获得待测传感器寿命预测结果；
其中，所述预构建的传感器加速失效模型的构建过程，具体如下：
对典型传感器的装置级、板卡级及器件级依次进行多物理场失效分析，获得典型传感器的装置级应力集中区域、典型传感器的板卡级应力集中区域及典型传感器的器件级应力集中区域；其中，所述典型传感器的型号与待测传感器的型号相同；
根据所述典型传感器的装置级应力集中区域、所述典型传感器的板卡级应力集中区域及所述典型传感器的器件级应力集中区域，获得典型传感器的失效机理；
根据所述典型传感器的失效机理，分析典型传感器的关键零件或装置整体失效与工作寿命特征的影响规律，获得所述预构建的传感器加速失效模型。
10.一种传感器寿命预测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8任意一项所述的一种传感器寿命预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311243731.4A CN117236039A (zh) | 2023-09-25 | 2023-09-25 | 一种传感器寿命预测方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311243731.4A CN117236039A (zh) | 2023-09-25 | 2023-09-25 | 一种传感器寿命预测方法、系统及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117236039A true CN117236039A (zh) | 2023-12-15 |
Family
ID=89085813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311243731.4A Pending CN117236039A (zh) | 2023-09-25 | 2023-09-25 | 一种传感器寿命预测方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236039A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117849592A (zh) * | 2024-03-04 | 2024-04-09 | 北京航空航天大学 | 一种复杂电磁环境下电力芯片的加速老化测试方法 |
-
2023
- 2023-09-25 CN CN202311243731.4A patent/CN117236039A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117849592A (zh) * | 2024-03-04 | 2024-04-09 | 北京航空航天大学 | 一种复杂电磁环境下电力芯片的加速老化测试方法 |
| CN117849592B (zh) * | 2024-03-04 | 2024-05-07 | 北京航空航天大学 | 一种复杂电磁环境下电力芯片的加速老化测试方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110069860B (zh) | 伸缩节可靠性疲劳寿命评估方法 | |
| Sobczyk et al. | Random fatigue: from data to theory | |
| CN117236039A (zh) | 一种传感器寿命预测方法、系统及设备 | |
| CN111624116A (zh) | 基于权平均最大剪切应力平面的疲劳寿命预测方法及装置 | |
| Chen et al. | A novel PSO-based algorithm for structural damage detection using Bayesian multi-sample objective function | |
| Gadolina et al. | Varied approaches to loading assessment in fatigue studies | |
| CN111079329A (zh) | 一种基于相似结构试验的疲劳寿命评估方法 | |
| Teidj et al. | Identification of beam cracks by solution of an inverse problem | |
| CN112966347A (zh) | 一种非连续结构双尺度蠕变疲劳寿命预测方法 | |
| CN109948216B (zh) | 总应变能密度修正的缺口件低周疲劳预测方法 | |
| Ou et al. | An optimal design algorithm of the SPRT chart for minimizing weighted ATS | |
| CN109145331A (zh) | 基于硬件白盒测试的电子类产品性能评估方法及装置 | |
| Wang et al. | A small-load-omitting criterion based on probability fatigue | |
| CN117408100A (zh) | 一种基于bp神经网络的群组螺栓预紧力分布预测方法 | |
| Ghasemi et al. | Probability-based damage detection of structures using model updating with enhanced ideal gas molecular movement algorithm | |
| CN112444725B (zh) | 一种通孔焊点对比加速寿命试验方法 | |
| CN106529086A (zh) | 用于机械结构件的静载荷强度有限元仿真精度的确定方法 | |
| CN114184211B (zh) | 一种惯导可靠性试验中性能变化机理一致性判定方法 | |
| Sakamoto et al. | Potential failure mode identification of operational amplifier circuit board by using high accelerated limit test | |
| Louahem M'Sabah et al. | Simulation of Bearing Degradation by the Use of the Gamma Stochastic Process. | |
| CN115962797B (zh) | 一种基于温度应力下的传感器可靠性测试方法及系统 | |
| Jin et al. | Fatigue life prediction of rubber isolator based on force-controlled temperature-accelerated fatigue experiment | |
| Park et al. | Derivation of Fatigue Properties of Plastics and Life Prediction for Plastic Parts | |
| Zaharia | Fatigue life simulation of the specimens made of mechanical component | |
| CN113627088B (zh) | 基于基因编程和数据融合的机器性能退化评估方法及系统 |
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 |