WO2023184237A1 - 计算电子系统的剩余使用寿命的方法、装置及计算机介质 - Google Patents

计算电子系统的剩余使用寿命的方法、装置及计算机介质 Download PDF

Info

Publication number
WO2023184237A1
WO2023184237A1 PCT/CN2022/084067 CN2022084067W WO2023184237A1 WO 2023184237 A1 WO2023184237 A1 WO 2023184237A1 CN 2022084067 W CN2022084067 W CN 2022084067W WO 2023184237 A1 WO2023184237 A1 WO 2023184237A1
Authority
WO
WIPO (PCT)
Prior art keywords
degradation
electronic system
electronic
type
historical data
Prior art date
Application number
PCT/CN2022/084067
Other languages
English (en)
French (fr)
Inventor
刘臻
庞建国
陈维刚
Original Assignee
西门子股份公司
西门子（中国）有限公司
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 西门子股份公司, 西门子（中国）有限公司 filed Critical 西门子股份公司
Priority to PCT/CN2022/084067 priority Critical patent/WO2023184237A1/zh
Publication of WO2023184237A1 publication Critical patent/WO2023184237A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Definitions

  • the present disclosure relates to prediction and maintenance technology of electronic systems, and more specifically, to methods, devices, and computer-readable storage media for calculating the remaining service life of electronic systems.
  • Predictive maintenance, or condition-based maintenance, of electronic systems is accomplished based on diagnostic assessments of electronic systems’ age, environmental stress, and other factors.
  • the calculation of the remaining useful life (RUL) of an electronic system is a key step in the predictive maintenance process.
  • RUL is implemented based on a failure model (empirical or physical model) and/or the operating and environmental conditions of the equipment or component.
  • the failure rate curve of existing electronic units used in electronic systems can be divided into three stages: early failure stage, random failure stage and exhaustion failure stage.
  • the "early failure phase” is defined as a failure that occurs at an early stage after the electronic unit begins operation; the failure that occurs during the "random failure phase” can usually be attributed to randomly occurring excessive stresses, such as power surges; the “depletion failure phase” ” is due to the inherent life of the electronic unit due to depletion and fatigue, and when the electronic unit enters the depletion period, the failure rate tends to increase rapidly.
  • An existing public technical solution uses sensors to collect data and predict life based on an aging model.
  • Another currently disclosed technical solution first uses data collected from sensors and then evaluates the remaining life of the device based on algorithms related to acceleration factors of operating and environmental conditions.
  • the purpose of this disclosure is to provide a method and device for calculating the remaining service life of an electronic system, which can ensure the reliability of products using the electronic system by accurately calculating the remaining service life of the electronic system.
  • a first aspect of the present disclosure provides a method for calculating the remaining service life of an electronic system, including the following steps:
  • a plurality of degradation distribution models of the electronic system are determined based on historical data, wherein the historical data includes, at each measurement time point, for each first of a plurality of first-type electronic units for the electronic system. Measured values of the electronic-like unit, the measured values corresponding to characteristic parameters in the first type of electronic unit that characterize the degradation level of the electronic system, and each of the degradation distribution models corresponds to a measurement time point;
  • the corresponding degradation distribution model is a degradation distribution model corresponding to the current test time point
  • the remaining useful life of the electronic system is calculated based on the reliability function and the current test time point.
  • a second aspect of the present disclosure provides an apparatus for calculating the remaining service life of an electronic system, comprising:
  • a data acquisition unit configured to collect measured values of characteristic parameters of each first type electronic unit used in the electronic system, wherein the characteristic parameters are used to characterize the degradation level of the electronic system, and a plurality of historically accumulated Multiple measurement values of each first-type electronic unit in the first-type electronic unit at multiple measurement time points are used as historical data, and the measurement values of the characteristic parameters collected at the current test time point are used as real-time test data.
  • a controller configured to receive and process the historical data and the real-time test data from the data acquisition unit, and perform the following actions:
  • each of the degradation distribution models corresponds to a measurement time point
  • the remaining useful life of the electronic system is calculated based on the reliability function and the current test time point.
  • a third aspect of the present disclosure provides an apparatus for calculating the remaining service life of an electronic system, comprising:
  • a data acquisition unit configured to collect measured values of characteristic parameters of each first type electronic unit used in the electronic system, wherein the characteristic parameters are used to characterize the degradation level of the electronic system, and a plurality of historically accumulated Multiple measurement values of the characteristic parameters of each of the first type electronic units in the first type electronic unit at multiple measurement time points are used as historical data, and the measurement values of the characteristic parameters collected at the current test time point are used as real-time data. test data;
  • a cloud processing unit configured to receive and process the historical data from the data acquisition unit, and perform the following steps:
  • each of the degradation distribution models corresponds to a measurement time point
  • a controller configured to receive and process the real-time test data from the data acquisition unit, and perform the following steps:
  • the remaining useful life of the electronic system is calculated based on the reliability function and the current test time point.
  • a fourth aspect of the present disclosure provides a computer-readable storage medium, the storage medium including instructions that, when executed, cause a processor of the computer to at least: perform any one of the first aspects. The method described above for calculating the remaining useful life of an electronic system.
  • a fifth aspect of the present disclosure provides an apparatus for calculating the remaining service life of an electronic system, the apparatus including a processor and a memory, instructions stored on the memory, which when executed cause the processing to Device: performs the method for calculating the remaining service life of an electronic system according to any one of the first aspects.
  • Figure 1 is a schematic diagram of a failure rate curve of an exemplary electronic unit
  • Figure 2a is a schematic flow chart of a method of calculating the remaining service life of an electronic system according to the present disclosure
  • step S20 is a flowchart of an exemplary implementation of step S20 of the method for calculating the remaining service life of an electronic system according to the present disclosure
  • Figure 3 is historical data for an exemplary electronic unit
  • Figure 4 shows multiple degradation distribution models of the electronic unit determined using the historical data shown in Figure 3;
  • Figure 5 is the failure rate curve of multiple electronic units calculated using the historical data shown in Figure 3;
  • Figure 6 is the failure rate curve of multiple electronic units obtained by fitting the historical data shown in Figure 3;
  • Figure 7 is a reliability curve formed by the reliability function obtained by processing the historical data shown in Figure 3 based on the proportional risk degradation model
  • Figure 8 shows the estimated lifespan calculated at different measurement time points using the corresponding degradation distribution model and reliability function shown in Figure 4;
  • FIG. 9 is a RUL curve obtained by using the historical data shown in FIG. 3 according to the method of calculating the remaining service life of an electronic system according to the present disclosure
  • FIG. 10 is a schematic diagram of a first example of an apparatus for calculating the remaining service life of an electronic system according to the present disclosure
  • FIG. 11 is a schematic diagram of a second example of an apparatus for calculating the remaining service life of an electronic system according to the present disclosure.
  • FIG. 12 is a schematic diagram of a third example of an apparatus for calculating the remaining service life of an electronic system according to the present disclosure.
  • FIGS. 2a and 2b illustrate a schematic flow chart of the disclosed method of calculating the remaining service life of an electronic system. As shown in Figure 2a, the method includes the following steps S10 to S40.
  • S10 Based on historical data, determine multiple degradation distribution models of electronic systems.
  • the historical data includes a measurement value for each of a plurality of first-type electronic units for the electronic system at each measurement time point, wherein the measurement value is consistent with the measurement value of the first-type electronic unit.
  • the characteristic parameters characterizing the degradation level of the electronic system corresponds to one measurement time point among multiple measurement time points.
  • the electronic components in the electronic unit and the performance of the electronic unit will be affected by stress during operation. And degrade. Therefore, monitoring and recording some information related to characterizing the degradation level of electronic systems can be considered as characteristic parameters of electronic systems. For example, voltage changes and/or current changes of one or more key electronic components of the electronic unit at different measurement time points.
  • the critical component may be the most important component in the electronic unit or the component with the smallest mean time to failure (hereinafter referred to as MTTF), and its failure will lead to the failure of the electronic unit.
  • At least one key characteristic parameter of the electronic system is at least one of a voltage change value, a current change value, an operating temperature change value, and an operating humidity value of a key electronic component in the electronic unit.
  • Step S10 specifically includes the following steps:
  • a part of the historical data is all measurement values in the historical data that correspond to one measurement time point among a plurality of measurement time points.
  • one or more distribution models are determined based on the degradation distribution map.
  • the KL divergence method is used to compare the proximity of different distribution models to determine the degenerate distribution model corresponding to a part of the historical data.
  • the KL divergence method can be used to compare the differences between different distribution models to determine the most logical degradation distribution model.
  • step S10 can also be implemented using the following steps:
  • S20 Process the above historical data based on the Proportional Hazard Degradation Model (hereinafter referred to as PHDM) to obtain the reliability function of the first type of electronic unit.
  • PHDM Proportional Hazard Degradation Model
  • PHDM is an extension and deformation of the typical reliability matrix and Cox proportional hazard model.
  • step S20 specifically includes the following steps:
  • R(t)-reliability function q(t)-covariate function
  • ⁇ 0 (y)-benchmark failure rate function of the first type of electronic unit y-measurement value of characteristic parameters, t-electronic system Life time, y DF - failure threshold of characteristic parameters
  • S22 Process the historical data of each first-type electronic unit to obtain multiple failure rate values of each first-type electronic unit.
  • multiple electronic units of the same type used in an electronic system are used as the first type of electronic units as an example.
  • the historical data includes 15 electronic units (for example, u1 , u2,...u15)
  • the 15 measurement values at each measurement time point are processed using non-parametric methods to obtain M failure rate values of the electronic unit.
  • N is the total amount of measurement time points
  • M is the calculated failure rate value of all measurement values at each measurement time point.
  • the total number of h j (y ij ) is the i-th failure rate value at the measurement time point t j
  • h 0 (y i0 ) is the i-th failure rate value at the set reference measurement time point t 0 ;
  • the calculated N proportional coefficient values are processed respectively to obtain N data points about the measurement time points and the proportional coefficient values.
  • S30 Use real-time test data to calculate based on the corresponding degradation distribution model to obtain the degradation index value of the first type of electronic unit.
  • the real-time test data is the measured value of the characteristic parameter at the current test time point
  • the corresponding degradation distribution model is the degradation distribution model corresponding to the current test time point.
  • step S30 The specific operations of step S30 are as follows:
  • the corresponding degradation distribution model is determined based on the current test time point.
  • the degradation index value corresponding to the real-time monitoring data is calculated.
  • the real-time monitoring data is used to calculate the degradation index value r corresponding to the real-time monitoring data.
  • the calculation method disclosed in the embodiment of the present application can more accurately evaluate the working reliability of products using electronic systems. Given that the disclosed calculation method is capable of determining the RUL of an electronic system, this method can serve as important information for predictive maintenance decisions or condition-based maintenance decisions.
  • the disclosed calculation method takes into account the variability and real-time degradation of different electronic units within the same type of electronic unit, the method is highly accurate. Typically, individual products do not follow the population-based model, and reliability differs significantly between population products and individual products.
  • a "Bayesian inference" algorithm for example, is used to provide a reliability assessment of a single product by integrating group degradation information and individual degradation data.
  • the population degradation information includes not only the statistical information of the population, but also the variability among individuals in the population.
  • the disclosed calculation method can be incorporated into the design of new products at low cost, because the software integrating the calculation method can be easily implemented in the CPU of the current version of the electronic unit, and the hardware implementing the method is also A large number of devices are not required.
  • the disclosed calculation method is based on degradation statistics, whereby the method is a more effective reliability assessment technique. For products with longer lifespan, degradation data is more readily available than failure data.
  • the application of the disclosed calculation method can be extended to other products, such as residual current protector (RCD) and arc fault detector (AFDD), so that these electrical products can adopt the disclosed method. calculation method to monitor the aging of its sensitive components with little need for any adjustments.
  • RCD residual current protector
  • AFDD arc fault detector
  • 3-9 illustrate embodiments of methods for calculating the remaining useful life of an electronic system using the methods disclosed in this disclosure.
  • this embodiment uses the same type of electronic unit used in the electronic system as an example to introduce the specific application scenarios of the method.
  • the growth percentage of the operating current of the same key electronic component in 15 electronic units of a certain type at the operating temperature is collected as a characteristic parameter, respectively, in 15 electronic units (u1, u2,... u15 )
  • the growth percentage of the operating current collected after working for 16 measurement time points for example, 250 hours, 500 hours, 750 hours... 4000 hours).
  • a non-parametric method is used to perform data fitting on 15 measurement values at each measurement time point to determine a degradation distribution model corresponding to a part of the above historical data.
  • the degradation distribution model corresponding to the 16 measurement time points of the above electronic unit is determined. Only the degradation distribution models corresponding to some measurement time points (for example, 250 hours, 500 hours, 3750 hours, and 4000 hours) are shown in Figure 4 .
  • a non-parametric method is used to process the above historical data based on PHDM to obtain the reliability function of the first type of electronic unit.
  • f(t)-the probability density function of the life distribution of the first type of electronic unit A is the total number of the first type of electronic unit, x-the number of the first type of electronic unit that has failed as of t.
  • the historical data shown in Figure 3 is processed to calculate the failure rate values of multiple electronic units based on the modification of the above formula.
  • For the M data of t j select the maximum value and minimum value as the upper and lower limits to form an interval, including several data points in the interval, so that the difference ⁇ between any two adjacent data points in the interval is the same .
  • the interval is formed into several sub-intervals, and the upper and lower limits of each sub-interval are the two adjacent data points in the above interval.
  • the maximum and minimum values For example, for 15 pieces of data for 250h (hours), select the maximum and minimum values to form an interval [0.27, 0.71].
  • This interval includes 6 pieces of data. These 6 pieces of data include the above-mentioned maximum and minimum values. Calculate the other 4 data points so that the difference ⁇ between any two adjacent data points is the same.
  • each sub-interval is determined.
  • the upper and lower limits of each sub-interval are the two adjacent data points in the above interval (for example, [0.27,0.358], [0.358,0.446], [ 0.446,0.534], [0.534,0.622], [0.622,0.71]).
  • x i1 is the number of parameter values that fall into the i-th sub-interval at the first measurement time point (for example, 250h)
  • x (i-1)1 is the number of parameter values that fall into the i-th sub-interval at the first measurement time point (250h).
  • the number of parameter values in the i-1th sub-interval, A is the total number of electronic units.
  • the least squares method is used to perform curve fitting on the failure rate curves of multiple electronic units shown in Figure 5, thereby forming the fitted failure rate curves of multiple electronic units shown in Figure 6.
  • N is the total amount of measurement time points
  • M is the calculated failure rate value of all measurement values at each measurement time point.
  • the total number of h j (y ij ) is the i-th failure rate value at the measurement time point t j
  • h 0 (y i0 ) is the i-th failure rate value at the set reference measurement time point t 0 ;
  • the reference measurement time point t0 that can be set is 2000h (hour), that is to say h 0 (y i0 ) is the i-th failure rate value of 2000h.
  • the calculated N proportional coefficient values are processed separately to obtain N data points about the measurement time point and the proportional coefficient value; and the N data points are curve-fitted to obtain the covariate function q(t).
  • N proportional coefficient values are processed separately to obtain N data points (t j , lnk(t j )), and then the above-mentioned N data points (t j , lnk(t j )) are processed once.
  • Curve fitting forms the covariate function q(t).
  • the corresponding failure rate values are processed using non-parametric methods to obtain The specific operations are as follows:
  • real-time test data is used to calculate based on the corresponding degradation distribution model to obtain the degradation index value of the electronic unit.
  • multiple degradation distribution models shown in Figure 4 are used to find the degradation distribution model corresponding to the measurement time point of 1000h. From this, the degradation index value calculated at 1000h is 0.92.
  • the service life of the electronic system using the electronic unit is about 3750h to 4000h, it can be seen that the service life of the electronic system calculated according to the embodiment of the present application is more accurate.
  • this embodiment calculates that when the current test time point t p is 1000 hours, the remaining service life of the electronic system is 2700 hours.
  • Figure 8 shows the service life curve of the electronic system using the electronic unit calculated at different measurement time points based on the historical data and real-time test data of Figure 3 using the method disclosed in the embodiment of the present application.
  • FIG. 9 shows the remaining service life curve of the electronic system using the electronic unit calculated at different measurement time points based on the historical data and real-time test data of FIG. 3 using the method disclosed in the embodiment of the present application.
  • embodiments of the present application also disclose a device for calculating the remaining service life of an electronic system.
  • the disclosed device includes: a data acquisition unit 10 and a controller 20.
  • the data collection unit 10 is used to collect the measurement value of at least one characteristic parameter of each first type electronic unit used in the electronic system.
  • the characteristic parameters are used to characterize the degradation level of the electronic system, and the historically accumulated multiple measurement values of the characteristic parameters of each first-type electronic unit in multiple first-type electronic units at multiple measurement time points are used as historical data.
  • the measured values of the characteristic parameters collected at the current test time point are used as real-time test data.
  • the controller 20 is used to receive and process historical data and real-time test data from the data acquisition unit 10, and then perform steps S10-S40 as shown in Figure 2a and Figure 2b.
  • the specific operation process of the controller 20 performing steps S10-S40 is similar to the above description regarding the disclosed calculation of the remaining service life of the electronic system, and will not be described again here.
  • the device includes: a data collection unit 10, a controller 20, and a cloud processing unit 30.
  • the data acquisition unit 10 is used to collect measured values of characteristic parameters of each first type electronic unit used in the electronic system.
  • the characteristic parameters are used to characterize the degradation level of the electronic system, and the historically accumulated multiple measurement values of the characteristic parameters of each first-type electronic unit in multiple first-type electronic units at multiple measurement time points are used as historical data.
  • the measured values of the characteristic parameters collected at the current test time point are used as real-time test data.
  • the cloud processing unit 30 is used to receive and process historical data from the data collection unit 10 to perform steps S10 and S20 shown in FIG. 2a and FIG. 2b.
  • the controller 20 is used to receive and process real-time test data from the data acquisition unit 10 to perform steps S30 and S40 shown in Figure 2a.
  • the cloud processing unit 30 sends all the obtained degradation distribution models and the reliability functions of the first type electronic unit to the controller 20 , so that the controller 20 applies the real-time test data from the data acquisition unit 10 to the corresponding Using the degradation distribution model and the reliability function of the first type of electronic unit, the remaining service life of the electronic system is calculated.
  • a computer program product may include a computer-readable storage medium having thereon computer-readable program instructions for performing various aspects of the present disclosure.
  • a computer-readable storage medium may be a tangible device that can retain and store instructions for use by an instruction execution device.
  • the computer-readable storage medium may be, for example, but not limited to, an electronic storage device, a magnetic storage device, an optical storage device, an electromagnetic storage device, a semiconductor storage device, or any suitable combination of the above.
  • the embodiment of the present application also discloses a device 300 for calculating the remaining service life of an electronic system.
  • the device 300 includes a processor 310 and a memory 320.
  • the processor 310 may perform steps S10-S40 as shown in FIG. 2a and FIG. 2b according to the computer program instructions stored in the memory 320.
  • the specific operation process of the processor 310 performing steps S10-S40 is similar to the above description regarding the remaining service life of the disclosed computing electronic system, and will not be described again here.

Abstract

一种涉及计算电子系统的剩余使用寿命的方法、装置及计算机可读存储介质。方法包括：基于历史数据，确定电子系统的多个退化分布模型；基于比例风险退化模型对历史数据进行处理，得到第一类电子单元的可靠度函数；使用实时的测试数据基于相应的退化分布模型进行计算，得到第一类电子单元的退化指数值；以及使用退化指数值，基于可靠度函数和当前测试时间点，计算电子系统的剩余使用寿命。本方法能够更精确地且更可靠地计算电子系统的剩余使用寿命，由此能够提高电子系统的可靠性。

Description

计算电子系统的剩余使用寿命的方法、装置及计算机介质 技术领域
本公开内容涉及电子系统的预测和维护技术，更具体地，涉及计算电子系统的剩余使用寿命的方法、装置以及计算机可读存储介质。
背景技术
对电子系统的预测性维护或基于状态的维护是根据电子系统的年龄、环境应力等因素的诊断评估来实现的。对电子系统的剩余使用寿命(Remaining Useful Life，以下简称RUL)的计算是预测性维护过程中的关键步骤。RUL是基于失效模型(经验或物理模型)和/或设备或组件的操作和环境条件实现的。
如图1所示，现有的用于电子系统的电子单元的失效率曲线可以分成三个阶段：早期失效阶段、随机失效阶段以及耗尽失效阶段。“早期失效阶段”被定义为电子单元开始运行后的早期阶段发生的故障；在“随机失效阶段”期间发生的故障通常可以归因于随机发生的过度应力，例如电涌；“耗尽失效阶段”是由于电子单元的固有寿命因耗尽和疲劳而发生的，当电子单元进入耗尽期时，失效率往往会迅速增加。
鉴于电子单元的固有特征，可以对使用电子单元的电子系统的寿命进行预测，从而获悉电子系统的使用寿命。一种现有公开的技术方案采用传感器采集数据并根据老化模型来预测寿命。另一种现有公开的技术方案首先采用从传感器中收集的数据，然后基于与操作和环境条件的加速因素相关的算法来评估器件的剩余寿命。
现有的计算方法侧重于利用加速因子进行计算，而老化是一个综合性的、复杂的过程，简单的加速因子难以准确描述老化过程。
发明内容
本公开内容的目的在于提供一种计算电子系统的剩余使用寿命的方法及装置，其能够通过精确计算电子系统的剩余使用寿命来确保使用该电子系统的产品的可靠性。
本公开内容的第一方面提供了一种计算电子系统的剩余使用寿命的方法，包括以下步骤：
基于历史数据，确定所述电子系统的多个退化分布模型，其中，所述历史数据包括在每个测量时间点针对多个用于所述电子系统的第一类电子单元中的每个第一类电子单元的测量值，所述测量值对应于所述第一类电子单元中表征所述电子系统的退化水平的特征参数，每个所述退化分布模型对应于一个测量时间点；
基于比例风险退化模型对所述历史数据进行处理，得到所述第一类电子单元的可靠度函数；
使用实时的测试数据基于相应的退化分布模型进行计算，得到所述第一类电子单元的退化指数值，其中，所述实时的测试数据是所述特征参数在当前测试时间点的测量值，所述相应的退化分布模型是与所述当前测试时间点相对应的退化分布模型；以及
使用所述退化指数值，基于所述可靠度函数和所述当前测试时间点，计算所述电子系统的剩余使用寿命。
本公开内容的第二方面提供了一种用于计算电子系统的剩余使用寿命的装置，其包括：
数据采集单元，用于采集每个用于所述电子系统的第一类电子单元的特征参数的测量值，其中，所述特征参数用于表征所述电子系统的退化水平，历史累积的多个所述第一类电子单元中每个所述第一类电子单元在多个测量时间点的多个测量值作为历史数据，当前测试时间点采集的所述特征参数的测量值作为实时的测试数据；
控制器，用于接收并处理来自所述数据采集单元的所述历史数据和所述实时的测试数据，并执行以下动作：
基于所述历史数据，确定所述电子系统的多个退化分布模型，其中， 每个所述退化分布模型对应于一个测量时间点；
基于比例风险退化模型对所述历史数据进行处理，得到所述第一类电子单元的可靠度函数；
使用所述实时的测试数据基于相应的退化分布模型进行计算，得到所述第一类电子单元的退化指数值，其中，所述相应的退化分布模型是与所述当前测试时间点相对应的退化分布模型；以及
使用所述退化指数值，基于所述可靠度函数和所述当前测试时间点，计算所述电子系统的剩余使用寿命。
本公开内容的第三方面提供了一种用于计算电子系统的剩余使用寿命的装置，其包括：
数据采集单元，用于采集每个用于所述电子系统的第一类电子单元的特征参数的测量值，其中，所述特征参数用于表征所述电子系统的退化水平，历史累积的多个所述第一类电子单元中每个所述第一类电子单元的特征参数在多个测量时间点的多个测量值作为历史数据，当前测试时间点采集的所述特征参数的测量值作为实时的测试数据；
云处理单元，用于接收并处理来自所述数据采集单元的所述历史数据，并执行以下步骤：
基于所述历史数据，确定所述电子系统的多个退化分布模型，其中，每个所述退化分布模型对应于一个测量时间点；
基于比例风险退化模型对所述历史数据进行处理，得到所述第一类电子单元的可靠度函数；
控制器，用于接收并处理来自所述数据采集单元的所述实时的测试数据，并执行以下步骤：
使用所述实时的测试数据基于相应的退化分布模型进行计算，得到所述第一类电子单元的退化指数值，其中，所述相应的退化分布模型是与所述当前测试时间点相对应的退化分布模型；以及
使用所述退化指数值，基于所述可靠度函数和所述当前测试时间点，计算所述电子系统的剩余使用寿命。
本公开内容的第四方面提供了一种计算机可读存储介质，所述存储介质 包括指令，当所述指令被执行时，使得计算机的处理器至少用于：执行第一方面中任一项所述的计算电子系统的剩余使用寿命的方法。
本公开内容的第五方面提供了一种用于计算电子系统的剩余使用寿命的装置，所述装置包括处理器和存储器，所述存储器上存储有指令，当所述指令执行时使得所述处理器：执行第一方面中任一项所述的计算电子系统的剩余使用寿命的方法。
下文将以明确易懂的方式，结合附图说明优选实施例，对计算电子系统的剩余使用寿命的方法及装置的上述特性、技术特征、优点及其实现方式予以进一步说明。
附图说明
下面将通过参照附图详细描述本公开内容的优选实施例，使本领域的普通技术人员更清楚本申请实施例的上述及其它特征和优点，附图中：
图1为示例性电子单元的失效率曲线的示意图；
图2a为根据本公开内容的计算电子系统的剩余使用寿命的方法的示意性流程图；
图2b为根据本公开内容的计算电子系统的剩余使用寿命的方法的步骤S20的示例性实现方式的流程图；
图3为示例性电子单元的历史数据；
图4为利用图3所示的历史数据确定的电子单元的多个退化分布模型；
图5为利用图3所示的历史数据计算得到的多个电子单元的失效率曲线；
图6为利用图3所示的历史数据拟合得到的多个电子单元的失效率曲线；
图7为基于比例风险退化模型对图3所示的历史数据进行处理得到的可靠度函数形成的可靠度曲线；
图8为利用图4所示的相应的退化分布模型和可靠度函数计算得到不同测量时间点的估计寿命；
图9为利用图3所示的历史数据根据本公开内容的计算电子系统的剩余使用寿命的方法得到的RUL曲线图；
图10为根据本公开内容的用于计算电子系统的剩余使用寿命的装置的 第一示例的示意图；
图11为根据本公开内容的用于计算电子系统的剩余使用寿命的装置的第二示例的示意图；以及
图12为根据本公开内容的用于计算电子系统的剩余使用寿命的装置的第三示例的示意图。
具体实施方式
为了对本申请实施例的技术特征、目的和效果更加清楚的理解，现对照附图说明本公开内容的具体实施方式，在各图中相同的标号表示结构相同或结构相似但功能相同的部件。
在本文中，“示意性”表示“充当实例、例子或说明”，不应将在本文中被描述为“示意性”的任何图示、实施方式解释为一种更优选的或更具优点的技术方案。
为使图面简洁，各图中只示意性地表示出了与本申请实施例相关的部分，它们并不代表其作为产品的实际结构。另外，为使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。
在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。本文中，“多个”用于表示两个以上数量(含两个)。
图2a和图2b示出了所公开的计算电子系统的剩余使用寿命的方法的一种示意性流程图。如图2a所示，该方法包括以下步骤S10至步骤S40。
S10：基于历史数据，确定电子系统的多个退化分布模型。
具体地，历史数据包括在每个测量时间点针对多个用于电子系统的第一类电子单元中的每个第一类电子单元的测量值，其中，该测量值与第一类电子单元中表征电子系统的退化水平的特征参数相对应。每个退化分布模型对应于多个测量时间点中的一个测量时间点。
以用于一个电子系统的同类型的电子单元作为所述第一类电子单元为例，对于该电子单元而言，该电子单元中的电子元件和该电子单元的性能在运行过程中会因为应力而退化。因此，可以考虑监测和记录一些与表征电子 系统的退化水平相关的信息作为电子系统的特征参数。例如，该电子单元的一个或多个关键电子元件在不同的测量时间点的电压变化和/或电流变化。关键部件可能是该电子单元中最重要的部件或者是具有最小平均无故障时间(mean time to failure，以下简称MTTF)的部件，其故障会导致该电子单元的失效。
例如，电子系统的至少一个关键特征参数是上述电子单元中的关键电子元件的电压变化值、电流变化值、工作温度变化值、工作湿度值中的至少一个。
当记录了足够多的历史数据时，即可获得不同测量时间点对应的不同的退化分布模型。
步骤S10具体包括如下步骤：
第一，对历史数据中的一部分进行数据拟合，形成相应的退化分布图。具体地，历史数据中的一部分是历史数据中与多个测量时间点中的一个测量时间点相对应的所有测量值。
例如，如图3所示的历史数据中，该历史数据包括15个同类型电子单元在16个测量时间点的测量值时，对每个测量时间点的15个测量值进行数据拟合，形成相应的退化分布图。
第二，基于退化分布图确定一种或多种分布模型。
在实际使用中，由于退化机制的复杂性，仅用一种概率分布模型确定不同测量时间点对应的不同退化分布图是不合理的，因此可以使用多种现有的概率分布模型对上述退化分布图进行评估。例如，可以采用正态分布模型、对数正态分布模型、威布尔分布模型、伽玛分布模型等。
第三，在存在多种分布模型的情况下，利用KL散度方法比较不同分布模型的接近程度，以确定与历史数据中的一部分相应的退化分布模型。
假设所形成的某个测量时间点的退化分布图可以被确定为多种分布模型，则可以利用KL散度方法比较不同分布模型之间的差异，以确定最符合逻辑的退化分布模型。
另外，步骤S10还可以采用如下步骤实现：
基于非参数方法对上述历史数据中的一部分进行数据拟合，确定退化分 布模型。
由此可以形成类似图4所示的多个退化分布模型，每个退化分布模型对应于一个测量时间点。
S20：基于比例风险退化模型(Proportional Hazard Degradation Model，以下简称PHDM)对上述历史数据进行处理，得到第一类电子单元的可靠度函数。
其中，PHDM是典型的可靠度矩阵和Cox比例风险模型的扩展和变形。
如图2b所示，步骤S20具体包括如下步骤：
S21：基于PHDM，得到可靠度函数的公式：
Figure PCTCN2022084067-appb-000001
其中，R(t)-可靠度函数，q(t)-协变量函数，λ 0(y)-第一类电子单元的基准失效率函数，y-特征参数的测量值，t-电子系统的寿命时长，y DF-特征参数的失效阈值；
S22：对每个第一类电子单元的历史数据进行处理，得到每个第一类电子单元的多个失效率值。
在本实施例中，以用于一个电子系统中的多个同类型的电子单元作为所述第一类电子单元为例，如图3所示，当历史数据包括15个电子单元(例如，u1，u2，……u15)在16个不同的测量时间点的测量值时，对每个测量时间点的15个测量值采用非参数方法进行处理，得到该电子单元的M个失效率值。
S23：对所有失效率值进行拟合处理形成协变量函数q(t)；具体执行步骤如下：
对所有第一类电子单元的所有失效率值利用以下公式进行计算，得到比例系数值：
Figure PCTCN2022084067-appb-000002
其中，t j为具体的测量时间点(j＝1,2，……N)，N为测量时间点的总量，M为在每个测量时间点的所有测量值经计算得到的失效率值的总数，h j(y ij)为测量时间点t j时的第i个失效率值，h 0(y i0)为设定的基准测量时间点t 0时第i 个失效率值；
然后，将计算得到的N个比例系数值分别进行处理得到N个关于测量时间点和比例系数值的数据点。
最后，对N个数据点进行曲线拟合得到所述协变量函数q(t)。
S24：对所有失效率值中的部分失效率值进行处理，计算得到
Figure PCTCN2022084067-appb-000003
其中，使得λ 0(y)＝h 0(y i0)。
S25：使用上述协变量函数q(t)和
Figure PCTCN2022084067-appb-000004
基于上述可靠度函数公式得到第一类电子单元的可靠度函数。
S30：使用实时的测试数据基于相应的退化分布模型进行计算，得到第一类电子单元的退化指数值。
具体地，实时的测试数据是特征参数在当前测试时间点的测量值，相应的退化分布模型是与该当前测试时间点相对应的退化分布模型。
步骤S30的具体操作如下：
第一，基于该当前测试时间点确定相应的退化分布模型。
第二，基于该相应的退化分布模型，计算实时的监测数据对应的退化指数值。
例如，以用于一个电子系统中的多个同类型的电子单元作为所述第一类电子单元为例，根据图4所示的电子单元在不同测量时间点的退化分布模型，利用当前测试时间点t p选择相应的退化分布模型。
然后，基于该选择的退化分布模型，利用实时的监测数据来计算得到与该实时的监测数据相对应的退化指数值r。
S40:使用退化指数值r，基于可靠度函数R(t)和当前测试时间点t p，计算电子系统的剩余使用寿命。本步骤的具体操作如下：
第一，设置所述第一类电子单元的可靠度函数R(t)＝r；
第二，利用所述第一类电子单元的可靠度函数R(t)得到寿命时长t r；
第三，基于所述寿命时长t r与所述当前测试时间点t p的差值，得到电子系统的剩余使用寿命(t r-t p)。
本申请实施例所公开的计算方法能够更精确地评估使用电子系统的产品的工作可靠性。鉴于所公开的计算方法能够确定电子系统的RUL，该方法 可以作为预测性维护决策或基于状态的维护决策的重要信息。
另外，由于所公开的计算方法考虑到同一类电子单元中不同的电子单元的可变性和实时退化，因此该方法具有很高的准确度。通常，单个产品并不遵循基于群体的模型，并且可靠度在群体产品与单个产品之间存在明显差异。在本申请实施例所公开的计算方法中，利用例如“贝叶斯推理”算法通过整合群体退化信息和个体退化数据来提供单个产品的可靠度评估。在本文中，群体退化信息不仅包括群体的统计信息，也包括群体中个体之间的变异性。
同时，所公开的计算方法能够被低成本地结合到新产品的设计中，因为集成所述计算方法的软件能够很容易地在当前版本的电子单元的CPU中实施，并且实现该方法的硬件也并不需要大量的器件。
所公开的计算方法是基于退化的统计信息的，由此所述方法是一种更有效的可靠度评估技术。针对具有较长寿命的产品，退化数据比失效数据更容易获得。
对所公开的计算方法的应用可以扩展到其它产品，诸如剩余电流保护器(Residual Current Protector,简称RCD)、电弧故障检测器(Arc Fault Detecting Device，简称AFDD)，使得这些电气产品能够采用所公开的计算方法来监测其敏感元件的老化程度，而几乎不需要做任何调整。
另外，在所公开的计算方法中，具有不同应力(包括环境参数和操作参数)的历史数据可以用作输入源而无需任何等效转换(例如，不同温度下的数据应转换为25℃下的等效数据)，也就是说，所公开的计算方法能够快速有效地计算电气产品的剩余使用寿命。
图3-图9描述了使用本公开内容所公开的计算电子系统的剩余使用寿命的方法的实施例。
如图3所示，本实施例以用于电子系统的同类型的电子单元为例，介绍了所述方法的具体应用场景。在本实施例中，采集了15个某同类型的电子单元中的同一个关键电子元件在工作温度下操作电流的增长百分比作为特征参数，分别在15个电子单元(u1，u2，……u15)工作了16个测量时间点(例如，250小时、500小时、750小时……4000小时)采集的操作电流的增长百分比。
首先，对每个测量时间点(例如，250小时)的15个操作电流的增长百分比进行数据拟合，形成250小时对应的退化分布图。
在本实施例中，采用非参数方法对每个测量时间点的15个测量值进行数据拟合来确定与上述历史数据中的一部分相应的退化分布模型。
以此类推，确定上述电子单元的16个测量时间点分别对应的退化分布模型。在图4中仅示出了部分测量时间点(例如，250小时、500小时、3750小时以及4000小时)所对应的退化分布模型。
然后，使用非参数方法基于PHDM对上述历史数据进行处理，得到该第一类电子单元的可靠度函数。
首先，利用以下公式计算第一类电子单元的多个失效率值：
Figure PCTCN2022084067-appb-000005
其中，f(t)-第一类电子单元的寿命分布的概率密度函数，A为第一类电子单元的总数量，x-到t为止的已失效的第一类电子单元的个数。
具体到本实施例中，对图3所示的历史数据进行处理，以基于上述公式的变形计算多个电子单元的失效率值。针对t j的M个数据，选择其中的最大值和最小值为上下限形成区间，在该区间内包括若干数据点，使得该区间中任何相邻的两个数据点之间的差值Δ相同。然后，将该区间形成若干个子区间，每个子区间的上下限是上述区间中相邻的两个数据点。随即，统计M个数据分别落入每个子区间的个数x kj，其中，x kj为第j个测量时间点落入第k个子区间的测量值的个数。
例如，针对250h(小时)的15个数据，选择其中的最大值和最小值以形成区间[0.27,0.71]，在该区间中包括6个数据，这6个数据包括上述最大值和最小值，计算其他4个数据点，使得任何相邻两个数据点之间的差值Δ相同，在本实施例中，该第一区间[0.27,0.71]包括6个数据点：0.27、0.358、0.446、0.534、0.622以及0.71，其中，Δ＝0.088。
然后，基于该区间中的6个数据点，确定5个子区间，每个子区间的上下限是上述区间中的相邻两个数据点(例如，[0.27,0.358]、[0.358,0.446]、[0.446,0.534]、[0.534,0.622]、[0.622,0.71])。统计上述15个数据分别属于5 个子区间的个数x k1，其中，x k1为第j个测量时间点时落入第k个子区间中参数值的个数(例如，x 11＝2，x 21＝7，x 31＝4，x 41＝0，x 51＝2)。
由此，根据以下公式来计算针对250h(小时)的5个失效率值：
Figure PCTCN2022084067-appb-000006
其中，x i1为第1个测量时间点(例如，250h)时落入第i个子区间中参数值的个数，x (i-1)1为第1个测量时间点(250h)时落入第i-1个子区间中参数值的个数，A为电子单元的总数量。
如图5所示，示出了根据上述算法得到的针对不同测量时间点(例如，250小时(测量时间点1)、500小时(测量时间点2)……3750小时(测量时间点15)以及4000小时(测量时间点16))的失效率曲线。
对图5所示的多个电子单元的失效率曲线利用最小二乘法进行曲线拟合，进而形成了图6所示的拟合得到的多个电子单元的失效率曲线。
随后，对所有电子单元的所有失效率值利用以下公式进行计算，得到比例系数值：
Figure PCTCN2022084067-appb-000007
其中，t j为具体的测量时间点(j＝1,2，……N)，N为测量时间点的总量，M为在每个测量时间点的所有测量值经计算得到的失效率值的总数，h j(y ij)为测量时间点t j时的第i个失效率值，h 0(y i0)为设定的基准测量时间点t 0时第i个失效率值；
在本实施例中，可以设定的基准测量时间点t0为2000h(小时)，也就是说h 0(y i0)为2000h的第i个失效率值。
然后，对于计算得到的N个比例系数值分别进行处理得到N个关于测量时间点和比例系数值的数据点；并对N个数据点进行曲线拟合得到协变量函数q(t)。
在本实施例中，对N个比例系数值分别进行处理得到N个数据点(t j，lnk(t j))，然后对上述N个数据点(t j，lnk(t j))进行一次曲线拟合形成协变量函数q(t)。
接下来，在本实施例中，使用非参数方法对相应的失效率值进行处理，以得到
Figure PCTCN2022084067-appb-000008
具体操作如下：
在本实施例中，λ 0(y)＝h 0(y i0)。由此，得到基于图3所示的历史数据的可靠度函数：
Figure PCTCN2022084067-appb-000009
如图7所示，示出了根据上述可靠度函数形成的可靠度曲线。并且，利用该可靠度函数能够得到该批次电子单元的MTTF值(也即，MTTF＝4169h)。
再次，使用实时的测试数据基于相应的退化分布模型进行计算，得到该电子单元的退化指数值。
在本实施例中，利用图4所示的多个退化分布模型查找到对应于测量时间点为1000h的退化分布模型，由此计算得到1000h得到退化指数值为0.92。
最后，使用退化指数值r(r＝0.92)，基于可靠度函数R(t)和当前测试时间点t p(t p＝1000)，计算电子系统的剩余使用寿命。
具体地，令R(t)＝0.92,则根据上述计算得到的可靠度函数可以得到t＝3700h。也就是说，根据该可靠度函数得到的该批次电子单元的使用寿命t r为3700h。
由于根据图7得到的MTTF＝4169h，而根据实际统计的使用该电子单元的电子系统的使用寿命约为3750h～4000h，因此可知根据本申请实施例所计算得到的电子系统的使用寿命更加准确。
然后，基于寿命时长t r与当前测试时间点t p的差值，得到电子系统的剩余使用寿命。也就是说，本实施例计算得到在当前测试时间点t p为1000h时，电子系统的剩余使用寿命为2700h。
图8示出了根据图3的历史数据以及实时的测试数据利用本申请实施例所公开的方法计算得到的不同测量时间点得到的使用该电子单元的电子系统的使用寿命曲线。
并且，图9示出了根据图3的历史数据以及实时的测试数据利用本申请实施例所公开的方法计算得到的不同测量时间点得到的使用该电子单元的电子系统的剩余使用寿命曲线。
此外，本申请实施例还公开了用于计算电子系统的剩余使用寿命的装置。在如图10所公开的示例中，所公开的装置包括：数据采集单元10和控制器 20。
在本示例中，该数据采集单元10用于采集每个用于电子系统的第一类电子单元的至少一个特征参数的测量值。具体地，该特征参数用于表征电子系统的退化水平，历史累积的多个第一类电子单元中每个第一类电子单元的特征参数在多个测量时间点的多个测量值作为历史数据，当前测试时间点采集的特征参数的测量值作为实时的测试数据。
在本示例中，该控制器20用于接收并处理来自数据采集单元10的历史数据和实时的测试数据，然后执行如图2a和图2b所示的步骤S10-S40。控制器20执行步骤S10-S40的具体操作过程类似于上述关于所公开的计算电子系统的剩余使用寿命的描述，在此不再赘述。
如图11所示，公开了用于计算电子系统的剩余使用寿命的装置的另一个示例。在该示例中，所述装置包括：数据采集单元10、控制器20以及云处理单元30。
在本示例中，该数据采集单元10用于采集每个用于电子系统的第一类电子单元的特征参数的测量值。具体地，该特征参数用于表征电子系统的退化水平，历史累积的多个第一类电子单元中每个第一类电子单元的特征参数在多个测量时间点的多个测量值作为历史数据，当前测试时间点采集的特征参数的测量值作为实时的测试数据。
在本示例中，该云处理单元30用于接收并处理来自数据采集单元10的历史数据以执行图2a和图2b所示的步骤S10和S20。该控制器20用于接收并处理来自数据采集单元10的实时的测试数据来执行图2a所示的步骤S30和S40。
在本示例中，云处理单元30将得到的所有退化分布模型和第一类电子单元的可靠度函数发送到控制器20，使得控制器20将来自数据采集单元10的实时的测试数据应用到相应的退化分布模型和第一类电子单元的可靠度函数，计算得到电子系统的剩余使用寿命。
此外，所公开的计算电子系统的剩余使用寿命的方法能够通过计算机程序产品来实现。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开内容的各个方面的计算机可读程序指令。计算机可读存储介质 可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。
另外，如图12所示，本申请实施例还公开了用于计算电子系统的剩余使用寿命的装置300。该装置300包括处理器310和存储器320。具体地，处理器310可以根据存储在存储器320中的计算机程序指令来执行如图2a和图2b所示的步骤S10-S40。处理器310执行步骤S10-S40的具体操作过程类似于上述关于所公开的计算电子系统的剩余使用寿命的描述，在此不再赘述。
应当理解，虽然本说明书是按照各个实施例描述的，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其它实施方式。
上文所列出的一系列的详细说明仅仅是针对本公开内容的可行性实施例的具体说明，它们并非用以限制本公开内容的保护范围，凡未脱离本公开内容技艺精神所作的等效实施方案或变更，如特征的组合、分割或重复，均应包含在本公开内容的保护范围之内。

Claims (15)

  1. 一种计算电子系统的剩余使用寿命的方法，包括以下步骤：
    基于历史数据，确定所述电子系统的多个退化分布模型，其中，所述历史数据包括在每个测量时间点针对多个用于所述电子系统的第一类电子单元中的每个第一类电子单元的测量值，所述测量值对应于所述第一类电子单元中表征所述电子系统的退化水平的特征参数，每个所述退化分布模型对应于一个测量时间点；
    基于比例风险退化模型对所述历史数据进行处理，得到所述第一类电子单元的可靠度函数；
    使用实时的测试数据基于相应的退化分布模型进行计算，得到所述第一类电子单元的退化指数值，其中，所述实时的测试数据是所述特征参数在当前测试时间点的测量值，所述相应的退化分布模型是与所述当前测试时间点相对应的退化分布模型；以及
    使用所述退化指数值，基于所述可靠度函数和所述当前测试时间点，计算所述电子系统的剩余使用寿命。
  2. 如权利要求1所述的计算电子系统的剩余使用寿命的方法，其特征在于，基于历史数据确定电子系统的多个退化分布模型包括以下步骤：
    对所述历史数据中的一部分进行数据拟合，形成相应的退化分布图，其中，所述历史数据中的一部分是所述历史数据中在所述多个测量时间点中的一个测量时间点处的所有测量值；
    基于所述退化分布图确定一种或多种分布模型；
    在存在多种分布模型的情况下，利用KL散度方法比较不同分布模型的接近程度，以确定与所述历史数据中的一部分相应的所述退化分布模型。
  3. 如权利要求1所述的计算电子系统的剩余使用寿命的方法，其特征在于，基于历史数据确定电子系统的多个退化分布模型包括以下步骤：
    基于非参数方法对所述历史数据中的一部分进行数据拟合，确定与所述历史数据中的一部分相应的所述退化分布模型，其中，所述历史数据中的一部分是所述历史数据中在所述多个测量时间点中的一个测量时间点处的所 有测量值。
  4. 如权利要求1-3中任一项所述的计算电子系统的剩余使用寿命的方法，其特征在于，基于比例风险退化模型对所述历史数据进行处理得到所述第一类电子单元的可靠度函数包括以下步骤：
    基于所述比例风险退化模型，得到可靠度函数的公式：
    Figure PCTCN2022084067-appb-100001
    其中，R(t)-可靠度函数，q(t)-协变量函数，λ 0(y)-所述第一类电子单元的基准失效率函数，y-所述特征参数的测量值，t-所述电子系统的寿命时长，y DF-所述特征参数的失效阈值；
    对每个所述第一类电子单元的历史数据进行处理，得到每个所述第一类电子单元的多个失效率值；
    对所有失效率值进行拟合处理形成所述协变量函数q(t)；
    对所有失效率值中的部分失效率值进行处理，计算得到
    Figure PCTCN2022084067-appb-100002
    使用所述协变量函数q(t)和
    Figure PCTCN2022084067-appb-100003
    基于所述可靠度函数公式得到所述第一类电子单元的可靠度函数。
  5. 如权利要求1-3中任一项所述的计算电子系统的剩余使用寿命的方法，其特征在于，使用实时的监测数据基于相应的退化分布模型进行计算得到所述第一类电子单元的退化指数值包括以下步骤：
    基于所述当前测试时间点确定所述相应的退化分布模型；
    基于所述相应的退化分布模型，计算所述实时的监测数据对应的退化指数值。
  6. 如权利要求4所述的计算电子系统的剩余使用寿命的方法，其特征在于，使用所述退化指数值基于所述可靠度函数和所述当前测试时间点计算所述电子系统的剩余使用寿命包括以下步骤：
    设置所述第一类电子单元的可靠度函数R(t)＝所述退化指数值；
    利用所述第一类电子单元的可靠度函数R(t)得到寿命时长t r；
    基于所述寿命时长t r与所述当前测试时间点的差值，得到所述电子系统的剩余使用寿命。
  7. 如权利要求4所述的计算电子系统的剩余使用寿命的方法，其特征在于，对所有失效率值进行拟合处理形成所述协变量函数q(t)进一步包括：
    对所有第一类电子单元的所有失效率值利用以下公式进行计算，得到比例系数值：
    Figure PCTCN2022084067-appb-100004
    其中，t j为具体的测量时间点(j＝1,2，……N)，N为测量时间点的总量，M为在每个所述测量时间点的所有所述测量值经计算得到的所述失效率值的总数，h j(y ij)为测量时间点t j时的第i个失效率值，h 0(y i0)为设定的基准测量时间点t 0时第i个失效率值；
    将计算得到的N个比例系数值分别进行处理得到N个关于测量时间点和比例系数值的数据点；
    对N个数据点进行曲线拟合得到所述协变量函数q(t)。
  8. 一种用于计算电子系统的剩余使用寿命的装置，包括：
    数据采集单元，用于采集每个用于所述电子系统的第一类电子单元的特征参数的测量值，其中，所述特征参数用于表征所述电子系统的退化水平，历史累积的多个所述第一类电子单元中每个所述第一类电子单元在多个测量时间点的多个测量值作为历史数据，当前测试时间点采集的所述特征参数的测量值作为实时的测试数据；
    控制器，用于接收并处理来自所述数据采集单元的所述历史数据和所述实时的测试数据，并执行以下动作：
    基于所述历史数据，确定所述电子系统的多个退化分布模型，其中，每个所述退化分布模型对应于一个测量时间点；
    基于比例风险退化模型对所述历史数据进行处理，得到所述第一类电子单元的可靠度函数；
    使用所述实时的测试数据基于相应的退化分布模型进行计算，得到所述第一类电子单元的退化指数值，其中，所述相应的退化分布模型是与所述当前测试时间点相对应的退化分布模型；以及
    使用所述退化指数值，基于所述可靠度函数和所述当前测试时间点，计算所述电子系统的剩余使用寿命。
  9. 根据权利要求8中任一项所述的用于计算电子系统的剩余使用寿命的装置，其特征在于，基于比例风险退化模型对所述历史数据进行处理得到所述第一类电子单元的可靠度函数包括以下步骤：
    基于所述比例风险退化模型，得到可靠度函数的公式：
    Figure PCTCN2022084067-appb-100005
    其中，R(t)-可靠度函数，q(t)-协变量函数，λ 0(y)-所述第一类电子单元的基准失效率函数，y-所述特征参数的测量值，t-所述电子系统的寿命时长，y DF-所述特征参数的失效阈值；
    对每个所述第一类电子单元的历史数据进行处理，得到每个所述第一类电子单元的多个失效率值；
    对所有失效率值进行拟合处理形成所述协变量函数q(t)；
    对所有失效率值中的部分失效率值进行处理，计算得到
    Figure PCTCN2022084067-appb-100006
    使用所述协变量函数q(t)和
    Figure PCTCN2022084067-appb-100007
    基于所述可靠度函数公式得到所述第一类电子单元的可靠度函数。
  10. 根据权利要求9中任一项所述的用于计算电子系统的剩余使用寿命的装置，其特征在于，使用所述退化指数值基于所述可靠度函数和所述当前测试时间点计算所述电子系统的剩余使用寿命包括以下步骤：
    设置所述第一类电子单元的可靠度函数R(t)＝所述退化指数值；
    利用所述第一类电子单元的可靠度函数R(t)得到寿命时长t r；
    基于所述寿命时长t r与所述当前测试时间点的差值，得到所述电子系统的剩余使用寿命。
  11. 一种用于计算电子系统的剩余使用寿命的装置，包括：
    数据采集单元，用于采集每个用于所述电子系统的第一类电子单元的特征参数的测量值，其中，所述特征参数用于表征所述电子系统的退化水平，历史累积的多个所述第一类电子单元中每个所述第一类电子单元的特征参数在多个测量时间点的多个测量值作为历史数据，当前测试时间点采集的所述特征参数的测量值作为实时的测试数据；
    云处理单元，用于接收并处理来自所述数据采集单元的所述历史数据， 并执行以下步骤：
    基于所述历史数据，确定所述电子系统的多个退化分布模型，其中，每个所述退化分布模型对应于一个测量时间点；
    基于比例风险退化模型对所述历史数据进行处理，得到所述第一类电子单元的可靠度函数；
    控制器，用于接收并处理来自所述数据采集单元的所述实时的测试数据，并执行以下步骤：
    使用所述实时的测试数据基于相应的退化分布模型进行计算，得到所述第一类电子单元的退化指数值，其中，所述相应的退化分布模型是与所述当前测试时间点相对应的退化分布模型；以及
    使用所述退化指数值，基于所述可靠度函数和所述当前测试时间点，计算所述电子系统的剩余使用寿命。
  12. 根据权利要求11中任一项所述的用于计算电子系统的剩余使用寿命的装置，其特征在于，基于比例风险退化模型对所述历史数据进行处理得到所述第一类电子单元的可靠度函数包括以下步骤：
    基于所述比例风险退化模型，得到可靠度函数的公式：
    Figure PCTCN2022084067-appb-100008
    其中，R(t)-可靠度函数，q(t)-协变量函数，λ 0(y)-所述第一类电子单元的基准失效率函数，y-所述特征参数的测量值，t-所述电子系统的寿命时长，y DF-所述特征参数的失效阈值；
    对每个所述第一类电子单元的历史数据进行处理，得到每个所述第一类电子单元的多个失效率值；
    对所有失效率值进行拟合处理形成所述协变量函数q(t)；
    对所有失效率值中的部分失效率值进行处理，计算得到
    Figure PCTCN2022084067-appb-100009
    使用所述协变量函数q(t)和
    Figure PCTCN2022084067-appb-100010
    基于所述可靠度函数公式得到所述第一类电子单元的可靠度函数。
  13. 根据权利要求12中任一项所述的用于计算电子系统的剩余使用寿命的装置，其特征在于，使用所述退化指数值基于所述可靠度函数和所述当前测试时间点计算所述电子系统的剩余使用寿命包括以下步骤：
    设置所述第一类电子单元的可靠度函数R(t)＝所述退化指数值；
    利用所述第一类电子单元的可靠度函数R(t)得到寿命时长t r；
    基于所述寿命时长t r与所述当前测试时间点的差值，得到所述电子系统的剩余使用寿命。
  14. 一种计算机可读存储介质，所述存储介质包括指令，当所述指令被执行时，使得计算机的处理器至少用于：
    执行权利要求1-7中任一项所述的计算电子系统的剩余使用寿命的方法。
  15. 一种用于计算电子系统的剩余使用寿命的装置，所述装置包括处理器和存储器，所述存储器上存储有指令，当所述指令执行时使得所述处理器：
    执行权利要求1-7中任一项所述的计算电子系统的剩余使用寿命的方法。
PCT/CN2022/084067 2022-03-30 2022-03-30 计算电子系统的剩余使用寿命的方法、装置及计算机介质 WO2023184237A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2022/084067 WO2023184237A1 (zh) 2022-03-30 2022-03-30 计算电子系统的剩余使用寿命的方法、装置及计算机介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2022/084067 WO2023184237A1 (zh) 2022-03-30 2022-03-30 计算电子系统的剩余使用寿命的方法、装置及计算机介质

Publications (1)

Publication Number Publication Date
WO2023184237A1 true WO2023184237A1 (zh) 2023-10-05

Family

ID=88198501

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/084067 WO2023184237A1 (zh) 2022-03-30 2022-03-30 计算电子系统的剩余使用寿命的方法、装置及计算机介质

Country Status (1)

Country Link
WO (1) WO2023184237A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117575578A (zh) * 2024-01-15 2024-02-20 中国航空油料集团有限公司 基于机械设备剩余寿命的不完全维修决策优化方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106093796A (zh) * 2016-08-09 2016-11-09 北京航空航天大学 基于拟合残差频域重构的有容量再生情况下锂电池容量及寿命预测方法
CN107908864A (zh) * 2017-11-14 2018-04-13 中国科学院空间应用工程与技术中心 一种基于特征融合的复杂设备剩余使用寿命预测方法
CN108763654A (zh) * 2018-05-03 2018-11-06 国网江西省电力有限公司信息通信分公司 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法
US20210048807A1 (en) * 2018-03-14 2021-02-18 Shandong University Of Science And Technology Method of modeling multi-mode degradation process and predicting remaining useful life

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106093796A (zh) * 2016-08-09 2016-11-09 北京航空航天大学 基于拟合残差频域重构的有容量再生情况下锂电池容量及寿命预测方法
CN107908864A (zh) * 2017-11-14 2018-04-13 中国科学院空间应用工程与技术中心 一种基于特征融合的复杂设备剩余使用寿命预测方法
US20210048807A1 (en) * 2018-03-14 2021-02-18 Shandong University Of Science And Technology Method of modeling multi-mode degradation process and predicting remaining useful life
CN108763654A (zh) * 2018-05-03 2018-11-06 国网江西省电力有限公司信息通信分公司 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHUN SU, ZHANG YE, ZHANG HENG: "Product reliability assessment based on proportional hazard degradation model", JOURNAL OF SOUTHEAST UNIVERSITY (ENGLISH EDITION), vol. 26, no. 3, 15 September 2010 (2010-09-15), pages 480 - 483, XP093095267 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117575578A (zh) * 2024-01-15 2024-02-20 中国航空油料集团有限公司 基于机械设备剩余寿命的不完全维修决策优化方法及装置

Similar Documents

Publication Publication Date Title
JP7266587B2 (ja) 再充電可能なバッテリを制御するための方法およびシステム
WO2020215721A1 (zh) 一种激光雷达的寿命预测方法
JP5827425B1 (ja) 予兆診断システム及び予兆診断方法
JP5827426B1 (ja) 予兆診断システム及び予兆診断方法
CN105761001B (zh) 一种融合多源信息的配网设备状态评价方法
JP2018169161A (ja) 電池の劣化診断装置、劣化診断方法、及び劣化診断システム
US7912669B2 (en) Prognosis of faults in electronic circuits
WO2019167548A1 (en) Method and system for estimating degradation of a wire-bonded power semiconductor module
JP7285187B2 (ja) 履歴及び時系列の共同分析に基づく異常の特性評価のためのシステム及び方法
WO2023184237A1 (zh) 计算电子系统的剩余使用寿命的方法、装置及计算机介质
CN112381258B (zh) 表计运行生命周期预测方法及装置
JP2010243092A (ja) 冷凍機の劣化検出方法およびシステム
US20190369165A1 (en) Management device, management method, and non-transitory storage medium
CN117131457B (zh) 基于ai模型的电力大数据采集处理方法及系统
CN117235664A (zh) 配电通信设备的故障诊断方法、系统和计算机设备
US11520324B2 (en) Apparatus for prediction of the residual lifetime of an electrical system
CN115544803B (zh) 一种变压器剩余寿命预测方法、装置、设备及存储介质
KR101433724B1 (ko) 하위 구성요소의 상태가 반영된 플랜트의 건강지수 측정방법 및 그 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독 가능한 저장매체
JP2018169754A (ja) 情報処理装置、情報処理方法およびプログラム
CN116484267A (zh) 变压器故障特征提取、判定方法、计算机设备和存储介质
JP7020876B2 (ja) 決定装置、補正装置、決定システム、決定方法及びコンピュータプログラム
CN113590392B (zh) 换流站设备异常检测方法、装置、计算机设备和存储介质
CN113887990A (zh) 电气设备维修决策优化方法
CN113887676A (zh) 设备故障预警方法、装置、设备、介质和计算机程序产品
JP5771318B1 (ja) 異常診断装置及び異常診断方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22934089

Country of ref document: EP

Kind code of ref document: A1