专利名称：一种电子产品退化状态实时预测方法
技术领域：
本发明属于电子产品可靠性分析技术领域，更为具体地讲，涉及一种电子产品退化状态实时预测方法。
背景技术：
目前，电子产品的日常维护、维修主要依赖于生产厂家，而且是以在出现故障之后进行现场维修的模式完成的，属于被动式故障排除，这导致了电子设备的技术含量日趋提高与使用维护的手段和能力相对较低的矛盾日益凸显。正是在这样的背景下，故障预诊断与健康管理(PHM)技术应运而生。其意义在于，可以提前预知将要发生故障的时间和位置，预测电子产品的剩余寿命(RUL)，提高电子产品的运行可靠性，减少日常维护成本。而对于PHM来说，通过预测技术，实时获取电子产品在未来时刻的退化状态是非常具有实际意义的。提前预知电子产品的性能退化量，就可以提前预知电子产品的可能发生故障的时间并且提前合理安排维护时间，可以很大程度上降低维护成本。电子产品退化状态实时预测方法多采用基于现场数据的预测方法，但电子产品退化状态预测的准确度有待提闻。
发明内容
本发明的目的在于克服现有技术的不足，提供一种电子产品退化状态实时预测方法，以提高电子产品退化状态预测的准确度。为实现以上目的，本发明电子产品退化状态实时预测方法，其特征在于，包括以下步骤:(I)、选取数量为N的同类电子产品(至少10-15个)，对每个电子产品从最初运行开始，每间隔一定时间提取数据测试点的信号幅值，得到N组由M个信号幅值组成的退化数据并作为产品性能退化的可靠性试验数据；对于当前运行的电子产品也从最初运行开始，每间隔一定时间％提取测试点的信号幅值，当运行到j时刻时，得到由j个信号幅值组成的现场性能退化数据，其中，j〈M ；(2)、对现场性能退化数据进行曲线拟合，根据拟合结果来选择最理想的拟合模型，根据拟合模型来外推当前运行电子产品在j+l时刻的预测值xj+1 ;(3 )、将可靠性试验数据中同一个时刻的N个产品的信号幅值按顺序组成一个序列，利用AR(自回归)模型进行预测，得到预测值，得到从第I个时刻到第j+l时刻的j+l个预测值:y1; y2,…，y」.，yJ+i ；对将预测值y” y2,…，Yj作为一个序列，进行曲线拟合，根据拟合结果来选择最理想的拟合模型，根据拟合模型来外推电子产品在j+l时刻的预测值y0j+1 ；计算差值Λ M=JKV1-Xp1,最后得到可靠性试验数据融合现场性能退化数据预测的结果 zJ+1=yJ+1+ Δ J+1 ；(4)、根据得到预测值\+1和\+1时的误差大小为预测值xj+1和\+1分配权值，最终根据权值将预测值Xj+1和\+1融合得到最终电子产品在j+Ι时刻的退化状态实时预测值
Tj+l。本发明的目的是这样实现的:本发明电子产品退化状态实时预测方法，通过每间隔一定时间分别提取N个同类电子产品测试点的信号幅值构成可靠性试验数据，然后对当前运行电子设备采用同样的方法，提取运行到j时刻时的信号幅值组成现场性能退化数据；在此基础上，依据曲线拟合，现场性能退化数据外推当前运行电子产品在j+Ι时刻的预测值Xj+1，依据自回归模型，根据每个时刻的可靠性试验数据，得到j+Ι个预测值:yi，y2, -,Yj, h+1，根据前j预测值的拟合曲线，外推得到j+Ι时刻的预测值yOm，计算差值Λ M=JKV1-Xp1,最后得到可靠性试验数据融合现场性能退化数据预测的结果zj+1=yj+1+ Δ J+1 ;最后，根据得到预测值Xj+1和zj+1时的误差大小为预测值\+1和Zp1分配权值，最终根据权值将预测值Xj+1和Zp1融合得到最终电子产品在j+Ι时刻的退化状态实时预测值。通过实验验证，本发明电子产品退化状态实时预测方法，基于差值修正算法，提高了电子产品退化状态预测的准确度。
图1是本发明电子产品退化状态实时预测方法一种具体实施方式
流程图；图2是第2组数据作为现场性能退化数据实验对比图；图3是第6组数据作为现场性能退化数据实验对比图；图4是第11组数据作为现场性能退化数据实验对比图；图5是三次实验的预测结果精度对比如图。
具体实施例方式下面结合附图对本发明的具体实施方式
进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。图1是本发明电子产品退化状态实时预测方法一种具体实施方式
流程图。在本实施例中，如图1所示，本发明电子产品退化状态实时预测方法包括以下步骤:步骤STl:选取数量为N的同类电子产品(至少10-15个)，对每个电子产品从最初运行开始，每间隔一定时间提取数据测试点的信号幅值，得到N组由M个信号幅值组成的退化数据并作为产品性能退化的可靠性试验数据；对于当前运行的电子产品也从最初运行开始，每间隔一定时间％提取测试点的信号幅值，当运行到j时刻时，得到由j个信号幅值组成的现场性能退化数据，其中，j〈M ；步骤ST2:对现场性能退化数据进行曲线拟合，根据拟合结果来选择最理想的拟合模型，根据拟合模型来外推当前运行电子产品在j+Ι时刻的预测值xj+1 ;通常的性能退化轨迹有三种:线性即x=a+bt,凸形即log (χ) =a+bt和凹形即log(x) =a+blog(t)。在本实施例中，利用Matlab的曲线拟合工具箱cftool来对现场性能退化数据进行曲线拟合，根据拟合曲线和现场性能退化数据之间的残差的平方和最小的原则来选择最理想的拟合模型。拟合推出的退化轨迹即拟合曲线也不一定能很好地与现场性能退化数据吻合，所以需要进一步对拟合结果进行修正:首先将取出拟合曲线和现场性能退化数据之间的残差，组成一个随机序列:Ax1, Ax2,..., Axj，然后利用无激励的AR模型估计出预测值AXj+1，利用预测值AXj+1就可以来修正第j+Ι时刻的曲线拟合值从而得到修正后的预测值\+1。现场性能退化数据拟合后的曲线上，第1，2，…，j时刻的值为XO1, x02,…XOj，得到j个相应的残差与现场性能退化数据的比值:
权利要求
1.一种电子产品退化状态实时预测方法，其特征在于，包括以下步骤: (1)、选取数量为N的同类电子产品(至少10-15个)，对每个电子产品从最初运行开始，每间隔一定时间提取数据测试点的信号幅值，得到N组由M个信号幅值组成的退化数据并作为产品性能退化的可靠性试验数据； 对于当前运行的电子产品也从最初运行开始，每间隔一定时间ts提取测试点的信号幅值，当运行到j时刻时，得到由j个信号幅值组成的现场退化数据； (2)、对现场性能退化数据进行曲线拟合，根据拟合结果来选择最理想的拟合模型，根据拟合模型来外推当前运行电子产品在j+Ι时刻的预测值xj+1 ; (3)、将可靠性试验数据中同一个时刻的N个产品的信号幅值按顺序组成一个序列，利用AR (自回归)模型进行预测，得到预测值，得到从第I个时刻到第j+Ι时刻的j+Ι个预测值:Υι, ι2,..., Yj, yJ+i ； 对将预测值y” y2, -,Yj作为一个序列，进行曲线拟合，根据拟合结果来选择最理想的拟合模型，根据拟合模型来外推电子产品在j+l时刻的预测值y0j+1 ； 计算差值ΛM=JKV1-Xp1,最后得到可靠性试验数据融合现场性能退化数据预测的结果 zJ+i=yJ+i+ Δ J+1 ; (4)、根据得到预测值\+1和Zp1时的误差大小为预测值\+1和Zp1分配权值，最终根据权值将预测值xj+1和\+1融合得到最终电子产品在j+l时刻的退化状态实时预测值。
2.根据权利要求1所述的退化状态实时预测方法，其特征在于，在步骤(2)中，所述的拟合结果来选择最理想的拟合模型为拟合曲线和现场性能退化数据之间的残差的平方和最小的原则来选择最理想的拟合模型； 所述当前运行电子产品在j+l时刻的预测值\_+1需要进行修正: 首先将取出拟合曲线和现场性能退化数据之间的残差，组成一个随机序列:Ax1, Ax2,..., Axj，然后利用无激励的AR模型估计出预测值AXj+1，利用预测值AXj+1就可以来修正第j+l时刻的曲线拟合值从而得到修正后的预测值\+1。
3.根据权利要求1所述的退化状态实时预测方法，其特征在于，在步骤(4)中，所述的根据得到预测值\+1和Zp1时的误差大小为预测值xj+1和Vl分配权值，最终根据权值将预测值Xj+1和Zp1融合得到最终电子产品在j+l时刻的退化状态实时预测值Tj+1:
全文摘要
本发明提供了一种电子产品退化状态实时预测方法，通过可靠性试验数据、现场性能退化数据，依据曲线拟合，现场性能退化数据外推当前运行电子产品在j+1时刻的预测值xj+1，依据自回归模型，根据每个时刻的可靠性试验数据，得到j+1个预测值y1,y2,…,yj,yj+1，根据前j预测值的拟合曲线，外推得到j+1时刻的预测值y0j+1，计算差值Δj+1=y0j+1-xj+1，最后得到可靠性试验数据融合现场性能退化数据预测的结果zj+1=yj+1+Δj+1；根据得到预测值xj+1和zj+1时的误差大小为预测值xj+1和zj+1分配权值，最终根据权值将预测值xj+1和zj+1融合得到最终电子产品在j+1时刻的退化状态实时预测值。通过实验验证，本发明电子产品退化状态实时预测方法，基于差值修正算法，提高了电子产品退化状态预测的准确度。
文档编号G01R31/00GK103197186SQ20131012570
公开日2013年7月10日 申请日期2013年4月12日 优先权日2013年4月12日
发明者刘震, 宋辰亮, 黄建国, 龙兵, 杨成林 申请人:电子科技大学