设备寿命量化方法、装置、计算机设备和存储介质与流程

本申请涉及可靠性评估
技术领域：
，特别是涉及一种设备寿命量化方法、装置、计算机设备和存储介质。
背景技术：
：随着微电子技术的发展，微电子设备已经广泛应用于各行各业中，为提高微电子器件的高效运行，微电子设备的可靠性评估受到了关注，其中微电子设备中的电路板产品的可靠性评估尤为突出。电路板产品的可靠性评估通常是针对电路板产品的互连失效进行的可靠性评估，互连失效指的是因为热循环疲劳、振动疲劳而导致的电路板上器件的管脚断裂、焊点开裂、通孔失效等失效模式引起的电路板失效。现有技术中，通常是利用calcepwa软件对电路板产品的互连失效分布开展仿真分析，得到电路板上每个元器件的焊点失效寿命仿真值。然而，通过每个元器件的焊点失效寿命仿真值，无法准确地反映整个电路板的综合可靠性。技术实现要素：基于此，有必要针对上述技术问题，提供一种设备寿命量化方法、装置、计算机设备和存储介质。第一方面，提供一种设备寿命量化方法，该方法包括：分别对设备中各器件的热疲劳失效时刻数据和振动疲劳失效时刻数据进行累积损伤分析，得到累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据；对各器件的累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据进行故障分布拟合，得到各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数；对各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数进行故障融合，得到各器件的寿命概率密度函数；对设备中所有器件的寿命概率密度函数进行故障融合，得到设备的寿命概率密度函数；设备的寿命概率密度函数用于获取设备的寿命量化结果。在其中一个实施例中，该方法还包括：获取设备各器件在多个温度段下的热疲劳失效时刻数据，和，在多个振动量下的振动疲劳失效时刻数据。在其中一个实施例中，上述分别对设备中各器件的热疲劳失效时刻数据进行累积损伤分析，得到累积后的热疲劳失效时刻数据，包括：针对设备的第i个器件，计算各温度段占所有温度段的温度时间比例；每个温度段均包括q个热疲劳失效时刻数据，且不同的热疲劳失效时刻数据对应不同的标识；将各温度段的每个热疲劳失效时刻数据均乘以对应的温度时间比例，得到各温度段的q个目标热疲劳失效时刻数据；将相同标识对应的各温度段的目标热疲劳失效时刻数据进行累加，得到q个累积后的热疲劳失效时刻数据。在其中一个实施例中，上述分别对设备中各器件的振动疲劳失效时刻数据进行累积损伤分析，得到累积后的振动疲劳失效时刻数据，包括：针对设备的第i个器件，计算各振动量占所有振动量的振动时间比例；每个振动量均包括q个振动疲劳失效时刻数据，且不同的振动疲劳失效时刻数据对应不同的标识；将各振动量的每个振动疲劳失效时刻数据均乘以对应的振动时间比例，得到各振动量的q个目标振动疲劳失效时刻数据；将相同标识对应的各振动量的目标振动疲劳失效时刻数据进行累加，得到q个累积后的振动疲劳失效时刻数据。在其中一个实施例中，上述对各器件的累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据进行故障分布拟合，得到各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数，包括：采用指数分布拟合算法，对各器件的累积后的热疲劳失效时刻数据进行分布拟合，得到设备中各器件的热疲劳寿命分布函数；采用指数分布拟合算法，对各器件的累积后的振动疲劳失效时刻数据进行分布拟合，得到设备中各器件的振动疲劳寿命分布函数。在其中一个实施例中，上述对各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数进行故障融合，得到各器件的寿命概率密度函数，包括：针对设备的每个器件，执行抽样操作；其中，抽样操作包括：利用蒙特卡罗法随机抽样法，获取一个随机数，将随机数分别代入器件的热疲劳寿命分布函数和振动疲劳寿命分布函数中，得到两个随机值；获取两个随机值中的最小值，并将最小值输入至第一抽样数据集中；重复执行抽样操作，直至第一抽样数据集中的元素数目达到预设阈值为止；并根据第一抽样数据集，得到器件的寿命概率密度函数。在其中一个实施例中，上述对设备中所有器件的寿命概率密度函数进行故障融合，得到设备的寿命概率密度函数；设备的寿命概率密度函数用于获取设备的寿命量化结果，包括：针对设备中的所有器件，执行抽样操作；其中，抽样操作包括：利用蒙特卡罗法随机抽样法，获取一个随机数，将随机数分别代入设备的k个器件的寿命概率密度函数中，得到k个随机值；获取k个随机值中的最小值，并将最小值输入至第二抽样数据集中；重复执行抽样操作，直至第二抽样数据集中的元素数目达到预设阈值为止；并根据第二抽样数据集，得到设备的寿命概率密度函数。第二方面，提供一种设备寿命量化装置，该装置包括：累积损伤分析模块，用于分别对设备中各器件的热疲劳失效时刻数据和振动疲劳失效时刻数据进行累积损伤分析，得到累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据；故障分布拟合模块，用于对各器件的累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据进行故障分布拟合，得到各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数；器件故障融合模块，用于对各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数进行故障融合，得到各器件的寿命概率密度函数；设备故障融合模块，用于对设备中所有器件的寿命概率密度函数进行故障融合，得到设备的寿命概率密度函数；设备的寿命概率密度函数用于获取设备的寿命量化结果。第三方面，提供一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现上述第一方面任一所述的设备寿命量化方法。第四方面，提供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第一方面任一所述的设备寿命量化方法。上述设备寿命量化方法、装置、计算机设备和存储介质，计算机设备分别对设备中各器件的热疲劳失效时刻数据和振动疲劳失效时刻数据进行累积损伤分析，然后对各器件的累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据进行故障分布拟合，得到各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数；再对各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数进行故障融合，得到各器件的寿命概率密度函数；最后对设备中所有器件的寿命概率密度函数进行故障融合，得到设备的寿命概率密度函数，从而根据寿命概率密度函数获取该设备的寿命量化结果。本方法中，计算机设备通过对设备中各器件的热疲劳失效时刻数据和振动疲劳失效时刻数据计算处理，可以得到该设备对应的寿命概率密度函数，从而根据设备的寿命概率密度函数可以获取到设备的寿命预计值，即设备的寿命量化结果，该设备的寿命量化结果通过设备中各个器件的失效数据得到，故可以准确实际地反映该设备的互连失效分布情况，以及该设备的可靠性情况。附图说明图1为一个实施例中设备寿命量化方法的应用环境图；图2为一个实施例中设备寿命量化方法的流程示意图；图3为另一个实施例中设备寿命量化方法的流程示意图；图4为另一个实施例中设备寿命量化方法的流程示意图；图5为另一个实施例中设备寿命量化方法的流程示意图；图6为另一个实施例中设备寿命量化方法的流程示意图；图7为另一个实施例中设备寿命量化方法的流程示意图；图8为另一个实施例中设备寿命量化方法的流程示意图；图9为一个实施例中设备寿命量化装置的结构框图；图10为另一个实施例中设备寿命量化装置的结构框图；图11为另一个实施例中设备寿命量化装置的结构框图；图12为另一个实施例中设备寿命量化装置的结构框图；图13为另一个实施例中设备寿命量化装置的结构框图。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。本申请提供的设备寿命量化方法，可以应用于如图1所示的应用环境中。图1提供了一种计算机设备，该计算机设备可以是服务器，也可以是终端，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。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、内存储器。该非易失性存储介质存储有操作系统和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种设备寿命量化方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。本领域技术人员可以理解，图1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。现有技术中，通常通过calcepwa软件完成印制装配电路板是可靠性仿真评价和故障预计。calcepwa软件是由美国计算机辅助生命周期工程(computeraidedlifecycleengineering，calce)电子产品与系统中心联合马里兰大学共同开发的可靠性仿真软件，包括热分析，振动分析和故障预计三个主要环节。calcepwa软件的运行过程大致分为以下几个步骤，首先建立电路版的模型，根据电路板的尺寸、层数、材料、厚度等参数，以及电路板的元器件清单，建立元器件库，录入这些元器件的基本信息、封装方式、热阻等信息，根据电路板上器件的坐标，将元器件库中的元器件摆放到模型的相应位置。依据热仿真分析和振动仿真分析的结果，确定calcepwa故障预计所需的热分析和振动分析的边界条件，最终得到故障预计所需的热分析和振动分析结果。根据产品的可靠性剖面，确定可靠性仿真的剖面，一般包含若干个高低温循环和振动过程。高低温循环和振动过程需要前面热分析和振动分析结果，最后将电路板模型在可靠性仿真剖面下运行。通过软件提供的应力损伤分析和累计损伤分析算法，可以得到产品中各潜在故障点的故障时间预测值。由于该预测值是确定的，而在现实中由于应力、材料、结构、工艺等因素的影响，各故障点的故障发生时间呈现出一定的随机性。为了考虑这种随机性，需要在确定的应力分析中引入蒙特卡洛仿真方法，通过对产品的结构参数、材料参数、工艺参数等进行大样本量的随机抽样和应力分析计算，获得大样本量的产品故障时间数据，在进行蒙特卡罗仿真后，对于每个元器件的每一个互连故障机理都得到1000次蒙特卡罗仿真结果，就是该器件在该故障模式下的1000个失效时间。在针对建立电路版的模型的步骤中，除了电路版仿真模型外，还需要构建电路板的故障物理模型。建立故障物理模型指的是针对某一特定的故障机理，在基本物理、化学、其它原理公式和/或分析回归公式的基础上，建立起来的定量地反映故障发生时间与材料、结构、应力等关系的数学函数模型。电路板在热循环条件下，其焊点的失效机理通常为热疲劳；在振动条件下，其焊点故障机理通常为振动疲劳，一般采用coffin-manson模型、随机振动疲劳的steinberg模型获得板级产品各关键元器件互连失效分布。两种焊点热疲劳寿命模型及其适用范围见表1。表1在构建故障物理模型时，各材料参数的确定方法可以通过以下方法实现。元器件的材料参数根据电子元器件说明书、电子产品生产技术资料、工程技术要求确定后，查阅材料手册获得；电路板与互连部分的材料属性参数则根据工艺设计师提供的材料牌号，查阅材料手册获得。对于材料手册中无法查到的材料牌号，可参考国内外公开发表的文献或利用材料性能测试仪器测量获得。例如：对于coffin-manson模型，材料属性参数有εf，αc和αs。型号为cyd09sv18的元器件用sn63pb37焊料焊接在fr4电路板上。通过查阅材料手册可知，焊料的疲劳延性系数εf为0.325，元器件的线性热膨胀系数αc为12m/k，pcb板的线性热膨胀系数αs为20m/k。在利用故障物理仿真软件pwa进行电路板的故障仿真时，需要输入如下信息：元器件几何结构参数，包括各元器件焊点、引脚的详细结构尺寸及在印制电路板上的位置信息；重要元器件内部的相关几何结构信息、几何结构参数的分布信息以及波动范围；材料属性参数，包括各元器件封装材料、印刷电路板材料及焊点、引脚材料的热膨胀系数等与板级互连应力损伤分析相关的材料属性；重要元器件内部分析对象的相关材料属性；材料属性参数的分布信息以及波动范围；应力参数，包括稳态温度、温度循环、振动应力等参数；其中，潜在故障点的局部应力要根据产品所受的环境条件和工作应力，通过仿真分析确定，即利用温度分析、振动分析的结果提取潜在故障点附近的温度、振动响应。在coffin-manson模型中，应力参数包括δtc，δts，tsj和td。其中，δtc和δts为元器件的局部温度变化量值，可以通过仿真分析获得，tsj和td为与温度循环剖面相关的参数，根据产品所承受的温度循环剖面确定。在获取到以上信息后，对于有k个元器件的电路板，calcepwa软件会得出每一个元器件的n个互连失效机理，每个失效机理又对应1000个预计故障时间。calcepwa软件仿真结果如表2所示。表2故障点机理1机理2机理i机理n故障点1t11(1～1000)t21(1～1000)ti1(1～1000)tn1(1～1000)故障点2t12(1～1000)t22(1～1000)ti2(1～1000)tn2(1～1000)...............故障点jt1j(1～1000)t2j(1～1000)tij(1～1000)tnj(1～1000)...............故障点kt1k(1～1000)t2k(1～1000)tik(1～1000)tnk(1～1000)通过calcepwa软件对电路板产品的互连失效分布开展仿真分析，可以得到电路板上所有元器件的焊点失效寿命蒙特卡洛仿真值，即，通过calcepwa软件对电路板产品的互连失效分布开展仿真分析，只能给出电路板产品各元器件上各故障点的故障时间数据，如上表2所示。然而，设备使用者更关心整个电路板的互连失效分布，而通过calcepwa软件无法直接对电路板级产品的互连失效分布做出评价。因此，本实施例提出一种利用故障物理仿真结果确定电路板互连失效分布的设备寿命量化方法。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是，本申请图2-图8实施例提供的设备寿命量化方法，其执行主体可以为计算机设备，也可以是设备寿命量化装置，该设备寿命量化装置可以通过软件、硬件或者软硬件结合的方式成为计算机设备的部分或全部。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。在一个实施例中，如图2所示，提供了一种设备寿命量化方法，涉及的是计算机设备对设备中各器件的热疲劳失效时刻数据和振动疲劳失效时刻数据进行累积损伤分析、数据拟合、数据融合，从而得到该设备对应的寿命概率密度函数的具体过程，包括以下步骤：s201、分别对设备中各器件的热疲劳失效时刻数据和振动疲劳失效时刻数据进行累积损伤分析，得到累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据。其中，累积损伤分析指的是对单一应力的不同取值范围造成的损伤进行叠加的方法。热疲劳失效时刻数据指的是在calcepwa仿真软件中，在无外加机械应力的条件下，由于外部温度的变化使设备的各器件产生循环应变，而导致发生裂纹和断裂的时刻数据或者时间数据；振动疲劳失效时刻数据指的是在calcepwa软件仿真中，在无外加机械应力的条件下，由于外部振动的变化使设备的各器件产生循环应变，而导致发生裂纹和断裂的时刻数据或者时间数据。在本实施例中，热疲劳失效时刻数据和振动疲劳失效时刻数据均是根据calcepwa仿真软件的仿真结果获得，计算机设备获取热疲劳失效时刻数据和振动疲劳失效时刻数据后，需要分别对热疲劳失效时刻数据和振动疲劳失效时刻数据进行累积损伤分析，即针对单一应力的故障机理，采用累积损伤法则进行累积损伤计算，其中，损伤累积模型种类很多，例如线性累积模型、双线性累积模型、非线性累积模型等。示例地，计算机设备可以对温度应力下的多个不同温度段的q个热疲劳失效时刻数据进行叠加，得到累积后的温度应力下的q个疲劳失效时刻数据，本实施例对此不做限定。s202、对各器件的累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据进行故障分布拟合，得到各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数。在本实施例中，计算机设备根据累积后的热疲劳失效时刻数据进行故障分布拟合，得到各器件的热疲劳寿命分布函数；计算机设备根据累积后的振动疲劳失效时刻数据进行故障分布拟合，得到各器件的振动疲劳寿命分布函数。示例地，累积后的设备第i个器件的1000个热疲劳失效时刻数据为si1、si2、…、si1000，计算机设备可以通过指数分布拟合、正态分布拟合、高斯分布拟合等任意一种分布拟合方式，对该1000个热疲劳失效时刻数据进行分布拟合，得到设备第i个器件的热疲劳寿命分布函数fi(x)；同样地，累积后的设备第i个器件的1000个振动疲劳失效时刻数据为ti1、ti2、…、ti1000，计算机设备可以通过任意一种分布拟合方式，对该1000个振动疲劳失效时刻数据进行分布拟合，得到设备第i个器件的振动疲劳寿命分布函数gi(x)，本实施例对此不做限定。s203、对各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数进行故障融合，得到各器件的寿命概率密度函数。其中，故障融合指的是将多种应力下的失效时刻数据融合为一种综合应力下的失效时刻数据。在本实施例中，计算机设备可以通过蒙特卡洛抽样法、正态分布随机抽样算法、对数正态分布随机抽样算法、威布尔分布随机抽样算法等任意一种抽样算法，对各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数进行故障融合操作。示例地，计算机设备可以通过蒙特卡洛抽样算法，对各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数执行抽样操作，得到两个随机值，优选地，计算机设备还可以通过竞争算法对随机值进行处理，最终得到等于预设阈值的多个随机值，根据多个随机值拟合得到的各器件的寿命概率密度函数，本实施例对此不做限定。s204、对设备中所有器件的寿命概率密度函数进行故障融合，得到设备的寿命概率密度函数；设备的寿命概率密度函数用于获取设备的寿命量化结果。在本实施例中，计算机设备将设备中所有器件的寿命概率密度函数进行故障融合时，可以类比上述步骤s203的实施例的具体实施方式，通过采用蒙特卡洛抽样法、正态分布随机抽样算法、对数正态分布随机抽样算法、威布尔分布随机抽样算法等任意一种抽样算法，对所有器件的寿命概率密度函数进行故障融合操作。示例地，计算机设备可以通过蒙特卡洛抽样算法，对设备中k个器件的寿命概率密度函数执行抽样操作，得到k个随时值，再可以通过竞争算法对k个随时值进行处理，最终得到等于预设阈值的多个随机值，根据多个随机值拟合得到的设备的寿命概率密度函数，本实施例对此不做限定。上述设备寿命量化方法中，计算机设备分别对设备中各器件的热疲劳失效时刻数据和振动疲劳失效时刻数据进行累积损伤分析，然后对各器件的累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据进行故障分布拟合，得到各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数；再对各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数进行故障融合，得到各器件的寿命概率密度函数；最后对设备中所有器件的寿命概率密度函数进行故障融合，得到设备的寿命概率密度函数，从而根据寿命概率密度函数获取该设备的寿命量化结果。本实施例中，计算机设备通过对设备中各器件的热疲劳失效时刻数据和振动疲劳失效时刻数据计算处理，可以得到该设备对应的寿命概率密度函数，从而根据设备的寿命概率密度函数可以获取到设备的寿命预计值，即寿命量化结果，由于该设备的寿命量化结果是由设备中所有器件的失效数据计算处理得到，故该寿命量化结果可以准确地反映该设备的实际互连失效分布情况，以及该设备的可靠性情况。在上述步骤201中计算机设备在对设备中各器件的热疲劳失效时刻数据和振动疲劳失效时刻数据进行累积损伤分析之前，在一个实施例中，上述设备寿命量化方法还包括：获取设备各器件在多个温度段下的热疲劳失效时刻数据，和，在多个振动量下的振动疲劳失效时刻数据。在本实施例中，计算机设备根据calcepwa仿真软件的仿真结果获取设备各器件在多个温度段下的热疲劳失效时刻数据，和，在多个振动量下的振动疲劳失效时刻数据，示例地，计算机设备可以获取到设备各器件在m个温度段下的热疲劳失效时刻数据，每个温度段下的包括q个热疲劳失效时刻数据；计算机设备可以获取设备各器件在n个振动量下的振动疲劳失效时刻数据，每个振动量下的包括q个振动疲劳失效时刻数据，本实施例对此不做限定。在本实施例中，计算机设备通过calcepwa仿真软件的仿真结果获取热疲劳失效时刻数据和振动疲劳失效时刻数据，由于calcepwa仿真软件中采用了多种故障分析模型，使得通过calcepwa仿真软件获得的热疲劳失效时刻数据和振动疲劳失效时刻数据较为准确。对于在温度应力下的设备中各器件互连失效分析，计算机设备可以根据获取到的设备中各器件的热疲劳失效时刻数据进行累积损伤分析，具体的，在一个实施例中，如图3所示，上述分别对设备中各器件的热疲劳失效时刻数据进行累积损伤分析，得到累积后的热疲劳失效时刻数据，包括：s301、针对设备的第i个器件，计算各温度段占所有温度段的温度时间比例；每个温度段均包括q个热疲劳失效时刻数据，且不同的热疲劳失效时刻数据对应不同的标识。在本实施例中，设备中的第i个器件的可能包括m个温度段，每个温度段中均包括q个热疲劳失效时刻数据，每个数据具备唯一且不同的序号标识。在计算机设备对各温度段的热疲劳失效时刻数据进行累积叠加之前，可以通过计算各温度段占所有温度段的时间比例，以赋予各温度段数据相应的权重，示例地，计算机设备可以将第m个温度段的热疲劳失效时刻数据之和，除以所有温度段的热疲劳失效时刻数据之和，得到的第m个温度段占所有温度段的时间比例，用mm表示，本实施例对此不做限定。s302、将各温度段的每个热疲劳失效时刻数据均乘以对应的温度时间比例，得到各温度段的q个目标热疲劳失效时刻数据。在本实施例中，每个温度段中包括的热疲劳失效时刻数据为：sim1、sim2、…、simq，一般地，通过calcepwa仿真软件获得的各温度段的热疲劳失效时刻数据的数量为1000个，即q为1000，q为确定的值。计算机设备计算得到的第m个温度段占所有温度段的时间比例为mm，在计算机设备将各温度段的每个热疲劳失效时刻数据均乘以对应的温度时间比例之前，优选地，计算机设备可以对将各温度段的每个热疲劳失效时刻数据进行求倒，即设备中第i个器件的第m个温度段的第q个目标热疲劳失效时刻数据可以表示为本实施对此不做限定。s303、将相同标识对应的各温度段的目标热疲劳失效时刻数据进行累加，得到q个累积后的热疲劳失效时刻数据。在本实施例中，计算机设备根据设备中第i个器件的相同标识对应的所有温度段的目标热疲劳失效时刻数据进行累加，优选地，计算机设备可以对累加结果求倒，得到相同标识下的累积后的热疲劳失效时刻数据，可以表示为si1、si2、…、siq。示例地，第i个器件标识为1的累积后的热疲劳失效时刻数据可以表示为第i个器件标识为q的累积后的热疲劳失效时刻数据可以表示为那么，计算机设备可以根据该表达式得到q个累积后的热疲劳失效时刻数据，本实施例对此不做限定。在本实施例中，计算机设备将第i个器件的各温度段下的热疲劳失效时刻数据进行累积损伤分析，可以得到第i个器件综合温度段下累积后的热疲劳失效时刻数据，该热疲劳失效时刻数据可以准确的反映设备将第i个器件在单一的温度应力下的失效情况。对于在振动应力下的设备中各器件互连失效分析，计算机设备可以根据获取到的设备中各器件的振动疲劳失效时刻数据进行累积损伤分析，具体的，在一个实施例中，如图4所示，上述分别对设备中各器件的振动疲劳失效时刻数据进行累积损伤分析，得到累积后的累积后的振动疲劳失效时刻数据，包括：s401、针对设备的第i个器件，计算各振动量占所有振动量的振动时间比例；每个振动量均包括q个振动疲劳失效时刻数据，且不同的振动疲劳失效时刻数据对应不同的标识。在本实施例中，设备中的第i个器件的可能包括n个振动量，每个振动量中均包括q个振动疲劳失效时刻数据，每个数据具备唯一且不同的序号标识。在计算机设备对各振动量的振动疲劳失效时刻数据进行累积叠加之前，可以通过计算各振动量占所有振动量的时间比例，以赋予各振动量数据相应的权重，示例地，计算机设备可以将第n个振动量的振动疲劳失效时刻数据之和，除以所有振动量的振动疲劳失效时刻数据之和，得到的第n个振动量占所有振动量的时间比例，用mn表示，本实施例对此不做限定。s402、将各振动量的每个振动疲劳失效时刻数据均乘以对应的振动时间比例，得到各振动量的q个目标振动疲劳失效时刻数据。在本实施例中，每个振动量中包括的振动疲劳失效时刻数据为：tin1、tin2、…、tinq，一般地，通过calcepwa仿真软件获得的各振动量的振动疲劳失效时刻数据的数量为1000个，即q为1000，q为确定的值。计算机设备计算得到的第n个振动量占所有振动量的时间比例为mn，在计算机设备将各振动量的每个振动疲劳失效时刻数据均乘以对应的振动时间比例之前，优选地，计算机设备可以对将各振动量的每个振动疲劳失效时刻数据进行求倒，即设备中第i个器件的第n个振动量的第q个目标振动疲劳失效时刻数据可以表示为本实施对此不做限定。s403、将相同标识对应的各振动量的目标振动疲劳失效时刻数据进行累加，得到q个累积后的振动疲劳失效时刻数据。在本实施例中，计算机设备根据设备中第i个器件的相同标识对应的所有振动量的目标振动疲劳失效时刻数据进行累加，优选地，计算机设备可以对累加结果求倒，得到相同标识下的累积后的振动疲劳失效时刻数据，可以表示为ti1、ti2、…、tiq。示例地，第i个器件标识为1的累积后的振动疲劳失效时刻数据可以表示为第i个器件标识为q的累积后的振动疲劳失效时刻数据可以表示为那么，计算机设备可以根据该表达式得到q个累积后的振动疲劳失效时刻数据，本实施例对此不做限定。在本实施例中，计算机设备将第i个器件的各振动量下的振动疲劳失效时刻数据进行累积损伤分析，可以得到第i个器件综合振动量下累积后的振动疲劳失效时刻数据，该振动疲劳失效时刻数据可以准确的反映设备将第i个器件在单一的振动应力下的失效情况。计算机设备可以通过指数分布拟合、正态分布拟合、高斯分布拟合等任意一种方法对各器件的累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据进行故障分布拟合，优选地，在一个实施例中，如图5所示，上述对各器件的累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据进行故障分布拟合，得到各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数，包括：s501、采用指数分布拟合算法，对各器件的累积后的热疲劳失效时刻数据进行分布拟合，得到设备中各器件的热疲劳寿命分布函数。在本实施例中，计算机设备对上述累积后的热疲劳失效时刻数据进行分布拟合，可以根据下式指数分布算法进行分布拟合。当前器件的累积后的热疲劳失效时刻数据可以表示为si1、si2、…、siq，通过下式(1)，计算机设备可以根据累积后的热疲劳失效时刻数据计算该器件的热疲劳寿命分布函数的中数学期望θ的点估计其中，t(i)为第i个热疲劳失效时刻数据；q为热疲劳失效时刻数据的数量。从而，计算机设备可以根据式(1)计算得到的热疲劳寿命分布函数中的数学期望θ的点估计根据式(2)，计算该器件的热疲劳寿命分布函数。f(t)＝1-e-λt(2)其中，λ为故障率，s502、采用指数分布拟合算法，对各器件的累积后的振动疲劳失效时刻数据进行分布拟合，得到设备中各器件的振动疲劳寿命分布函数。与上述实施例中的热疲劳寿命分布函数的分布拟合方式类似的。在本实施例中，计算机设备对累积后的振动疲劳失效时刻数据进行分布拟合，同样可以根据下式指数分布算法进行分布拟合。当前器件的累积后的振动疲劳失效时刻数据可以表示为ti1、ti2、…、tiq，将ti1、ti2、…、tiq作为上述公式(1)中的t(i)，通过计算得到该器件的振动疲劳寿命分布函数的中数学期望θ的点估计从而，计算机设备可以根据式(1)计算得到的振动疲劳寿命分布函数中的数学期望θ的点估计根据式(2)，计算该器件的振动疲劳寿命分布函数。在本实施例中，计算机设备对各器件累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据进行分布拟合，得到各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数，通过该器件的热疲劳寿命分布函数和振动疲劳寿命分布函数可以获取该器件的在温度应力下的可靠性和在振动应力下的可靠性。计算机设备可以通过蒙特卡洛抽样法、正态分布随机抽样算法、对数正态分布随机抽样算法、威布尔分布随机抽样算法等任意一种抽样算法，对各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数进行故障融合操作，优选地，在一个实施例中，如图6所示，上述对各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数进行故障融合，得到各器件的寿命概率密度函数，包括：s601、针对设备的每个器件，执行抽样操作。其中，抽样操作包括：利用蒙特卡罗法随机抽样法，获取一个随机数，将随机数分别代入器件的热疲劳寿命分布函数和振动疲劳寿命分布函数中，得到两个随机值；获取两个随机值中的最小值，并将最小值输入至第一抽样数据集中。在本实施例中，计算机设备可以通过以下步骤实现设备的每个器件的抽样操作。具体为，步骤1，根据第i个器件的热疲劳寿命分布函数fi(x)和振动疲劳寿命分布函数gi(x)，利用蒙特卡罗法进行一次抽样，随机产生在(0,q)区间上服从均匀分布的随机数x，将x带入fi(x)和gi(x)中计算，得到2个随机数(ti1,ti2)；步骤2，将上述2个随机数(t11,t12)按从小到大顺序排列，取其中的最小值记为t1min。将t1min输出至第一抽样数据集中。s602、重复执行抽样操作，直至第一抽样数据集中的元素数目达到预设阈值为止；并根据第一抽样数据集，得到器件的寿命概率密度函数。其中，预设阈值指的是预先设定的第一抽样数据集中的元素数量。在本实施例中，计算机设备重复执行上述实施例中抽样操作，具体地，当第二次重复时，得到2个新的随机数(t21,t22)，取其中最小的记为t2min，将t2min输出至第一抽样数据集中，直到第一抽样数据集中的元素数目到达预设阈值，示例地，预设阈值为500时，第一抽样数据集可以表示为(t1min,t2min,...,t500min)，通过对第一抽样数据集进行分布拟合优度检验，得到该器件的寿命概率密度函数hi(t)。在本实施例中，计算机设备可以根据设备中每个器件的热疲劳寿命分布函数和振动疲劳寿命分布函数得到器件的寿命概率密度函数，根据该器件的寿命概率密度函数可以确定该器件的可靠性以及寿命预计值，为之后根据器件的寿命概率密度函数确定设备的寿命概率密度函数提供了可靠依据。计算机设备可以通过蒙特卡洛抽样法、正态分布随机抽样算法、对数正态分布随机抽样算法、威布尔分布随机抽样算法等任意一种抽样算法，对设备中所有器件的寿命概率密度函数进行故障融合，优选地，在一个实施例中，如图7所示，上述对设备中所有器件的寿命概率密度函数进行故障融合，得到设备的寿命概率密度函数；设备的寿命概率密度函数用于获取设备的寿命量化结果，包括：s701、针对设备中的所有器件，执行抽样操作。利用蒙特卡罗法随机抽样法，获取一个随机数，将随机数分别代入设备的k个器件的寿命概率密度函数中，得到k个随机值；获取k个随机值中的最小值，并将最小值输入至第二抽样数据集中。在本实施例中，计算机设备可以通过以下步骤实现设备的每个器件的抽样操作。具体为，步骤1，根据设备中k个器件中各器件的寿命概率密度函数hi(t)，利用蒙特卡罗法进行一次抽样，随机产生在(0,q)区间上服从均匀分布的随机数x，将x带入k个器件的寿命概率密度函数hi(t)中计算，得到k个随机数(t11,t12,...,t1k)；步骤2，将上述k个随机数(t11,t12,...,t1k)按从小到大顺序排列，取其中的最小值记为t1min。将t1min输出至第二抽样数据集中。s702、重复执行抽样操作，直至第二抽样数据集中的元素数目达到预设阈值为止；并根据第二抽样数据集，得到设备的寿命概率密度函数。在本实施例中，计算机设备重复执行上述实施例中抽样操作，具体地，当第二次重复时，得到k个新的随机数(t21,t22,...,t2k)，取其中最小的记为t2min，将t2min输出至第二抽样数据集中，直到第二抽样数据集中的元素数目到达预设阈值，示例地，预设阈值为500时，第一抽样数据集可以表示为(t1min,t2min,...,t50min)，通过对第二抽样数据集进行分布拟合优度检验，得到该设备的寿命概率密度函数f(t)，优选地，根据设备的寿命概率密度函数f(t)，计算机设备可以根据下式计算获取设备的寿命评估值：在本实施例中，计算机设备可以根据设备中所有器件的寿命概率密度函数，通过故障融合获得设备的寿命概率密度函数，从而根据设备的寿命概率密度函数获取设备的寿命评估值，根据寿命评估值可以确定该设备的可靠性。为了更好的说明上述方法，如图8所示，本实施例提供一种设备寿命量化方法，具体包括：s801、获取设备各器件在多个温度段下的热疲劳失效时刻数据；s802、获取设备各器件在多个振动量下的振动疲劳失效时刻数据；s803、针对设备的第i个器件，计算各温度段占所有温度段的温度时间比例；s804、将各温度段的每个热疲劳失效时刻数据均乘以对应的温度时间比例，得到各温度段的q个目标热疲劳失效时刻数据；s805、将相同标识对应的各温度段的目标热疲劳失效时刻数据进行累加，得到m个累积后的热疲劳失效时刻数据；s806、针对设备的第i个器件，计算各振动量占所有振动量的振动时间比例；s807、将各振动量的每个振动疲劳失效时刻数据均乘以对应的振动时间比例，得到各振动量的q个目标振动疲劳失效时刻数据；s808、将相同标识对应的各振动量的目标振动疲劳失效时刻数据进行累加，得到m个累积后的振动疲劳失效时刻数据；s809、采用指数分布拟合算法，对各器件的累积后的热疲劳失效时刻数据进行分布拟合，得到设备中各器件的热疲劳寿命分布函数；s810、采用指数分布拟合算法，对各器件的累积后的振动疲劳失效时刻数据进行分布拟合，得到设备中各器件的振动疲劳寿命分布函数；s811、对各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数进行故障融合，得到各器件的寿命概率密度函数；s812、对设备中所有器件的寿命概率密度函数进行故障融合，得到设备的寿命概率密度函数；设备的寿命概率密度函数用于获取设备的寿命量化结果。在本实施例中，计算机设备通过对设备中各器件的热疲劳失效时刻数据和振动疲劳失效时刻数据进行累积损伤分析、数据拟合、数据融合处理，得到设备对应的寿命概率密度函数，根据设备的寿命概率密度函数获取该设备的寿命量化结果，从而确定该设备的互连失效分布情况以及可靠性。上述实施例提供的设备寿命量化方法，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。应该理解的是，虽然图2-8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，图2-8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。在一个实施例中，如图9所示，提供了一种设备寿命量化装置，包括：累积损伤分析模块01、故障分布拟合模块02、器件故障融合模块03和设备故障融合模块04，其中：累积损伤分析模块01，用于分别对设备中各器件的热疲劳失效时刻数据和振动疲劳失效时刻数据进行累积损伤分析，得到累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据；故障分布拟合模块02，用于对各器件的累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据进行故障分布拟合，得到各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数；器件故障融合模块03，用于对各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数进行故障融合，得到各器件的寿命概率密度函数；设备故障融合模块04，用于对设备中所有器件的寿命概率密度函数进行故障融合，得到设备的寿命概率密度函数；设备的寿命概率密度函数用于获取设备的寿命量化结果。在一个实施例中，如图10所示，该设备寿命量化装置还包括获取模块05；获取模块05，用于获取设备各器件在多个温度段下的热疲劳失效时刻数据，和，在多个振动量下的振动疲劳失效时刻数据。在一个实施例中，如图11所示，累积损伤分析模块01包括热疲劳失效累积分析单元011；热疲劳失效累积分析单元011，用于针对设备的第i个器件，计算各温度段占所有温度段的温度时间比例；每个温度段均包括q个热疲劳失效时刻数据，且不同的热疲劳失效时刻数据对应不同的标识；还用于将各温度段的每个热疲劳失效时刻数据均乘以对应的温度时间比例，得到各温度段的q个目标热疲劳失效时刻数据；还用于将相同标识对应的各温度段的目标热疲劳失效时刻数据进行累加，得到q个累积后的热疲劳失效时刻数据。在一个实施例中，如图12所示，累积损伤分析模块01包括振动疲劳失效累积分析单元012；振动疲劳失效累积分析单元012，用于针对设备的第i个器件，计算各振动量占所有振动量的振动时间比例；每个振动量均包括q个振动疲劳失效时刻数据，且不同的振动疲劳失效时刻数据对应不同的标识；还用于将各振动量的每个振动疲劳失效时刻数据均乘以对应的振动时间比例，得到各振动量的q个目标振动疲劳失效时刻数据；还用于将相同标识对应的各振动量的目标振动疲劳失效时刻数据进行累加，得到q个累积后的振动疲劳失效时刻数据。在一个实施例中，如图13所示，上述故障分布拟合模块02包括热疲劳失效拟合单元021和振动疲劳失效拟合单元022，其中：热疲劳失效拟合单元021，用于采用指数分布拟合算法，对各器件的累积后的热疲劳失效时刻数据进行分布拟合，得到设备中各器件的热疲劳寿命分布函数；振动疲劳失效拟合单元022，用于采用指数分布拟合算法，对各器件的累积后的振动疲劳失效时刻数据进行分布拟合，得到设备中各器件的振动疲劳寿命分布函数。在一个实施例中，上述器件故障融合模块03，具体用于针对设备的每个器件，执行抽样操作；其中，抽样操作包括：利用蒙特卡罗法随机抽样法，获取一个随机数，将随机数分别代入器件的热疲劳寿命分布函数和振动疲劳寿命分布函数中，得到两个随机值；获取两个随机值中的最小值，并将最小值输入至第一抽样数据集中；重复执行抽样操作，直至第一抽样数据集中的元素数目达到预设阈值为止；并根据第一抽样数据集，得到器件的寿命概率密度函数。在一个实施例中，上述设备故障融合模块04，具体用于针对设备中的所有器件，执行抽样操作；其中，抽样操作包括：利用蒙特卡罗法随机抽样法，获取一个随机数，将随机数分别代入设备的k个器件的寿命概率密度函数中，得到k个随机值；获取k个随机值中的最小值，并将最小值输入至第二抽样数据集中；重复执行抽样操作，直至第二抽样数据集中的元素数目达到预设阈值为止；并根据第二抽样数据集，得到设备的寿命概率密度函数。关于设备寿命量化装置的具体限定可以参见上文中对于设备寿命量化方法的限定，在此不再赘述。上述设备寿命量化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，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以下步骤：分别对设备中各器件的热疲劳失效时刻数据和振动疲劳失效时刻数据进行累积损伤分析，得到累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据；对各器件的累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据进行故障分布拟合，得到各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数；对各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数进行故障融合，得到各器件的寿命概率密度函数；对设备中所有器件的寿命概率密度函数进行故障融合，得到设备的寿命概率密度函数；设备的寿命概率密度函数用于获取设备的寿命量化结果。在其中一个实施例中，该方法还包括：获取设备各器件在多个温度段下的热疲劳失效时刻数据，和，在多个振动量下的振动疲劳失效时刻数据。上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。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，计算机程序被处理器执行时实现以下步骤：分别对设备中各器件的热疲劳失效时刻数据和振动疲劳失效时刻数据进行累积损伤分析，得到累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据；对各器件的累积后的热疲劳失效时刻数据和累积后的振动疲劳失效时刻数据进行故障分布拟合，得到各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数；对各器件的热疲劳寿命分布函数和振动疲劳寿命分布函数进行故障融合，得到各器件的寿命概率密度函数；对设备中所有器件的寿命概率密度函数进行故障融合，得到设备的寿命概率密度函数；设备的寿命概率密度函数用于获取设备的寿命量化结果。在其中一个实施例中，该方法还包括：获取设备各器件在多个温度段下的热疲劳失效时刻数据，和，在多个振动量下的振动疲劳失效时刻数据。上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。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、存储、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、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。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(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)等。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发明专利范围的限制。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，本申请专利的保护范围应以所附权利要求为准。当前第1页12