一种加速退化试验方案优化设计方法与流程
本公开的实施例一般涉及数据优化领域，并且更具体地，涉及一种加速退化试验方案优化设计方法、系统、设备和计算机可读存储介质。
背景技术：
加速退化试验是解决高可靠长寿命产品的可靠性评估问题的有效方法。
当前，主要是通过选择合适的加速应力，在不改变产品失效机理的前提下加速产品的性能退化过程，从而更快地把握产品的性能退化规律，并外推产品的各项可靠性指标。
加速退化试验方案优化设计对高效开展加速退化试验十分重要。针对加速退化试验，需要优化设计的变量包括加速应力的大小，试样在不同应力水平下的分配情况，每个应力水平下的试验时间，以及性能指标的测试间隔。
现有的加速退化试验优化设计研究主要针对上述优化变量中的一部份进行优化，因为同时优的变量过多会导致搜索最优试验方案的解空间过大，并不适合用目前广泛使用的穷举法来搜索最优试验方案。
但是，若不能同时优化这些试验变量，部分试验变量的确定就没有依据，对试验设计的效果产生较大影响。
技术实现要素：
本公开旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此，在本公开的第一方面，提供了一种加速退化试验方案优化设计方法。该方法包括：
建立产品的性能加速退化模型；
将可靠寿命估计的均方误差作为优化目标函数；
基于试验目的、要求及所述优化目标函数确定试验变量；基于试验费用、约束条件及优化变量特性确定所述试验变量的范围，根据确定的试验变量和所述试验变量的范围，获取最优试验方案的解空间；
将所述目标函数作为遗传算法的适应度函数，基于遗传算法在所述解空间中全局搜索最优试验变量；
将所述最优试验变量代入所述加速退化模型，得到最优试验方案，根据所述最优试验方案进行加速退化试验。
进一步地，所述建立产品的性能加速退化模型包括：
基于随机过程模型建立不考虑加速应力影响的性能退化模型；
采用阿伦尼斯模型作为加速方程，建立加速应力与性能指标退化率的关系；
根据所述性能退化模型和所述加速应力与性能指标退化率的关系，建立所述加速退化模型。
进一步地，所述将可靠寿命估计的均方误差作为优化目标函数包括：
建立产品的首达时寿命分布，得到产品失效寿命分布；
根据所述产品失效寿命分布，计算得到产品可靠寿命；
将所述产品可靠寿命的均方差作为所述目标函数。
进一步地，所述约束条件根据试验试样单价、单位时间试验费用、单次测量费用、试验经费上限、测试次数和测试间隔确定。
进一步地，所述将所述目标函数作为遗传算法的适应度函数，基于遗传算法在所述解空间中全局搜索最优试验变量包括：
设置种群数量、遗传代数、复制概率、交叉概率和突变概率；
根据所述种群数量在所述解空间中生成初代染色体组；
根据所述加速退化模型和所述初代染色体组中的各染色体，生成退化试验数据，并计算与其对应的优化目标函数值；
根据所述种群数量、复制概率、交叉概率和突变概率生成下一代染色体组；
将最后一代染色体中具有所述优化目标函数值的染色体解码，确定最优试验变量。
进一步地，还包括：
对所述最优试验方案进行敏感性分析，确定各试验变量对所述最优加速退化模型的影响。
在本公开的第二方面，提出了一种加速退化试验方案优化设计系统，包括：
建立模块，用于建立产品的性能加速退化模型；
计算模块，用于将可靠寿命估计的均方误差作为优化目标函数；
获取模块，用于基于试验目的、要求及所述优化目标函数确定试验变量；基于试验费用、约束条件及优化变量特性确定所述试验变量的范围，根据确定的试验变量和所述试验变量的范围，获取最优试验方案的解空间；
搜索模块，用于将所述目标函数作为遗传算法的适应度函数，基于遗传算法在所述解空间中全局搜索最优试验变量；
试验模块，用于将所述最优试验变量代入所述加速退化模型，得到最优试验方案，根据所述最优试验方案进行加速退化试验。
在本公开的第三方面，提出了一种加速退化试验方案优化设计设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如根据本公开的上述方法。
在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的上述方法。
本申请实施例提供的一种加速退化试验方案优化设计方法，通过建立产品的性能加速退化模型；将可靠寿命估计的均方误差作为优化目标函数；基于试验目的、要求及所述优化目标函数确定试验变量；基于试验费用、约束条件及优化变量特性确定所述试验变量的范围，根据确定的试验变量和所述试验变量的范围，获取最优试验方案的解空间；将所述目标函数作为遗传算法的适应度函数，基于遗传算法在所述解空间中全局搜索最优试验变量；将所述最优试验变量代入所述加速退化模型，得到最优试验方案，根据所述最优试验方案进行加速退化试验。本公开采用概率化的寻优方法（遗传算法），可以自适应地调整搜索方向，搜索得到全局最优试验方案。同时，基于试验条件和工程经验在遗传算法中添加相应的约束条件，进一步提高最优试验方案搜索效率。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1是根据本申请的一种加速退化试验方案优化设计方法的一个实施例的流程图；
图2根据本申请的一种加速退化试验方案优化设计系统的方框图；
图3是用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
如图1所示，是本申请实施例一种加速退化试验方案优化设计方法的流程图。从图2中可以看出，本实施例的加速退化试验方案优化设计方法，包括以下步骤：
s110，建立产品的性能加速退化模型。
高可靠长寿命产品的失效过程往往是由于某些性能指标随时间逐渐劣化而导致的，因此大部分此类产品的失效可以作为性能退化问题来研究。基于随机过程的建模方法，可以考虑到产品在运行过程中的随机因素影响，因此可以较好描述产品的性能退化过程。同时，产品的性能退化快慢往往与温度等加速应力有关，为了快速得到性能退化规律，可以通过提高加速应力水平来实现，即开展加速退化试验。
可选地，为了描述加速退化试验的退化数据，建立所述产品的性能加速退化模型。
具体地，以工程中常见的温度作为加速应力，采用阿伦尼斯模型为加速方程，建立起温度（加速应力）和性能指标退化率的关系，最终得到所述产品的性能加速退化模型。即，根据工程经验和产品退化机理建立所述产品的性能加速退化模型。所述产品的性能加速退化模型可以为：
其中，所述x（t）表示产品随时间变化的性能退化量；
所述t表示时间（也可以是转换后的时间尺度）；
所述a+b（s）t表示产品的平均退化路径;
所述b（t）表示标准布朗运动，即b（t）~n（0，t）；
所述α表示产品性能退化量分散性大小的参数；
所述α和e分别为所述加速方程中的参数；
所述k表示玻耳兹曼常数；
所述s表示绝对温度。
s120，将可靠寿命估计的均方误差作为优化目标函数。
可选地，对步骤s110中所述产品的性能加速退化模型进行参数估计。
具体地，设在l个应力水平下开展试验，第i个应力水平大小为
由步骤s110中的产品的性能加速退化模型可知，退化增量
由此可得对数似然函数1nl为：
通过上述方法（基于极大似然估计的方法）得到所述产品的加速退化模型中各参数的估计结果。
可选地，所述目标函数可以理解为可以反映不同试验方案效果优劣的评判标准。在本实施例中，以工作状态下可靠寿命估计的均方误差作为目标函数。
在加速退化试验设计领域中以可靠寿命估计的均方误差为目标函数时，现有方法一般是基于退化轨道的方法建立退化模型，这种建模方法的缺点在于不能准确描述产品不同时刻性能退化量的相关性关系。同时，在推导寿命分布时没有考虑首达时的概念。然而，由于工程实际中许多产品的退化过程是非单调的，因此产品的失效时间应定义为性能退化量首次达到失效阈值的时间，即首达时。为了使可靠寿命估计更准确，在本实施例中基于随机过程理论建立产品的加速退化模型，而后基于首达时理论得到产品寿命分布，最后得到工作条件下可靠寿命估计的均方误差作为加速退化试验优化设计的目标函数。
可选地，建立产品的首达时寿命分布。
具体地，基于首达时概念，假设产品的失效阈值为
进一步地，产品失效寿命分布为：
（1-p）可靠寿命
其中，θ为加速退化模型中的模型参数，可通过上述极大似然估计的方法得到其估计值。
可选地，建立所述优化目标函数。
具体地，所述可靠寿命估计的均方误差可以表征可靠寿命的估计精度，因此以可靠寿命估计的均方误差作为优化目标函数，即：
其中，所述
所述
所述
s130，基于试验目的、要求及所述优化目标函数确定试验变量；基于试验费用、约束条件及优化变量特性确定所述试验变量的范围，根据确定的试验变量和所述试验变量的范围，获取最优试验方案的解空间。
可选地，将加速退化试验优化设计问题作为遗传算法的优化问题，在各试验变量允许的变化范围内搜索出全局最优试验变量组合，得到最优试验方案。
可选地，基于试验目的、要求及目标函数确定试验变量。所述试验变量包括试验应力
可选地，基于试验费用、约束条件及优化变量特性确定各优化变量的范围，确定最优试验方案的解空间。
所述约束条件可通过如下公式进行确定：
其中，所述
所述
所述
所述
可选地，将上述约束条件作为下述遗传算法的优化参数约束条件。
可选地，根据确定的试验变量和所述试验变量的范围，得到试验方案的解空间。
s140，将所述目标函数作为遗传算法的适应度函数，基于遗传算法在所述解空间中全局搜索最优试验变量。
可选地，将步骤s120中得到的目标函数作为遗传算法的适应度函数，完成试验方案优化算法的设计。即，基于遗传算法在步骤s130中得到的解空间中全局搜索最优试验变量，确定最优试验方案。
具体地，可通过如下步骤确定所述最优试验变量：
（一）将所述试验变量编码将可行解从所述解空间转换到遗传算法所能处理的搜索空间；
（二）设置种群数量、遗传代数、复制概率、交叉概率和突变概率；
（三）根据所述种群数量从所述解空间中生成初代染色体组；
（四）根据所述加速退化模型和所述初代染色体组中的各染色体，生成退化试验数据，并计算与其对应的优化目标函数值；
（五）根据所述种群数量、复制概率、交叉概率和突变概率生成下一代染色体组；
（六）重复第三步和第四步，直到所述优化目标函数值的变化小于收敛条件或达到规定的遗传代数；
（七）将最后一代染色体中具有所述优化目标函数值的染色体解码，确定最优试验变量。
需要说明的是，所述产品的性能加速退化模型中各参数的初值根据产品已有的历史信息确定。
s150，将所述最优试验变量代入所述加速退化模型，得到最优试验方案，根据所述最优试验方案进行加速退化试验。
将步骤s140得到的最优试验变量带入步骤s110中的产品的性能加速退化模型，得到最优试验方案，根据所述最优试验方案进行加速退化试验。
进一步地，对所述最优加速退化模型进行敏感性分析，确定各试验变量对所述最优加速退化模型的影响。
具体地，在上述产品的性能加速退化模型中，四个参数
可选地，将优化结果全部作归一化处理，然后采用极差分析的方法处理试验设计优化结果，得到各参数的初值变动对各试验优化结果的影响情况。
可选地，将所建立的加速退化模型中同一模型参数针对不同试验优化变量的极差相加，作为该模型参数的总极差，从而表征该参数变动对试验设计结果的影响程度大小。模型参数极差分析的具体过程如表2所示。其中，
本实施例的一种加速退化试验方案优化设计方法，可以同时优化多个试验变量的加速退化试验优化设计方法。建立与所有试验设计变量相关的目标函数，并基于遗传算法设计最优方案的搜索算法。遗传算法采用概率化的寻优方法，可以自适应地调整搜索方向，搜索得到全局最优试验方案。同时，可以基于试验条件和工程经验在遗传算法中添加相应的约束条件，进一步提高最优试验方案搜索效率。
下面给出根据本发明一个具体实施例的加速退化试验方案优化设计方法。即，可以同时优化多个试验变量的加速退化试验优化设计方法。以试验费用作为约束条件，可靠寿命估计的均方误差作为目标函数，基于遗传算法在包含多个试验变量的解空间中全局搜索最优试验方案。
gaas激光器是一种常用的半导体激光器。其工作电流会随着工作时间逐渐增加，导致其性能逐渐下降。当工作电流增加10％时，gaas激光器将被视为失效。gaas激光器是一种典型的长寿命产品，因为它的电流在工作压力下变化缓慢，因此，需要开展加速退化试验进行可靠性评估及验收。温度是影响gaas激光器退化速率的主要因素：温度越高，电流变化越快。
在本实施例中，以gaas激光器为例，介绍csadt（恒应力加速退化试验）优化设计过程。
可选地，获取的历史试验信息为：80℃条件下测试了15个激光单元。测量的频率为250小时，并在4000小时后终止实验。
进一步地，根据上述历史信息得到产品的性能加速退化模型中各参数的初值
可选地，以该组试验数据作为历史信息，对gaas激光器加速退化试验进行优化设计，得到试样分配、加速应力，及测试时间等试验变量。
可选地，根据gaas激光器性能退化规律，以温度为加速应力，建立产品的性能加速退化模型。即：
其中，所述x(t)表示gaas激光的电流增长率；
所述t表示时间（也可以是转换后的时间尺度）；
所述
所述b(t)表示标准布朗运动，即b(t)~n(0,t)；
所述σ表示gaas激光器性能退化量分散性大小的参数；
所述α和e分别为所述加速方程中的参数；
所述k表示玻耳兹曼常数；
所述s表示绝对温度。
可选地，以95%可靠寿命估计的均方误差为加速退化试验优化设计的目标函数。即：
其中，所述
所述
所述
可选地，基于遗传算法设计gaas激光器试验方案优化算法。
具体地，确定两应力水平的gaas激光器加速退化试验优化变量为试验应力
基于gaas激光器试验经费及研制周期确定如下约束条件：
假设试验试样单价为
其中，所述(
可选地，各应力水平下的试样数
进一步地，为了保证试验效率及不改变gaas激光器的失效机理，试验温度控制在333k至363k之间。
可选地，将所述约束条件作为遗传算法的优化参数约束条件。
可选地，将所述标函数作为遗传算法的适应度函数，用于完成试验方案优化算法的设计。
可选地，基于遗传算法在满足所述约束条件的试验变量解空间中全局搜索最优试验变量，用以确定最优试验方案。
具体地，可通过如下步骤确定所述最优试验变量：
（一）将所述试验变量编码将可行解从所述解空间转换到遗传算法所能处理的搜索空间；
（二）设置种群数量、遗传代数、复制概率、交叉概率和突变概率；
（三）根据所述种群数量从所述解空间中生成初代染色体组；
（四）根据所述加速退化模型和所述初代染色体组中的各染色体，生成退化试验数据，并计算与其对应的优化目标函数值；
（五）根据所述种群数量、复制概率、交叉概率和突变概率生成下一代染色体组；
（六）重复第三步和第四步，直到所述优化目标函数值的变化小于收敛条件或达到规定的遗传代数；
（七）将最后一代染色体中具有所述优化目标函数值的染色体解码，确定最优试验变量。
最终得到加速退化试验最优方案如表3所示。
可选地，将所述最优试验变量代入所述加速退化模型，得到最优加速退化模型。
进一步地，在考虑不同参数影响程度的条件下对加速退化试验优化结果进行敏感性分析。
具体地，以加速退化模型中的四个参数
将优化结果全部作归一化处理，然后采用极差分析的方法处理试验设计优化结果，得到各参数的初值变动对各试验优化结果的影响情况，列于表5，由敏感性分析结果可知，α的变化对试验优化设计的结果影响最大，因此在设定其初值时需尽量准确。
本申请实施例还提出了一种加速退化试验方案优化设计系统200，其特征在于，包括：
建立模块210，用于建立产品的性能加速退化模型；
计算模块220，用于将可靠寿命估计的均方误差作为优化目标函数；
获取模块230，用于基于试验目的、要求及所述优化目标函数确定试验变量；基于试验费用、约束条件及优化变量特性确定所述试验变量的范围，根据确定的试验变量和所述试验变量的范围，获取最优试验方案的解空间。
搜索模块240，用于将所述目标函数作为遗传算法的适应度函数，基于遗传算法在所述解空间中全局搜索最优试验变量；
带入模块250，用于将所述最优试验变量代入所述加速退化模型，得到最优试验方案，根据所述最优试验方案进行加速退化试验。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的系统的具体工作过程，可以参考前述一种加速退化试验方案优化设计方法实施例中的对应过程，在此不再赘述。
本申请实施例还提出了一种设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的一种加速退化试验方案优化设计。
此外，本申请实施例还提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的一种加速退化试验方案优化设计。
下面参考图3，其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。图3示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图3所示，计算机系统包括中央处理单元（cpu）301，其可以基于存储在只读存储器（rom）302中的程序或者从存储部分308加载到随机访问存储器（ram）303中的程序而执行各种适当的动作和处理。在ram303中，还存储有系统操作所需的各种程序和数据。cpu301、rom302以及ram303通过总线304彼此相连。输入/输出（i/o）接口305也连接至总线304。
以下部件连接至i/o接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管（crt）、液晶显示器（lcd）等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也基于需要连接至i/o接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，基于需要安装在驱动器310上，以便于从其上读出的计算机程序基于需要被安装入存储部分308。
特别地，基于本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元（cpu）301执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑磁盘只读存储器（cd-rom）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个单元、程序段、或代码的一部分，所述单元、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括信息测量单元、行驶轨迹确定单元、映射关系确定单元和驾驶策略生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，信息测量单元还可以被描述为“测量本车的状态信息以及周围场景信息的单元”。
作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质；也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当所述一个或者多个程序被一个设备执行时，使得所述设备：建立产品的性能加速退化模型；将可靠寿命估计的均方误差作为优化目标函数；基于试验目的、要求及所述优化目标函数确定试验变量；基于试验费用、约束条件及优化变量特性确定所述试验变量的范围，根据确定的试验变量和所述试验变量的范围，获取最优试验方案的解空间。将所述目标函数作为遗传算法的适应度函数，基于遗传算法在所述解空间中全局搜索最优试验变量；将所述最优试验变量代入所述加速退化模型，得到最优加速退化模型。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
- 还没有人留言评论。精彩留言会获得点赞！