本序列对应的组作差，得到 的残差矩阵，再将残差矩阵的每行按照residual3的相似度分配权重值，得到m组历史数据 当前时刻外推预测序列和m组历史数据当前时刻序列的残差序列residual2。
[0033] 在步骤(6)中，residuall和residual2的退化预测趋势对residual3进行修正方法 为：
[0034] 分别选取residuall和residual2的前Tp个点组成退化序列，再分配权重值，使 residuall和residual2的线性和residual = c · residuall+d · residual2与residual3最 接近，c，d为常数，再将residual与Αχρ相加，最终结果hAxp即为多残差回归修正的现场服役 样本预测序列。
[0035]本发明的发明目的是这样实现的：
[0036] 本发明基于多残差回归预测算法的电子产品退化趋势预测方法，通过对电子产品 退化数据特性的充分分析选取最为适宜的初始拟合模型并对残差进行合理建模，最终实现 对产品寿命的预测。同时根据历史样本同期预测误差特性的普适度对现场服役样本进行修 正，提出一种先加权和后加权两种理论可行的残差回归方法，更好地反映一般情况，最后达 到一种高精度的预测，对电子产品的运行状态和预期寿命起到很好地指示作用，成为产品 商对设备的维修和报废时间的参考。
[0037] 同时，本发明基于多残差回归预测算法的电子产品退化趋势预测方法还具有以下 有益效果：
[0038] (1)、通过对产品退化趋势特性灵活选择初始拟合模型，使初始拟合后达到最佳拟 合精度和泛化水平；
[0039] (2)、对历史样本的分析与预测使用了两种理论可行的回归方法，实验证明两者的 融合对现场服役样本预测趋势的修正效果良好；
[0040] (3)、对更接近失效时刻的样本点赋予更高的权值，使预测趋势更接近真实情况。
【附图说明】
[0041] 图1基于多残差回归预测算法的电子产品退化趋势预测方法流程图；
[0042]图2是实施例1GBT管F3的集射极饱和压降处理前后对比图；
[0043]图3是实施例1GBT管F3的电压退化序列F3-VCe的高斯拟合效果图；
[0044]图4是实施例现场服役IGBT管F1同历史样本多残差回归法的三组外推数据残差对 比图；
[0045]图5是实施例现场服役IGBT管F1最终预测图与原预处理样本对比图；
【具体实施方式】
[0046]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。
[0047] 实施例
[0048] 图1基于多残差回归预测算法的电子产品退化趋势预测方法流程图。
[0049] 在本实施例中，如图1所示，一种基于多残差回归预测算法的电子产品退化趋势预 测方法，包括以下步骤：
[0050] S1、选取m组同一型号电子产品的退化数据作为历史样本，每组历史样本均从零时 刻开始，每间隔At时间对电子产品的检测指标进行采样，当m组历史样本中有T%的历史样 本达到失效阈值时的采样点记为Th，对应的历史样本实际采样时刻记为ThX At，则第i组 历史样本序列可表示为11(:〇=11(;〇()，11(;〇1，~11(;〇111，其中，1 = 1，2，~，111，1'￡(0，100);
[0051] 选取一组同一型号电子产品作为现场服役样本，每组现场服役样本均从零时刻开 始，每间隔At时间对电子产品的检测指标进行采样，当前采样点为Tp时，现场服役样本的 序列表不为Χ = Χ0，Χ1，Η·ΧΤρ;
[0052] S2、对m组历史样本和一组现场服役样本进行尺度变换处理得到归一化的m组历史 样本序列h。和归一化的一组现场服役样本序列X。，其中，截取h。的前Tp个值来表不序列h。；
[0053] S2.1、对m组历史样本和一组现场服役样本进行尺度变换
[0054] 利用贝塞尔法分别对m组历史样本和现场服役样本进行坏点剔除，以现场服役样 本为例:通过误差理论中的莱以特准则，对现场服役样本的序列 X = XQ，X1，…XTP求取算术平
均?]
及残差0 = ?-I,再通过贝塞尔法获取均方根偏_ ?中， xi的判别依据：
[0055] 1?-无| > 3cr，则Xi为粗大误差，应舍弃；
[0056] |x; -f I < 3σ，则Xl为正常数据，应保留。
[0057] S2.2、将尺度变换后的样本分别按照如下公式统一映射到[a，b]范围内；
[0058]
[0059] 尺度变换后得到归一化的m组历史样本序列h。和归一化的一组现场服役样本序列 义。，其中第1组归一化历史样本序列可表示为11。(;〇=11。(；〇()，11。(；〇1，~11。(；〇1^，其中，1 = 1， 2，…，m，归一化现场服役样本的序列可表示为X。= X。。，χ〇ι，…χ〇τρ;
[0060] 其中，a，b为常数，Xl表示剔除坏点后的m组历史样本和现场服役样本的统称，Xmin 表示样本集合中最小的样本，Xmax表示样本集合中最大的样本。
[0061 ]在本实施例中，IGBT管F3的集射极饱和压降通过步骤S2所述的方法处理后，其结 果如图2(b)所示，处理前如图2(a)所示；
[0062] S3、根据预选的初始拟合模型对归一化现场服役样本序列X。进行初始拟合，生成 残差序列r。^。经过cd阶差分处理后，利用ARMA建模进行归一化，得到现场服役样本自修正 预测序列Αχρ=Αχρ ο，Αχρ 1，…Αχρτρ+k，其中，Αχρτρ+k已达到失效阈值；
[0063]在本实施例中，在matlab的拟合工具箱中导入采集的所有样本，经过综合考虑拟 合度、最小均方误差、泛化程度程序运行速度等参量，选取最适宜的高斯模型，得到初始拟 合的三阶高斯拟合模型：
[0064] f(x)=alX exp(-( (χ-bl )/cl )2)+a2 X exp (-((x-b2)/c2)2)+a3 X exp(-( (x~b3)/ c3)2)
[0065] 其中&1，&2，&3，13^2,3均为拟合参量^为采样点。接着从拟合工具箱导出拟合 参量，得到该样本的拟合模型。如图3所示，IGBT管F3的的电流退化序列F3-vce为例，得到的 高斯拟合效果。
[0066]其中，现场样本自修正预测序列Αχρ的获取方法为：
[0067] S3.1、依据拟合精度和泛化程度最优的原则选取归一化现场服役样本序列X。的预 选初始拟合模型，得到初始拟合后的序列xrf以及xrf与X。的残差序列r。；
[0068] S3.2、每次对r。差分一步，当前差分阶数c增加1，同时分析差分残差序列是否 符合ARMA建模要求，即验证差分残差序列的偏相关函数与自相关函数的绝对值是否拖 尾，如果满足，则进入步骤S3.3;如果不满足，则重复步骤S3.2继续进行差分；
[0069] S3.3、记录满足要求时的差分阶数cd，根据AIC准则进行定阶代入ARMA预测模型对 差分残差序列十>进行处理，得到从采样点零到采样点Tp+k的k步预测序列最后对序 列?还原差分，并与初始拟合曲线外推序列X〇f相加，得到归一化现场样本自修正预测序 列 Axp〇
[0070] 由于时间序列分析中的ARMA建模方法的理论发展较为成熟，在计量经济学领域得 到了广泛的应用，它考虑了时间序列前后内在的联系进行自回归达到了预测后续趋势的同 时也可以将环境噪声进行移动平均处理。因此，本发明采用了