ARMA模型，实施例的数据在一 阶差分后均符合ARMA建模标准。
[0071] S4、参考步骤S3中现场服役样本自修正预测序列的建模过程，历史样本的外推预 测残差序列可以由两种方法得到：
[0072] 利用先加权历史样本残差回归法对归一化的m组历史样本序列进行处理，得到加 权历史样本当前时刻外推预测序列和加权历史样本序列的残差序列residuall;
[0073] 利用后加权历史样本残差回归法对m组历史样本进行处理，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;
[0074] 下面对先加权历史样本残差回归法和后加权历史样本残差回归法分别对归一化 的m组历史样本序列进行处理进行详细说明，具体如下：
[0075] S4.1、设置相似度分配权重值w( i)
[0076]
[0077]
[0078] 其中，u代表归一化历史样本的编号用以和分子中的i区分;Sx-h(i)为第i个归一化 历史样本同归一化现场服役样本的相似性测度，α为控制相似性测度的的权重因数， Xcik是归 一化现场服役样本第k个采样点处的数据，hc^i)为归一化的第i组历史样本第k个采样点处 的数据，k代表采样点，p代表总采样点数，ω k为第k个采样点的距离权重，t代表距离函数累 加阶数；
[0079] S4.2、利用先加权历史样本残差回归法对m组归一化历史样本进行处理
[0080] 先加权历史样本残差回归法将m组归一化历史数据按照归一化现场服役样本的相 似度分配权重值，融合为一个历史样本hpO，再进行差分、拟合和建模预测，得到加权融合历 史数据当前时刻外推预测序列ahpO,再用ahpO与hpO作差，得到加权历史样本当前时刻外推 预测序列和加权历史样本序列的残差序列residuall;
[0081] S4.3、利用后加权历史样本残差回归法对m组归一化历史样本进行处理
[0082]后加权历史样本残差回归法同时处理m组归一化历史样本的前Tp个采样点构成一 个数据矩阵，再对数据矩阵进行差分、拟合和建模预测，得到m组归一化历史数据当前时刻 Th-Tp步外推预测采样点构成的序列矩阵，其中第i组位于矩阵第i行，记为ahp(i)，ahp(i) =81^(；〇()，31^(；〇1，一31^(；〇11 1，再将序列矩阵与归一化历史样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;
[0083] S5、计算序列Αχρ的前Tp个序列值Αχρο,Αχρι, "·ΑχρτΡ与归一化现场服役样本序列X。 =χ〇ο，χ〇ι，…χ〇τρ之间的差值，得到残差序列re s i dual 3;
[0084] 在本实施例中，三组残差序列I、residual2、residual3的曲线图如图4。历史样本 的外推趋势要对现场样本起到修正的作用，既需要评估相似度，还需要对其进行建模处理， 使其能反映一般化情况。
[0085] 36、根据^8丨(1皿11和^8丨(1皿12的退化预测趋势对^8丨(1皿13进行修正，得到最终 的外推预测曲线hAxp，再对外推预测曲线hAxp进行样条差值处理，得到现场服役样本的预 测失效时间和剩余寿命；
[0086] 其中，residuall和residual2的退化预测趋势对residual3进行修正方法为：
[0087] 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，此处是以相似性测度标准使其融合曲线最接近reSidual3的走势，得到曲 线residual;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。
[0088] 实例
[0089]选取六只IGBT管，其中IGBT管F1作为现场服役样本，剩余五只作为历史样本。
[0090]在本实施例中，按照本发明所述的方法，对六只IGBT管进行处理，其中，现场服役 IGBT管F1按照本发明所述方法和原预处理样本方法处理后，其结果如图5所示，其中，失效 阈值〇以下的曲线代表本发明得到的最终预测退化趋势线，失效阈值〇以上的曲线代表原预 处理样本方法处理后的最终预测退化趋势线，水平线是失效阈值标示线。
[0091] 本发明可以结合上述实施例，及上述实施步骤分析误差的来源：
[0092] 1.现场样本采样时间区间有限，也即采样点数有限导致的累积拟合预测误差是影 响最大的来源。控制其他参量不变，则不管被拟合数据接近线性抑或非线性，时间区间的影 响一般都在主要因素。取样点过少导致的累积误差会越来越大，如果Tp从距Tdl(Fl失效时 间）还剩T = 50%的时刻开始预测将比从Tdl还剩T = 30%的时刻预测得到的结果偏差5%~ 10%不等。
[0093] 2.历史样本与现场样本的退化趋势差异是误差第二大来源。本发明的思想是利用 历史数据的外推预测的误差反映该种被测器件的一般特性，进而修正现场样本自回归误 差。每个器件制作工艺的差异必然导致参量退化特性的差异，由此导致的误差影响居于次 要。本发明采用两种修正方法与现场数据相似性测度结合分配权重的办法，可以抵消一部 分系统误差和环境噪声的影响。经过现场样本自回归预测后一般都能保证预测点落在离退 化数据样条插值失效点不超过3.7 %的区间，经过历史数据多残差外推预测序列的修正，最 后能达到不超过2.6 %的精度。
[0094] 3.相似性测度的量化方法误差：
[0095]以下几种距离函数公式可用于测度相似性：
[0096]
[0097]
[0098]
[0099] 本发明相似性测度
依据Euclid距离计算，在做过了 距离函数和权重因子对实验结果的影响的研究后，其结果表明随机干扰不大时Euclid距离 相较于Mahattan距离和Canberra距离有较明显的优势;距离函数的累加阶数和权重因子的 增加会将更大的权重赋给与现场数据更相似的历史样本，然而并非越高越好。特别对于退 化趋势与历史样本相差较大的现场样本，距离函数偏大，则无论怎样修正误差都是较大的， 此种情况就不应按照权值和为1来分配比例，而应该视偏离大小对距离函数作缩小权重处 理。因此本发明的方法认为分析性能退化趋势不能一以概之，对于具体样本的走势特点要 做相应的微调。
[0100] 4.以及自回归移动平均算法建模前后的残差:matlab使用建模方法后都会自动给 出差分后数据序列的建模误差，一般SSE在1.6以下。
[0101 ] 5 .作为失效参考点的插值误差和样本抖动：电压实测值会在一定范围内上下波 动，取第一个到达阈值的点不一定意味着当时已失效，样条插值法也会带来参考点的误差， 但前后相差仅几个连续时刻点，因而此为最末一项的影响。
[0102] 为了说明本发明的技术效果，采用IGBT模块的集射极饱和管压降进行效果验证。 每次轮流采用六只IGBT管中的一只作为现场服役样本，剩余五只作为历史样本说明。按照 经验，一般数据距初始时刻变化15%即可视为失效。此处以第一个达到失效阈值的点作为 参考的真实失效点，对比F1的真实寿命、现场样本自回归方法得到的预测寿命和最后用历 史样本多残差建模回归修正之后的预测寿命，其预测结果如表1所示。
[0103]
[0104J 表1
[0105]尽管上面对本发明说明性的【具体实施方式】进行了描述，以便于本技术领域的技术 人员理解本发明，