System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于电子产品寿命预测,涉及到两种电子产品电路板剩余寿命融合预测方法,具体为涉及基于故障物理与数据驱动融合的电路板剩余寿命预测方法。
技术介绍
1、电子产品作为由多种元器件根据不同功能和使用需求集成的产品,其结构和功能越来越丰富,但随之而来的是越来越复杂的系统结构和不断增加的使用维护成本,尤其是对贵重的电子产品而言,如果能对即将发生的故障提供预警,并有效估计产品的剩余使用寿命,则在提高产品可用性、可靠性和安全性上具有重要意义。
2、电子产品的寿命预测方法随着技术的发展,从最开始的基于故障物理模型的预测,逐渐发展到基于退化数据的数据驱动算法的预测。基于故障物理模型的预测方法是采用如par is裂纹模型、振动疲劳模型等物理模型进行故障预测;基于数据驱动算法的预测是采用数理统计方法或人工智能、机器学习算法进行预测。无论是基于故障物理模型还是基于数据驱动算法的预测方法,都有着一定的局限性,基于故障物理模型的预测方法需要的数据信息量少,但是较高的模型准确度才能保证较高的预测精度;基于数据驱动算法的预测方法要求有足够多的数据才能通过学习、训练获得较好的预测精度。
3、近年来,已有众多学者考虑把基于故障物理模型的预测结果与基于数据驱动算法的预测结果进行融合,结合二者优势来提高预测性能。一方面,融合方法可以扩大基于物理模型预测方法的使用范围;另一方面,也可以改进数据驱动算法模型的解释。融合方法需要的五个关键步骤包括数据采集、特征提取、诊断、退化建模和剩余寿命(rul)预测,在系统级预测中,混合方法在建模子系统和组
4、实际上,上述的四类融合方法,其中的基于物理模型的预测方法多局限于粒子滤波、马尔科夫链、状态方程等,然后以性能参数的退化趋势作为预测结果,并未考虑系统的故障机理以及故障物理模型的应用,仍然要在获取相应数据的前提下进行融合。而产品在设计初期是缺乏数据的,故障物理模型提供的寿命或者退化参数与内因与外因的关系模型,能够弥补初期数据不足的情况,而后期,随着监测数据的增加,能够用于产品剩余寿命评估的信息就会更为丰富起来。总之,不论是在哪个阶段,故障物理模型与监测数据相融合的方法都还不完善。
技术实现思路
1、本专利技术需要解决的技术问题是基于核函数与维纳过程将物理模型预测结果和在线监测数据驱动预测结果相互融合,并使用融合后的算法对电子产品电路板的剩余寿命进行预测,获得更全面、更准确的剩余寿命预测结果。
2、为解决上述问题本专利技术提供一种基于故障物理与数据驱动融合的电路板剩余寿命预测方法,其包括以下步骤:
3、s1、确定电路板故障物理模型;
4、s11、采用加速度退化速率模型对产品的整个退化做单个机理或者系统级的描述,所述加速度退化速率模型的加速退化速率表示为:
5、
6、其中,m为参数的退化量,t为时间,s为温度应力t以外的应力,k为玻尔兹曼常数,ea为激活能,c0、n为常数;
7、s12、采用故障物理寿命模型对电路板进行建模,获得下述输出电压模型为:
8、
9、其中,vout为输出电压,v、t、s分别为电路工作的电应力、温度应力和振动应力,ea为激活能,k为玻尔兹曼常数,t为时间,a、b、c、d为常数;未知参数ea、a、b、c、d通过实验拟合得到;
10、s13、针对电压模型考虑概率不确定性,对应力参数v、t、s进行离散化操作,用正态分布n(u,σ)进行离散化后蒙特卡洛仿真,用可靠度来表示电路的退化,把可靠度作为故障物理模型的参数进行下一步的预测输入,其中可靠度表示为:
11、
12、其中,其中,r为可靠度,mvout为性能参数vout的裕量,n为在工作时间t时进行的仿真次数;i(vout(t)∈mvout)为示性函数,当vout(t)∈mvout时i(·)=1,当vout(t)□mvou时i(·)=0
13、s2、生成维纳退化数据;通过监测电路板的工作应力和退化参数的变化情况,利用维纳过程,生成未来的具有概率不确定性的退化数据,描述未来退化参数的走势;其中所述维纳退化数据生成过程表达式为:
14、dxt=μxtdt+σxtdbt(4)
15、其中,xt为随机变量,uxt为随机变量xt的均值,σxt为方差,bt为标准布朗运动;
16、s3、将故障物理模型获得的退化速率或可靠度、以及退化的性能参数带入数据驱动模型进行融合预测得到参数预测值;
17、s4、将融合预测得到的参数预测值转换为电路板剩余寿命,确定退化的性能参数的期望值和退化阈值后,由预测的性能参数获取实时性能参数退化量后,通过剩余寿命表达式计算获取电路板的剩余寿命值。
18、进一步,在步骤s4中,将融合预测得到的参数预测值转换为电路板剩余寿命时,采用下式(5)表示数据驱动在时间t的剩余寿命:
19、
20、其中,δθ(t)为产品工作了时间t后造成的损伤量,可用θ(t)-θ(0)得到,θ(t)表示随时间退化的性能参数;δθth为性能参数θ的裕量,可用性能参数的初始值和阈值相减得到;rul_data(t)表示数据驱动在时间t的剩余寿命。
21、进一步,在步骤s2中,所述维纳退化数据生成过程表达式中的未知参数u和σ,通过对xt进行取对数作差后得到的分布来进行拟合得到:
22、δln x=ln xt-ln xs=(μ-1/2σ2)t+σbt~n((μ-1/22)d,σ2d) (6)
23、其中,d=t-s(t>s)为时间t与时间s的时间间隔n((μ-σ2)d,σ2d)表示均值为(μ-σ2)d,方差为σ2d的正态分布。
24、进一步,步骤s3的融合预测包括第一融合预测算法和第二融合预测算法,当预测电路板下一时刻寿命时选择第一融合算法,当预测未来时间范围内的电路板剩余剩余寿命时选择第二融合算法。
25、进一步,第一融合预测算法为针对数据驱动模型,利用真实的退化数据和监测应力作为输入训练神经网络算法,获取真实数据的预测值第一融合预测算法的训练输入为所有真实数据的前x%,其中70<x<90,预测输入为所有数据的后x%~100%的数据,若退化趋势明显,x取小值;若退化不明显,x取大值;通过前x%的退化参数和故障物理参数进行神经网络学习,获取学习后的神经网络,用除前x%外的退化参数本文档来自技高网...
【技术保护点】
1.一种基于故障物理与数据驱动融合的电路板剩余寿命预测方法,其特征在于,其包括以下步骤:
2.根据权利要求1所述的基于故障物理与数据驱动融合的电路板剩余寿命预测方法,其特征在于,在步骤S4中,将融合预测得到的参数预测值转换为电路板剩余寿命时,采用下式(5)表示数据驱动在时间t的剩余寿命:
3.根据权利要求1所述的基于故障物理与数据驱动融合的电路板剩余寿命预测方法,其特征在于,在步骤S2中,所述维纳退化数据生成过程表达式中的未知参数u和σ,通过对Xt进行取对数作差后得到的分布来进行拟合得到:
4.根据权利要求1所述的基于故障物理与数据驱动融合的电路板剩余寿命预测方法,其特征在于,步骤S3的融合预测包括第一融合预测算法和第二融合预测算法,当预测电路板下一时刻寿命时选择第一融合算法,当预测未来时间范围内的电路板剩余剩余寿命时选择第二融合算法。
5.根据权利要求4所述的基于故障物理与数据驱动融合的电路板剩余寿命预测方法,其特征在于,第一融合预测算法为针对数据驱动模型,利用真实的退化数据和监测应力作为输入训练神经网络算法,获取真实数据的预测值
6.根据权利要求4所述的基于故障物理与数据驱动融合的电路板剩余寿命预测方法,其特征在于,第二融合预测算法为针对数据驱动模型,利用全部已经监测到的退化参数和监测应力作为输入给神经网络算法进行训练,利用生成的未来退化参数进行预测,预测得到考虑到不确定性的未来性能参数退化值;第二融合预测算法输入所有的真实数据,把100%的退化参数以及故障物理参数作为神经网络的训练输入,通过神经网络学习获取训练好的神经网络,用维纳过程生成未来一定个数的数据,选择所有真实数据的10%~30%,把维纳过程生成的未来数据作为预测的输入,获取未来退化参数的预测值。
7.根据权利要求1或者4所述的基于故障物理与数据驱动融合的电路板剩余寿命预测方法,其特征在于,在步骤S11中,表达式(1)中的激活能Ea和参数C0Sn,能够通过下述方式获得:
8.一种基于故障物理与数据驱动融合的电路板剩余寿命预测方法,其特征在于,其包括以下步骤:
...【技术特征摘要】
1.一种基于故障物理与数据驱动融合的电路板剩余寿命预测方法,其特征在于,其包括以下步骤:
2.根据权利要求1所述的基于故障物理与数据驱动融合的电路板剩余寿命预测方法,其特征在于,在步骤s4中,将融合预测得到的参数预测值转换为电路板剩余寿命时,采用下式(5)表示数据驱动在时间t的剩余寿命:
3.根据权利要求1所述的基于故障物理与数据驱动融合的电路板剩余寿命预测方法,其特征在于,在步骤s2中,所述维纳退化数据生成过程表达式中的未知参数u和σ,通过对xt进行取对数作差后得到的分布来进行拟合得到:
4.根据权利要求1所述的基于故障物理与数据驱动融合的电路板剩余寿命预测方法,其特征在于,步骤s3的融合预测包括第一融合预测算法和第二融合预测算法,当预测电路板下一时刻寿命时选择第一融合算法,当预测未来时间范围内的电路板剩余剩余寿命时选择第二融合算法。
5.根据权利要求4所述的基于故障物理与数据驱动融合的电路板剩余寿命预测方法,其特征在于,第一融合预测算法为针对数据驱动模型,利用真实的退化数据和监测应力作为输入训练神经网络算法,获取真实数据的预测值第一融合预测算法的训练输入为所有真实数据的前x%,其中70<x<90,预测输入...
【专利技术属性】
技术研发人员:匡芬,吕鹏,史熹,杨涛,唐欢,吴洁,姚冲,李依竹,
申请(专利权)人:中车株洲电力机车研究所有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。