电子系统可靠性与剩余寿命的实时预测算法

成都电子科技大学UNIVERSITY OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA

专业学位硕士学位论文MASTER THESIS FOR PROFESSIONAL DEGREE

论文题目电子系统可靠性与剩余寿命的实时预测算法

设计与实现

专业学位类别工程硕士

学号201122070115

作者姓名宋辰亮

指导教师刘震副教授

分类号密级

UDC注1

学位论文电子系统可靠性与剩余寿命的实时预测

算法设计与实现

（题名和副题名）

宋辰亮

（作者姓名）

注1

THE ALGORITHM’S DESIGN AND IMPLEMENTATION OF RELIABILITY AND REMAINING LIFE REAL-TIME PREDICTION FOR ELECTRONIC SYSTEMS

A Master Thesis Submitted to

University of Electronic Science and Technology of China

Major: Instrumentation Engineering

Author: Song Chen-liang

Advisor: Associate Professor Liu Zhen

School:School of Automation Engineering

独创性声明

本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。

作者签名：日期：年月日

论文使用授权

本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。

（保密的学位论文在解密后应遵守此规定）

作者签名：导师签名：

日期：年月日

摘要

目前，故障预测与健康管理（PHM）领域面临着不断提高的技术要求和不断增长的应用需求，对于PHM中的可靠性预测、性能退化趋势预测和剩余寿命预测的研究和探索也越来越受到重视。本论文以电子产品的可靠性、性能退化趋势和剩余寿命的实时预测为核心研究课题，在文中重点探索了基于贝叶斯方法和滑动窗口样本分组法的实时可靠性预测方法、基于可靠性试验数据的实时性能退化趋势预测方法、基于差异分析和相似性的实时剩余寿命预测方法，核心内容分为四个组成部分。

第一部分将研究分析基于贝叶斯方法和滑动窗口样本分组法的可靠性实时预测方法。通过使用可靠性试验获取的历史退化数据和实时采集测量获取到的现场退化数据，基于贝叶斯方法，将现场退化数据融入与历史退化数据中，利用滑动窗口样本分组法，更新性能参数变量分布的时变参数，计算出伪失效寿命，由此进一步得到产品的可靠性的实时预测结果。这种方法适用于历史数据的数量有限但并不缺乏的情况下，可以在最大程度上利用到有限的现场数据信息，得到准确有效的实时可靠性预测信息。

第二部分将研究分析基于可靠性试验退化数据的性能退化趋势实时预测方法。通过利用现场退化数据和可靠性试验退化数据之间的关系，运用差异分析理论，分别获得由现场退化数据以及融合了现场退化数据和可靠性试验退化数据的数据集运算得到的趋势预测结果，然后根据预测结果的曲线拟合误差计算两者的权值并进行数据融合，最终得到产品的性能退化趋势实时预测结果。这种方法相较于基于现场数据时间序列的性能退化趋势的预测方法，适用范围更广，可以提供更加准确、更加稳定的预测结果。

第三部分将研究分析基于差异分析和相似性的剩余寿命实时预测方法。将可靠性试验退化数据分成若干组，运用差异分析理论，将每一组可靠性试验退化数据分别与现场退化数据进行比较分析，并得到若干个剩余寿命预测结果，根据每一组可靠性试验退化数据与现场退化数据之间的相似度分配权重值，将若干个剩余寿命预测结果融合成最终的剩余寿命实时预测结果。这种方法不需要针对退化数据进行数学建模，对退化数据的轨迹类型和统计分布特性没有依赖，对有着很强的适用性。同时又能弥补基于相似性的方法所存在的缺陷，能够进一步提升剩余寿命的预测效果。

第四部分将展示一个利用VC6.0和MATCOM编程的软件，主要用于验证前

三部分中提到的基于贝叶斯方法和滑动窗口样本分组法的可靠性实时预测方法、基于可靠性试验退化数据的性能退化趋势实时预测方法和基于差异分析和相似性的剩余寿命实时预测方法。

关键词：可靠性，性能退化趋势，剩余寿命，差异分析，相似性

ABSTRACT

Nowadays, the field of Prognostic and Health Management (PHM) begin to face the higher technical and application requirements. As the result, the research and exploration of reliability prediction, performance degradation trend prediction and remaining life prediction are put a higher and higher value on. This paper’s main research objects are the reliability, the degradation trend and residual life real-time prediction of electronics system. The key points are real-time reliability prediction method based on Bayes method and sliding time series samples dividing method, real-time performance degradation trend prediction method based on reliability experimental data and real-time remaining life prediction method based on difference analysis and similarity. This paper’s prime contents will be divided into four parts.

The first part will research and analysis the real-time reliability prediction method based on Bayes method and sliding series samples dividing method. This part adopts the Bayes method by using history degradation data and the real-time on-site data, fuses the on-site data into history data, utilizes sliding series samples dividing method updates the performance parameter of variable’s distribution and calculates pseudo-failure lifetime to get the real-time reliability result. This method is suitable for the condition that limited history data but not lacking data. This method can utilize the limited on-site data at the largest extent and acquire accurate and effect real-time reliability prediction information.

The second part will research and analysis the real-time performance degradation trend prediction method based on reliability experimental data. The relationship between the field data and reliability experimental data and difference analysis theory can be used to acquire the two trend prediction results by on-site degradation data and data sets including on-site degradation data and reliability experimental data respectively. Then two prediction results can be fused according to weights calculated by two prediction results’error and finally get the real-time performance trend degradation prediction results. This method can provide a better applicability, more accurate and stable prediction result comparing to the prediction method based on on-site data time series.

The third part will research and analysis the real-time remaining life prediction