电子系统可靠性与剩余寿命的实时预测算法

合集下载
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

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
method based on difference analysis and similarity. Firstly, reliability experimental data is divided into some groups. Then use difference analysis theory to compare the on-site data and reliability experimental data of every group so that we can get some remaining life prediction results. According to the similarity between on-site degradation data and reliability experimental data of every group, we can allocate the weights to every group to fuse prediction results to acquire final remaining life prediction results. There is no need to build mathematic model for degradation data about this method. As the result, this method is independent to the track type and the statistical distribution characteristics of degradation data with a great applicability. In the same time, it can offset the flaw of the method based on similarity and promote the residual life prediction effect further more.
The forth part will show software developed by VC6.0 and MATCOM which is mainly used to verify the former three methods which are real-time reliability prediction method based on Bayes method and sliding series samples dividing method, real-time performance degradation trend prediction method based on reliability experimental data, real-time remaining life prediction method based on difference analysis and similarity.
Keywords:Reliability, Performance degradation trend, remaining life, difference analysis, similarity
目录
第一章绪论 (1)
1.1 研究工作的背景与意义 (1)
1.2可靠性预测国内外研究历史与现状 (2)
1.3剩余寿命预测国内外研究历史与现状 (3)
1.4本文研究方法 (5)
1.4.1 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 (5)
1.4.2 基于可靠性试验数据的性能退化趋势实时预测方法 (5)
1.4.3 基于差异分析和相似性的剩余寿命实时预测方法 (6)
1.5本文的主要贡献与创新 (6)
1.6本文章节安排 (6)
第二章实时可靠性分析 (9)
2.1 可靠性的基本概念 (9)
2.2 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 (10)
2.2.1 贝叶斯方法及其实现流程 (10)
2.2.2 实时可靠度的求解 (10)
2.2.2.1伪失效寿命的估计 (10)
2.2.2.2先验概率密度函数中的未知参数估计 (12)
2.2.2.3后验概率密度函数的求解 (14)
2.2.2.4 实时可靠度的求解 (15)
2.2.2.5 实例验证 (15)
2.3 本章小结 (18)
第三章基于可靠性试验数据的性能退化趋势实时预测方法研究 (20)
3.1性能退化趋势的实时预测 (22)
3.1.1 可靠性试验数据的分析处理 (22)
3.1.2 现场数据的分析处理 (23)
3.1.3 数据融合与趋势实时预测结果 (23)
3.1.4 实例验证 (24)
3.2本章小结 (30)
第四章剩余寿命实时预测方法研究 (32)
4.1 基于差异分析和相似性的剩余寿命实时预测方法 (32)
4.1.1 差异分析方法 (32)
4.1.2 相似性分析方法 (34)
4.2剩余寿命的实时预测 (36)
4.3实例验证 (38)
4.3.1 预测方法的验证与鲁棒性分析 (39)
4.3.2 权重分配因子对预测结果的影响的验证 (42)
4.3.3 距离函数对预测结果的影响的验证 (45)
4.4本章小结 (48)
第五章可靠性与剩余寿命预测方法软件设计与实现 (50)
5.1 总体设计思想 (50)
5.1.1 开发环境 (50)
5.1.2 任务要求 (51)
5.2 软件编程实现 (51)
5.2.1 软件界面的设计 (51)
5.2.2 软件功能的实现 (52)
5.2.3 关键技术 (56)
5.3 本章小结 (58)
第六章全文总结与展望 (59)
6.1 全文总结 (59)
6.2 后续工作展望 (60)
致谢 (63)
参考文献 (64)
攻读硕士学位期间取得的成果 (67)
第一章绪论
第一章绪论
1.1 研究工作的背景与意义
进入新世纪以来,作为新兴科学技术代表的电子产品的发展呈现出日新月异的趋势,科技含量越来越高,技术性能也是越来越先进,推动着社会的不断地发展和进步。

但是各种问题也随之而来,电子产品的设计也越来越精密,结构越来越复杂,出现可靠性隐患和发生故障的几率也呈现不断增长的趋势。

与此同时,在电子产品被普遍运用且作为主要核心设备的一些领域,例如军事国防,航空航天,核电能源等,由于这些领域都与国家安全问题有着非常紧密的联系,特别是对极端环境下的安全性和持续工作下的稳定性要求非常高,一旦发生事故,将会造成重大的经济损失和人员伤亡,甚至是对于国家安全都会产生重大威胁。

1983年9月26日,苏联的弹道导弹预警系统发出报警,系统显示有多枚从美国发射的携带核武器的弹道导弹正在向苏联飞来,按照规定的应急程序,苏联应该立即启动核反击程序,这将带来无可挽回的后果。

幸亏当时值班军官冷静判断,认为是系统故障虚警,没有采取紧急措施。

事后经检查发现是预警系统中的一台电脑发生故障造成的虚警。

因此对于使用的电子产品的运行可靠性提出了更严格更苛刻的要求,要求电子产品能够在全寿命周期内保持良好的性能,维持稳定的运行状态。

为了确保电子产品能够满足在实际应用领域对于可靠性的更苛刻的需求,在现有的技术研究和工程应用中一般是通过两个方面来解决。

一方面是通过电子产品生产厂商优化生产工艺,加强质量检验,确保出厂产品的质量。

另一方面,也要求电子产品的使用装备单元及个人能够对产品进行良好的维护保养,确保能够提前预知发现产品的故障失效,最大程度上防止由于产品故障失效所引发的各种事故。

传统的维护方式一般有两种,一种是事后维护,另外一种是基于固定时间的预防维护[1]。

事后维护是指设备产品发生故障或者性能降低到相应的性能参数的失效阈值以下的时候所采取的非计划性的维护活动。

这种维护方式仅仅能够适用于失效后造成的直接和间接都损失不大的设备产品,但是对于国防,航空航天,核电能源等领域的产品来说,是不能被接受的。

一旦发生故障失效,将造成难以弥补的损失。

预防维护则能够有效地避免事后维护那种固有的无法防止失效事故发生的缺陷,能在很大程度上提前预防故障失效导致的事故的发生。

预防维护根据产品测试阶段获取的试验数据和历史经验,根据预先设定的一定的时间间隔对设
电子科技大学硕士学位论文
备产品进行维护保养。

但是这种方式也存在着一定的不足,如果预防维护设定的维护周期过短,虽然可以将发生故障失效进而引起事故的概率降到很低,但是随之而来的维护成本的急剧上升,大大增加了设备产品的维护成本和全寿命周期成本。

现在较为流行和通用的维护方式主要是基于状态监控的预知维护,通过对设备产品的运行情况进行实时监控,获取实时运行状态数据,根据获取到的运行状态数据对设备产品的未来的运行状态进行预测,并根据预测的结果合理地安排对设备产品的维护工作。

预知维护可以根据设备产品的实时运行状态更加合理并且灵活地安排维护工作,能够在最大程度上兼顾了安全性和经济性。

而要有效地执行预知维护,最重要的问题就是两个,一个是用什么指标来表征设备产品的运行状态,另一个则是如何根据实时采集到的状态数据针对未来运行状态进行准确地预测。

在当前的研究应用领域,主要是用两种指标来表征设备产品的运行状态,一种是可靠性,另一种是剩余寿命。

本文中即将研究的内容就是针对第二个问题,即如何根据实时采集到的状态数据针对未来的可靠性和剩余寿命进行准确地预测。

有效的可靠性与剩余寿命的实时预测方法可以较为准确地预测产品的实时可靠性和实时剩余寿命,为预知维护提供了坚实的数据分析信息基础,在大幅度降低了设备产品的维护成本和全寿命周期成本的同时,也大幅度降低了重特大安全事故的发生概率,对于电子产品在军事国防、航空航天等领域的应用具有一定的意义。

1.2 可靠性预测方法的国内外研究历史与现状
可靠性工程诞生于在二十世纪四十年代。

在二十世纪中期,可靠性工程逐渐开始在航空航天,核电能源等高精尖、高风险领域进入工程实际应用阶段。

在二十世纪后期,可靠性工程开始应用于新兴的电子产品。

进入二十世纪末期,可靠性工程开始成为一个全新的研究领域,各个相关应用领域的研究人员对其进行了更加系统、更加深入的研究。

进入新世纪以来,世界各发达国家和新兴经济体已经把可靠性技术和综合质量管理紧密地集合起来,有力地提高了产品的可靠性水平。

传统可靠性方法得到的是反映了在相同运行环境下同类产品的平均特征的失效分布,但是由于实际运行中的同类产品,不同个体之间的可靠性存在着差异,具有明显的个性特征,因而传统可靠性方法无法针对特定个体进行实时的可靠性研究。

第一章绪论
1992年,Kim和Kolarik首次提出了实时可靠性的概念和分析预测方法[2]。

文中利用从一个独立设备采集到的实时真实性能退化数据和预期的真实性能群体模型,针对设备老化和失效的背景下,发展了一个针对个体设备的实时可靠性估算方法。

Stamatelators M提出可以根据不同运行条件选择合适的环境因子[3],从而得到产品的实时可靠性,但是这种方法依然需要较强的统计性计算,实时估计时误差较大。

而且基于环境因子的方法需要大量的可靠性测试实验数据作为支撑,对于人力和物力的需求都很大,应用范围比较有限。

华成,张庆等提出了一种基于动态概率模型的实时可靠性评估方法。

这种方法主要是应用于一些特殊领域。

在这些领域的实际应用中,产品都无法获取到足够数量的可靠性试验数据,在实际服役运行的过程中,性能参数的统计概率分布情况与通常假设的情况不相吻合。

在确定统计样本的概率分布模型的选择策略时,可以使用滑动平移时间窗口进行动态的分析和调整,有效地适应实时变化,得出合理的决策;实时估计现场服役样本的性能退化数据的概率分布模型时,采用非参数Parzen窗的预测方法,最终以激活的样本点是否包含或者超过滑动概率神经网络抽样集合的抽样点数值V L来衡量和决定实时可靠度[4]。

Lu H,Kolarik W J 和Lu S S提出的利用时序建模的方法估计实时可靠性的方法[5]及Chen V提出的利用时间序列分析研究实时可靠性的方法[6]是基于那种缺乏先验试验数据的情况下给出的。

杨征,程志军和谭林提出了一种基于Gamma桥抽样的退化失效过程仿真方法。

这种方法利用Gamma过程来描述符合系统性能退化轨迹的随机过程,建立了系统的性能退化与故障失效模型,验证可靠性预测结果的有效性[7];李常有,徐敏强,郭耸等提出了一种基于Gamma过程及贝叶斯估计的实时可靠性估计方法。

这种方法选取Gamma过程描述产品性能退化轨迹中单调而且随机的退化过程,并且基于贝叶斯理论利用先验历史数据信息对性能参数进行实时的更新,进而估计出实时可靠度[8]。

孙中泉,赵健印在《Gamma过程退化失效可靠性分析》中提出一种实时可靠性评估方法[9],通过建立一个随机Gamma过程模型,通过计算产品的失效分布并结合一种基于仿真的求解方法,最终得到实时可靠性结果。

这三种方法都是基于Gamma过程,对于退化数据的统计分布规律有一定的要求,这也在一定程度上限制了应用的范围。

1.3剩余寿命预测方法的国内外研究历史与现状
目前的剩余寿命预测方法主要是基于状态监测的预测方法,在产品的运行过
电子科技大学硕士学位论文
程中,根据某一时刻t监测到的产品运行状态和同类产品的历史数据,实时预测产品当前的剩余寿命。

主要有两种基于状态监测的剩余寿命预测方法,其中一种是基于物理特征模型的剩余寿命预测方法,而另外一种则是基于历史经验的剩余寿命预测方法[1]。

基于物理特征模型的剩余寿命预测方法主要是利用了产品特有的机械工程力学知识和服役运行产品的现场实时监测数据。

常用的物理特征模型有三种,其中包括:损伤增长模型[10],碎裂增长模型[11]和裂纹扩展模型[12]。

基于物理特征模型的寿命预测方法,由于可以参考一定的物理学模型,所以在大多数情况下都不需要大量的历史数据作数据支撑就能得到较为准确的预测结果。

但是由于建立完善可靠的物理学模型是比较困难的,这就导致了这一方法的应用受到一定程度上的限制。

基于历史经验的剩余寿命预测方法,也被称为基于数据驱动的剩余寿命预测方法,不依赖物理学特征退化模型,利用产品的可靠性试验数据和现场状态监测数据就能对产品的剩余寿命进行实时预测,其中主要包含三种类型的方法:其中一种是基于状态预测/外推的方法,另外一种是基于统计回归的方法,还有一种是基于相似性的方法[1]。

基于状态预测/外推的方法假设认定产品失效可以对应确定的失效阈值,并能定义映射到状态空间[13-14]。

基于统计回归的方法假设认定监测的状态是产品失效概率的重要因素,一般根据相同类型产品的历史数据建立起失效概率、监测状态和运行时间之间的函数关系[15-16]。

在有些实际应用情况中,无法准确设定产品的性能参量的失效阈值,其具有一定的不确定性,在这种背景条件下,运用基于统计回归的预测方法要比使用基于状态预测/外推的预测方法能更有效地预测产品的剩余寿命。

基于相似性的剩余寿命预测方法是近年来才提出的一种新的剩余寿命预测方法,这种方法的主要思想和核心思路在于:将服役产品的剩余寿命预测估计为多个参考产品某时刻剩余寿命的加权平均,而权重值正比于服役产品与各参考产品之间的相似程度[17]。

基于相似性的寿命预测方法可以不需要对产品性能退化信号进行建模即可进行预测,而在非线性退化的情况下,退化建模是比较困难的,这也凸显了基于相似性的方法的优势。

针对核能系统动态失效的情况,Zio E和Maio F D提出了一种基于数据驱动模糊方法的剩余寿命预测方法,利用模糊逻辑相似性分析,比较现场数据和参考轨迹图库中的数据,最后融合多个时间进行加权和来对系统失效前的剩余时间进行预测[18]。

Gebraeel等人提出了基于神经网络的剩余寿命预测方法,以轴承的损伤频率及
第一章绪论
六次谐波处的振动幅值为特征变量,有着较好的预测精度。

与上面的方法有所不同的是,权重值不是根据监测状态直接性能参数值计算的,而是根据估计值和实际值之间的误差计算的[19]。

尤明懿研究总结了基于相似性的寿命预测方法,并且发展了一个相似性的剩余寿命预测框架,方法中同时利用失效历史样本和未失效历史样本,分别针对大量失效样本和有限失效样本的情况,进行分析预测,还对其预测结果的鲁棒性和不确定性进行了分析研究[17,20],对于更加精确全面的预测分析剩余寿命有着重要的意义。

1.4本文研究方法
本论文中主要研究了三种预测方法,分别是: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。

1.4.1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
当前,针对可靠性实时预测方法的研究成果都具有一定的局限性和缺陷,有的方法要求数据满足特定的统计概率分布,例如Gamma分布和正态分布,应用范围将会受到局限[7-9]。

有的方法是针对先验信息和历史数据难以获取的极端非正常情况下的,应用于通常情况下时,效果不够理想[5-6]。

有的方法针对具有有限先验信息和历史数据这一通常情况,基于贝叶斯方法,最大程度上利用有限的数据信息,融合状态监测的现场数据求解实时可靠性[21]。

这一方法相比较于前两种方法而言,适用性显然更好,但是也存在着不少缺陷,例如:在对先验概率密度函数中未知性能参数的估计中,存在着样本分组方法不合理以至于性能参数的估计结果不准确的问题,有可能会导致得到的某些时刻的实时可靠度的误差可能较大。

在计算最终实时可靠度时,利用每一个时刻的可靠度来拟合总体可靠度,这样又会引入了额外的误差,致使最后的结果准确性不高。

这些缺陷有待于进一步的改进。

本文针对现有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的缺陷进行弥补改进,提出一种基于滑动窗口的样本分组法来解决样本分组不合理的问题,同时利用整体可靠度计算方法来代替多个时刻可靠度拟合方法,消除了引入的额外误差,进一步提高了预测结果的精度。

1.4.2基于可靠性试验数据的性能退化趋势实时预测方法。

相关文档
最新文档