CN116227239B - 基于灰色预测模型的加速试验数据分析方法、装置和设备 - Google Patents
基于灰色预测模型的加速试验数据分析方法、装置和设备 Download PDFInfo
- Publication number
- CN116227239B CN116227239B CN202310505507.1A CN202310505507A CN116227239B CN 116227239 B CN116227239 B CN 116227239B CN 202310505507 A CN202310505507 A CN 202310505507A CN 116227239 B CN116227239 B CN 116227239B
- Authority
- CN
- China
- Prior art keywords
- product
- tested
- test
- value
- performance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请涉及一种基于灰色预测模型的加速试验数据分析方法、装置和设备。该方法包括:获取待测产品在各测试时刻下的实际测试性能值;基于灰色预测模型,根据待测产品在各测试时刻下的实际测试性能值,确定待测产品的性能退化预测函数;基于性能退化预测函数,预测待测产品在各测试时刻下的预测性能值;确定待测产品在各测试时刻下的预测偏差值;基于灰色预测模型,根据待测产品在各测试时刻下的预测偏差值,确定偏差预测函数;采用偏差预测函数,对性能退化预测函数进行修正;基于修正后的性能退化预测函数和待测产品的性能退化失效阈值,确定待测产品的性能退化失效时间。本申请能够提高加速试验数据的分析准确性。
Description
技术领域
本申请涉及试验技术领域,特别是涉及一种基于灰色预测模型的加速试验数据分析方法、装置和设备。
背景技术
加速试验是采用比产品正常工作环境应力更加严酷的环境应力开展试验,从而在较短时间内快速评价产品可靠性和寿命指标的一种可靠性试验。加速试验比传统的可靠性统计试验效率更高,成本更小,因此,被广泛应用于产品可靠性和寿命的评价。
然而,随着产品质量和可靠性水平越来越高,产品在加速试验过程性能退化数据越来越少,影响加速试验数据的分析准确性,这给产品可靠性和寿命评价带来一定困难,故,亟需改进。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高加速试验数据的分析准确性的基于灰色预测模型的加速试验数据分析方法、装置和设备。
第一方面,本申请提供了一种基于灰色预测模型的加速试验数据分析方法,该方法包括:
在采用第一应力条件对待测产品进行加速试验的过程中,获取待测产品在各测试时刻下的实际测试性能值;
基于灰色预测模型,根据待测产品在各测试时刻下的实际测试性能值,确定待测产品的性能退化预测函数;
基于性能退化预测函数,预测待测产品在各测试时刻下的预测性能值;
根据待测产品在各测试时刻下的实际测试性能值与预测性能值之间的差值,确定待测产品在各测试时刻下的预测偏差值;
基于灰色预测模型,根据待测产品在各测试时刻下的预测偏差值,确定偏差预测函数;
采用偏差预测函数,对性能退化预测函数进行修正;
基于修正后的性能退化预测函数和待测产品的性能退化失效阈值,确定待测产品的性能退化失效时间。
在其中一个实施例中,基于灰色预测模型,根据待测产品在各测试时刻下的实际测试性能值,确定待测产品的性能退化预测函数,包括:
根据灰色预测模型,针对每一测试时刻,对待测产品在该测试时刻下的实际测试性能值,以及待测产品在该测试时刻之前其他测试时刻下的实际测试性能值进行累加计算,得到待测产品在该测试时刻下的性能变换值;
根据待测产品在各测试时刻下的性能变换值和实际测试性能值,确定初始的性能退化预测函数中的未知参数的取值,得到待测产品的性能退化预测函数。
在其中一个实施例中,基于灰色预测模型,根据待测产品在各测试时刻下的预测偏差值,确定偏差预测函数,包括:
根据灰色预测模型,针对每一测试时刻,对待测产品在该测试时刻下的预测偏差值,以及待测产品在该测试时刻之前其他测试时刻下的预测偏差值进行累加计算,得到待测产品在该测试时刻下的偏差变换值;
根据待测产品在各测试时刻下的预测偏差值和偏差变换值,确定初始的偏差预测函数中的未知参数的取值,得到待测产品的性能退化预测函数。
在其中一个实施例中,该方法还包括:
基于待测产品对应的目标通用加速模型,确定待测产品在目标应力条件下的特征寿命;
基于特征寿命,确定待测产品在目标应力条件下的产品可靠度函数;
基于待测产品在目标应力条件下的可靠度函数,确定待测产品的可靠度曲线。
在其中一个实施例中,该方法还包括:
在采用至少两个不同的第二应力条件分别对参考产品进行加速试验的过程中,获取参考产品在各加速试验下的应力量值;其中,参考产品与待测产品的种类相同;
获取参考产品对应的初始通用加速模型;其中,初始通用加速模型中包含待求解参数;
基于初始通用加速模型、参考产品在各加速试验下的应力量值,以及寿命分布函数类型,求解初始通用加速模型中待求解参数的数值,得到目标通用加速模型。
在其中一个实施例中,获取参考产品对应的初始通用加速模型,包括:
根据各第二应力条件的应力种类,从候选通用加速模型中确定初始通用加速模型。
在其中一个实施例中,该方法还包括:
基于特征寿命,以及寿命分布函数类型,确定待测产品的平均寿命。
第二方面,本申请还提供了一种基于灰色预测模型的加速试验数据分析装置,该装置包括:
试验模块,用于在采用第一应力条件对待测产品进行加速试验的过程中,获取待测产品在各测试时刻下的实际测试性能值;
预测函数构建模块,用于基于灰色预测模型,根据待测产品在各测试时刻下的实际测试性能值,确定待测产品的性能退化预测函数;
预测模块,用于基于性能退化预测函数,预测待测产品在各测试时刻下的预测性能值;
偏差计算模块,用于根据待测产品在各测试时刻下的实际测试性能值与预测性能值之间的差值,确定待测产品在各测试时刻下的预测偏差值;
偏差函数构建模块,用于基于灰色预测模型,根据待测产品在各测试时刻下的预测偏差值,确定偏差预测函数;
修正模块,用于采用偏差预测函数,对性能退化预测函数进行修正;
分析模块,用于基于修正后的性能退化预测函数和待测产品的性能退化失效阈值,确定待测产品的性能退化失效时间。
第三方面,本申请还提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
在采用第一应力条件对待测产品进行加速试验的过程中,获取待测产品在各测试时刻下的实际测试性能值;
基于灰色预测模型,根据待测产品在各测试时刻下的实际测试性能值,确定待测产品的性能退化预测函数;
基于性能退化预测函数,预测待测产品在各测试时刻下的预测性能值;
根据待测产品在各测试时刻下的实际测试性能值与预测性能值之间的差值,确定待测产品在各测试时刻下的预测偏差值;
基于灰色预测模型,根据待测产品在各测试时刻下的预测偏差值,确定偏差预测函数;
采用偏差预测函数,对性能退化预测函数进行修正;
基于修正后的性能退化预测函数和待测产品的性能退化失效阈值,确定待测产品的性能退化失效时间。
第四方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
在采用第一应力条件对待测产品进行加速试验的过程中,获取待测产品在各测试时刻下的实际测试性能值;
基于灰色预测模型,根据待测产品在各测试时刻下的实际测试性能值,确定待测产品的性能退化预测函数;
基于性能退化预测函数,预测待测产品在各测试时刻下的预测性能值;
根据待测产品在各测试时刻下的实际测试性能值与预测性能值之间的差值,确定待测产品在各测试时刻下的预测偏差值;
基于灰色预测模型,根据待测产品在各测试时刻下的预测偏差值,确定偏差预测函数;
采用偏差预测函数,对性能退化预测函数进行修正;
基于修正后的性能退化预测函数和待测产品的性能退化失效阈值,确定待测产品的性能退化失效时间。
上述基于灰色预测模型的加速试验数据分析方法、装置、计算机设备和存储介质,通过灰色预测模型,构建待测产品的性能退化预测函数和偏差预测函数,实现对小样本试验数据(实际测试性能值和预测偏差值)的准确分析;另外,在预测待测产品在各测试时刻下的预测性能值之后,对待测产品在各测试时刻下的实际测试性能值与预测性能值之间的差值进行进一步分析,以确定偏差预测函数,采用偏差预测函数,对性能退化预测函数进行修正,进一步提高了对待测产品性能预测分析的准确性。
附图说明
图1为一个实施例中基于灰色预测模型的加速试验数据分析方法的流程示意图;
图2为一个实施例中确定待测产品可靠性曲线的流程示意图;
图3为一个实施例中确定目标通用加速模型的流程示意图;
图4为一个实施例中可靠性曲线的示意图;
图5为一个实施例中基于灰色预测模型的加速试验数据分析装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
加速试验是采用比产品正常工作环境应力更加严酷的环境应力开展试验,从而在较短时间内快速评价产品可靠性和寿命指标的一种可靠性试验。加速试验比传统的可靠性统计试验效率更高,成本更小,因此,被广泛应用于产品可靠性和寿命的评价。随着产品质量和可靠性水平越来越高,产品在加速试验过程性能退化数据越来越少,这给产品可靠性和寿命评价带来一定困难。目前,针对高可靠、长寿命、小样本、试验过程性能退化数据量少的产品可靠性和寿命评价,通常采用基于灰色预测模型的评价方法。
由于灰色预测模型能通过对性能退化数据进行累加生成,分析性能退化规律、预测产品的失效时间,因此,基于灰色预测模型的基于灰色预测模型的加速试验数据分析方法得到广泛应用。
然而,现有的基于灰色预测模型的基于灰色预测模型的加速试验数据分析方法存在下面的不足:(1)在建立灰色预测模型时,仅对初始数据开展分析,建立性能退化预测函数,获得性能退化预测数据,没有进一步对预测数据和初始数据进行分析,修正预测函数,获得更为准确的性能退化预测数据,导致这些方法评价精度不高;(2)在建立加速模型时,往往采用单一应力加速模型或多个独立应力加速模型,没有考虑多个加速应力之间非独立的情况,这与产品实际使用情况有一定偏差,导致这些方法评价精度不高,适用范围有限。
如图1所示,本实施例提供了一种基于灰色预测模型的加速试验数据分析方法,以该方法应用于计算机设备为例进行说明,包括以下步骤:
S101,在采用第一应力条件对待测产品进行加速试验的过程中,获取待测产品在各测试时刻下的实际测试性能值。
具体地,在第一应力条件Δ开展加速试验,时间过程为:对待测产品等间隔时间Δt进行性能测试,m次测试的实际测试性能值分别为A1,A2,A3,…Ad,…,Am,d=1,2,…,m。
S102,基于灰色预测模型,根据待测产品在各测试时刻下的实际测试性能值,确定待测产品的性能退化预测函数。
可以理解的是,灰色预测模型(Gray Forecast Model)是通过少量的、不完全的信息,建立数学模型并做出预测的一种预测方法,是处理小样本预测问题的有效工具。
信息完全未确定的***为黑色***,称信息完全确定的***为白色***,灰色***就是这介于这之间,一部分信息是已知的,另一部分信息是未知的,***内各因素间有不确定的关系。灰色***理论认为,尽管客观表象复杂,但总是有整体功能的,因此必然蕴含某种内在规律。关键在于如何选择适当的方式去挖掘和利用它。灰色***时通过对原始数据的整理来寻求其变化规律的,这是一种就数据寻求数据的现实规律的途径,也就是灰色序列的生产,一切灰色序列都能通过某种生成弱化其随机性,显现其规律性。
在本实施例中,根据灰色预测模型,生成实际测试性能值对应的灰色序列,以寻找各测试时刻下的实际测试性能值的规律性;并根据灰色序列,以及待测产品在各测试时刻下的实际测试性能值,确定待测产品的性能退化预测函数。
具体的,本实施例中的性能退化预测函数如下式-式(1)所示:
(1)
其中, y(t)为性能退化预测函数,即t时刻产品性能参数预测值;p和q为未知参数。
S103,基于性能退化预测函数,预测待测产品在各测试时刻下的预测性能值。
具体的,将上述m个测试时刻t1、t2、t3….tm,代入到式(1)中,得到m个预测性能值,分别为A’1、A’2、A’3、A’4…A’m。
S104,根据待测产品在各测试时刻下的实际测试性能值与预测性能值之间的差值,确定待测产品在各测试时刻下的预测偏差值。
其中,计算各个测试时刻的实际测试性能值与预测性能值之间的差值;示例性的,实际测试性能值A1与预测性能值A’1之间的差值,记作C1。
S105,基于灰色预测模型,根据待测产品在各测试时刻下的预测偏差值,确定偏差预测函数。
具体的,根据灰色预测模型,生成预测偏差值对应的灰色序列,以寻找各测试时刻下的预测偏差值的规律性;并根据该灰色序列,以及待测产品在各测试时刻下的之间,确定偏差预测函数。
具体的,本实施例中的差预测函数如下式-式(2)所示:
(2)
式中,Δy(t)为偏差预测函数,即时刻实际测试性能值与预测性能值的差值,p’和q’为未知参数。
S106,采用偏差预测函数,对性能退化预测函数进行修正。
具体的,将偏差预测函数与性能退化预测函数进行叠加,实现对性能退化预测函数的修正。
本实施例中,修正后的性能退化预测函数如下式-式(3)所示:
(3)
式中:y’(t)为修正后的预测性能值,即时刻产品性能参数修正预测值。
S107,基于修正后的性能退化预测函数和待测产品的性能退化失效阈值,确定待测产品的性能退化失效时间。
其中,假设产品性能退化失效的阈值为Q,则通过求解下面方程,获得第一应力太偶见下,待测产品的性能退化失效时间t。
本实施例中,待测产品的性能退化失效时间t,由下式-式(4)计算得到:
(4)
上述基于灰色预测模型的加速试验数据分析方法中,通过灰色预测模型,构建待测产品的性能退化预测函数和偏差预测函数,实现对小样本试验数据(实际测试性能值和预测偏差值)的准确分析;另外,在预测待测产品在各测试时刻下的预测性能值之后,对待测产品在各测试时刻下的实际测试性能值与预测性能值之间的差值进行进一步分析,以确定偏差预测函数,采用偏差预测函数,对性能退化预测函数进行修正,进一步提高了对待测产品性能预测分析的准确性。
在一个实施例中,本实施例提供了一种基于灰色预测模型,根据待测产品在各测试时刻下的实际测试性能值,确定待测产品的性能退化预测函数的可选方式,即提供了一种对S102进行细化的方式。具体实现过程可以包括:
根据灰色预测模型,针对每一测试时刻,对待测产品在该测试时刻下的实际测试性能值,以及待测产品在该测试时刻之前其他测试时刻下的实际测试性能值进行累加计算,得到待测产品在该测试时刻下的性能变换值;
根据待测产品在各测试时刻下的性能变换值和实际测试性能值,确定初始的性能退化预测函数中的未知参数的取值,得到待测产品的性能退化预测函数。
具体的,对实际测试性能值进行变换,得到新的序列数据B1,B2,…,Bd,…,Bm,有:
针对于式(1)中的未知参数p和q,计算过程如下:
在一个实施例中,本实施例提供了一种基于灰色预测模型,根据待测产品在各测试时刻下的预测偏差值,确定偏差预测函数的可选方式,即提供了一种对S105进行细化的方式。具体实现过程可以包括:
根据灰色预测模型,针对每一测试时刻,对待测产品在该测试时刻下的预测偏差值,以及待测产品在该测试时刻之前其他测试时刻下的预测偏差值进行累加计算,得到待测产品在该测试时刻下的偏差变换值;
根据待测产品在各测试时刻下的预测偏差值和偏差变换值,确定初始的偏差预测函数中的未知参数的取值,得到待测产品的性能退化预测函数。
具体的,设定各个测试时刻的实际测试性能值与预测性能值之间的差值为C1,C2,C3,…Cd,…,Cm,有:
同样,对预测偏差值进行变换,得到新的序列数据D1,D2,D3,…Dd,…,Dm,有
针对于式(2),通过求解下面矩阵方程,得到和/>参数值:
本实施例中,灰色序列生成的常用方式有累加生成、累减生成和加权累加生成,本实施例中采用累加生成的方式。
在一个实施例中,如图2所示,本实施中的基于灰色预测模型的加速试验数据分析方法还包括:
S201,基于待测产品对应的目标通用加速模型,确定待测产品在目标应力条件下的特征寿命。
具体地,如图3所示,获取待测产品对应的目标通用加速模型,包括:
S301,在采用至少两个不同的第二应力条件分别对参考产品进行加速试验的过程中,获取参考产品在各加速试验下的应力量值。
其中,参考产品与待测产品的种类相同。
具体的,本实施例中采用至少两个不同的第二应力条件对各参考产品分别开展加速试验。示例性的,假设共有c组不同应力水平(第二应力条件)的加速试验, k=1,2,…,c,每组应力水平下的产品数量为n,产品序号分别为1,2,…,i,…,n,i=1,2…,n,根据上述S101~S107,可求得各组加速应力下各个参考产品的性能退化失效时间t,如下表-表1所示:
表1
可选的,假设每组加速试验共有种应力,第k组加速试验的应力量值分别为Gk1,Gk2,…,Gkj,…,Gkf, j=1,2,…,f。
S302,获取参考产品对应的初始通用加速模型。
其中,初始通用加速模型中包含待求解参数。具体的,产品通用的加速模型如下式-式(5)所示:
(5)
式中:ηk为第k组加速试验下产品的特征寿命,σ(Gkj)为加速应力Gkj相关的函数,M0, H1,H2,…,Hj,…,Hf均为未知参数;I12,I13,…,I1f,I23,I24,…,I2f,…,If-1,If为非独立应力之间的未知参数(即初始通用加速模型中的待求解参数),若Gkj和Gku应力之间相互独立,则Iju=0。
具体的,单一应力、多个独立应力、多个非独立应力情况下的加速模型如下表-表2所示:
表2
在本实施例中,选择初始通用加速模型时,包括:根据各第二应力条件的应力种类,从候选通用加速模型中确定初始通用加速模型。
具体的,选择初始通用加速模型时,可以依据表2中的示例选择。
S303,基于初始通用加速模型、参考产品在各加速试验下的应力量值,以及寿命分布函数类型,求解初始通用加速模型中待求解参数的数值,得到目标通用加速模型。
其中,寿命分布函数类型是指用于预测寿命的函数分布;示例性的,指数分布函数、威布尔分布函数、正态分布函数和对数正态分布函数。
具体的,在求解初始通用加速模型中待求解参数的数值时,示例性的:(1)寿命分布函数为指数分布函数的情况:
如果待测产品的寿命分布函数为指数分布函数,则加速应力下产品概率密度函数为:
式中:t为时间。
待测产品的似然函数L为
通过求解下面方程组,获得M0,H1,H2,…,Hj,…,Hf,I12,I13,…,I1f,I23,I24,…,I2f,…,If-1,If的参数值,
相应的,确定待测产品在目标应力条件(正常使用的应力量值)下的特征寿命η0为:
式中:G’1,G’2,…,G’j,…,G’f为正常使用的应力量值。
(2)寿命分布函数为威布尔分布函数的情况:
如果待测产品的寿命分布函数为威布尔分布函数,则加速应力下产品概率密度函数fk(t)为
式中:α为威布尔分布函数的尺度参数。
待测产品的似然函数L为
通过求解下面方程组,获得α,M0, H1,H2,…,Hj,…,Hf,I12,I13,…,I1f,I23,I24,…,I2f,…,If-1,If的参数值,
相应的,确定待测产品在目标应力条件(正常使用的应力量值)下的特征寿命η0为:
式中:G’1,G’2,…,G’j,…,G’f为正常使用的应力量值。
(3)寿命分布函数为正态分布函数的情况:
如果待测产品的寿命分布函数为正态分布函数,则加速应力下待测产品概率密度函数fk(t)为
式中:σ为正态分布函数的标准差。
待测产品的似然函数L为
通过求解下面方程组,获得σ,M0,H1,H2,…,Hj,…,Hf,I12,I13,…,I1f,I23,I24,…,I2f,…,If-1,If的参数值,
相应的,确定待测产品在目标应力条件(正常使用的应力量值)下的特征寿命η0为:
式中:G’1,G’2,…,G’j,…,G’f为正常使用的应力量值。
(4)寿命分布函数为对数正态分布函数的情况
如果待测产品寿命分布函数为对数正态分布函数,则加速应力下待测产品概率密度函数fk(t)为:
式中:σ为正态分布函数的标准差。
待测产品的似然函数L为
通过求解下面方程组,获得σ,M0,H1,H2,…,Hj,…,Hf,I12,I13,…,I1f,I23,I24,…,I2f,…,If-1,If的参数值,
相应的,确定待测产品在目标应力条件(正常使用的应力量值)下的特征寿命η0为:
式中:G’1,G’2,…,G’j,…,G’f为正常使用的应力量值。
S202,基于特征寿命,确定待测产品在目标应力条件下的产品可靠度函数。
具体的,
(1)寿命分布函数为指数分布函数的情况下:
正常使用应力下待测产品概率密度函数f(t)为
正常使用应力下待测产品不可靠度函数F(t)为
正常使用应力下待测产品可靠度函数R(t)为
(2)寿命分布函数为威布尔分布函数的情况下:
正常使用应力下待测产品概率密度函数f(t)为
正常使用应力下待测产品不可靠度函数F(t)为
正常使用应力下待测产品可靠度函数R(t)为
(3)寿命分布函数为正态分布函数的情况下:
正常使用应力下待测产品概率密度函数f(t)为
正常使用应力下待测产品不可靠度函数F(t)为
正常使用应力下待测产品可靠度函数R(t)为
(4)寿命分布函数为对数正态分布函数的情况下:
正常使用应力下待测产品概率密度函数f(t)为
正常使用应力下待测产品不可靠度函数F(t)为
正常使用应力下待测产品可靠度函数R(t)为
进一步的,该基于灰色预测模型的加速试验数据分析方法还包括:基于特征寿命,以及寿命分布函数类型,确定待测产品的平均寿命。
具体的,根据产品寿命分布函数的类型,评价产品的平均寿命,如下表-表3所示,其中:为伽马函数。
表3
S203,基于待测产品在目标应力条件下的可靠度函数,确定待测产品的可靠度曲线。
示例性的,基于上述基于灰色预测模型的加速试验数据分析方法,对某型产品开展加速试验,评价产品寿命指标的过程如下:
a)产品灰色预测模型分析
加速试验应力下,某个产品等间隔时间进行性能测试,共计测试10次,其测试的性能退化如下表-表4所示:
表4
求解得到性能退化预测函数为
产品性能参数预测值如下表-表5所示:
表5
产品性能参数预测值与性能参数初始值的偏差如下表-表6所示:
表6
对偏差进行转正变换,再进行分析,获得偏差预测函数为
加速试验应力下,性能退化修正预测函数为
结合产品性能退化失效的阈值,获得加速试验应力下产品的性能退化失效时间为4072小时。
同样的方法,可求得各组加速应力下各个产品的性能退化失效时间。
b)产品加速模型分析
产品共有5组不同应力水平的加速试验,每组应力水平下均为温度和湿度2种应力,考虑到温度和湿度对产品的作用是非独立的,则产品的加速模型为
产品寿命分布函数为威布尔分布函数。通过求解产品的加速模型,获得正常使用应力下(温度25℃和湿度65%)产品可靠度函数为
c)产品寿命指标评价
根据产品可靠度函数,得到如下图所示的可靠度函数曲线,如图4所示。
因此,正常使用应力下产品的平均寿命为。
产品实际使用的平均寿命值与试验评价结果比较接近,说明本方案评价精度较高。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的基于灰色预测模型的加速试验数据分析方法的基于灰色预测模型的加速试验数据分析装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于灰色预测模型的加速试验数据分析装置实施例中的具体限定可以参见上文中对于基于灰色预测模型的加速试验数据分析方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种基于灰色预测模型的加速试验数据分析装置1,包括:试验模块11、预测函数构建模块12、预测模块13、偏差计算模块14、偏差函数构建模块15、修正模块16和分析模块17,其中:
试验模块11,用于在采用第一应力条件对待测产品进行加速试验的过程中,获取待测产品在各测试时刻下的实际测试性能值;
预测函数构建模块12,用于基于灰色预测模型,根据待测产品在各测试时刻下的实际测试性能值,确定待测产品的性能退化预测函数;
预测模块13,用于基于性能退化预测函数,预测待测产品在各测试时刻下的预测性能值;
偏差计算模块14,用于根据待测产品在各测试时刻下的实际测试性能值与预测性能值之间的差值,确定待测产品在各测试时刻下的预测偏差值;
偏差函数构建模块15,用于基于灰色预测模型,根据待测产品在各测试时刻下的预测偏差值,确定偏差预测函数;
修正模块16,用于采用偏差预测函数,对性能退化预测函数进行修正;
分析模块17,用于基于修正后的性能退化预测函数和待测产品的性能退化失效阈值,确定待测产品的性能退化失效时间。
在一个实施例中,预测函数构建模块12,还用于:根据灰色预测模型,针对每一测试时刻,对待测产品在该测试时刻下的实际测试性能值,以及待测产品在该测试时刻之前其他测试时刻下的实际测试性能值进行累加计算,得到待测产品在该测试时刻下的性能变换值;
根据待测产品在各测试时刻下的性能变换值和实际测试性能值,确定初始的性能退化预测函数中的未知参数的取值,得到待测产品的性能退化预测函数。
在一个实施例中,偏差函数构建模块15,还用于:根据灰色预测模型,针对每一测试时刻,对待测产品在该测试时刻下的预测偏差值,以及待测产品在该测试时刻之前其他测试时刻下的预测偏差值进行累加计算,得到待测产品在该测试时刻下的偏差变换值;
根据待测产品在各测试时刻下的预测偏差值和偏差变换值,确定初始的偏差预测函数中的未知参数的取值,得到待测产品的性能退化预测函数。
在一个实施例中,该基于灰色预测模型的加速试验数据分析装置,还包括寿命预测模块13,寿命预测模块13,包括:
模型选择子模块,用于基于待测产品对应的目标通用加速模型,确定待测产品在目标应力条件下的特征寿命;
特征预测子模块,用于基于特征寿命,确定待测产品在目标应力条件下的产品可靠度函数;
可靠度预测子模块,用于基于待测产品在目标应力条件下的可靠度函数,确定待测产品的可靠度曲线。
在一个实施例中,该基于灰色预测模型的加速试验数据分析装置,还包括模型构建模块,模型构建模块,还用于:在采用至少两个不同的第二应力条件分别对参考产品进行加速试验的过程中,获取参考产品在各加速试验下的应力量值;其中,参考产品与待测产品的种类相同;
获取参考产品对应的初始通用加速模型;其中,初始通用加速模型中包含待求解参数;
基于初始通用加速模型、参考产品在各加速试验下的应力量值,以及寿命分布函数类型,求解初始通用加速模型中待求解参数的数值,得到目标通用加速模型。
在一个实施例中,模型选择子模块,还用于:根据各第二应力条件的应力种类,从候选通用加速模型中确定初始通用加速模型。
在一个实施例中,还包括寿命预测模块13,还用于:基于特征寿命,以及寿命分布函数类型,确定待测产品的平均寿命。
上述基于灰色预测模型的加速试验数据分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储加速试验数据的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种加速试验数据方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
在采用第一应力条件对待测产品进行加速试验的过程中,获取待测产品在各测试时刻下的实际测试性能值;
基于灰色预测模型,根据待测产品在各测试时刻下的实际测试性能值,确定待测产品的性能退化预测函数;
基于性能退化预测函数,预测待测产品在各测试时刻下的预测性能值;
根据待测产品在各测试时刻下的实际测试性能值与预测性能值之间的差值,确定待测产品在各测试时刻下的预测偏差值;
基于灰色预测模型,根据待测产品在各测试时刻下的预测偏差值,确定偏差预测函数;
采用偏差预测函数,对性能退化预测函数进行修正;
基于修正后的性能退化预测函数和待测产品的性能退化失效阈值,确定待测产品的性能退化失效时间。
在一个实施例中,处理器执行计算机程序基于灰色预测模型,根据待测产品在各测试时刻下的实际测试性能值,确定待测产品的性能退化预测函数的逻辑时,具体实现以下步骤:根据灰色预测模型,针对每一测试时刻,对待测产品在该测试时刻下的实际测试性能值,以及待测产品在该测试时刻之前其他测试时刻下的实际测试性能值进行累加计算,得到待测产品在该测试时刻下的性能变换值;根据待测产品在各测试时刻下的性能变换值和实际测试性能值,确定初始的性能退化预测函数中的未知参数的取值,得到待测产品的性能退化预测函数。
在一个实施例中,处理器执行计算机程序基于灰色预测模型,根据待测产品在各测试时刻下的预测偏差值,确定偏差预测函数的逻辑时,具体实现以下步骤:根据灰色预测模型,针对每一测试时刻,对待测产品在该测试时刻下的预测偏差值,以及待测产品在该测试时刻之前其他测试时刻下的预测偏差值进行累加计算,得到待测产品在该测试时刻下的偏差变换值;根据待测产品在各测试时刻下的预测偏差值和偏差变换值,确定初始的偏差预测函数中的未知参数的取值,得到待测产品的性能退化预测函数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于待测产品对应的目标通用加速模型,确定待测产品在目标应力条件下的特征寿命;基于特征寿命,确定待测产品在目标应力条件下的产品可靠度函数;基于待测产品在目标应力条件下的可靠度函数,确定待测产品的可靠度曲线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在采用至少两个不同的第二应力条件分别对参考产品进行加速试验的过程中,获取参考产品在各加速试验下的应力量值;其中,参考产品与待测产品的种类相同;获取参考产品对应的初始通用加速模型;其中,初始通用加速模型中包含待求解参数;基于初始通用加速模型、参考产品在各加速试验下的应力量值,以及寿命分布函数类型,求解初始通用加速模型中待求解参数的数值,得到目标通用加速模型。
在一个实施例中,处理器执行计算机程序获取参考产品对应的初始通用加速模型的逻辑时,具体实现以下步骤:根据各第二应力条件的应力种类,从候选通用加速模型中确定初始通用加速模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于特征寿命,以及寿命分布函数类型,确定待测产品的平均寿命。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
在采用第一应力条件对待测产品进行加速试验的过程中,获取待测产品在各测试时刻下的实际测试性能值;
基于灰色预测模型,根据待测产品在各测试时刻下的实际测试性能值,确定待测产品的性能退化预测函数;
基于性能退化预测函数,预测待测产品在各测试时刻下的预测性能值;
根据待测产品在各测试时刻下的实际测试性能值与预测性能值之间的差值,确定待测产品在各测试时刻下的预测偏差值;
基于灰色预测模型,根据待测产品在各测试时刻下的预测偏差值,确定偏差预测函数;
采用偏差预测函数,对性能退化预测函数进行修正;
基于修正后的性能退化预测函数和待测产品的性能退化失效阈值,确定待测产品的性能退化失效时间。
在一个实施例中,计算机程序基于灰色预测模型,根据待测产品在各测试时刻下的实际测试性能值,确定待测产品的性能退化预测函数的逻辑被处理器执行时,具体实现以下步骤:根据灰色预测模型,针对每一测试时刻,对待测产品在该测试时刻下的实际测试性能值,以及待测产品在该测试时刻之前其他测试时刻下的实际测试性能值进行累加计算,得到待测产品在该测试时刻下的性能变换值;根据待测产品在各测试时刻下的性能变换值和实际测试性能值,确定初始的性能退化预测函数中的未知参数的取值,得到待测产品的性能退化预测函数。
在一个实施例中,计算机程序基于灰色预测模型,根据待测产品在各测试时刻下的预测偏差值,确定偏差预测函数的逻辑被处理器执行时,具体实现以下步骤:根据灰色预测模型,针对每一测试时刻,对待测产品在该测试时刻下的预测偏差值,以及待测产品在该测试时刻之前其他测试时刻下的预测偏差值进行累加计算,得到待测产品在该测试时刻下的偏差变换值;根据待测产品在各测试时刻下的预测偏差值和偏差变换值,确定初始的偏差预测函数中的未知参数的取值,得到待测产品的性能退化预测函数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于待测产品对应的目标通用加速模型,确定待测产品在目标应力条件下的特征寿命;基于特征寿命,确定待测产品在目标应力条件下的产品可靠度函数;基于待测产品在目标应力条件下的可靠度函数,确定待测产品的可靠度曲线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在采用至少两个不同的第二应力条件分别对参考产品进行加速试验的过程中,获取参考产品在各加速试验下的应力量值;其中,参考产品与待测产品的种类相同;获取参考产品对应的初始通用加速模型;其中,初始通用加速模型中包含待求解参数;基于初始通用加速模型、参考产品在各加速试验下的应力量值,以及寿命分布函数类型,求解初始通用加速模型中待求解参数的数值,得到目标通用加速模型。
在一个实施例中,计算机程序获取参考产品对应的初始通用加速模型的逻辑被处理器执行时,具体实现以下步骤:根据各第二应力条件的应力种类,从候选通用加速模型中确定初始通用加速模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于特征寿命,以及寿命分布函数类型,确定待测产品的平均寿命。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于灰色预测模型的加速试验数据分析方法,其特征在于,所述方法包括:
在采用第一应力条件对待测产品进行加速试验的过程中,获取所述待测产品在各测试时刻下的实际测试性能值;
基于灰色预测模型,根据所述待测产品在各测试时刻下的实际测试性能值,确定所述待测产品的性能退化预测函数;
基于所述性能退化预测函数,预测所述待测产品在各测试时刻下的预测性能值;
根据所述待测产品在各测试时刻下的实际测试性能值与预测性能值之间的差值,确定所述待测产品在各测试时刻下的预测偏差值;
基于所述灰色预测模型,根据所述待测产品在各测试时刻下的预测偏差值,确定偏差预测函数;
采用所述偏差预测函数,对所述性能退化预测函数进行修正;
基于修正后的性能退化预测函数和所述待测产品的性能退化失效阈值,确定所述待测产品的性能退化失效时间。
2.根据权利要求1所述的方法,其特征在于,所述基于灰色预测模型,根据所述待测产品在各测试时刻下的实际测试性能值,确定所述待测产品的性能退化预测函数,包括:
根据灰色预测模型,针对每一测试时刻,对所述待测产品在该测试时刻下的实际测试性能值,以及所述待测产品在该测试时刻之前其他测试时刻下的实际测试性能值进行累加计算,得到所述待测产品在该测试时刻下的性能变换值;
根据所述待测产品在各测试时刻下的性能变换值和实际测试性能值,确定初始的性能退化预测函数中的未知参数的取值,得到所述待测产品的性能退化预测函数。
3.根据权利要求1所述的方法,其特征在于,所述基于所述灰色预测模型,根据所述待测产品在各测试时刻下的预测偏差值,确定偏差预测函数,包括:
根据灰色预测模型,针对每一测试时刻,对所述待测产品在该测试时刻下的预测偏差值,以及所述待测产品在该测试时刻之前其他测试时刻下的预测偏差值进行累加计算,得到所述待测产品在该测试时刻下的偏差变换值;
根据所述待测产品在各测试时刻下的预测偏差值和偏差变换值,确定初始的偏差预测函数中的未知参数的取值,得到所述待测产品的性能退化预测函数。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述待测产品对应的目标通用加速模型,确定所述待测产品在目标应力条件下的特征寿命;
基于所述特征寿命,确定所述待测产品在目标应力条件下的产品可靠度函数;
基于所述待测产品在所述目标应力条件下的可靠度函数,确定所述待测产品的可靠度曲线。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
在采用至少两个不同的第二应力条件分别对参考产品进行加速试验的过程中,获取所述参考产品在各加速试验下的应力量值;其中,所述参考产品与所述待测产品的种类相同;
获取所述参考产品对应的初始通用加速模型;其中,初始通用加速模型中包含待求解参数;
基于所述初始通用加速模型、所述参考产品在各加速试验下的应力量值,以及寿命分布函数类型,求解所述初始通用加速模型中待求解参数的数值,得到所述目标通用加速模型。
6.根据权利要求5所述的方法,其特征在于,所述获取所述参考产品对应的初始通用加速模型,包括:
根据各第二应力条件的应力种类,从候选通用加速模型中确定初始通用加速模型。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
基于所述特征寿命,以及所述寿命分布函数类型,确定所述待测产品的平均寿命。
8.一种基于灰色预测模型的加速试验数据分析装置,其特征在于,所述装置包括:
试验模块,用于在采用第一应力条件对待测产品进行加速试验的过程中,获取所述待测产品在各测试时刻下的实际测试性能值;
预测函数构建模块,用于基于灰色预测模型,根据所述待测产品在各测试时刻下的实际测试性能值,确定所述待测产品的性能退化预测函数;
预测模块,用于基于所述性能退化预测函数,预测所述待测产品在各测试时刻下的预测性能值;
偏差计算模块,用于根据所述待测产品在各测试时刻下的实际测试性能值与预测性能值之间的差值,确定所述待测产品在各测试时刻下的预测偏差值;
偏差函数构建模块,用于基于所述灰色预测模型,根据所述待测产品在各测试时刻下的预测偏差值,确定偏差预测函数;
修正模块,用于采用所述偏差预测函数,对所述性能退化预测函数进行修正;
分析模块,用于基于修正后的性能退化预测函数和所述待测产品的性能退化失效阈值,确定所述待测产品的性能退化失效时间。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310505507.1A CN116227239B (zh) | 2023-05-08 | 2023-05-08 | 基于灰色预测模型的加速试验数据分析方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310505507.1A CN116227239B (zh) | 2023-05-08 | 2023-05-08 | 基于灰色预测模型的加速试验数据分析方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116227239A CN116227239A (zh) | 2023-06-06 |
CN116227239B true CN116227239B (zh) | 2023-08-04 |
Family
ID=86584647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310505507.1A Active CN116227239B (zh) | 2023-05-08 | 2023-05-08 | 基于灰色预测模型的加速试验数据分析方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116227239B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620045A (zh) * | 2009-07-31 | 2010-01-06 | 北京航空航天大学 | 基于时间序列的步进应力加速退化试验可靠性评估方法 |
CN102629300A (zh) * | 2012-03-15 | 2012-08-08 | 北京航空航天大学 | 一种基于灰色预测模型的步进应力加速退化数据评估方法 |
CN102901651A (zh) * | 2012-10-16 | 2013-01-30 | 南京航空航天大学 | 电子产品分数阶神经网络性能退化模型及寿命预测方法 |
CN114154762A (zh) * | 2021-12-31 | 2022-03-08 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 金属腐蚀速率预测方法、装置、计算机设备和存储介质 |
-
2023
- 2023-05-08 CN CN202310505507.1A patent/CN116227239B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620045A (zh) * | 2009-07-31 | 2010-01-06 | 北京航空航天大学 | 基于时间序列的步进应力加速退化试验可靠性评估方法 |
CN102629300A (zh) * | 2012-03-15 | 2012-08-08 | 北京航空航天大学 | 一种基于灰色预测模型的步进应力加速退化数据评估方法 |
CN102901651A (zh) * | 2012-10-16 | 2013-01-30 | 南京航空航天大学 | 电子产品分数阶神经网络性能退化模型及寿命预测方法 |
CN114154762A (zh) * | 2021-12-31 | 2022-03-08 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 金属腐蚀速率预测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
A reliability evaluation method for multi-performance degradation products based on the Wiener process and Copula function;Guangze Pan 等;Microelectronics Reliability;第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116227239A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chien et al. | Analysing semiconductor manufacturing big data for root cause detection of excursion for yield enhancement | |
CN113361197B (zh) | 一种锂电池剩余使用寿命预测方法及*** | |
CN106169124B (zh) | ***级产品可靠性综合评估置信推断方法 | |
CN110874502B (zh) | 基于多阶段试验数据折合的航天产品可靠性评估方法 | |
CN115795928B (zh) | 基于伽马过程的加速退化试验数据处理方法和装置 | |
Liu et al. | Board-level functional fault identification using streaming data | |
CN115841046A (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
CN113946986A (zh) | 基于加速退化试验的产品平均失效前时间评估方法和装置 | |
CN115809569A (zh) | 基于耦合竞争失效模型的可靠性评价方法和装置 | |
CN114881343A (zh) | 基于特征选择的电力***短期负荷预测方法及装置 | |
CN115879748A (zh) | 一种基于大数据的企业信息化管理集成平台 | |
CN115795920A (zh) | 基于多应力耦合加速模型的产品可靠性评价方法和装置 | |
CN116227240A (zh) | 基于综合应力加速试验的产品寿命评价方法、装置及设备 | |
CN113946983A (zh) | 产品可靠性薄弱环节评估方法、装置和计算机设备 | |
CN114169460A (zh) | 样本筛选方法、装置、计算机设备和存储介质 | |
CN111949530B (zh) | 测试结果的预测方法、装置、计算机设备及存储介质 | |
CN116227239B (zh) | 基于灰色预测模型的加速试验数据分析方法、装置和设备 | |
CN113761755A (zh) | 考虑认知不确定性的温湿度双应力下的加速寿命分析方法 | |
Solomentsev et al. | Diagnostics programs efficiency analysis in operation system of radioelectronic eguipment | |
Liu et al. | Online fault detection in ReRAM-based computing systems for inferencing | |
CN116228045A (zh) | 基于性能退化的产品可靠性薄弱环节评估方法和装置 | |
CN108830407B (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
CN111382052A (zh) | 代码质量评价方法、装置及电子设备 | |
CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
JP7302229B2 (ja) | データ管理システム、データ管理方法、およびデータ管理プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |