性能退化与剩余寿命预测基本理论

2024-01-30 14:07:50, 方子敏广东科鉴检测工程技术有限公司

性能退化与剩余寿命预测基本理论

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，为产品维修提供坚实的数据支撑，实现对设备产品的维护成本和全寿命周期成本的降低，本文对性能退化与剩余寿命预测的基本理论进行简述。

一、可靠性基本概念

1957年，“AGREE”（电子设备可靠性咨询组，ADVisory Group on Reliablility of Electronic Equipment）的研究报告给出了可靠性的定义，即产品在规定的条件和规定的时间内，完成规定功能的能力称为可靠性。随着可靠性技术的发展，可靠性已经作为质量评估的重要指标之一。在产品质量控制方面，产品可靠性具有非常重要的指导作用，已成为产品在市场竞争的重要因素。可靠性高的产品不仅可以有效减少产品研发时间，同时也有利于降低研发成本、减少一定的服务费、提高了企业信誉以及品牌价值。

随着可靠性技术的发展，评价产品可靠性常用的指标有四个，分别为可靠度、失效率、平均寿命和剩余寿命。

图1 可靠性指标转换关系图

二、剩余使用寿命简介

图2 剩余寿命模型原理图

确定剩余寿命的前提是了解产品的失效机理。性能退化是失效机理的具体表现，在获得一个产品的失效机理后，需要确定产品的退化量，产品的退化量可以分为三类：

（1）物理的：如频率、振型、特征值、图像、光谱、色谱等；

（2）结构的：如刚度、阻尼、裂纹尺寸、结构参数等；

（3）数学的：如各种统计量、特征值、特征向量等。

能够直接表征产品性能退化物理量有直接能观察到的，如铝合金的裂纹增长长度、电容器的容值的减少等；而对于产品性能退化不能直接观察的，可以观测一些能够间接表征性能退化的物理量，如电容器薄膜的厚度、锂电池的容量等，图2中X(s)表示的是某一产品的性能退化的过程。对于一般的产品而言，性能退化过程往往是连续的、不可往复的，产品在退化过程中由于受内外环境的影响，其关键部件退化的过程往往不是一致的，当产品的某一关键部件中的性能退化量首次超过产品的失效阈值时，即认为产品失效。其数学表达方式如下：

三、退化数据获取及处理

由于产品在使用的过程中往往受到内外环境的各种应力作用，在获得的退化数据中或多或少会夹杂着噪声，因此获得数据往往存在数据毛刺，需要通过一定的数据处理方法对数据进行处理。一般来说，关于产品退化过程有关的数据类型多样，既包括退化数据，还可能是环境条件和运行模式等数据，数据量大，不同测量参数还可能具有不同的采样周期和采样时间，存在噪声干扰等，需要对数据进行有效的预处理，才可能确保后续数据分析和建模的有效性。此外，在复杂动态环境下退化数据一般表现为复杂时间序列的形式，识别其动态特征有助于提高建模精度。

1）退化数据模型

常用的性能参数退化模型有线性退化模型、对数退化模型、布朗漂移运动模型以及灰色系统理论等模型，一般根据建模人员的经验，并结合退化数据初步分析结果选取合适的模型，然后对模型的参数进行估计，最后对模型进行拟合优选。

实际上加速退化试验方法包括两个重要部分：第一部分，对各组加速应力下的性能退化数据进行预测，得出性能退化模型和失效时间预测结果；第二部分，对各组加速应力下的失效时间进行外推预测，得出典型应力下的失效时间。

因此，各种预测理论都可以用于第一部分的性能退化模型建模和失效时间预测。在加速退化试验中，各种预测理论均可考虑采用，如神经网络、卡尔曼滤波、矢量算法、遗传算法、马尔科夫预测等。还可以采用的方法有：确定性时间序列方法，如移动平均法（一、二次）、指数平滑法（一、二次）等；随机性时间序列方法，如平稳时间序列预测（ARMA、ARIMA等）、回归预测（线性、非线性、自回归预测等）。但在真正选择使用时，应考虑模型使用所需的数据量，要根据实际的数据量选择合适的模型方法，否则预测结果将具有很大的随机性和不确定性，也就失去了可信度。当前较多的预测方法适用于大量数据（甚至海量数据）的情况，而在加速试验中，测试数据是极其有限的。如长期贮存类装备，每年只有1次测试数据，贮存20年也只有21次测试数据（包括初始检测）；在加速试验中，每次测试意味着时间代价和检测费用的付出，一个产品从加速应力测试恢复到常温测试所需的恢复时间、测试时间以及周转和管理时间，通常导致试验过程中开机时间只能占到约70%～80%，对于元器件和材料通常需要检测一些物理、化学、力学等特征参数，其检测费用甚至可能远远超出试验费用本身。因此，我们在加速退化试验中需要考虑选择合适的模型，计划合适的检测次数，并在两者之间进行必要的权衡。

2）性能退化趋势预测方法

本节介绍通过曲线拟合方法和基于ARMA（平稳时间序列预测）模型的估计方法对性能退化趋势预测。首先利用现场数据及历史可靠性试验得到的可靠性试验数据分别进行预测运算，接着计算两部分数据之间存在的差异，最后将两部分数据融合在一起，结合产品特征参数性能的临界水平，即可确定产品的剩余寿命。