一种基于在线预测的航天产品热待机剩余寿命评估方法研究
基于RPMDE-MKSVM的锂离子电池剩余使用寿命预测
2021年4月第28卷第4期控制工程Control Engineering of ChinaApr.2021Vol.28,No.4文章编号：1671-7848(2021)04-0665-07DOI: 10.14107/ki.kzgc.20190644基于R PM D E-M K S V M的锂离子电池剩余使用寿命预测简献忠l a，韦进l b,王如志2(1.上海理工大学a.光电信息与计算机工程学院；b.机械工程学院，上海200090;2.北京工业大学材料科学与工程学院，北京100020)摘要：为了提高锂离子电池剩余使用寿命预测的精度，提出了一种基于随机参数机制差分进化(random parameter machine differential evolution,R P M D E)算法与多核支持向量机(multi-kernel support vector machine,M K S V M)的锂离子电池剩余使用寿命预测模型。
首先，将差分变异策略和随机搜索算子引入差分进化算法中来增强算法种群多样性，提高全局搜索能力。
然后，通过R P M D E算法优化M K S V M的惩罚因子和核参数来提高预測模型的精度。
最后，利用美国国家航空航天局的锂离子电池測试数据验证R P M D E-M K S V M模型的准确性。
实验结果表明，相比于差分进化算法模型和粒子群优化算法模型，R P M D E-M K S V M模型不仅具有更快的收敛速度，而且具有更优的预測精度。
关键词：锂离子电池；剩余使用寿命预测；R P M D E算法；多核支持向量机中图分类号：T M912 文献标示码：ARemaining Useful Life Prediction of Lithium-ion Battery Based onRPMDE-MKSVMJ I A N X i a n-z h o n g x\ W E I J i n l b,W A N G R u-zhi2(1.a.School of Optical-electrical and Computer Engineering;b.School of Mechanical Engineering,University of Shanghai forScience and Technology,Shanghai200090, China;2.School of Materials Science and Engineering,Beijing University ofTechnology,Beijing 100020, China)Abstract:In order to improve the prediction accuracy of remaining useful life(R U L)of lithium-ion battery,a R U L prediction model of lithium-ion battery based on ran d o m parameter machine differential evolution (R P M D E)algorithm and multi-kernel support vector machine(M K S V M)is proposed in this paper.Firstly,the differential mutation strategy and rand o m search operator are introduced into the differential evolution (D E) algorithm to enhance the diversity of the algorithm population and improve the global search ability.T h e n, R P M D E algorithm is used to optimize the penalty factors and kernel parameters of M K S V M to improve the accuracy of the prediction m o d e l.Finally,the battery test data of National Aeronautics and Space Administration(N A S A)are used to verify the accuracy of R P M D E-M K S V M m o d e l.T h e experimental results s h o w that R P M D E-M K S V M model not only has faster convergence speed,but also has better prediction accuracy compared with D E algorithm model and particle s w a r m optimization algorithm m o d e l.K e y w o r d s:Lithium-ion battery;remaining useful life prediction;R P M D E algorithm;multi-kernel support vector machineOi引言随着新能源发电技术的发展，国内外已有很多 学者和工程技术人员开展了新能源发电管理系统方 面的研究。
航空航天工程中的结构健康监测与预测方法研究
航空航天工程中的结构健康监测与预测方法研究航空航天工程涉及到一系列复杂的结构，如飞机、航天器和导弹等。
这些结构在正常运行和飞行中面临着各种外部和内部的力学、热学、电磁和化学等环境作用。
长期运行和极端工作环境的影响导致这些结构发生劣化和损伤，因此，准确实时地监测结构的健康状况，并进行损伤的预测变得至关重要。
结构健康监测（SHM）是指通过安装传感器网络和监测系统来实时监测结构的状态、性能和安全性。
有效的SHM可以提供结构的健康状况信息，识别和定位潜在的损伤，预测结构的剩余寿命，从而实现结构的维护和修复，确保飞行器的安全性。
航空航天工程中的结构健康监测与预测方法研究是一个复杂的多学科领域，涉及到工程力学、材料科学、电子工程和计算机科学等。
目前，人们通过传感器网络、数据采集系统以及大数据分析等手段来执行SHM任务。
首先，传感器网络是SHM的基础。
传感器可以安装在飞机的关键位置，用于检测和监测结构的运行状态。
这些传感器可以测量结构的振动、应变、声音、温度和电气信号等，并将数据传输到数据采集系统中。
传感器网络的设计需要考虑传感器类型的选择、传感器的布置和传感器故障检测等因素。
其次，数据采集系统用于接收、处理和存储从传感器收集到的数据。
这些系统通常包括数据采集单元、信号放大器、模数转换器和存储设备等。
数据采集系统的设计需要考虑数据的频率、采样率以及数据的完整性和可靠性等。
在数据采集的基础上，结构健康监测方法主要分为两类：基于物理模型的方法和基于数据驱动的方法。
基于物理模型的方法是通过建立结构的数学模型来预测结构的健康状况。
这些模型可以根据结构的材料特性、几何形状和边界条件等进行建立。
基于物理模型的方法通常需要结构的详细信息和精确的数学模型，因此适用于熟知的结构，如飞机机翼和航天器舱壁等。
这些方法需要大量的计算和模型验证，对于复杂结构和多物理场耦合问题的预测有一定的局限性。
基于数据驱动的方法是通过分析和挖掘已有数据的模式和规律来预测结构的健康状况。
paris方程可以估算疲劳裂纹剩余扩展寿命_概述说明
paris方程可以估算疲劳裂纹剩余扩展寿命概述说明1. 引言1.1 概述疲劳裂纹是材料在长期使用或受到重复载荷作用下出现的一种常见损伤形式。
这种裂纹扩展不仅会导致结构件的失效，而且可能引发严重的事故。
因此，对疲劳裂纹剩余扩展寿命进行准确估算具有重要意义。
本文将介绍一种被广泛应用于疲劳裂纹剩余扩展寿命估算的方法，即Paris方程。
该方程基于实验数据和理论模型，可以预测材料中存在的疲劳裂纹在经历一定载荷后继续扩展的剩余寿命。
它已经在许多工程领域得到了成功应用和验证。
1.2 文章结构本文共分为5个部分进行阐述。
首先是引言部分，概要介绍了本文讨论的主题和文章结构；其次是Paris方程简介，包括定义、疲劳裂纹剩余扩展寿命概念解释以及应用领域；接着是疲劳裂纹剩余扩展寿命估算方法，其中包括基于Paris方程的理论模型介绍、实验数据处理与分析方法以及实际工程应用案例介绍；然后是实验验证与结果讨论，包括实验设计和参数设置、结果分析与讨论以及可行性与局限性评估；最后是结论与展望，总结研究成果并提出未来研究的建议和展望。
1.3 目的本文的主要目的是探索Paris方程在估算疲劳裂纹剩余扩展寿命中的应用价值，并对其进行全面概述。
通过对该方法的介绍和分析，有助于工程师和科研人员了解如何利用Paris方程进行疲劳裂纹寿命预测，并为相关领域中的工程设计和材料选择提供参考依据。
2. Paris方程简介2.1 Paris方程定义Paris方程是一种用于预测材料疲劳裂纹扩展速率的经验公式，它描述了裂纹长度随时间的增长情况。
该方程由Emmanuel Paris和Stephen S. Murry于1963年提出，并被广泛应用于疲劳寿命评估和结构健康监测领域。
Paris方程的数学形式如下：da/dN = C*(ΔK)^m其中，da/dN表示单位循环数内裂纹长度的增加量，C和m分别表示经验参数，ΔK代表应力强度因子范围。
通常情况下，C和m可通过实验获得或根据材料相关性质进行估算。
基于数据筛选的硬盘剩余使用寿命预测方法
2020年8月计算机工程与设计Aug.2020第41卷第8期COMPUTER ENGINEERING AND DESIGN Vol.41No.8基于数据筛选的硬盘剩余使用寿命预测方法邓玲！陕振！马连志（中国航天科工集团第二研究院706所，北京100854）摘要：为提高硬盘剩余使用寿命预测器的精度！提出一种基于smart数据筛选和随机森林预测器进行剩余使用寿命预测的方法。
提出基于硬盘使用寿命长短进行数据集分割的策略！有效提升预测精度；在此基础上！在硬盘临近失效状态时！利用相似度度量待预测硬盘与训练集硬盘状态的相似性！选择相似度高的硬盘构成新的训练集！提高预测器在硬盘临近失效时的精度。
利用BACKBLAZE提供的数据集验证！相比简单的运用随机森林预测器！进行数据集分割和训练集筛选的预测器具有更高的精度。
关键词：存储系统；硬盘；剩余使用寿命；随机森林；数据集划分；训练集筛选中图法分类号：TP181文献标识号：A文章编号：1000-7024（2020）08-2252-07doi：10.16208/j.issnl000-7024.2020.08.026 RemainingusefullifeestimationofharddiskdrivesbasedondatafilteringDENG Ling,SHAN Zhen,MA Lian-zhi(Institute706,Second Research Academy of China Aerospace Science and Industry Corporation,Beijing100854,China) Abstract：To improve the accuracy of the hard disk remaining useful life estimation predictor,a method based on smart data screeningandrandomforestpredictorforremainingusefullifeestimationwasproposed.Adatasegmentationstrategybasedon the length of hard disks，service life was proposed,which effectively improved the predictor，s accuracy.Besides,when a hard disktobepredictedwasinnear-failurestatus&thesimilaritywasusedtomeasurethesimilaritybetweentheharddiskandthe harddrivesintrainingset.Theseharddiskdriveswithhighsimilaritywereselectedtoformanewtrainingset&whichgreatly mprovedtheestimationaccuracywhenharddriveswereproximityfailure.VerifiedbythedatasetprovidedbyBACKBLAZE andcomparedwiththesimplyusingofrandomforestpredictor&thepredictorfordatasetsegmentationandtrainingsetscreening hashigheraccuracy.Key words：storage system；hard disk drives；remaining useful life；random forest；data set segmentation；training set screening/引言硬盘故障是存储系统的主要故障之一，影响着存储系统的可靠性。
基于数据驱动的航空发动机剩余寿命预测研究
基于数据驱动的航空发动机剩余寿命预测研究基于数据驱动的航空发动机剩余寿命预测研究一、引言航空发动机是飞机重要的动力装置，其安全运行对于飞机的飞行安全至关重要。
然而，随着使用时间的增长，发动机各种零部件会逐渐磨损和老化，可能引发故障并影响飞机的正常操作。
因此，准确预测发动机剩余寿命成为航空工程师们长期以来的研究重点。
二、传统的剩余寿命预测方法传统的发动机剩余寿命预测方法主要基于物理模型，根据发动机的性能指标和磨损程度等因素进行分析和预测。
这种方法的优点是基于物理原理，预测结果具有一定的可靠性。
然而，由于发动机运行过程中受到多种因素的影响，物理模型往往难以考虑到所有复杂的非线性关系，导致预测准确性不高。
三、基于数据驱动的寿命预测方法随着数据分析和机器学习技术的发展，基于数据驱动的发动机剩余寿命预测方法逐渐受到关注。
这种方法通过收集大量的发动机运行数据，运用数据分析和机器学习算法，建立发动机剩余寿命模型，实现对发动机寿命的准确预测。
基于数据驱动的发动机剩余寿命预测方法主要包括以下几个步骤：1. 数据收集：从发动机传感器和监测系统中收集大量的运行数据，包括温度、压力、振动等指标。
2. 数据预处理：对收集的数据进行预处理，包括数据清洗、去除异常值、数据平滑等，以减少噪音对预测结果的影响。
3. 特征提取：从预处理后的数据中提取特征，如时域特征、频域特征等，以描述发动机的性能特征。
4. 寿命模型建立：运用机器学习算法，如支持向量机、神经网络、随机森林等，构建发动机剩余寿命模型。
5. 预测与评估：利用建立好的模型对未来发动机寿命进行预测，并通过与实际剩余寿命进行比较和评估，以验证预测的准确性。
基于数据驱动的发动机剩余寿命预测方法具有以下优势：首先，数据驱动的方法不依赖于复杂的物理模型，能够更好地捕捉发动机运行过程中的非线性关系，提高预测的准确性。
其次，通过大量的数据收集和分析，可以获取更全面、详细的发动机运行信息，有助于提早发现潜在的故障和问题。
数据驱动的航空发动机剩余使用寿命预测方法
传统的航空发动机剩余使用寿命预测方法主要基于物理模型和经验公式，但这些方法无法充分考虑发动机在实际运行中的复杂性和不确定性。
数据驱动方法的优势
数据驱动方法能够利用大量的发动机运行数据，通过机器学习和数据分析技术，挖掘隐藏在数据中的规律和趋势，从而更准确地预测发动机的剩余使用寿命 。
对数据进行归一化处理，将数据范围调整为[0,1]或[-1,1]，确保数据具有更好的稳定性和可操作性。
03
剩余使用寿命预测模型构建
基于时间序列分析的预测模型
01
时间序列分析是一种统计学方 法，用于分析具有时间顺序的 数据，以预测未来的发展趋势 。
02
利用时间序列分析，可以对航 空发动机的历史使用数据进行 分析，通过拟合曲线或趋势线 来预测未来的使用寿命。
数据驱动的航空发 动机剩余使用寿命 预测方法
汇报人： 日期:
目 录
• 引言 • 数据预处理 • 剩余使用寿命预测模型构建 • 模型评估与优化 • 数据驱动的航空发动机剩余使用寿命预测 • 结论与展望
01
引言
研究背景与意义
航空发动机维护的重要性
航空发动机是飞机的心脏，其运行安全性对飞行安全具有决定性影响。因此，航空发动机的维护和剩余使用寿命预测对于保障飞行安全至关重要。
02
数据预处理
数据收集与清洗
收集航空发动机相关数据，包括使用时间、转速、温度、压 力等参数。
清洗数据，去除异常值、缺失值和重复值，确保数据质量。
数据转换与整合
将不同来源的数据进行转换，使其具有统一的标准和格式 。
将转换后的数据进行整合，构建完整的航空发动机数据集 。
数据标准化与归一化
对数据进行标准化处理，将不同维度的数据转换为统一的尺度。
基于机器学习方法的锂电池剩余寿命预测研究进展
基于机器学习方法的锂电池剩余寿命预测研究进展目录一、内容概要 (2)二、锂电池概述 (2)1. 锂电池的特点 (3)2. 锂电池的应用领域 (4)三、机器学习方法在锂电池剩余寿命预测中的应用 (5)1. 监督学习方法 (7)1.1 线性回归模型 (8)1.2 支持向量机模型 (10)1.3 决策树模型等 (11)2. 非监督学习方法 (12)2.1 聚类分析模型 (13)2.2 降维模型等 (14)3. 深度学习模型的应用 (16)3.1 神经网络模型 (17)3.2 卷积神经网络模型等 (18)四、锂电池剩余寿命预测的关键技术挑战及解决方案 (19)1. 数据获取与处理难题 (21)2. 模型选择与优化问题 (22)3. 模型泛化能力问题 (23)五、锂电池剩余寿命预测的研究进展与现状 (24)1. 国内外研究现状对比 (26)2. 主要研究成果及贡献 (28)3. 当前研究的不足之处及未来发展趋势 (29)六、实验设计与案例分析 (30)1. 实验设计思路及方法 (31)2. 数据集及预处理过程 (33)3. 实验结果分析 (34)七、结论与展望 (35)1. 研究结论总结 (37)2. 对未来研究的展望与建议 (38)一、内容概要本篇论文综述了基于机器学习方法的锂电池剩余寿命预测研究进展，重点介绍了近年来在锂电池寿命预测领域所取得的重要成果和进展。
论文概述了锂电池的基本原理及其在电动汽车、储能系统等领域的应用背景。
详细阐述了机器学习方法在锂电池寿命预测中的应用，包括监督学习、非监督学习和深度学习等方法，并对各种方法的优缺点进行了比较分析。
在此基础上，论文选取了几个典型的锂电池寿命预测实验进行分析，展示了机器学习方法在实际应用中的有效性。
论文还探讨了锂电池剩余寿命预测中面临的挑战，如数据不足、模型泛化能力、实时性等问题，并提出了可能的解决方案。
总结了基于机器学习方法的锂电池剩余寿命预测研究的发展趋势和未来方向。
基于深度学习的IGBT健康状态评估及剩余寿命预测
基于深度学习的IGBT健康状态评估及剩余寿命预测基于深度学习的IGBT健康状态评估及剩余寿命预测引言IGBT（Insulated Gate Bipolar Transistor）是一种重要的功率半导体器件，被广泛应用于电力电子系统中。
然而，由于IGBT的工作环境存在高温、高电压和高电流等恶劣条件，其寿命与可靠性成为电力电子设备中的瓶颈问题。
因此，准确评估IGBT的健康状态，并预测其剩余寿命至关重要，这不仅能够提高设备的可靠性，还能够降低维修成本。
一、IGBT健康状态评估方法1. 特征提取在IGBT健康状态评估过程中，特征提取是一个关键的步骤。
传统方法多采用基于统计学的特征提取方法，如均值、方差、峰值等。
然而，这种方法只能提取样本的整体统计信息，无法捕捉到样本内部的特征。
针对这个问题，基于深度学习的方法具有明显的优势。
例如，卷积神经网络（CNN）可以自动学习到IGBT故障模式中的特征信息，从而提高评估的准确性。
2. 健康状态评估模型构建在特征提取阶段之后，我们需要构建一个评估模型来准确地判断IGBT的健康状态。
传统的评估方法多采用支持向量机（SVM）或逻辑回归（LR）等机器学习算法，但其准确性有限。
近年来，深度学习中的循环神经网络（RNN）等算法被广泛应用于健康状态评估中，因其可以处理时间序列数据并具有很强的非线性建模能力。
3. 实验数据采集与准备为了验证所构建的评估模型的有效性，我们需要采集IGBT的工作数据并进行预处理。
实际中，可以在IGBT设备中潜入传感器，实时采集电流、电压、温度等参数，以及故障样本。
而后，通过对这些数据进行滤波、归一化等预处理操作，得到用于模型训练的数据集。
二、IGBT剩余寿命预测方法1. 特征提取IGBT的剩余寿命预测与健康状态评估类似，也需要进行特征提取。
但与健康状态评估不同的是，剩余寿命预测需要考虑时间因素。
因此，除了采用一些传统的统计特征外，还需要引入时间序列特征，如自相关系数、波峰波谷值等。
- 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、"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、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)。
求 为此再利用准样本 t 1(b, c ), t 2(b, c ), , tr (b, c ) ，
m
1 得
BLUE，即
r
（6）
ˆ 1 C (n, r , i ) ln tj (b, c), r 25 m
j 1
（12）
r ，即四步总的样本失效个数。
i 1
其中，系数 C ( n, r , i ) 可查“可靠性试验用表”。 根据寿命试验的极大似然估计（MLE）得：
64
S i 表示温度和振动四个不同的应力等级。 2.5 加速试验的数据处理 在四个应力组合 （1.2.3.4） 下得到失效数据 tij（ i t ij 试验号， 为相应 i 号实验下第 j 个失效数据） ，试验 截止时间为 i （ i 为各个应力组合的结束时间，它从 上一应力组合结束开始计时，到此应力组合结束时截 止） 。数据处理的思路是先将步进应力下的失效数据 折算到第一个应力水平（试验号为 1） ，得到一组带有 未知参数的数据，称之为准样本数据，这组数据经过 数据换算，换算为服从标准指数分布 E (1) ，它的均值 和方差为 1 和 2，得两个方程组。同时，准样本数据
因素 试验号 1 2 3 4
。
基于加速寿命的航天产品热待机基准寿命估计技
术研究 基准寿命估计是热待机剩余寿命估计的前提，对 基准寿命的计算可以通过历史数据分析或寿命试验 的手段获得。本文提出了一种加速寿命试验的基准寿 命评估方法。 步进应力加速寿命试验具有试验效率高,所需样 本量较少的优点，统计方法亦较成熟，被认为是加速 寿命试验在工程实际应用中的发展方向[3]。因此在热 待机基准寿命评估的加速试验开展过程中采用步进 应力加速试验。 2.1 寿命分布 在工程实际中，很大一部分的航天产品寿命服从 威布尔分布，结合任务设备先前故障信息，对其进行 拟合度检验，任务设备对威布尔分布的拟合度较好。 故寿命分布采用威布尔分布 。 概率密度函数为：
63
检测技术 以加速寿命试验方法设计和数据处理为核心，提出了 消耗因子的概念，并针对航天产品高可靠性和试验成 本较高的特点，提出了一套通用性较好的实时在线寿 命评估技术 2
[1，2]
2012 年 8 月第 4 期
ln ij a b 1 ln Sj c ln Sj d Ti Ti
65
1 r 1 ur ln 1 （10） r 1 i 1 ui
1 r 1 ur ln 2 （11） r 1 i 1 ui
取自标准指数分布 E(1)总体， 标准指数分布的总 体一阶矩阵原点矩为 1，二阶原点矩等于 2，准样本 的 k 阶原点矩为：
ˆ 1(T 1) c ˆ ln 1 b ˆ 2( S 1) a
（15）
正常应力水平 S 0 下特征寿命的估计可由加速方 程得到，即
1 ur ln , k 1, 2 r 1 i 1 ui
e
i 1
k 1
H (i )
i e H ( k )tk 1, e H (i ) i e H ( k )tk 2, , e H (i ) i e H ( k )tkr
i ）
k
式中： i 为各个应力组合的结束时间，它从上一 应力组合结束开始计时，到此应力组合结束时截止。 为方便起见，把这些数据记为 t 1(b, c ) t 2 (b, c ) tr (b, c ) 其中， r 2.5.2
间。 利用时间折算公式，可以把步加试验得到数据都 折算到第一个应力水平组合（试验号为 1）下，即：
H (i) b[ 1(T 1) 1(Ti )] c[ 2( S 1) 2( Si )],
t11, t12, , t1r 1 e H (1) 1 e H (2)t 21, e H (1) 1 e H (2)t 22, , e H (1) 1 e H (2)t 2 r 2
t 1(b, c ) t 2(b, c ) tr (b, c )
经过如下数据换算：
i i
（7）
ˆ, c ˆ, b ˆ , ˆ。 联立方程组，求得参数 m, , b, c 的估计值 m
根据加速方程：
（13） 将方程 （10） 、 方程 （11） 、 方程 （12） 、 方程 （13） 、
ui (m, b, c) Wk tj m (b, c) ( n i )ti m (b, c ), i
k 1 j 1
ln 1 a b 1(T 1) c 2( S 1)
由此可以求得 a 的估计值：
（14）
1,2, , r ， ln u1 , 2ln u2 , , (r 1)ln ur 1 （8） u2 u3 ur
f (t ) m t
m 1
[2]
t m exp
（1）
均匀设计搭配方案
T T1 T2 T3 T4 S S2 S4 S1 S3
（ t 0, m 0, 0 ） 式中：m 为形状参数； 为尺度参数或者特征寿 命；t 为时间。 2.2 失效机理分析 在热待机加速寿命试验中，根据航天产品技术资 料和热待机失效机理综合分析发现，影响热待机剩余 寿命的环境因子主要是温度和振动，加速模型采用广 义艾林模型[4]。
作者简介：海卫华（1979-） ，硕士，机械工程专业；研究方向：可靠性研究。 收稿日期：2012-07-24
可靠的数据，但是随着国防科学技术的不断发展，航 天产品寿命和可靠性的不断提高，产品更新的不断加 快，传统的试验方法由于其试验周期长、需求经费大 等缺陷，无法满足当前可靠性评估技术的要求。 此外，航天产品热待机状态下剩余寿命的预测在 工程领域也一直是难题，因为热待机状态不同于传统 的储存寿命，此过程存在着开关机的影响，但断续使 用对寿命的影响程度难以一定的数学模型加以描述 和分析。 本文在对当前航天产品寿命方法调研的基础上，
E KT
表 1 中， T 表示温度应力， S 表示振动应力，T i 和
t A S
( )
e
（2 ）
式中：A 为与产品材料、几何形状、试验方法有 关的正常数； E 为激活能（eV） ，与材料有关；K 为玻尔兹常数（ 0.8617 10 4 eV / K ） ； T 为环境温度 （K） ；S 为振动强度。 线性化处理得：
ˆ m 1 r ˆ ˆ 1 r ˆ ˆ ˆ1 Wi tj m (b) (n r )tr m (b) r j 1 r j 1 1
逆矩估计法处理双应力步加试验数据
双应力步加试验数据逆矩估计法是对单应力步 加实验数据的逆矩估计法的推广，用来处理双应力水 平下步加试验的数据[6]。 依据引用数据折算到第一应力水平组合下的准 样本数据：
Study on Methods to Assess the Remaining Life of Aerospace Product on Standby Model
Hai Weihua （China Aerospace System Science and Engineering Research Institute, Beijing 100048） Abstract：Remaining life of aerospace product on standby model is difficult to predict real-time. To meet the need, this paper introduces the process to design step acceleration life test, proposes the method of remaining life prediction based on real-time data processing, offers the establishment of acceleration models, the optimization of experiments and the foundation of mathematical model about samples’ switching during the real-time prediction. At last it offers a set of methods to assess the remaining life of aerospace product on standby model. Key words：product on standby model；step acceleration life test；reliability；consumption parameter 1 引言 航天产品的加电待机工作状态，常称为热待机。 热待机阶段是航天产品任务周期中最重要的阶段之 一，对于其工作的可靠性要求非常严格，所以准确地 实时预测航天产品热待机寿命，是航天器系统任务可 靠性的重要技术保障。 然而对于高可靠性的航天产品，热待机寿命一般 都很长。传统的寿命估计是从自然环境储存、长期监 测和数据统计中得到，这种方法虽然会得到比较真实
检测技术
航天制造技术
检测技术
一种基于在线预测的航天产品 热待机剩余寿命评估方法研究
海卫华 （中国航天系统科学与工程研究院，北京 100048） 摘要：基于航天产品热待机剩余寿命难以实时预测的需要，提出步进加速寿命试验设计 过程、基于双应力数据处理的剩余寿命实时在线预测技术，给出加速试验中加速模型的确立 及试验的优化设计，研究了实时剩余寿命预测的样本开关机对热待机寿命影响的数学模型， 最后给出了具体的在线预测热待机剩余寿命的处理过程和实施步骤。 关键词：热待机；步进加速试验；可靠性；消耗参数
检测技术 通过最佳线性无偏估计（BULE）和极大似然估计方 法（MLE） ，同样得到两个方程，四个方程联立将未 知数求得，然后根据分布参数进行可靠性分析。 2.5.1 寿命的折算 若记