一种轨道车辆LED驱动电源剩余寿命预测方法技术

本发明专利技术一种轨道车辆LED驱动电源剩余寿命预测方法，属于可靠性工程技术领域。该方法包括以下步骤：1、基于Wiener过程建立轨道车辆LED驱动电源的退化模型；2、利用Hallberg-Peck加速模型来构造退化模型中漂移系数θ与温湿度应力之间的关系，系数θ和温湿度应力之间的关系；3、采用无信息先验分布，利用Bayes方法，对退化模型中参数进行更新，从而获得其后验分布；4、利用温度、湿度作为加速应力，实时采集轨道车辆LED驱动电源的性能退化数据，将数据带入Bayes算法中，外推出轨道车辆LED驱动电源在正常应力条件下的可靠度及剩余寿命。本发明专利技术的优点在于能够提高轨道车辆LED驱动电源剩余寿命预测的精度，降低预测的不确定性。

【技术实现步骤摘要】

： 本专利技术涉及一种剩余寿命预测方法，具体是指一种轨道车辆LED驱动电源剩余寿 命预测方法。属于可靠性工程

技术介绍
： 现有的剩余寿命预测方法可分为两大类:基于模型的预测方法和基于数据的预测 方法。随着信号采集和信号处理等相关技术的发展，往往能够采集到丰富的系统运行数据， 根据这些数据建立起相应的数学模型，即为基于数据的预测方法，该方法已逐渐成为了预 测方法的中流砥柱，基于数据的预测方法主要由人工智能和概率统计两种方法组成。 当前轨道车辆LED驱动电源剩余寿命预测采用的是基于失效数据的人工智能法， 尽管人工智能法的数据拟合程度较高，但是其对于未来的预测效果较差，且对于高可靠性 产品而言，失效数据往往在短时间内是难以获得的，因此其可行性较差。 由于轨道车辆LED驱动电源的某些性能却会随着时间的推移而退化，大量与可靠 性和寿命相关的信息都包含于退化数据中，且概率统计方法可以根据退化数据较好地预测 未来状态的概率分布。因此，采用基于退化数据的概率统计法对轨道车辆LED驱动电源进行 剩余寿命预测更加合理、有效。
技术实现思路
： 本专利技术的目的是提供轨道车辆LED驱动电源的剩余寿命预测方法，它能够提高轨 道车辆LED驱动电源剩余寿命预测的精度，同时降低了预测的不确定性。轨道车辆LED驱动 电源的剩余寿命预测方法分为五大模块，模块一为利用Wiener过程建立轨道车辆LED驱动 电源的退化模型；模块二为采用Hallberg-Peck加速模型来构造退化模型中漂移系数与温 湿度应力之间的关系；模块三为采用无信息先验分布，利用Bayes方法，通过对联合后验分 布进行积分从而将多余参数去除的算法，对退化模型中参数进行更新，从而获得其后验分 布;模块四为利用温度、湿度作为加速应力，实时采集轨道车辆LED驱动电源的性能退化数 据;模块五为根据采集的性能退化数据，外推出轨道车辆LED驱动电源在正常应力条件下的 剩余寿命。 本专利技术技术方案的是： 模块三为采用无信息先验分布，利用Bayes方法，通过对联合后验分布进行积分从 而将多余参数去除的算法，对退化模型中参数进行更新，从而获得其后验分布。根据Bayes 定理，后验分布可表示为： p(0|y)〇cf(y|0)p(0) (1) 式中p(0|y)为后验分布的概率密度函数，f(y|0)为似然函数，ρ(θ)为先验分布的 概率密度函数。假设在Tl应力下第一组样本测量数据的分布为正态分布，其参数用了无 信息先验分布，该先验分布概率密度函数可表示为如下：(2) 2' 1 令0￡1=01 Δ tiikJaLef Δ tiik，贝丨伊(見，€.)沈1 则待估参数(0a，ea2)的联合后验分布为： (3) 首先，对待估参数03进行更新，则可将632看成多余参数，通过对联合后验分布进行 积分从而将多余参数去除，如式(4)所示： 可将#其带入式(5)，可得：η 式中：从式(6)可以看出，Θ!的边缘后验 分布服从均值为Δ4.，尺度参数为￡的正态分布。 ? 对待估参数ea2进行更新，如式(7)所示： 从式(7)可以看出，参数ε a2的后验分布与逆Gamma分布的概率密度函数成比例，因 此其形状参数为#，尺度参数为。可得参数9:的验后分布的均值为#，尺度参 数为;参数ει2的验后分布的形状参数为￥，尺度参数为。则在Τι应力下参数^ 和.￡.:12的估计值为：(8)同理可得出在Τ2、Τ3···Τι应力下的参数估计值。 本专利技术能够提高轨道车辆LED驱动电源剩余寿命预测的精度，同时降低了预测的 不确定性。【附图说明】： 图1为一种轨道车辆LED驱动电源剩余寿命预测方法的预测流程图。【具体实施方式】： 如图1所示，【具体实施方式】采用以下步骤： (1)基于Wiener过程建立轨道车辆LED驱动电源的退化模型。 (2)利用Hallberg-Peck加速模型来构造退化模型中漂移系数Θ与温湿度应力之间 的关系，系数Θ和温湿度应力之间的关系。 (3)采用无信息先验分布，利用Bayes方法，通过对联合后验分布进行积分从而将 多余参数去除的算法，对退化模型中参数进行更新，从而获 得其后验分布。根据Bayes定理，后验分布可表示为： p(9|y)cxf(y|0)p(0) (1)式中p(0|y)为后验分布的概率密度函数，f(y|0)为似然函数，ρ(θ)为先验分布的 概率密度函数。假设在Ti应力下第一组样本测量数据的分布为正态分布，其参数01和￡12采用了无 信息先验分布，该先验分布概率密度函数可表示为如下： 则待估参数(0a，ea2)的联合后验分布为：⑴首先，对待估参数03进行更新，则可将632看成多余参数，通过对联合后验分布进行 积分从而将多余参数去除，如式(4)所示：[0042? 1 (4) 对其进行整理：Η 可)1彳将其带入式(5)，可得： 式中：2。从式(6)可以看出，Θ:的边缘后验 分布服从均值为，尺度参数为&的正态分布。 η对待估参数ea2进行更新，如式(7)所示：从式(7)可以看出，参数ε a2的后验分布与逆Gamma分布的概率密度函数成比例，因 此其形状参数为^，尺度参数为^可得参数01的验后分布的均值为，尺度参数 2 2 δ?πα 为_·，参数ε I2的验后分布的形状参数为^ ·，尺度参数为…。则在Τι应力下参数》t和 ?的估计值为：(8)同理可得出在Τ2、Τ3···Τι应力下的参数估计值。 (4)利用温度、湿度作为加速应力，实时采集轨道车辆LED驱动电源的性能退化数 据，将数据带入Bayes算法中，外推出轨道车辆LED驱动电源在正常应力条件下的可靠度及 剩余寿命D【主权项】1. 一种轨道车辆LED驱动电源剩余寿命预测方法，其特征在于如下剩余寿命预测步骤： (1) 利用Wi ener过程建立轨道车辆LED驱动电源的退化模型； (2) 采用Hallberg-Peck加速模型来构造退化模型中漂移系数Θ与温湿度应力之间的关 系； (3) 采用无信息先验分布，利用Bayes方法，通过对联合后验分布进行积分从而将多余 参数去除的算法，对退化模型中参数进行更新，从而获得其后验分布，根据Bayes定理，后验 分布可表示为： ρ(θ|γ)^Γ(γ|θ)ρ(θ) (1) 式中P(9|y)为后验分布的概率密度函数，f(y|0)为似然函数，ρ(θ)为先验分布的概率 密度函数，假设在!^应力下第一组样本测量数据的分布为正态分布，其参数01和￡12采用了 无信息先验分布，该先验分布概率密度函数可表示为如下： ρ((1ε2)^\ (62) ￡ 2 1 令0a=01 A tiik，= Δ tiik，则).0^ -F A 贝幡估参数(，εa2)的联合后验分布为： 户(Κ I AZ1U) ex (?2) 2 β (3 ) 首先，对待估参数03进行更新，则可将￡32看成多余参数，通过对联合后验分布进行积分 从而将多余参数去除，如式(4)所示： 〇 -?-1 '丄丨.2 ??(--(〇2 e*-1 ' 4εα (5) 0 Τ(ηΠ) Τ(η?2) =--- "2 k-\ ，η 2 ·η 2 可将-見 > 化为:(碑,,-?)2 + ￡(AZiw - A^m)本文档来自技高网...

【技术保护点】
一种轨道车辆LED驱动电源剩余寿命预测方法，其特征在于如下剩余寿命预测步骤：(1)利用Wiener过程建立轨道车辆LED驱动电源的退化模型；(2)采用Hallberg‑Peck加速模型来构造退化模型中漂移系数θ与温湿度应力之间的关系；(3)采用无信息先验分布，利用Bayes方法，通过对联合后验分布进行积分从而将多余参数去除的算法，对退化模型中参数进行更新，从而获得其后验分布，根据Bayes定理，后验分布可表示为：p(θ|y)∝f(y|θ)p(θ)          (1)式中p(θ|y)为后验分布的概率密度函数，f(y|θ)为似然函数，p(θ)为先验分布的概率密度函数，假设在T1应力下第一组样本测量数据的分布为正态分布，其参数θ1和ε12采用了无信息先验分布，该先验分布概率密度函数可表示为如下：p(θ,ϵ2)∝1ϵ2---(2)]]>令θa＝θ1Δt11k，εa2＝ε12Δt11k，则则待估参数(θa,εa2)的联合后验分布为：p(θa,ϵa2|ΔZ11k)∝(ϵa2)-n2-1e[Σk=1n-12ϵa2(Δz11k-θa)2]---(3)]]>首先，对待估参数θa进行更新，则可将εa2看成多余参数，通过对联合后验分布进行积分从而将多余参数去除，如式(4)所示：p(θa|ΔZ11k)∝∫0∞(ϵa2)-n2-1e[Σk=1n-12ϵa2(ΔZ11k-θa)2]dϵa2---(4)]]>对其进行整理：p(θa|ΔZ11k)∝Γ(n/2)[Σk=1n(ΔZ11k-θa)2/2]n/2·∫0∞[Σk=1n(ΔZ11k-θa)2/2]n/2Γ(n/2)(ϵa2)-n2-1e[Σk=1n-12ϵa2(Δz11k-θa)2]dϵa2=Γ(n/2)[Σk=1n(ΔZ11k-θa)2/2]n/2---(5)]]>可将化为:将其带入式(5)，可得：p(θa|ΔZ11k)∝Γ(n/2)[Σk=1n(ΔZ11k-θa)2/2]n/2·∝Γ(n/2)[12Σk=1n(ΔZ11k-ΔZ‾11k)2]n2·[1+n(ΔZ‾11k-θa)2Σk=1n(ΔZ11k-ΔZ‾11k)2]n2∝[1+n(ΔZ‾11k-θa)2Σk=1n(ΔZ11k-ΔZ‾11k)2]-n2∝[1+(θa-ΔZ‾11k)2(n-1)S2n]-n2---(6)]]>式中：ΔZ‾11k=1nΣk=1nΔZ11k,s2=1(n-1)Σk=1n(ΔZ11k-ΔZ‾11k)2,]]>从式(6)可以看出，θ1的边缘后验分布服从均值为尺度参数为的正态分布，对待估参数εa2进行更新，如式(7)所示：p(ϵa2|ΔZ11k)∝∫-∞+∞(ϵa2)-n2-1e[-12ϵa2Σk=1n(ΔZ11k-θa)2]dθa∝(ϵa2)-n2-...

【技术特征摘要】

【专利技术属性】
技术研发人员：张邦成，陈珉珉，李波，高智，尹晓静，
申请(专利权)人：长春工业大学，长春研奥电器有限公司，
类型：发明
国别省市：吉林;22