大数据在预测性维修中的应用

崔灿丽+孙有朝+李龙彪+李卿卿

摘 要： 目前针对电子产品的可靠性预计结果仍存在精度不够、结果偏差大的问题。本文分别讨论了GJB/Z299C预计方法和制造商维修数据预计方法偏差大的问题，并指出其原因。但同时两种预计方法的模型都存在鲜明的优点，因此，通过构建一种失效率修正系数，将这两种方法有效的结合起来，形成一种新的模型，即利用改模型对电子产品进行可靠性预计，其结果更加准确度，最后用实例验证了方法的有效性。

关键词： 可靠性预计； 失效率修正； 修正系数； 电子产品

中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2014）22?0111?03

Reliability prediction method of fusing GJB/Z299C and manufacturers maintenance data

CUI Can?li1， SUN You?chao1， LI Long?biao1， LI Qing?qing2

（1. College of Civil Aviation， Nanjing University of Aeronautics and Astronautics， Nanjing 210016， China；

2. The 51st Institute of China Electronics Technology Corporation， Shanghai 201802， China）

Abstract：Aiming at the imprecision and large deviation of reliability prediction for electronic products， large deviation between GJB/Z299C prediction method and manufacturers maintenance data prediction method are discussed in this article， and the causes of them are pointed out. But both of these two prediction methods also have their own advantages， so these two methods are merged effectively to form a new model by building a failure rate correction factor. The results of reliability prediction with this model for electronic products are more accurate. The effectiveness of the method was verified by an instance.

Keyword： reliability prediction； failure rate correction； correction factor； electronic product

0 引 言

随着科技的迅猛发展，电子元器件几乎应用于各个领域，尤其在航空、航天领域的应用，使得军机、民机和航天器等一系列高端产品具有高智能、综合化功能。因此，电子产品的可靠性直接关乎整个产品是否稳定工作，一旦发生故障，将给航空、航天领域带来巨大损失[1]。所以，在产品的设计阶段应尽早开展可靠性预计工作，发现产品设计中的不足和薄弱环节，提高产品的整体可靠性。自MIL?HDBK?217发布以来，经数次修订，广泛应用于各个行业[2]，我国也基于此标准制定了相应的标准GJB/Z 299《电子设备可靠性预计手册》。在过去的工作中，针对电子产品的可靠性预计工作大部分是参照GJB/Z 299C《电子设备可靠性预计手册》[3]。但是随着新技术的应用和产品质量的不断提高，标准中的可靠性预计模型在许多情况下很难给出一个精确的失效率值[4]。同时，标准中的模型是基于相关物理学的规则提出的，具有很大的有效性。因此，利用制造商的维修数据来对模型进行改进[5]。

1 GJB/Z299C的预计方法

电子产品的可靠性预计工作，通常用可靠度函数R（t）来评估 [6]。由于电子产品的失效率λ恒定，服从指数分布，则电子产品的可靠度函数可以表示为：

[Rt=e-λst] （1）

式中：λs由产品中的各个组件的失效率决定，组件之间的关系由可靠性框图得出。

GJB/Z299C中对单个组件的失效率可由式（2）计算得出：

[λPM=λbiπi] （2）

式（2）中的λb是组件基本失效率，由系统的结构、材料等因素决定，可查表得出，见GJB/Z299C。

但是在式（2）的模型中，不同的组件，它们的功耗、最大额定温度、电阻值和环境应力等各不相同[7]。因此，不同组件所乘的πi系数也变化也很大。另外，在模型当中所乘的这些系数里面还可能包括结温、质量因素、串行电阻等一些很难确定的变量，往往需要对这些变量进行假设，导致预计结果具有很大的人为性，与实际情况偏差很大。

如前所述，虽然GJB/Z299C已经多年未更新，但是标准中的模型仍然十分有效。比如模型当中的系数πT是基于Arrhenius[8]模型的，至今仍然在可靠性工程领域广泛使用。总之，应用GJB/Z299C进行预计，既有优点也有缺点。因此，应尽量减少这些不足，发挥其优点，提高标准的实用性。

2 制造商维修数据的预计方法

近几年，企业为了更好地对自己的产品进行预计，增加了对其他来源数据的搜集和分析，其中最普遍和最可靠的数据来源就是制造商的维修数据[9]。数据格式如表1所示。

表1 数据表格示例

但是，制造商的这些数据存在以下问题：

（1） 缺乏细节。由于成本的问题，制造商的维修数据缺乏故障时的具体细节，通常只是整个部件的通用失效率。因此，当各个组件工作在非典型条件下，很难利用制造商的维修数据来对产品进行准确分析。

（2） 缺乏具体参数的影响说明。搜集的数据对组件的某些特定参数没有做出说明，即这些参数对失效率的影响无法得知，如电阻、电容等。

（3） 无法反应温度的循环变化对失效率的影响。虽然表1中的数据来源于现场，可以反应实际情况，但是数据对变化的温度很难做出说明。比如，发动机在运转时，内燃机所经受的温度是时刻在变化的。

（4） 数据过时。制造商的维修数据很多已经过时或者包括旧技术时的数据，即没有设置合理的数据采集点。

总之，制造商搜集的现场数据存在很多问题，仅用这些数据进行可靠性预计，结果会偏差很大。为了让数据能够更好的用于预计工作，需要对其合理有效的利用[10]。

3 综合预计方法

如前所述，两种预计方法都各有利弊。制造商的维修数据缺乏具体参数的影响，可以用GJB/Z299C中的模型来加以弥补；同时GJB/Z299C的预计工作可以利用制造商的维修数据来分析，进而提高结果的精度。

对产品进行可靠性预计时，首先根据GJB/Z299C中的相关预计模型，计算得出组件在典型工作条件下的失效率λPM：

[λPM=λbiπi-typical] （3）

式中：λb为组件的基本失效率，详见GJB/Z299C；πi?typical为典型工作条件下所乘的系数；i为所乘系数的个数。其中，组件的典型工作条件由元器件工程师的意见。

这里引入一个失效率修正系数WCF，利用该系数来调整制造商的失效率数据λ0和GJB/Z299C模型预计出的失效率λPM（典型工作条件）之间的关系，即：

[λPM×WCF=λ0] （4）

根据式（3），式（4）可得失效率修正系数的计算公式：

[WCF=λ0λbiπi-typical] （5）

每个组件都有自己的特有的失效率修正系数WCF，式（3）～式（5）中的“典型”并不是固定不变的，需要随着时间和维修进行更新修改（由相应的元器件工程师决定）。则失效率的修正过程可以用图1来表示。

图1 失效率的修正过程图

最后，在对产品进行可靠性预计时，用失效率修正系数WCF（由现场数据获得）来修正GJB/Z299C的预计结果，即：

[λf=WCF×λbiπi] （6）

式中λb和πi是组件在当前工作条件下的参数。

4 实 例

已知某一按GB/T7213生产的固体钽电解电容器，其额定工作电压为40 V（直流），额定电容量为15 μF，用于机载雷达中，工作电压为16 V（直流），电容器和电源之间的回路电阻是80 Ω，组件最大额定温度为70 ℃，其使用时环境温度T的变化范围如表2所示。对近5年的固体钽电解电容器的失效数据进行分析可知，历史失效数据（制造商的维修数据），λ0=0.000 216×10-6/h。

表2 环境温度变化时间比

由相关的设计师和元器件工程师得知，该规格的电容器的典型条件为：平均电容C=18 μF，工作电压为20 V，组件的典型最大额定温度为TMR=75 ℃，环境温度TA=25 ℃，环境类别为AIF。

由GJB/Z299C可知，工作失效率预计模型为：

[λPM=λbπEπQπCVπch] （7）

式中：λb为基本失效率；πE为环境系数；πQ为质量系数；πcv为电容量系数；πSR为串联电阻系数；πch为表面贴装系数；以上参数均参见GJB/Z99C。则该电解电容器的预计失效率λPM值如表3所示。在典型工作条件下的预计失效率为0.000 846×10-6/h，且λ0为0.000 216，则由式（5）可以得出失效率修正系数为：

[WCF=0.000 2160.000 846=0.255 3]

表3 λPM的预计值失效率 10-6/h

则由失效率修正系数WCF可得SP1～ SP4各阶段的失效率，如表4所示。所以，根据表2中各个温度阶段所占的时间比和表4中的λf的值可得该型号电容器的总失效率为：[λf=2.578 53e-05×10-6×10%+3.165 72e-05 ×10-6×30%+4.442 22e-05×10-6×40% +0.000 079 143×10-6×20% =0.000 045 67×10-6 h]

例中，利用失效率修正系数调整GJB/Z99C中模型的预计失效率，并同时考虑了元器件工作在变化温度的情况，最终得出的失效率更切合实际。

表4 λf的修正值失效率 10-6/h

5 结 语

本文充分利用GJB/Z299C中的物理和数学模型，以及制造商维修数据的现场实用性，通过定义一个失效率修正系数WCF，把GJB/Z299C中模型的预计方法和制造商维修数据的预计方法有效的融合为一体。最终得出的失效率具有两种预计方法的双层优点，使预计结果更加准确，迅速定位产品的可靠度，进而缩短产品的研制周期和减少研制费用。

参考文献

[1] 陈亚兰，罗俊，李晓红.电子装备可靠性预计方法概述[J].微电子学，2013，43（2）：242?249.

[2] 袁金灿，马进，王思彤，等.智能电能表可靠性预计技术[J].电力自动化设备，2013，33（7）：161?166.

[3] 田笑，孙悦，黄姣英，等.一种基于退化数据的元器件可靠性定量检验方法研究[J].现代电子技术，2012，35（13）：168?172.

[4] 国防科工委.GJB/Z299C?2006 电子设备可靠性预计手册[S].北京：中国标准出版社，2006.

[5] 罗俊，郝跃，秦国林，等.微纳米CMOS VLSI 电路可靠性仿真与设计[J].微电子学，2012，42（2）：255?260.

[6] 杨阳，程翔，赵杰.侵彻引线电路的可靠性预计[J].现代电子技术，2011，34（22）：168?170.

[7] 尹宗润，李俊山，苏东，等.基于Bayes?GO的复杂系统可靠性评估模型[J].计算机工程，2013，39（11）：276?284.

[8] 柳孔明，徐宏哲，黄俊.三余度飞控计算机架构及其可靠性研究[J].现代电子技术，2012，35（6）：102?106.

[9] 姜同敏，王晓红，袁宏杰，等.可靠性试验技术[M].北京：北京航空航天大学出版社，2012.

[10] 郭丽娟，刘延泉，巨汉基，等.基于元器件应立法的智能电表可靠性预计研究[J].计算机仿真，2014，31（1）：149?153.

[11] 刘建军，孟海宁.基于AADL的航电系统可靠性分析工具[J].现代电子技术，2014，37（8）：65?68.

[12] 阳红成，苏小光.电子产品研制阶段可靠性增长试验研究[J].现代电子技术，2007，30（3）：140?142.

表1 数据表格示例

但是，制造商的这些数据存在以下问题：

（1） 缺乏细节。由于成本的问题，制造商的维修数据缺乏故障时的具体细节，通常只是整个部件的通用失效率。因此，当各个组件工作在非典型条件下，很难利用制造商的维修数据来对产品进行准确分析。

（2） 缺乏具体参数的影响说明。搜集的数据对组件的某些特定参数没有做出说明，即这些参数对失效率的影响无法得知，如电阻、电容等。

（3） 无法反应温度的循环变化对失效率的影响。虽然表1中的数据来源于现场，可以反应实际情况，但是数据对变化的温度很难做出说明。比如，发动机在运转时，内燃机所经受的温度是时刻在变化的。

（4） 数据过时。制造商的维修数据很多已经过时或者包括旧技术时的数据，即没有设置合理的数据采集点。

总之，制造商搜集的现场数据存在很多问题，仅用这些数据进行可靠性预计，结果会偏差很大。为了让数据能够更好的用于预计工作，需要对其合理有效的利用[10]。

3 综合预计方法

如前所述，两种预计方法都各有利弊。制造商的维修数据缺乏具体参数的影响，可以用GJB/Z299C中的模型来加以弥补；同时GJB/Z299C的预计工作可以利用制造商的维修数据来分析，进而提高结果的精度。

对产品进行可靠性预计时，首先根据GJB/Z299C中的相关预计模型，计算得出组件在典型工作条件下的失效率λPM：

[λPM=λbiπi-typical] （3）

式中：λb为组件的基本失效率，详见GJB/Z299C；πi?typical为典型工作条件下所乘的系数；i为所乘系数的个数。其中，组件的典型工作条件由元器件工程师的意见。

这里引入一个失效率修正系数WCF，利用该系数来调整制造商的失效率数据λ0和GJB/Z299C模型预计出的失效率λPM（典型工作条件）之间的关系，即：

[λPM×WCF=λ0] （4）

根据式（3），式（4）可得失效率修正系数的计算公式：

[WCF=λ0λbiπi-typical] （5）

每个组件都有自己的特有的失效率修正系数WCF，式（3）～式（5）中的“典型”并不是固定不变的，需要随着时间和维修进行更新修改（由相应的元器件工程师决定）。则失效率的修正过程可以用图1来表示。

图1 失效率的修正过程图

最后，在对产品进行可靠性预计时，用失效率修正系数WCF（由现场数据获得）来修正GJB/Z299C的预计结果，即：

[λf=WCF×λbiπi] （6）

式中λb和πi是组件在当前工作条件下的参数。

4 实 例

已知某一按GB/T7213生产的固体钽电解电容器，其额定工作电压为40 V（直流），额定电容量为15 μF，用于机载雷达中，工作电压为16 V（直流），电容器和电源之间的回路电阻是80 Ω，组件最大额定温度为70 ℃，其使用时环境温度T的变化范围如表2所示。对近5年的固体钽电解电容器的失效数据进行分析可知，历史失效数据（制造商的维修数据），λ0=0.000 216×10-6/h。

表2 环境温度变化时间比

由相关的设计师和元器件工程师得知，该规格的电容器的典型条件为：平均电容C=18 μF，工作电压为20 V，组件的典型最大额定温度为TMR=75 ℃，环境温度TA=25 ℃，环境类别为AIF。

由GJB/Z299C可知，工作失效率预计模型为：

[λPM=λbπEπQπCVπch] （7）

式中：λb为基本失效率；πE为环境系数；πQ为质量系数；πcv为电容量系数；πSR为串联电阻系数；πch为表面贴装系数；以上参数均参见GJB/Z99C。则该电解电容器的预计失效率λPM值如表3所示。在典型工作条件下的预计失效率为0.000 846×10-6/h，且λ0为0.000 216，则由式（5）可以得出失效率修正系数为：

[WCF=0.000 2160.000 846=0.255 3]

表3 λPM的预计值失效率 10-6/h

则由失效率修正系数WCF可得SP1～ SP4各阶段的失效率，如表4所示。所以，根据表2中各个温度阶段所占的时间比和表4中的λf的值可得该型号电容器的总失效率为：[λf=2.578 53e-05×10-6×10%+3.165 72e-05 ×10-6×30%+4.442 22e-05×10-6×40% +0.000 079 143×10-6×20% =0.000 045 67×10-6 h]

例中，利用失效率修正系数调整GJB/Z99C中模型的预计失效率，并同时考虑了元器件工作在变化温度的情况，最终得出的失效率更切合实际。

表4 λf的修正值失效率 10-6/h

5 结 语

本文充分利用GJB/Z299C中的物理和数学模型，以及制造商维修数据的现场实用性，通过定义一个失效率修正系数WCF，把GJB/Z299C中模型的预计方法和制造商维修数据的预计方法有效的融合为一体。最终得出的失效率具有两种预计方法的双层优点，使预计结果更加准确，迅速定位产品的可靠度，进而缩短产品的研制周期和减少研制费用。

参考文献

[1] 陈亚兰，罗俊，李晓红.电子装备可靠性预计方法概述[J].微电子学，2013，43（2）：242?249.

[2] 袁金灿，马进，王思彤，等.智能电能表可靠性预计技术[J].电力自动化设备，2013，33（7）：161?166.

[3] 田笑，孙悦，黄姣英，等.一种基于退化数据的元器件可靠性定量检验方法研究[J].现代电子技术，2012，35（13）：168?172.

[4] 国防科工委.GJB/Z299C?2006 电子设备可靠性预计手册[S].北京：中国标准出版社，2006.

[5] 罗俊，郝跃，秦国林，等.微纳米CMOS VLSI 电路可靠性仿真与设计[J].微电子学，2012，42（2）：255?260.

[6] 杨阳，程翔，赵杰.侵彻引线电路的可靠性预计[J].现代电子技术，2011，34（22）：168?170.

[7] 尹宗润，李俊山，苏东，等.基于Bayes?GO的复杂系统可靠性评估模型[J].计算机工程，2013，39（11）：276?284.

[8] 柳孔明，徐宏哲，黄俊.三余度飞控计算机架构及其可靠性研究[J].现代电子技术，2012，35（6）：102?106.

[9] 姜同敏，王晓红，袁宏杰，等.可靠性试验技术[M].北京：北京航空航天大学出版社，2012.

[10] 郭丽娟，刘延泉，巨汉基，等.基于元器件应立法的智能电表可靠性预计研究[J].计算机仿真，2014，31（1）：149?153.

[11] 刘建军，孟海宁.基于AADL的航电系统可靠性分析工具[J].现代电子技术，2014，37（8）：65?68.

[12] 阳红成，苏小光.电子产品研制阶段可靠性增长试验研究[J].现代电子技术，2007，30（3）：140?142.

表1 数据表格示例

但是，制造商的这些数据存在以下问题：

（1） 缺乏细节。由于成本的问题，制造商的维修数据缺乏故障时的具体细节，通常只是整个部件的通用失效率。因此，当各个组件工作在非典型条件下，很难利用制造商的维修数据来对产品进行准确分析。

（2） 缺乏具体参数的影响说明。搜集的数据对组件的某些特定参数没有做出说明，即这些参数对失效率的影响无法得知，如电阻、电容等。

（3） 无法反应温度的循环变化对失效率的影响。虽然表1中的数据来源于现场，可以反应实际情况，但是数据对变化的温度很难做出说明。比如，发动机在运转时，内燃机所经受的温度是时刻在变化的。

（4） 数据过时。制造商的维修数据很多已经过时或者包括旧技术时的数据，即没有设置合理的数据采集点。

总之，制造商搜集的现场数据存在很多问题，仅用这些数据进行可靠性预计，结果会偏差很大。为了让数据能够更好的用于预计工作，需要对其合理有效的利用[10]。

3 综合预计方法

如前所述，两种预计方法都各有利弊。制造商的维修数据缺乏具体参数的影响，可以用GJB/Z299C中的模型来加以弥补；同时GJB/Z299C的预计工作可以利用制造商的维修数据来分析，进而提高结果的精度。

对产品进行可靠性预计时，首先根据GJB/Z299C中的相关预计模型，计算得出组件在典型工作条件下的失效率λPM：

[λPM=λbiπi-typical] （3）

式中：λb为组件的基本失效率，详见GJB/Z299C；πi?typical为典型工作条件下所乘的系数；i为所乘系数的个数。其中，组件的典型工作条件由元器件工程师的意见。

这里引入一个失效率修正系数WCF，利用该系数来调整制造商的失效率数据λ0和GJB/Z299C模型预计出的失效率λPM（典型工作条件）之间的关系，即：

[λPM×WCF=λ0] （4）

根据式（3），式（4）可得失效率修正系数的计算公式：

[WCF=λ0λbiπi-typical] （5）

每个组件都有自己的特有的失效率修正系数WCF，式（3）～式（5）中的“典型”并不是固定不变的，需要随着时间和维修进行更新修改（由相应的元器件工程师决定）。则失效率的修正过程可以用图1来表示。

图1 失效率的修正过程图

最后，在对产品进行可靠性预计时，用失效率修正系数WCF（由现场数据获得）来修正GJB/Z299C的预计结果，即：

[λf=WCF×λbiπi] （6）

式中λb和πi是组件在当前工作条件下的参数。

4 实 例

已知某一按GB/T7213生产的固体钽电解电容器，其额定工作电压为40 V（直流），额定电容量为15 μF，用于机载雷达中，工作电压为16 V（直流），电容器和电源之间的回路电阻是80 Ω，组件最大额定温度为70 ℃，其使用时环境温度T的变化范围如表2所示。对近5年的固体钽电解电容器的失效数据进行分析可知，历史失效数据（制造商的维修数据），λ0=0.000 216×10-6/h。

表2 环境温度变化时间比

由相关的设计师和元器件工程师得知，该规格的电容器的典型条件为：平均电容C=18 μF，工作电压为20 V，组件的典型最大额定温度为TMR=75 ℃，环境温度TA=25 ℃，环境类别为AIF。

由GJB/Z299C可知，工作失效率预计模型为：

[λPM=λbπEπQπCVπch] （7）

式中：λb为基本失效率；πE为环境系数；πQ为质量系数；πcv为电容量系数；πSR为串联电阻系数；πch为表面贴装系数；以上参数均参见GJB/Z99C。则该电解电容器的预计失效率λPM值如表3所示。在典型工作条件下的预计失效率为0.000 846×10-6/h，且λ0为0.000 216，则由式（5）可以得出失效率修正系数为：

[WCF=0.000 2160.000 846=0.255 3]

表3 λPM的预计值失效率 10-6/h

则由失效率修正系数WCF可得SP1～ SP4各阶段的失效率，如表4所示。所以，根据表2中各个温度阶段所占的时间比和表4中的λf的值可得该型号电容器的总失效率为：[λf=2.578 53e-05×10-6×10%+3.165 72e-05 ×10-6×30%+4.442 22e-05×10-6×40% +0.000 079 143×10-6×20% =0.000 045 67×10-6 h]

例中，利用失效率修正系数调整GJB/Z99C中模型的预计失效率，并同时考虑了元器件工作在变化温度的情况，最终得出的失效率更切合实际。

表4 λf的修正值失效率 10-6/h

5 结 语

本文充分利用GJB/Z299C中的物理和数学模型，以及制造商维修数据的现场实用性，通过定义一个失效率修正系数WCF，把GJB/Z299C中模型的预计方法和制造商维修数据的预计方法有效的融合为一体。最终得出的失效率具有两种预计方法的双层优点，使预计结果更加准确，迅速定位产品的可靠度，进而缩短产品的研制周期和减少研制费用。

参考文献

[1] 陈亚兰，罗俊，李晓红.电子装备可靠性预计方法概述[J].微电子学，2013，43（2）：242?249.

[2] 袁金灿，马进，王思彤，等.智能电能表可靠性预计技术[J].电力自动化设备，2013，33（7）：161?166.

[3] 田笑，孙悦，黄姣英，等.一种基于退化数据的元器件可靠性定量检验方法研究[J].现代电子技术，2012，35（13）：168?172.

[4] 国防科工委.GJB/Z299C?2006 电子设备可靠性预计手册[S].北京：中国标准出版社，2006.

[5] 罗俊，郝跃，秦国林，等.微纳米CMOS VLSI 电路可靠性仿真与设计[J].微电子学，2012，42（2）：255?260.

[6] 杨阳，程翔，赵杰.侵彻引线电路的可靠性预计[J].现代电子技术，2011，34（22）：168?170.

[7] 尹宗润，李俊山，苏东，等.基于Bayes?GO的复杂系统可靠性评估模型[J].计算机工程，2013，39（11）：276?284.

[8] 柳孔明，徐宏哲，黄俊.三余度飞控计算机架构及其可靠性研究[J].现代电子技术，2012，35（6）：102?106.

[9] 姜同敏，王晓红，袁宏杰，等.可靠性试验技术[M].北京：北京航空航天大学出版社，2012.

[10] 郭丽娟，刘延泉，巨汉基，等.基于元器件应立法的智能电表可靠性预计研究[J].计算机仿真，2014，31（1）：149?153.

[11] 刘建军，孟海宁.基于AADL的航电系统可靠性分析工具[J].现代电子技术，2014，37（8）：65?68.

[12] 阳红成，苏小光.电子产品研制阶段可靠性增长试验研究[J].现代电子技术，2007，30（3）：140?142.