[发明专利]基于材料配比和关键工艺参数改进的产品寿命增长方法

权利要求书

1.一种基于材料配比和关键工艺参数改进的产品寿命增长方法，其特征在于包括以下步骤：

步骤一，确定关键工艺参数和关键性能参数；

(1)进行试生产的正交试验

将各个工艺参数作为正交表因素，采用均匀设计原则，设计每个因素的因子水平数和因子水平值，选取正交试验表，进行正交试验获得试生产的产品；

(2)进行试生产产品的短时退化试验

对各个试生产产品进行各种环境应力条件下的短时性能退化试验，观察并记录每个产品的各个性能参数的退化数据；

(3)进行失效机理分析和选择关键性能指标

对各个性能参数的退化情况进行评估，再结合产品运行的物理或化学机理，分析性能参数的退化原因，确定能表征产品可靠性状况的关键性能指标；

(4)选取关键工艺参数

采用正交试验的分析方法分析上述工艺参数、材料成分等因素及因素组合对产品失效影响程度的差异，由此确定关键工艺参数；

步骤二，获得材料配比和关键工艺参数受控的产品的寿命数据；

(1)正交试验

确定了关键工艺参数后，根据产品的设计要求确定非关键工艺参数的值，并由产品材料配比和关键工艺参数的特性设计其因子水平，选择正交试验表；根据正交试验表中的试验方案进行管控试验，获得典型产品；

(2)性能退化试验

通过设计和实施性能退化试验，获得各个典型产品在各个测试时间点的关键性能参数的值，即获得了各个样品的性能退化数据；

(3)性能退化过程建模

根据产品失效机理分析的结果和退化试验获取的性能退化数据，建立失效物理模型、概率物理模型或退化轨道模型，并利用解析方法和自助仿真方法求解模型参数；

(4)产品寿命预测

根据正常应力下的退化模型和给定的失效阈值，计算得不同生产条件下获得的产品的寿命数据；

步骤三，建立基于材料配比和关键工艺参数的产品寿命预测模型；

(1)建立非线性映射关系模型

将监测得到的材料配比和关键工艺参数数据作为样本的输入值，以退化试验的寿命预测值作为样本的输出值，采用统计学习方法，建立材料配比及关键工艺参数与寿命间的非线性映射关系模型；

(2)模型预测误差分析

非线性映射关系模型建立后，即能对给定材料配比和关键工艺参数的产品寿命进行预测；为保证精度，需对寿命预测模型的预测能力进行误差分析与验证，若不满足要求，则需通过反馈学习，改进模型；模型验证利用自助或交叉验证重采样技术；

步骤四：优化材料配比和关键工艺参数，实现产品寿命增长；

在时间、费用、人力、技术水平各条件的约束下，建立非线性寿命增长优化模型，并利用Gauss-Newton法、粒子群启发式方法或/和梯度投影各类仿真和解析优化方法求解模型，得到关键工艺参数、材料配比的理想值及寿命的最优值。

2.根据权利要求1所述的基于材料配比和关键工艺参数改进的产品寿命增长方法，其特征在于：所述正交试验的分析方法为极差分析法、方差分析法或sobel指数法。

3.根据权利要求1所述的基于材料配比和关键工艺参数改进的产品寿命增长方法，其特征在于：统计学习方法采用BP神经网络、Bayes网络或支持向量机。

4.一种基于材料配比和关键工艺参数改进的产品寿命增长方法，其特征在于包括以下步骤：

步骤一，确定关键工艺参数和关键性能参数；

(1)进行试生产的正交试验

一款案例产品一共包含19个工艺参数，取其每个参数的水平数为2，选择正交试验表为L₂₀(2¹⁹)，一共需生产20个样品，其因素与因子水平表如表1所示：

表1 因素与因子水平表

(2)进行试生产产品的短时退化试验

得到试生产的20个产品以后，需对其进行同种实验条件下的短时性能退化试验，观察并记录其各个性能参数的退化情况，这里采用结束试验时的性能值与初值的比值来反映各参数的退化情况，即：

θ_jk＝y_jk(tt)/y_jk(0)；

其中，y_jk(x)表示第j个产品的第k个性能指标在时刻x的初值，tt为试验终止时刻，y_jk(0)即为第j个产品的第k个性能指标的初值，θ_jk即结束试验时的性能值与初值的比值；

案例产品考量的性能指标包含4项，在做完相当于正常运行48h的性能退化试验后，其退化结果如表2所示；

表2 试生产产品性能退化结果(θ_jk)

试验号	指标1	指标2	指标3	指标4
1	1.071	1.464	0.952	0.992
2	1.057	1.568	0.935	0.999
3	1.042	1.488	0.927	0.981
4	1.063	1.594	0.944	0.992
5	1.047	1.482	0.938	0.986
6	1.069	1.562	0.959	0.997
7	1.061	1.531	0.959	0.984
8	1.050	1.505	0.953	0.989

9	1.077	1.473	0.927	0.988
10	1.070	1.558	0.921	0.997
11	1.075	1.570	0.948	0.994
12	1.043	1.486	0.935	0.984
13	1.047	1.494	0.967	0.986
14	1.069	1.518	0.969	0.983
15	1.068	1.570	0.934	0.993
16	1.071	1.554	0.960	0.991
17	1.060	1.503	0.965	0.983
18	1.057	1.562	0.950	0.983
19	1.064	1.508	0.964	0.990
20	1.074	1.513	0.967	0.998

(3)进行失效机理分析和选择关键性能指标

在进行退化试验，得到各产品的θ_jk的值后，即可对其各个指标的退化情况进行评估，再结合产品运转的物理或化学机理，分析其退化原因，确定关键性能指标；

根据表2的结果得知，指标4的退化很小，认为其退化不显著，不能作为关键性能指标；指标3存在退化，但退化不如指标2显著，且使用机理显示此性能的变化对产品的失效影响不大；指标1退化小，且其失效阈值很高，以该指标超标的性能失效事件出现的概率小；结合案例产品使用时的化学机理分析，可知指标2是随着使用时间的增长而显著增大，当其值不断增大时，其使得产品受到的冲击越大，可靠度越低；因此选择指标2作为关键性能参数；

(4)选取关键工艺参数

采用正交试验的方差分析方法对产品数据进行分析，将各方差进行大小排序，选择方差大的几个参数作为关键工艺参数；

上述案例产品通过方差分析，方差分析结果如表3所示：

表3 方差分析结果

其中，共有n种影响因素，第j种影响因素的水平数为l_j，j＝1，2，…，n，每个水平下参加试验的样品个数为f_j,即一共包含f_j×l_j次试验，x_i为第i次试验的关键指标的输出值，ψ_jm为在第j种影响因素的水平m下的试验号的集合；此处，n＝19，l_j皆为2,f_j皆为10；x_i为第j种影响因素的水平m下的指标的均值，为所有试验方案的指标均值；S_Aj为第j种影响因素各水平间的变差之和，则S_T为总的变差之和，S_ej为第j种影响因素各水平内的变差之和，定义为第j种因素对典型长寿命产品退化失效的影响因子，F_j/ΣF_j即第j种因素的影响因子占总影响因子之和的百分比；若选取总影响因子的累计前75％的参数作为关键工艺参数，则选取的结果为：参数6,其F_j/ΣF_j为39.16％、参数9,其F_j/∑F_j为28.74％、参数19,其F_j/∑F_j为7.95％；

步骤二，获得材料配比和关键工艺参数受控的产品的寿命数据；

为获得工艺参数受控产品的寿命数据，采用先进行正交试验再进行退化试验最后进行可靠性和寿命分析的方法；

(1)正交试验

将表1中的产品的工艺参数6记为参数X₁，材料配比记为参数X₂，工艺参数9记为参数X₃，工艺参数19记为参数X₄；设计各参数的因子水平数为3，其因素与因子水平表如表4所示：

表4 因素与因子水平表

	1]]>	2]]>	3]]>	4]]>
水平1	60	1.5	210	37.6
水平2	80	1.65	230	39.1
水平3	100	1.8	250	41.6

4因素3水平的正交试验最适合选取L₉(3⁴)正交表；因此按照L₉(3⁴)的正交试验方案进行试验，得到材料配比和关键工艺参数受控的9个典型产品；

(2)性能退化试验

通过对9个典型产品进行退化试验，获得其在各个测试时间点的关键性能参数的取值，即获得了各个样品的性能退化数据；

记9个典型产品在时刻t＝0，1，2，…，10d的性能退化数据y(t)如表5所示：

表5 典型产品性能退化数据

(3)性能退化过程建模

在实际问题中，由于存在测量误差，产品的关键性能的测量值往往与预测值存在一定的差异；即：

y_j(t_ij)＝D(t_ij，β_j)+ε_ij；

其中，y_j(t_ij)为产品j在时刻t_ij的性能测量值，D(t_ij，β_j)为根据退化模型计算出的产品j在时刻t_ij的性能预测值，β_j＝(β_1j，β_2j，β_3j，...，β_kj)即为产品j的性能退化模型的k维参数；ε_ij为第j个产品在时刻t_ij的预测误差值，当其无法忽略时，假设E[ε_ij]＝0，Var[ε_ij]＝σ²，且ε_ij与D(t_ij，β_j)独立；

根据9个典型产品的物理失效机理和退化数据规律分析，得到的性能退化模型为：

其中:x为性能退化测量时间；a、d、c为模型待估参数；

通过对表5的退化数据的最小二乘拟合，得到模型参数和误差如表6所示：

表6 退化模型参数和拟合误差平方和

	a	d	c	SSE
产品1	1.678	0.1847	11.62	1.795
产品2	1.544	0.1964	10.94	1.504
产品3	1.72	0.1929	11.39	0.5445

产品4	1.65	0.1901	11.39	1.347
产品5	1.615	0.2027	11.26	2.314
产品6	1.643	0.1905	12.15	0.494
产品7	1.558	0.2118	11.15	0.5239
产品8	1.582	0.2068	11.6	1.602
产品9	1.858	0.18	11.39	0.5977

(4)产品寿命预测

通过拟合的性能退化模型，给定产品的性能失效阈值τ＝500，即可根据D(t_ij，β_j)≥τ计算出各个产品的寿命值T(x₁，x₂，x₃，x₄)；结果如表8所示：

表8 典型产品的材料配比和关键工艺参数与寿命

步骤三，建立基于材料配比和关键工艺参数的产品寿命预测模型；

(1)建立非线性映射关系模型

将监测得到的材料配比和关键工艺参数数据作为样本的输入值，以性能退化试验的寿命预测值作为样本的输出值，采用BP神经网络的方法，建立材料配比和关键工艺参数与寿命间的非线性映射关系模型；

(2)模型预测误差分析

为了对BP神经网络的预测性能进行评估，另增3个产品进行验证试验；设计出表8中不同的3个生产方案，依方案生产出验证产品并对其进行退化试验和退化建模，预测得到其寿命；同时，根据材料配比和关键工艺参数与寿命间的BP神经网络模型预测出这3个产品的寿命；将两种方式获得的寿命进行对比，得到模型验证结果如表9所示：

表9 BP神经网络预测验证

表9中3个产品的预测差相对值都能控制在5％以内，证明该模型可靠，能够通过该模型来对工艺受控产品的寿命进行预测和反向的关键工艺优化；

步骤四：优化材料配比和关键工艺参数，实现产品寿命增长；

案例产品的工艺参数约束为：

40≤X₁≤120； (1)

40≤X₂≤120； (2)

200≤X₃≤260； (3)

35≤X₄≤42； (4)

0.48X₁+19.5X₂+0.07X₃+0.35X₄≤100； (5)

案例产品通过遗传算法计算得到最优方案为：

X₁＝50，X₂＝1.42，X₃＝234.1，X₄＝37.7；

最优寿命值T(x₁，x₂，x₃，x₄)＝1468.9天；

根据最优方案设置材料配比和关键工艺参数值，实现产品可靠性和寿命的增长。