技术领域
[0001] 本发明涉及设备可靠性技术领域，具体而言，涉及一种基于q‑weibull分布的设备可靠性预测方法、装置、电子设备及存储介质。
相关背景技术
[0002] 寿命分布模型是一种常用的可靠性分析工具，其通过拟合设备的历史故障数据，可以预测设备在未来一段时间内的故障概率，其优点在于能够描述设备的早期故障期、偶然故障期和耗损故障期，适用于各种类型的设备可靠性分析。
[0003] 在可靠性分析中，指数分布被广泛的应用在电子器件中，GB/T15214‑2008超声诊断设备可靠性试验要求和方法便就是在失效规律服从指数分布这一基础上制定的。然而基于指数分布构建寿命分布模型的前提是故障率恒定，忽视了操作员熟练度、操作环境等重要现实因素。可靠性工程师为了对设备的可靠性进行准确分析，通常采用基于具备浴盆特征的故障率函数来构建模型以描述设备可靠性水平退化的过程，其中weibull分布因其可以描述浴盆曲线3个阶段得到了广泛应用。
[0004] 然而，weibull分布不能用一组参数同时描述具备浴盆特征的故障率函数的各个阶段，这限制了weibull分布的应用。为此，通过引入新的参数对weibull分布进行拓展以解决这一问题，q‑weibull分布是其中一种拓展方式。但是，现有技术中q‑weibull分布参数估计运算量大，拟合精度较差，影响了可靠性的预测结果的准确性。
具体实施方式
[0024] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0025] 因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0026] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0027] 在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0028] 此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0029] 需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
[0030] 在设备可靠性技术领域，利用浴盆特征的故障率函数描述设备的可靠性水平退化过程是可靠性工程师通常采用的手段，请参照图1，图1为本实施例提供的浴盆特征的故障率函数的示例图，图1中，浴盆特征的故障率函数包括三个阶段：早期故障阶段、随机故障阶段、损耗故障阶段。
[0031] 在早期故障阶段，设备的故障率较高，但随着时间的推移，故障率会迅速下降。这通常是由于设计、原材料和制造过程中的缺陷所导致的。
[0032] 在随机故障阶段，故障率较低且相对稳定，通常可以近似看作一个常数。这个时期的设备运行稳定，是产品的良好使用阶段。偶然故障主要是由质量缺陷、材料弱点、环境和使用不当等因素引起的。
[0033] 在损耗故障阶段，故障率随着时间的延长而急速增加，主要由磨损、疲劳、老化和耗损等原因造成。
[0034] 为了同时描述具备浴盆特征的故障率函数的各个阶段，以便对设备的可靠性进行准确预测，通常基于q‑weibull分布构建可靠性预测模型，由于q‑weibull分布不但能够描述weibull分布能描述的单调情况，还能描述经典的浴盆状和单峰状故障率曲线，在一定程度上能够较为准确地模拟出设备的故障变化趋势，能够对设备的故障率进行较为准确地预测，但是，现有的基于轮廓误差函数计算q‑weibull分布参数的点估计，求解过程可能收敛速度慢，甚至可能陷入局部最优解，而无法找到全局最优解，导致参数估计效率低，拟合效果不能达到预期，影响了预测结果的准确性。
[0035] 有鉴于此，本发明实施例提供一种基于q‑weibull分布的设备可靠性预测方法，其基于预设均值和预设标准差对基于q‑weibull分布构建的可靠性预测模型的模型参数的参数分布进行迭代优化后确定该模型的模型参数，由此可以快速地确定出精度高的模型参数，提高了可靠性预测模型的预测结果的准确性，下面将对其进行详细描述。
[0036] 请参照图2，图2为本实施例提供的基于q‑weibull分布的设备可靠性预测方法的流程示例图，该方法包括以下步骤：步骤S101，获取目标设备的预估运行时长。
[0037] 在本实施例中，目标设备为需要进行故障率预测的设备，目标设备包括、但不限于医疗领域的医疗设备，例如呼吸机、监护仪、血气分析仪等。预估运行时长为需要估计的目标设备的运行时长，预估运行时长可以是目标设备当前已经运行的时长，此时估计出发生故障的概率就是目标设备当前发生故障的概率，例如，当前设备已经运行了50个小时，将50个小时作为预估运行时长，则估计出发生故障的概率就是目标设备运行50个小时对应的故障的概率，预估运行时长还可以是目标设备预计要运行的时长，该时长比已经运行的时长要长，例如，当前目标设备已经运行了50个小时，预估运行时长为100个小时，即需要估计当其运行时长达到100个小时时出现故障的概率，以便根据该概率确定合适策略以应对目标设备出现故障时的应对措施，使目标设备在出现故障时产生的影响在可控范围内。
[0038] 步骤S102，将预估运行时长输入预先基于q‑weibull分布构建的可靠性预测模型，得到目标设备的运行时长达到预估运行时长时发生故障的概率；可靠性预测模型的模型参数是基于预设均值和预设标准差对模型参数的参数分布进行迭代优化后确定的。
[0039] 在本实施例中，q‑weibull分布的概率密度函数可以表示为：
[0040] 其中， 为q‑weibull分布的概率密度函数，为设备从预设起始点（例如设备开始使用或系统开始运行的时间点）到设备故障的时长，、、分别为第一形状参数、第二形状参数及尺度参数，当 2时，的取值范围为 ；当 时代表设备在其寿命末期故障率单调递增，故 取值存在理论上限： ；当q 1时，该分
布简化为weibull分布： ；当 时，又可转化为q‑指
数分布。
[0041] 根据q‑weibull分布的概率密度函数就能够得到q‑weibull分布的分布函数：
[0042] 其中， 为q‑weibull分布的分布函数， ，为设备从预设起始点（例如设备开始使用或系统开始运行的时间点）到设备故障的时长，、、分别为第一形状参数、第二形状参数及尺度参数。
[0043] 确定出q‑weibull分布的分布函数中的分布参数的取值，就得到了基于q‑weibull分布构建的可靠性预测模型。
[0044] 本实施例基于预设均值和预设标准差对模型参数（即分布函数中的第一形状参数、第二形状参数及尺度参数）的参数分布进行迭代优化，最终确定出模型参数的取值。
[0045] 还需要说明的是，在得到确定了模型参数的可靠性预测模型之后，除了可以针对预估运行时长估计出对应的出现故障的概率，还可以预先设置一个故障概率阈值，将该故障概率阈值代入可靠性预测模型，得到目标设备的故障概率达到该故障概率阈值时目标设备的运行时长，例如，将故障概率阈值设置为0.9，代入可靠性预测模型，得到目标设备出现故障的概率为0.9时目标设备的运行时长，以便对目标设备的可靠性进行评估和分析，也可以根据需要设置故障概率阈值，以便的目标设备大概率出现故障之前对其进行检修和维护，在目标设备出现故障之前就采取防护措施，防患于未然。
[0046] 本实施例提供的上述方法，基于预设均值和预设标准差对基于q‑weibull分布构建的可靠性预测模型的模型参数的参数分布进行迭代优化后确定该模型的模型参数，由此可以快速地确定出精度高的模型参数，提高了可靠性预测模型的预测结果的准确性。
[0047] 为了具体说明对参数分布进行迭代优化的过程，本实施例提供了一种模型参数的确定方式：步骤一：获取第一预设个数的样本产品中每一样本产品首次发生故障时的故障数
据，所有样本产品均与目标设备属于同一型号；
在本实施例中，为了使确定出的模型参数能够更准确地模拟出目标设备的故障分
布情况，从而对目标设备的故障率进行更准确地预测，可以选择与目标设备属于同一型号的设备作为样本产品，也可以选择与目标设备属于同一型号且同一批次的设备作为样本产品。
[0048] 在本实施例中，第一预设个数可以根据实际需要设置，一般来讲，第一预设个数越多，则模型参数越能准确地模拟出目标设备的故障分布情况。
[0049] 在本实施例中故障数据包括但不限于运行时长及对应的故障概率，例如运行时长为10小时，则对应的故障概率为运行时长达到10小时时该样本产品首次发生故障的概率。根据实际场景的需要，故障数据还可以包括故障原因、设备中的故障部件等信息，以便更有针对性地对故障进行预测。
[0050] 在本实施例中，作为一种实现方式，每一样本产品的故障概率可以采用如下公式计算得到：,i=1,2,…,n
其中， 为第i个样本产品的故障概率，n为第一预设个数。
[0051] 步骤二：将预设均值和预设标准差分别作为当前均值和当前标准差；在本实施例中，模型参数为多个时，对应的预设均值和预设标准差也为多个，例
如，模型参数包括 、、，、、分别为第一形状参数、第二形状参数及尺度参数，则预设均值也包括分别针对 、、的均值以及分别针对 、、的标准差。作为一种实现方式，可以将多个模型参数表示成参数向量的形式： ，其中，为参数向量。
[0052] 步骤三：根据当前均值和当前标准差确定模型参数的参数分布并生成第二预设个数的符合参数分布的当前参数；在本实施例中，作为一种实现方式，可以根据当前均值和当前标准差确定的正态
分布作为参数分布，再根据确定的参数分布生成第二预设个数的当前参数，表示为：
,j=1,2,…,N，其中，为当前均值，µ ， 分别为参数q、β、
λ的均值，为当前标准差，σ ， 分别为参数q、β、λ的标准差， 为第j
个当前参数， 表示正态分布，N为第二预设个数。第二预设个数也可以根据需要设置。
[0053] 步骤四：计算基于每一当前参数预测得到的预测值相对于所有故障数据的总误差；在本实施例中，对于每一当前参数，计算总误差的方式是一样的，对每一当前参数逐一计算其总误差，就得到了每一当前参数的总误差，具体实现方式为：
（1）对于任一目标当前参数，计算每一故障数据与目标当前参数之间的中间误差；
在本实施例中，由于每一样本产品均有其故障数据，对于目标当前参数而言，需要计算其与每一样本产品的故障数据之间的中间误差，再将所有中间误差求和，得到目标当前参数的总误差。
[0054] 在本实施例中，对于目标当前参数而言，计算其与每一样本产品的故障数据之间的中间误差的方式都是一样的，本实施例以目标当前参数和所有故障数据中的任一目标故障数据为例说明计算其中间误差的方式：利用公式 计算
目标故障数据与目标当前参数之间的中间误差，其中，为目标故障数据与目标当前参数之间的中间误差，为目标故障数据的故障概率，为目标故障数据的运行时长，和 为目标当前参数的第一形状参数和第二形状参数，为目标当前参数的尺度参数，第一形状参数和第二形状参数用于确定故障率函数的形状。
[0055] （2）对所有中间误差求和，得到基于目标当前参数预测得到的预测值相对于所有故障数据的总误差；在本实施例中，目标当前参数预测得到的预测值相对于所有故障数据的总误差可
以表示为：
[0056] 其中， 为基于目标当前参数预测得到的预测值相对于所有故障数据的总误差，为第i个故障数据与目标当前参数之间的中间误差，n为第一预设个数， 为第i个故障数据的故障概率，为第i个故障数据的运行时长， 和 为目标当前参数的第一形状参数和第二形状参数， 为目标当前参数的尺度参数，j表示目标当前参数为第二预设个数的当前参数中第j个当前参数。
[0057] （3）将每一当前参数依次作为目标当前参数，得到基于每一当前参数预测得到的预测值相对于所有故障数据的总误差。
[0058] 步骤五：根据所有当前参数的总误差从第二预设个数的当前参数中确定多个目标参数；在本实施例中，为了能够不断地迭代，使得每次迭代确定出的模型参数都能够更
接近实际的故障分布，每次迭代都从本地迭代的当前参数中选择误差较小的作为目标参数，再根据目标参数确定下一次迭代需要的当前均值和当前标准差。本实施例提供了一种确定目标参数的方式：
（1）将所有总误差按照从小到大的顺序排序，将序列中位于预设位置之前的多个总误差作为目标总误差；
在本实施例中，预设位置可以根据预设比例确定，确定公式为： ，其中，
为预设位置，为预设比例，N为第二预设个数，即将序列中前 个总误差对应的当前参数作为目标参数。
[0059] （2）将目标总误差中每一总误差对应的当前参数均作为一个目标参数，得到多个目标参数。
[0060] 步骤六：计算所有目标参数的参数均值和参数标准差；在本实施例中，目标参数的参数均值和参数标准差的计算公式分别为：
[0061]
[0062] 其中，为目标参数的参数均值，为目标参数的参数标准差， 为第j个目标参数， 表示目标参数的集合。
[0063] 步骤七：将参数均值重新作为当前均值、并将参数标准差重新作为当前标准差，返回步骤三，直至满足预设条件；在本实施例中，预设条件为迭代次数达到预设次数或者当前均值和当前标准差均
达到各自的误差收敛阈值。
[0064] 在本实施例中，预设次数可以根据实际需要设置，例如，迭代次数设置为100。
[0065] 在本实施例中，误差收敛阈值可以包括当前均值对应的第一误差收敛阈值和当前标准差对应的第二误差收敛阈值，当前均值达到第一误差收敛阈值可以表示为< ，k为当前已经完成的迭代次数， 为本次迭代得到的参数均值， 为
上一次迭代得到的参数均值， 为第一误差收敛阈值。当前标准差达到第二误差收敛阈值可以表示为 < ，k为当前已经完成的迭代次数， 为本次迭代得到的参数标准
差， 为上一次迭代得到的参数标准差， 为第二误差收敛阈值。
[0066] 第一误差收敛阈值和第二误差收敛阈值可以设置成相同或者不同，例如，两者均可以设置为 。
[0067] 最后，根据最后一次得到的多个目标参数确定模型参数。
[0068] 在本实施例中，确定模型参数的方式可以是：将最后一次得到的多个目标参数中总误差最小的目标参数确定为模型参数。确定模型参数的方式还可以是：将最后一次得到的多个目标参数中的平均值作为模型参数。
[0069] 为了更客观地将本实施例提供的方法与其他方法进行优劣对比，本实施例采用如下指标进行评估：赤池信息准则、修正赤池信息准则、贝叶斯信息准则、最大决定系数、平均无故障工作时间、均方误差以及P值。通过这些指标的比较，可以系统地评估不同方法的性能和适用性。各指标含义详见表1。
[0070] 表1
[0071] 本实施例采集了36个设备的运行时间的数据：0.058、0.070、0.090、0.105、0.113、0.121、0.153、0.159、0.224、0.421、0.570、
0.596、0.618、0.834、1.019、1.104、1.497、2.027、2.234、2.372、2.433、2.505、2.690、
2.877、2.879、3.166、3.455、3.551、4.378、4.872、5.085、5.272、5.341、8.952、9.188、
11.399。
[0072] 将上述36个运行时间按照升序排列，按照公式 ,i=1,2,…,n计算对应的故障概率，n=36，将迭代次数设为100，每次迭代生成2000个候选解，预设比例 设为0.2，误差收敛阈值为 ，得到q‑weibull分布的点估计约为 。
[0073] 表2为本实施例提供的方法与最大似然法基于上述各指标的对比。
[0074] 表2
[0075] 为了更直观地展示本实施例提供的基于q‑weibull分布的设备可靠性预测的方法的效果，将本实施例提供的方法与经验分布函数（基于 Blom's 方法计算的得到的）进行了对比，请参照图3，图3为本实施例提供的拟合效果对比示例图，由图3可以看出，本实施例提供的方法拟合出的q‑weibull 分布累积分布曲线与经验分布函数更为接近，这意味着模型对数据的拟合效果更好，模型预测与实际数据之间的差异较小。由于经验分布函数是基于实际数据直接计算的，它能够反映数据的真实分布情况，因此更接近经验分布函数表明模型的拟合精度较高。
[0076] 为了执行上述实施例及各个可能的实施方式中的相应步骤，下面分别给出一种基于q‑weibull分布的设备可靠性预测装置100的实现方式。请参照图4，图4为本实施例提供的基于q‑weibull分布的设备可靠性预测装置的方框示意图，需要说明的是，本发明所提供的基于q‑weibull分布的设备可靠性预测装置100，其基本原理及产生的技术效果和对应的上述实施例相同，为简要描述，本实施例部分未提及指出。
[0077] 基于q‑weibull分布的设备可靠性预测装置100包括获取模块110、预测模块120。
[0078] 获取模块110，用于获取目标设备的预估运行时长；预测模块120，用于将预估运行时长输入预先基于q‑weibull分布构建的可靠性预测模型，得到目标设备的运行时长达到预估运行时长时发生故障的概率；可靠性预测模型的模型参数是基于预设均值和预设标准差对模型参数的参数分布进行迭代优化后确定的。
[0079] 在可选的实施方式中，基于q‑weibull分布的设备可靠性预测装置100还可以包括确定模块130，确定模块130用于按照如下方式确定模型参数：获取第一预设个数的样本产品中每一样本产品首次发生故障时的故障数据，所有
样本产品均与所述目标设备属于同一型号；
将预设均值和预设标准差分别作为当前均值和当前标准差；
根据当前均值和当前标准差确定模型参数的参数分布并生成第二预设个数的符
合参数分布的当前参数，第二预设个数大于第一预设个数；
计算基于每一当前参数预测得到的预测值相对于所有故障数据的总误差；
根据所有当前参数的总误差从第二预设个数的当前参数中确定多个目标参数；
计算所有目标参数的参数均值和参数标准差；
将参数均值重新作为当前均值、并将参数标准差重新作为当前标准差，返回根据
当前均值和当前标准差确定模型参数的参数分布并生成第二预设个数的符合参数分布的当前参数的步骤，直至满足预设条件；
根据最后一次得到的多个目标参数确定所述模型参数。
[0080] 在可选的实施方式中，确定模块130在用于计算基于每一所述当前参数预测得到的预测值相对于所有故障数据的总误差时具体用于：对于任一目标当前参数，计算每一故障数据与目标当前参数之间的中间误差；对
所有中间误差求和，得到基于目标当前参数预测得到的预测值相对于所有故障数据的总误差；将每一当前参数依次作为目标当前参数，得到基于每一当前参数预测得到的预测值相对于所有故障数据的总误差。
[0081] 在可选的实施方式中，故障数据包括运行时长及故障概率，当前参数包括尺度参数及确定故障率函数的形状的第一形状参数和第二形状参数，对于所有故障数据中的任一目标故障数据，确定模块130在用于计算目标故障数据与目标当前参数之间的中间误差的方式为：利用公式 计算目标
故障数据与目标当前参数之间的中间误差，其中，为目标故障数据与目标当前参数之间的中间误差，为目标故障数据的故障概率，为目标故障数据的运行时长，和 为目标当前参数的第一形状参数和第二形状参数，为目标当前参数的尺度参数。
[0082] 在可选的实施方式中，确定模块130在用于根据所有当前参数的总误差从第二预设个数的当前参数中确定多个目标参数时具体用于：将所有总误差按照从小到大的顺序排序，将序列中位于预设位置之前的多个总误
差作为目标总误差；将目标总误差中每一总误差对应的当前参数均作为一个目标参数，得到多个目标参数。
[0083] 在可选的实施方式中，确定模块130在用于根据最后一次得到的多个目标参数确定所述模型参数时具体用于：将最后一次得到的多个目标参数中总误差最小的目标参数确定为模型参数。
[0084] 在可选的实施方式中，确定模块130中的预设条件为迭代次数达到预设次数或者当前均值和当前标准差均达到各自的误差收敛阈值。
[0085] 本发明实施例还提供了电子设备10的方框示意图，电子设备10实现前述实施例的基于q‑weibull分布的设备可靠性预测方法，请参照图5，图5为本实施例提供的电子设备10的方框示意图，电子设备10包括处理器11、存储器12和总线13，处理器11和存储器12通过总线13连接。
[0086] 处理器11可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述实施例的基于q‑weibull分布的设备可靠性预测方法的各步骤可以通过处理器11中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器11可以是通用处理器，包括CPU（Central Processing Unit, 中央处理器）、NP（Network Processor, 网络处理器）等；还可以是DSP（Digital Signal Processor, 数字信号处理器）、ASIC（Application Specific Integrated Circuit, 专用集成电路）、FPGA（Field Programmable Logic Gate Array, 现场可编程逻辑门阵列）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0087] 存储器12用于存储实现基于q‑weibull分布的设备可靠性预测方法的程序，该程序可以是以软件或固件（firmware）的形式存储于存储器12中或固化在电子设备10的OS（Operating System,操作系统）中的软件功能模块。
[0088] 处理器11在接收到执行指令后，执行程序以实现前述实施例的基于q‑weibull分布的设备可靠性预测方法。
[0089] 本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前述实施方式中任一项所述的基于q‑weibull分布的设备可靠性预测方法。
[0090] 综上所述，本发明实施例提供了一种基于q‑weibull分布的设备可靠性预测方法、装置、电子设备及存储介质，所述方法包括：获取目标设备的预估运行时长；将预估运行时长输入预先基于q‑weibull分布构建的可靠性预测模型，得到目标设备的运行时长达到预估运行时长时发生故障的概率；可靠性预测模型的模型参数是基于预设均值和预设标准差对模型参数的参数分布进行迭代优化后确定的。与现有技术相比，本实施例基于预设均值和预设标准差对基于q‑weibull分布构建的可靠性预测模型的模型参数的参数分布进行迭代优化后确定该模型的模型参数，由此可以快速地确定出精度高的模型参数，提高了可靠性预测模型的预测结果的准确性。
[0091] 以上所述，仅为本发明的各种实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
