乔青云, 王召斌, 陈康宁, 刘百鑫, 朱佳淼

(江苏科技大学 电子信息学院, 江苏 镇江 212003)

0 引 言

继电器作为一种基本电气控制器件,被广泛地应用于航天、军事等电气控制领域。对于应用于军事国防等方面的电子器件上的继电器,长期贮存阶段是一个必不可少的环节。在长期贮存环节中,继电器由于受到环境因素的影响,在使用时可能会发生失效,导致电子产品发生故障,对继电器进行贮存可靠性分析,有助于提高需长期贮存的组件的可靠性[1]。继电器的贮存寿命是研究继电器贮存可靠性的一项重要参数。研究继电器贮存寿命预测方法能够准确地预测继电器的贮存寿命,剖析继电器贮存失效的表现形式和失效机理。失效机理是导致产品发生失效时内在的化学、物理、机械本质或动静态过程。

高可靠性和长寿命的继电器在贮存退化过程中会出现无失效数据的情况,而加速退化试验方法记录继电器失效具体过程,可以很好地解决该问题[2]。

剖析研究在贮存阶段失效的继电器,通过分析其失效机理,提出针对性的改进措施并建立相关的可靠性保障体系,对于提高继电器的贮存寿命和电子器件的可靠性有着重要意义[3]。

1 继电器长期贮存状态下的失效机理

近年来,继电器作为自动控制开关应用于各种控制电路中,同时继电器也是一种失效率较高的电子元器件[4]。继电器的可靠性将会影响其所在系统的可靠性,继电器的可靠性低水平,在很大程度上限制了电气系统的发展。

1.1 继电器的长期贮存状态下的环境因素

继电器的工作环境比较复杂,不同用途的继电器工作在不同的环境中,如航天继电器、军用继电器等,这些特殊用途继电器的寿命不仅受到自身因素的影响,而且受到外界各种因素的影响。在继电器的整个寿命中,贮存时间占了绝大部分时间,继电器的贮存环境在很大程度上影响着继电器的可靠性[5-6]。

环境因素包括温度、湿度、气压等[7]。在这些不同的干扰因素中,每一种或者多种综合作用都会造成不同的失效模式和失效机理[8-9]。在不同的环境因素中造成的继电器失效表现形式和失效机理如表1所示。

1.2 长期贮存继电器的失效机理

对于继电器而言,不论何种继电器,均由触点系统、电磁系统和机械系统3部分共同组成,因此继电器的故障发生主要在这3个系统之中[10-11]。

继电器的失效机理包括腐蚀失效、潮解失效、密封失效、机械失效、接触失效。根据有关密封电磁继电器失效模式的技术统计数据可知,其中接触失效占据了失效模式的80%以上[12-13]。

表1 在不同的环境因素中造成的继电器失效表现形式和失效机理

根据文献[14]可知,继电器的失效机理一般分为两类:应力机理和磨损机理。应力机理指继电器受到外界的作用力超过继电器本身能够承受的范围,通常会造成突发失效;磨损机理指继电器在贮存的过程中会一直受到应力作用,逐渐累加直至造成继电器失效,即退化失效。

2 贮存可靠性分析方法

贮存可靠性是指产品在规定的贮存条件下,在规定的贮存时间内,保持其规定状态的能力,是衡量产品质量的重要指标之一[15]。在面对不同的规定要求时,需要对继电器产品的贮存寿命和可靠性进行分析评估,从而判断出系统的可靠性。

继电器进行可靠性评估的方法有很多种。“遗传神经网络模型”在可靠性评估时,虽需要大量的样本数据,但能够同时考虑多因素的影响并且对于特定情况具有较高的预测精度;“Bayes方法”在可靠性评估时,只需利用极少的样本数据,结合先验信息的利用,就能够在复杂的系统中进行应用。结合以上特点,发现这两种方法适用的范围几乎不重叠,且覆盖了多种应用方向。因此本文对这两种方法进行详细的描述。

2.1 基于遗传神经网络模型的可靠性评估

遗传算法(Genetic Algorith,GA)是一种全局随机寻找最优结果的算法,用于求解多变量、多参数和多目标的优化问题;BP神经网络则是采用了BP算法的前馈算法,BP算法属于一种梯度下降算法[16-17]。而GA-BP神经网络模型则是将遗传算法和BP神经网络两者有机结合起来。

GA-BP神经网络模型结合了GA和BP神经网络的优点,因此能够实现在快速全局中寻找最优解的功能。

刘金梅等[18]使用GA-BP神经网络模型对某种弹药的贮存可靠性进行了评估,选定了15个训练样本,得出了样本测试的平均值与实测值的误差约为0.006,结果表明该模型是有效的,且通过数据分析得出GA-BP神经网络模型的性能在一定程度上是取决于采用数据的质量。文献[17]对GA-BP神经网络的特性进行了分析并对模型进行了改进,大幅度提高了成功率,使得AGA-BP的准确率达到97.57%,而误差仅为2.07%,优于传统的可靠性评估方法。李文华等[19]建立函数链的神经网络模型,该模型精度取决于模型的权系数,对于能够预先知道输入数据关系的情况,该模型具有可观的预测精度。

综上所述,能够发现基于GA-BP神经网络模型的可靠性评估方法具有以下优点:能够同时考虑多因素的影响和无需假定寿命分布类型及确定参数,对于特定情况的预测精度较高;但是同样也具有无法准确选取隐含层节点的问题,只能凭借经验选取。

2.2 基于Bayes方法的可靠性评估

由于传统可靠性分析方法在复杂情况下评估具有局限性,无法全面利用先验信息,因此许多学者提出采用Bayes方法进行评估。贝叶斯网络(Bayesian Network,BN)是一种基于概率的推理技术,注重先验信息的利用,然后根据小样本的失效数据对参数进行条件分析和推理,因此在复杂系统的可靠性和风险分析等领域中被广泛应用。

黄周霖等[20]将Bayes方法应用于电磁继电器长贮存、零失效情况下的可靠性评估,选取了23只电磁继电器进行分组试验,得出电磁继电器的可靠度函数并分别计算出其误差为0.021 25和0.002 36,证明了该方法的可靠性。翟胜[21]提出了一种基于BN的多态系统可靠性分析方法,该方法利用了BN的多态网络节点来描述故障模式的多态性,条件概率表示节点之间的因果关系。通过对先验数据的使用,发现整个系统的薄弱环节,为提高系统的可靠性提供了依据。在文献[22]中将BN方法应用于电力系统的可靠性评估,并且通过两个实例展示了该方法相对于传统可靠性评估方法的有效性和优越性。

还有一些学者将Bayes方法与其他可靠性分析方法相结合比较,从多方面体现出了BN的优越性。如周忠宝[23]将BN与故障树分析方法进行比较,描述了多种故障树分析方法向BN转化的方法,最后通过大亚湾核电站的实例,展示了BN在可靠性分析中具有描述事物动态性和非确定逻辑关系的能力,即获取更多信息的能力,表明基于BN的方法非常适用于进行可靠性分析。

综上所述,利用BN对继电器贮存可靠性进行评估时,能够提高信息的利用率和结果的可信度,且比传统方法更加有效、可靠,但由于该方法注重先验信息的利用,所以选择正确的先验分布密度尤为重要。

2.3 其他可靠性评估方法

对于高可靠性和长寿命的继电器产品,一般采用加速寿命试验,以达到对产品进行可靠性评估的目的[24]。该方法使用的前提是确保继电器的失效机理不发生改变,提高应力水平,加速继电器的贮存。该方法对于加速寿命试验获得的数据,假定产品的寿命服从威布尔模型,建立可靠性模型和似然估计函数,对产品进行可靠性评估。

冯静等[25]针对目前的可靠性增长模型无法解决无失效数据状态下的可靠性分析,提出了一种新的基于修正似然函数的可靠性分析方法,并建立了威布尔分布零失效下的可靠性增长模型,通过实例仿真验证了该模型的正确性,对继电器在无失效数据情况下的可靠性评估提供了一定的参考。

还有其他的学者利用加速退化试验过程中的退化数据,基于加速退化数据对产品进行可靠性分析。文献[26]通过航天继电器的退化规律分布,建立了以接触电阻退化情况为参数的退化失效可靠性统计模型;利用最佳线性无偏估计方法进行了参数估计,为航天继电器贮存可靠性评估和贮存寿命预测提供了参考。

3 继电器加速退化试验寿命预测方法

3.1 加速退化试验

随着科技的发展提高,出现了许多长寿命和高可靠性的继电器,为了对这些继电器进行可靠性评估,需要进行加速退化试验来快速获取数据。加速退化试验是指增加应力来加速产品的失效,采集产品在高水平应力下的性能退化数据,利用这些数据对产品进行可靠性评估以及预测产品在正常应力下寿命时间的加速退化试验[27]。加速退化试验流程如图1所示。

图1 加速退化试验流程

具体步骤[28]如下:

(1) 试验类型选择。有恒定应力加速、步进应力加速和序进应力加速。

(2) 加速退化试验模型选择。有回归模型、灰色理论预测模型等。

(3) 加速应力水平确定。应保持失效机理一致,然后在此基础上增强应力水平。

(4) 样品数量确定。根据有效的条件,适当选择试验所需要的样品数量。

(5) 性能退化参数确定。有接触电阻、吸合时间和释放时间等。

(6) 贮存试验要求。按照GJB 65B—1999《有可靠性指标的电磁继电器总规范》和GJB/Z 108A—2006《电子设备非工作状态可靠性预计》规定。

对于加速退化试验获得的退化数据的分析方法通常分为两类:基于回归模型的退化分析和基于随机过程的退化分析。

3.1.1 基于回归模型的退化分析

回归模型也被称为退化轨迹,即将产品的退化量和退化参数作为时间参数建立模型,许多学者通过分析产品的失效机理建立产品性能退化轨迹函数。

陈志军等[29]采取温度应力进行加速退化试验,对于导电膜电阻建立了以温度应力为参数的退化轨迹模型,最后获得了导电膜电阻在不同应力下的寿命,对产品在正常应力下的寿命进行了可靠性预测。通过以某导电膜电阻为例,预测该导电膜电阻20 ℃下的贮存寿命估计为61.97 a,置信度为75%的单侧置信下限为17.85 a,满足17.00 a的贮存要求,验证了基于退化数据的方法在寿命预测中的可靠性和有效性。

3.1.2 基于随机过程的退化分析

继电器产品在贮存的过程中,受到不同环境应力的影响,继电器的退化过程具有随机性和不确定性,可以采用随机过程对继电器的退化过程进行建模分析。目前,许多随机过程在建模应用中,大多根据主观判断做出假定,容易造成可靠性模型不准确,加速因子不变原则可以有效解决这个问题。不同随机过程及结论如表2所示。表2概述了一些随机过程根据加速因子不变原则推导出的结论[30-33]。

表2 不同随机过程及结论

许多产品的退化过程属于Gamma过程,Gamma过程性能退化模型在寿命预测领域被广泛应用。在文献[34]中,介绍了Gamma过程性能退化的模型,并推理出Gamma过程性能退化模型的寿命预测公式,最后通过实例验证了该模型在寿命预测和可靠性评估的有效性。

李奎等[35]对交流接触器的数据进行了MATLAB处理,根据数据的分布函数与Gamma过程的分布密度曲线和累积曲线进行拟合,并进行皮尔逊χ2拟合优度检验;对仿真数据进行Gamma过程性能退化模型的寿命预测,结果证明Gamma过程性能退化模型能够正确地描述交流接触器退化过程和寿命预测,为继电器的性能退化过程描述和寿命预测提供了参考依据。

3.2 基于灰色理论的寿命预测模型

系统一部分数据是已知的,另一部分数据是未知的,则该系统称为灰色系统。灰色系统通过对已知的样本进行分析,总结出已知信息的特定规律,对未知数据的规律进行预测,进而能够掌握整个系统的规律[36-38]。

蔚德申等[36]根据传统的灰色GM(1,1)预测模型,提出了一种改进的加权型GM(1,1) 预测模型,预测低压断路器寿命。加权型GM(1,1)预测模型能够减小误差,提高模型的预测精度,降低数据波动对预测结果的干扰,真实地反应数据的变化趋势。

苑梦雄[39]建立了灰色GM(1,N)预测模型对继电器进行了寿命预测,并将灰色模型针对少数据的特性建模特点与神经网络相结合,建立了灰色神经网络。在试验中选用了15个小型的继电器进行寿命试验,为了模拟实际环境,将继电器分布放在3个恒定的温度下进行试验,获得了试验数据。将试验数据作为网络模型的输入输出参数,以继电器的最终寿命为预测输出,将预测寿命与实际寿命进行对比计算,得出最终的结果是预测平均误差为4.05%,该结果验证了灰色理论寿命预测模型的可实用性。

继电器产品多数都具有部分失效机理未明确的特点,且继电器的贮存寿命受到多因素共同影响,因此GM具有较高的实用性和可靠性。

4 结 语

本文总结了对继电器可靠性造成影响的环境因素并分析了其失效机理,在此基础上概述了几种可靠性评估方法和寿命预测方法,并介绍了各类方法存在的问题和优势。最后,面对高可靠性和长寿命的继电器,利用加速退化试验方法对其进行寿命预测。但是目前我国对于加速退化试验方法还比较单一,大多数都是基于单一的应力进行加速退化试验,对于多应力共同作用的研究相对较少。因此,对于如何改进加速退化试验方法和对高可靠性和长寿命的产品在复杂贮存情况下的可靠性分析和寿命预测,还需要进一步分析研究。

我国目前的贮存寿命预测方法的精准度水平不一。随着深度学习的兴起与发展,许多学者将深度学习应用到了电池等领域的寿命预测,因此可以期望将基于深度学习的寿命预测方法扩展到继电器的贮存寿命预测领域,期望对继电器能够进行精准的贮存寿命预测,提高继电器的贮存可靠性。