基于伽马过程的加速退化试验数据处理方法和装置与流程

1.本技术涉及加速退化试验技术领域，特别是涉及一种基于伽马过程的加速退化试验数据处理方法、装置、计算机设备和存储介质。


背景技术：

2.加速退化试验是采用严酷于产品正常使用的应力条件，在保持失效机理不变的情况下，加速产品性能随时间和应力的退化过程，收集产品加速退化数据，通过统计推断和外推，实现对产品可靠性与寿命的快速测试评估。
3.常用的加速退化试验数据分析方法采用线性伽马过程，其优点是形式简单和计算简便。具体的，在性能退化数据分析阶段，常用的方法是线性伽马过程，在可靠性测试结果阶段，通常采用极大似然估计方法对加速模型参数进行求解，测试评估产品可靠性水平。
4.然而，上述方案中线性伽马过程适用于产品性能退化随时间服从线性函数的情况，使得测试结果精度不高，极大似然估计方法也存在计算复杂、运算难度大，无法保证测试结果的准确度的问题。
5.由此可见，需要提供一种能够提高测试结果准确度的产品可靠性测试方案。


技术实现要素：

6.基于此，有必要针对上述技术问题，提供一种能够提高测试结果准确度的基于伽马过程的加速退化试验数据处理方法、装置、计算机设备和计算机可读存储介质。
7.第一方面，本技术提供了一种基于伽马过程的加速退化试验数据处理方法。方法包括：获取待测产品的加速退化试验数据，加速退化试验数据包括多组加速退化试验应力；根据加速退化试验数据，从预设的性能退化线性模型集合中筛选出目标性能退化线性模型；基于目标性能退化线性模型，构建非线性伽马过程，确定各组加速退化试验应力下待测产品的特征寿命；基于特征寿命，构建各组加速退化试验应力下的产品可靠性加速模型；根据产品可靠性加速模型测试待测产品的可靠性，得到待测产品的产品可靠性测试结果。
8.在其中一个实施例中，基于目标性能退化线性模型，构建非线性伽马过程，确定各组加速退化试验应力下待测产品的特征寿命包括：基于目标性能退化线性模型和伽马函数，构建产品失效概率密度函数；根据预先构建的性能退化的极大似然函数，确定产品失效概率密度函数中的非线性伽马过程参数；基于非线性伽马过程参数，构建各组加速退化试验应力下待测产品的可靠度函
数；基于可靠性度函数，确定各组加速退化试验应力下待测产品的特征寿命。
9.在其中一个实施例中，加速退化试验数据包括多组加速退化试验温度，产品可靠性加速模型包括温度应力产品可靠性加速模型；基于特征寿命，构建各组加速退化试验应力下的产品可靠性加速模型包括：根据各组加速退化试验温度和特征寿命，构建初始温度应力产品可靠性加速模型；基于特征寿命，确定初始温度应力产品可靠性加速模型的模型参数，得到温度应力产品可靠性加速模型。
10.在其中一个实施例中，根据加速退化试验数据，从预设的性能退化线性模型集合中筛选出目标性能退化线性模型包括：根据加速退化试验数据，确定各待测产品的性能退化线性系数；对各待测产品的性能退化线性系数进行求和，得到判别因子；根据性能退化线性系数和判别因子，评估性能退化线性模型集合中各性能退化线性模型的模型参数，确定各性能退化线性模型；根据各待测产品的性能退化线性系数，从各初始性能退化线性模型筛选出目标性能退化线性模型。
11.在其中一个实施例中，根据各待测产品的性能退化线性系数，从各初始性能退化线性模型筛选出目标性能退化线性模型包括：根据各待测产品的性能退化线性系数，对各性能退化线性模型进行模型检验，得到模型校验结果；根据模型检验结果，从各性能退化线性模型筛选出初始性能退化线性模型；根据初始性能退化线性模型对应的判别因子，从各初始性能退化线性模型筛选出目标性能退化线性模型。
12.在其中一个实施例中，加速退化试验数据包括正常试验应力的温度，待测产品的产品可靠性测试结果包括待测产品的平均故障间隔时间和产品失效率；根据产品可靠性加速模型测试待测产品的可靠性，得到待测产品的产品可靠性测试结果包括：根据正常试验应力的温度和产品可靠性加速模型，得到正常试验应力下待测产品的特征寿命；根据正常试验应力下待测产品的特征寿命，确定待测产品的平均故障间隔时间和产品失效率。
13.第二方面，本技术还提供了一种基于伽马过程的加速退化试验数据处理装置。装置包括：数据获取模块，用于获取待测产品的加速退化试验数据，加速退化试验数据包括多组加速退化试验应力；线性模型筛选模块，用于根据加速退化试验数据，从预设的性能退化线性模型集合中筛选出目标性能退化线性模型；特征寿命确定模块，用于基于目标性能退化线性模型，构建非线性伽马过程，确定
各组加速退化试验应力下待测产品的特征寿命；产品可靠性加速模型构建模块，用于基于特征寿命，构建各组加速退化试验应力下的产品可靠性加速模型；产品可靠性测试模块，用于根据产品可靠性加速模型测试待测产品的可靠性，得到待测产品的产品可靠性测试结果。
14.第三方面，本技术还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：获取待测产品的加速退化试验数据，加速退化试验数据包括多组加速退化试验应力；根据加速退化试验数据，从预设的性能退化线性模型集合中筛选出目标性能退化线性模型；基于目标性能退化线性模型，构建非线性伽马过程，确定各组加速退化试验应力下待测产品的特征寿命；基于特征寿命，构建各组加速退化试验应力下的产品可靠性加速模型；根据产品可靠性加速模型测试待测产品的可靠性，得到待测产品的产品可靠性测试结果。
15.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取待测产品的加速退化试验数据，加速退化试验数据包括多组加速退化试验应力；根据加速退化试验数据，从预设的性能退化线性模型集合中筛选出目标性能退化线性模型；基于目标性能退化线性模型，构建非线性伽马过程，确定各组加速退化试验应力下待测产品的特征寿命；基于特征寿命，构建各组加速退化试验应力下的产品可靠性加速模型；根据产品可靠性加速模型测试待测产品的可靠性，得到待测产品的产品可靠性测试结果。
16.上述基于伽马过程的加速退化试验数据处理方法、装置、计算机设备和存储介质，获取待测产品的加速退化试验数据，根据加速退化试验数据，从预设的性能退化线性模型集合中筛选出目标性能退化线性模型，然后，基于目标性能退化线性模型，构建非线性伽马过程，确定各组加速退化试验应力下待测产品的特征寿命，接着，基于特征寿命，构建各组加速退化试验应力下的产品可靠性加速模型，最后，根据产品可靠性加速模型评估测试待测产品的可靠性，得到待测产品的产品可靠性测试结果。上述方案，第一方面，考虑到了性能退化时间可能服从其他线性化模型，即在性能退化线性模型集合中展开了模型优选，筛选出目标性能退化线性模型，能够为准确测试结果产品特征寿命提供有效支持；第二方面，基于筛选出的目标性能退化线性模型，构建非线性伽马过程，能够进一步准确测试产品特征寿命；第三方面，基于待测产品的特征寿命，提出能够适用于多组加速退化试验应力下的产品可靠性加速模型，利用该产品可靠性加速模型，能够实现待测产品的可靠性的准确测试。综上所述，采用上述方案能够提高产品可靠性测试结果的准确度。
附图说明
17.图1为一个实施例中基于伽马过程的加速退化试验数据处理方法的应用环境图；图2为一个实施例中基于伽马过程的加速退化试验数据处理方法的流程示意图；图3为一个实施例中确定待测产品的特征寿命步骤的流程示意图；图4为另一个实施例中基于伽马过程的加速退化试验数据处理方法的流程示意图；图5为一个实施例中基于伽马过程的加速退化试验数据处理装置的结构框图；图6为一个实施例中计算机设备的内部结构图。
具体实施方式
18.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
19.本技术实施例提供的基于伽马过程的加速退化试验数据处理方法，可以应用于如图1所示的应用环境中。其中，用户终端102通过网络与服务器104进行通信。具体的，可以是实验人员通过终端102上传待测产品的加速退化试验数据至服务器104，并发送产品可靠性测试消息至服务器104，服务器104响应该消息，获取待测产品的加速退化试验数据，加速退化试验数据包括多组加速退化试验应力，然后，根据加速退化试验数据，从预设的性能退化线性模型集合中筛选出目标性能退化线性模型，再基于目标性能退化线性模型，构建非线性伽马过程，确定各组加速退化试验应力下待测产品的特征寿命，接着，基于特征寿命，构建各组加速退化试验应力下的产品可靠性加速模型，最后，根据产品可靠性加速模型测试待测产品的可靠性，得到待测产品的产品可靠性测试结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
20.在一个实施例中，如图2所示，提供了一种基于伽马过程的加速退化试验数据处理方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：步骤s202，获取待测产品的加速退化试验数据，加速退化试验数据包括多组加速退化试验应力。
21.待测产品可以是电子设备，也可以是零部件，如光伏组件或雷达组件等。加速退化试验数据包括加速退化试验应力以及加速退化试验温度、性能检测次数、试验时间、每次检测的性能退化值以及产品数量等。
22.步骤s204，根据加速退化试验数据，从预设的性能退化线性模型集合中筛选出目标性能退化线性模型。
23.目标性能退化线性模型为最优的性能退化线性模型。换句话说，即最能准确表征性能退化随时间的规律，准确测试结果出产品的特征寿命的模型。性能退化线性模型集合包括多个预先构建的产品性能退化随时间的线性化模型。本实施例中，性能退化线性模型集合可包括幂函数模型、幂乘函数模型、指数函数模型以及混合模型。其中，幂函数模型：
24.幂乘函数模型：
25.指数函数模型：
26.混合模型：
27.式中，为线性化函数，x为试验时间，k和b为未知参数。
28.具体实施时，可以是根据待测产品的线性系数，从预设的性能退化线性模型集合中筛选出目标性能退化线性模型。其中，线性系数可描述性能退化随时间的线性拟合程度。
29.步骤s206，基于目标性能退化线性模型，构建非线性伽马过程，确定各组加速退化试验应力下待测产品的特征寿命。
30.各组加速退化试验应力可以是多组不同温度应力。当筛选出目标性能退化线性模型后，可基于目标性能退化线性模型，进行非线性伽马过程分析，估计非线性伽马过程的参数，确定各组加速退化试验应力下，待测产品的特征寿命。本实施例中，特征寿命以小时为单位表示。
31.步骤s208，基于特征寿命，构建各组加速退化试验应力下的产品可靠性加速模型。
32.产品可靠性加速模型用于对待测产品进行加速试验，以快速评估待测产品在正常条件下的产品可靠性。加速试验是指在保证不改变产品失效机理的前提下，通过强化试验条件，使受试产品加速失效，以便在较短时间内获得必要信息，来评估产品在正常条件下的可靠性或寿命指标。具体实施时，可以是基于特征寿命，构建各组加速退化试验应力下的产品可靠性加速模型。具体的，可以是结合特征寿命，构建各组高温应力下的产品可靠性加速模型。
33.步骤s210，根据产品可靠性加速模型测试待测产品的可靠性，得到待测产品的产品可靠性测试结果。
34.承接上一实施例，在构建得到各组加速退化试验应力下的产品可靠性加速模型后，可依次按照加速退化试验数据，在不同的加速退化试验条件下，根据产品可靠性加速模型测试待测产品的可靠性，得到待测产品的产品可靠性测试结果。本实施例中，产品可靠性测试结果为待测产品在正常试验应力下的测试结果。具体实施时，可以是根据产品可靠性加速模型，评估待测产品在正常应力下的失效率，以得到产品可靠性测试结果。
35.上述基于伽马过程的加速退化试验数据处理方法中，获取待测产品的加速退化试验数据，根据加速退化试验数据，从预设的性能退化线性模型集合中筛选出目标性能退化线性模型，然后，基于目标性能退化线性模型，构建非线性伽马过程，确定各组加速退化试验应力下待测产品的特征寿命，接着，基于特征寿命，构建各组加速退化试验应力下的产品可靠性加速模型，最后，根据产品可靠性加速模型测试待测产品的可靠性，得到待测产品的产品可靠性测试结果。上述方案，第一方面，考虑到了性能退化时间可能服从其他线性化模型，即在性能退化线性模型集合中展开了模型优选，筛选出目标性能退化线性模型，能够为准确测试结果产品特征寿命提供有效支持；第二方面，基于筛选出的目标性能退化线性模型，构建非线性伽马过程，能够进一步准确测试产品特征寿命；第三方面，基于待测产品的特征寿命，提出能够适用于多组加速退化试验应力下的产品可靠性加速模型，利用该产品可靠性加速模型，能够实现待测产品的可靠性的准确测试。综上所述，采用上述方案能够提高产品可靠性测试结果的准确度。
36.如图3所示，在其中一个实施例中，步骤s206包括：
步骤s226，基于目标性能退化线性模型和伽马函数，构建产品失效概率密度函数。
37.步骤s246，根据预先构建的性能退化的极大似然函数，确定产品失效概率密度函数中的非线性伽马过程参数。
38.步骤s266，基于非线性伽马过程参数，构建各组加速退化试验应力下待测产品的可靠度函数。
39.步骤s286，基于可靠性度函数，确定各组加速退化试验应力下待测产品的特征寿命。
40.本实施例中，在考虑性能退化非线性的基础上，构建非线性伽马过程为：
41.式中，和分别为x和h的失效概率密度函数，h为过程参数，、、为未知参数，为伽马函数。
42.进一步，通过试验数据分析，构建待测产品的产品可靠度函数：
43.式中，为自由度为和的分布函数，为产品性能退化的失效阈值。
44.构建产品可靠度函数后，可进一步估计非线性伽马过程的参数。本实施例中，可采用极大似然估计方法求解非线性伽马过程的参数。具体的，可预先构建产品性能退化的极大似然函数：
45.确定非线性伽马过程参数时，对上述极大似然函数两边取对数，得：
46.分别对、、求偏导，得
47.通过求解上述方程组，获得非线性伽马过程的参数、、。
48.确定非线性伽马过程的参数、、后，可进一步确定产品可靠度函数。再基于
产品可靠度函数，测试结果加速应力下产品的特征寿命。具体的，特征寿命的测试结果可如下：第j组加速退化试验应力下产品的特征寿命为：
49.式中，为第j组加速退化试验应力下产品的可靠度函数。从而，获得各个加速应力下产品的特征寿命。本实施例中，通过极大似然方法，能够快速求解非线性伽马过程参数。
50.如图4所示，在其中一个实施例中，加速退化试验数据包括多组加速退化试验温度，产品可靠性加速模型包括温度应力产品可靠性加速模型；步骤s208包括：步骤s228，根据各组加速退化试验温度和特征寿命，构建初始温度应力产品可靠性加速模型，基于特征寿命，确定初始温度应力产品可靠性加速模型的模型参数，得到温度应力产品可靠性加速模型。
51.在实际应用中，产品可靠性加速模型可根据实际使用的加速因子确定。具体的，加速因子包括更高频率的功率循环、更高的振动水平、高湿度以及高温等。具体的，产品可靠性加速模型可包括湿度应力产品可靠性加速模型以及温度应力产品可靠性加速模型等。本实施例中，以在高温应力下开展加速退化试验，产品可靠性加速模型以温度应力产品可靠性加速模型为例。具体的，可以是基于各组加速退化试验和特征寿命，构建初始温度应力产品可靠性加速模型：
52.式中，t为产品的特征寿命，w为温度，k为玻尔兹曼常数，此时，a、b为模型未知参数。
53.通过求解上述模型，获得初始温度应力可靠性加速模型的未知参数a、b：
[0054][0055]
式中，为第j组加速退化试验的温度。
[0056]
得知初始温度应力可靠性加速模型的未知参数a、b后，可最终确定温度应力可靠性加速模型。本实施例中，通过加速退化试验温度和特征寿命，能够快速构建温度应力可靠性加速模型，并能够简单快捷为测试结果产品可靠性提供支持。
[0057]
如图4所示，在其中一个实施例中，步骤s204包括：步骤s224，根据加速退化试验数据，确定各待测产品的性能退化线性系数，对各待测产品的性能退化线性系数进行求和，得
到判别因子，根据性能退化线性系数和判别因子，评估性能退化线性模型集合中各性能退化线性模型的模型参数，确定各性能退化线性模型，根据各待测产品的性能退化线性系数，从各初始性能退化线性模型筛选出目标性能退化线性模型。
[0058]
性能退化线性系数（以下简称线性系数）可描述性能退化随时间的线性拟合程度。本实施例中，目标性能退化线性模型的筛选可以是根据加速退化试验数据，确定产品性能退化的线性系数。如，某个产品性能退化的线性系数可为：
[0059]
式中，l为线性系数，n为性能检测次数，为第i次检测的时间，为第i次检测的性能退化值。
[0060]
假设有p组加速退化试验，每组试验的产品数为m，所有产品性能退化的线性系数集合为：
[0061]
则称所有线性系数之和为判别因子q：
[0062]
性能退化线性模型的未知参数k和b可由下面方程组求解得到：
[0063]
确定各性能退化线性模型后，可根据线性系数对各性能退化线性模型进行检验，以从各初始性能退化线性模型筛选出目标性能退化线性模型。本实施例中，以性能退化线性系数作为基础，可快速简单确定性能退化线性模型并从诸多的性能退化线性模型中筛选出最优的目标性能退化线性模型。
[0064]
在其中一个实施例中，根据各待测产品的性能退化线性系数，从各初始性能退化线性模型筛选出目标性能退化线性模型包括：根据各待测产品的性能退化线性系数，对各性能退化线性模型进行模型检验，得到模型校验结果。根据模型检验结果，从各性能退化线性模型筛选出初始性能退化线性模型。根据判别因子，从各初始性能退化线性模型筛选出目标性能退化线性模型。
[0065]
本实施例中，可采用线性系数对模型进行检验。具体实施时，可以是如果某一性能退化线性模型对应的所有产品性能退化的线性系数绝对值均大于或等于线性系数临界
值，则判定该模型通过检验。如果某一性能退化线性模型对应的产品性能退化的线性系数绝对值小于线性系数临界值，则判定该模型为通过检验。其中，线性系数临界值可查数理统计表获得。通过上述方式，可从各所述性能退化线性模型筛选出初始性能退化线性模型。然后，可采用各初始性能退化线性模型对应的判别因子，从各初始性能退化线性模型筛选出目标性能退化线性模型。具体的，可以判别因子q越大，模型越优为依据，将判别因子最大的性能退化线性模型确定为目标性能退化线性模型。本实施例中，通过线性系数对模型进行校验，又通过判别因子对模型进行优选，能够充分保证目标性能退化线性模型的客观性和合理性，并提高模型评估特征寿命的准确度。
[0066]
在其中一个实施例中，加速退化试验数据包括正常试验应力的温度，待测产品的产品可靠性测试结果包括待测产品的平均故障间隔时间和产品失效率；步骤s210包括：步骤s230，根据正常试验应力的温度和产品可靠性加速模型，得到正常试验应力下待测产品的特征寿命，根据正常试验应力下待测产品的特征寿命，确定待测产品的平均故障间隔时间和产品失效率。
[0067]
平均故障间隔时间（mean time between failure，简称mtbf），其标识从新的产品在规定的工作环境条件下开始工作到出现第一个故障的时间的平均值。mtbf越长表示可靠性越高，正确工作能力越强。mtbf的单位为“小时”。它反映了产品的时间质量，是体现产品在规定时间内保持功能的一种能力。本实施例中，可以是认为当产品的寿命分布为指数分布时，产品的平均故障间隔时间等于特征寿命。具体实施时，可以是：正常试验应力下待测产品的特征寿命为：
[0068]
式中，为正常试验应力的温度。
[0069]
当产品的寿命分布为指数分布时，产品的平均故障间隔时间mtbf为：
[0070]
产品的失效率为：
[0071]
本实施例中，提出了一种新的加速模型分析方法，即以平均故障间隔时间测试结果产品可靠性，该方法形式简洁、计算简便，兼顾了计算量和测试结果精度，适用范围更广。
[0072]
为了对本技术提供的基于伽马过程的加速退化试验数据处理方法做出更为清楚的说明，下面结合一个具体实施例进行说明：某型产品共计12个分别在70℃、80℃、90℃高温应力下开展加速退化试验，共3组试验应力，每组应力测试4个产品，对试验数据开展分析，评估产品25℃正常应力下的可靠性水平。
[0073]
a）线性化模型分析性能退化随时间的线性模型包括幂函数模型、幂乘函数模型、指数函数模型和混合模型。对上述性能退化随时间的线性化模型开展参数估计、模型检验和优选。具体的，幂函数模型、幂乘函数模型、指数函数模型和混合模型均通过模型检验，幂乘函数模型为最优
线性化模型。
[0074]
最终，获得产品的线性化模型为：
[0075]
b）非线性伽马过程分析该产品的非线性伽马过程为：
[0076]
产品的可靠度函数为：
[0077]
采用极大似然函数求解，得到产品非线性伽马过程的参数、、。
[0078]
从而，获得产品3组加速退化试验应力下的可靠度函数、、。
[0079]
最后，求解产品3组加速退化试验应力下的特征寿命、、分别为4347h、3352h、2174 h。
[0080]
c）可靠性加速模型分析温度应力下产品可靠性加速模型为：
[0081]
通过求解可靠性加速模型，获得模型的参数a和b分别为0.16和0.37。
[0082]
因此，该产品的可靠性加速模型为：
[0083]
d）可靠性测试结果25℃正常应力下产品的特征寿命为：
[0084]
由于产品寿命服从指数分布，因此，25℃正常应力下产品的mtbf为：
[0085]
25℃正常应力下产品的失效率为：
[0086]
上述实施例中，采用mtbf得到的测试结果与实际值误差仅为3.706%，误差很小，如此，能够充分证明本技术提供的产品可靠性方法的测试结果精度高。
[0087]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而
且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0088]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的基于伽马过程的加速退化试验数据处理方法的基于伽马过程的加速退化试验数据处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于伽马过程的加速退化试验数据处理装置实施例中的具体限定可以参见上文中对于基于伽马过程的加速退化试验数据处理方法的限定，在此不再赘述。
[0089]
在一个实施例中，如图5所示，提供了一种基于伽马过程的加速退化试验数据处理装置，包括：数据获取模块510、线性模型筛选模块520、特征寿命确定模块530、产品可靠性加速模型构建模块540和产品可靠性测试模块550，其中：数据获取模块510，用于获取待测产品的加速退化试验数据，加速退化试验数据包括多组加速退化试验应力。
[0090]
线性模型筛选模块520，用于根据加速退化试验数据，从预设的性能退化线性模型集合中筛选出目标性能退化线性模型。
[0091]
特征寿命确定模块530，用于基于目标性能退化线性模型，构建非线性伽马过程，确定各组加速退化试验应力下待测产品的特征寿命。
[0092]
产品可靠性加速模型构建模块540，用于基于特征寿命，构建各组加速退化试验应力下的产品可靠性加速模型。
[0093]
产品可靠性测试模块550，用于根据产品可靠性加速模型测试待测产品的可靠性，得到待测产品的产品可靠性测试结果。
[0094]
上述基于伽马过程的加速退化试验数据处理装置中，获取待测产品的加速退化试验数据，根据加速退化试验数据，从预设的性能退化线性模型集合中筛选出目标性能退化线性模型，然后，基于目标性能退化线性模型，构建非线性伽马过程，确定各组加速退化试验应力下待测产品的特征寿命，接着，基于特征寿命，构建各组加速退化试验应力下的产品可靠性加速模型，最后，根据产品可靠性加速模型测试待测产品的可靠性，得到待测产品的产品可靠性测试结果。上述方案，第一方面，考虑到了性能退化时间可能服从其他线性化模型，即在性能退化线性模型集合中展开了模型优选，筛选出目标性能退化线性模型，能够为准确测试结果产品特征寿命提高有效支持；第二方面，基于筛选出的目标性能退化线性模型，构建非线性伽马过程，能够进一步准确测试结果产品特征寿命；第三方面，基于特征寿命，提出能够适用于多组加速退化试验应力下的产品可靠性加速模型，利用该产品可靠性加速模型，能够实现准确评估待测产品的可靠性。综上所述，采用上述装置能够提高产品可靠性测试结果的准确度。
[0095]
在其中一个实施例中，特征寿命确定模块530还用于基于目标性能退化线性模型和伽马函数，构建产品失效概率密度函数，根据预先构建的性能退化的极大似然函数，确定产品失效概率密度函数中的非线性伽马过程参数，基于非线性伽马过程参数，构建各组加速退化试验应力下待测产品的可靠度函数，基于可靠性度函数，确定各组加速退化试验应力下待测产品的特征寿命。
[0096]
在其中一个实施例中，加速退化试验数据包括多组加速退化试验温度，产品可靠性加速模型包括温度应力产品可靠性加速模型；产品可靠性加速模型构建模块540还用于根据各组加速退化试验温度和特征寿命，构建初始温度应力产品可靠性加速模型，基于特征寿命，确定初始温度应力产品可靠性加速模型的模型参数，得到温度应力产品可靠性加速模型。
[0097]
在其中一个实施例中，线性模型筛选模块520还用于根据加速退化试验数据，确定各待测产品的性能退化线性系数，对各待测产品的性能退化线性系数进行求和，得到判别因子，根据性能退化线性系数和判别因子，评估性能退化线性模型集合中各性能退化线性模型的模型参数，确定各性能退化线性模型，根据各待测产品的性能退化线性系数，从各初始性能退化线性模型筛选出目标性能退化线性模型。
[0098]
在其中一个实施例中，线性模型筛选模块520还用于根据各待测产品的性能退化线性系数，对各性能退化线性模型进行模型检验，得到模型校验结果，根据模型检验结果，从各性能退化线性模型筛选出初始性能退化线性模型，根据初始性能退化线性模型对应的判别因子，从各初始性能退化线性模型筛选出目标性能退化线性模型。
[0099]
在其中一个实施例中，产品可靠性测试模块550还用于根据正常试验应力的温度和产品可靠性加速模型，得到正常试验应力下待测产品的特征寿命，根据正常试验应力下待测产品的特征寿命，确定待测产品的平均故障间隔时间和产品失效率。
[0100]
上述基于伽马过程的加速退化试验数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0101]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储加速退化试验数据以及产品可靠性测试结果等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的设备通过网络连接通信。该计算机程序被处理器执行时以实现一种基于伽马过程的加速退化试验数据处理方法。
[0102]
本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0103]
在其中一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述基于伽马过程的加速退化试验数据处理方法中的步骤。
[0104]
在其中一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述基于伽马过程的加速退化试验数据处理方法中的步
骤。
[0105]
在其中一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述基于伽马过程的加速退化试验数据处理方法中的步骤。
[0106]
需要说明的是，本技术所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
[0107]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（read-only memory，rom）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（reram）、磁变存储器（magnetoresistive random access memory，mram）、铁电存储器（ferroelectric random access memory，fram）、相变存储器（phase change memory，pcm）、石墨烯存储器等。易失性存储器可包括随机存取存储器（random access memory，ram）或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器（static random accessmemory，sram）或动态随机存取存储器（dynamic random access memory，dram）等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0108]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0109]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。