[发明专利]一种直流充电机受温度影响时的可靠性分析方法

权利要求书

1.一种直流充电机受温度影响时的可靠性分析方法，其特征在于：具体步骤如下：

步骤一：对直流充电机的散热系统进行分析，选择合适的散热方式；

步骤二：确定直流充电机满载工作时的通风量，并根据通风量确定与所选择散热方式相应的散热设备的布置；

步骤三：对直流充电机进行仿真分析，得到直流充电机满载工作时的温度分布云图；

步骤四：根据温度分布云图分析直流充电机的薄弱环节，之后基于热仿真结果，得出直流充电机满载工作时内部最高温度；

步骤五：将最高温度作为新研制直流充电机的试验应力值，设计加速寿命试验获取试验数据。

2.根据权利要求1所述的一种直流充电机受温度影响时的可靠性分析方法，其特征在于，还包括步骤六：利用BP神经网络和Bootstrap法实现对小样本数据的扩容，结合最小二乘法实现对分布函数参数的估计，计算平均无故障时间可靠性指标，最后，再次利用Bootstrap法进行抽样，实现置信区间的计算，验证扩容方法和计算结果的有效性。

3.根据权利要求2所述的一种直流充电机受温度影响时的可靠性分析方法，其特征在于，步骤一具体包括以下步骤：

按照公式计算直流充电机稳态状态下散热表面的热流密度，式中，A为充电机散热总面积，单位为cm²；

将计算得到的热流密度与自然冷却下的热流密度值对比，选择合适的冷却方式。

4.根据权利要求2所述的一种直流充电机受温度影响时的可靠性分析方法，其特征在于，步骤二具体包括以下步骤：

(1)按照公式计算空气质量流量；

式中，q_m表示空气质量流量，单位为kg/s；C_p表示空气于固定压强下的比热容，单位为J/(kg·K)，常温下C_p＝1005J/(kg·K)；Q_总表示总散热量，单位为W；Δt表示充电机出、进风口的空气温度差，单位为℃；

(2)按照q_v＝60q_mγ^-1公式计算空气的体积流量；

式中，q_v表示空气体积流量，m³/min；γ表示空气密度；

(3)根据空气体积流量值确定与所选择散热方式相应的散热设备的数量和参数。

5.根据权利要求2所述的一种直流充电机受温度影响时的可靠性分析方法，其特征在于，步骤三具体包括以下步骤：

(1)建立直流充电机仿真模型；

直流充电机的充电模块外壳采用plate进行建模，用于模拟机箱外壳；进风口处的滤尘网利用Grill模块建立，速度损失系数等效为滤尘网对气流的阻力；散热设备根据Fan模块建立，根据实际情况选择风机的种类和风量风压参数；散热器采用Heatsink板块建模；充电模块内部热量采用Source热源建模；对于其他对风路影响大但属于低功耗的的器件，根据其外形特点分别简化成相对应的立方体；

(2)基于ANSYS Icepak的直流充电机热仿真；

将计算域流体设置为空气，外界环境空气温度设置为30℃，流动状态选择湍流，湍流方程选择零方程，选择相应的冷却方式，勾选辐射计算选项，仿真状态设置为稳态；

通过对直流充电机进行热仿真分析，得出充电机切面温度场分布图，计算仿真得到充电机的温度分布图和充电机内部气流轨迹分布图。

6.根据权利要求2所述的一种直流充电机受温度影响时的可靠性分析方法，其特征在于，步骤五具体包括以下步骤：

将最高温度T_max确定为充电机的恒定应力加速寿命试验应力水平，选择定数截尾加速寿命试验；将若干台新研制直流充电机的充电模块放置于T_max恒温试验箱，根据控制变量法，保持其他外界因素一致，在充电模块输出端设置监测模块，用于监测充电模块输出电流电压参数，若充电模块输出电流无法满足预期要求，则视充电模块失效，记录各个充电模块样机失效时间，所有充电模块全部失效之后试验停止。

7.根据权利要求2所述的一种直流充电机受温度影响时的可靠性分析方法，其特征在于，步骤六具体包括以下步骤：

(1)采用最小二乘法将可靠度函数或分布函数的非线性表达式转化为线性形式，判断试验数据服从的失效分布模型；

对于指数分布，其可靠度函数为：R(t)＝e^-λt；

式中，λ为失效率，t为时间；

等号两边同时取对数可变换为如下形式：

将数据在坐标轴上都表示出来，然后根据数据的趋势拟合出最符合该数据趋势的一条斜线出来；如果数据的趋势和直线基本保持一致，则说明样本服从指数分布，并且该斜线的斜率即为λ的估计值；其中纵横坐标数据为：

对于威布尔分布，其可靠度函数为：

式中，m为形状参数，η为尺度参数；

同样对等号两边取对数可变换为如下形式：

将数据在坐标轴上都表示出来，拟合出来的斜线与数据的走向越符合，则说明数据样本具有威布尔分布的特征，该直线的斜率为形状参数m的估计值，该直线与x轴交点的横坐标为尺度参数η估计值的自然对数；其中纵横坐标数据为：

在选择威布尔分布作为数据的分布模型的情况下，根据近似中位秩公式计算出的可靠度误差最小；当选择指数分布作为数据的分布模型，利用数学期望计算可靠度误差最小；

近似中位秩公式：

数学期望公式：

式中，t_i为失效数据，N为样本数，R(t_i)为第i个样品的可靠度；

(2)基于BP神经网络的充电模块失效数据样本扩充；

计算每个试验数据对应的可靠度值R(t_i)，然后将计算出来的可靠度值组成可靠度向量[R(t₁),R(t₂),…,R(t_r)]，作为BP神经网络的输入数据，然后将试验数据组成失效时间向量[t₁,t₂,…,t_r]，将其输入BP神经网络，即为通过BP神经网络输出的数据；之后将两组数据在BP神经网络内进行学习训练，经过多次学习训练之后，权值和阈值得到优化，然后利用BP神经网络模拟生成新的满足预期要求的可靠性数据；

若想将样本量N扩充到M(MN)个，首先设定随机可靠度的范围，之后利用MATLAB随机生成M-N个在此范围内的随机可靠度，再将这M-N个随机可靠度按照从小到大的顺序进行排列，作为输入数据，调用训练好的BP神经网络，利用网络仿真预测出M-N个新的数据；

(3)基于Bootstrap的失效数据扩容；

假设θ＝θ(F)为总体分布F中的一个参数，F_m+n定义为样本的经验分布函数，是θ的估计值，则估计值与原始实际值之间存在的误差为：

计算R(T,F)分布特征包括以下步骤：

①[t₁,t₂,…,t_m]表示原始真实数据集，[N₁,N₂,…,N_n]表示经过BP神经网络预测出的新的数据集，则扩充后的样本为T＝[t₁,t₂,…,t_m,N₁,N₂,…,N_n]，构造经验分布函数F_m+n，即：把样本T内的数据按从小到大的顺序排列好之后后，得到新的数据样本集，然后根据新的数据样本集构造样本的经验累计分布函数如下：

②从F_m+n中有放回地进行独立自主的随机再抽样，令抽取样本的样本集为：

③根据计算Bootstrap统计量R^*(T^*,F_m+n)；

④重复②和③，获得Bootstrap统计量R^*(T^*,F_m+n)的一系列可能的取值；

⑤用抽取样本的Bootstrap统计量R^*(T^*,F_m+n)的分布去无限趋近原始数据R(T,F)的分布，也就是利用R_m+n的分布近似等于T_m+n的分布，然后就能得到参数θ(F)的一系列可能的取值，最后可以根据统计学的知识和方法计算出参数θ的分布及其特征值；

其中经验累积分布函数F_m+n(x)的随机样本通过改进的Bootstrap法产生：

利用计算机生成[0,1]之间均匀分布的随机数η；令β＝(n-1)η,i＝|β|+1，|β|为β向下取整；任取[0,1/(1-α)]区间均匀分布的随机数a，令：任取[0,1/(1-α)]区间均匀分布的随机数b，令：并根据需要重复上述步骤；

其中x_i与x_i+1为原始数据x₁,x₂,…,x_n从小到大排序后的第i个与第i+1个数据，与为新生样本数据；

(4)可靠性评估指标计算；

两参数威布尔分布来描述产品寿命，故障函数或分布函数为：

平均无故障间隔时间MTBF为：MTBF＝η·Γ(1+1/m)；

式中，m为威布尔分布的形状参数，η为尺度参数；

通过Bootstrap对小样本进行扩容，获取满足可靠性评估的大样本数据，将扩容后的大样本数据进行整理，并对扩容后的数据进行最小二乘线性拟合，将试验设备的寿命转化为lnt作为横坐标，并以为纵坐标将数据点进行最小二乘线性拟合；

阿伦尼斯模型反应了温度应力下寿命与温度的关系，只考虑单一温度应力的影响，其方程式为：L＝A₀ exp(E_a/kT)；

式中，L表示产品的特征寿命；k表示玻尔兹曼常数，通常k＝8.617×10-5eV/℃；T为绝对温度；A₀为大于0的常数；Ea为失效机理激活能，Ea按照工程经验通常取0.7eV，且对同一类产品的同一种故障模式为常数；

根据阿伦尼斯模型得到温度应力下加速因子的计算公式为：

式中，T_0K表示常温下的温度，单位为开尔文，符号K；T_tK表示试验条件下的温度，单位为开尔文，符号K；

(5)可靠性评估结果验证；

首先，获取置信区间，步骤如下：

①根据加速寿命试验得出的试验样本失效数据，采用基于BP神经网络的Bootstrap和最小二乘结合法，线性拟合后得到威布尔分布中分布参数的m和η值；

②生成服从参数为形状参数m和尺度参数η的威布尔分布的新数据；

③从新生成的数据中随机抽取一个极小样本；

④对抽取的小样本，采用基于半经验虚拟增广的Bootstrap和最小二乘法计算得m^*和η^*；

⑤重复N次步骤③、④，即得到mⁿ和ηⁿ,其中，n＝1，2....N；

⑥则可计算p分位数，

⑦将由小到大排列，即可得1-α的置信区间：

判断计算的MTBF值是否在上述置信区间的范围之内，若在，即说明计算结果有效。