基于集成深度代理模型的热源布局温度场可靠性分析方法

摘要

本发明公开了一种基于集成深度代理模型的热源布局温度场可靠性分析方法，包括：S1，生成训练数据集；S2，对训练数据集进行数据预处理；S3，分别训练多个深度神经网络模型；S4，设定组件的实际功率服从的分布，从分布中随机挑选多个功率样本；S5，根据多个深度神经网络模型的预测结果计算每个样本下的组件布局的预测温度场和预测不确定性；S6，确定预测不确定性是否均小于预设阈值，若否，返回S3；S7，将组件布局划分为至少一个子区域，计算不同样本下的每个子区域的最高温度；S8，针对每个子区域设定子区域临界状态温度，计算每个子区域的失效率。本发明能够对模型的预测不确定性进行量化，能考虑真实环境变化对布局的影响，确定更优的组件布局。

权利要求

1.一种基于集成深度代理模型的热源布局温度场可靠性分析方法，其特征在于，包括以下步骤：

S1，生成训练数据集，其中，训练数据集包括多个训练数据，训练数据包括热源组件布局及热源组件布局对应的温度场；

S2，对训练数据集进行数据预处理；

S3，构建具有不同初始化参数的多个深度神经网络模型，利用预处理后的训练数据集分别训练多个深度神经网络模型拟合热源组件布局与温度场的映射关系；

S4，根据热源组件的可能工作状态设定热源组件的实际功率服从的分布，并从分布中随机挑选预设数量的功率样本，其中，功率样本用于作为待预测热源组件布局中的热源组件的实际功率；

S5，针对每个功率样本下的待预测热源组件布局，分别利用多个深度神经网络模型预测待预测热源组件布局的温度场，根据多个深度神经网络模型的预测结果计算确定每个功率样本下的待预测热源组件布局对应的预测温度场和预测不确定性；

S6，确定所有功率样本下的待预测热源组件布局对应的预测不确定性是否均小于预设阈值，若否，返回步骤S3重新构建并训练深度神经网络模型；

S7，将待预测热源组件布局划分为至少一个子区域，利用待预测热源组件布局对应的预测温度场计算不同功率样本下的每个子区域的最高温度；

S8，针对每个子区域设定至少一个子区域临界状态温度，根据子区域的最高温度和子区域临界状态温度，计算每个子区域在不同子区域临界状态温度下的失效率。

2.根据权利要求1所述的基于集成深度代理模型的热源布局温度场可靠性分析方法，其特征在于，采用以下方式生成训练数据集：对组件布局区域进行网格划分，根据热源组件数量随机挑选组件布局区域的相应数量的网格放置热源组件得到一个热源组件布局xi，利用有限元分析方法计算热源组件布局xi对应的温度场Ti，获取一个包括热源组件布局及热源组件布局对应的温度场的训练数据(xi,Ti)，重复多次随机获取过程直至获得第一预设数量n的训练数据，得到包括n个训练数据的训练数据集{(xi,Ti)|i＝1,2,…,n}。

3.根据权利要求1所述的基于集成深度代理模型的热源布局温度场可靠性分析方法，其特征在于，设定将组件布局区域划分为M1×M2网格进行热源组件布局，将组件布局区域划分成N1×N2个有限元计算网格进行温度场计算，所述对训练数据集进行数据预处理包括：将热源组件布局用维度为M1×M2的矩阵Xi来表示，有热源组件对应位置矩阵元素为1，无热源组件对应位置矩阵元素为0；将维度为N1×N2的温度场矩阵Ti的数值进行归一化处理，保证矩阵元素均属于[0,1]。

4.根据权利要求1所述的基于集成深度代理模型的热源布局温度场可靠性分析方法，其特征在于，深度神经网络模型采用特征金字塔网络或者U‑Net卷积神经网络。

5.根据权利要求1所述的基于集成深度代理模型的热源布局温度场可靠性分析方法，其特征在于，深度神经网络模型使用随机梯度下降法进行随机初始化和独立训练。

6.根据权利要求1所述的基于集成深度代理模型的热源布局温度场可靠性分析方法，其特征在于，根据多个深度神经网络模型的预测结果，利用以下公式计算确定待预测热源组件布局对应的预测温度场；

其中，表示待预测热源组件布局对应的预测温度场，M表示深度神经网络模型的数量，Ym表示待预测热源组件布局对应的第m个深度神经网络模型的温度场预测结果。

7.根据权利要求1所述的基于集成深度代理模型的热源布局温度场可靠性分析方法，其特征在于，根据多个深度神经网络模型的预测结果，可以利用以下公式计算确定待预测热源组件布局对应的预测不确定性；

其中，Ystd表示待预测热源组件布局对应的预测不确定性，M表示深度神经网络模型的数量，Ym表示待预测热源组件布局对应的第m个深度神经网络模型的温度场预测结果， 表示待预测热源组件布局对应的预测温度场。

8.根据权利要求1所述的基于集成深度代理模型的热源布局温度场可靠性分析方法，其特征在于，根据子区域的最高温度和子区域临界状态温度，利用以下公式计算每个子区域在不同子区域临界状态温度下的失效率；

其中， 表示组件功率为第j个功率样本pj时的第i个子区域在子区域临界状态温度下的极限状态函数值，Tj,max_i表示组件功率为第j个功率样本pj时的第i个子区域的最高温度，j＝1,2,...,N，N表示步骤S4挑选的功率样本数，Li表示第i个子区域的失效率，li表示第i个子区域的失效次数，当 时，在子区域临界状态温度 下的组件功率为第j个功率样本pj时的第i个子区域失效。

说明书

基于集成深度代理模型的热源布局温度场可靠性分析方法

技术领域

[0001] 本发明涉及卫星布局设计技术领域，具体涉及一种基于集成深度代理模型的热源布局温度场可靠性分析方法。

背景技术

[0002] 卫星技术在通信、遥感、导航、军事侦察等领域发挥着不可替代的重要作用，是目前工业领域的热点研究课题。为了满足卫星的总体性能，在确定卫星内部各热源组件的布局时通常要考虑在当前热源组件布局下的温度场是否满足设计要求，例如最大温度是否过高，特定位置温度是否过高等。因此，如何获得热源组件布局下的温度场是一个在进行卫星设计时需要解决的一个问题。对于如何获得热源组件布局下的温度场，目前主要采用两种方法，第一种方法是利用基于有限元分析的仿真软件计算得到热源组件布局的温度场，该方法通过对输入仿真软件的热源组件布局进行分析从而得到对应的温度场，当计算出的温度场不满足设计要求时，则不断迭代整个过程，最终得到温度场较优的热源组件布局。第二种方法是利用基于深度神经网络的代理模型进行热源组件布局的温度场预测，该方法通过给定一定数量的包括热源组件布局及温度场的训练数据，通过构建和训练深度学习中的神经网络，得到热源组件布局温度场的深度神经网络代理模型，基于该深度神经网络代理模型，在给定热源组件布局后，能够利用该代理模型快速预测得到热源组件布局对应的温度场。

[0003] 然而，基于有限元分析的仿真计算方法决定了其单次仿真计算效率不会太高，而确定最终热源组件布局是一个迭代优化的过程，在进行迭代优化过程中，需要多次分析热源组件布局温度场，使得优化效率大幅降低，并且对于复杂热源组件布局的温度场的计算，计算成本和计算时间还会随着复杂程度逐级增加。现有的基于深度神经网络的代理模型的预测方法虽然能够实现热源组件布局的温度场快速预测，但单个神经网络的拟合能力有限且容易出现过拟合，利用单个神经网络预测得到的温度场如果误差过大，后续的优化过程便毫无意义。并且，单个神经网络只能给出一个肯定的预测结果并不能给出一个评价当前预测结果“好坏”的量，而在实际工程应用中，放入神经网络中的布局一般都是没有温度场标签的。此外，在得到满足条件的热源组件布局之后，并没有考虑真实环境对于热源组件的影响，例如工作环境的多样导致热源组件自身发热功率存在不确定、热源组件的设计缺陷导致热源组件自身发热功率存在不确定以及电子元器件老化导致热源组件自身发热功率存在不确定等情况对热源组件布局的影响。

发明内容

[0004] 为解决上述现有技术中存在的部分或全部技术问题，本发明提供一种基于集成深度代理模型的热源布局温度场可靠性分析方法。

[0005] 本发明的技术方案如下：

[0006] 提供了一种基于集成深度代理模型的热源布局温度场可靠性分析方法，所述方法包括以下步骤：

[0007] S1，生成训练数据集，其中，训练数据集包括多个训练数据，训练数据包括热源组件布局及热源组件布局对应的温度场；

[0008] S2，对训练数据集进行数据预处理；

[0009] S3，构建具有不同初始化参数的多个深度神经网络模型，利用预处理后的训练数据集分别训练多个深度神经网络模型拟合热源组件布局与温度场的映射关系；

[0010] S4，根据热源组件的可能工作状态设定热源组件的实际功率服从的分布，并从分布中随机挑选预设数量的功率样本，其中，功率样本用于作为待预测热源组件布局中的热源组件的实际功率；

[0011] S5，针对每个功率样本下的待预测热源组件布局，分别利用多个深度神经网络模型预测待预测热源组件布局的温度场，根据多个深度神经网络模型的预测结果计算确定每个功率样本下的待预测热源组件布局对应的预测温度场和预测不确定性；

[0012] S6，确定所有功率样本下的待预测热源组件布局对应的预测不确定性是否均小于预设阈值，若否，返回步骤S3重新构建并训练深度神经网络模型；

[0013] S7，将待预测热源组件布局划分为至少一个子区域，利用待预测热源组件布局对应的预测温度场计算不同功率样本下的每个子区域的最高温度；

[0014] S8，针对每个子区域设定至少一个子区域临界状态温度，根据子区域的最高温度和子区域临界状态温度，计算每个子区域在不同子区域临界状态温度下的失效率。

[0015] 在一些可能的实现方式中，采用以下方式生成训练数据集：

[0016] 对组件布局区域进行网格划分，根据热源组件数量随机挑选组件布局区域的相应数量的网格放置热源组件得到一个热源组件布局xi，利用有限元分析方法计算热源组件布局xi对应的温度场Ti，获取一个包括热源组件布局及热源组件布局对应的温度场的训练数据(xi,Ti)，重复多次随机获取过程直至获得第一预设数量n的训练数据，得到包括n个训练数据的训练数据集{(xi,Ti)|i＝1,2,…,n}。

[0017] 在一些可能的实现方式中，设定将组件布局区域划分为M1×M2网格进行热源组件布局，将组件布局区域划分成N1×N2个有限元计算网格进行温度场计算，所述对训练数据集进行数据预处理包括：

[0018] 将热源组件布局用维度为M1×M2的矩阵Xi来表示，有热源组件对应位置矩阵元素为1，无热源组件对应位置矩阵元素为0；将维度为N1×N2的温度场矩阵Ti的数值进行归一化处理，保证矩阵元素均属于[0,1]。

[0019] 在一些可能的实现方式中，深度神经网络模型采用特征金字塔网络或者U‑Net卷积神经网络。

[0020] 在一些可能的实现方式中，深度神经网络模型使用随机梯度下降法进行随机初始化和独立训练。

[0021] 在一些可能的实现方式中，根据多个深度神经网络模型的预测结果，利用以下公式计算确定待预测热源组件布局对应的预测温度场；

[0022]

[0023] 其中，表示待预测热源组件布局对应的预测温度场，M表示深度神经网络模型的数量，Ym表示待预测热源组件布局对应的第m个深度神经网络模型的温度场预测结果。

[0024] 在一些可能的实现方式中，根据多个深度神经网络模型的预测结果，可以利用以下公式计算确定待预测热源组件布局对应的预测不确定性；

[0025]

[0026] 其中，Ystd表示待预测热源组件布局对应的预测不确定性，M表示深度神经网络模型的数量，Ym表示待预测热源组件布局对应的第m个深度神经网络模型的温度场预测结果，表示待预测热源组件布局对应的预测温度场。

[0027] 在一些可能的实现方式中，根据子区域的最高温度和子区域临界状态温度，利用以下公式计算每个子区域在不同子区域临界状态温度下的失效率；

[0028]

[0029]

[0030] 其中， 表示组件功率为第j个功率样本pj时的第i个子区域在子区域临界状态温度 下的极限状态函数值，Tj,max_i表示组件功率为第j个功率样本pj时的第i个子区域的最高温度，j＝1,2,...,N，N表示步骤S4挑选的功率样本数，Li表示第i个子区域的失效率，li表示第i个子区域的失效次数，当 时，在子区域临界状态温度 下的组件功率为第j个功率样本pj时的第i个子区域失效。

[0031] 本发明技术方案的主要优点如下：

[0032] 本发明的基于集成深度代理模型的热源布局温度场可靠性分析方法通过多个深度神经网络模型的集成训练和预测，能够实现热源组件布局的温度场快速预测和高精度预测，并能够对模型的预测不确定性进行量化；通过根据热源组件的可能工作状态设定热源组件的实际功率服从的分布，基于功率服从分布进行热源组件布局的温度场预测和失效率分析计算，能够考虑真实工作环境变化对热源组件布局的影响，从而确定性能更优的热源组件布局。

附图说明

[0033] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0034] 图1为本发明一实施例的基于集成深度代理模型的热源布局温度场可靠性分析方法的流程图；

[0035] 图2为本发明一实施例的一种热源组件布局设计区域离散示意图。

具体实施方式

[0036] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，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。

[0037] 以下结合附图，详细说明本发明实施例提供的技术方案。

[0038] 参见图1，本发明一实施例提供了一种基于集成深度代理模型的热源布局温度场可靠性分析方法，该方法包括以下步骤：

[0039] S1，生成训练数据集，其中，训练数据集包括多个训练数据，训练数据包括热源组件布局及热源组件布局对应的温度场；

[0040] S2，对训练数据集进行数据预处理；

[0041] S3，构建具有不同初始化参数的多个深度神经网络模型，利用预处理后的训练数据集分别训练多个深度神经网络模型拟合热源组件布局与温度场的映射关系；

[0042] S4，根据热源组件的可能工作状态设定热源组件的实际功率服从的分布，并从分布中随机挑选预设数量的功率样本，其中，功率样本用于作为待预测热源组件布局中的热源组件的实际功率；

[0043] S5，针对每个功率样本下的待预测热源组件布局，分别利用多个深度神经网络模型预测待预测热源组件布局的温度场，根据多个深度神经网络模型的预测结果计算确定每个功率样本下的待预测热源组件布局对应的预测温度场和预测不确定性；

[0044] S6，确定所有功率样本下的待预测热源组件布局对应的预测不确定性是否均小于预设阈值，若否，返回步骤S3重新构建并训练深度神经网络模型；

[0045] S7，将待预测热源组件布局划分为至少一个子区域，利用待预测热源组件布局对应的预测温度场计算不同功率样本下的每个子区域的最高温度；

[0046] S8，针对每个子区域设定至少一个子区域临界状态温度，根据子区域的最高温度和子区域临界状态温度，计算每个子区域在不同子区域临界状态温度下的失效率。

[0047] 本发明一实施例提供的基于集成深度代理模型的热源布局温度场可靠性分析方法通过多个深度神经网络模型的集成训练和预测，能够实现热源组件布局的温度场快速预测和高精度预测，并能够对模型的预测不确定性进行量化；通过根据热源组件的可能工作状态设定热源组件的实际功率服从的分布，基于功率服从分布进行热源组件布局的温度场预测和失效率分析计算，能够考虑真实工作环境变化对热源组件布局的影响，从而确定性能更优的热源组件布局。

[0048] 以下对本发明一实施例提供的基于集成深度代理模型的热源布局温度场可靠性分析方法的步骤及原理进行具体说明。

[0049] 本发明一实施例中，以在一个组件布局区域内，需要摆放Ns个大小相同，且具有相同功率的热源组件为例，来说明本发明一实施例提供的具体技术方案。

[0050] 步骤S1，生成训练数据集，其中，训练数据集包括多个训练数据，训练数据包括热源组件布局及热源组件布局对应的温度场。

[0051] 本发明一实施例中，可以采用以下方式生成训练数据集：

[0052] 对组件布局区域进行网格划分，根据热源组件数量随机挑选组件布局区域的相应数量的网格放置热源组件得到一个热源组件布局xi，利用有限元分析方法计算热源组件布局xi对应的温度场Ti，获取一个包括热源组件布局及热源组件布局对应的温度场的训练数据(xi,Ti)，重复多次随机获取过程直至获得第一预设数量n的训练数据，得到包括n个训练数据的训练数据集{(xi,Ti)|i＝1,2,…,n}。

[0053] 训练数据集中训练数据的具体数量可以根据训练效率和精度要求进行设置，例如n＝50000。

[0054] 组件布局区域由实际布局需求确定，例如当组件布局区域为方形的组件布局区域时，如图2所示，此时可以将方形的组件布局区域划分为M1×M2网格，每个网格最多可以放置一个热源组件，当热源组件的数量为Ns个时，挑选出用于放置热源组件的网格数也为Ns个。其中，组件布局区域划分的网格数可以根据组件布局设计要求的分辨率和精度确定，当要求的分辨率和精度较高，所划分的网格数越多，即网格划分越精细。

[0055] 进一步地，在利用有限元分析方法计算热源组件布局对应的温度场时，可以将组件布局区域划分成N1×N2个有限元计算网格，利用有限元分析方法来计算准确的温度场Ti。

[0056] 步骤S2，对训练数据集进行数据预处理。

[0057] 具体地，以将组件布局区域划分为M1×M2网格进行热源组件布局，将组件布局区域划分成N1×N2个有限元计算网格进行温度场计算为例，对训练数据集进行数据预处理包括：将热源组件布局用维度为M1×M2的矩阵Xi来表示，有热源组件对应位置矩阵元素为1，无热源组件对应位置矩阵元素为0；将维度为N1×N2的温度场矩阵Ti的数值进行归一化处理，保证矩阵元素均属于[0,1]。

[0058] 步骤S3，构建具有不同初始化参数的多个深度神经网络模型，利用预处理后的训练数据集分别训练多个深度神经网络模型拟合热源组件布局与温度场的映射关系。

[0059] 本发明一实施例中，可以采用特征金字塔网络(Feature Pyramid Network，FPN)或者U‑Net卷积神经网络作为深度神经网络模型来拟合热源组件布局与温度场的映射关系。通过利用上述获取的训练数据对深度神经网络模型进行训练，能够使深度神经网络模型学习到训练数据中的物理规律，从而得到一个具有较强泛化能力的神经网络，可以实现对热源组件布局对应的温度场进行快速和高精度预测。从本质上来说，深度神经网络即为一个代理模型，可记为

[0060] 进一步地，每个深度神经网络模型可以使用随机梯度下降法进行随机初始化和独立训练；在进行深度神经网络模型的训练时，相应的损失函数可以根据实际情况进行设置，例如可以使用平均绝对误差、均方差或者交叉熵作为损失函数。

[0061] 由于深度神经网络模型的数量越多，利用集成的深度神经网络模型进行温度场预测时的预测精度越高，但相应的训练时间和训练周期越长。本发明一实施例中，深度神经网络模型的数量可以根据实际需求的预测精度和训练时间进行设定。

[0062] 步骤S4，根据热源组件的可能工作状态设定热源组件的实际功率服从的分布，并从分布中随机挑选预设数量的功率样本，其中，功率样本用于作为待预测热源组件布局中的热源组件的实际功率。

[0063] 当热源组件处于实际工作状态时，热源组件的功率会随着环境或工作条件的变化而变化，这将导致由热源组件产生的温度场发生变化。如果温度场的变化导致最高温度超过阈值，则热源组件将发生故障或停止工作。为了分析这种情况的可能性，需要对热源组件布局进行可靠性分析。

[0064] 由于在进行热源组件布局的优化设计时，无法准确获知热源组件的实际工作状态。为此，本发明一实施例中，根据热源组件的全部可能工作状态设定一个热源组件的实际功率服从的分布P，该分布P包含了热源组件的全部可能工作状态下的功率值。

[0065] 进一步地，为了保证待预测热源组件布局的可靠性分析结果的可信度，本发明一实施例中，从分布P中随机挑选N个功率样本(p1,p2,...,pN)作为待预测热源组件布局中的热源组件的实际功率，得到N个在不同工作状态下的热源组件布局。

[0066] 步骤S5，针对每个功率样本下的待预测热源组件布局，分别利用多个深度神经网络模型预测待预测热源组件布局的温度场，根据多个深度神经网络模型的预测结果计算确定每个功率样本下的待预测热源组件布局对应的预测温度场和预测不确定性。

[0067] 本发明一实施例中，采用所有深度神经网络模型的预测结果的均值作为热源组件布局的预测温度场。

[0068] 具体地，根据多个深度神经网络模型的预测结果，可以利用以下公式计算确定待预测热源组件布局对应的预测温度场；

[0069]

[0070] 其中， 表示待预测热源组件布局对应的预测温度场，M表示深度神经网络模型的数量，Ym表示待预测热源组件布局对应的第m个深度神经网络模型的温度场预测结果。

[0071] 本发明一实施例中，采用所有深度神经网络模型的预测结果的方差作为热源组件布局的预测不确定性。

[0072] 具体地，根据多个深度神经网络模型的预测结果，可以利用以下公式计算确定待预测热源组件布局对应的预测不确定性；

[0073]

[0074] 其中，Ystd表示待预测热源组件布局对应的预测不确定性，M表示深度神经网络模型的数量，Ym表示待预测热源组件布局对应的第m个深度神经网络模型的温度场预测结果，表示待预测热源组件布局对应的预测温度场。

[0075] 根据多个深度神经网络模型的预测结果，利用前述公式一和公式二，可以计算得到N个功率样本(p1,p2,...,pN)下的待预测热源组件布局对应的N个预测温度场(Y1,Y2,...,YN)和N个预测不确定性(Y1,std,Y2,std,...,YN,std)。其中，YN和YN,std分别表示组件功率为pN时的待预测热源组件布局对应的预测温度场和预测不确定性。

[0076] 步骤S6，确定所有功率样本下的待预测热源组件布局对应的预测不确定性是否均小于预设阈值，若否，返回步骤S3重新构建并训练深度神经网络模型。

[0077] 具体地，确定所有功率样本下的待预测热源组件布局对应的预测不确定性是否均小于预设阈值；若是，则表示集成训练的多个深度神经网络模型的预测精度达到要求，此时可以继续进行下一步骤；若否，则表示集成训练的多个深度神经网络模型的预测精度未达到要求，此时需要返回步骤S3重新构建并训练深度神经网络模型。

[0078] 其中，预设阈值可以根据实际需求的预测精度进行具体设置。

[0079] 步骤S7，将待预测热源组件布局划分为至少一个子区域，利用待预测热源组件布局对应的预测温度场计算不同功率样本下的每个子区域的最高温度；

[0080] 考虑到热源组件电路板的不同区域可能负责不同的任务，且负责不同任务的不同区域相互独立；为保证热源组件布局的可靠性分析结果的可信度，本发明一实施例中，将待预测热源组件布局划分为I个子区域，利用待预测热源组件布局对应的预测温度场(Y1,Y2,...,YN)计算N个功率样本下的每个子区域的最高温度(T1,max_i,T2,max_i,...,TN,max_i)，以分别对每个子区域进行可靠性分析。其中，TN,max_i表示组件功率为pN时的待预测热源组件布局的第i个子区域的最高温度。

[0081] 其中，子区域的具体数量可以根据待预测热源组件布局的实际工作环境和工作任务进行设定。

[0082] 步骤S8，针对每个子区域设定至少一个子区域临界状态温度，根据子区域的最高温度和子区域临界状态温度，计算每个子区域在不同子区域临界状态温度下的失效率。

[0083] 本发明一实施例中，通过计算热源组件布局在不同的组件功率下的失效情况来对热源组件布局进行可靠性分析。

[0084] 为了对热源组件布局进行可靠性分析，构建如公式三所示的极限状态函数，该极限状态函数用于评价热源组件布局是否失效；

[0085] Z(p)＝Δlim‑T(p)  公式三

[0086] 其中，Z(p)表示极限状态函数值，Δlim表示热源组件布局的所能承受的临界状态温度，T(p)表示组件功率为p时的热源组件布局的最高温度，当极限状态函数值小于0时，表示当前热源组件布局处于失效状态。

[0087] 由于热源组件电路板的不同区域可能负责不同的任务，且负责不同任务的不同区域相互独立，本发明一实施例中，将待预测热源组件布局划分为至少一个子区域，针对每个子区域独立进行可靠性分析。

[0088] 具体地，本发明一实施例中，根据子区域的最高温度和子区域临界状态温度，利用以下公式四和公式五计算每个子区域在不同子区域临界状态温度下的失效率；

[0089]

[0090]

[0091] 其中， 表示组件功率为第j个功率样本pj时的第i个子区域在子区域临界状态温度 下的极限状态函数值，Tj,max_i表示组件功率为第j个功率样本pj时的第i个子区域的最高温度，j＝1,2,...,N，Li表示第i个子区域的失效率，li表示第i个子区域的失效次数，当时，在子区域临界状态温度 下的组件功率为第j个功率样本pj时的第i个子区域失效。

[0092] 本发明一实施例中，失效率越低，表明使用当前热源组件布局方式的系统性能越好。

[0093] 需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外，本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照(若存在)。

[0094] 最后应说明的是：以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。