CN103472392A - 电动执行机构寿命预测方法 - Google Patents

电动执行机构寿命预测方法 Download PDF

Info

Publication number
CN103472392A
CN103472392A CN2013104030779A CN201310403077A CN103472392A CN 103472392 A CN103472392 A CN 103472392A CN 2013104030779 A CN2013104030779 A CN 2013104030779A CN 201310403077 A CN201310403077 A CN 201310403077A CN 103472392 A CN103472392 A CN 103472392A
Authority
CN
China
Prior art keywords
topworks
motor
data
life
prediction method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2013104030779A
Other languages
English (en)
Inventor
申景双
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hite Maxwell Fluid Control (henan) Co Ltd
Original Assignee
Hite Maxwell Fluid Control (henan) Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hite Maxwell Fluid Control (henan) Co Ltd filed Critical Hite Maxwell Fluid Control (henan) Co Ltd
Priority to CN2013104030779A priority Critical patent/CN103472392A/zh
Publication of CN103472392A publication Critical patent/CN103472392A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明电动机执行机构寿命预测方法解决了现有技术中无法获取技术状态退化失效信息导致的高精度电动机无法进行维修和优化的问题，通过实时获取电动机执行机构的运行状态并对电动机执行机构的运行状态进行分析获取电动机执行机构的免维护寿命。

Description

电动执行机构寿命预测方法
技术领域
本发明涉及一种测试方法，尤其涉及一种电动执行机构寿命预测方法。
背景技术
电动执行机构技术状态会随着运转时间的变化而发生改变、退化或劣化并最终导致故障出现。需要根据电动机执行机构的退化程度来实施CBM（Condition Based Maintenance, 基于状态的维修）。因此，准确把握电动执行机构技术状态退化的机理，掌握退化失效过程中的状态演化，才能及时采用主动的维修策略对电动执行机构的技术状态进行控制。
围绕技术状态退化现象已经开展了大量研究，这些工作主要是在可靠性和加速寿命/退化领域进行的，其核心任务是对观测到的退化数据建模。退化模型建立在对退化路径的概率建模以及与预设的失效阈值投影分布比较的基础上，并要求准确考虑各种应力因变量对技术状态退化过程和相关概率分布的影响。
传统退化建模方法有两个基本假设，即电动执行机构技术状态随时间单调变化且可测，退化速度与有关应力之间的关系是线性。基于这一假设，可以建立技术状态退化过程的一般路径。假设退化率                                                
Figure 2013104030779100002DEST_PATH_IMAGE001
是依赖于因变量向量的随机过程。在
Figure 568620DEST_PATH_IMAGE002
作用下，到时刻
Figure 903786DEST_PATH_IMAGE004
为止的累积退化可以表示为
Figure 2013104030779100002DEST_PATH_IMAGE005
，其中
Figure 570391DEST_PATH_IMAGE006
是初始退化程度，相应地，失效阈值
Figure 2013104030779100002DEST_PATH_IMAGE007
下的可靠性函数为。考虑退化过程中的随机因素，上述模型可以扩展为一般的加性退化、乘法退化以及混合效应模型等，并可基于统计分析来估计模型中关于应力的参数。
上述方法在加速退化和加速寿命分析中得到了广泛应用，应该说明的是，这类退化模型有相对严格的前提。首先，它要求退化现象是直接可观测的，只有基于对退化现象的直接观测和抽样才可能建立明确的退化路径，进而才可能基于统计分析判断退化过程的性质。其次，它要求退化现象在理论上是可计算的，只有可计算的退化才可能建立退化程度/水平与环境作用/应力水平之间的定量模型。最后，它同时要求环境作用或应力水平是确定的且直接可测的，如此才能基于多重回归分析估计退化关于应力水平的参数。
然而，这些要求在实际应用中很难得到满足。一方面，对于许多退化现象，其底层的理论知识很有限，一般难以准确描述电动执行机构退化路径的结构和形式。另一方面，加速寿命测试和加速退化试验往往并不能表示电动执行机构的真实操作环境，影响电动执行机构退化的环境因素或应力水平并不是确定的而是随机变化的。同时，电动执行机构的退化现象也并不能直接进行观测，电动执行机构退化可能受到多个未知的物理／化学过程的影响。
绝大多数电动执行机构在运行前基本上不大可能获得技术状态退化失效的明确知识，这是因为对高精密的现代电动执行机构进行破坏性的加速寿命/退化试验，其代价是昂贵的和惊人的，同时加速寿命/退化的试验环境也不能替代真实的电动执行机构使用环境。因此，为实现电动执行机构的科学维修，就必须依靠电动执行机构使用的状态监控收集电动执行机构退化、失效以及维修的有关数据，基于这些数据来反演电动执行机构退化失效过程，在此基础上再进行维修策略的决策和优化。
发明内容
本发明公开了一种电动机执行机构寿命预测方法，用以解决现有技术中无法获取技术状态退化失效信息导致的高精度电动机无法进行维修和优化的问题。
本发明的上述目的是通过以下技术方案实现的：
一种电动机执行机构寿命预测方法，其中，对电动机执行机构的运行状态进行监测，实时获取电动机运行状态数据，将电动机运行状态数据传输至数据处理器，对电动机运行状态数据进行处理，导出电动执行机构免维护寿命数据。
如上所述的电动机执行机构寿命预测方法，其中，对电动机运行状态数据进行处理具体包括：将每台电动机执行机构数据沿时间轴分布，获取最终的电动机执行机构免维护寿命数据。
如上所述的电动机执行机构寿命预测方法，其中，对电动机执行机构的运行状态进行监测具体包括：获取电动机执行机构的振动、油液数据。
如上所述的电动机执行机构寿命检测方法，其中，对电动机执行机构的运行状态进行检测还包括：获取滑油中磨屑粒子浓度。
如上所述的电动机执行机构寿命预测方法，其中，对电动机运行状态数据进行处理具体包括：将每台电动执行机构的滑油光谱检测数据沿时间轴分布，处理滑油中磨屑粒子浓度的抽样路径，获取最终的电动机执行机构免维护寿命数据。
如上所述的电动机执行机构寿命预测方法，其中，通过一远程接口传输电动机执行机构免维护寿命数据。
如上所述的电动机执行机构寿命预测方法，其中，通过一显示装置，显示电动机执行机构免维护寿命数据。
综上所述，由于采用了上述技术方案，本发明电动机执行机构寿命预测方法解决了现有技术中无法获取技术状态退化失效信息导致的高精度电动机无法进行维修和优化的问题，通过实时获取电动机执行机构的运行状态并对电动机执行机构的运行状态进行分析获取电动机执行机构的免维护寿命。
附图说明
图1是本发明电动机执行机构寿命预测方法的技术状态退化的状态转移示意图；
图2是本发明电动执行机构寿命预测方法的一电动机执行机构的滑油中铁粒子浓度抽样路径示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步描述：
图1是本发明电动机执行机构寿命预测方法的技术状态退化的状态转移示意图，请参见图1，一种电动机执行机构寿命预测方法，其中，对电动机执行机构的运行状态进行监测，实时获取电动机运行状态数据，将电动机运行状态的数据传输至数据处理器，对电动机运行状态数据进行处理，导出电动执行机构免维护寿命数据。
本发明对电动机运行状态数据进行处理具体包括：将每台电动机执行机构数据沿时间轴分布，获取最终的电动机执行机构免维护寿命数据。
本发明对电动机执行机构的运行状态进行监测具体包括：获取电动机执行机构的振动、油液数据。
本发明对电动机执行机构的运行状态进行检测还包括：获取滑油中磨屑粒子浓度。
本发明对电动机运行状态数据进行处理具体包括：将每台电动执行机构的滑油光谱检测数据沿时间轴分布，处理滑油中磨屑粒子浓度的抽样路径，获取最终的电动机执行机构免维护寿命数据。
本发明通过一远程接口传输电动机执行机构免维护寿命数据。
本发明通过一显示装置，显示电动机执行机构免维护寿命数据
在本发明的一个实施利中：电动执行机构退化失效过程的动力学分析的基本观点是：电动执行机构退化过程是不可直接测量的随机过程，电动执行机构退化程度只是数学抽象而没有明确的可量测的物理测度；电动执行机构退化状态是对这种不可测退化过程的人为划分，没有明确的物理含义，退化状态的演化就是退化随时间累积的过程；电动执行机构状态监控是对电动执行机构退化过程的间接观测，由此获得的状态监控数据，如振动、油液等，只是电动执行机构退化状态的一种间接反映，退化状态的演化是导致状态监控数据发生变化的根本原因。
基于以上观点和现有的退化建模理论，提出如下假设：
（1）尽管电动执行机构退化失效是连续变化的过程，但通过忽略局部变化之间的微小差异，总可以将其用有限状态的马尔可夫过程刻画。记
Figure 2013104030779100002DEST_PATH_IMAGE009
时刻电动执行机构的退化状态为
Figure 271817DEST_PATH_IMAGE010
，电动执行机构退化的状态空间可以用如下非空状态集合来表示
Figure 2013104030779100002DEST_PATH_IMAGE011
，其中
Figure 230414DEST_PATH_IMAGE012
是初始退化状态，
Figure 2013104030779100002DEST_PATH_IMAGE013
是故障状态，从而电动执行机构退化状态的演化可以用如图1所示的状态转移过程来示意，其对应的转移概率函数为：
    
Figure 118736DEST_PATH_IMAGE014
    （1.1）
由于退化程度是累加的，对于状态
Figure 2013104030779100002DEST_PATH_IMAGE015
，应有
Figure 188192DEST_PATH_IMAGE016
，这意味着图1中的状态转移是不可逆的。但退化程度无法直接测量，为保持分析中数学形式的一般性，假设其转移路径存在，故在图1中用虚线表示。
图1是本发明电动机执行机构寿命预测方法的技术状态退化的状态转移示意图，请参见图1，由于电动执行机构退化过程在进入到状态
Figure 478359DEST_PATH_IMAGE013
即宣告结束，因此
Figure 420907DEST_PATH_IMAGE013
也被称为退化过程的吸收态，而状态
Figure 2013104030779100002DEST_PATH_IMAGE017
被称为暂态。电动执行机构的寿命就是电动执行机构在状态上的停留时间，也即退化在进入吸收态之前的时间。从而电动执行机构的失效时间分布可以用在电动执行机构退化过程的暂态上的停留时间分布来刻画，因此电动执行机构的失效寿命分布可以定义为电动执行机构退化过程的吸收时间分布。
定义在
Figure 404093DEST_PATH_IMAGE018
上的连续分布
Figure 2013104030779100002DEST_PATH_IMAGE019
是有限位相型（Phase type－PH）分布，当且仅当它是一个有限状态马尔科夫过程的吸收时间分布。
若该有限状态马尔科夫过程定义在状态空间
Figure 2013104030779100002DEST_PATH_IMAGE021
上，其生成元为分块矩阵
Figure 114745DEST_PATH_IMAGE022
，初始概率向量
Figure DEST_PATH_IMAGE023
，其中
Figure 226927DEST_PATH_IMAGE024
是一个阶行向量。假设状态
Figure 388918DEST_PATH_IMAGE026
都是暂态，状态是吸收态，
Figure 637366DEST_PATH_IMAGE025
阶的非奇异矩阵
Figure 859399DEST_PATH_IMAGE028
的主对角线元素全为负，其他元素非负，表示暂态之间的状态转移，
Figure 271926DEST_PATH_IMAGE025
阶的列向量
Figure 2013104030779100002DEST_PATH_IMAGE029
表示从暂态向吸收态的转移概率，且
Figure 510313DEST_PATH_IMAGE030
。其中，表示元素全为1的列向量，列的阶数由具体问题所决定。令
Figure 629579DEST_PATH_IMAGE032
，表示马氏链
Figure 6203DEST_PATH_IMAGE020
在初始概率向量
Figure 2013104030779100002DEST_PATH_IMAGE033
下进入吸收态的时间。记
Figure 843709DEST_PATH_IMAGE034
，显然
Figure 2013104030779100002DEST_PATH_IMAGE035
是PH分布。
无疑，技术状态退化导致失效的寿命分布是一类有限状态马尔科夫过程的吸收时间分布，因此可以用PH分布来表示和刻画。对于
Figure 596770DEST_PATH_IMAGE036
，
Figure 2013104030779100002DEST_PATH_IMAGE037
，可以表示成
Figure 836121DEST_PATH_IMAGE038
，记作
Figure 2013104030779100002DEST_PATH_IMAGE039
。
注意到假设（1）和公式(1.1)，显然有
Figure 383646DEST_PATH_IMAGE040
，从而有限位相型分布将电动执行机构退化失效的状态演化规律与电动执行机构的寿命分布联系起来，如果能够获得电动执行机构寿命分布的PH分布表示，则也就获得了该电动执行机构退化失效的状态演化规律。
（2）伴随电动执行机构退化有一些物理过程具有可以直接测量的物理参数，这些参数的数值变化是电动执行机构退化状态演化的间接反映，电动执行机构的退化状态决定了这些参数的变化率。若记
Figure DEST_PATH_IMAGE041
表示到时刻
Figure 708448DEST_PATH_IMAGE009
为止参数的累积测度，记
Figure 265200DEST_PATH_IMAGE042
表示
Figure DEST_PATH_IMAGE043
时刻电动执行机构退化状态
Figure 93479DEST_PATH_IMAGE010
所决定的参数变化率，则有
Figure 890534DEST_PATH_IMAGE044
，其中
Figure DEST_PATH_IMAGE045
表示初始时刻的参数测度。
（3）电动执行机构的状态监控是对上述物理参数的观测，记
Figure 686320DEST_PATH_IMAGE046
表示当前时刻的参数观测，若测量误差
Figure DEST_PATH_IMAGE047
服从正态分布
Figure 995128DEST_PATH_IMAGE048
，其中
Figure DEST_PATH_IMAGE049
是测量误差的均方差，则状态监控结果可以表示成。
基于假设（2），有
Figure DEST_PATH_IMAGE051
，如果能够得到一批这些参数变化率的信息，则基于变化率的分段就有可能获得对应的电动执行机构退化状态估计。由于参数变化率与电动执行机构退化状态之间的定量关系无法明确给出，就必须借助于对这些参数测度数据的理解来实现变化率与退化状态的解耦并间接地定义电动执行机构的退化状态。但是，实际获得的状态监控数据往往是稀疏的，参数变化率的信息很有限，要获得充分的变化率信息，就必须通过对参数测度数据的变化规律与发展趋势的解释从而加深其所反映的底层物理过程的理解。
为此，进一步有如下假设：
（4）伴随退化现象且产生可测参数的底层物理过程具有平稳独立增量，这些增量或参数变化率不仅与当前累积测度值有关，而且与其驱动过程的性质有关，从而这些参数变化率可以写成如下形式：
    
Figure 183850DEST_PATH_IMAGE052
。 (1.2)
其中，
Figure DEST_PATH_IMAGE053
称为该物理过程的漂移，反映该物理过程的平均变化路径，而称之为该物理过程的驱动过程，反映该物理过程中的随机性。在任意时刻，对于一批状态监控获得的参数测度，
Figure DEST_PATH_IMAGE055
的值服从某个分布，从而驱动过程
Figure 885275DEST_PATH_IMAGE054
的性质可以通过该分布的性质来刻画。
通常，
Figure 24133DEST_PATH_IMAGE055
服从的常见分布形式包括正态分布、Gamma分布或偏心的分布，由此对应的驱动过程
Figure 794960DEST_PATH_IMAGE054
分别为Winner过程或一般扩散过程、Gamma过程、Feller过程[108, 121, 123, 181]。基于对产生这些参数的物理过程性质的理解，可以给出方程(1.2)的具体结构，例如，对于某些具有拟平稳性质的过程，则可以用一般的扩散过程，特别是Ornstein-Uhlenbeck过程来建模。对于一般的物理过程，可以先根据类似物理过程或现象的理解，对这些参数测度作曲线拟合，初步确定方程(1.2)的结构形式，然后再根据拟合结果与测量结果的差异进行调整，逐步逼近最佳的方程。
于是，根据以上假设，技术状态演化过程可以用如下的随机Ito方程来描述，即有：
    
Figure DEST_PATH_IMAGE057
    (1.3)
从而根据方程（2.3）确定的参数
Figure 967184DEST_PATH_IMAGE058
的信息，即可确定其变化率信息，进而可以确定电动执行机构的退化状态及其演化规律。这其中的关键在于如何根据实际的状态观测数据，确定
Figure 214625DEST_PATH_IMAGE053
的结构形式和确定对应的底层物理过程
Figure 285350DEST_PATH_IMAGE054
的动力学性质。
图2是本发明电动执行机构寿命预测方法的一电动机执行机构的滑油中铁粒子浓度抽样路径示意图，请参见图2，在本发明的另一实施例中：本发明采用直接观测法来判别装备的工作模式是否相近或一致。直接观测法的基本思路是，将每台电动执行机构的滑油光谱检测数据沿时间轴分布，考察滑油中磨屑粒子浓度的抽样路径，如果不同电动执行机构滑油粒子浓度的抽样路径相互交叉，说明不同电动执行机构的磨损退化速度之间没有显著的梯度差异，从而可以认为这批电动执行机构的磨损退化具有一致行为，对于缺失记录可以借助完整记录的电动执行机构的演化规律来加以填补和估计。
基于以上思路，对这批电动执行机构的滑油光谱检测数据进行直接观测，其中某台电动执行机构的滑油中铁粒子浓度的典型完整抽样路径如图2所示。采用图2所述方法，对这批电动执行机构滑油中铁粒子浓度的抽样路径进行比较发现，这些抽样路径相互交叉，从而不同电动执行机构的磨损退化速度之间没有显著的梯度差异，可以认为这批电动执行机构的磨损退化具有一致行为。由此可以模拟出电动执行机构的寿命曲线。
综上所述，由于采用了上述技术方案，本发明电动机执行机构寿命预测方法解决了现有技术中无法获取技术状态退化失效信息导致的高精度电动机无法进行维修和优化的问题，通过实时获取电动机执行机构的运行状态并对电动机执行机构的运行状态进行分析获取电动机执行机构的免维护寿命。

Claims (7)

1.一种电动机执行机构寿命预测方法，其特征在于，对电动机执行机构的运行状态进行监测，实时获取电动机运行状态数据，将电动机运行状态数据传输至数据处理器，对电动机运行状态数据进行处理，导出电动执行机构免维护寿命数据。
2.根据权利要求1所述的电动机执行机构寿命预测方法，其特征在于，对电动机运行状态数据进行处理具体包括：将每台电动机执行机构数据沿时间轴分布，获取最终的电动机执行机构免维护寿命数据。
3.根据权利要求1所述的电动机执行机构寿命预测方法，其特征在于，对电动机执行机构的运行状态进行监测具体包括：获取电动机执行机构的振动、油液数据。
4.根据权利要求3所述的电动机执行机构寿命检测方法，其特征在于，对电动机执行机构的运行状态进行检测还包括：获取滑油中磨屑粒子浓度。
5.根据权利要求4所述的电动机执行机构寿命预测方法，其特征在于，对电动机运行状态数据进行处理具体包括：将每台电动执行机构的滑油光谱检测数据沿时间轴分布，处理滑油中磨屑粒子浓度的抽样路径，获取最终的电动机执行机构免维护寿命数据。
6.根据权利要求1所述的电动机执行机构寿命预测方法，其特征在于，通过一远程接口传输电动机执行机构免维护寿命数据。
7.根据权利要求1所述的电动机执行机构寿命预测方法，其特征在于，通过一显示装置，显示电动机执行机构免维护寿命数据。
CN2013104030779A 2013-09-06 2013-09-06 电动执行机构寿命预测方法 Pending CN103472392A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2013104030779A CN103472392A (zh) 2013-09-06 2013-09-06 电动执行机构寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2013104030779A CN103472392A (zh) 2013-09-06 2013-09-06 电动执行机构寿命预测方法

Publications (1)

Publication Number Publication Date
CN103472392A true CN103472392A (zh) 2013-12-25

Family

ID=49797315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2013104030779A Pending CN103472392A (zh) 2013-09-06 2013-09-06 电动执行机构寿命预测方法

Country Status (1)

Country Link
CN (1) CN103472392A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485343A (zh) * 2015-08-28 2017-03-08 发那科株式会社 机械学习装置及方法、寿命预测装置及电动机系统
CN108022058A (zh) * 2018-01-19 2018-05-11 华中科技大学 一种风力机状态可靠性评估方法
CN117031956A (zh) * 2023-08-23 2023-11-10 无锡纬途流体科技有限公司 智能嵌入式电动执行机构的控制方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11278041A (ja) * 1998-03-31 1999-10-12 Calsonic Corp モータアクチュエータの異常判定装置
CN1934433A (zh) * 2004-03-31 2007-03-21 中国电力股份有限公司 滚动轴承的剩余寿命诊断方法及剩余寿命诊断装置
WO2012133066A1 (ja) * 2011-03-30 2012-10-04 三菱重工業株式会社 アクチュエータ監視システム
CN203037291U (zh) * 2013-01-11 2013-07-03 上海海维工业控制有限公司 一种电动执行机构寿命评估平台
CN103217241A (zh) * 2013-03-18 2013-07-24 扬州电力设备修造厂 一种磁粉制动式阀门用大转矩电动执行机构测试装置
CN203084167U (zh) * 2013-01-11 2013-07-24 上海海维工业控制有限公司 一种电动执行机构寿命计数器

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11278041A (ja) * 1998-03-31 1999-10-12 Calsonic Corp モータアクチュエータの異常判定装置
CN1934433A (zh) * 2004-03-31 2007-03-21 中国电力股份有限公司 滚动轴承的剩余寿命诊断方法及剩余寿命诊断装置
WO2012133066A1 (ja) * 2011-03-30 2012-10-04 三菱重工業株式会社 アクチュエータ監視システム
CN203037291U (zh) * 2013-01-11 2013-07-03 上海海维工业控制有限公司 一种电动执行机构寿命评估平台
CN203084167U (zh) * 2013-01-11 2013-07-24 上海海维工业控制有限公司 一种电动执行机构寿命计数器
CN103217241A (zh) * 2013-03-18 2013-07-24 扬州电力设备修造厂 一种磁粉制动式阀门用大转矩电动执行机构测试装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱子新等: "油液磨粒光谱分析技术的发展", 《第九届全国摩擦、减摩、耐磨材料和技术学术研讨会论文集》, 12 March 2010 (2010-03-12) *
高天云: "电动执行机构的可靠性及维护", 《自动化仪表》, vol. 25, no. 5, 31 May 2004 (2004-05-31) *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485343A (zh) * 2015-08-28 2017-03-08 发那科株式会社 机械学习装置及方法、寿命预测装置及电动机系统
CN106485343B (zh) * 2015-08-28 2018-07-20 发那科株式会社 机械学习装置及方法、寿命预测装置及电动机系统
CN108022058A (zh) * 2018-01-19 2018-05-11 华中科技大学 一种风力机状态可靠性评估方法
CN108022058B (zh) * 2018-01-19 2020-12-08 华中科技大学 一种风力机状态可靠性评估方法
CN117031956A (zh) * 2023-08-23 2023-11-10 无锡纬途流体科技有限公司 智能嵌入式电动执行机构的控制方法及系统
CN117031956B (zh) * 2023-08-23 2024-03-19 无锡纬途流体科技有限公司 智能嵌入式电动执行机构的控制方法及系统

Similar Documents

Publication Publication Date Title
CN107991870B (zh) 一种电扶梯设备的故障预警与寿命预测方法
CN108508863A (zh) 一种基于灰色模型的机电设备故障诊断方法
US20220057367A1 (en) Method for evaluating pipe condition
CN102252843B (zh) 一种滚动轴承性能变异的评估方法
CN109829137A (zh) 一种周期应力下非线性退化设备的寿命预测方法及系统
CN104463331A (zh) 基于模糊理论的加速退化试验建模方法
CN103472392A (zh) 电动执行机构寿命预测方法
Chiaia et al. Customised active monitoring system for structural control and maintenance optimisation
Scanniello An investigation of object-oriented and code-size metrics as dead code predictors
Hu et al. Degradation modeling, analysis, and applications on lifetime prediction
CN113962253B (zh) 基于深度小波极限学习机的轴承剩余寿命预测方法及系统
CN104462836A (zh) 基于全周期分段步加策略的小子样加速失效演变实验方法
Luo et al. Online predictive maintenance approach for semiconductor equipment
Lybeck et al. Validating prognostic algorithms: a case study using comprehensive bearing fault data
Song et al. A time-discrete and zero-adjusted gamma process model with application to degradation analysis
CN110083933B (zh) 一种考虑随机效应的腐蚀管道贝叶斯退化分析方法
Zheng et al. Reliability analysis of multi-stage degradation with stage-varying noises based on the nonlinear Wiener process
CN103837772B (zh) 一种基于加速寿命试验的低功耗采集系统寿命评估方法
Wang et al. Near-extreme system condition and near-extreme remaining useful time for a group of products
Alomari et al. SHAP-based insights for aerospace PHM: Temporal feature importance, dependencies, robustness, and interaction analysis
Qin et al. Reliability Assessment of Bearings Based on Performance Degradation Values under Small Samples.
Shi Data fusion for in-process quality improvement
CN106383967A (zh) 运行数据更新驱动下滚动轴承性能参数可靠度的预测方法
Nannan et al. A Review on Prognostics and Health Management
Kovacs et al. A novel entropy-based sensitivity analysis approach for complex systems

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20131225