CN103592232A - 氨基漆加速老化试验数据的预测方法及系统 - Google Patents
氨基漆加速老化试验数据的预测方法及系统 Download PDFInfo
- Publication number
- CN103592232A CN103592232A CN201310535693.XA CN201310535693A CN103592232A CN 103592232 A CN103592232 A CN 103592232A CN 201310535693 A CN201310535693 A CN 201310535693A CN 103592232 A CN103592232 A CN 103592232A
- Authority
- CN
- China
- Prior art keywords
- amino paint
- performance data
- chromatic aberration
- aberration performance
- amino
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种氨基漆加速老化试验数据的预测方法及系统,所述方法包括以下步骤:获取前期实测的氨基漆色差性能数据,并采用一阶平均强化缓冲算子对所述前期实测的氨基漆色差性能数据进行强化处理;计算强化处理后的氨基漆色差性能数据的一次累加生成序列;计算所述一次累加生成序列的紧邻均值生成序列;根据所述强化处理后的氨基漆色差性能数据以及所述紧邻均值生成序列计算GM(1,1)模型的最小二乘估计参数值;根据所述最小二乘估计参数值计算所述GM(1,1)模型的时间响应序列和还原值;根据所述时间响应序列和还原值计算后期预测的氨基漆色差性能数据。本发明缩短了试验时间,节约了成本,提高了模型模拟和预测的精度。
Description
技术领域
本发明涉及一种氨基漆加速老化试验数据的预测方法以及一种氨基漆加速老化试验数据的预测系统。
背景技术
氨基漆是一种常见的用于金属防护的非金属有机涂层,其防护能力的好坏将直接决定金属材料的耐环境影响能力,如抗腐蚀、抗氧化能力等。有机涂层长期暴露在太阳辐射、盐雾及湿热环境下,容易发生物理和化性能变化,导致其防护性能逐步下降,因此氨基漆的环境适应性、老化特性一直是国内外研究的焦点。
研究氨基漆的环境适应性的最好方法当然是在自然环境条件下直接开展自然大气暴露试验,然而自然大气暴露试验不仅需要专门的场地(如外场试验站),试验条件难于控制,试验结果的重现性较差,而且试验往往需要几年或者十几年才能获得试验结果,试验时间特别长。相比之下,实验室加速模拟试验可以缩短试验时间,而且重现性较好。实验室加速模拟试验方法主要根据自然环境的影响因素、量值及作用方式进行确定,目前针对热带海洋环境条件下有机涂层的实验室加速模拟试验主要采用太阳辐射-湿热-盐雾多因素综合/组合试验方法,这种方法已被证实与自然环境试验方法相比具有较好的相关性和加速性。
然而,由于上述实验方法首要是先考虑对自然环境条件下的影响因素、量值及作用方式进行模拟(即要求有较好的相关性),再考虑其加速性,因此在获得较好相关性的情况下,加速性常常会受到限制。因此,要想充分了解氨基漆的环境适应性,掌握其性能老化特性,采用实验室太阳辐射-湿热-盐雾多因素综合/组合试验方法,仍需进行40天至60天的试验,以每5天为一个检测周期,需要进行8次至12次检测,试验时间仍然较长,性能检测次数较多,成本仍然较高。要想缩短试验时间,又想更快结束试验,要么研究更先进的试验方法,要么以前期的试验数据为基础,建立性能退化数据模型,对后期性能数据进行预测。
目前,传统的对性能数据的预测主要采用数据拟合的方式,通过建立一元线性回归直线模型或对数模型,对数据进行预测。然而,采用一元线性回归、指数拟合、对数拟合等方法虽然可以对数据进行建模和预测,但模型模拟精度比较低。因此,如何提高模型模拟和预测的精度,成为一个亟待解决的问题。
发明内容
基于此,本发明提供一种氨基漆加速老化试验数据的预测方法及系统,能够提高模型模拟和预测的精度。
为实现上述目的,本发明采用如下的技术方案:
一种氨基漆加速老化试验数据的预测方法,包括以下步骤:
获取前期实测的氨基漆色差性能数据,并采用一阶平均强化缓冲算子对所述前期实测的氨基漆色差性能数据进行强化处理;
计算强化处理后的氨基漆色差性能数据的一次累加生成序列;
计算所述一次累加生成序列的紧邻均值生成序列;
根据所述强化处理后的氨基漆色差性能数据以及所述紧邻均值生成序列计算GM(1,1)模型的最小二乘估计参数值;
根据所述最小二乘估计参数值计算所述GM(1,1)模型的时间响应序列和还原值;
根据所述时间响应序列和还原值计算后期预测的氨基漆色差性能数据。
一种氨基漆加速老化试验数据的预测系统,包括:
实测数据获取模块,用于获取前期实测的氨基漆色差性能数据,并采用一阶平均强化缓冲算子对所述前期实测的氨基漆色差性能数据进行强化处理;
一次累加生成序列计算模块,用于计算强化处理后的氨基漆色差性能数据的一次累加生成序列;
紧邻均值生成序列计算模块,用于计算所述一次累加生成序列的紧邻均值生成序列;
模型参数值计算模块,用于根据所述强化处理后的氨基漆色差性能数据以及所述紧邻均值生成序列计算GM(1,1)模型的最小二乘估计参数值;
时间响应序列和还原值计算模块,用于根据所述最小二乘估计参数值计算所述GM(1,1)模型的时间响应序列和还原值;
预测值计算模块,用于根据所述时间响应序列和还原值计算后期预测的氨基漆色差性能数据。
由以上方案可以看出,本发明的氨基漆加速老化试验数据的预测方法及系统,对前期实测的氨基漆色差性能数据采用一阶平均强化缓冲算子进行强化处理,然后利用GM(1,1)模型进行建模,从而实现对后期氨基漆色差性能数据的预测。本发明的方案根据试验产生的前期数据即可进行建模和预测出后期数据,这样一来有效解决了传统方案中试验时间比较长的问题,可以将试验时间缩短一半,节约了成本;并且本发明提高了模型模拟和预测的精度,使平均预测精度可达90%以上,比传统的数据拟合方法的模拟精度要高,保证了预测数据的准确性和应用价值;另外本发明还解决了预测数据与实际数据变化规律不一致的问题。
附图说明
图1为本发明实施例中一种氨基漆加速老化试验数据的预测方法的流程示意图;
图2为本发明实施例中采用实验室太阳辐射-湿热-盐雾多因素综合/组合加速模拟试验方法的试验剖面示意图;
图3为采用本申请的方案与采用传统对数拟合方法的模拟数据的发展趋势对比示意图;
图4为本发明实施例中一种氨基漆加速老化试验数据的预测系统的结构示意图。
具体实施方式
下面结合附图以及具体的实施例,对本发明的技术方案作进一步的描述。
参见图1所示,一种氨基漆加速老化试验数据的预测方法,包括以下步骤:
步骤S101,获取前期实测的氨基漆色差性能数据,并采用一阶平均强化缓冲算子对所述前期实测的氨基漆色差性能数据进行强化处理,然后进入步骤S102。
作为一个较好的实施例,所述获取前期实测的氨基漆色差性能数据的过程具体可以包括如下:采用实验室太阳辐射-湿热-盐雾多因素综合/组合加速模拟试验方法来获取所述前期实测的氨基漆色差性能数据。采用实验室太阳辐射-湿热-盐雾多因素综合/组合加速模拟试验方法,试验40天至60天可以基本了解氨基漆的环境适应性,这种加速试验方法已被证实与自然大气暴露试验具有较好的相关性。本发明实施例中,所述试验以24小时为1个周期,由太阳辐射、湿热、盐雾三个部分组成,太阳辐射量值为0.60W/m2340nm,湿热试验量值为45℃、RH95%,盐雾试验量值为35℃、5%中性NaCl溶液,1个周期内太阳辐射、湿热、盐雾三者的作用时间分别为22小时、1小时、1小时,试验剖面如图2所示。
色差是氨基漆性能变化的主要性能指标之一,本发明实施例的试验过程中,可以以5天为一周期,对色差数据进行检测。
另外,本发明实施例中采用灰色预测方法,通过用前20天测试的数据建立GM(1,1)模型,来对后期20天试验的数据进行预测。由于氨基漆的色差性能变化数据并不是完全符合GM(1,1)模型所表达的指数形式,因此需要对数据进行预处理,如进行弱化处理或强化处理。本发明实施例中采用一阶平均强化缓冲算了进行强化处理。主要过程如下:
设前期实测的氨基漆色差性能数据组成的向量为X(0)={x(0)(1),x(0)(2),...,x(0)(n)},经一阶平均强化缓冲算子处理的数据为XD1={x(0)(1)d,x(0)(2)d,...,x(0)(n)d},其中:
用经过一阶平均强化缓冲算子处理后的数据能提高数据的预测精度。
步骤S102,计算强化处理后的氨基漆色差性能数据的一次累加生成序列(1-AGO),可以记为X(1)={x(1)(1),x(1)(2),...,x(1)(n)},其中:
步骤S103,计算所述一次累加生成序列X(1)的紧邻均值生成序列Z(1)。令Z(1)={z(1)(2),z(1)(3),…,z(1)(n)},其中:
Z(1)(k)=0.5(x(1)(k)+x(1)(k-1)),k=2,3,...,n (3)
步骤S104,根据所述强化处理后的氨基漆色差性能数据以及所述紧邻均值生成序列计算GM(1,1)模型的最小二乘估计参数值,然后进入步骤S105。
若 且
则GM(1,1)模型x(0)(k)+az(1)(k)=b的最小二乘估计参数列满足
模型中-a为发展系数,当-a≤0.3时,可用GM(1,1)模型做中长期预测。
步骤S105,根据所述最小二乘估计参数值计算所述GM(1,1)模型的时间响应序列和还原值,然后进入步骤S106。
及还原值:
步骤S106,根据所述时间响应序列和还原值计算后期预测的氨基漆色差性能数据。
作为一个较好的实施例,在计算出所述GM(1,1)模型的时间响应序列和还原值之后,还可以包括如下步骤:
计算所述前期实测的氨基漆色差性能数据X(0)、一次累加生成序列的模拟值X(1);
根据所述前期实测的氨基漆色差性能数据X(0)、一次累加生成序列的模拟值X(1)进行模型误差检验。
具体的,根据所述实测的氨基漆色差性能数据X(0)、一次累加生成序列X(1)的模拟值进行模型误差检验的过程可以包括如下步骤:
a)、计算所述前期实测的氨基漆色差性能数据与所述一次累加生成序列的模拟值的残差;可以采用如下公式:
b)、根据所述残差计算相对误差;可以采用如下公式:
c)、根据所述相对误差计算平均相对误差;可以采用如下公式:
d)、根据所述平均相对误差进行模型误差检验。
另外,作为一个较好的实施例,在计算出所述氨基漆色差性能数据的预测值之后,还可以包括如下步骤:
获取后期实测的氨基漆色差性能数据,并根据所述后期实测的氨基漆色差性能数据对所述后期预测的氨基漆色差性能数据进行精度检验。
下面对本发明的整个应用过程进行举例说明,包括数据的预处理、建模、模型误差检验、数据预测及预测精度检验四个步骤:
以A05-9氨基烘漆为试验样品,按照图2剖面开展实验室太阳辐射-湿热-盐雾多因素综合/组合加速试验,以5天为一个检测周期,获得5天、10天、15天、20天检测的色差性能数据组成的初值向量为X(0)={x(0)(1),x(0)(2),x(0)(3),x(0)(4)}={1.4,3.1,3.6,3.7}。
(1)、数据预处理
用公式(1)一阶平均强化缓冲算子对X(0)进行处理后得到的向量XD1={x(0)(1)d,x(0)(2)d,x(0)(3)d,x(0)(4)d}={0.6644068,2.772115,3.550683,3.7}X={x(1),x(2),x(3),x(4)}。
(2)、建模
第一步:用公式(2)求X的一次累加生成序列(1-AGO),X(1)={x(1)(1),x(1)(2),x(1)(3),x(1)(4)}={0.6644068,3.436522,6.987207,10.68721};
第二步:用公式(3)生成X(1)的紧邻均值生成序列Z(1)。令Z(1)={z(1)(2),z(1)(3),z(1)(4)}={2.050464,5.211864,8.837208}。
第三步:估计模型参数值。由以上计算知
计算GM(1,1)模型x(0)(k)+az(1)(k)=b的最小二乘估计参数值
发展系数-a=0.1343981≤0.3,因此可用GM(1,1)模型做中长期预测。
第四步:确定模型的时间响应序列和还原值。由a、b的值,可知以x(1)(n)为初值的A05-9氨基烘漆色差性能变化GM(1,1)模型时间响应序列为:
其中k=1,2,...。求得模拟序列 由公式(6)求得X的模拟序列
(3)、模型模拟误差检验
误差检验见下表1:
表1
由表1得,平均相对误差为
表示模型的模拟精度为二级,精度相当好。
(4)、预测和精度检验
用公式(10)的GM(1,1)模型来预测试验25天、30天、35天、40天试验获得的A05-9氨基烘漆色差性能试验数据,预测值组成的向量
为了验证本模型的预测精度,同时对A05-9氨基烘漆继续开展实验室太阳辐射-湿热-盐雾多因素综合/组合加速试验,试验测得25天、30天、35天、40天的色差性能数据的后期实测值组成的向量X(0)={4.3,4.9,5.4,5.9}。根据实测值,对预测值的精度检测计算见下表2:
表2
由表2得知,预测值的平均相对误差为
说明模型的预测四个值时预测精度为95.63%,预测精度非常好。
下面,我们用将曲线拟合的精度与本发明的模型精度进行对比。
选择精度较高的对数模型进行拟合,对数模型为:
y=1.7135ln(x)+1.5886,R2=0.9335 (11)
模拟误差计算见下表3,平均模拟误差为8.66%,即模拟精度为91.34%;预测误差计算见下表4,预测平均相对误差为6.88%,即平均预测精度为93.12%。
表3
表4
通过实例分析,可以看出,利用氨基漆加速试验20天色差性能测试数据,可以非常精确地以x(1)(n)为初始值利用GM(1,1)模型进行建模,利用模型,还可以非常精确地预测后20天的试验数据,这样可以为试验节省一半的时间。
与模拟精度较高的对数拟合方式相比,对数拟合在建模精度和预测精度上明显没有本发明所述的方法高,对数拟合的一步预测、二步预测、三步预测、四步预测精度下降非常快,四步预测的精度仅为87.32%,本发明所述的方法预测精度在90%以上。因此,本发明所述的方法建模精度在建模和预测精度上较对数拟合有明显的优势。
对模拟数据的发展趋势相比,本发明所述模型预测的数据发展趋势与对数拟合的发展趋势可参见图3。由图3可知,对数模型在长期预测中非常增长缓慢,但实际中氨基漆的色差性能应该仍然呈现出快速下速变化的趋势,对数拟合所预测的发展趋势与氨基漆的色差性能参数的规律是不一致的,因此应用对数拟合的方式来对氨基漆数据进行模拟和预测,意义还有待商榷。
综上所述,本发明的方案不仅能够保证模拟及预测精度,缩短氨基漆实验室加速试验时间,还能够提高数据的预测精度,能为氨基漆加速试验数据的模拟和预测提供很好的工具。
需要说明的是,本发明中建模所依赖的氨基漆色差性能实测数据是由实验室太阳辐射-湿热-盐雾多因素综合/组合加速试验产生的,建模用的前期实测数据应为4个以上,后期预测数据应为5个以下,即按照以5天为一个检测周期,至少需获得氨基漆20天加速试验的实测数据,最多可对后期试验25天的氨基漆色差数据进行预测。
另外,与上述一种氨基漆加速老化试验数据的预测方法相对应,本发明还提供一种氨基漆加速老化试验数据的预测系统,如图4所示,包括:
实测数据获取模块101,用于获取前期实测的氨基漆色差性能数据,并采用一阶平均强化缓冲算子对所述前期实测的氨基漆色差性能数据进行强化处理;
一次累加生成序列计算模块102,用于计算强化处理后的氨基漆色差性能数据的一次累加生成序列;
紧邻均值生成序列计算模块103,用于计算所述一次累加生成序列的紧邻均值生成序列;
模型参数值计算模块104,用于根据所述强化处理后的氨基漆色差性能数据以及所述紧邻均值生成序列计算GM(1,1)模型的最小二乘估计参数值;
时间响应序列和还原值计算模块105,用于根据所述最小二乘估计参数值计算所述GM(1,1)模型的时间响应序列和还原值;
预测值计算模块106,用于根据所述时间响应序列和还原值计算后期预测的氨基漆色差性能数据。
作为一个较好的实施例,所述氨基漆加速老化试验数据的预测系统还可以包括:
模拟值计算模块,用于计算所述前期实测的氨基漆色差性能数据、一次累加生成序列的模拟值;
模型误差检验模块,用于根据所述前期实测的氨基漆色差性能数据、一次累加生成序列的模拟值进行模型误差检验。
作为一个较好的实施例,所述模型误差检验模块可以包括:
残差计算模块,用于计算所述前期实测的氨基漆色差性能数据与所述一次累加生成序列的模拟值的残差;
相对误差计算模块,用于根据所述残差计算相对误差;
平均相对误差计算模块,用于根据所述相对误差计算平均相对误差;
检验模块,用于根据所述平均相对误差进行模型误差检验。
作为一个较好的实施例,所述氨基漆加速老化试验数据的预测系统还可以包括:
精度检验模块,用于获取后期实测的氨基漆色差性能数据,并根据所述后期实测的氨基漆色差性能数据对所述后期预测的氨基漆色差性能数据进行精度检验。
上述一种氨基漆加速老化试验数据的预测系统的其它技术特征与本发明的氨基漆加速老化试验数据的预测方法相同,此处不予赘述。
通过以上方案可以看出,本发明的氨基漆加速老化试验数据的预测方法及系统,对前期实测的氨基漆色差性能数据采用一阶平均强化缓冲算子进行强化处理,然后利用GM(1,1)模型进行建模,从而实现对后期氨基漆色差性能数据的预测。本发明的方案根据试验产生的前期数据即可进行建模和预测出后期数据,这样一来有效解决了传统方案中试验时间比较长的问题,可以将试验时间缩短一半,节约了成本;并且本发明提高了模型模拟和预测的精度,使平均预测精度可达90%以上,比传统的数据拟合方法的模拟精度要高,保证了预测数据的准确性和应用价值;另外本发明还解决了预测数据与实际数据变化规律不一致的问题。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种氨基漆加速老化试验数据的预测方法,其特征在于,包括以下步骤:
获取前期实测的氨基漆色差性能数据,并采用一阶平均强化缓冲算子对所述前期实测的氨基漆色差性能数据进行强化处理;
计算强化处理后的氨基漆色差性能数据的一次累加生成序列;
计算所述一次累加生成序列的紧邻均值生成序列;
根据所述强化处理后的氨基漆色差性能数据以及所述紧邻均值生成序列计算GM(1,1)模型的最小二乘估计参数值;
根据所述最小二乘估计参数值计算所述GM(1,1)模型的时间响应序列和还原值;
根据所述时间响应序列和还原值计算后期预测的氨基漆色差性能数据。
2.根据权利要求1所述的氨基漆加速老化试验数据的预测方法,其特征在于,所述获取前期实测的氨基漆色差性能数据的过程包括:
采用实验室太阳辐射-湿热-盐雾多因素综合/组合加速模拟试验方法来获取所述前期实测的氨基漆色差性能数据;所述试验以24小时为1个周期,由太阳辐射、湿热、盐雾三个部分组成,太阳辐射量值为0.60W/m2340nm,湿热试验量值为45℃、RH95%,盐雾试验量值为35℃、5%中性NaCl溶液,1个周期内太阳辐射、湿热、盐雾三者的作用时间分别为22小时、1小时、1小时。
3.根据权利要求1所述的氨基漆加速老化试验数据的预测方法,其特征在于,在计算出所述GM(1,1)模型的时间响应序列和还原值之后,还包括步骤:
计算所述前期实测的氨基漆色差性能数据、一次累加生成序列的模拟值;
根据所述前期实测的氨基漆色差性能数据、一次累加生成序列的模拟值进行模型误差检验。
4.根据权利要求3所述的氨基漆加速老化试验数据的预测方法,其特征在于,根据所述前期实测的氨基漆色差性能数据、一次累加生成序列的模拟值进行模型误差检验的过程包括:
计算所述前期实测的氨基漆色差性能数据与所述一次累加生成序列的模拟值的残差;
根据所述残差计算相对误差;
根据所述相对误差计算平均相对误差;
根据所述平均相对误差进行模型误差检验。
5.根据权利要求3所述的氨基漆加速老化试验数据的预测方法,其特征在于,在计算出所述氨基漆色差性能数据的预测值之后,还包括步骤:
获取后期实测的氨基漆色差性能数据,并根据所述后期实测的氨基漆色差性能数据对所述后期预测的氨基漆色差性能数据进行精度检验。
6.根据权利要求1-5任意一项所述的氨基漆加速老化试验数据的预测方法,其特征在于,所述前期实测的氨基漆色差性能数据为4个以上;所述后期预测的氨基漆色差性能数据为5个以下。
7.一种氨基漆加速老化试验数据的预测系统,其特征在于,包括:
实测数据获取模块,用于获取前期实测的氨基漆色差性能数据,并采用一阶平均强化缓冲算子对所述前期实测的氨基漆色差性能数据进行强化处理;
一次累加生成序列计算模块,用于计算强化处理后的氨基漆色差性能数据的一次累加生成序列;
紧邻均值生成序列计算模块,用于计算所述一次累加生成序列的紧邻均值生成序列;
模型参数值计算模块,用于根据所述强化处理后的氨基漆色差性能数据以及所述紧邻均值生成序列计算GM(1,1)模型的最小二乘估计参数值;
时间响应序列和还原值计算模块,用于根据所述最小二乘估计参数值计算所述GM(1,1)模型的时间响应序列和还原值;
预测值计算模块,用于根据所述时间响应序列和还原值计算后期预测的氨基漆色差性能数据。
8.根据权利要求7所述的氨基漆加速老化试验数据的预测系统,其特征在于,还包括:
模拟值计算模块,用于计算所述前期实测的氨基漆色差性能数据、一次累加生成序列的模拟值;
模型误差检验模块,用于根据所述前期实测的氨基漆色差性能数据、一次累加生成序列的模拟值进行模型误差检验。
9.根据权利要求8所述的氨基漆加速老化试验数据的预测系统,其特征在于,所述模型误差检验模块包括:
残差计算模块,用于计算所述前期实测的氨基漆色差性能数据与所述一次累加生成序列的模拟值的残差;
相对误差计算模块,用于根据所述残差计算相对误差;
平均相对误差计算模块,用于根据所述相对误差计算平均相对误差;
检验模块,用于根据所述平均相对误差进行模型误差检验。
10.根据权利要求8所述的氨基漆加速老化试验数据的预测系统,其特征在于,还包括:
精度检验模块,用于获取后期实测的氨基漆色差性能数据,并根据所述后期实测的氨基漆色差性能数据对所述后期预测的氨基漆色差性能数据进行精度检验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310535693.XA CN103592232A (zh) | 2013-11-01 | 2013-11-01 | 氨基漆加速老化试验数据的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310535693.XA CN103592232A (zh) | 2013-11-01 | 2013-11-01 | 氨基漆加速老化试验数据的预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103592232A true CN103592232A (zh) | 2014-02-19 |
Family
ID=50082459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310535693.XA Pending CN103592232A (zh) | 2013-11-01 | 2013-11-01 | 氨基漆加速老化试验数据的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103592232A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108051474A (zh) * | 2017-12-04 | 2018-05-18 | 哈尔滨电机厂有限责任公司 | 预判空冷模压整浸汽轮发电机用浸渍漆贮存工艺寿命的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102967546A (zh) * | 2012-11-02 | 2013-03-13 | 工业和信息化部电子第五研究所 | 热带海洋环境下有机涂层快速试验方法 |
-
2013
- 2013-11-01 CN CN201310535693.XA patent/CN103592232A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102967546A (zh) * | 2012-11-02 | 2013-03-13 | 工业和信息化部电子第五研究所 | 热带海洋环境下有机涂层快速试验方法 |
Non-Patent Citations (3)
Title |
---|
刘丽红 等: "氨基磁漆涂层工艺在海洋大气环境下老化行为研究", 《中国腐蚀与防护学报》 * |
尚建丽 等: "GM(1, 1)模型在外饰面涂层耐久性预测中的应用", 《涂料工业》 * |
袁敏 等: "涂装工艺组合/ 综合环境试验技术综述", 《环境技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108051474A (zh) * | 2017-12-04 | 2018-05-18 | 哈尔滨电机厂有限责任公司 | 预判空冷模压整浸汽轮发电机用浸渍漆贮存工艺寿命的方法 |
CN108051474B (zh) * | 2017-12-04 | 2020-05-19 | 哈尔滨电机厂有限责任公司 | 预判空冷模压整浸汽轮发电机用浸渍漆贮存工艺寿命的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740991B (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
CN107590317B (zh) | 一种计及模型参数不确定性的发电机动态估计方法 | |
CN105981025A (zh) | 基于序列递归滤波三维变分的实测海洋环境数据同化方法 | |
Zhang et al. | Long-term modal analysis of wireless structural monitoring data from a suspension bridge under varying environmental and operational conditions: System design and automated modal analysis | |
CN103389472B (zh) | 一种基于nd-ar模型的锂离子电池循环寿命的预测方法 | |
CN102708306A (zh) | 一种智能电表可靠寿命的预测方法 | |
CN103324798B (zh) | 基于区间响应面模型的随机模型修正方法 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
CN103268525B (zh) | 一种基于wd-rbf的水文时间序列模拟预测方法 | |
CN105929340A (zh) | 一种基于arima估算电池soc的方法 | |
CN103065042A (zh) | 基于情景的多目标综合决策评价方法 | |
CN104237853B (zh) | 一种针对多帧检测前跟踪点迹序列的粒子滤波方法 | |
Yang et al. | Analyses of extreme climate events over China based on CMIP5 historical and future simulations | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
EP2870450A1 (en) | Method for determining modal parameters | |
CN113821938B (zh) | 一种互感器计量误差状态短期预测方法及装置 | |
Ruelland et al. | Assessing uncertainties in climate change impacts on runoff in Western Mediterranean basins | |
Shu et al. | A multi-task learning-based automatic blind identification procedure for operational modal analysis | |
CN114329347B (zh) | 一种电能表计量误差预测方法、装置及存储介质 | |
CN103018729B (zh) | 金属圆柱定标体雷达散射截面的计算方法 | |
CN114066699A (zh) | 碳排放量测算方法、装置及终端设备 | |
CN106446384B (zh) | 一种桥式起重机主梁结构的损伤识别方法 | |
CN111413738B (zh) | 一种多孔介质的时间域激发极化谱分析方法及系统 | |
Papadopoulos et al. | Online parameter identification and generic modeling derivation of a dynamic load model in distribution grids | |
CN103592232A (zh) | 氨基漆加速老化试验数据的预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140219 |
|
RJ01 | Rejection of invention patent application after publication |