CN103793752A - 一种基于退化建模的设备失效次数预测方法 - Google Patents
一种基于退化建模的设备失效次数预测方法 Download PDFInfo
- Publication number
- CN103793752A CN103793752A CN201310424597.8A CN201310424597A CN103793752A CN 103793752 A CN103793752 A CN 103793752A CN 201310424597 A CN201310424597 A CN 201310424597A CN 103793752 A CN103793752 A CN 103793752A
- Authority
- CN
- China
- Prior art keywords
- equipment
- failure number
- life
- delta
- sigma
- 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.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于退化建模的设备失效次数预测方法。充分利用产品在性能变化过程中获取的性能退化数据,预测高可靠性产品个体剩余寿命;确定设备失效次数;通过预测设备失效次数,优化备件管理。包括:建立设备的性能退化模型;性能退化模型中参数的估计;剩余寿命预测;设备失效次数的预测四大步骤。同现有技术相比,不仅可以对产品的个体剩余寿命和总体可靠性寿命的特征量进行预测分析,还可以作为预测产品剩余寿命与失效次数的一种有效分析工具,为产品的维修与备件订购策略的确定提供有力的理论依据和技术支撑,从而节约经费开支,避免不必要的经济损失,具有很好的工程应用价值。
Description
技术领域
本发明属于可靠性工程技术领域,涉及一种基于退化建模的设备失效次数预测方法。
背景技术
目前有关备件管理的研究的基础是设备失效次数的预测,然后在预测已定的情况下进行最优库存管理,以提高设备的运行可靠性.但预测不准确是一个共性问题.然而,对于大多数设备而言,其备件需求是间歇型的,可能长时间不需要一件,但也可能一次需要几件.这就给基于历史消耗量的预测带来了极大的困难.值得注意的是,以往的研究大多忽视了一个重要的因果关系:备件的需求是由于设备的失效或预防性维修所产生,而这些维修都跟设备的寿命有关.因此,如何通过预测设备失效次数,优化备件管理策略?这是区别于传统备件管理方法的一个新思路.目前的研究未考虑设备实际的运行状态和监测数据,本质上还是依赖于历史的统计寿命信息。
发明内容
针对上述现有技术状况,本发明的目的是:提供一种基于退化建模的设备失效次数预测方法,以解决传统的基于失效数据进行设备失效次数预测时忽略设备实际运行状态的问题。
现将本发明构思及技术解决方案叙述如下:
本发明的基本构思是,充分利用产品在性能变化过程中获取的性能退化数据,科学预测高可靠性产品个体剩余寿命,在此基础上,确定设备失效次数,以解决传统的基于失效数据进行设备失效次数预测时忽略设备实际运行状态的问题。通过预测设备失效次数,优化备件管理
根据上述发明构思,本发明一种基于退化建模的设备失效次数预测方法,其特征在于:包括以下步骤:
步骤1:建立设备的性能退化模型
基于维纳过程的退化模型是一类典型的描述设备随机退化过程的线性随机模型,即设备的性能退化率可以近似为常数。令X(t)表示t时刻的退化量,则基于维纳过程的随机退
化过程{X(t),t≥0}可以描述为:
X(t)=λt+σB(t) (1)其中,B(t)是标准布朗运动,且有B(t)□N(0,t),λ和σ分别是漂移系数和扩散系数.
步骤2:性能退化模型中参数的估计
假设设备在监测时刻t1,...,tk的退化监测值为x1,...,xk,其中t0=0,k≥1,tk为当前时刻,X(tk)=xk<w,x0=0.那么退化模型中的参数λ和σ,可以通过极大似然估计的方法得到.具体地,在tk时刻λ和σ的极大似然估计为:
步骤3:剩余寿命预测
步骤3.1:基于退化过程{X(t),t≥0},设备的寿命可以通过首达时间的概念来定义.主要原理是:当退化过程{X(t),t≥0}首次达到预先设定的失效阈值w时,就认为设备失效.因此,将设备寿命终止的时间定义为随机退化过程{X(t),t≥0}首次穿越失效阈值w的时间,也就是说设备的寿命T可以被定义为:
T=inf{t:X(t)≥w|X(0)<w} (4)
步骤3.2:那么在当前时刻tk,设备的剩余寿命Lk可以被定义为:
Lk=inf{lk:X(tk+lk)≥w} (5)
步骤3.3:根据以上参数估计结果以及剩余寿命的定义,可以得到,剩余寿命Lk是逆高斯分布的,其概率密度函数和分布函数如下:
步骤4:设备失效次数的预测
步骤4.1:设设备失效后马上对其替换,且替换后的设备和之前的设备服从相同的随机退化过程,各个设备是相互独立的.也就是说,设备和其备件在服役后的寿命是独立同分布的.令设备从当前时刻tk开始到将来一段时间Δ发生失效的次数为Dk(Δ).由于设备的寿命是随机的,那么设备的备件需求Dk(Δ)也是随机的,且Dk(Δ)为离散型随机变量.若Dk(Δ)=n,其中n=0,1,...,表明设备在时间间隔(tk,tk+Δ]内发生了n次失效.由此需要计算剩余寿命分布的n重卷积.利用逆高斯分布的卷积性质,可以得到Dk(Δ)=n的概率如下:
Pr(Dk(Δ)=n|xk)=Pr((Lk|nw,xk)≤Δ,(Lk|(n+1)w,xk)>Δ) (8)
其中,事件{(Lk|nw,xk)≤Δ,(Lk|(n+1)w,xk)>Δ}表示在时间间隔(tk,tk+Δ]内发生了n次失效.;
步骤4.2:进一步有:
Pr(Dk(Δ)=n|xk)=Pr((Lk|nw,xk)≤Δ)-Pr((Lk|(n+1)w,xk)≤Δ) (9)
其中,Pr((Lk|nw,xk)≤Δ)表示设备以xk为初始退化,以nw为失效阈值,在时间间隔(tk,tk+Δ]内随机过程{X(t),t≥0}首达时间小于Δ的概率;
步骤4.2.1:具体地,有:
步骤4.2.2:失效次数为Dk(Δ)=n的概率可以计算如下:
可以看出以上的结果与设备的运行状态(xk)相关,由设备的剩余寿命信息导出,反映了设备的实际运行状态和实际需求。
步骤4.3:基于(11)式,根据定义,时间间隔(tk,tk+Δ]内失效次数的期望和方差可以通过下式计算:
步骤4.4:基于式(11)-(13)即可实现失效次数的概率分布、平均失效次数及其方差的计算。
本发明给出了基于退化建模的设备失效次数预测方法。不仅可以对产品的个体剩余寿命和总体可靠性寿命的特征量进行预测分析,还可以作为预测产品剩余寿命与失效次数的一种有效分析工具,为产品的维修与备件订购策略的确定提供有力的理论依据和技术支撑,从而节约经费开支,避免不必要的经济损失,具有很好的工程应用价值
附图说明
图1:陀螺仪漂移退化数据
图2:陀螺仪漂移退化数据和预测值
图3:预测的陀螺仪的剩余寿命概率密度函数
图4:预测的平均备件需求
图5:预测备件需求的方差
具体实施方式
下面就通过一组收集的陀螺仪漂移监测数据来验证本发明提出的方法。该数据包括陀螺仪在实际使用过程中记录的在72个不同状态监测时间点上的漂移系数数据。在实验中,按照该陀螺仪的技术指标,选择失效阈值为w=0.37(°/hour)。按照通电时间来记,监测时间间隔为2.5小时,具体的陀螺漂移监测数据以及采用本发明方法建模的陀螺漂移退化轨迹如图1所示。
实施例
本发明基于退化建模的设备失效次数预测方法,包括以下步骤:
步骤1:建立设备的性能退化模型
基于维纳过程的退化模型是一类典型的描述设备随机退化过程的线性随机模型,即设备的性能退化率可以近似为常数。根据式(1)描述基于维纳过程的随机退化过程{X(t),t≥0};
步骤2:、性能退化模型中参数的估计
根据式(2)、(3)估计在tk时刻λ和σ的极大似然值;
由图2可见,采用本发明的方法,可以很好的预测陀螺退化趋势;
步骤3:剩余寿命预测
根据式(4)、(5)定义设备的寿命T,得到,剩余寿命Lk是逆高斯分布的,其概率密度函数和分布函数在各个监测时间点上的剩余寿命的概率密度函数具体结果如图3所示;
步骤4、设备失效次数的预测
根据式(8)计算剩余寿命分布的n重卷积。利用逆高斯分布的卷积性质,可以得到Dk(Δ)=n的概率;进一步有:在时间间隔(tk,tk+Δ]内随机过程{X(t),t≥0}首达时间小于Δ的概率;基于式(11)-(13)即可实现失效次数的概率分布、平均失效次数及其方差的计算。
表1和表2显示了备件需求量Dk(Δ)在不同时刻的分布。
表1.当Δ=60hours时备件需求量在不同时刻的分布
表2.当Δ=300hours时备件需求量在不同时刻的分布
在表1和表2中对于其他的n的取值,由于概率几乎为0,就忽略了。由表中的结果可以看出,随着时间的增大,备件的需求也会增大,而且备件需求量与Δ有一定的单调性存在。为了进一步的说明本发明方法对备件需求的预测结果,下面在给定Δ=300hours的情况下,计算式(12)和式(13)随设备运行过程的变化情况,具体结果如图4和图5所示。
由图4和图5可知,预测的备件需求是随着设备的运行状态不断变化的,越接近失效时刻,备件的需求预测的方差越小。此外,在设备运行的初期,备件需求量比较小,因此对于管理者而言,无需过早的储存备件,以节省设备的管理成本。
Claims (6)
1.一种基于退化建模的设备失效次数预测方法,其特征在于:充分利用产品在性能变化过程中获取的性能退化数据,预测高可靠性产品个体剩余寿命;在此基础上,确定设备失效次数,以解决传统的基于失效数据进行设备失效次数预测时忽略设备实际运行状态的问题;通过预测设备失效次数,优化备件管理;包括以下步骤:
步骤1:建立设备的性能退化模型;
步骤2:性能退化模型中参数的估计;
步骤3:剩余寿命预测;
步骤4:设备失效次数的预测。
2.根据权利要求1所述的一种基于退化建模的设备失效次数预测方法,其特征在于:步骤1中所述的“建立设备的性能退化模型”具体为:
基于维纳过程的退化模型是一类典型的描述设备随机退化过程的线性随机模型,即设备的性能退化率可以近似为常数。令X(t)表示t时刻的退化量,则基于维纳过程的随机退
化过程{X(t),t≥0}可以描述为:
X(t)=λt+σB(t) (1)
其中,B(t)是标准布朗运动,且有B(t)□N(0,t),λ和σ分别是漂移系数和扩散系数。
3.根据权利要求1所述的一种基于退化建模的设备失效次数预测方法,其特征在于:步骤2中所述的“性能退化模型中参数的估计”具体为:
设设备在监测时刻t1,...,tk的退化监测值为x1,...,xk,其中t0=0,k≥1,tk为当前时刻,X(tk)=xk<w,x0=0.那么退化模型中的参数λ和σ,可以通过极大似然估计的方法得到.具体地,在tk时刻λ和σ的极大似然估计为:
4.根据权利要求1所述的一种基于退化建模的设备失效次数预测方法,其特征在于:步骤3中所述的“剩余寿命预测”的具体步骤为:
步骤3.1:基于退化过程{X(t),t≥0},设备的寿命可以通过首达时间的概念来定义.主要原理是:当退化过程{X(t),t≥0}首次达到预先设定的失效阈值w时,就认为设备失效.因此,将设备寿命终止的时间定义为随机退化过程{X(t),t≥0}首次穿越失效阈值w的时间,也就是说设备的寿命T可以被定义为:
T=inf{t:X(t)≥w|X(0)<w} (4)
步骤3.2:那么在当前时刻tk,设备的剩余寿命Lk可以被定义为:
Lk=inf{lk:X(tk+lk)≥w} (5)
步骤3.3:根据以上参数估计结果以及剩余寿命的定义,可以得到,剩余寿命Lk是逆高斯分布的,其概率密度函数和分布函数如下:
5.根据权利要求1所述的一种基于退化建模的设备失效次数预测方法,其特征在于:步骤4中所述的“设备失效次数的预测”的具体步骤为:
步骤4.1:设设备失效后马上对其替换,且替换后的设备和之前的设备服从相同的随机退化过程,各个设备是相互独立的.也就是说,设备和其备件在服役后的寿命是独立同分布的.令设备从当前时刻tk开始到将来一段时间Δ发生失效的次数为Dk(Δ).由于设备的寿命是随机的,那么设备的备件需求Dk(Δ)也是随机的,且Dk(Δ)为离散型随机变量.若Dk(Δ)=n,其中n=0,1,...,表明设备在时间间隔(tk,tk+Δ]内发生了n次失效.由此需要计算剩余寿命分布的n重卷积.利用逆高斯分布的卷积性质,可以得到Dk(Δ)=n的概率如下:
Pr(Dk(Δ)=n|xk)=Pr((Lk|nw,xk)≤Δ,(Lk|(n+1)w,xk)>Δ) (8)
其中,事件{(Lk|nw,xk)≤Δ,(Lk|(n+1)w,xk)>Δ}表示在时间间隔(tk,tk+Δ]内发生了n次失效.;
步骤4.2:进一步有:
Pr(Dk(Δ)=n|xk)=Pr((Lk|nw,xk)≤Δ)-Pr((Lk|(n+1)w,xk)≤Δ) (9)
其中,Pr((Lk|nw,xk)≤Δ)表示设备以xk为初始退化,以nw为失效阈值,在时间间隔(tk,tk+Δ]内随机过程{X(t),t≥0}首达时间小于Δ的概率;
步骤4.3:基于(11)式,根据定义,时间间隔(tk,tk+Δ]内失效次数的期望和方差可以通过下式计算:
步骤4.4:基于式(11)-(13)即可实现失效次数的概率分布、平均失效次数及其方差的计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310424597.8A CN103793752B (zh) | 2013-09-13 | 2013-09-13 | 一种基于退化建模的设备失效次数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310424597.8A CN103793752B (zh) | 2013-09-13 | 2013-09-13 | 一种基于退化建模的设备失效次数预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103793752A true CN103793752A (zh) | 2014-05-14 |
CN103793752B CN103793752B (zh) | 2018-02-06 |
Family
ID=50669392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310424597.8A Active CN103793752B (zh) | 2013-09-13 | 2013-09-13 | 一种基于退化建模的设备失效次数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103793752B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354615A (zh) * | 2015-12-10 | 2016-02-24 | 青岛农业大学 | 防喷阀的可变成本实时预测维护与备件订购方法及系统 |
CN106484949A (zh) * | 2016-09-12 | 2017-03-08 | 西安理工大学 | 基于退化数据的动量轮可靠性分析与剩余寿命预测方法 |
CN107423495A (zh) * | 2017-07-06 | 2017-12-01 | 北京航空航天大学 | 一种动态条件下的退化建模与寿命预测方法 |
CN108460230A (zh) * | 2018-03-21 | 2018-08-28 | 西安建筑科技大学 | 基于数据融合的腐蚀油气管道剩余寿命及可靠性预测方法 |
CN108520152A (zh) * | 2018-04-13 | 2018-09-11 | 中国人民解放军火箭军工程大学 | 一种工程设备的寿命分布确定方法及系统 |
CN108595805A (zh) * | 2018-04-13 | 2018-09-28 | 中国人民解放军火箭军工程大学 | 一种设备平均寿命的预测方法及系统 |
CN108733883A (zh) * | 2018-04-16 | 2018-11-02 | 中国人民解放军海军工程大学 | 一种确定正态型单元后续备件需求量的方法 |
CN109657871A (zh) * | 2018-12-27 | 2019-04-19 | 中国航空综合技术研究所 | 用于制冷系统的制冷剂含量预测方法 |
CN109909805A (zh) * | 2019-03-28 | 2019-06-21 | 西北工业大学 | 一种基于剩余寿命预测的刀具选用方法 |
CN109977491A (zh) * | 2019-03-06 | 2019-07-05 | 北京航空航天大学 | 一种冲击损伤可恢复条件下的退化建模与寿命预测方法 |
CN109992872A (zh) * | 2019-03-27 | 2019-07-09 | 西安交通大学 | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 |
CN108460221B (zh) * | 2018-03-19 | 2020-05-05 | 北京航空航天大学 | 一种燃油调节器系统贮存寿命评估的分位点自洽模型法 |
CN112683535A (zh) * | 2021-01-14 | 2021-04-20 | 大连理工大学 | 基于多阶段维纳过程的轴承寿命预测方法 |
US11256597B2 (en) | 2019-11-14 | 2022-02-22 | International Business Machines Corporation | Ensemble approach to alerting to model degradation |
US11455561B2 (en) | 2019-11-14 | 2022-09-27 | International Business Machines Corporation | Alerting to model degradation based on distribution analysis using risk tolerance ratings |
US11768917B2 (en) | 2019-11-14 | 2023-09-26 | International Business Machines Corporation | Systems and methods for alerting to model degradation based on distribution analysis |
US11810013B2 (en) | 2019-11-14 | 2023-11-07 | International Business Machines Corporation | Systems and methods for alerting to model degradation based on survival analysis |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101870076A (zh) * | 2010-07-02 | 2010-10-27 | 西南交通大学 | 一种基于性能退化模型的数控机床导轨副寿命预测方法 |
CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
US9058568B2 (en) * | 2012-12-11 | 2015-06-16 | International Business Machines Corporation | System and method for maintenance planning and failure prediction for equipment subject to periodic failure risk |
-
2013
- 2013-09-13 CN CN201310424597.8A patent/CN103793752B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101870076A (zh) * | 2010-07-02 | 2010-10-27 | 西南交通大学 | 一种基于性能退化模型的数控机床导轨副寿命预测方法 |
CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
US9058568B2 (en) * | 2012-12-11 | 2015-06-16 | International Business Machines Corporation | System and method for maintenance planning and failure prediction for equipment subject to periodic failure risk |
Non-Patent Citations (3)
Title |
---|
张建勋等: "《一种基于EMD去噪的维纳过程剩余寿命预测方法》", 《PROCEEDINGS OF THE 32ND CHINESE CONTROL CONFERENCE》 * |
张正新等: "《一种基于性能退化建模的设备最优监测时机确定方法》", 《计算机应用研究》 * |
王小林: "《考虑有损伤测量条件下的设备剩余寿命的建模分析》", 《国防科技大学学报》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354615A (zh) * | 2015-12-10 | 2016-02-24 | 青岛农业大学 | 防喷阀的可变成本实时预测维护与备件订购方法及系统 |
CN106484949A (zh) * | 2016-09-12 | 2017-03-08 | 西安理工大学 | 基于退化数据的动量轮可靠性分析与剩余寿命预测方法 |
CN106484949B (zh) * | 2016-09-12 | 2019-08-16 | 西安理工大学 | 基于退化数据的动量轮可靠性分析与剩余寿命预测方法 |
CN107423495A (zh) * | 2017-07-06 | 2017-12-01 | 北京航空航天大学 | 一种动态条件下的退化建模与寿命预测方法 |
CN107423495B (zh) * | 2017-07-06 | 2019-08-06 | 北京航空航天大学 | 一种动态条件下的退化建模与寿命预测方法 |
CN108460221B (zh) * | 2018-03-19 | 2020-05-05 | 北京航空航天大学 | 一种燃油调节器系统贮存寿命评估的分位点自洽模型法 |
CN108460230A (zh) * | 2018-03-21 | 2018-08-28 | 西安建筑科技大学 | 基于数据融合的腐蚀油气管道剩余寿命及可靠性预测方法 |
CN108460230B (zh) * | 2018-03-21 | 2022-07-08 | 西安建筑科技大学 | 基于数据融合的腐蚀油气管道剩余寿命及可靠性预测方法 |
CN108520152A (zh) * | 2018-04-13 | 2018-09-11 | 中国人民解放军火箭军工程大学 | 一种工程设备的寿命分布确定方法及系统 |
CN108595805A (zh) * | 2018-04-13 | 2018-09-28 | 中国人民解放军火箭军工程大学 | 一种设备平均寿命的预测方法及系统 |
CN108733883A (zh) * | 2018-04-16 | 2018-11-02 | 中国人民解放军海军工程大学 | 一种确定正态型单元后续备件需求量的方法 |
CN108733883B (zh) * | 2018-04-16 | 2021-08-13 | 中国人民解放军海军工程大学 | 一种确定正态型单元后续备件需求量的方法 |
CN109657871A (zh) * | 2018-12-27 | 2019-04-19 | 中国航空综合技术研究所 | 用于制冷系统的制冷剂含量预测方法 |
CN109657871B (zh) * | 2018-12-27 | 2021-04-16 | 中国航空综合技术研究所 | 用于制冷系统的制冷剂含量预测方法 |
CN109977491A (zh) * | 2019-03-06 | 2019-07-05 | 北京航空航天大学 | 一种冲击损伤可恢复条件下的退化建模与寿命预测方法 |
CN109992872A (zh) * | 2019-03-27 | 2019-07-09 | 西安交通大学 | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 |
CN109909805A (zh) * | 2019-03-28 | 2019-06-21 | 西北工业大学 | 一种基于剩余寿命预测的刀具选用方法 |
US11256597B2 (en) | 2019-11-14 | 2022-02-22 | International Business Machines Corporation | Ensemble approach to alerting to model degradation |
US11455561B2 (en) | 2019-11-14 | 2022-09-27 | International Business Machines Corporation | Alerting to model degradation based on distribution analysis using risk tolerance ratings |
US11768917B2 (en) | 2019-11-14 | 2023-09-26 | International Business Machines Corporation | Systems and methods for alerting to model degradation based on distribution analysis |
US11810013B2 (en) | 2019-11-14 | 2023-11-07 | International Business Machines Corporation | Systems and methods for alerting to model degradation based on survival analysis |
CN112683535A (zh) * | 2021-01-14 | 2021-04-20 | 大连理工大学 | 基于多阶段维纳过程的轴承寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103793752B (zh) | 2018-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103793752A (zh) | 一种基于退化建模的设备失效次数预测方法 | |
CN102779223B (zh) | 短期电力负荷预测的方法及装置 | |
Wang et al. | Joint optimization of condition-based maintenance and inventory control for a k-out-of-n: F system of multi-state degrading components | |
Henri et al. | A supervised machine learning approach to control energy storage devices | |
Liu et al. | Optimal selective maintenance strategy for multi-state systems under imperfect maintenance | |
US9058568B2 (en) | System and method for maintenance planning and failure prediction for equipment subject to periodic failure risk | |
US20160169202A1 (en) | Short-term operation optimization method of electric power system including large-scale wind power | |
CN103488881A (zh) | 一种不确定退化测量数据下的设备剩余寿命预测方法 | |
CN105825279A (zh) | 一种基于预测的多部件系统成组维修决策方法和装置 | |
Groenewald et al. | A performance-centred maintenance strategy for industrial DSM projects | |
US10023062B2 (en) | Electric vehicle mobility modeling and energy resources scheduling | |
CN105160513A (zh) | 一种设备备件的安全库存计算方法及系统 | |
CN103413023A (zh) | 一种多状态系统动态可靠度评估方法 | |
CN102982386A (zh) | 一种基于空时压缩感知的蜂窝网络流量预测方法 | |
CN105760213A (zh) | 云环境下虚拟机资源利用率的预警系统及方法 | |
CN103678858A (zh) | 一种存在竞争失效条件下的设备剩余寿命预测方法 | |
CN103679280A (zh) | 一种性能缓变退化的设备最优维护方法 | |
CN104899646A (zh) | 一种多设备混联系统的预测性维护方法 | |
CN106021719A (zh) | 一种基于无迹卡尔曼滤波算法的轴承剩余寿命预测方法 | |
CN107293118A (zh) | 一种交通速度动态区间短时预测方法 | |
CN110096491A (zh) | 数据库性能指标预测方法及系统 | |
CN103258115A (zh) | 基于多项式拟合和寿命分布的锂离子电池动态可靠性评估方法 | |
CN110852509A (zh) | Igbt模块的故障预测方法、装置及存储介质 | |
Wang | Risk assessment of stochastic spinning reserve of a wind‐integrated multi‐state generating system based on a cross‐entropy method | |
CN103198364A (zh) | 基于遗传算法的核电站主变压器寿命管理策略寻优方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |