CN105095990A - 一种预测维修方法和装置 - Google Patents
一种预测维修方法和装置 Download PDFInfo
- Publication number
- CN105095990A CN105095990A CN201510427705.6A CN201510427705A CN105095990A CN 105095990 A CN105095990 A CN 105095990A CN 201510427705 A CN201510427705 A CN 201510427705A CN 105095990 A CN105095990 A CN 105095990A
- Authority
- CN
- China
- Prior art keywords
- current time
- maintenance
- time
- moment
- sampling interval
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测维修方法和装置,适用于面向连续衰退与突变损伤的复合退化过程,且需预先确定待维修系统的维修策略,该维修策略包括衰退模型;所述方法包括:按照设定的采样间隔采集系统当前时刻的状态监测信息;判断所述系统当前时刻是否失效,若未失效,进一步判断系统在当前时刻与上一时刻的采样间隔内是否有突变损伤发生,若有突变损伤发生,则不更新系统当前时刻的衰退模型参数;若没有突变损伤发生,则更新系统当前时刻的衰退模型参数;之后基于获得的系统当前时刻的退化模型开展维修规划。本发明的技术方案充分利用系统运行过程中的状态检测信息,基于状态检测信息有针对性地开展系统的维修规划,从而显著提升维修策略的效果。
Description
技术领域
本发明涉及可靠性工程技术领域,特别涉及一种预测维修方法和装置。
背景技术
一个系统在运行过程中可能由于外力或内部应力而失效。导致系统失效的原因有多重类型,如腐蚀、疲劳、磨损、过载、振动、冲击等,对于常见的软失效(即系统状态不断恶化直至低于或高于某一设定阈值的失效过程),失效机理可能是相关的,也可能是无关的。因此,对于多种失效机理共同作用的衰退过程,必须对各种机理予以建模以合理刻画该衰退过程,其中研究最为广泛的时由磨损导致的联系衰退与由冲击导致的突变损伤复合衰退过程。
为了提升系统运行的生产效率、可靠性、安全性,降低维护成本,必须开展有效的维护以应对系统的衰退与失效。目前,系统的维修策略已逐渐由事后维修策略、预防维修策略向基于状态检测的维修策略和预测维修策略转变。
由于大部分系统的衰退过程均可由适当的状态监测量予以反映,基于状态监测的维修策略与预测维修策略能更有效地预防系统失效。且相对于基于状态监测的维修策略,基于预测的系统状态优化维修时间的预测维修策略能够根据特定系统的实际状态监测情况动态地调整最优维修时间。因而预测维修策略更具针对性、预见性,够取得更优的维修效果,如较低的平均维修费用率、较长的平均系统可用度。
目前,对于各类连续衰退过程,基于状态监测数据的剩余寿命预测以及预测维修策略方面已有丰富的研究。然而,对于多种失效机理共同作用的衰退过程,维修策略的研究仍集中于基于状态监测的维修,预测维修策略的研究尚未见报道。
发明内容
本发明提供了一种预测维修方法和装置,以提升连续衰退与突变损伤复合退化过程的维修效果。
为达到上述目的,本发明的技术方案是这样实现的:
一方面,本发明提供了一种预测维修方法,适用于面向连续衰退与突变损伤的复合退化过程,且需预先确定待维修系统的维修策略,所述维修策略包括衰退模型;所述方法包括:
按照设定的采样间隔采集系统当前时刻的状态监测信息;
根据采集的状态检测信息判断所述系统当前时刻是否失效,若失效,对所述系统开展事后维修;若未失效,进一步判断所述系统在当前时刻与上一时刻的采样间隔内是否有突变损伤发生,
若有突变损伤发生,则不更新当前时刻的衰退模型参数,并令当前时刻的衰退模型参数等于上一时刻的衰退模型参数;若没有突变损伤发生,则更新当前时刻的衰退模型参数;
根据获得的当前时刻的衰退模型参数,更新当前时刻的最优维修时间;
判断当前时刻的最优维修时间是否满足预设的更新停止条件,若满足,则确定当前时刻的最优维修时间为开展预测维修的最终时间;若不满足,则按照设定的采样间隔,继续采集所述系统下一时刻的状态监测信息。
优选地,所述衰退模型具体为:X(t)=D(t)+S(t),
其中, X(t)为时刻t所述系统的累计损伤,D(t)为时刻t所述系统的连续衰退量,S(t)为时刻t所述系统的累积突变损伤,β为所述系统的衰退速率,为所述系统的衰退初始量,ε(t)为误差项;Yj为所述系统第j次突变损伤值,N(t)为截止至时刻t所述系统发生的突变损伤的次数;
所述判断所述系统在当前时刻与上一时刻的采样间隔内是否有突变损伤发生包括:
计算所述系统当前时刻t的累计损伤减去前一时刻t-Δt的累计损伤的差值X(t)-X(t-Δt)=βt-ΔtΔt+[ε(t)-ε(t-Δt)]+[S(t)-S(t-Δt)];其中,βt-Δt为时刻t-Δt所述系统的衰退速率,Δt为采样间隔;
根据所述系统的连续衰退量D(t)、累积突变损伤S(t)以及误差项ε(t)的分布函数,获得所述差值X(t)-X(t-Δt)的分布f[X(t)-X(t-Δt)],
当f1[X(t)-X(t-Δt)]>f2[X(t)-X(t-Δt)],判断所述系统在当前时刻与上一时刻的采样间隔内有突变损伤发生;当f1[X(t)-X(t-Δt)]≤f2[X(t)-X(t-Δt)],判断所述系统在当前时刻与上一时刻的采样间隔内没有突变损伤发生。
进一步优选地,假设所述系统在t-KΔt至t时间段内均没有突变损伤发生,且所述衰退速率符合正态分布,则根据贝叶斯定理得到贝叶斯公式Pr(βi|Xi,...,Xi-k)∞Pr(Xi,...,Xi-k|βi)πN(t)(βi),其中,βi为当前时刻的衰退速率,Pr(βi|Xi,...,Xi-k)为给定Xi-K到XK的状态监测信息时βi的概率,Pr(Xi,...,Xi-k|βi)为给定βi的先验分布时,每个先验分布的βi产生Xi-K到XK的观测量的概率,πN(t)(βi)为βi的先验分布函数;
所述更新当前时刻的衰退模型参数具体为:
根据所述贝叶斯公式更新所述衰退模型当前时刻的衰退速率的均值与方差。
其中,所述维修策略还包括维修目的、维修方案、维修效果和维修限制;
所述更新当前时刻的最优维修时间包括:
根据所述维修策略更新当前时刻的最优维修时间。
优选地,所述判断当前时刻的最优维修时间是否满足预设的更新停止条件包括:
判断当前时刻的最优维修时间与当前时刻的时间距离是否小于或等于M个预定的采样间隔,若所述时间距离小于或等于M个预定的采样间隔,判断当前时刻的最优维修时间满足所述更新停止条件;否则,判断当前时刻的最优维修时间不满足所述更新停止条件;其中,M值根据工程经验或采用交叉校验方法优化确定。
另一方面,本发明提供了一种预测维修装置,适用于面向连续衰退与突变损伤的复合退化过程,且需预先确定待维修系统的维修策略,所述维修策略包括衰退模型;所述装置包括:采集单元、判断单元、更新单元和执行单元,其中,所述判断单元包括:失效判断模块、突变损伤判断模块和更新停止判断模块,所述更新单元包括:衰退速率更新模块和维修时间更新模块;
所述采集单元,用于按照设定的采样间隔采集所述系统当前时刻的状态监测信息;
所述失效判断模块,用于根据采集的状态检测信息判断所述系统当前时刻是否失效;
所述突变损伤判断模块,用于在所述系统当前时刻未失效时,进一步判断所述系统在当前时刻与上一时刻的采样间隔内是否有突变损伤发生;
所述更新停止判断模块,用于判断当前时刻的最优维修时间是否满足预设的更新停止条件,在当前时刻的最优维修时间不满足预设的更新停止条件时,按照设定的采样间隔,使所述采集单元继续采集所述系统下一时刻的状态监测信息;
衰退速率更新模块,用于在所述系统当前时刻与上一时刻的采样间隔内有突变损伤发生时,不更新当前时刻的衰退模型参数,并令当前时刻的衰退模型参数等于上一时刻的衰退模型参数;在所述系统当前时刻与上一时刻的采样间隔内没有突变损伤发生时,更新当前时刻的衰退模型参数;
所述维修时间更新模块,用于根据获得的当前时刻的衰退模型参数,更新当前时刻的最优维修时间;
所述执行单元,用于在所述系统当前时刻已经失效时,对所述系统开展事后维修;以及在当前时刻的最优维修时间满足预设的更新停止条件时,确定当前时刻的最优维修时间为开展预测维修的最终时间。
优选地,所述衰退模型具体为:X(t)=D(t)+S(t),
其中, X(t)为时刻t所述系统的累计损伤,D(t)为时刻t所述系统的连续衰退量,S(t)为时刻t所述系统的累积突变损伤,β为所述系统的衰退速率,为所述系统的衰退初始量,ε(t)为误差项;Yj为所述系统第j次突变损伤值,N(t)为截止至时刻t所述系统发生的突变损伤的次数;
所述突变损伤判断模块,具体用于
计算所述系统当前时刻t的累计损伤减去前一时刻t-Δt的累计损伤的差值X(t)-X(t-Δt)=βt-ΔtΔt+[ε(t)-ε(t-Δt)]+[S(t)-S(t-Δt)];其中,βt-Δt为时刻t-Δt所述系统的衰退速率,Δt为采样间隔;
根据所述系统的连续衰退量D(t)、累积突变损伤S(t)以及误差项ε(t)的分布函数,获得所述差值X(t)-X(t-Δt)的分布f[X(t)-X(t-Δt)],
当f1[X(t)-X(t-Δt)]>f2[X(t)-X(t-Δt)],判断所述系统在当前时刻与上一时刻的采样间隔内有突变损伤发生;当f1[X(t)-X(t-Δt)]≤f2[X(t)-X(t-Δt)],判断所述系统在当前时刻与上一时刻的采样间隔内没有突变损伤发生。
进一步优选地,假设所述系统在t-KΔt至t时间段内均没有突变损伤发生,且所述衰退速率符合正态分布,则根据贝叶斯定理得到贝叶斯公式Pr(βi|Xi,...,Xi-k)∞Pr(Xi,...,Xi-k|βi)πN(t)(βi),其中,βi为当前时刻的衰退速率,Pr(βi|Xi,...,Xi-k)为给定Xi-K到XK的状态监测信息时βi的概率,Pr(Xi,...,Xi-k|βi)为给定βi的先验分布时,每个先验分布的βi产生Xi-K到XK的观测量的概率,πN(t)(βi)为βi的先验分布函数;
所述衰退速率更新模块,具体用于根据所述贝叶斯公式更新所述衰退模型当前时刻的衰退速率的均值与方差。
其中,所述维修时间更新模块,具体用于根据所述维修策略更新当前时刻的最优维修时间,所述维修策略还包括维修目的、维修方案、维修效果和维修限制。
优选地,所述更新停止判断模块,具体用于判断当前时刻的最优维修时间与当前时刻的时间距离是否小于或等于M个预定的采样间隔,若所述时间距离小于或等于M个预定的采样间隔,判断当前时刻的最优维修时间满足所述更新停止条件;否则,判断当前时刻的最优维修时间不满足所述更新停止条件;其中,M值根据工程经验或采用交叉校验方法优化确定。
本发明实施例的有益效果是:针对连续衰退与突变损伤的复合退化过程,本发明公开了一种预测维修方法和装置,所述方法按照设定的采样间隔采集系统当前时刻的状态检测信息,在系统当前时刻未失效的情况下,利用系统当前时刻与上一时刻的采样间隔内未发生突变损伤的状态检测信息更新系统的衰退模型参数,对系统当前时刻与上一时刻的采用间隔内发生突变损伤的状态检测信息,保留上一时刻的衰退模型参数;根据获得的衰退模型参数更新系统当前时刻的最优维修时间,并判断更新后的最优维修时间是否满足更新停止条件,基于满足更新停止条件的最优维修时间开展维修规划。相比于现有技术,本发明利用了系统运行过程中的状态检测信息,基于状态检测信息有针对性地开展系统的维修规划,从而达到显著提升维修策略的效果。
附图说明
图1为本发明实施例一提供的预测维修方法的流程图;
图2为本发明实施例一提供的系统连续衰退与突变损伤复合退化过程示意图;
图3本发明实施例二为基于给定衰退模型参数的三个随机选取的样本仿真复合退化过程示意图;
图4为图3中样本a至接受预测维修时,各个采样点的衰退速率的均值示意图;
图5为图3中样本a至接受预测维修时,各个采样点的衰退速率的方差示意图;
图6为每个样本的实际寿命与其预测维修时间的差值曲线示意图;
图7为本发明实施例三提供的预测维修装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一:
图1为本发明实施例一提供的预测维修方法的流程图,图1中的方法适用于面向连续衰退与突变损伤的复合退化过程,且需预先确定待维修系统的维修策略,所述维修策略包括衰退模型。
图2为本发明实施例一提供的系统连续衰退与突变损伤的复合退化过程示意图,本发明中系统面向连续衰退与突变损伤的复合退化过程的衰退模型为:
X(t)=D(t)+S(t)(1)
在式(1)中,X(t)为时刻t系统的累计损伤,D(t)为时刻t系统的连续衰退量,S(t)为时刻t系统的累积突变损伤;
式(1)中的连续衰退量D(t)可进一步建模为:
其中,β为系统的衰退速率,为系统的衰退初始量,ε(t)为误差项。通常β符合均值为μβ、方差为的正态分布;ε(t)符合零均值、方差为的正态分布。
式(1)中的累积突变损伤S(t)可进一步建模为:
其中,Yj为系统第j次突变损伤值,N(t)为截止至时刻t系统发生的突变损伤的次数。通常Yj符合均值为μY、方差为的正态分布,或符合强度为θ的指数分布;N(t)为随机事件,且符合强度为λ的泊松Possion过程。
系统的衰退模型参数包括:刻画系统衰退速率的参数(如μβ、)、刻画系统误差项的参数(如)、刻画系统突变损伤值的参数(如μY、或θ)以及刻画系统突变损伤发生次数的参数(如λ)。而μβ、μY、θ以及λ均可采用成熟的统计分析方法(如极大似然法)由系统的累计损伤X(t)的历史样本估计得到。
如图1所示,图1中的预测维修方法包括:
S100,按照设定的采样间隔采集系统当前时刻的状态监测信息。
在步骤S100中,需要间隔一定的时间人为地或自动地采集系统的状态检测信息,在实际应用中,可以通过测量或传感器采集获取运行过程中的系统的状态数据,例如磨损量、裂纹尺寸、振动幅度等。
需要说明的是,本实施例中设定的采样间隔为Δt,并不失一般性假定t=n·Δt。
S200,根据采集的状态检测信息判断系统当前时刻是否失效,若失效,则进行步骤S701,对所述系统开展事后维修。
在步骤S200中,为定义系统失效,可以引入失效阈值H。例如,参考图2所示,图2中的21为系统的失效阈值,当系统的累计损伤X(t)大于或等于失效阈值H,即当X(t)≥H时,判定系统失效。
S300,若系统当前时刻未失效,判断系统在当前时刻与上一时刻的采样间隔内是否有突变损伤发生。
在步骤S300中,判断系统在当前时刻与上一时刻的采样间隔内是否有突变损伤发生包括:
计算系统当前时刻t系统的累计损伤X(t)减去前一时刻t-Δt系统的累计损伤X(t-Δt)的差值,
X(t)-X(t-Δt)=βt-ΔtΔt+[ε(t)-ε(t-Δt)]+[S(t)-S(t-Δt)](4)
在式(4)中,βt-Δt为时刻t-Δt所述系统的衰退速率,当βt-Δt服从均值为μβ,t-Δt,方差为的正态分布时,βt-ΔtΔt服从均值为μβ,t-ΔtΔt,方差为的正态分布。
根据系统的连续衰退量D(t)、累积突变损伤S(t)以及误差项ε(t)的分布函数,获得差值X(t)-X(t-Δt)的分布f[X(t)-X(t-Δt)],
当f1[X(t)-X(t-Δt)]>f2[X(t)-X(t-Δt)],判断在当前时刻与上一时刻的采样间隔内有突变损伤发生;当f1[X(t)-X(t-Δt)]≤f2[X(t)-X(t-Δt)],判断系统在当前时刻与上一时刻的采样间隔内没有突变损伤发生。
在式(4)中, 当λ和Δt的值均较小时,N(t)-N(t-Δt)≥2的概率可以忽略,即在采样间隔Δt内发生两次及两次以上的突变损伤的概率很小,此时有:
其中,式(6)中的f(·)为概率密度函数。
当系统第j次突变损伤值Yj符合正态分布时,式(4)中的差值X(t)-X(t-Δt)符合如下正态分布:
当系统第j次突变损伤值Yj符合指数分布或其他分布时,难以给出f[X(t)-X(t-Δt)]的解析形式,一般通过蒙特卡洛MonteCarlo仿真计算在各采样点的估计值。对于常见的正态分布,对于式(5)的f1[X(t)-X(t-Δt)]和f2[X(t)-X(t-Δt)]的解析形式如下:
若系统在当前时刻与上一时刻的采样间隔内有突变损伤发生,则进行步骤S402,不更新当前时刻的衰退模型参数,并令当前时刻的衰退模型参数等于上一时刻的衰退模型参数;若没有突变损伤发生,则进行步骤S401,更新当前时刻的衰退模型参数。
在步骤S401中,若系统在当前时刻与上一时刻的采样间隔内没有突变损伤发生,则系统的连续衰退过程未被干扰,可以利用采集的状态检测信息进一步更新系统当前时刻的衰退速率,以获得更精确、可靠的系统衰退速率估计。优选地,若系统在当前时刻与上一时刻的采样间隔内没有突变损伤发生,则更新当前时刻的衰退模型参数包括:
假设系统在t-KΔt至t时间段内均没有突变损伤发生,则根据贝叶斯定理,可以得到如下贝叶斯公式:
Pr(βi|Xi,...,Xi-k)∞Pr(Xi,...,Xi-k|βi)πN(t)(βi)(8)
在式(8)中,βi为当前时刻系统的衰退速率,Pr(βi|Xi,...,Xi-k)为给定Xi-K到XK的状态监测信息时βi的概率,Pr(Xi,...,Xi-k|βi)为给定βi的先验分布时,每个先验分布的βi产生Xi-K到XK的观测量的概率,πN(t)(βi)为βi的先验分布函数;
式(8)的转换形式为:
根据贝叶斯公式更新系统衰退模型当前时刻的衰退速率的均值与方差。
在步骤S402中,在存在突变损伤的场合,由于采集得到的系统当前时刻的累计损伤不仅取决于至当前时刻系统的连续衰退,还取决于突变损伤的次数和程度,而突变损伤引起的退化量不应用于估计连续衰退量的衰退速率。优选地,若系统在当前时刻与上一时刻的采样间隔内有突变损伤发生,则不更新系统当前时刻的衰退模型参数包括:
假设系统在t-Δt至t时间段内有突变损伤发生,由于时刻t的状态检测信息包含了因突变损伤导致的状态退化量,因而时刻t的状态检测信息不能用来更新衰退速率。基于此,不对系统当前时刻t的衰退速率进行更新,且令系统时刻t的衰退速率等于时刻t-Δt的衰退速率。
μβ,t=μβ,t-Δt
S500,根据获得的当前时刻的衰退模型参数,更新系统当前时刻的最优维修时间。
为确定最优维修时间,需要预先明确系统的维修策略五要素。本实施例中,维修策略五要素包括目的、维修方案、维修效果、维修限制和衰退模型。
本实施例以常用的面向最小维修费用率的预防替换策略为例进行说明。其中,面向最小维修费用率的预防替换策略的目的为最小化一个维修周期内的维修费用率;维修方案为顺序型维修;维修效果为“修复如新”预防维修及事后维修;无维修限制;其衰退模型为由式(1)定义的连续衰退与突变损伤复合退化的过程。
假设至时刻t系统没有发生失效,则系统在当前维修周期内的维修费用率为:
在式(12)中,r(T|t)为给定系统至时刻t的状态监测信息,确定在时刻T开展预防维修的预期维修费用率,Pr(T|t)为给定系统至时刻t的状态监测信息,系统正常运行至时刻T的概率,E[T|t]为给定系统至时刻t的状态监测信息,确定在时刻T开展预防维修的系统期望运行时间,ρPM和ρCM分别为开展一次预防维修与事后维修的维修费用。
根据在步骤S401或在步骤S402中获得的系统当前时刻t的衰退速率参数(μβ,t,),Pr(T|t)的表示形式如下:
在式(13)中,G(H-u,T)为连续衰退量低于(H-u)的累积分布函数,为m个独立同分布Yj变量之和的概率密度函数。
当系统第j次突变损伤值Yj符合正态分布时,式(13)可进一步推导为:
其中,
在式(15)中,Pr(v|t)为给定系统至当前时刻t的状态监测信息,系统正常运行至时刻v的概率。
将式(15)以及式(13)(或式(14))代入至式(12)中,并另式(13)(或式(14))中的T代换为v即可得到r(T|t)的具体表达式。
在得到r(T|t)的具体表达式后,定义时刻t的最优预防维修时间为T*(t),
S600,判断系统当前时刻的最优维修时间是否满足预设的更新停止条件,若满足,则进行步骤S702,确定当前时刻的最优维修时间为开展预测维修的最终时间;若不满足,则进行步骤S100,按照设定的采样间隔,继续采集所述系统下一时刻的状态监测信息。
由于在每次采样过程中,若系统未失效,均需更新系统当前时刻下的最优维修时间,因而,需要预设一个更新停止条件,以适应停止更新并确定系统最终的维修时间。
在步骤S600中,当满足以下条件时,停止更新系统的最优维修时间并确定本次维修周期内系统的最终预测维修时间T*(t),
T*(t)-t≤M·Δt(17)
即系统当前时刻t的最优维修时间T*(t)与当前时刻t的时间距离T*(t)-t小于或等于M个预定的采样间隔时,停止更新系统的最优维修时间。其中M值可以根据工程经验或采用交叉校验方法优化确定。
本实施例针对连续衰退与突变损伤的复合退化过程,利用系统当前时刻与上一时刻的采样间隔内未发生突变损伤的状态检测信息更新系统的衰退模型参数,对当前时刻与上一时刻的采样间隔内发生突变损伤的状态检测信息,保留上一时刻的衰退模型参数,并基于更新的退化模型的模型参数开展维修规划。充分利用了系统每个时刻的状态检测信息,基于状态检测信息有针对性地开展系统的维修规划,从而达到显著提升维修策略的效果。
本实施例的预测维修方法相比于基于状态监测的维策略,具有如下优点:
(1)基于状态监测的维修策略,即离线地根据衰退模型的各模型参数制定优化的维修策略。这一维修策略适用于满足公式(1)定义的退化过程的一批同类系统,且不随某一系统运行过程中的状态监测信息而改变。
而本实施例利用系统运行过程中的该系统自身状态监测信息,实时地优化维修策略并不断更新,直至满足某一更新停止条件为止并确定最终的维修时间。由于预测维修策略针对系统指定针对性的维修策略,其取得的维修效果往往更好。
(2)对于连续衰退与突变损伤复合退化过程,由于突变损伤具有突然性与不可预测性,即使收集某一特定信息的状态监测数据也往往无法给出更多的信息。然而,对于连续衰退过程,收集某一特定信息的状态监测数据并予以适当的处理,则可以给出更精确、可靠的衰退速率估计。由此,本实施例对于连续衰退与突变损伤的复合退化过程,即使仅将收集的状态监测数据用于连续衰退速率的更新,也将给出对系统发展趋势更准确的认识,并用于维修时间的优化。
实施例二:
本实施例利用实施例一中预测维修方法更新衰退模型参数,并基于更新的衰退模型参数开展维修规划。
首先,定义式(1)中的复合退化过程的衰退模型参数,以刻画系统的复合退化过程。衰退模型参数定义如表1所示:
表1
基于表1中的衰退模型参数,仿真产生了100个试验样本。
图3为基于给定衰退模型参数的三个随机选取的样本的仿真复合退化过程示意图,图中31为失效阈值,a、b、c三条曲线分别为三个随机选取的样本的仿真复合退化过程。
其次,为了开展预测维修规划,需确定更新停止条件中的参数M,以及维修费用参数ρPM和ρCM。本实施例中定义的上述参数参考表2所示:
表2
M | ρPM | ρCM |
10 | 1000$ | 7000$ |
根据每个试验样本在失效前每个时刻的累计损伤Xi(t),从第2个状态检测采样点展开计算,并不断更新系统的最优维修时间,最终等到每个样本的维修时间PMTi。
图4和图5分别为图3中样本a至接受预测维修时,各个采样点的衰退速率的均值和方差示意图,图6为100个样本中,每个样本的实际寿命与其预测维修时间的差值曲线示意图,图6中纵轴为每个样本的实际寿命与其预测维修时间的差值,横轴为样本号。
从图6中可以看出,本发明的预测维修方法能够在样本失效之前开展维修,有效地避免了系统失效。
对于本实施例仿真产生的100个试验样本,通过下述计算可以得到实际平均维修费用率:
在式(18)中,NCM和NPM分别为接受时候维修与预防维修的样本数;TWi为样本i的实际工作时间;若样本i接受预防维修,则TWi=PMTi,δi=0;若样本i接受事后维修,则TWi=Li,δi=1。
而针对表1中的衰退模型参数仿真所产生的100个试验样本,采用传统的维修测量,即不利用每个样本的在线状态检测信息的基于状态检测的维修策略,上述100个试验样本的实际平均维修费用率为35.714$/h,高于本发明预测维修策略中的实际平均维修费用率10%。因而,本发明的预测维修方法对于连续衰退与突变损伤复合退化过程,能够合理运用每个样本的在线状态检测信息,有效地提升维修效果。
实施例三:
基于与实施例一相同的技术构思,本发明还提供了一种预测维修装置,适用于面向连续衰退与突变损伤的复合退化过程,且需预先确定待维修系统的维修策略,所述维修策略包括衰退模型。
本实施例的衰退模型具体为:X(t)=D(t)+S(t),
其中, X(t)为时刻t所述系统的累计损伤,D(t)为时刻t所述系统的连续衰退量,S(t)为时刻t所述系统的累积突变损伤,β为所述系统的衰退速率,为所述系统的衰退初始量,ε(t)为误差项;,Yj为所述系统第j次突变损伤值,N(t)为截止至时刻t所述系统发生的突变损伤的次数。
图7为本发明实施例提供的预测维修装置的结构示意图,如图7所示,本实施例的预测维修装置包括:采集单元71、判断单元72、更新单元73和执行单元74。
其中,判断单元72包括:失效判断模块721、突变损伤判断模块722和更新停止判断模块723,更新单元73包括:衰退速率更新模块731和维修时间更新模块732。
采集单元71,用于按照设定的采样间隔采集系统当前时刻的状态监测信息。
失效判断模块721,用于根据采集的状态检测信息判断所述系统当前时刻是否失效。
突变损伤判断模块722,用于在所述系统当前时刻未失效时,进一步判断所述系统在当前时刻与上一时刻的采样间隔内是否有突变损伤发生。
更新停止判断模块723,用于判断当前时刻的最优维修时间是否满足预设的更新停止条件,在当前时刻的最优维修时间不满足预设的更新停止条件时,按照设定的采样间隔,使所述采集单元71继续采集系统下一时刻的状态监测信息。
衰退速率更新模块731,用于在所述系统当前时刻与上一时刻的采样间隔内有突变损伤发生时,不更新当前时刻的衰退模型参数,并令当前时刻的衰退模型参数等于上一时刻的衰退模型参数;在所述系统当前时刻与上一时刻的采样间隔内没有突变损伤发生时,更新当前时刻的衰退模型参数。
维修时间更新模块732,用于根据获得的当前时刻的衰退模型参数,更新所述系统当前时刻的最优维修时间。
假设所述系统在t-KΔt至t时间段内均没有突变损伤发生,且所述衰退速率符合正态分布,则根据贝叶斯定理得到贝叶斯公式Pr(βi|Xi,...,Xi-k)∞Pr(Xi,...,Xi-k|βi)πN(t)(βi),其中,βi为当前时刻所述系统的衰退速率,Pr(βi|Xi,...,Xi-k)为给定Xi-K到XK的状态监测信息时βi的概率,Pr(Xi,...,Xi-k|βi)为给定βi的先验分布时,每个先验分布的βi产生Xi-K到XK的观测量的概率,πN(t)(βi)为βi的先验分布函数。
衰退速率更新模块731,具体用于根据贝叶斯公式更新衰退模型当前时刻的衰退速率的均值与方差。
进一步地,维修时间更新模块732,具体用于根据系统的维修策略更新当前时刻的最优维修时间,所述维修策略还包括维修目的、维修方案、维修效果和维修限制。
执行单元74,用于在所述系统当前时刻已经失效时,对所述系统开展事后维修;以及在当前时刻的最优维修时间满足预设的更新停止条件时,确定当前时刻的最优维修时间为开展预测维修的最终时间。
在本实施例的优选方案中,突变损伤判断模块732,具体用于
计算所述系统当前时刻t的累计损伤减去前一时刻t-Δt的累计损伤的差值X(t)-X(t-Δt)=βt-ΔtΔt+[ε(t)-ε(t-Δt)]+[S(t)-S(t-Δt)];其中,βt-Δt为时刻t-Δt所述系统的衰退速率,Δt为采样间隔;
根据所述系统的连续衰退量D(t)、累积突变损伤S(t)以及误差项ε(t)的分布函数,获得所述差值X(t)-X(t-Δt)的分布f[X(t)-X(t-Δt)],
以及当f1[X(t)-X(t-Δt)]>f2[X(t)-X(t-Δt)],判断所述系统在当前时刻与上一时刻的采样间隔内有突变损伤发生;当f1[X(t)-X(t-Δt)]≤f2[X(t)-X(t-Δt)],判断所述系统在当前时刻与上一时刻的采样间隔内没有突变损伤发生。
在本实施例的另一优选方案中,更新停止判断模块723,具体用于判断当前时刻的最优维修时间与当前时刻的时间距离是否小于或等于M个预定的采样间隔,若所述时间距离小于或等于M个预定的采样间隔,判断当前时刻的最优维修时间满足所述更新停止条件;否则,判断当前时刻的最优维修时间不满足所述更新停止条件;其中,M值根据工程经验或采用交叉校验方法优化确定。
综上所述,针对连续衰退与突变损伤的复合退化过程,本发明公开了一种预测维修方法和装置,所述方法按照设定的采样间隔采集系统当前时刻的状态检测信息,在系统当前时刻未失效的情况下,利用系统当前时刻与上一时刻的采样间隔内未发生突变损伤的状态检测信息更新系统的衰退模型参数,对系统当前时刻与上一时刻的采用间隔内发生突变损伤的状态检测信息,保留上一时刻的衰退模型参数;根据获得的衰退模型参数更新系统当前时刻的最优维修时间,并判断更新后的最优维修时间是否满足更新停止条件,基于满足更新停止条件的最优维修时间开展维修规划。相比于现有技术,本发明利用了系统运行过程中的状态检测信息,基于状态检测信息有针对性地开展系统的维修规划,从而达到显著提升维修策略的效果。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种预测维修方法,适用于面向连续衰退与突变损伤的复合退化过程,且需预先确定待维修系统的维修策略,所述维修策略包括衰退模型;其特征在于,所述方法包括:
按照设定的采样间隔采集系统当前时刻的状态监测信息;
根据采集的状态检测信息判断所述系统当前时刻是否失效,若失效,对所述系统开展事后维修;若未失效,进一步判断所述系统在当前时刻与上一时刻的采样间隔内是否有突变损伤发生,
若有突变损伤发生,则不更新当前时刻的衰退模型参数,并令当前时刻的衰退模型参数等于上一时刻的衰退模型参数;若没有突变损伤发生,则更新当前时刻的衰退模型参数;
根据获得的当前时刻的衰退模型参数,更新当前时刻的最优维修时间;
判断当前时刻的最优维修时间是否满足预设的更新停止条件,若满足,则确定当前时刻的最优维修时间为开展预测维修的最终时间;若不满足,则按照设定的采样间隔,继续采集所述系统下一时刻的状态监测信息。
2.根据权利要求1所述的预测维修方法,其特征在于,所述衰退模型具体为:X(t)=D(t)+S(t),
其中, X(t)为时刻t所述系统的累计损伤,D(t)为时刻t所述系统的连续衰退量,S(t)为时刻t所述系统的累积突变损伤,β为所述系统的衰退速率,为所述系统的衰退初始量,ε(t)为误差项;Yj为所述系统第j次突变损伤值,N(t)为截止至时刻t所述系统发生的突变损伤的次数;
所述判断所述系统在当前时刻与上一时刻的采样间隔内是否有突变损伤发生包括:
计算所述系统当前时刻t的累计损伤减去前一时刻t-Δt的累计损伤的差值X(t)-X(t-Δt)=βt-ΔtΔt+[ε(t)-ε(t-Δt)]+[S(t)-S(t-Δt)];其中,βt-Δt为时刻t-Δt所述系统的衰退速率,Δt为采样间隔;
根据所述系统的连续衰退量D(t)、累积突变损伤S(t)以及误差项ε(t)的分布函数,获得所述差值X(t)-X(t-Δt)的分布f[X(t)-X(t-Δt)],
当f1[X(t)-X(t-Δt)]>f2[X(t)-X(t-Δt)],判断所述系统在当前时刻与上一时刻的采样间隔内有突变损伤发生;当f1[X(t)-X(t-Δt)]≤f2[X(t)-X(t-Δt)],判断所述系统在当前时刻与上一时刻的采样间隔内没有突变损伤发生。
3.根据权利要求2所述的预测维修方法,其特征在于,
假设所述系统在t-KΔt至t时间段内均没有突变损伤发生,且所述衰退速率符合正态分布,则根据贝叶斯定理得到贝叶斯公式Pr(βi|Xi,...,Xi-k)∞Pr(Xi,...,Xi-k|βi)πN(t)(βi),其中,βi为当前时刻的衰退速率,Pr(βi|Xi,...,Xi-k)为给定Xi-K到XK的状态监测信息时βi的概率,Pr(Xi,...,Xi-k|βi)为给定βi的先验分布时,每个先验分布的βi产生Xi-K到XK的观测量的概率,πN(t)(βi)为βi的先验分布函数;
所述更新当前时刻的衰退模型参数具体为:
根据所述贝叶斯公式更新所述衰退模型当前时刻的衰退速率的均值与方差。
4.根据权利要求1所述的预测维修方法,其特征在于,所述维修策略还包括维修目的、维修方案、维修效果和维修限制;
所述更新当前时刻的最优维修时间包括:
根据所述维修策略更新当前时刻的最优维修时间。
5.根据权利要求1-4任一项所述的预测维修方法,其特征在于,所述判断当前时刻的最优维修时间是否满足预设的更新停止条件包括:
判断当前时刻的最优维修时间与当前时刻的时间距离是否小于或等于M个预定的采样间隔,若所述时间距离小于或等于M个预定的采样间隔,判断当前时刻的最优维修时间满足所述更新停止条件;否则,判断当前时刻的最优维修时间不满足所述更新停止条件;其中,M值根据工程经验或采用交叉校验方法优化确定。
6.一种预测维修装置,适用于面向连续衰退与突变损伤的复合退化过程,且需预先确定待维修系统的维修策略,所述维修策略包括衰退模型;其特征在于,所述装置包括:采集单元、判断单元、更新单元和执行单元,其中,所述判断单元包括:失效判断模块、突变损伤判断模块和更新停止判断模块,所述更新单元包括:衰退速率更新模块和维修时间更新模块;
所述采集单元,用于按照设定的采样间隔采集所述系统当前时刻的状态监测信息;
所述失效判断模块,用于根据采集的状态检测信息判断所述系统当前时刻是否失效;
所述突变损伤判断模块,用于在所述系统当前时刻未失效时,进一步判断所述系统在当前时刻与上一时刻的采样间隔内是否有突变损伤发生;
所述更新停止判断模块,用于判断当前时刻的最优维修时间是否满足预设的更新停止条件,在当前时刻的最优维修时间不满足预设的更新停止条件时,按照设定的采样间隔,使所述采集单元继续采集所述系统下一时刻的状态监测信息;
衰退速率更新模块,用于在所述系统当前时刻与上一时刻的采样间隔内有突变损伤发生时,不更新当前时刻的衰退模型参数,并令当前时刻的衰退模型参数等于上一时刻的衰退模型参数;在所述系统当前时刻与上一时刻的采样间隔内没有突变损伤发生时,更新当前时刻的衰退模型参数;
所述维修时间更新模块,用于根据获得的当前时刻的衰退模型参数,更新当前时刻的最优维修时间;
所述执行单元,用于在所述系统当前时刻已经失效时,对所述系统开展事后维修;以及在当前时刻的最优维修时间满足预设的更新停止条件时,确定当前时刻的最优维修时间为开展预测维修的最终时间。
7.根据权利要求6所述的预测维修装置,其特征在于,所述衰退模型具体为:X(t)=D(t)+S(t),
其中, X(t)为时刻t所述系统的累计损伤,D(t)为时刻t所述系统的连续衰退量,S(t)为时刻t所述系统的累积突变损伤,β为所述系统的衰退速率,为所述系统的衰退初始量,ε(t)为误差项;Yj为所述系统第j次突变损伤值,N(t)为截止至时刻t所述系统发生的突变损伤的次数;
所述突变损伤判断模块,具体用于
计算所述系统当前时刻t的累计损伤减去前一时刻t-Δt的累计损伤的差值X(t)-X(t-Δt)=βt-ΔtΔt+[ε(t)-ε(t-Δt)]+[S(t)-S(t-Δt)];其中,βt-Δt为时刻t-Δt所述系统的衰退速率,Δt为采样间隔;
根据所述系统的连续衰退量D(t)、累积突变损伤S(t)以及误差项ε(t)的分布函数,获得所述差值X(t)-X(t-Δt)的分布f[X(t)-X(t-Δt)],
当f1[X(t)-X(t-Δt)]>f2[X(t)-X(t-Δt)],判断所述系统在当前时刻与上一时刻的采样间隔内有突变损伤发生;当f1[X(t)-X(t-Δt)]≤f2[X(t)-X(t-Δt)],判断所述系统在当前时刻与上一时刻的采样间隔内没有突变损伤发生。
8.根据权利要求7所述的预测维修装置,其特征在于,
假设所述系统在t-KΔt至t时间段内均没有突变损伤发生,且所述衰退速率符合正态分布,则根据贝叶斯定理得到贝叶斯公式Pr(βi|Xi,...,Xi-k)∞Pr(Xi,...,Xi-k|βi)πN(t)(βi),其中,βi为当前时刻的衰退速率,Pr(βi|Xi,...,Xi-k)为给定Xi-K到XK的状态监测信息时βi的概率,Pr(Xi,...,Xi-k|βi)为给定βi的先验分布时,每个先验分布的βi产生Xi-K到XK的观测量的概率,πN(t)(βi)为βi的先验分布函数;
所述衰退速率更新模块,具体用于根据所述贝叶斯公式更新所述衰退模型当前时刻的衰退速率的均值与方差。
9.根据权利要求1所述的预测维修装置,其特征在于,所述维修时间更新模块,具体用于根据所述维修策略更新当前时刻的最优维修时间,所述维修策略还包括维修目的、维修方案、维修效果和维修限制。
10.根据权利要求6-9任一项所述的预测维修装置,其特征在于,所述更新停止判断模块,具体用于判断当前时刻的最优维修时间与当前时刻的时间距离是否小于或等于M个预定的采样间隔,若所述时间距离小于或等于M个预定的采样间隔,判断当前时刻的最优维修时间满足所述更新停止条件;否则,判断当前时刻的最优维修时间不满足所述更新停止条件;其中,M值根据工程经验或采用交叉校验方法优化确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510427705.6A CN105095990B (zh) | 2015-07-20 | 2015-07-20 | 一种预测维修方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510427705.6A CN105095990B (zh) | 2015-07-20 | 2015-07-20 | 一种预测维修方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105095990A true CN105095990A (zh) | 2015-11-25 |
CN105095990B CN105095990B (zh) | 2019-01-08 |
Family
ID=54576362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510427705.6A Active CN105095990B (zh) | 2015-07-20 | 2015-07-20 | 一种预测维修方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105095990B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315396A (zh) * | 2017-05-27 | 2017-11-03 | 中国电子科技集团公司第三十六研究所 | 一种状态监测维修与预测维修混合维修规划方法及系统 |
CN107392323A (zh) * | 2017-05-27 | 2017-11-24 | 中国电子科技集团公司第三十六研究所 | 一种两阶段衰退与冲击竞争风险的综合预防维修方法 |
CN108229761A (zh) * | 2018-03-16 | 2018-06-29 | 中国电子科技集团公司第三十六研究所 | 一种环境应力筛选试验与预测维修综合优化方法 |
CN108693496A (zh) * | 2018-05-07 | 2018-10-23 | 国网山东省电力公司电力科学研究院 | 一种基于参量退化方程的智能电能表误差预估方法 |
CN109117566A (zh) * | 2018-08-24 | 2019-01-01 | 中国电子科技集团公司第三十六研究所 | 一种基于产品寿命预测模型的混合维修规划方法 |
CN109919383A (zh) * | 2019-03-11 | 2019-06-21 | 中国电子科技集团公司第三十六研究所 | 一种产品预测维修方法和装置 |
CN109933890A (zh) * | 2019-03-11 | 2019-06-25 | 中国电子科技集团公司第三十六研究所 | 一种产品综合维修方法和装置 |
CN110020472A (zh) * | 2019-03-29 | 2019-07-16 | 中国电子科技集团公司第三十六研究所 | 一种产品剩余寿命预测方法、装置和系统 |
CN110909442A (zh) * | 2019-10-11 | 2020-03-24 | 北京航空航天大学 | 一种考虑维修负面效果的维修效果建模方法 |
CN114077933A (zh) * | 2022-01-13 | 2022-02-22 | 常州艾肯智造科技有限公司 | 蒸汽在线监测数据实时传输系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567639A (zh) * | 2011-12-30 | 2012-07-11 | 南京航空航天大学 | 一种针对竞争失效的航空发动机可靠性评估方法 |
CN103678858A (zh) * | 2012-09-26 | 2014-03-26 | 中国人民解放军第二炮兵工程大学 | 一种存在竞争失效条件下的设备剩余寿命预测方法 |
CN103778309A (zh) * | 2012-10-18 | 2014-05-07 | 天津职业技术师范大学 | 退化试验下数控系统可靠性快速贝叶斯评定系统 |
-
2015
- 2015-07-20 CN CN201510427705.6A patent/CN105095990B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567639A (zh) * | 2011-12-30 | 2012-07-11 | 南京航空航天大学 | 一种针对竞争失效的航空发动机可靠性评估方法 |
CN103678858A (zh) * | 2012-09-26 | 2014-03-26 | 中国人民解放军第二炮兵工程大学 | 一种存在竞争失效条件下的设备剩余寿命预测方法 |
CN103778309A (zh) * | 2012-10-18 | 2014-05-07 | 天津职业技术师范大学 | 退化试验下数控系统可靠性快速贝叶斯评定系统 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392323A (zh) * | 2017-05-27 | 2017-11-24 | 中国电子科技集团公司第三十六研究所 | 一种两阶段衰退与冲击竞争风险的综合预防维修方法 |
CN107315396B (zh) * | 2017-05-27 | 2019-06-11 | 中国电子科技集团公司第三十六研究所 | 一种状态监测维修与预测维修混合维修规划方法及系统 |
CN107315396A (zh) * | 2017-05-27 | 2017-11-03 | 中国电子科技集团公司第三十六研究所 | 一种状态监测维修与预测维修混合维修规划方法及系统 |
CN107392323B (zh) * | 2017-05-27 | 2020-05-08 | 中国电子科技集团公司第三十六研究所 | 一种两阶段衰退与冲击竞争风险的综合预防维修方法 |
CN108229761B (zh) * | 2018-03-16 | 2020-08-21 | 中国电子科技集团公司第三十六研究所 | 一种环境应力筛选试验与预测维修综合优化方法 |
CN108229761A (zh) * | 2018-03-16 | 2018-06-29 | 中国电子科技集团公司第三十六研究所 | 一种环境应力筛选试验与预测维修综合优化方法 |
CN108693496A (zh) * | 2018-05-07 | 2018-10-23 | 国网山东省电力公司电力科学研究院 | 一种基于参量退化方程的智能电能表误差预估方法 |
CN109117566A (zh) * | 2018-08-24 | 2019-01-01 | 中国电子科技集团公司第三十六研究所 | 一种基于产品寿命预测模型的混合维修规划方法 |
CN109919383A (zh) * | 2019-03-11 | 2019-06-21 | 中国电子科技集团公司第三十六研究所 | 一种产品预测维修方法和装置 |
CN109933890A (zh) * | 2019-03-11 | 2019-06-25 | 中国电子科技集团公司第三十六研究所 | 一种产品综合维修方法和装置 |
CN109933890B (zh) * | 2019-03-11 | 2023-07-14 | 中国电子科技集团公司第三十六研究所 | 一种产品综合维修方法和装置 |
CN110020472A (zh) * | 2019-03-29 | 2019-07-16 | 中国电子科技集团公司第三十六研究所 | 一种产品剩余寿命预测方法、装置和系统 |
CN110909442B (zh) * | 2019-10-11 | 2021-09-28 | 北京航空航天大学 | 一种考虑维修负面效果的维修效果建模方法 |
CN110909442A (zh) * | 2019-10-11 | 2020-03-24 | 北京航空航天大学 | 一种考虑维修负面效果的维修效果建模方法 |
CN114077933A (zh) * | 2022-01-13 | 2022-02-22 | 常州艾肯智造科技有限公司 | 蒸汽在线监测数据实时传输系统及方法 |
CN114077933B (zh) * | 2022-01-13 | 2022-04-15 | 常州艾肯智造科技有限公司 | 蒸汽在线监测数据实时传输系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105095990B (zh) | 2019-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105095990A (zh) | 一种预测维修方法和装置 | |
CN107991870B (zh) | 一种电扶梯设备的故障预警与寿命预测方法 | |
US10521490B2 (en) | Equipment maintenance management system and equipment maintenance management method | |
CN103793854B (zh) | 多重组合优化的架空输电线路运行风险信息化评估方法 | |
CN103793752B (zh) | 一种基于退化建模的设备失效次数预测方法 | |
KR20170123332A (ko) | 데이터 클린징 시스템 및 공급물 조성을 추론하기 위한 방법 | |
CN109540212A (zh) | 一种基于大数据的电缆井状态评估预警系统及方法 | |
CN107895014B (zh) | 一种基于MapReduce框架的时间序列桥梁监测数据分析方法 | |
CN105067209A (zh) | 基于桥梁健康监测变形数据判定桥梁结构刚度变化的方法 | |
Mills et al. | Developing pavement performance models for Delaware | |
CN103678858A (zh) | 一种存在竞争失效条件下的设备剩余寿命预测方法 | |
CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
WO2024041233A1 (zh) | 桥梁结构多因素耦合作用疲劳损伤与寿命的评估方法 | |
Kong et al. | Remaining useful life prediction for degrading systems with random shocks considering measurement uncertainty | |
Jin et al. | An optimal maintenance strategy for multi-state deterioration systems based on a semi-Markov decision process coupled with simulation technique | |
CN104408525A (zh) | 作业车间调度风险的量化评估与控制方法 | |
Schneider | Time-variant reliability of deteriorating structural systems conditional on inspection and monitoring data | |
CN117764422A (zh) | 智慧节能运维管理云平台 | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
CN105302476B (zh) | 一种用于核电站设备的可靠性数据在线采集分析存储系统及其存储方法 | |
CN110083933B (zh) | 一种考虑随机效应的腐蚀管道贝叶斯退化分析方法 | |
CN115640652B (zh) | 一种轴向柱塞泵剩余寿命预测方法 | |
CN111751508A (zh) | 一种水质传感器生命周期的性能评估预测方法及系统 | |
Zhou et al. | Quantification of value of information associated with optimal observation actions within partially observable Markov decision processes | |
Long et al. | The effects of SHM system parameters on the value of damage detection information |
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 |