CN107730127B - 基于输出特性初始分布的继电器贮存退化数据预测方法 - Google Patents
基于输出特性初始分布的继电器贮存退化数据预测方法 Download PDFInfo
- Publication number
- CN107730127B CN107730127B CN201710993431.6A CN201710993431A CN107730127B CN 107730127 B CN107730127 B CN 107730127B CN 201710993431 A CN201710993431 A CN 201710993431A CN 107730127 B CN107730127 B CN 107730127B
- Authority
- CN
- China
- Prior art keywords
- relay
- degradation
- storage
- distribution
- initial distribution
- 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.)
- Active
Links
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 98
- 230000015556 catabolic process Effects 0.000 title claims abstract description 96
- 238000009826 distribution Methods 0.000 title claims abstract description 88
- 238000003860 storage Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000012546 transfer Methods 0.000 claims abstract description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims abstract description 4
- 230000007704 transition Effects 0.000 claims description 15
- 239000002245 particle Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000013461 design Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 12
- 239000000047 product Substances 0.000 description 15
- 230000035882 stress Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于输出特性初始分布的继电器贮存退化数据预测方法,包括如下步骤:获取继电器输出特性的初始分布情况;开展继电器加速贮存试验,并获取贮存退化数据;根据贮存退化数据,应用极大似然估计方法拟合其退化轨迹,选定拟合效果最优的退化模型函数形式;将所选定的最优退化模型函数形式,转化为表征输出特性退化数据与输出特性初始值关系的函数表达式,作为状态转移方程;结合输出特性初始分布情况以及状态转移方程,预测继电器退化模型中未知系数的分布情况;随机抽样继电器输出特性初始分布与未知系数分布,代入状态转移方程,实现对继电器贮存退化数据的预测。本发明可有效提高继电器产品贮存可靠性的评估准确度。
Description
技术领域
本发明涉及继电器产品性能分析与数据预测技术领域,特别涉及一种基于输出特性初始分布的继电器贮存退化数据预测方法。
背景技术
产品在贮存过程与工作过程中都会发生功能、性能上的退化以及失效,其区别仅体现在导致产品退化的应力种类、应力大小以及作用方式上。贮存过程作为产品寿命周期的一项重要组成部分,其中的温度、湿度、振动等多种环境应力的综合作用是导致产品性能发生贮存退化的主要因素。相对于工作可靠性研究来说,在贮存可靠性的研究中通常需要更多的试验样本数量、更长的试验时间、更精确的试验设备。以航天电磁继电器为代表的高可靠性机电类产品通常具有生产周期长、产品数量少、试验数据不充足的特点,如何在试验数据有限的前提下准确评估其贮存可靠性是分析其贮存性能时的一个无法回避的重要问题。因而,怎样在有限的试验成本和试验条件下,基于有限的试验数据来尽可能的使贮存可靠性评估结果与实际情况相吻合,是贮存可靠性研究领域中一项亟待解决的问题。
数据预测技术(如卡尔曼滤波、粒子滤波、灰色理论等)由于能够以现有数据为基础,通过对数据内部潜在信息的分析以实现对其未来趋势以及分布情况的预测。因此,能够一定程度上解决贮存可靠性评估中所面临的样本量以及数据不充分等问题。众所周知,产品的可靠性是由设计、加工和管理共同决定的。而对于继电器来说,其输出特性的初始分布情况是对其设计和加工水平的充分体现,其中蕴含了丰富的贮存可靠性信息。因而,采用数据预测方法,基于继电器输出特性的初始分布情况对继电器贮存全过程的退化数据进行预测,能够实现对贮存可靠性评估所需信息的丰富与补充,从而有效提高继电器产品贮存可靠性的评估准确度。
发明内容
为了解决在评估继电器贮存可靠性的过程中,仅依据少量继电器样本的贮存退化数据无法体现批次产品退化过程中的输出特性分布情况,从而无法准确评估继电器产品的贮存可靠性的问题,本发明的主要目的是提供一种基于输出特性初始分布的继电器贮存退化数据预测方法,其利用继电器输出特性的初始分布对其输出特性的贮存退化情况进行预测,从而更准确的反映批次产品贮存退化过程中输出特性的分布情况,提高贮存可靠性评估准确度。
为了达到上述目的,本发明提供一种基于输出特性初始分布的继电器贮存退化数据预测方法,包括如下步骤:
获取继电器输出特性的初始分布情况;
开展继电器加速贮存试验,并获取贮存退化数据;
根据贮存退化数据,应用极大似然估计方法拟合其退化轨迹,选定拟合效果最优的退化模型函数形式;
将所选定的最优退化模型函数形式,转化为表征输出特性退化数据与输出特性初始值关系的函数表达式,作为状态转移方程;
结合输出特性初始分布情况以及状态转移方程,预测继电器退化模型中未知系数的分布情况;
随机抽样继电器输出特性初始分布与未知系数分布,代入状态转移方程,实现对继电器贮存退化数据的预测。
较佳的实施方式,所述的继电器输出特性指继电器的吸合时间、释放时间、接触电阻、接触压降、超程时间及稳定时间。
较佳的实施方式,所述的输出特性初始分布通过继电器生产厂家的历史统计数据获取或者基于继电器的设计、生产、工艺参数,通过对继电器进行建模仿真获取,所述继电器样本数量至少为5只。
较佳的实施方式,所述的加速贮存退化试验采用温度应力进行加速。
较佳的实施方式,采用蒙特卡洛方法实现对所述输出特性初始分布以及未知系数分布情况的随机抽样。
较佳的实施方式,在结合输出特性初始分布情况以及状态转移方程,预测继电器退化模型中未知系数的分布情况的步骤中,包括如下子步骤:
通过试验继电器退化模型的参数确定初始参数集;
通过状态转移方程预测生成新粒子集;
重要度采样及权重计算;
重采样得到新粒子集及模型参数集;
判断是否为最后一组试验数据,如果是,则执行下一步,如果否,则重新通过试验继电器退化模型的参数确定初始参数集;
对参数集进行统计分析,获取分布情况。
与现有技术相比,本发明的有益效果在于:本发明提出一种基于输出特性初始分布的继电器贮存退化数据预测方法;通过对少量继电器样本进行加速贮存退化试验,结合基于历史统计数据或仿真等手段获取的继电器输出特性初始分布情况,实现对继电器批次产品贮存退化数据的预测。解决了继电器贮存可靠性评估所需样本量过大、成本过高,以及因继电器贮存试验样本量不足而导致贮存可靠性评估结果不够准确的问题。
本发明通过数据预测的思想,对继电器贮存退化的全过程进行预测,可有效降低进行继电器贮存可靠性评估所需的样本数量,节约试验成本。此外,本发明所采用的输出特性初始分布来源于继电器厂家的历史统计数据,或基于设计、工艺参数等的仿真数据,数据来源准确,基于此类数据进行贮存退化数据预测的结果可信程度高。本发明为继电器贮存退化数据预测与可靠性评估提供了一种新的思路。
附图说明
图1为本发明所述基于输出特性初始分布的继电器贮存退化数据预测方法的流程图;
图2为所述的结合继电器输出特性初始分布情况以及状态转移方程预测继电器退化模型中未知系数分布情况的流程图;
图3为获取其释放时间的退化数据;
图4为所述退化数据拟合结果图;
图5为所述未知系数a的分布情况柱状图;
图6为所述500组继电器贮存退化数据的预测结果示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
图1为本发明所述基于输出特性初始分布的继电器贮存退化数据预测方法的流程图;本发明提供一种基于输出特性初始分布的继电器贮存退化数据预测方法,下面结合图1说明本实施方式,本实施方式所述基于输出特性初始分布的继电器贮存退化数据预测方法,它包括以下步骤:
步骤S1:获取继电器输出特性的初始分布情况,即贮存时间t=0时刻的输出特性分布情况;
步骤S2:开展继电器加速贮存试验,并获取贮存退化数据,具体是对M只继电器样本开展加速贮存退化试验,并获取第i只继电器样本在贮存时间t时的贮存退化数据Dit,;
步骤S3:根据步骤S2所获取的M只样本贮存退化数据Dit,应用极大似然估计方法拟合其退化轨迹,选定拟合效果最优的退化模型函数形式;
步骤S4:将步骤S3所选定的最优退化模型函数形式,转化为表征输出特性退化数据与输出特性初始值关系的函数表达式,并以之作为状态转移方程;
步骤S5:结合步骤S1所确定的继电器输出特性初始分布情况以及步骤S4所确定的状态转移方程,预测继电器退化模型中未知系数的分布情况;
步骤S6:随机抽样继电器输出特性初始分布与未知系数分布,代入状态转移方程,实现对继电器贮存退化数据的预测,即对输出特性初始分布以及步骤S5所获取的所述未知系数分布情况分别进行随机抽样,得到m组输出特性初始值与未知系数的组合,代入步骤S4所确定的状态转移方程中,得到m组继电器贮存退化数据的预测结果。
下面结合图1对上述步骤作进一步说明。
在步骤S1中,所述的继电器输出特性指继电器的吸合时间、释放时间、接触电阻、接触压降、超程时间、稳定时间等参数。所述的输出特性初始分布可通过继电器生产厂家的历史统计数据获取。所述的输出特性初始分布还可以基于继电器的设计、生产、工艺参数,通过对继电器进行建模仿真获取。
在步骤S2中,所述的继电器样本数量应至少为5只。所述的加速贮存退化试验可采用温度应力进行加速。
在步骤S3中,所述的退化模型函数一般可以为表1所述的相应形式:
表1
在步骤S4中,以△X(t)=F(t,Θ)表示t时刻各继电器样本退化增量的数学模型,其中Θ={θi1,θi2,…,θin}i={1,2,…,M}为模型系数,θij表示样本i的第j个退化模型系数。则结合步骤S3种所选定的最优退化模型函数形式,可确定t时刻各样本的退化数据的表达式,即状态转移方程,可表示为:
X(t)=X(0)+F(t,Θ) (1)
在步骤S5中,所述的结合继电器输出特性初始分布情况以及状态转移方程预测继电器退化模型中未知系数分布情况的流程如图2所示。
在步骤S6中,可采用蒙特卡洛方法实现对所述输出特性初始分布以及未知系数分布情况的随机抽样。
下面结合图2对步骤S5作进一步说明。
在步骤S5中,试验继电器样本t时刻的实测贮存退化数据为Dt=(D1t,D2t,…,DMt),其输出特性初始分布的概率密度函数为f(x(0)),对Θ的分布情况进行预测的具体步骤如下:
计算新粒子权重:
通过公式(4)归一化粒子权重;
下面结合图2至图6说明本实施方式,本实施方式对上述进行进一步说明,本实施方式基于输出特性初始分布对某型号继电器进行贮存退化数据预测的具体步骤如下:
所述步骤S1为:根据某型号继电器的设计、生产及工艺参数,通过多物理场仿真的方式获取所述继电器释放时间的初始分布类型为正态分布,且初始释放时间D(0)~N(1706,144-2)。
所述步骤S2为:对10只继电器样本开展加速贮存退化试验,获取其释放时间的退化数据如图3所示。
所述步骤S3为:对退化数据进行拟合,选定最优退化模型函数形式为:D(t)=alog t+b。
图4为所述退化数据拟合结果图。
所述步骤S4为:将步骤S3所选定的最优退化模型函数形式,转化为表征输出特性退化数据与输出特性初始值关系的状态转移方程,由于t=0时,logt项为负无穷,不符合实际情况,因而假定D(0)=b,则状态转移方程为:D(t)=a log t+D(0)。
所述步骤S5为:结合D(0)~N(1706,144-2)以及D(t)=a log t+D(0),预测继电器退化模型中未知系数的分布情况。
图5为所述未知系数a的分布情况柱状图。
所述步骤S6为:对D(0)~N(1706,144-2)以及步骤S5所获取的所述未知系数分布情况分别进行随机抽样,得到500组输出特性初始值与未知系数的组合,代入步骤S4所确定的状态转移方程中,得到500组继电器贮存退化数据的预测结果。
图6为所述500组继电器贮存退化数据的预测结果示意图。
综上所述,本发明提出一种基于输出特性初始分布的继电器贮存退化数据预测方法;通过对少量继电器样本进行加速贮存退化试验,结合基于历史统计数据或仿真等手段获取的继电器输出特性初始分布情况,实现对继电器批次产品贮存退化数据的预测。解决了继电器贮存可靠性评估所需样本量过大、成本过高,以及因继电器贮存试验样本量不足而导致贮存可靠性评估结果不够准确的问题。
本发明通过数据预测的思想,对继电器贮存退化的全过程进行预测,可有效降低进行继电器贮存可靠性评估所需的样本数量,节约试验成本。此外,本发明所采用的输出特性初始分布来源于继电器厂家的历史统计数据,或基于设计、工艺参数等的仿真数据,数据来源准确,基于此类数据进行贮存退化数据预测的结果可信程度高。本发明为继电器贮存退化数据预测与可靠性评估提供了一种新的思路。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于输出特性初始分布的继电器贮存退化数据预测方法,其特征在于,包括如下步骤:
S1:获取继电器输出特性的初始分布情况;
S2:对M只继电器样本开展继电器加速贮存试验,并获取第i只继电器样本在贮存时间t时的贮存退化数据Dit,其中i={1,2,…,M};
S3:根据步骤S2所获取的M只继电器样本的贮存退化数据Dit,应用极大似然估计方法拟合其退化轨迹,选定拟合效果最优的退化模型函数形式;
S4:将步骤S3所选定的最优退化模型函数形式,转化为表征输出特性退化数据与输出特性初始值关系的函数表达式,作为状态转移方程;
S5:结合步骤S1所确定的输出特性初始分布情况以及步骤S4所确定的状态转移方程,预测继电器退化模型中未知系数的分布情况;
S6:对步骤S1所确定的继电器输出特性初始分布情况与步骤S5所预测的未知系数的分布情况分别进行随机抽样,得到m组输出特性初始值与未知系数的组合,代入步骤S4所确定的状态转移方程中,实现对m组继电器贮存退化数据的预测。
2.根据权利要求1所述的一种基于输出特性初始分布的继电器贮存退化数据预测方法,其特征在于,所述的继电器输出特性指继电器的吸合时间、释放时间、接触电阻、接触压降、超程时间及稳定时间。
3.根据权利要求1所述的一种基于输出特性初始分布的继电器贮存退化数据预测方法,其特征在于,所述的输出特性初始分布通过继电器生产厂家的历史统计数据获取或者基于继电器的设计、生产、工艺参数,通过对继电器进行建模仿真获取,所述继电器样本数量至少为5只。
4.根据权利要求1所述的一种基于输出特性初始分布的继电器贮存退化数据预测方法,其特征在于,所述的加速贮存试验采用温度应力进行加速。
5.根据权利要求1所述的一种基于输出特性初始分布的继电器贮存退化数据预测方法,其特征在于,采用蒙特卡洛方法实现对所述输出特性初始分布以及未知系数分布情况的随机抽样。
6.根据权利要求1所述的一种基于输出特性初始分布的继电器贮存退化数据预测方法,其特征在于,在结合输出特性初始分布情况以及状态转移方程,预测继电器退化模型中未知系数的分布情况的步骤S5中,包括如下子步骤:
通过试验继电器退化模型的参数确定初始参数集;
通过状态转移方程预测生成新粒子集;
重要度采样及权重计算;
重采样得到新粒子集及模型参数集;
判断是否为最后一组试验数据,如果是,则执行下一步,如果否,则重新通过试验继电器退化模型的参数确定初始参数集;
对参数集进行统计分析,获取分布情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710993431.6A CN107730127B (zh) | 2017-10-23 | 2017-10-23 | 基于输出特性初始分布的继电器贮存退化数据预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710993431.6A CN107730127B (zh) | 2017-10-23 | 2017-10-23 | 基于输出特性初始分布的继电器贮存退化数据预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107730127A CN107730127A (zh) | 2018-02-23 |
CN107730127B true CN107730127B (zh) | 2021-09-24 |
Family
ID=61213352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710993431.6A Active CN107730127B (zh) | 2017-10-23 | 2017-10-23 | 基于输出特性初始分布的继电器贮存退化数据预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107730127B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710745B (zh) * | 2018-05-16 | 2019-05-24 | 哈尔滨工业大学 | 一种结合制造工艺数据的机电产品可靠性评估方法 |
CN108920839A (zh) * | 2018-07-04 | 2018-11-30 | 哈尔滨工业大学 | 结合工艺及可靠性框图的滚控电子模块贮存可靠性评估方法 |
CN108984882A (zh) * | 2018-07-04 | 2018-12-11 | 哈尔滨工业大学 | 结合制造工艺及仿真的滚控电子模块贮存可靠性评估方法 |
CN109033555A (zh) * | 2018-07-04 | 2018-12-18 | 哈尔滨工业大学 | 结合制造工艺及仿真的继电器类单机贮存可靠性评估方法 |
CN108897961A (zh) * | 2018-07-04 | 2018-11-27 | 哈尔滨工业大学 | 结合工艺及可靠性框图的电子类单机贮存可靠性评估方法 |
CN109033556A (zh) * | 2018-07-04 | 2018-12-18 | 哈尔滨工业大学 | 结合工艺及可靠性框图的继电器类单机贮存可靠性评估方法 |
CN108984881A (zh) * | 2018-07-04 | 2018-12-11 | 哈尔滨工业大学 | 结合制造工艺及仿真的电子类单机贮存可靠性评估方法 |
CN113255128A (zh) * | 2021-05-21 | 2021-08-13 | 哈尔滨工业大学 | 一种考虑产品分散性的退化机理辨识方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807900A (zh) * | 2010-03-10 | 2010-08-18 | 北京航空航天大学 | 基于并行遗传重采样的粒子滤波技术 |
CN102542155A (zh) * | 2011-12-05 | 2012-07-04 | 北京航空航天大学 | 基于加速退化数据的粒子滤波剩余寿命预测方法 |
CN104316872A (zh) * | 2014-11-11 | 2015-01-28 | 中国人民解放军国防科学技术大学 | 基于步降加速退化试验的压力继电器贮存寿命预测方法 |
CN104635155A (zh) * | 2015-03-11 | 2015-05-20 | 哈尔滨工业大学 | 基于Wiener过程的继电器可靠性评估方法 |
CN106407625A (zh) * | 2016-11-23 | 2017-02-15 | 福州大学 | 一种土木工程结构可靠度演化及剩余寿命预测方法 |
-
2017
- 2017-10-23 CN CN201710993431.6A patent/CN107730127B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807900A (zh) * | 2010-03-10 | 2010-08-18 | 北京航空航天大学 | 基于并行遗传重采样的粒子滤波技术 |
CN102542155A (zh) * | 2011-12-05 | 2012-07-04 | 北京航空航天大学 | 基于加速退化数据的粒子滤波剩余寿命预测方法 |
CN104316872A (zh) * | 2014-11-11 | 2015-01-28 | 中国人民解放军国防科学技术大学 | 基于步降加速退化试验的压力继电器贮存寿命预测方法 |
CN104635155A (zh) * | 2015-03-11 | 2015-05-20 | 哈尔滨工业大学 | 基于Wiener过程的继电器可靠性评估方法 |
CN106407625A (zh) * | 2016-11-23 | 2017-02-15 | 福州大学 | 一种土木工程结构可靠度演化及剩余寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107730127A (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730127B (zh) | 基于输出特性初始分布的继电器贮存退化数据预测方法 | |
CN110442936B (zh) | 基于数字孪生模型的设备故障诊断方法、装置及系统 | |
Zhang et al. | Degradation data analysis and remaining useful life estimation: A review on Wiener-process-based methods | |
CN110851980B (zh) | 一种设备剩余寿命预测方法及系统 | |
CN107436963B (zh) | 一种基于Copula函数多元退化的O型橡胶密封圈寿命预测方法 | |
CN103310051B (zh) | 一种全寿命周期内的车载信息终端故障率预测方法 | |
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 | |
CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
CN113761751A (zh) | 基于温度加速因子的锂离子电池剩余寿命预测方法及系统 | |
CN112182935A (zh) | 基于兰姆波缺陷定量的结构可靠性敏感性分析方法 | |
CN111523727B (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
CN117077327A (zh) | 基于数字孪生的轴承寿命预测方法及系统 | |
Rodríguez‐Borbón et al. | Reliability estimation for accelerated life tests based on a Cox proportional hazard model with error effect | |
CN116930609A (zh) | 一种基于ResNet-LSTM模型的电能计量误差分析方法 | |
CN111160666A (zh) | 强噪声与非周期状态监测的健康状态与可靠性评估方法 | |
CN116629010B (zh) | 一种基于随机过程的退化模型确认及其试验设计方法 | |
JP2021193563A (ja) | 資産の予測健全性解析を実行するための方法およびコンピューティングシステム | |
CN116957534A (zh) | 一种预测智能电表更换数量的方法 | |
CN110889186B (zh) | 灰关联分析的加速贮存与自然贮存退化数据一致性检验法 | |
Li et al. | Storage life prediction method of the aerospace electromagnetic relays based on physics of failure and data-driven fusion | |
CN115640542A (zh) | 基于贝叶斯理论的智能电能表状态评估方法及评估装置 | |
Nabila et al. | Gamma process with covariets and remaining useful life improvement in an actuator | |
CN112445632A (zh) | 基于故障数据建模的hpc可靠性评估方法 | |
CN115081200B (zh) | 复杂设备的加速因子及失效边界域分析方法 | |
Zhang et al. | A new residual life prediction method for complex systems based on wiener process and evidential reasoning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |