CN107766628A - 一种基于寿命信息融合的动态退化可靠性评估方法 - Google Patents

一种基于寿命信息融合的动态退化可靠性评估方法 Download PDF

Info

Publication number
CN107766628A
CN107766628A CN201710912126.XA CN201710912126A CN107766628A CN 107766628 A CN107766628 A CN 107766628A CN 201710912126 A CN201710912126 A CN 201710912126A CN 107766628 A CN107766628 A CN 107766628A
Authority
CN
China
Prior art keywords
mrow
msub
mfrac
msup
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
Application number
CN201710912126.XA
Other languages
English (en)
Other versions
CN107766628B (zh
Inventor
王治华
张奡
张勇波
傅惠民
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN201710912126.XA priority Critical patent/CN107766628B/zh
Publication of CN107766628A publication Critical patent/CN107766628A/zh
Application granted granted Critical
Publication of CN107766628B publication Critical patent/CN107766628B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Complex Calculations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明提供一种基于寿命信息融合的动态退化可靠性评估方法，步骤如下：一：确定关键性能参数及其失效阈值；二：建立退化模型；三：确定模型退化率的先验分布；四：基于贝叶斯理论得到当前时刻退化率的后验分布，得到更新的性能退化模型；五：对服役单机进行可靠性评估；六：进行动态可靠性分析和寿命预测。本发明基于性能退化寿命信息融合的思想，采用退化可靠性分析手段，融合同类产品在先寿命信息或关键部组件寿命信息与实时运行单机的性能监测寿命息；基于贝叶斯理论，通过以上步骤，达到了对单机的可靠性和寿命进行动态分析和评估的效果，解决了高可靠性长寿命产品单机可靠性评估的实际问题。

Description

一种基于寿命信息融合的动态退化可靠性评估方法
技术领域
本发明提供一种基于寿命信息融合的动态退化可靠性评估方法,它涉及一种基于寿命信息融合针对单机产品的动态退化可靠性评估方法。旨在融合实时运行的单机产品性能退化寿命信息与总体性能退化寿命信息，构建合理的在线退化可靠性模型，解决高可靠长寿命产品单机实时性能退化可靠性分析问题，属于可靠性工程领域。
背景技术
当前的可靠性工程领域对产品可靠性要求极其严格，任务剖面和运行状态的个性化、多样化，使单机动态可靠性备受关注。如何面向全服役周期进行有效的状态监测和动态可靠性分析已成为可靠性工程领域迫切需要解决的热点和难点问题。
为此，借助性能退化可靠性分析方法，结合在先同类产品寿命信息和/或关键部组件寿命信息构建合理的退化模型，在单机服役期间，基于实时监测数据对退化模型进行在线更新，实现高可靠长寿命产品单机可靠性的实时分析和预报。
退化型失效是指产品的性能特征量随着时间的推移逐渐劣化直到不能满足规定的工作状态的现象，比如材料的老化、机械零件的磨损等等。在工程实际中，大部分失效过程都可以用退化失效来描述，所以对退化失效过程进行建模分析具有重要的现实意义。退化路径是使用较早的退化模型。随着认识的不断深入，研究人员发现性能退化过程往往受到多种随机因素的影响，采用随机过程方法描述和分析更为合理和有效。Singpurwalla概括性地提出了用于说明失效机制的一些随机过程，其中维纳过程是应用最为普遍的退化模型之一，研究者已经建立了一系列的模型，包括简单维纳过程模型、混合效应维纳过程模型、考虑测量误差的维纳过程模型以及基于时间尺度变换的维纳过程等。
在单机动态可靠性分析方面，Gebraeel等针对旋转元件轴承，通过贝叶斯原理建立同一系统过去和现在的退化状况之间的联系，提出了一种指数剩余寿命预测模型。基于系统中固定参数的历史退化信息，得到模型参数的最大似然估计；基于轴承实时监测的退化数据，进行动态分析。
本发明基于退化寿命信息融合的思想，提出了一种基于寿命信息融合的动态退化可靠性评估方法，包括融合同类产品在先寿命信息和/或关键部组件寿命信息和单机性能监测寿命信息的退化建模，采用贝叶斯理论结合单机实时监测信息的退化模型在线更新方法，最后对单机的可靠性和寿命进行实时评估和分析。
发明内容
目的：针对高可靠性长寿命产品单机服役期间的可靠性评估的特点和难点，提出一种基于寿命信息融合的动态退化可靠性评估方法，它是一种方便有效的小子样单机可靠性评估方法。
技术方案：
本发明提出了一种基于寿命信息融合的动态退化可靠性评估方法，其实现步骤如下：
步骤一：对产品的结构特点和失效模式进行分析，确定关键性能参数及其失效阈值；
步骤二：根据产品关键性能参数随时间的退化规律，建立退化模型，其中模型参数分为两类，表征总体退化寿命特征的固定参数和表征单机个体退化寿命特征的随机参数；本发明以性能退化率作为随机参数，假设其服从正态分布，来表征单机性能退化的个体差异；
步骤三：融合产品或关键部组件在先退化试验得到的关键性能参数退化数据，采用极大似然估计法，估计退化模型中各未知参数，确定模型退化率的先验分布；
步骤四：根据退化率的先验分布，融合服役单机的动态性能退化监测结果，基于贝叶斯理论得到当前时刻退化率的后验分布，得到更新的性能退化模型；
步骤五：利用融合了产品单机在线监测信息的退化模型，对服役单机进行可靠性评估；
步骤六：随着服役单机性能监测的不断推进，采用贝叶斯理论在线更新性能退化模型，并进行动态可靠性分析和寿命预测。
本发明基于性能退化寿命信息融合的思想，采用退化可靠性分析手段，融合同类产品在先寿命信息和/或关键部组件寿命信息与实时运行单机的性能监测寿命信息。基于贝叶斯理论，通过以上步骤，达到了对单机的可靠性和寿命进行动态分析和评估的效果，解决了高可靠性长寿命产品单机可靠性评估的实际问题。
其中，在步骤一中所述的“对产品的结构特点和失效模式进行分析，确定关键性能参数及其失效阈值”，其做法如下：
结合已有经验，对产品整机、关键部组件的物理工作过程进行分析，确定其关键失效模式和机理，进而确定能够作为失效判别依据的性能参数及其失效阈值。对于产品或关键部组件性能退化试验或在先服役期间得到性能参数的退化数据，记第i个试样在时刻ti1＜ti2＜…＜tin进行测量得到退化测量值zi1,zi2,...,zin，i＝1,2,3,...,m，分析退化过程测试结果统计特征的变化规律；在工程实际中，产品退化过程的均值通常为线性规律或通过适当变换为线性规律(例如，线性、二次函数、对数、指数、幂函数等变换)；不失一般性，定义变换时间x为测试时间t的严格单调递增函数定义性能参数退化量变换函数y＝φ(z)，使得到的退化过程y＝y(x)具备线性独立增量特性。
其中，在步骤二中所述的“根据产品关键性能参数随时间的退化规律，建立退化模型”，其做法如下：
1.产品性能退化均值的确定；通过测试时间和/或性能参数值的变换，对试样i，其性能退化均值pi(x)与测试时间为如下线性关系
pi(x)＝αi+βix i＝1,2,…,m (1)
其中pi(x)表示试件i性能参数的退化均值函数；x表示变换后的测试时间；αi和βi为第i个试件的模型参数；
2.样本方差形式的确定；在x时刻，退化参数的方差的无偏估计为
其中m表示试件的个数，表示x时刻性能参数的平均退化量，为各试样模型参数的均值。则
可见，在产品退化均值为线性的情况下，退化过程的方差可以表示为时间x的二次函数；
3.产品单机退化路径差异性考虑；在实际应用中，产品个体退化过程之间存在差异，其中退化率β的个体差异性最为显著；因此，假定表征个体差异性；
4.性能参数退化建模；基于上述分析，本发明提出一种考虑产品个体间差异的线性独立增量过程退化模型，可表示为
式中α，μβ，σβ 2，d0，d1和d2均为模型参数，其中α是固定参数；β是服从正态分布的随机参数体现退化过程的个体差异性；α+βx表示产品性能的退化均值；ε(ti)为独立增量过程，且β与ε(ti)相互独立；
定义Δε1＝ε(x1)，Δε2＝ε(x2)-ε(x1),…,Δεn＝ε(xn)-ε(xn-1)，根据独立增量过程的特点，有
Δεj～N(0,d1(xj-xj-1)+d2(xj 2-xj-1 2)) (5)
Δε1～N(0,d0+d1x1+d2x1 2) (6)
。
其中，在步骤三中所述的“融合产品或关键部组件在先退化试验得到的关键性能参数退化数据，采用极大似然估计法，估计退化模型中各未知参数，确定模型退化率的先验分布”，其做法如下：
1.确定似然函数的形式
设第i个试件的退化量测量值为yi1,yi2,...,yin，令xi＝(xi1,xi2,...,xin)'，yi＝(yi1,yi2,...,yin)'，则yi服从正态分布，其均值为αIn×1+μβxi；根据线性独立增量过程的定义，可以确定协方差矩阵为其中In×1＝(1,1,...,1)'n×1，且：
进而可得到m个试件的对数极大似然函数为：
式中，L(θ)表示极大似然函数；yi表示退化量的向量；μβ表示退化量期望值的向量；Σ为各试件协方差矩阵；Σ表示协方差矩阵的行列式。
2.计算模型参数
上式对参数α和μβ求偏导，有
由上两式为0并结合对数似然函数的表达式，可以得到相应的条件对数似然函数；然后，利用多维搜索使其取得最大值，可以得到参数的极大似然估计，以及退化率β的先验分布遗传算法(GA)为这种组合优化问题的解决提供了一种很好的途径，也是相对简单并且可靠收敛的。
其中，在步骤四中所述的“根据退化率的先验分布，融合服役单机的动态性能退化监测结果，基于贝叶斯理论得到当前时刻退化率的后验分布，得到更新的性能退化模型”，具体过程为：
在实际应用中，个体间退化过程存在差异，这种差异由随机参数β表征；
根据服役单机截止当前时刻的退化数据序列y1:k＝{y1,y2,…,yk},yi＝y(xi)，定义Δy1＝y1，Δyi＝yi-yi-1，Δx1＝x1,Δxi＝xi-xi-1；由于ε(t1),ε(xi)-ε(xi-1),i＝2,…,k是独立的正态随机变量，所以在给定β时y1:k的联合条件概率密度函数为
其中Δσ2(x1)是在第一个测试时间点x1时的方差，Δσ2(xi)＝σ2(xi)-σ2(xi-1)表示在时间区间(xi-1,xi),i＝1,2,…,k.上退化增量的方差；
设π(β)是β的先验分布，本专利假设随机参数β服从正态分布则根据贝叶斯理论
一方面，后验分布满足
另一方面，后验分布又满足：
上述两式β2,β项的系数应该相等，得到：
于是，由贝叶斯理论得出对的更新结果，系统将基于实时退化监测结果不断更新均值参数μβ和方差参数
在对产品单机性能参数监测得到退化数据序列y1:k后，其后验分布可由贝叶斯理论得到为
式中先验分布所对应的后验分布的均值和方差，Δσ2(t1)是在第一个测试时间点x1时的方差，Δσ2(xi)＝σ2(xi)-σ2(xi-1)表示在时间区间(xi-1,xi),i＝1,2,…,k.上退化增量的方差。
其中，在步骤五中所述的“利用融合了产品单机在线监测信息的退化模型，对服役单机进行可靠性评估”，其做法如下：
1.根据上述推导和分析，在测试时刻x，被监测单机产品性能参数退化量Y(x)的分布函数为
式中σ2(x)＝Var(Y(x))＝σβ 2x2+d0+d1x+d2x2为性能参数退化量的方差，βk为融合了产品单机性能参数退化信息的退化率，Φ(·)为标准正态分布的分布函数，FY(y|x)表示性能参数退化量Y(x)的分布函数；
2.假设产品的失效阈值为Df，若βk＞0，则产品寿命T的分布函数为
若βk＜0，则产品寿命T的分布函数为
式中P表示概率，FT表示产品寿命T的分布函数。
3.可靠度为R的可靠寿命t1-R可通过求解下式得到
若1-R＝0.50，可以得到中位失效寿命为
其中，在步骤六中所述的“随着服役单机性能监测的不断推进，采用贝叶斯理论在线更新性能退化模型，并进行动态可靠性分析和寿命预测”，其作法如下：
随着服役单机性能监测的不断推进，单机性能参数监测得到退化数据序列y1:k＝{y1,y2,…,yk}不断得到新的数据点，根据步骤四退化率的均值方差更新方法对退化模型进行更新，得到新的退化模型，再根据步骤五的可靠性分析步骤对产品进行动态可靠性分析和寿命预测，从而得到随单机监测进行实时更新的单机可靠性分析结果。
本发明的优点与积极效果在于：
(1)基于静态线性独立增量过程退化模型，对于单机产品实时监测结果，融合目标产品实时性能参数退化信息，不断更新退化模型退化率均值和方差参数，使退化模型实时的反应单机产品特征。
(2)利用基于实时监测结果的动态退化模型，给出了单机产品在给定退化失效阈值下可靠性评估方法，具有实际应用价值。
附图说明
图1为在先试验数据的示意图。
图2为单机产品在线监测试验数据的示意图。
图3为本发明所述方法流程图。
图中序号、符号、代号说明如下：
time(t)表示测量时间，Value(z)表示性能参数退化数据。
具体实施方式
下面将结合附图和具体数据对本发明作进一步的详细说明；
附图所示如下：
图1为在先试验数据的示意图，每条线对应一个试样性能退化量的测试结果，横轴为时间，纵轴为性能参数退化量；
图2为单机产品在线监测试验数据的示意图，横轴为时间，纵轴为性能参数退化量；
图3为本发明所述方法流程图。
本发明一种基于寿命信息融合的动态退化可靠性评估方法，见图3所示，其具体步骤如下：
步骤一：对应技术方案中的步骤一，选取合适的退化参数，使其可以通过适当的变换而转化为线性独立增量过程，记第i个试件在时间tj的性能退化测量值为zij，i＝1,2,…,m，j＝1,2,…,n；
其中，退化参数的选取基于物理失效分析开展。
确定退化参数后，本发明以一组工程实测数据为例，共30个测试时刻，15个在先试样性能参数，如图2所示，可以看出测试数据经变换后呈线性变化规律，因而不必对其进行变换。利用退化数据进行下面的步骤。
步骤二：对应技术方案中的步骤二，性能参数退化建模；基于上述分析，本发明提出一种考虑产品个体间差异的线性独立增量过程退化模型，可表示为
步骤三：对应技术方案中的步骤三，计算似然函数，通过极大似然函数法，确定退化模型中的未知参数。具体过程如下：
1.将测试数据表示为向量形式：设第i个试件的退化量测量值为yi1,yi2,...,yin，令xi＝(xi1,xi2,…,xin)'，yi＝(yi1,yi2,...,yin)'，则yi服从正态分布，其均值为αIn×1+μβxi；根据线性独立增量过程的定义，可以确定协方差矩阵为其中In×1＝(1,1,...,1)'n×1，且：
2.定义似然函数。进而可得到m个试件的对数极大似然函数为：
式中，L(θ)表示极大似然函数；yi表示退化量的向量；μβ表示退化量期望值的向量；Σ为各试件协方差矩阵；Σ表示协方差矩阵的行列式。
3.求解模型参数。
采用本文方法进行处理，由于工程实测数据初始值等于0，有α＝0，基于matlab平台，采用优化算法求上述似然函数的极大值，对应的模型参数即为极大似然估计结果，计算结果如下：
μβ σβ d0 d1 d2
4.1151 0.1277 0.0100 0.3458 0.0266
步骤四：对应技术方案中的步骤四，根据退化率的先验分布，融合服役单机的动态性能退化监测结果，基于贝叶斯理论得到当前时刻退化率的后验分布，得到更新的性能退化模型。采用贝叶斯理论基于matlab平台在线更新性能退化模型，得到退化模型后验分布参数μβ,k、σβ,k如图3所示。
步骤五：对应技术方案中的步骤五、六，产品单机监测数据如图3所示。基于在先性能参数得到模型参数先验分布后，采用贝叶斯理论基于matlab平台在线更新性能退化模型，并进行动态可靠性分析和寿命预测，基于上述模型，假设失效阈值100，研究可靠度R＝0.5和R＝0.9的失效寿命继而得到剩余寿命，.基于matlab平台的计算结果如下：

Claims (7)

1.一种基于寿命信息融合的动态退化可靠性评估方法，其特征在于：实现步骤如下：
步骤一：对产品的结构特点和失效模式进行分析，确定关键性能参数及其失效阈值；
步骤二：根据产品关键性能参数随时间的退化规律，建立退化模型；其中模型参数分为两类，表征总体退化寿命特征的固定参数和表征单机个体退化寿命特征的随机参数；本发明以性能退化率作为随机参数，假设其服从正态分布，来表征单机性能退化的个体差异；
步骤三：融合产品及关键部组件在先退化试验得到的关键性能参数退化数据，采用极大似然估计法，估计退化模型中各未知参数，确定模型退化率的先验分布；
步骤四：根据退化率的先验分布，融合服役单机的动态性能退化监测结果，基于贝叶斯理论得到当前时刻退化率的后验分布，得到更新的性能退化模型；
步骤五：利用融合了产品单机在线监测信息的退化模型，对服役单机进行可靠性评估；
步骤六：随着服役单机性能监测的不断推进，采用贝叶斯理论在线更新性能退化模型，并进行动态可靠性分析和寿命预测。
2.根据权利要求1所述的一种基于寿命信息融合的动态退化可靠性评估方法，其特征在于：
在步骤一中所述的对产品的结构特点和失效模式进行分析，确定关键性能参数及其失效阈值，其做法如下：
对产品整机、关键部组件的物理工作过程进行分析，确定其关键失效模式和机理，进而确定能够作为失效判别依据的性能参数及其失效阈值；对于产品及关键部组件性能退化试验及在先服役期间得到性能参数的退化数据，记第i个试样在时刻ti1＜ti2＜…＜tin进行测量得到退化测量值zi1,zi2,...,zin，i＝1,2,3,...,m，分析退化过程测试结果统计特征的变化规律；产品退化过程的均值通常为线性规律及通过变换成为线性规律；不失一般性，定义变换时间x为测试时间t的严格单调递增函数定义性能参数退化量变换函数y＝φ(z)，使得到的退化过程y＝y(x)具备线性独立增量特性。
3.根据权利要求1所述的一种基于寿命信息融合针对单机产品的动态退化可靠性评估方法，其特征在于：
在步骤二中所述的根据产品关键性能参数随时间的退化规律，建立退化模型，其做法如下：
2.1.产品性能退化均值的确定；通过测试时间和性能参数值的变换，对试样i，其性能退化均值pi(x)与测试时间为如下线性关系
pi(x)＝αi+βix i＝1,2,…,m (1)
其中pi(x)表示试件i性能参数的退化均值函数；x表示变换后的测试时间；αi和βi为第i个试件的模型参数；
2.2.样本方差形式的确定；在x时刻，退化参数的方差的无偏估计为
<mrow> <msup> <mi>S</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>m</mi> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msup> <mrow> <mo>&amp;lsqb;</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>-</mo> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>m</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中m表示试件的个数，表示x时刻性能参数的平均退化量，为各试样模型参数的均值；则
<mrow> <msup> <mi>S</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>m</mi> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>&amp;alpha;</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <mfrac> <mn>2</mn> <mrow> <mi>m</mi> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mover> <mi>&amp;alpha;</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>&amp;beta;</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>&amp;beta;</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mi>x</mi> <mo>+</mo> <mfrac> <mn>1</mn> <mrow> <mi>m</mi> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>&amp;beta;</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>&amp;beta;</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> <msup> <mi>x</mi> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
在产品退化均值为线性的情况下，退化过程的方差能表示为时间x的二次函数；
2.3.产品单机退化路径差异性考虑；产品个体退化过程之间存在差异，其中退化率β的个体差异性最为显著；因此，假定表征个体差异性；
2.4.参数退化建模；基于上述分析，本发明提出一种考虑产品个体间差异的线性独立增量过程退化模型，表示为
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>y</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>&amp;alpha;</mi> <mo>+</mo> <msub> <mi>&amp;beta;t</mi> <mi>i</mi> </msub> <mo>+</mo> <mi>&amp;epsiv;</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>&amp;beta;</mi> <mo>~</mo> <mi>N</mi> <mrow> <mo>(</mo> <msub> <mi>&amp;mu;</mi> <mi>&amp;beta;</mi> </msub> <mo>,</mo> <msubsup> <mi>&amp;sigma;</mi> <mi>&amp;beta;</mi> <mn>2</mn> </msubsup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>&amp;epsiv;</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>~</mo> <mi>N</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>,</mo> <msub> <mi>d</mi> <mn>0</mn> </msub> <mo>+</mo> <msub> <mi>d</mi> <mn>1</mn> </msub> <mi>x</mi> <mo>+</mo> <msub> <mi>d</mi> <mn>2</mn> </msub> <msup> <mi>x</mi> <mn>2</mn> </msup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
式中α，μβ，d0，d1和d2均为模型参数，其中α是固定参数；β是服从正态分布的随机参数体现退化过程的个体差异性；α+βx表示产品性能的退化均值；ε(ti)为独立增量过程，且β与ε(ti)相互独立；
定义Δε1＝ε(x1)，Δε2＝ε(x2)-ε(x1),…,Δεn＝ε(xn)-ε(xn-1)，根据独立增量过程的特点，有
Δεj～N(0,d1(xj-xj-1)+d2(xj 2-xj-1 2)) (5)
Δε1～N(0,d0+d1x1+d2x1 2) (6)。
4.根据权利要求1所述的一种基于寿命信息融合针对单机产品的动态退化可靠性评估方法，其特征在于：
在步骤三中所述的融合产品及关键部组件在先退化试验得到的关键性能参数退化数据，采用极大似然估计法，估计退化模型中各未知参数，确定模型退化率的先验分布，其做法如下：
3.1.确定似然函数的形式
设第i个试件的退化量测量值为yi1,yi2,...,yin，令xi＝(xi1,xi2,...,xin)'，yi＝(yi1,yi2,...,yin)'，则yi服从正态分布，其均值为αIn×1+μβxi；根据线性独立增量过程的定义，能确定协方差矩阵为其中In×1＝(1,1,...,1)'n×1，且：
进而能得到m个试件的对数极大似然函数为：
<mrow> <mi>ln</mi> <mrow> <mo>(</mo> <mi>L</mi> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mrow> <mi>m</mi> <mi>n</mi> </mrow> <mn>2</mn> </mfrac> <mi>ln</mi> <mrow> <mo>(</mo> <mn>2</mn> <mi>&amp;pi;</mi> <mo>)</mo> </mrow> <mo>-</mo> <mfrac> <mi>m</mi> <mn>2</mn> </mfrac> <mi>ln</mi> <mo>|</mo> <msub> <mo>&amp;Sigma;</mo> <mi>i</mi> </msub> <mo>|</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;alpha;I</mi> <mrow> <mi>n</mi> <mo>&amp;times;</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>&amp;beta;</mi> </msub> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;prime;</mo> </msup> <msubsup> <mo>&amp;Sigma;</mo> <mi>i</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;alpha;I</mi> <mrow> <mi>n</mi> <mo>&amp;times;</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>&amp;beta;</mi> </msub> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
式中，L(θ)表示极大似然函数；yi表示退化量的向量；μβ表示退化量期望值的向量；Σ为各试件协方差矩阵；Σ表示协方差矩阵的行列式；
3.2计算模型参数
上式对参数α和μβ求偏导，有
<mrow> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <mi>&amp;alpha;</mi> </mrow> </mfrac> <mi>ln</mi> <mrow> <mo>(</mo> <mi>L</mi> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msubsup> <mi>I</mi> <mrow> <mi>n</mi> <mo>&amp;times;</mo> <mn>1</mn> </mrow> <mi>T</mi> </msubsup> <msubsup> <mo>&amp;Sigma;</mo> <mi>i</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>&amp;alpha;</mi> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msubsup> <mi>I</mi> <mrow> <mi>n</mi> <mo>&amp;times;</mo> <mn>1</mn> </mrow> <mi>T</mi> </msubsup> <msubsup> <mo>&amp;Sigma;</mo> <mi>i</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <msub> <mi>I</mi> <mrow> <mi>n</mi> <mo>&amp;times;</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>&amp;beta;</mi> </msub> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msubsup> <mi>I</mi> <mrow> <mi>n</mi> <mo>&amp;times;</mo> <mn>1</mn> </mrow> <mi>T</mi> </msubsup> <msubsup> <mo>&amp;Sigma;</mo> <mi>i</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <msub> <mi>&amp;mu;</mi> <mi>&amp;beta;</mi> </msub> </mrow> </mfrac> <mi>ln</mi> <mrow> <mo>(</mo> <mi>L</mi> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msubsup> <mi>x</mi> <mi>i</mi> <mi>T</mi> </msubsup> <msubsup> <mo>&amp;Sigma;</mo> <mi>i</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>&amp;alpha;</mi> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msubsup> <mi>x</mi> <mi>i</mi> <mi>T</mi> </msubsup> <msubsup> <mo>&amp;Sigma;</mo> <mi>i</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <msub> <mi>I</mi> <mrow> <mi>n</mi> <mo>&amp;times;</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>&amp;beta;</mi> </msub> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msubsup> <mi>x</mi> <mi>i</mi> <mi>T</mi> </msubsup> <msubsup> <mo>&amp;Sigma;</mo> <mi>i</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
由上两式为0并结合对数似然函数的表达式，能得到相应的条件对数似然函数；然后，利用多维搜索使其取得最大值，能得到参数的极大似然估计，以及退化率β的先验分布
5.根据权利要求1所述的一种基于寿命信息融合针对单机产品的动态退化可靠性评估方法，其特征在于：
在步骤四中所述的根据退化率的先验分布，融合服役单机的动态性能退化监测结果，基于贝叶斯理论得到当前时刻退化率的后验分布，得到更新的性能退化模型，其具体过程为：
个体间退化过程存在差异，这种差异由随机参数β表征；
根据服役单机截止当前时刻的退化数据序列y1:k＝{y1,y2,…,yk},yi＝y(xi)，定义Δy1＝y1，Δyi＝yi-yi-1，Δx1＝x1,Δxi＝xi-xi-1；由于ε(t1),ε(xi)-ε(xi-1),i＝2,…,k是独立的正态随机变量，所以在给定β时y1:k的联合条件概率密度函数为
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mrow> <mn>1</mn> <mo>:</mo> <mi>k</mi> </mrow> </msub> <mo>|</mo> <mi>&amp;beta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <msqrt> <mrow> <mn>2</mn> <msup> <mi>&amp;pi;&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </msqrt> </mrow> </mfrac> <mi>exp</mi> <mo>{</mo> <mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mrow> <mo>&amp;lsqb;</mo> <mrow> <mfrac> <msup> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;y</mi> <mn>1</mn> </msub> <mo>-</mo> <mi>&amp;alpha;</mi> <mo>-</mo> <msub> <mi>&amp;beta;&amp;Delta;x</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>k</mi> </munderover> <mfrac> <msup> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;y</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;beta;&amp;Delta;x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mrow> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>
其中Δσ2(x1)是在第一个测试时间点x1时的方差，Δσ2(xi)＝σ2(xi)-σ2(xi-1)表示在时间区间(xi-1,xi),i＝1,2,…,k.上退化增量的方差；
设π(β)是β的先验分布，本发明假设随机参数β服从正态分布则根据贝叶斯理论，
一方面，后验分布满足
<mrow> <mi>&amp;pi;</mi> <mrow> <mo>(</mo> <mi>&amp;beta;</mi> <mo>|</mo> <msub> <mi>y</mi> <mrow> <mn>1</mn> <mo>:</mo> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <msqrt> <mrow> <mn>2</mn> <msubsup> <mi>&amp;pi;&amp;sigma;</mi> <mrow> <mi>&amp;beta;</mi> <mo>,</mo> <mi>k</mi> </mrow> <mn>2</mn> </msubsup> </mrow> </msqrt> </mfrac> <mi>exp</mi> <mo>&amp;lsqb;</mo> <mo>-</mo> <mfrac> <msup> <mrow> <mo>(</mo> <mi>&amp;beta;</mi> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mi>&amp;beta;</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>&amp;beta;</mi> <mo>,</mo> <mi>k</mi> </mrow> <mn>2</mn> </msubsup> </mrow> </mfrac> <mo>&amp;rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>
另一方面，后验分布又满足：
<mrow> <mtable> <mtr> <mtd> <mrow> <mi>&amp;pi;</mi> <mrow> <mo>(</mo> <mi>&amp;beta;</mi> <mo>|</mo> <msub> <mi>y</mi> <mrow> <mn>1</mn> <mo>:</mo> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>&amp;Proportional;</mo> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mrow> <mn>1</mn> <mo>:</mo> <mi>k</mi> </mrow> </msub> <mo>|</mo> <mi>&amp;beta;</mi> <mo>)</mo> </mrow> <mi>&amp;pi;</mi> <mrow> <mo>(</mo> <mi>&amp;beta;</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>&amp;Proportional;</mo> <mi>exp</mi> <mrow> <mo>{</mo> <mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mrow> <mo>&amp;lsqb;</mo> <mrow> <mfrac> <msup> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;y</mi> <mn>1</mn> </msub> <mo>-</mo> <mi>&amp;alpha;</mi> <mo>-</mo> <msub> <mi>&amp;beta;&amp;Delta;x</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>k</mi> </munderover> <mfrac> <msup> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;y</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;beta;&amp;Delta;x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mrow> <mo>}</mo> </mrow> <mi>exp</mi> <mrow> <mo>&amp;lsqb;</mo> <mrow> <mo>-</mo> <mfrac> <msup> <mrow> <mo>(</mo> <mi>&amp;beta;</mi> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>&amp;beta;</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msubsup> <mi>&amp;sigma;</mi> <mi>&amp;beta;</mi> <mn>2</mn> </msubsup> </mrow> </mfrac> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>&amp;Proportional;</mo> <mi>exp</mi> <mrow> <mo>{</mo> <mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mrow> <mo>&amp;lsqb;</mo> <mrow> <mfrac> <mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>&amp;beta;&amp;Delta;x</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <mn>2</mn> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;y</mi> <mn>1</mn> </msub> <mo>-</mo> <mi>&amp;alpha;</mi> <mo>)</mo> </mrow> <msub> <mi>&amp;Delta;x</mi> <mn>1</mn> </msub> <mi>&amp;beta;</mi> </mrow> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>+</mo> <mfrac> <mrow> <msup> <mi>&amp;beta;</mi> <mn>2</mn> </msup> <mo>-</mo> <mn>2</mn> <msub> <mi>&amp;beta;&amp;mu;</mi> <mi>&amp;beta;</mi> </msub> </mrow> <msubsup> <mi>&amp;sigma;</mi> <mi>&amp;beta;</mi> <mn>2</mn> </msubsup> </mfrac> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>k</mi> </munderover> <mfrac> <mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>&amp;beta;&amp;Delta;x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <mn>2</mn> <msub> <mi>&amp;Delta;y</mi> <mi>i</mi> </msub> <msub> <mi>&amp;Delta;x</mi> <mi>i</mi> </msub> <mi>&amp;beta;</mi> </mrow> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mrow> <mo>}</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>&amp;Proportional;</mo> <mi>exp</mi> <mrow> <mo>{</mo> <mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mrow> <mo>&amp;lsqb;</mo> <mrow> <mrow> <mo>(</mo> <mrow> <mfrac> <mrow> <msup> <msub> <mi>&amp;Delta;x</mi> <mn>1</mn> </msub> <mn>2</mn> </msup> </mrow> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>+</mo> <mfrac> <mn>1</mn> <msubsup> <mi>&amp;sigma;</mi> <mi>&amp;beta;</mi> <mn>2</mn> </msubsup> </mfrac> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>k</mi> </munderover> <mfrac> <mrow> <msup> <msub> <mi>&amp;Delta;x</mi> <mi>i</mi> </msub> <mn>2</mn> </msup> </mrow> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow> <mo>)</mo> </mrow> <msup> <mi>&amp;beta;</mi> <mn>2</mn> </msup> <mo>-</mo> <mn>2</mn> <mrow> <mo>(</mo> <mrow> <mfrac> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;y</mi> <mn>1</mn> </msub> <mo>-</mo> <mi>&amp;alpha;</mi> <mo>)</mo> <msub> <mi>&amp;Delta;x</mi> <mn>1</mn> </msub> </mrow> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>+</mo> <mfrac> <msub> <mi>&amp;mu;</mi> <mi>&amp;beta;</mi> </msub> <msubsup> <mi>&amp;sigma;</mi> <mi>&amp;beta;</mi> <mn>2</mn> </msubsup> </mfrac> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>k</mi> </munderover> <mfrac> <mrow> <msub> <mi>&amp;Delta;y</mi> <mi>i</mi> </msub> <msub> <mi>&amp;Delta;x</mi> <mi>i</mi> </msub> </mrow> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow> <mo>)</mo> </mrow> <mi>&amp;beta;</mi> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mrow> <mo>}</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>
上述两式β2,β项的系数应该相等，得到：
<mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mrow> <mn>2</mn> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>&amp;beta;</mi> <mo>,</mo> <mi>k</mi> </mrow> <mn>2</mn> </msubsup> </mrow> </mfrac> <mo>=</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mrow> <mo>(</mo> <mfrac> <mrow> <msup> <msub> <mi>&amp;Delta;x</mi> <mn>1</mn> </msub> <mn>2</mn> </msup> </mrow> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>+</mo> <mfrac> <mn>1</mn> <msubsup> <mi>&amp;sigma;</mi> <mi>&amp;beta;</mi> <mn>2</mn> </msubsup> </mfrac> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>k</mi> </munderover> <mfrac> <mrow> <msup> <msub> <mi>&amp;Delta;x</mi> <mi>i</mi> </msub> <mn>2</mn> </msup> </mrow> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mfrac> <msub> <mi>&amp;mu;</mi> <mrow> <mi>&amp;beta;</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>&amp;beta;</mi> <mo>,</mo> <mi>k</mi> </mrow> <mn>2</mn> </msubsup> </mfrac> <mo>=</mo> <mfrac> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;y</mi> <mn>1</mn> </msub> <mo>-</mo> <mi>a</mi> <mo>)</mo> <msub> <mi>&amp;Delta;x</mi> <mn>1</mn> </msub> </mrow> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>+</mo> <mfrac> <msub> <mi>&amp;mu;</mi> <mi>&amp;beta;</mi> </msub> <msubsup> <mi>&amp;sigma;</mi> <mi>&amp;beta;</mi> <mn>2</mn> </msubsup> </mfrac> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>k</mi> </munderover> <mfrac> <mrow> <msub> <mi>&amp;Delta;y</mi> <mi>i</mi> </msub> <msub> <mi>&amp;Delta;x</mi> <mi>i</mi> </msub> </mrow> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>15</mn> <mo>)</mo> </mrow> </mrow>
于是，由贝叶斯理论得出对的更新结果，系统将基于实时退化监测结果不断更新均值参数μβ和方差参数
在对产品单机性能参数监测得到退化数据序列y1:k后，其后验分布能由贝叶斯理论得到为
<mrow> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>&amp;beta;</mi> <mo>,</mo> <mi>k</mi> </mrow> <mn>2</mn> </msubsup> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>(</mo> <mfrac> <mrow> <msup> <msub> <mi>&amp;Delta;x</mi> <mn>1</mn> </msub> <mn>2</mn> </msup> </mrow> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>+</mo> <mfrac> <mn>1</mn> <msubsup> <mi>&amp;sigma;</mi> <mi>&amp;beta;</mi> <mn>2</mn> </msubsup> </mfrac> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>k</mi> </munderover> <mfrac> <mrow> <msup> <msub> <mi>&amp;Delta;x</mi> <mi>i</mi> </msub> <mn>2</mn> </msup> </mrow> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>16</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>&amp;mu;</mi> <mrow> <mi>&amp;beta;</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <mo>(</mo> <mfrac> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;y</mi> <mn>1</mn> </msub> <mo>-</mo> <mi>&amp;alpha;</mi> <mo>)</mo> <msub> <mi>&amp;Delta;x</mi> <mn>1</mn> </msub> </mrow> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>+</mo> <mfrac> <msub> <mi>&amp;mu;</mi> <mi>&amp;beta;</mi> </msub> <msubsup> <mi>&amp;sigma;</mi> <mi>&amp;beta;</mi> <mn>2</mn> </msubsup> </mfrac> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>k</mi> </munderover> <mfrac> <mrow> <msub> <mi>&amp;Delta;y</mi> <mi>i</mi> </msub> <msub> <mi>&amp;Delta;x</mi> <mi>i</mi> </msub> </mrow> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mfrac> <mrow> <msup> <msub> <mi>&amp;Delta;t</mi> <mn>1</mn> </msub> <mn>2</mn> </msup> </mrow> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>+</mo> <mfrac> <mn>1</mn> <msubsup> <mi>&amp;sigma;</mi> <mi>&amp;beta;</mi> <mn>2</mn> </msubsup> </mfrac> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>k</mi> </munderover> <mfrac> <mrow> <msup> <msub> <mi>&amp;Delta;x</mi> <mi>i</mi> </msub> <mn>2</mn> </msup> </mrow> <mrow> <msup> <mi>&amp;Delta;&amp;sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>17</mn> <mo>)</mo> </mrow> </mrow>
式中先验分布所对应的后验分布的均值和方差，Δσ2(t1)是在第一个测试时间点x1时的方差，Δσ2(xi)＝σ2(xi)-σ2(xi-1)表示在时间区间(xi-1,xi),i＝1,2,…,k.上退化增量的方差。
6.根据权利要求1所述的一种基于寿命信息融合针对单机产品的动态退化可靠性评估方法，其特征在于：
在步骤五中所述的利用融合了产品单机在线监测信息的退化模型，对服役单机进行可靠性评估，其做法如下：
5.1.根据上述推导和分析，在测试时刻x，被监测单机产品性能参数退化量Y(x)的分布函数为
<mrow> <msub> <mi>F</mi> <mi>Y</mi> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>|</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>&amp;Phi;</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>y</mi> <mo>-</mo> <mi>&amp;alpha;</mi> <mo>-</mo> <msub> <mi>&amp;beta;</mi> <mi>k</mi> </msub> <mi>x</mi> </mrow> <mrow> <mi>&amp;sigma;</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>18</mn> <mo>)</mo> </mrow> </mrow>
式中σ2(x)＝Var(Y(x))＝σβ 2x2+d0+d1x+d2x2为性能参数退化量的方差，βk为融合了产品单机性能参数退化信息的退化率，Φ(·)为标准正态分布的分布函数，FY(y|x)表示性能参数退化量Y(x)的分布函数；
5.2.假设产品的失效阈值为Df，若βk＞0，则产品寿命T的分布函数为
若βk＜0，则产品寿命T的分布函数为
式中P表示概率，FT表示产品寿命T的分布函数；
5.3.可靠度为R的可靠寿命t1-R通过求解下式得到
若1-R＝0.50，能得到中位失效寿命为
<mrow> <msub> <mi>t</mi> <mrow> <mi>M</mi> <mi>T</mi> <mi>T</mi> <mi>F</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>D</mi> <mi>f</mi> </msub> <mo>-</mo> <mi>&amp;alpha;</mi> </mrow> <msub> <mi>&amp;mu;</mi> <mi>&amp;beta;</mi> </msub> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>22</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
7.根据权利要求1所述的一种基于寿命信息融合针对单机产品的动态退化可靠性评估方法，其特征在于：
在步骤六中所述的随着服役单机性能监测的不断推进，采用贝叶斯理论在线更新性能退化模型，并进行动态可靠性分析和寿命预测，其作法如下：
随着服役单机性能监测的不断推进，单机性能参数监测得到退化数据序列y1:k＝{y1,y2,…,yk}不断得到新的数据点，根据步骤四退化率的均值方差更新方法对退化模型进行更新，得到新的退化模型，再根据步骤五的可靠性分析步骤对产品进行动态可靠性分析和寿命预测，从而得到随单机监测进行实时更新的单机可靠性分析结果。
CN201710912126.XA 2017-09-29 2017-09-29 一种基于寿命信息融合的动态退化可靠性评估方法 Active CN107766628B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710912126.XA CN107766628B (zh) 2017-09-29 2017-09-29 一种基于寿命信息融合的动态退化可靠性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710912126.XA CN107766628B (zh) 2017-09-29 2017-09-29 一种基于寿命信息融合的动态退化可靠性评估方法

Publications (2)

Publication Number Publication Date
CN107766628A true CN107766628A (zh) 2018-03-06
CN107766628B CN107766628B (zh) 2019-11-08

Family

ID=61267377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710912126.XA Active CN107766628B (zh) 2017-09-29 2017-09-29 一种基于寿命信息融合的动态退化可靠性评估方法

Country Status (1)

Country Link
CN (1) CN107766628B (zh)

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109033710A (zh) * 2018-08-30 2018-12-18 电子科技大学 一种基于多性能退化的动量轮可靠性评估方法
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
CN109101751A (zh) * 2018-08-30 2018-12-28 电子科技大学 一种基于信息融合的动量轮可靠性评估方法
CN109325287A (zh) * 2018-09-17 2019-02-12 中国人民解放军海军工程大学 一种估计机械件可靠性参数的方法
CN109783955A (zh) * 2019-01-23 2019-05-21 河北工业大学 一种电器产品的绿色可靠性设计方法
CN109856483A (zh) * 2019-01-30 2019-06-07 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） Mmc功率模块的关键器件可靠性评估方法和装置
CN109992875A (zh) * 2019-03-28 2019-07-09 中国人民解放军火箭军工程大学 一种切换设备剩余寿命的确定方法及系统
CN110210066A (zh) * 2019-05-07 2019-09-06 中国人民解放军海军航空大学岸防兵学院 基于p值的性能退化数据与故障数据的一致性检验方法
CN110222855A (zh) * 2019-06-12 2019-09-10 中国神华能源股份有限公司 列车车轮退化数据的处理方法、装置及存储介质
CN110222371A (zh) * 2019-05-05 2019-09-10 北京大学 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法
CN110851980A (zh) * 2019-11-11 2020-02-28 中国人民解放军火箭军工程大学 一种设备剩余寿命预测方法及系统
CN111027216A (zh) * 2019-12-11 2020-04-17 哈尔滨工业大学 一种基于多退化机理耦合的电磁继电器退化建模方法
CN112069732A (zh) * 2020-09-03 2020-12-11 中国人民解放军陆军工程大学 一种火炮可靠性鉴定试验的综合评估方法
CN112100801A (zh) * 2020-07-01 2020-12-18 河北工业大学 一种基于数学建模的铁路信号继电器参数可变权重融合方法
CN112487667A (zh) * 2020-12-21 2021-03-12 北京航空航天大学 基于内外场试验信息融合的板材腐蚀退化寿命预测方法
WO2021094852A1 (en) * 2019-11-14 2021-05-20 International Business Machines Corporation Alerting to model degradation based on distribution analysis using risk tolerance ratings
CN112966443A (zh) * 2021-03-10 2021-06-15 中国人民解放军海军航空大学 一种基于长短期记忆网络的设备可靠性与性能评估方法
CN113010971A (zh) * 2019-12-20 2021-06-22 新疆金风科技股份有限公司 模块化齿形带、性能评估方法及变桨驱动装置
CN113011036A (zh) * 2021-03-26 2021-06-22 中国人民解放军火箭军工程大学 一种针对线性维纳退化过程模型参数的无偏估计方法
CN113094912A (zh) * 2021-04-17 2021-07-09 郑州航空工业管理学院 一种基于静电特征参数的发动机性能退化预警方法
CN113569384A (zh) * 2021-06-29 2021-10-29 中国人民解放军火箭军工程大学 基于数模联动的服役设备剩余寿命在线自适应预测方法
CN113592295A (zh) * 2021-07-29 2021-11-02 中国人民解放军海军航空大学岸防兵学院 产品可靠性综合评估方法与系统、设备、介质
CN113673115A (zh) * 2021-08-31 2021-11-19 北京航空航天大学 一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法
CN113673721A (zh) * 2021-08-26 2021-11-19 北京航空航天大学 一种基于深度强化学习的集群系统预防性维修方法
CN113848045A (zh) * 2020-06-25 2021-12-28 大众汽车股份公司 估计机器的机械退化
CN113935520A (zh) * 2021-09-18 2022-01-14 武汉理工大学 基于贝叶斯推断的船舶多部件线性退化预测方法
US11256597B2 (en) 2019-11-14 2022-02-22 International Business Machines Corporation Ensemble approach to alerting to model degradation
CN114580118A (zh) * 2022-03-25 2022-06-03 兰州空间技术物理研究所 一种离子推力器寿命及可靠性定量评估方法
CN114840375A (zh) * 2022-07-06 2022-08-02 江苏华存电子科技有限公司 一种半导体存储产品的老化性能测试方法及系统
US20220351554A1 (en) * 2021-04-28 2022-11-03 Dana Automotive Systems Group, Llc Systems and methods for prediction of component degradation
US11768917B2 (en) 2019-11-14 2023-09-26 International Business Machines Corporation Systems and methods for alerting to model degradation based on distribution analysis
CN116956638A (zh) * 2023-09-12 2023-10-27 中国人民解放军63921部队 一种设备寿命数据联合拟合检验分析方法
US11810013B2 (en) 2019-11-14 2023-11-07 International Business Machines Corporation Systems and methods for alerting to model degradation based on survival analysis
CN118013244A (zh) * 2024-04-07 2024-05-10 中核武汉核电运行技术股份有限公司 一种轴承寿命预测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050278041A1 (en) * 2004-05-25 2005-12-15 Microsoft Corporation Multilevel online tournament
CN105300692A (zh) * 2015-08-07 2016-02-03 浙江工业大学 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法
CN106021685A (zh) * 2016-05-16 2016-10-12 北京航空航天大学 一种考虑测量误差的退化可靠性分析方法
CN106202792A (zh) * 2016-07-21 2016-12-07 西安理工大学 一种融合电流和轴温的动量轮剩余寿命预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050278041A1 (en) * 2004-05-25 2005-12-15 Microsoft Corporation Multilevel online tournament
CN105300692A (zh) * 2015-08-07 2016-02-03 浙江工业大学 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法
CN106021685A (zh) * 2016-05-16 2016-10-12 北京航空航天大学 一种考虑测量误差的退化可靠性分析方法
CN106202792A (zh) * 2016-07-21 2016-12-07 西安理工大学 一种融合电流和轴温的动量轮剩余寿命预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
傅惠民 等: "Weibull分布定时无失效数据可靠性分析方法", 《航空动力学报》 *
傅惠民 等: "无失效数据的可靠性评估和寿命预测", 《机械强度》 *
孙见忠: "面向单元体的航空发动机健康状态评估与预测方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109033710B (zh) * 2018-08-30 2020-03-31 电子科技大学 一种基于多性能退化的动量轮可靠性评估方法
CN109101751A (zh) * 2018-08-30 2018-12-28 电子科技大学 一种基于信息融合的动量轮可靠性评估方法
CN109033710A (zh) * 2018-08-30 2018-12-18 电子科技大学 一种基于多性能退化的动量轮可靠性评估方法
CN109325287A (zh) * 2018-09-17 2019-02-12 中国人民解放军海军工程大学 一种估计机械件可靠性参数的方法
CN109325287B (zh) * 2018-09-17 2023-02-07 中国人民解放军海军工程大学 一种估计机械件可靠性参数的方法
CN109783955B (zh) * 2019-01-23 2022-11-01 河北工业大学 一种电器产品的绿色可靠性设计方法
CN109783955A (zh) * 2019-01-23 2019-05-21 河北工业大学 一种电器产品的绿色可靠性设计方法
CN109856483B (zh) * 2019-01-30 2022-01-11 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） Mmc功率模块的关键器件可靠性评估方法和装置
CN109856483A (zh) * 2019-01-30 2019-06-07 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） Mmc功率模块的关键器件可靠性评估方法和装置
CN109992875A (zh) * 2019-03-28 2019-07-09 中国人民解放军火箭军工程大学 一种切换设备剩余寿命的确定方法及系统
CN110222371A (zh) * 2019-05-05 2019-09-10 北京大学 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法
CN110222371B (zh) * 2019-05-05 2020-12-22 北京大学 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法
CN110210066B (zh) * 2019-05-07 2023-07-14 中国人民解放军海军航空大学岸防兵学院 基于p值的性能退化数据与故障数据的一致性检验方法
CN110210066A (zh) * 2019-05-07 2019-09-06 中国人民解放军海军航空大学岸防兵学院 基于p值的性能退化数据与故障数据的一致性检验方法
CN110222855A (zh) * 2019-06-12 2019-09-10 中国神华能源股份有限公司 列车车轮退化数据的处理方法、装置及存储介质
CN110222855B (zh) * 2019-06-12 2021-10-12 中国神华能源股份有限公司 列车车轮退化数据的处理方法、装置及存储介质
CN110851980A (zh) * 2019-11-11 2020-02-28 中国人民解放军火箭军工程大学 一种设备剩余寿命预测方法及系统
WO2021094852A1 (en) * 2019-11-14 2021-05-20 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
US11455561B2 (en) 2019-11-14 2022-09-27 International Business Machines Corporation Alerting to model degradation based on distribution analysis using risk tolerance ratings
GB2603740A (en) * 2019-11-14 2022-08-10 Ibm Alerting to model degradation based on distribution analysis using risk tolerance ratings
US11256597B2 (en) 2019-11-14 2022-02-22 International Business Machines Corporation Ensemble approach to alerting to model degradation
CN111027216A (zh) * 2019-12-11 2020-04-17 哈尔滨工业大学 一种基于多退化机理耦合的电磁继电器退化建模方法
CN111027216B (zh) * 2019-12-11 2022-03-25 哈尔滨工业大学 一种基于多退化机理耦合的电磁继电器退化建模方法
CN113010971A (zh) * 2019-12-20 2021-06-22 新疆金风科技股份有限公司 模块化齿形带、性能评估方法及变桨驱动装置
CN113848045A (zh) * 2020-06-25 2021-12-28 大众汽车股份公司 估计机器的机械退化
CN112100801A (zh) * 2020-07-01 2020-12-18 河北工业大学 一种基于数学建模的铁路信号继电器参数可变权重融合方法
CN112100801B (zh) * 2020-07-01 2022-04-01 河北工业大学 一种基于数学建模的铁路信号继电器参数可变权重融合方法
CN112069732A (zh) * 2020-09-03 2020-12-11 中国人民解放军陆军工程大学 一种火炮可靠性鉴定试验的综合评估方法
CN112069732B (zh) * 2020-09-03 2022-05-10 中国人民解放军陆军工程大学 一种火炮可靠性鉴定试验的综合评估方法
CN112487667A (zh) * 2020-12-21 2021-03-12 北京航空航天大学 基于内外场试验信息融合的板材腐蚀退化寿命预测方法
CN112966443B (zh) * 2021-03-10 2022-04-29 中国人民解放军海军航空大学 一种基于长短期记忆网络的设备可靠性与性能评估方法
CN112966443A (zh) * 2021-03-10 2021-06-15 中国人民解放军海军航空大学 一种基于长短期记忆网络的设备可靠性与性能评估方法
CN113011036A (zh) * 2021-03-26 2021-06-22 中国人民解放军火箭军工程大学 一种针对线性维纳退化过程模型参数的无偏估计方法
CN113094912B (zh) * 2021-04-17 2023-11-03 郑州航空工业管理学院 一种基于静电特征参数的发动机性能退化预警方法
CN113094912A (zh) * 2021-04-17 2021-07-09 郑州航空工业管理学院 一种基于静电特征参数的发动机性能退化预警方法
US20220351554A1 (en) * 2021-04-28 2022-11-03 Dana Automotive Systems Group, Llc Systems and methods for prediction of component degradation
US12112588B2 (en) * 2021-04-28 2024-10-08 Dana Automotive Systems Group, Llc Systems and methods for prediction of component degradation
CN113569384B (zh) * 2021-06-29 2022-11-04 中国人民解放军火箭军工程大学 基于数模联动的服役设备剩余寿命在线自适应预测方法
CN113569384A (zh) * 2021-06-29 2021-10-29 中国人民解放军火箭军工程大学 基于数模联动的服役设备剩余寿命在线自适应预测方法
CN113592295A (zh) * 2021-07-29 2021-11-02 中国人民解放军海军航空大学岸防兵学院 产品可靠性综合评估方法与系统、设备、介质
CN113673721A (zh) * 2021-08-26 2021-11-19 北京航空航天大学 一种基于深度强化学习的集群系统预防性维修方法
CN113673115B (zh) * 2021-08-31 2023-05-16 北京航空航天大学 一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法
CN113673115A (zh) * 2021-08-31 2021-11-19 北京航空航天大学 一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法
CN113935520B (zh) * 2021-09-18 2024-05-14 武汉理工大学 基于贝叶斯推断的船舶多部件线性退化预测方法
CN113935520A (zh) * 2021-09-18 2022-01-14 武汉理工大学 基于贝叶斯推断的船舶多部件线性退化预测方法
CN114580118A (zh) * 2022-03-25 2022-06-03 兰州空间技术物理研究所 一种离子推力器寿命及可靠性定量评估方法
CN114580118B (zh) * 2022-03-25 2023-12-15 兰州空间技术物理研究所 一种离子推力器寿命及可靠性定量评估方法
CN114840375B (zh) * 2022-07-06 2022-11-29 江苏华存电子科技有限公司 一种半导体存储产品的老化性能测试方法及系统
CN114840375A (zh) * 2022-07-06 2022-08-02 江苏华存电子科技有限公司 一种半导体存储产品的老化性能测试方法及系统
CN116956638A (zh) * 2023-09-12 2023-10-27 中国人民解放军63921部队 一种设备寿命数据联合拟合检验分析方法
CN116956638B (zh) * 2023-09-12 2023-12-19 中国人民解放军63921部队 一种设备寿命数据联合拟合检验分析方法
CN118013244A (zh) * 2024-04-07 2024-05-10 中核武汉核电运行技术股份有限公司 一种轴承寿命预测方法及装置

Also Published As

Publication number Publication date
CN107766628B (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN107766628A (zh) 一种基于寿命信息融合的动态退化可靠性评估方法
Lu et al. Improved Kriging with extremum response surface method for structural dynamic reliability and sensitivity analyses
CN109931678B (zh) 基于深度学习lstm的空调故障诊断方法
Song et al. Multi-failure probabilistic design for turbine bladed disks using neural network regression with distributed collaborative strategy
Song et al. Dynamic surrogate modeling approach for probabilistic creep-fatigue life evaluation of turbine disks
Song et al. Probabilistic LCF life assessment for turbine discs with DC strategy-based wavelet neural network regression
CN109241609A (zh) 一种基于马尔可夫链蒙特卡洛的Bayesian动态预测方法
Le Son et al. Remaining useful life estimation based on stochastic deterioration models: A comparative study
CN107037306B (zh) 基于隐马尔科夫模型的变压器故障动态预警方法
CN107423495A (zh) 一种动态条件下的退化建模与寿命预测方法
Steiger et al. Heavy tails in the distribution of time to solution for classical and quantum annealing
CN110955963A (zh) 一种航空电缆剩余寿命预测方法
CN106056127A (zh) 一种带模型更新的gpr在线软测量方法
CN112364560B (zh) 矿山凿岩装备作业工时智能预测方法
Kaveh et al. An efficient two‐stage method for optimal sensor placement using graph‐theoretical partitioning and evolutionary algorithms
CN103970965A (zh) 燃气涡轮发动机加速寿命试验试车方法
CN104778354B (zh) 定期抽检型产品贮存寿命评估方法
CN107133400A (zh) 一种飞机结构疲劳可靠度贝叶斯组合预测方法
CN113780420B (zh) 基于gru-gcn的变压器油中溶解气体浓度预测方法
CN106896219A (zh) 基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法
CN105787259A (zh) 一种多元气象因素对负荷变化影响相关性的分析方法
Shahabi-Ghahfarokhy et al. Modelling density of pure and binary mixtures of normal alkanes: Comparison of hybrid soft computing techniques, gene expression programming, and equations of state
Yamakage et al. Design of adaptive soft sensor based on Bayesian optimization
Lu et al. EMR-SSM: Synchronous surrogate modeling-based enhanced moving regression method for multi-response prediction and reliability evaluation
Feng et al. Virtual modelling aided safety assessment for ductile structures against high-velocity impact

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