CN108229727A - 医疗器械整机寿命分布预测方法和系统 - Google Patents
医疗器械整机寿命分布预测方法和系统 Download PDFInfo
- Publication number
- CN108229727A CN108229727A CN201711366748.3A CN201711366748A CN108229727A CN 108229727 A CN108229727 A CN 108229727A CN 201711366748 A CN201711366748 A CN 201711366748A CN 108229727 A CN108229727 A CN 108229727A
- Authority
- CN
- China
- Prior art keywords
- sequence
- medical instrument
- grey
- original data
- complete machine
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000013501 data transformation Methods 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 11
- 230000001133 acceleration Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 230000015556 catabolic process Effects 0.000 abstract description 8
- 238000006731 degradation reaction Methods 0.000 abstract description 8
- 238000003672 processing method Methods 0.000 abstract 1
- 230000009466 transformation Effects 0.000 description 28
- 238000000034 method Methods 0.000 description 5
- 238000012797 qualification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Child & Adolescent Psychology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种医疗器械整机寿命分布预测方法和系统,对待测医疗器械整机样品在不同测试应力作用下的原始采样寿命数据进行数据变换,得到若干个原始数据序列;分别根据各个原始数据序列生成若干个第一灰序列;根据所述第一灰序列计算所述待测医疗器械整机样品失效的首达时间,根据所述首达时间对预设的加速模型进行求解,得到所述待测医疗器械整机样品在设定应力下的寿命分布。上述加速退化试验数据处理方法,能够有效提高试验可靠性。
Description
技术领域
本发明涉及加速退化试验技术领域,特别是涉及一种医疗器械整机寿命分布预测方法和系统。
背景技术
加速退化试验是用加大试验应力来缩短试验周期的一种寿命试验方法。加速退化试验方法为高可靠长寿命产品的可靠性评定提供了基础。加速退化试验的类型很多,常用的是如下三类:
(1)恒定应力加速退化试验,简称恒加试验,即先选一组加速应力水平,然后将一定数量的样品分为若干组,每组在一个应力水平下进行寿命试验,直到各组均有一定数量的样品发生失效为止。
(2)步进应力加速退化试验,简称步加试验,即是先选定一组均高于正常应力水平的加速应力水平,试验开始时把一定数量的样品放置于初始水平下进行寿命试验,经过一段时间后提高应力水平继续进行寿命试验,经过一段时间后将应力水平提高至更高的应力水平,如此继续下去,直至有一定数量的样品发生失效为止。
(3)序进应力加速退化试验,简称序加试验。它与步加试验基本相同,不同之处在于它施加的加速应力水平将随时间连续上升。
然而,上述三种加速退化试验均存在试验可靠性低的问题。
发明内容
基于此,有必要针对试验可靠性低的问题,提供一种医疗器械整机寿命分布预测方法和系统。
一种医疗器械整机寿命分布预测方法,包括以下步骤:
对待测医疗器械整机样品在不同测试应力作用下的原始采样寿命数据进行数据变换,得到若干个原始数据序列;
分别根据各个原始数据序列生成若干个第一灰序列;
根据所述第一灰序列计算所述待测医疗器械整机样品失效的首达时间,根据所述首达时间对预设的加速模型进行求解,得到所述待测医疗器械整机样品在正常应力下的寿命分布。
一种医疗器械整机寿命分布预测系统,包括:
数据变换模块,用于对待测医疗器械整机样品在不同测试应力作用下的原始采样寿命数据进行数据变换,得到若干个原始数据序列;
序列生成模块,用于分别根据各个原始数据序列生成若干个第一灰序列;
预测模块,用于根据所述第一灰序列计算所述待测医疗器械整机样品失效的首达时间,根据所述首达时间对预设的加速模型进行求解,得到所述待测医疗器械整机样品在设定应力下的寿命分布
上述医疗器械整机寿命分布预测方法和系统,通过数据变换得到原始数据序列,然后生成第一灰序列,并计算待测医疗器械整机样品失效的首达时间,最后求解加速模型得到待测医疗器械整机样品在正常应力下的寿命分布,能够有效提高试验可靠性。
附图说明
图1为一个实施例的医疗器械整机寿命分布预测方法流程图;
图2为一个实施例的医疗器械整机寿命分布预测系统的结构示意图。
具体实施方式
下面结合附图对本发明的技术方案进行说明。
如图1所示,本发明提供一种医疗器械整机寿命分布预测方法,可包括以下步骤:
S1,对待测医疗器械整机样品在不同测试应力作用下的原始采样寿命数据进行数据变换,得到若干个原始数据序列;
其中,数据变换应满足以下条件:
(1)当x(k)>0,k=1,2,…,n(n为正整数)时,y(k)≥0;
(2)若x(i)<x(j),则y(i)<y(j);若x(i)>x(j),则y(i)>y(j),i,j为正整数;
(3)对任意的正整数i,t,l,j,有
对任意的正整数k,x(k)为变换前的数据,y(k)为x(k)对应的变换后的数据。数据变换方式可采用初值化变换、均值化变换、百分比变换、倍数化变换、归一化变换、极差最大值变换、逆像化变换、倒数变换或者区间值化变换。设有序列:x=(x(1),x(2),…,x(n)),则称映射:f:x→y,f(x(k))=y(k)=xi(k)d1,k=1,2,…,n。 xi(k)为变换前的序列,xi(k)d1为变换后的序列。
初值化变换:xi(1)为xi(k)的初值。
均值化变换: 为xi(k)的均值。
区间值化变换:x0为预设的非零常数。
倍数化变换: 为xi(k)的非零最小值。
百分比变换: 为xi(k)的非零最大值。
极差最大值变换:
逆像化变换:xi(k)d1=1-xi(k)。
倒数变换:
在进行数据变换时,可以获取所述原始采样寿命数据的边界值;根据所述边界值对待测医疗器械整机样品在不同测试应力作用下的原始采样寿命数据进行数据变换。这样可以使各种便捷类型和各种取值范围的数据增强一致性和可读性。具体地,可采取以下方式:
(1)判断边界类型:分为上边界、下边界、双边界;
(2)赋予基准值:原始采样寿命数据的上边界值Ys作为基准值Yj,原始采样寿命数据的下边界值Yx作为基准值Yj,原始采样寿命数据的标称值Yb作为基准值Yj,当基准值Yj=0时重取Yj=1,容差范围为Yt。
(3)对上边界数据进行归一化变换,具体为:合格的判据统一为 y(0)(j)为变换前的原始采样寿命数据,x(0)(j)为变换后的原始采样寿命数据。
(4)对下边界数据进行归一化变换,具体为:合格的判据统一为
(5)对双边界数据进行归一化变换,具体为:合格的判据统一为
S2,分别根据各个原始数据序列生成若干个第一灰序列;
在一个实施例中,对于单调增长序列、单调衰减序列和震荡序列,假设原始数据序列为:
Xi={xi(1),xi(2),…,xi(n)},
则第一灰序列为:
XD=(xi(1)d,xi(2)d,…,xi(n)d);
其中,n为原始数据序列的长度,ki为预设常数。
或者,第一灰序列为:
XD2={xi(1)·d2,xi(2)·d2,…,xi(n)·d2},
其中,
在另一个实施例中,对于单调增长序列和单调衰减序列,假设原始数据序列为:
Xi={xi(1),xi(2),…,xi(n)},
则第一灰序列为:
XD=(xi(1)d,xi(2)d,…,xi(n)d),
其中,
或者,第一灰序列为:
XD2={xi(1)·d2,xi(2)·d2,…,xi(n)·d2},
其中,
进一步地,在得到第一灰序列之后,还可以分别对各个第一灰序列进行校验;若校验成功,执行根据所述第一灰序列计算所述待测医疗器械整机样品失效的首达时间的步骤。具体地,在一个实施例中,进行校验时,可以分别对各个第一灰序列进行时序不等处理,得到对应的第二灰序列;分别计算各个第二灰序列与原始数据序列的关联度;根据所述关联度分别对各个第一灰序列进行校验。
可以采用以下方式进行时序不等处理,生成第二灰序列,处理后的第二灰序列为时序相等序列:
(1)删除较长序列中的过剩数据;
(2)通过预设的模型进行预测,例如,GM(1,1)模型;
(3)补齐较短序列中的不足数据,例如,可采用紧邻均值生成方法:
在一个实施例中,在计算关联度时,可以分别计算各个第二灰序列与原始数据序列的差序列;分别计算各个差序列的极大值和极小值;根据所述极大值和极小值计算对应第二灰序列与原始数据序列的关联系数;根据所述关联系数计算对应第二灰序列与原始数据序列的关联度。假设第i个第二灰序列Xi和原始数据序列X0分别为:
则第i个第二灰序列与原始数据序列在各个时刻的差序列为Δi=(Δi(1),Δi(2),…,Δi(j),…,Δi(n)),Δi(k)=|x0(j)-xi(j)|,极大值为极小值为从而关联系数为:
其中,ε为第二灰序列与原始数据序列的关联度,i=1,2,…,n。x0(j)为原始数据序列中的第j个数据,xi(j)为第二灰序列中的第j个数据。
关联度为:
式中,γ0i为第i个第二灰序列与原始数据序列的关联度,n为预设的时间常数。
在另一个实施例中,还可采用以下方式计算关联度:
假设X0和Xi的长度相同且皆为1时距序列,并且和
分别为X0和Xi的始点零化像,即:
为中的第j个数据,为中的第j个数据。则X0与Xi的关联度为:
其中,
在另一个实施例中,还可采用以下方式计算关联度:
假设X0和Xi为长度相同且初值皆不等于0,皆为1时距序列,而X'0与X′i:
分别为X0和Xi的初值化像,即:
x'0(j)为X'0中的第j个数据,x′i(j)为X′i中的第j个数据。则X0与Xi的关联度为:
其中,
在另一个实施例中,还可以根据以下方式计算关联度ρ0i:
ρ0i=θε0i+(1-θ)r0i。其中,θ为预设权重,一般可取θ=0.5。
对于有m个相关因素(输入)Xi(i=1,2,…,m),s个系统特征(输出) Yi(i=1,2,…,s),可根据如下方式计算关联度:
(1)对相关因素序列和系统特征序列进行始点零值化变换:
对应于相关因素Xk(k=1,2,…,m),求
对应于系统特征Yp(p=1,2,…,s),求
固定p为1,2,…,s中的某一值(从1开始),改变k值(k=1,2,…,m),依次计算:
固定p为1,2,…,s中的某一值(从1开始),改变k值(k=1,2,…,m),利用
得到{εp1,εp2,…,εpm}行向量。
改变p为1,2,…,s中的下一值,即为p+1,改变k值(k=1,2,…,m),依次计算:
|Ysp-Xsk|,(k=1,2,…,m),进一步求得下一组{εp1,εp2,…,εpm}行向量。
得到绝对关联矩阵:
(2)求相对关联度
对相关因素序列和系统特征序列进行初值化变换:
得到X'k和Y′p,
对X'k和Y′p进行始点零值化变换:
得到和
对应于求
对应于求
求
固定p为1,2,…,s中的某一值(从1开始),改变k值(k=1,2,…,m),依次计算
得到{εp1,εp2,…,εpm}行向量。
改变p为1,2,…,s中的下一值,进一步求得下一组{εp1,εp2,…,εpm}行向量。
得到绝对关联矩阵:
综合关联度为C=θA+(1-θ)B=θεkp+(1-θ)rkp=ρkp,θ=0.5。
在确定关联度之后,可以根据所述关联度的取值获取对应第一灰序列的关联度等级;若所述关联度等级小于或等于预设的关联度等级阈值,判定对应的第一灰序列校验合格;反之,判定对应的第一灰序列校验不合格。例如,若关联度大于或等于0.9,则关联度等级为1级;若关联度大于或等于0.8且小于0.9,则关联度等级为2级;若关联度大于或等于0.7且小于0.8,则关联度等级为3 级;若关联度大于或等于0.6且小于0.7,则关联度等级为4级。若关联度等级小于或等于3,则关联度检验合格。如果关联度检验不合格,则需返回对待测医疗器械整机样品在不同测试应力作用下的原始采样寿命数据进行数据变换的步骤。
S3,根据所述第一灰序列计算所述待测医疗器械整机样品失效的首达时间,根据所述首达时间对预设的加速模型进行求解,得到所述待测医疗器械整机样品在设定应力下的寿命分布。
设原始数据序列为:X(0)=(x(0)(1),…,x(0)(j),…,x(0)(n)),预测序列记为:则残差序列为:
相对误差序列为:
原始序列X(0)的均值和方差分别为:
对于j≤n,称为j点模拟误差,称为平均相对误差。称1-Δj,j=1,2,…,n为j点模拟的精度,称为序列模拟的平均相对精度。
均方差比值为:即残差的均方差与原始序列的均方差的比值。
小误差概率为:
对于给定的常数α,当且Δn≤α成立时,称模型为残差合格模型。
ε为原始序列X(0)与模拟序列的绝对关联度,若对于给定的ε0>0,有ε>ε0,称模型为关联度合格模型。
对于给定的C0>0,当C<C0时,称模型为均方差比合格模型。
对于给定的p0>0,当p<p0时,称模型为小误差概率合格模型。
在进行首达时间预测时,可以先对预测序列进行变换,得到到达边界结果的时间序列:
取对数,得到:
令则:
计算jm-1,jm,jm+1,jm+2预期序列的预测结果:
其中,“±”与ε(0)的符号保持一致。
首先判断是否成立,如果不成立则报错,如果成立则继续判断是否成立,如果不成立则jl=jm-0.5,如果成立则继续判断是否成立,如果不成立则jl=jm+0.5,如果成立则继续判断是否成立,如果不成立则jl=jm+1.5。
首达时间可记为:tl=jl×Δt,Δt为非重叠的时间间隔。
可建立如下加速模型:
其对数形式为
对于线性方程y=ax+b,利用最小二乘法求得其n次观测结果的直线拟合参数:
令可计算参数Ea和A的估值。
参数Ea的估值为:
参数A的估值为:
加速因子为:
从而待测医疗器械整机样品在正常应力下的寿命分布L为:
Ea为激活能,K为波尔兹曼常数,Tu为使用环境温度,Ta为环境温度,tl为待测医疗器械整机样品失效的首达时间,Tl为第二灰序列Xi中第l个数值的倒数。
如图2所示,本发明还提供一种医疗器械整机寿命分布预测系统,可包括:
数据变换模块10,用于对待测医疗器械整机样品在不同测试应力作用下的原始采样寿命数据进行数据变换,得到若干个原始数据序列;
序列生成模块20,用于分别根据各个原始数据序列生成若干个第一灰序列;
预测模块30,用于根据所述第一灰序列计算所述待测医疗器械整机样品失效的首达时间,根据所述首达时间对预设的加速模型进行求解,得到所述待测医疗器械整机样品在设定应力下的寿命分布。
本发明的医疗器械整机寿命分布预测系统与本发明的医疗器械整机寿命分布预测方法一一对应,在上述医疗器械整机寿命分布预测方法的实施例阐述的技术特征及其有益效果均适用于医疗器械整机寿命分布预测系统的实施例中,特此声明。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医疗器械整机寿命分布预测方法,其特征在于,包括以下步骤:
对待测医疗器械整机样品在不同测试应力作用下的原始采样寿命数据进行数据变换,得到若干个原始数据序列;
分别根据各个原始数据序列生成若干个第一灰序列;
根据所述第一灰序列计算所述待测医疗器械整机样品失效的首达时间,根据所述首达时间对预设的加速模型进行求解,得到所述待测医疗器械整机样品在设定应力下的寿命分布。
2.根据权利要求1所述的医疗器械整机寿命分布预测方法,其特征在于,在分别根据各个原始数据序列生成若干个第一灰序列之后,还包括以下步骤:
分别对各个第一灰序列进行校验;
若校验成功,执行根据所述第一灰序列计算所述待测医疗器械整机样品失效的首达时间的步骤。
3.根据权利要求2所述的医疗器械整机寿命分布预测方法,其特征在于,分别对各个第一灰序列进行校验的步骤包括:
分别对各个第一灰序列进行时序不等处理,得到对应的第二灰序列;
分别计算各个第二灰序列与原始数据序列的关联度;
根据所述关联度分别对各个第一灰序列进行校验。
4.根据权利要求3所述的医疗器械整机寿命分布预测方法,其特征在于,分别计算各个第二灰序列与原始数据序列的关联度的步骤包括:
分别计算各个第二灰序列与原始数据序列的差序列;
分别计算各个差序列的极大值和极小值;
根据所述极大值和极小值计算对应第二灰序列与原始数据序列的关联系数;
根据所述关联系数计算对应第二灰序列与原始数据序列的关联度。
5.根据权利要求4所述的医疗器械整机寿命分布预测方法,其特征在于,根据所述极大值和极小值计算对应第二灰序列与原始数据序列的关联系数的步骤包括:
根据如下公式计算关联系数:
式中,Δ0i(j)为第i个第二灰序列与原始数据序列在j时刻的差序列,γ0i(j)为Δ0i(j)对应的关联系数,m0i(j)为Δ0i(j)对应的极小值,M0i(j)为Δ0i(j)对应的极大值,ε为第二灰序列与原始数据序列的关联度。
6.根据权利要求5所述的医疗器械整机寿命分布预测方法,其特征在于,根据所述关联系数计算对应第二灰序列与原始数据序列的关联度的步骤包括:
根据如下公式计算关联度:
式中,γ0i为第i个第二灰序列与原始数据序列的关联度,n为预设的时间常数。
7.根据权利要求1所述的医疗器械整机寿命分布预测方法,其特征在于,对待测医疗器械整机样品在不同测试应力作用下的原始采样寿命数据进行数据变换的步骤包括:
获取所述原始采样寿命数据的边界值;
根据所述边界值对待测医疗器械整机样品在不同测试应力作用下的原始采样寿命数据进行数据变换。
8.根据权利要求3所述的医疗器械整机寿命分布预测方法,其特征在于,根据所述关联度分别对各个第一灰序列进行校验的步骤包括:
根据所述关联度的取值获取对应第一灰序列的关联度等级;
若所述关联度等级小于或等于预设的关联度等级阈值,判定对应的第一灰序列校验合格;反之,判定对应的第一灰序列校验不合格。
9.根据权利要求3至8任意一项所述的医疗器械整机寿命分布预测方法,其特征在于,所述待测医疗器械整机样品在正常应力下的寿命分布为:
其中,
式中,L为所述待测医疗器械整机样品在正常应力下的寿命分布,Ea为激活能,K为波尔兹曼常数,Tu为使用环境温度,Ta为环境温度,tl为待测医疗器械整机样品失效的首达时间,Tl为第二灰序列中第l个数值的倒数。
10.一种医疗器械整机寿命分布预测系统,其特征在于,包括:
数据变换模块,用于对待测医疗器械整机样品在不同测试应力作用下的原始采样寿命数据进行数据变换,得到若干个原始数据序列;
序列生成模块,用于分别根据各个原始数据序列生成若干个第一灰序列;
预测模块,用于根据所述第一灰序列计算所述待测医疗器械整机样品失效的首达时间,根据所述首达时间对预设的加速模型进行求解,得到所述待测医疗器械整机样品在设定应力下的寿命分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711366748.3A CN108229727B (zh) | 2017-12-18 | 2017-12-18 | 医疗器械整机寿命分布预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711366748.3A CN108229727B (zh) | 2017-12-18 | 2017-12-18 | 医疗器械整机寿命分布预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229727A true CN108229727A (zh) | 2018-06-29 |
CN108229727B CN108229727B (zh) | 2021-08-17 |
Family
ID=62652444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711366748.3A Active CN108229727B (zh) | 2017-12-18 | 2017-12-18 | 医疗器械整机寿命分布预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229727B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161868A (zh) * | 2019-12-20 | 2020-05-15 | 贵州铂肴医学检验实验室有限公司 | 医学快速检验管理系统 |
CN113032999A (zh) * | 2021-03-26 | 2021-06-25 | 北京中关村水木医疗科技有限公司 | 医疗设备使用寿命的预测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620045A (zh) * | 2009-07-31 | 2010-01-06 | 北京航空航天大学 | 基于时间序列的步进应力加速退化试验可靠性评估方法 |
CN102629300A (zh) * | 2012-03-15 | 2012-08-08 | 北京航空航天大学 | 一种基于灰色预测模型的步进应力加速退化数据评估方法 |
CN103389457A (zh) * | 2012-05-07 | 2013-11-13 | 苏州热工研究院有限公司 | 通过确定熔体激活能评估熔断器寿命的方法 |
CN106201849A (zh) * | 2016-07-01 | 2016-12-07 | 南京航空航天大学 | 一种有限数据驱动的长寿命部件余寿预测方法 |
CN106227910A (zh) * | 2016-06-21 | 2016-12-14 | 广州韵脉质量技术服务有限公司 | 一种基于灰色系统理论的加速退化试验可靠性评估方法 |
CN106339588A (zh) * | 2016-08-25 | 2017-01-18 | 华南理工大学 | 基于灰色系统理论的加速退化数据离散建模方法 |
-
2017
- 2017-12-18 CN CN201711366748.3A patent/CN108229727B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620045A (zh) * | 2009-07-31 | 2010-01-06 | 北京航空航天大学 | 基于时间序列的步进应力加速退化试验可靠性评估方法 |
CN102629300A (zh) * | 2012-03-15 | 2012-08-08 | 北京航空航天大学 | 一种基于灰色预测模型的步进应力加速退化数据评估方法 |
CN103389457A (zh) * | 2012-05-07 | 2013-11-13 | 苏州热工研究院有限公司 | 通过确定熔体激活能评估熔断器寿命的方法 |
CN106227910A (zh) * | 2016-06-21 | 2016-12-14 | 广州韵脉质量技术服务有限公司 | 一种基于灰色系统理论的加速退化试验可靠性评估方法 |
CN106201849A (zh) * | 2016-07-01 | 2016-12-07 | 南京航空航天大学 | 一种有限数据驱动的长寿命部件余寿预测方法 |
CN106339588A (zh) * | 2016-08-25 | 2017-01-18 | 华南理工大学 | 基于灰色系统理论的加速退化数据离散建模方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161868A (zh) * | 2019-12-20 | 2020-05-15 | 贵州铂肴医学检验实验室有限公司 | 医学快速检验管理系统 |
CN113032999A (zh) * | 2021-03-26 | 2021-06-25 | 北京中关村水木医疗科技有限公司 | 医疗设备使用寿命的预测方法及装置 |
CN113032999B (zh) * | 2021-03-26 | 2024-05-17 | 北京中关村水木医疗科技有限公司 | 医疗设备使用寿命的预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108229727B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Juang et al. | Probabilistic framework for liquefaction potential by shear wave velocity | |
CN108333208A (zh) | 一种整机级产品贮存寿命加速试验方法 | |
CN104020401B (zh) | 基于云模型理论的变压器绝缘热老化状态的评估方法 | |
CN110260907A (zh) | 一种用于传感器的温度应力无失效加速寿命试验方法 | |
CN105844055B (zh) | 基于导波动态强化裂变-聚合概率模型的损伤监测方法 | |
CN106568647B (zh) | 一种基于神经网络的混凝土强度预测方法 | |
CN108229727A (zh) | 医疗器械整机寿命分布预测方法和系统 | |
Xu et al. | A deep learning method for damage prognostics of fiber-reinforced composite laminates using acoustic emission | |
CN108846239A (zh) | 一种基于温湿度的弹性环氧树脂加速贮存试验及评估方法 | |
Tao et al. | A Paris-law-informed neural fatigue cohesive model and its application to open-hole composite laminates | |
Kumar et al. | Monte Carlo method for evaluation of uncertainty of measurement in brinell hardness scale | |
CN104317856A (zh) | 一种词汇量的测试与评估方法 | |
Guo | Accumulative equating error after a chain of linear equatings | |
CN108982255B (zh) | 一种包含周期性间歇的动力循环加载方法 | |
Shen et al. | Impact of cyclic wetting and drying on slate properties in the Miaowei Reservoir area, southwest China | |
CN103399974B (zh) | 量化比较随机振动仿真数据与实验数据的方法 | |
CN112507526B (zh) | 一种质子交换燃料电池系统性能预测方法及系统 | |
Uzielli et al. | Uncertainty-based characterisation of Troll marine clay | |
Mohanty et al. | Fatigue life prediction using multivariate gaussian process | |
Cianetti et al. | How to experimentally monitor the fatigue behaviour of vibrating mechanical systems | |
Motra et al. | Quality assessment of models with an application to cyclic creep prediction of concrete | |
Islam | Probabilistic single fibre characterisation to improve stochastic strength modelling of unidirectional composites | |
Xie et al. | Probabilistic specimen property-fatigue life mapping and PSN curve fitting | |
Martinovs et al. | Method of forecasting of mechanical properties and durations of service life of details from rubber | |
Baber et al. | An Improved Peridynamic Approach for Prediction of Low Velocity Impact Damage in Fiber Reinforced Composites |
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 |