CN108459991A - 一种获得设备可靠性数据的方法 - Google Patents
一种获得设备可靠性数据的方法 Download PDFInfo
- Publication number
- CN108459991A CN108459991A CN201810201728.9A CN201810201728A CN108459991A CN 108459991 A CN108459991 A CN 108459991A CN 201810201728 A CN201810201728 A CN 201810201728A CN 108459991 A CN108459991 A CN 108459991A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- distribution function
- distribution
- function
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Abstract
本发明公开了一种获得设备可靠性数据的方法,该方法包括:S1:获取设备故障数据;S2:判断获取到的设备故障数据的数量是否大于预设的基准值,若是,则采用经典估计算法确定设备寿命服从的最优分布函数,否则,采用贝叶斯估计算法确定设备寿命服从的最优分布函数;S3:根据最优分布函数计算所述设备运行的可靠性数据。本发明根据设备故障数据,选择合适的分布模型,准确地反映出当前设备的寿命特点,不仅能够提高可靠性数据的准确性,还可以保证在线风险监测的计算结果准确。在拟合不同模型的寿命分布时,用到了并行计算,能够随时并及时地进行分布模型求解运算;多计算资源下进行分布模型计算求解的耗时要少于单个计算资源下的耗时。
Description
技术领域
本发明涉及设备自动化管理技术领域,特别涉及一种获得设备可靠性数据的方法。
背景技术
发展核能应用的前提条件是核安全。核安全是核设施由设计、建设、运行直至退役期间,为保证工作人员、公众和环境免受放射性侵害措施的总和。因此,影响核安全的因素可以分为两个方面:核电站设计与建设的质量、运行与管理的水平。核电站设计与建设质量对核安全的影响在电站建成之后就已经确定下来,所以通过提高核电站运行与管理的水平可以有效地确保核电站安全稳定地运行。
核电站在线风险监测与管理系统在核电站的运行与管理过程中引入了概率安全分析与风险管理。安全分析结果的好坏不仅决定于计算方法与计算程序,而且决定于数据本身的质量高低。概率安全评价在工程中的利用受到了限制就是因为可靠性数据的缺乏。
为了计算核电站设备的运行失效可靠性数据,需要采集设备发生故障的故障信息,包括故障模式,故障前已运行时间。常见的设备寿命分布模型有:对数正态分布、Gamma分布、两参数Weibull分布和三参数Weibull分布等,各个分布模型有各自的优缺点,所以计算获得的可靠性数据质量不够高。
发明内容
本发明实施例提供了一种获得设备可靠性数据的方法,能够根据设备故障数据,选择合适的分布模型,准确地反映出当前设备的寿命特点,不仅能够提高可靠性数据的准确性,还可以保证在线风险监测的计算结果准确。
本发明实施例提供了一种获得设备可靠性数据的方法,该方法包括:
S1:获取设备故障数据;
S2:根据获取到的设备故障数据,确定设备寿命服从的最优分布函数;
S3:根据最优分布函数计算所述设备运行的可靠性数据。
优选地,步骤S2的具体过程包括:
S21:判断获取到的设备故障数据的数量是否大于预设的基准值,若是,则执行步骤S22,否则,执行步骤S23;
S22:采用经典估计算法确定设备寿命服从的最优分布函数;
S23:采用贝叶斯估计算法确定设备寿命服从的最优分布函数。
优选地,步骤S22的具体过程包括:
N1:构造至少两个分布函数;
N2:利用经典估计算法估算每一个分布函数的分布参数;
N3:利用Kolmogorov-Smirnov检验选取最优分布函数。
优选地,步骤N1中构造至少两个分布函数的具体过程包括:
按照指数分布、Gamma分布、两参数Weibull分布、三参数Weibull分布和对数正态分布分别构造出分布函数。
优选地,步骤N2的具体过程包括:
采用并行计算的方式分别利用经典估计算法估算分布函数的分布参数。
优选地,步骤N3的具体过程包括:
N31:针对每一个分布函数分别计算出累积密度函数的计算值;
N32:针对每一个分布函数分别计算出累积密度函数的估计值;
N33:针对每一个分布函数分别选择所述计算值与所述估计值的最大差值作为检验统计量,获得每一个分布函数的检验统计量;
N34:比较每一个分布函数的检验统计量的大小,将最小的检验统计量对应的分布函数作为最优分布函数。
优选地,步骤S23的具体过程包括:
M1:判断设备的故障数据是否具有先验分布,若是,则执行步骤M2,否则,执行步骤M3;
M2:以设备的先验分布为基础确定后验分布,即最优分布函数;
M3:采用无先验分布的贝叶斯估计算法确定最优分布函数。
优选地,所述设备故障数据包括设备发生故障前已运行时长和发生故障的故障模式。
与现有技术相比,本发明至少具有以下有益效果:
(1)根据设备故障数据,选择合适的分布模型,准确地反映出当前设备的寿命特点,不仅能够提高可靠性数据的准确性,还可以保证在线风险监测的计算结果准确。
(2)在拟合不同模型的寿命分布时,用到了并行计算。对不同分布模型分开计算,相互之间没有数据传递,各个模型可以同时求解计算;随时并及时地进行分布模型求解运算;多计算资源下进行分布模型计算求解的耗时要少于单个计算资源下的耗时。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的一种获得设备可靠性数据的流程图;
图2是本发明一个实施例提供的一种经典估计算法并行计算的流程图;
图3是本发明一个实施例提供的一种Gamma分布极大似然估计的流程图;
图4是本发明一个实施例提供的一种两参数Weibull分布经典估计方法的流程图;
图5是本发明一个实施例提供的一种Bayes估计算法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种获得设备可靠性数据的方法,该方法可以包括以下步骤:
S1:获取设备故障数据;
S2:根据获取到的设备故障数据,确定设备寿命服从的最优分布函数;
S3:根据最优分布函数计算所述设备运行的可靠性数据。
值得说明的是,该方法可以应用于核电站。核电站设备的可靠性数据用于评价设备在不同故障模式下的可靠性水平。故障模式是故障的表现形式。故障模式按照其变量的类型可以分为连续型随机变量和离散型随机变量。核电站设备在完成规定任务过程中发生了故障,称为运行失效,这类故障模式的随机变量是设备运行时间,是连续的随机变量,例如泄露,破裂等故障模式;设备在要求完成规定功能时刻而未能按要求投入的故障,属于需求失效,这类故障模式的随机变量是需求次数,是离散型随机变量,例如拒开,拒关。可靠性数据计算指的是根据最新的设备故障信息,确定该故障模式满足的分布函数形式,确定故障率、故障概率等参数。为了计算核电站设备的运行失效可靠性数据,需要采集设备发生故障的故障信息,包括故障模式,故障前已运行时间。利用采集到的故障信息分析计算响应的设备可靠性数据。常见的设备寿命分布模型有:对数正态分布、Gamma分布、两参数Weibull分布和三参数Weibull分布等,各个分布模型有各自的优缺点,哪一个分布可以最好地反映出设备的寿命特性需要进行选择。根据设备故障数据,选择合适的分布模型,准确地反映出当前设备的寿命特点,不仅能够提高可靠性数据的准确性,还可以保证在线风险监测的计算结果准确。
如图1所示,在本发明的一个实施例中,步骤S2的具体过程包括:
S21:判断获取到的设备故障数据的数量是否大于预设的基准值,若是,则执行步骤S22,否则,执行步骤S23;
S22:采用经典估计算法确定设备寿命服从的最优分布函数;
S23:采用贝叶斯估计算法确定设备寿命服从的最优分布函数。
值得说明的是,预设的基准值可以根据设备的不同自行设置。在本实施例中核电站设备样本数据(设备故障数据)的数量的预设基准值可以为5,当本数据超过5时,认为该样本可以反映出设备寿命的分布情况,则选择经典估计方法;当样本数量少于或等于5时,认为样本数量太少,应该结合已有的先验数据进行计算,因此采用贝叶斯计算方法。
如图2所示,在本发明的一个实施例中,步骤S22的具体过程包括:
N1:构造至少两个分布函数;
N2:利用经典估计算法估算每一个分布函数的分布参数;
N3:利用Kolmogorov-Smirnov检验选取最优分布函数。
在该实施例中,依据指数分布,Gamma分布,两参数Weibull分布,三参数Weibull分布和对数正态分布构造出五个分布函数。在计算每个分布函数的分布参数时采用并行计算的方法,并行计算系统既可以是专门设计的、含有多个处理器的超级计算机,也可以是以某种方式互连的若干台的独立计算机构成的集群。通过并行计算集群完成数据的处理,求解过程相互独立,互不干扰,可以快速求解出分布参数,然后再分别求解出每个分布函数用Kolmogorov-Smirnov检验(K-S检验)的计算结果。下面对五种分布函数的计算过程进行详细阐述:
i、假设样本数据服从指数分布时,首先根据指数分布的概率密度函数构建似然函数L(λ):
则对数似然函数为:
由极大似然估计的思想,对对数似然函数求导,可以得到:
其中,上述各式中λ用于表示故障率;i用于表示从小到大第i个样本数据;n用于表示样本数据的总数;用于表示故障率的估计值。
然后由指数分布的概率密度函数f(t)=λ·e-λ·t,λ>0,t≥0,可以对该分布的所有可靠性参数进行计算。
ii、假设样本服从Gamma分布,构造出似然函数为:
则对数似然函数为:
对对数似然函数求偏导,可以得到似然方程组:
上述偏微分方程无法得到精确的解析解,因此使用牛顿-拉夫森算法迭代计算。记θ=(α,β)T,假设迭代初始值为θ0=(α0,β0)T,θk+1和θk满足:
θk+1=θk-7(αk,βk)-1·F(αk,βk)
其中:
第k+1次迭代的结果很大程度上依赖于第k次的迭代结果,而对第k次迭代前的结果不具有记忆性,因此对第k+1代结果要做如下修正:
θk+1=0.5·θk+1+0.5·θk
因此,如图3所示,对于Gamma分布的经典估计步骤为:
1.选定初始值;
2.计算函数值F(αk,βk)和J(αk,βk);
3.利用迭代公式θk+1=θk-J(αk,βk)-1·F(αk,βk)计算θk+1;
4.利用修正公式θk+1=0.5·θk+1+0.5·θk修正θk+1;
5.若误差小于0.5%或者迭代次数大于1000次则终止计算;否则令k=k+1并且返回第2步。
在选定迭代初始值时,利用矩估计的结果作为迭代初值。对于Gamma分布来说:
因此选取的初值为:
其中,上述各式中ti用于表示第i个样本数据;α用于表示形状参数什么;β用于表示尺度参数;n用于表示样本数据的总量。
iii、假设样本服从两参数Weibull分布,构造出似然函数为:
对对数似然函数求偏导,可以得到似然方程组:
上述方程组中第一个方程为超越方程,因此利用迭代方法来进行计算。如图4所示,具体的计算步骤为:
1.计算迭代初值;
2.利用迭代关系式计算
3.判别|αk+1-αk|<0.5%是否成立,如果成立则结束,否则下一步;
4.αk+1=0.5·αk+1+0.5·αk而且k=k+1;
5.结束迭代,得到相应的α值;
6.利用公式计算β,之后输出α和β。
对于迭代初值的选取,采用矩估计的结果作为迭代初值。
iv、假设样本服从三参数Weibull分布,采用概率加权矩的方法计算,计算流程为:
1.计算概率加权矩M1,0,0、M1,0,1和M1,0,3;
2.通过概率加权矩计算三参数Weibull分布的分布参数;
3.得到三参数Weibull分布的概率密度函数和分布函数;
其中,上述各式中ti用于表示第i个样本数据;α用于表示形状参数;β用于表示尺度参数;γ用于表示位置参数;n用于表示样本数据的总量。
v、假设样本服从对数正态分布,构造出似然函数为:
设lnti=yi,则
Kolmogorov-Smirnov检验基于累积分布函数,检验一个分布是否符合某种理论分布。对于已经拟合出分布模型的数据来说,需要确定拟合是否准确。K-S检验首先根据拟合出的累积密度函数计算出各个点的累积分布函数值Fi(t),再计算出累积密度函数的估计值选择计算值与估计值之间的最大差值作为检验统计量:D=maxi=1,2,…,n[|Fi(t)-Fi|]。D值越小说明偏差越小,拟合效果越好。因此用D值来选择最优分布模型。
当样本数据少于等于预设基准值时,如核电站设备样本数据小于等于5,采用贝叶斯(Bayes)估计算法进行更新计算。如核电站设备Bayes估计算法需要核电站提供设备的先验分布作为先验数据。先验数据是核电站根据相似系统相似设备的可靠性数据整理出的设备分布模型,它反映出该设备可靠性的平均水平。如图5所示,在核电站中的先验分布一般有2种,Gamma分布和对数正态分布。有的设备故障模式没有给出先验分布,采用无先验分布的计算方法。
(1)先验分布为Gamma分布
若先验分布为Gamma分布,即已知先验分布为Gamma(α1,β1),则后验分布为Gamma(α2,β2),其中:
α2=α1+N,β2=β1+T
N为设备处于运行期间的累计运行失效次数;T为设备处于运行期间的累计运行时间。
后验均值:
Bayes区间估计:
5%贝叶斯下限:
95%贝叶斯上限:
误差因子为:
(2)先验分布为对数正态分布
首先将对数正态分布转化为Gamma分布:
(a)利用对数正态分布函数的关系,求出均值和λ0.95;
类型一:已知对数正态分布的均值、EF,计算λ0.95,按下式计算:
类型二:已知均值、95%分位点,不用计算;
类型三:已知中值、EF,计算均值和95%分位点,按下式计算:
λ0.95=中值×EF
类型四:已知中值、95%,计算均值,按下式计算:
(b)用值法找出λ0.95/均值所对应的α值:
(c)由均值=α/β,算出β;
(d)以上三步,完成了将对数正态分布转化为Gamma分布的过程,再按照(1)中所述过程,可求出后验分布及其数字特征。
(3)无先验分布信息
此类分析适用于无先验数据的情况。
后验均值为:
5%贝叶斯下限:
95%贝叶斯上限:
误差因子:
对于经典估算和贝叶斯估算,分布参数确定后只需要将时间项代入到公式中,就可以计算出当前时刻的可靠性数据。
最后需要说明的是:以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,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做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.一种获得设备可靠性数据的方法,其特征在于,该方法包括:
S1:获取设备故障数据;
S2:根据获取到的设备故障数据,确定设备寿命服从的最优分布函数;
S3:根据最优分布函数计算所述设备运行的可靠性数据。
2.根据权利要求1所述的获得设备可靠性数据的方法,其特征在于,步骤S2的具体过程包括:
S21:判断获取到的设备故障数据的数量是否大于预设的基准值,若是,则执行步骤S22,否则,执行步骤S23;
S22:采用经典估计算法确定设备寿命服从的最优分布函数;
S23:采用贝叶斯估计算法确定设备寿命服从的最优分布函数。
3.根据权利要求3所述的获得设备可靠性数据的方法,其特征在于,步骤S22的具体过程包括:
N1:构造至少两个分布函数;
N2:利用经典估计算法估算每一个分布函数的分布参数;
N3:利用Kolmogorov-Smirnov检验选取最优分布函数。
4.根据权利要求4所述的获得设备可靠性数据的方法,其特征在于,步骤N1中构造至少两个分布函数的具体过程包括:
按照指数分布、Gamma分布、两参数Weibull分布、三参数Weibull分布和对数正态分布分别构造出分布函数。
5.根据权利要求4所述的获得设备可靠性数据的方法,其特征在于,步骤N2的具体过程包括:
采用并行计算的方式分别利用经典估计算法估算分布函数的分布参数。
6.根据权利要求4所述的获得设备可靠性数据的方法,其特征在于,步骤N3的具体过程包括:
N31:针对每一个分布函数分别计算出累积密度函数的计算值;
N32:针对每一个分布函数分别计算出累积密度函数的估计值;
N33:针对每一个分布函数分别选择所述计算值与所述估计值的最大差值作为检验统计量,获得每一个分布函数的检验统计量;
N34:比较每一个分布函数的检验统计量的大小,将最小的检验统计量对应的分布函数作为最优分布函数。
7.根据权利要求3所述的获得设备可靠性数据的方法,其特征在于,步骤S23的具体过程包括:
M1:判断设备的故障数据是否具有先验分布,若是,则执行步骤M2,否则,执行步骤M3;
M2:以设备的先验分布为基础确定后验分布,即最优分布函数;
M3:采用无先验分布的贝叶斯估计算法确定最优分布函数。
8.根据权利要求1所述的获得设备可靠性数据的方法,其特征在于,所述设备故障数据包括设备发生故障前已运行时长和发生故障的故障模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810201728.9A CN108459991B (zh) | 2018-03-12 | 2018-03-12 | 一种获得设备可靠性数据的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810201728.9A CN108459991B (zh) | 2018-03-12 | 2018-03-12 | 一种获得设备可靠性数据的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108459991A true CN108459991A (zh) | 2018-08-28 |
CN108459991B CN108459991B (zh) | 2021-12-21 |
Family
ID=63217280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810201728.9A Active CN108459991B (zh) | 2018-03-12 | 2018-03-12 | 一种获得设备可靠性数据的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108459991B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543276A (zh) * | 2018-11-15 | 2019-03-29 | 青岛航讯网络技术服务有限公司 | 大型货轮长期保障任务多Gamma单元备件需求量确定方法 |
CN110486350A (zh) * | 2019-09-02 | 2019-11-22 | 镇江四联机电科技有限公司 | 电液伺服阀故障诊断方法及装置、存储介质和电子设备 |
CN111814360A (zh) * | 2020-08-24 | 2020-10-23 | 中国人民解放军海军航空大学青岛校区 | 一种机载机电设备使用可靠性评估方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030078958A1 (en) * | 2000-09-01 | 2003-04-24 | Pace Charles P. | Method and system for deploying an asset over a multi-tiered network |
US20040059761A1 (en) * | 2002-07-12 | 2004-03-25 | Hively Lee M. | Methods for improved forewarning of critical events across multiple data channels |
CN105023109A (zh) * | 2015-07-30 | 2015-11-04 | 苏州热工研究院有限公司 | 一种核电站系统或设备可靠性评估方法和系统 |
CN105302476A (zh) * | 2015-09-17 | 2016-02-03 | 哈尔滨工程大学 | 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 |
CN107403226A (zh) * | 2017-07-17 | 2017-11-28 | 南京中车浦镇城轨车辆有限责任公司 | 一种基于剩余寿命可靠度确定牵引供变电设备预防性维修间隔和次数的方法 |
CN107679257A (zh) * | 2016-08-01 | 2018-02-09 | 常州佳畅智能科技有限公司 | 车用发动机机械零部件的b10可靠寿命评定方法 |
CN107766300A (zh) * | 2017-10-26 | 2018-03-06 | 电子科技大学 | 基于威布尔‑伽马模型的电力系统可靠性非精确分析方法 |
-
2018
- 2018-03-12 CN CN201810201728.9A patent/CN108459991B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030078958A1 (en) * | 2000-09-01 | 2003-04-24 | Pace Charles P. | Method and system for deploying an asset over a multi-tiered network |
US20040059761A1 (en) * | 2002-07-12 | 2004-03-25 | Hively Lee M. | Methods for improved forewarning of critical events across multiple data channels |
CN105023109A (zh) * | 2015-07-30 | 2015-11-04 | 苏州热工研究院有限公司 | 一种核电站系统或设备可靠性评估方法和系统 |
CN105302476A (zh) * | 2015-09-17 | 2016-02-03 | 哈尔滨工程大学 | 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 |
CN107679257A (zh) * | 2016-08-01 | 2018-02-09 | 常州佳畅智能科技有限公司 | 车用发动机机械零部件的b10可靠寿命评定方法 |
CN107403226A (zh) * | 2017-07-17 | 2017-11-28 | 南京中车浦镇城轨车辆有限责任公司 | 一种基于剩余寿命可靠度确定牵引供变电设备预防性维修间隔和次数的方法 |
CN107766300A (zh) * | 2017-10-26 | 2018-03-06 | 电子科技大学 | 基于威布尔‑伽马模型的电力系统可靠性非精确分析方法 |
Non-Patent Citations (2)
Title |
---|
YONG ZHANG 等: ""A Fault Sample Simulation Approach for Virtual Testability Demonstration Test"", 《CHINESE JOURNAL OF AERONAUTICS》 * |
汲国强 等: ""一种适用于可靠性评估的电网设备时变停运模型"", 《中国电机工程学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543276A (zh) * | 2018-11-15 | 2019-03-29 | 青岛航讯网络技术服务有限公司 | 大型货轮长期保障任务多Gamma单元备件需求量确定方法 |
CN109543276B (zh) * | 2018-11-15 | 2022-11-01 | 青岛航讯网络技术服务有限公司 | 大型货轮长期保障任务多Gamma单元备件需求量确定方法 |
CN110486350A (zh) * | 2019-09-02 | 2019-11-22 | 镇江四联机电科技有限公司 | 电液伺服阀故障诊断方法及装置、存储介质和电子设备 |
CN111814360A (zh) * | 2020-08-24 | 2020-10-23 | 中国人民解放军海军航空大学青岛校区 | 一种机载机电设备使用可靠性评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108459991B (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103646138B (zh) | 基于贝叶斯理论的定时截尾加速验收抽样试验优化设计方法 | |
CN108520152B (zh) | 一种工程设备的寿命分布确定方法及系统 | |
CN105046402B (zh) | 一种应用于智能变电站二次设备的状态评估方法 | |
CN105930976B (zh) | 基于加权理想点法的节点电压暂降严重程度综合评估方法 | |
CN112098915B (zh) | 双母线分段接线下多台电压互感器继发性误差的评估方法 | |
CN109409628A (zh) | 基于计量大数据聚类模型的采集终端生产厂商评价方法 | |
CN106021771A (zh) | 一种故障诊断方法及装置 | |
CN108664700A (zh) | 基于不确定数据包络分析的加速退化信息融合建模方法 | |
CN108459991A (zh) | 一种获得设备可靠性数据的方法 | |
CN104462757A (zh) | 基于监测数据的Weibull分布可靠性序贯验证试验方法 | |
WO2022021726A1 (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
Guida et al. | A random-effects model for long-term degradation analysis of solid oxide fuel cells | |
CN103440410A (zh) | 主变个体缺陷概率预测方法 | |
CN115392627A (zh) | 一种配电网的在线风险评估方法及系统 | |
CN114460529A (zh) | 一种电能表误差在线评估方法、装置、设备及存储介质 | |
WO2022021420A1 (zh) | 一种根因定位方法及装置、电子设备 | |
Huang et al. | Adaptive quickest estimation algorithm for smart grid network topology error | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN115564310A (zh) | 一种基于卷积神经网络的新能源电力系统可靠性评估方法 | |
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 | |
CN110110944A (zh) | 一种基于修正的小波神经网络预测风电消纳需求量算法 | |
CN109389281A (zh) | 一种基于高斯混合模型的采集终端生产厂商评价方法 | |
CN108599147A (zh) | 基于正态指数平滑法与核密度估计的组合区间预测方法 | |
CN111859296B (zh) | 一种基于装备使用期间的测试性指标评估方法及系统 | |
Cao et al. | A novel pca-bp fuzzy neural network model for software defect prediction |
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 |