CN109145382B - 一种装载机驱动桥小子样可靠性的评估方法 - Google Patents
一种装载机驱动桥小子样可靠性的评估方法 Download PDFInfo
- Publication number
- CN109145382B CN109145382B CN201810812990.7A CN201810812990A CN109145382B CN 109145382 B CN109145382 B CN 109145382B CN 201810812990 A CN201810812990 A CN 201810812990A CN 109145382 B CN109145382 B CN 109145382B
- Authority
- CN
- China
- Prior art keywords
- reliability
- drive axle
- loader
- sample
- life
- 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
Images
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
- 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
- G06F17/13—Differential equations
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供的一种装载机驱动桥小子样可靠性的评估方法,包括以下步骤:步骤1、分别对n个装载机驱动桥样件进行疲劳寿命实验,得到n个实验数据;步骤2、根据步骤1所得的n个试验数据建立GM模型,再通过GM灰色预测法将步骤1所得的n个原始实验数据扩充至m+n个样本数据,得到试验样本X;步骤3、利用Bootstrap方法求出步骤2中得到的试验样本X的寿命平均值uY和标准差σ;步骤4,根据步骤3所得的试验样本的寿命平均值uY和标准差σ求得75%置信度对应的试验样本的寿命平均值uY的下限值uYmin;步骤5,根据步骤4中所得的下限值uYmin计算得到装载机驱动桥的可靠性指标;本发明能够有效运用获取的少量样本对概率密度函数进行估计,解决了具有小样本特性的装载机驱动桥可靠性分析的难题。
Description
技术领域
本发明属于机械产品可靠性评估技术领域,具体涉及一种装载机驱动桥小子样可靠性的评估方法。
背景技术
装载机属于铲土运输机械类,是一种用途非常广泛的工程机械,可用于装卸、搬运、平整物料及轻度的铲掘作业,广泛应用于建筑、矿山、公路、铁路、水电、国防工程及城市基础建设中。
装载机作业时:驱动桥将变速器输出轴传来的转矩进一步增大,转速进一步降低,以克服车轮的阻力,同时将输入的动力改变90°方向传给车轮;驱动桥通过差速器解决左右车轮的差速问题,以便利于转向和减少轮胎的磨损;所受到的各种载荷通过驱动桥传到车轮上,同时驱动桥也将车轮所受到的牵引阻力、制动阻力和侧向阻力传给机架。因此装载机驱动桥的疲劳耐久性直接关系到装载机的工作性能和工作效率,对驱动桥的强度及可靠性研究也具有非常重要的意义。
但是由于时间和经费的限制,装载机驱动桥的疲劳寿命试验不能取大量试件进行实验。而小样本数据无法满足机械结构的可靠性统计分析要求,因此对于小子样下机械构件的可靠性分析国内外研究者做了相关工作:文献1“高镇同.疲劳可靠性[M].北京航空航天大学出版社,2000”利用分散系数法对疲劳可靠性进行了研究。文献2“Madsen HO.Bayesian Fatigue Life Prediction[J].1985.”用贝叶斯线性回归分析和类似的先验信息,采用一阶和二阶可靠性方法,然后用回归参数的后验分布进行疲劳寿命预测。
但是,分散系数法一般用于机群安全寿命的评估,Bayes方法受验前平均寿命估计值影响较大。Bootstrap方法避免了半经验评估法和Bayes法需要对总体对数寿命均值分布的假定,通过足够多的有放回模拟再抽样,减少了人为因素的影响。Bootstrap方法通常适用于样本量n≥10的小子样试验评估,对于n=1~3的极小子样并不适用;而装载机驱动桥作为工程机械关键零部件,进行足尺疲劳试验成本高且子样数极少,一般为1~3个件。
发明内容
本发明的目的在于提供一种装载机驱动桥小子样可靠性的评估方法,解决了装载机驱动桥的子样少不适用现有的试验方法进行可靠性评估的缺陷。
为了达到上述目的,本发明采用的技术方案是:
本发明提供的一种装载机驱动桥小子样可靠性的评估方法,包括以下步骤:
步骤1、分别对n个装载机驱动桥样件进行疲劳寿命实验,得到n个实验数据,其中,n≤3;
步骤2、根据步骤1所得的n个试验数据建立GM模型,再通过GM灰色预测法将步骤1所得的n个原始实验数据扩充至m+n个样本数据,得到试验样本X;
步骤3、利用Bootstrap方法求出步骤2中得到的试验样本X的寿命平均值uY和标准差σ;
步骤4,根据步骤3所得的试验样本的寿命平均值uY和标准差σ求得75%置信度对应的试验样本的寿命平均值uY的下限值uYmin;
步骤5,根据步骤4中所得的下限值uYmin计算得到装载机驱动桥的可靠性指标。
优选地,步骤2中,建立GM(1,1,k)模型的具体方法是:
首先,由步骤1所得的3组实验数据组成原始序列x(0):x(0)={x(0)(1),x(0)(2),...,x(0)(n)};
其次,对原始序列x(0)进行一次累加得到数列x(1):x(1)={x(1)(1),x(1)(2),...,x(1)(n)};
接着,对数列x(1)建立微分方程,由微分方程得到GM(1,1,k)模型的数学表达式:
式中,m=0,1,2...S,S为预测个数;a为发展系数;u为灰色作用量;其中,
yn=[x(0)(2),x(0)(3),...,x(0)(n)]T;
最后,对GM(1,1,k)模型的数学表达式进行累减还原,得到原始序列预测值公式:
优选地,对GM(1,1,k)模型进行优化,得到GM(1,1,k*)优化模型,具体地方法是:将残差平方和与平均相对误差值都最小时对应的k作为GM(1,1,k*)优化模型中的k*的取值。
优选地,由GM(1,1,k*)优化模型将原始的实验数据扩充至m+n个样本数据的具体方法是:
首先,将最优k*对应的的a,u值代入原始序列预测值公式中可得m个预测结果值:
最后,将原始的n个试验数据与预测得到的m个数据合并得到m+n个样本数据X,即
优选地,步骤5中,可靠性指标包括可靠度与疲劳寿命之间的函数关系、失效概率密度与疲劳寿命之间的函数关系、失效率与疲劳寿命之间的函数关系、可靠寿命和平均寿命,其中:
可靠度与疲劳寿命之间的函数关系表达式:
失效概率密度与疲劳寿命之间的函数关系表达式:
失效率与疲劳寿命之间的函数关系表达式:
驱动桥的可靠寿命计算公式:
平均寿命计算公式:
与现有技术相比,本发明的有益效果是:
本发明提供的一种装载机驱动桥小子样可靠性的评估方法,基于GM灰色模型和Bootstrap原理,能够有效运用获取的少量样本对概率密度函数进行估计,解决了具有小样本特性的装载机驱动桥可靠性分析的难题,同时,本发明的装载机驱动桥可靠性评估方法也适用于其他不易获得大量样本的机械产品的可靠性分析。
附图说明
图1是本发明实施例的工作流程图;
图2是本发明实施例中建立GM(1,1,k)模型流程图;
图3是本发明实施例中样本数据累加后趋势图;
图4是本发明实施例中利用Bootstrap方法对扩充样本进行1000次抽样后得到的样本均值直方图以及正态分布拟合曲线;
图5是本发明实施例中利用Bootstrap方法对扩充样本进行1000次抽样后得到的样本方差直方图以及正态分布拟合曲线;
图6是本发明实施例中利用Bootstrap方法对扩充样本进行10000次抽样后得到的样本均值直方图以及正态分布拟合曲线;
图7是本发明实施例中利用Bootstrap方法对扩充样本进行10000次抽样后得到的样本方差直方图以及正态分布拟合曲线;
图8是本发明实施例中利用Bootstrap方法对扩充样本进行100000次抽样后得到的样本均值直方图以及正态分布拟合曲线;
图9是本发明实施例中利用Bootstrap方法对扩充样本进行100000次抽样后得到的样本方差直方图以及正态分布拟合曲线;
图10是本发明实施例中在置信水平γ=75%时,驱动桥的可靠度和疲劳寿命之间的关系图;
图11是本发明实施例中在置信水平γ=75%时,驱动桥的失效概率密度与疲劳寿命之间的关系图;
图12是本发明实施例中在置信水平γ=75%时,驱动桥的失效率与疲劳寿命之间的关系图。
具体实施方式
下面结合附图,对本发明进一步详细说明。
如图1所示,本发明提供的一种装载机驱动桥小子样可靠性的评估方法,包括以下步骤:
步骤1、分别对n个装载机驱动桥样件进行疲劳寿命实验,得到n个实验数据,其中,n≤3;
步骤2、根据步骤1所得的n个试验数据建立GM模型,再通过GM灰色预测法将步骤1所得的n个原始实验数据扩充至m+n个样本数据,得到试验样本X;
步骤3、利用Bootstrap方法求出步骤2中得到的试验样本X的寿命平均值uY和标准差σ;
步骤4,根据步骤3所得的试验样本的寿命平均值uY和标准差σ求得75%置信度对应的试验样本的寿命平均值uY的下限值;
步骤5,根据步骤4中所得的下限值uYmin计算得到装载机驱动桥的可靠性指标。
本发明的装载机驱动桥可靠性评估方法基于GM灰色模型和Bootstrap原理,能够有效运用获取的少量样本对概率密度函数进行估计,解决了具有小样本特性的装载机驱动桥可靠性分析的难题,同时,本发明的装载机驱动桥可靠性评估方法也适用于其他不易获得大量样本的机械产品的可靠性分析。
一种装载机驱动桥可靠性的评估方法,包括以下步骤:
步骤1,由实验分别测得n个装载机驱动桥样本的疲劳寿命实验数据,得到n个实验数据;
步骤2、通过步骤1所得的n个试验数据建立GM(1,1,k)模型:
由步骤1所得的n个实验数据组成原始序列x(0):x(0)={x(0)(1),x(0)(2),...,x(0)(n)},对无规律可循的非负原始序列x(0)通过式(1)进行一次累加得到数列x(1),即x(1)={x(1)(1),x(1)(2),...,x(1)(n)}:
其中,n为原始实验样本数;x(0)(n)为第n个试验数据;x(1)(n)为对x(0)(n)进行累加后得到的第n个数据。
数学证明,累加生成可使任意非负数列转化为保持x(0)信息的单调递增数列,这使得预测有规律可循;同时,累加生成具有概率意义,由实际问题可知,累加生成具有统计意义,且累加的规律性由发掘原始信息的内涵而得,保持了与原始信息的关联性。
对x(1)可建立如下微分方程:
式中,m=0,1,2...S,S为预测个数,而当m=0时:即第一个预测值与原始样本第一个值相等,因此从第二个预测值开始取,即m=1时开始取;a为发展系数,反应了序列的发展态势,u为灰色作用量,它的大小及变化反应了数据和行为模式的变化关系,在系统中相当于作用量;a、u可用最小二乘法求得,即:
yn=[x(0)(2),x(0)(3),...,x(0)(n)]T (6)
当m=0时,由式(3)可得:
k取不同参数时,相对于原始试验数据对应的预测值见表1;其中,将残差平方和与平均相对误差值都最小时对应的k作为GM(1,1,k*)优化模型中的k*的取值:
表1
由GM(1,1,k*)优化模型将实验数据扩充至m+n个;
将原始的n个试验数据与预测得到的m个数据合并得到m+n个样本数据X,即
步骤4、根据步骤3所得的样本数据的寿命平均值uY和标准差σ求得75%置信度对应的样本数据的寿命平均值uY的下限值uYmin,
步骤5、根据步骤4所得到的下限值uYmin代入公式(9)-(14)中,得到装载机驱动桥的可靠性指标,可靠性指标包括可靠度与疲劳寿命之间的函数关系、失效概率密度与疲劳寿命之间的函数关系、失效率与疲劳寿命之间的函数关系、可靠寿命和平均寿命,具体如下:
可靠度与疲劳寿命之间的函数关系表达式:
失效概率密度与疲劳寿命之间的函数关系表达式:
失效率与疲劳寿命之间的函数关系表达式:
驱动桥的可靠寿命计算公式:
平均寿命计算公式:
75%置信度的下限值Zlow可由Φ(Zlow)=γ得出,其中γ=0.75,可得Zlow=-1.1504。由公式:
将步骤5结果与半经验法结果进行对比,证明GM预测模型与Bootstrap方法相结合进行装载机驱动桥的可靠性评估的可行性。
实施例1
一种装载机驱动桥可靠性的评估方法,包括以下步骤:
1)由实验分别测得装载机驱动桥的3个疲劳寿命分别为x(0)(1)=4.596335,x(0)(2)=4.62608,x(0)(3)=4.61471;
2)建立GM(1,1,k)模型,如图2、图3所示;
由原始序列:x(0)={39476.16,42275.04,41181.92},对无规律可循的非负原始序列x(0)通过式(1):
进行一次累加得:x(1)={39476.16,81751.2,122933.12}。
其中:n为实验数据总数,本例中n=3。
数学证明,累加生成可使任意非负数列转化为保持x(0)信息的单调递增数列,
这使得预测有规律可循。同时,累加生成具有概率意义,由实际问题可知,累加生成具有统计意义,且累加的规律性由发掘原始信息的内涵而得,保持了与原始信息的关联性。
对x(1)可建立如下微分方程:
即GM(1,1)模型,其解为:
式中,m=0,1,2...S,S为预测个数,而当m=0时:即第一个预测值与原始样本第一个值相等,因此从第二个预测值开始取,即m=1时开始取。本例中需7个预测值,所以S取值为7。a为发展系数,反应了序列的发展态势,u为灰色作用量,它的大小及变化反应了数据和行为模式的变化关系,在系统中相当于作用量。a,u可用最小二乘法求得,即:
yn=[42275.04,41181.92]T (6)
将式(4)代入式(3)即可得GM(1,1,k*)模型。k的取值将会影响灰色预测模型的精度。因此,有必要对k进行优化。
当m=0时,由式(3)可得:
当m=1,2,3…时,由式(3)经式(7)累减还原,得到原始序列预测值式(8)
对GM(1,1,k)模型进行优化,得到GM(1,1,k*)优化模型
k取不同参数时其相对于原始数据预测值见表1。
根据灰色模型预测等级对照表1知P≥0.95,C<0.35时表示预测等级为优。因此由表2可知三组预测数据都满足等级为优的要求,取残差平方和与平均相对误差值都最小时,即当k=k*=0.4时作为全局最优。
表2
P | C | 模型精度 |
>0.95 | <0.35 | 优 |
>0.80 | <0.50 | 合格 |
>0.70 | <0.65 | 勉强合格 |
<0.70 | >0.65 | 不合格 |
将k*=0.4时求得的a,u值代入公式(8)可得:
3)由GM优化模型将3个实验数据扩充至10个;
通过上述公式解得预测7个结果值:{4.626687,4.615135,4.603612,4.592116,4.580651,4.569213,4.557804}。
预测得到的7个数据加上原始3个试验数据即得到10个数据:
X={4.596335,4.62608,4.61471,4.626687,4.615135,4.603612,4.592116,4.580651,4.569213,4.557804}。
4)将3)得到样本数据X={4.596335,4.62608,4.61471,4.626687,4.615135,4.603612,4.592116,4.580651,4.569213,4.557804},利用Bootstrap方法处理样本数据,求出样本均值的估计值:对上述由三个试验样本数据经GM法扩展得到10个数据样本X进行随机重复抽样,抽样次数为1000,10000,100000次数据的平均值和方差与正态曲线的拟合情况如图4-图9所示。
由图4-图9可以看出抽样后结果都服从正态分布,随着抽样次数的增多,其正态分布曲线与直方图的拟合精度越高。由图8、图9可以看出抽样100000次时其结果服从N(4.598,0.1452)的正态分布,和原始样本的平均值4.6125基本一致,说明本文中GM(1,1,k)-Bootstrap组合方法可以有效继承原始数据的基本统计特征。
取α=0.25以满足双侧75%的置信水平,μ对应置信区间为[4.4312,4.7648]。
5)由Bootstrap方法得出的75%置信度对应的试验寿命均值的下限为26989.82h,具体如表3,表3
利用半经验法计算出75%置信度下装载机驱动桥的疲劳寿命均值的下限为28115.6h。两种评估方法的结果误差为3.11%,所以充分证明GM预测模型与Bootstrap方法相结合进行装载机驱动桥的可靠性评估是可行的。
将置信度γ=0.75的置信下限4.4312代入对数正态分布的相关函数表达式,可得装载机驱动桥的可靠性指标如下:
可靠度与疲劳寿命之间的函数关系表达式:
失效概率密度与疲劳寿命之间的函数关系表达式:
失效率与疲劳寿命之间的函数关系表达式:
平均寿命为:
综上所述,可由公式(10)、(12)、(13)绘制75%置信度下装载机驱动桥的可靠度函数曲线,失效概率密度函数曲线和失效率函数曲线如图10-图12所示。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也包括本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (5)
1.一种装载机驱动桥小子样可靠性的评估方法,其特征在于,包括以下步骤:
步骤1、分别对n个装载机驱动桥样件进行疲劳寿命实验,得到n个实验数据,其中,n≤3;
步骤2、根据步骤1所得的n个试验数据建立GM模型,再通过GM灰色预测法将步骤1所得的n个原始实验数据扩充至m+n个样本数据,得到试验样本X;
步骤3、利用Bootstrap方法求出步骤2中得到的试验样本X的寿命平均值uY和标准差σ;
步骤4,根据步骤3所得的试验样本的寿命平均值uY和标准差σ求得75%置信度对应的试验样本的寿命平均值uY的下限值uYmin;
步骤5,根据步骤4中所得的下限值uYmin计算得到装载机驱动桥的可靠性指标。
2.根据权利要求1所述的一种装载机驱动桥小子样可靠性的评估方法,其特征在于,步骤2中,建立GM(1,1,k)模型的具体方法是:
首先,由步骤1所得的n个实验数据组成原始序列x(0):x(0)={x(0)(1),x(0)(2),...,x(0)(n)};
其次,对原始序列x(0)进行一次累加得到数列x(1):x(1)={x(1)(1),x(1)(2),...,x(1)(n)};
接着,对数列x(1)建立微分方程,由微分方程得到GM(1,1,k)模型的数学表达式:
式中,m=0,1,2...S,S为预测样本个数;a为发展系数;u为灰色作用量;其中,
yn=[x(0)(2),x(0)(3),...,x(0)(n)]T;
最后,对GM(1,1,k)模型的数学表达式进行累减还原,得到原始序列预测值公式:
3.根据权利要求2所述的一种装载机驱动桥小子样可靠性的评估方法,其特征在于,对GM(1,1,k)模型进行优化,得到GM(1,1,k*)优化模型,具体地方法是:将残差平方和与平均相对误差值都最小时对应的k作为GM(1,1,k*)优化模型中的k*的取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810812990.7A CN109145382B (zh) | 2018-07-23 | 2018-07-23 | 一种装载机驱动桥小子样可靠性的评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810812990.7A CN109145382B (zh) | 2018-07-23 | 2018-07-23 | 一种装载机驱动桥小子样可靠性的评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145382A CN109145382A (zh) | 2019-01-04 |
CN109145382B true CN109145382B (zh) | 2022-11-01 |
Family
ID=64801482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810812990.7A Active CN109145382B (zh) | 2018-07-23 | 2018-07-23 | 一种装载机驱动桥小子样可靠性的评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145382B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096834A (zh) * | 2019-05-14 | 2019-08-06 | 燕山大学 | 一种基于支持向量机的短时小样本寿命预测方法 |
CN110263420B (zh) * | 2019-06-17 | 2022-09-27 | 长安大学 | 一种基于bp神经网络的装载机驱动桥极小子样可靠性评估方法 |
CN110263419B (zh) * | 2019-06-17 | 2022-09-27 | 长安大学 | 一种基于支持向量机的装载机驱动桥极小子样可靠性评估方法 |
CN111612216A (zh) * | 2020-04-20 | 2020-09-01 | 中国重型机械研究院股份公司 | 基于GM灰色模型和Bootstrap理论的定制产品质量控制预测方法 |
CN115310260B (zh) * | 2022-07-01 | 2023-10-20 | 南京航空航天大学 | 疲劳寿命分布模型建模方法、系统、装置、计算机可读介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407592A (zh) * | 2016-09-30 | 2017-02-15 | 北京航空航天大学 | 一种测定疲劳性能的小子样数据方法 |
CN107524797A (zh) * | 2016-06-21 | 2017-12-29 | 李福霞 | 一种基于dsp的装载机自动换挡控制系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7877229B2 (en) * | 2006-12-22 | 2011-01-25 | The Boeing Company | Computational method for load enhancement factors and apparatus for executing same |
-
2018
- 2018-07-23 CN CN201810812990.7A patent/CN109145382B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107524797A (zh) * | 2016-06-21 | 2017-12-29 | 李福霞 | 一种基于dsp的装载机自动换挡控制系统 |
CN106407592A (zh) * | 2016-09-30 | 2017-02-15 | 北京航空航天大学 | 一种测定疲劳性能的小子样数据方法 |
Non-Patent Citations (2)
Title |
---|
小子样疲劳寿命分散系数置信区间随应力的变化规律研究;万越等;《航空计算技术》;20090115(第01期);全文 * |
轮式装载机驱动桥疲劳试验及其疲劳可靠性评估;梁佳等;《华南理工大学学报(自然科学版)》;20180715(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109145382A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145382B (zh) | 一种装载机驱动桥小子样可靠性的评估方法 | |
CN103018673B (zh) | 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法 | |
CN105574326A (zh) | 一种基于自组织模糊神经网络的出水氨氮浓度软测量方法 | |
CN102663516B (zh) | 产品外场寿命及可靠性模型构建及评估方法 | |
CN102323577B (zh) | 一种基于能量积累的高分辨雷达双门限检测方法 | |
Gonzalez et al. | Comparisons of statistical models to predict fecal indicator bacteria concentrations enumerated by qPCR-and culture-based methods | |
CN101847834B (zh) | 电站小样本及无失效数据部件失效率的可靠性评估方法 | |
CN105740988A (zh) | 基于灰色关联分析和多元线性回归模型对煤炭热值的预测方法 | |
CN104156500A (zh) | 一种预测材料疲劳寿命的方法 | |
CN109297077B (zh) | 监测中深层无干扰地岩热供热系统梯级利用系统的方法 | |
CN104793604A (zh) | 一种基于主成分追踪的工业故障监测方法及应用 | |
US20210316946A1 (en) | Dynamic reliability evaluation method for coupling faults of middle trough of scraper conveyor | |
CN104835073A (zh) | 基于直觉模糊熵权的无人飞行器控制系统运行绩效评价方法 | |
CN111859814A (zh) | 基于lstm深度学习的岩石时效变形预测方法及其系统 | |
Qin et al. | The prediction intervals of remaining useful life based on constant stress accelerated life test data | |
CN102880917B (zh) | 基于对数负荷密度增长曲线的中长期电力负荷预测方法 | |
CN103761421A (zh) | 一种大型矿用挖掘机提升机构可靠性评估方法 | |
CN101799369A (zh) | 一种动力设备故障监测预报中的灰色建模方法 | |
CN110263420B (zh) | 一种基于bp神经网络的装载机驱动桥极小子样可靠性评估方法 | |
CN110263419B (zh) | 一种基于支持向量机的装载机驱动桥极小子样可靠性评估方法 | |
CN104699923A (zh) | 多指标水质综合评价方法 | |
CN116341705A (zh) | 基于稀疏标签的长短期记忆网络水质参数预测方法 | |
CN105205589A (zh) | 火力发电机组不同负荷下锅炉效率的评价方法 | |
CN105005688A (zh) | 基于贝叶斯网络模型的水质污染判断方法 | |
CN104679633A (zh) | 一种多航天器并行测试过程的效能评价方法 |
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 |