CN110457654A - 一种基于现场数据的机载设备可靠性预测方法 - Google Patents
一种基于现场数据的机载设备可靠性预测方法 Download PDFInfo
- Publication number
- CN110457654A CN110457654A CN201910731822.XA CN201910731822A CN110457654A CN 110457654 A CN110457654 A CN 110457654A CN 201910731822 A CN201910731822 A CN 201910731822A CN 110457654 A CN110457654 A CN 110457654A
- Authority
- CN
- China
- Prior art keywords
- failure
- product
- data
- airborne equipment
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 116
- 230000008569 process Effects 0.000 claims abstract description 78
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 239000000047 product Substances 0.000 claims description 67
- 238000011160 research Methods 0.000 claims description 31
- 238000012423 maintenance Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 9
- 230000008439 repair process Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000007257 malfunction Effects 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000003339 best practice Methods 0.000 claims description 3
- 239000006227 byproduct Substances 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- WDAIWFJRXVKXNS-UHFFFAOYSA-N 2-[(4-chlorophenyl)hydrazinylidene]propanedioic acid Chemical compound OC(=O)C(C(O)=O)=NNC1=CC=C(Cl)C=C1 WDAIWFJRXVKXNS-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明公开了一种基于现场数据的机载设备可靠性预测方法,涉及机载设备可靠性预测技术领域;它的预测方法:步骤一:现场运行条件下对机载设备可靠性开展Bayes统计推断;步骤二:结合现场运行过程建立产品故障次数预测模型;步骤三:理论分析、计算、实验方法和步骤;本发明在现场运行条件下,基于现场数据对机载设备进行Bayes统计推断,给出可靠性测度点估计与置信限,达到评估机载设备可靠性的目标;利用现场故障数据预测未来时间区间内产品故障次数。然后再研究数据特征通过机器学习算法实现故障预测,达到对未来可能发生故障的类型以及发生故障与否预测的目标。
Description
技术领域
本发明属于机载设备可靠性预测技术领域,具体涉及一种基于现场数据的机载设备可靠性预测方法。
背景技术
近年来,国外在可靠性评估方面的研究主要集中于Bayes分析、回归分析,对于区间数据的研究与应用较多。从上世纪90年代以来,Bayes 分析一直是国外学者研究的热点。文献研究了 Bayes方法在区间数据分析中的应用。文献讨论了参数多层先验分布模型的应用。文献则在前人研究的基础上,系统而全面的论述了Bayes方法的意义及与其他方法的对比、先验信息与分布、Bayes点估计与区间估计、Bayes假设检验、Bayes数值计算、经验Bayes方法等内容。这些文献的特点是针对Bayes方法本身具有透彻的研究,但不足在于它们仅限于一般的统计领域,在可靠性统计分析,特别是在可靠性先验信息的转化与融合方面还有较大的欠缺。另外随着客机逐步投入使用,导致各自的数据起点不同,使得现场数据将变得更为复杂。可以认为,在研究先验信息转化的基础上,结合现场运行条件利用Bayes理论对机载设备进行统计推断是开展机载设备可靠性预测的基本问题。
预测未来时刻产品故障次数,有利于合理确定备件储备数量,已成为热门研究方向。国外从20世纪60年代起已开始对寿命预测进行研究与应用。传统方法通过样本容量与累积失效概率乘积获得预测结果,未能给出故障数的预测分布,但预测风险较高。在常用寿命分布下给出未来时刻产品故障次数置信限,如周源泉、Nelson 等人给出了指数分布、Weibull 分布、以及对数正态分布条件下产品未来时刻故障次数的预测限。虽然有利于降低预测风险,但是在伴随维修的航空产品故障次数预测方面具有局限性。随机过程在描述伴随维修的产品故障过程方面具有优势,据此给出产品故障次数预测限更符合工程实际。如 Yu 和周源泉在故障截尾和时间截尾下基于齐次 Poisson 过程给出了经典精确预测限、正态近似预测限、Bayes 精确预测限、Fiducial 预测限。Nader 基于非齐次泊松过程给出了可修系统故障次数的 Bayes 预测限。对于具有异步运行的机载设备,各产品投入运行时间历程不同,导致其同一时刻的故障过程强度具有差异性,同一区间内故障次数也不同。现场异步运行给产品故障次数预测带来挑战。可认为,现场运行条件下未来时间区间内产品故障次数预测是基于现场故障数据研究机载设备可靠性的难点。
欧美国家对于飞机故障预测的研究己经进行了多方面的研究,对于飞机故障预测提出了一个全面的诊断程序,研究和运用建模与仿真技术,智能化故障诊断技术的设计,进行监测和故障预测技术,使用在新一代飞机的设计、生产中,研发出了飞机故障预测和健康管理系统(CPHM)、直升机健康与监控系统(HUMS)、中央维护系统(CMS)等先进的诊断与监测系统,以前飞机是在降落后才开始诊断维修,现在可以实现地面远程诊断,使地面可以提前准备,维修周期缩短,提高效率,在各种飞机系统中普遍运用,使飞机故障率和维修成本得到显著改善。我国对于飞机故障预测这方面的研究发展稍晚一些,也取得了一些成就。随着航空技术的发展,国内的民航飞机故障越来越复杂,目前飞机的排除故障很大程度上是依靠经验判断,通常是一项一项的根据相应的维护手册中的方法排除故障。近些年,国内也出现了一些智能诊断与预测系统,如重庆某某智能控制有限公司与中国某航空公司开发了一套“B737飞机故障诊断与维修指导系统”,该系统具有极强的操作性。还有中国民航大学的张鹏与范思如等人研究的基于故障历史的飞机故障趋势预测分析,提出了一种预测故障趋势的方法。还有北航研究的视情维修系统可以用来监测飞机发动机的异常情况,对飞机故障进行综合诊断预测。李立群提出了一种基于灰色理论的故障预测方法,利用172 基本型飞机故障信息数据分析出飞机故障千时率,运用灰色理论较为准确的预测了飞机的故障,实现了用较少的数据得到较高的预测精度,吴江针对起落架减震器密封失效导致油液泄漏故障,提出一种利用 LVQ 神经网络对故障进行预测的方法。利用历史维修信息对预测模型进行训练实现故障预测。所以基于现场维修数据,基于机器学习识别设备故障是产品故障次数预测的重要内涵。
综上所述,解决利用现场数据在异步运行的情况下开展产品可靠性预测这一关键科学问题,对于提高设备系统运行的安全性,是降低维修成本具有重要意义。为此,我们可以从在现场运行条件下利用Bayes理论对机载设备进行统计推断、和结合现场运行过程建立产品故障次数预测模型两个方面开展研究,在计数过程与更新过程叠加作用下创新性地开展产品故障次数预测研究。结合机载设备现场运行的工程背景,系统地研究基于现场故障数据的机载设备可靠性。研究成果不仅可为航空产品可靠性评估提供支持,而且可为其它装备现场运行过程中动态可靠性评估提供有价值的参考。
发明内容
为解决现有的问题;本发明的目的在于提供一种基于现场数据的机载设备可靠性预测方法。
本发明的一种基于现场数据的机载设备可靠性预测方法,它的预测方法:
步骤一:现场运行条件下对机载设备可靠性开展Bayes统计推断:
通过引入位置参数,将异步运行模式下的产品故障过程转化为同步运行模式下的产品故障过程,基于齐次Poisson过程和非齐次Poisson 过程建立多台产品同步运行模式下的产品故障过程模型,研究模型求解技术;针对现场数据存在左删失特点的问题,依据产品在左截断时间处是否已经投入运行,将产品现场故障数据分为两类,然后在异步运行模式下,分别基于故障过程建立模型,综合得到存在左删失条件下产品故障过程建模型;
步骤二:结合现场运行过程建立产品故障次数预测模型:
(2.1)、首先分析现场运行条件下产品所具有的特点,结合其特点考虑将产品投入运行视作独立事件,则装机规模变化过程可视为典型的计数过程,基于齐次 Poisson 过程研究机队规模 N(t)的变化规律;产品故障后采取替换维修,其故障过程可视作更新过程,基于更新过程理论研究产品未来故障次数预测技术;综合计数过程与更新过程建立现场运行条件下未来时间区间内产品故障次数预测模型;然后在获得机载设备现场故障数据的基础上研究模型求解技术给出故障次数预测;
(2.2)、从现场维修数据中提取特征向量作为机器学习的输入、输出参量,并且将现场数据转换为量化可输入的数据,将其作为训练样本,利用机器学习算法对未来可能发生的故障进行预测,实现对机载设备故障的识别;通过机载设备实例对比几种机器学习算法,分析其故障预测精度,寻找一种最优方法来预测设备故障;
步骤三:理论分析、计算、实验方法和步骤:
(3.1)、针对现场数据,在结合实际情况下做出合理假设得到寿命数据,然后结合先验信息对典型液压系统机载设备开展Bayes统计推断;
(3.2)、将产品投入运行视作独立事件,则装机规模变化过程可视为典型的计数过程,基于齐次 Poisson 过程研究机队规模 N(t)的变化规律;产品故障后采取替换维修,可视作一次更新,其故障过程可视作更新过程,基于更新过程理论研究产品未来故障次数预测技术;据此可认为,现场运行条件下产品故障过程是由 N(t)个独立的更新过程之和;
(3.3)、针对基于现场数据提取出来的特征向量,可以分析出作为训练样本的原始数据,然后基于这些数据选择一种机器学习算法开始训练样本,达到一定程度稳定后停止训练,最后通过预留数据来验证预测模型能否达到预期要求,以相同的方式利用其他算法进行故障预测。
作为优选,所述步骤一还包括针对Bayes先验信息的问题,充分利用其它型号客机机载设备故障信息、现场机务工程师经验、以及飞机制造商对提供的维修参考信息,挖掘机载设备有效的可靠性信息,利用 D-S 证据理论将多源可靠性信息融合为同一框架下的产品可靠性信息,将之以先验信息的形式利用 Bayes 统计推断进行融合,以实现扩展信息量的目的,提高估计精度;利用机载设备现场故障数据,求解模型参数,计算产品故障率与平均寿命置信限。对于研究过程中涉及的数值解析难点,利用计算机编程或 matlab 方针软件辅助解决。
与现有技术相比,本发明的有益效果为:
一、在现场运行条件下,基于现场数据对机载设备进行Bayes统计推断,给出可靠性测度点估计与置信限,达到评估机载设备可靠性的目标。
二、利用现场故障数据预测未来时间区间内产品故障次数。然后再研究数据特征通过机器学习算法实现故障预测,达到对未来可能发生故障的类型以及发生故障与否预测的目标。
附图说明
为了易于说明,本发明由下述的具体实施及附图作以详细描述。
图1为本发明的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面通过附图中示出的具体实施例来描述本发明。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
如图1所示,本具体实施方式采用以下技术方案:一种基于现场数据的机载设备可靠性预测方法,它的预测方法:
步骤一:现场运行条件下对机载设备可靠性开展Bayes统计推断:
通过引入位置参数,将异步运行模式下的产品故障过程转化为同步运行模式下的产品故障过程,基于齐次Poisson过程和非齐次 Poisson 过程建立多台产品同步运行模式下的产品故障过程模型,研究模型求解技术;针对现场数据存在左删失特点的问题,依据产品在左截断时间处是否已经投入运行,将产品现场故障数据分为两类,然后在异步运行模式下,分别基于故障过程建立模型,综合得到存在左删失条件下产品故障过程建模型;
步骤二:结合现场运行过程建立产品故障次数预测模型:
(2.1)、首先分析现场运行条件下产品所具有的特点,结合其特点考虑将产品投入运行视作独立事件,则装机规模变化过程可视为典型的计数过程,基于齐次 Poisson 过程研究机队规模 N(t)的变化规律;产品故障后采取替换维修,其故障过程可视作更新过程,基于更新过程理论研究产品未来故障次数预测技术;综合计数过程与更新过程建立现场运行条件下未来时间区间内产品故障次数预测模型;然后在获得机载设备现场故障数据的基础上研究模型求解技术给出故障次数预测;
(2.2)、从现场维修数据中提取特征向量作为机器学习的输入、输出参量,并且将现场数据转换为量化可输入的数据,将其作为训练样本,利用机器学习算法对未来可能发生的故障进行预测,实现对机载设备故障的识别;通过机载设备实例对比几种机器学习算法,分析其故障预测精度,寻找一种最优方法来预测设备故障;
步骤三:理论分析、计算、实验方法和步骤:
(3.1)、针对现场数据,在结合实际情况下做出合理假设得到寿命数据,然后结合先验信息对典型液压系统机载设备开展Bayes统计推断;
(3.2)、将产品投入运行视作独立事件,则装机规模变化过程可视为典型的计数过程,基于齐次 Poisson 过程研究机队规模 N(t)的变化规律;产品故障后采取替换维修,可视作一次更新,其故障过程可视作更新过程,基于更新过程理论研究产品未来故障次数预测技术;据此可认为,现场运行条件下产品故障过程是由 N(t)个独立的更新过程之和;
(3.3)、针对基于现场数据提取出来的特征向量,可以分析出作为训练样本的原始数据,然后基于这些数据选择一种机器学习算法开始训练样本,达到一定程度稳定后停止训练,最后通过预留数据来验证预测模型能否达到预期要求,以相同的方式利用其他算法进行故障预测。
进一步的,所述步骤一还包括针对Bayes先验信息的问题,充分利用其它型号客机机载设备故障信息、现场机务工程师经验、以及飞机制造商对提供的维修参考信息,挖掘机载设备有效的可靠性信息,利用 D-S 证据理论将多源可靠性信息融合为同一框架下的产品可靠性信息,将之以先验信息的形式利用 Bayes 统计推断进行融合,以实现扩展信息量的目的,提高估计精度;利用机载设备现场故障数据,求解模型参数,计算产品故障率与平均寿命置信限。对于研究过程中涉及的数值解析难点,利用计算机编程或 matlab 方针软件辅助解决。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (2)
1.一种基于现场数据的机载设备可靠性预测方法,其特征在于:它的预测方法:
步骤一:现场运行条件下对机载设备可靠性开展Bayes统计推断:
通过引入位置参数,将异步运行模式下的产品故障过程转化为同步运行模式下的产品故障过程,基于齐次Poisson过程和非齐次 Poisson 过程建立多台产品同步运行模式下的产品故障过程模型,研究模型求解技术;针对现场数据存在左删失特点的问题,依据产品在左截断时间处是否已经投入运行,将产品现场故障数据分为两类,然后在异步运行模式下,分别基于故障过程建立模型,综合得到存在左删失条件下产品故障过程建模型;
步骤二:结合现场运行过程建立产品故障次数预测模型:
(2.1)、首先分析现场运行条件下产品所具有的特点,结合其特点考虑将产品投入运行视作独立事件,则装机规模变化过程可视为典型的计数过程,基于齐次 Poisson 过程研究机队规模 N(t)的变化规律;产品故障后采取替换维修,其故障过程可视作更新过程,基于更新过程理论研究产品未来故障次数预测技术;综合计数过程与更新过程建立现场运行条件下未来时间区间内产品故障次数预测模型;然后在获得机载设备现场故障数据的基础上研究模型求解技术给出故障次数预测;
(2.2)、从现场维修数据中提取特征向量作为机器学习的输入、输出参量,并且将现场数据转换为量化可输入的数据,将其作为训练样本,利用机器学习算法对未来可能发生的故障进行预测,实现对机载设备故障的识别;通过机载设备实例对比几种机器学习算法,分析其故障预测精度,寻找一种最优方法来预测设备故障;
步骤三:理论分析、计算、实验方法和步骤:
(3.1)、针对现场数据,在结合实际情况下做出合理假设得到寿命数据,然后结合先验信息对典型液压系统机载设备开展Bayes统计推断;
(3.2)、将产品投入运行视作独立事件,则装机规模变化过程可视为典型的计数过程,基于齐次 Poisson 过程研究机队规模 N(t)的变化规律;产品故障后采取替换维修,可视作一次更新,其故障过程可视作更新过程,基于更新过程理论研究产品未来故障次数预测技术;据此可认为,现场运行条件下产品故障过程是由 N(t)个独立的更新过程之和;
(3.3)、针对基于现场数据提取出来的特征向量,可以分析出作为训练样本的原始数据,然后基于这些数据选择一种机器学习算法开始训练样本,达到一定程度稳定后停止训练,最后通过预留数据来验证预测模型能否达到预期要求,以相同的方式利用其他算法进行故障预测。
2.根据权利要求1所述的一种基于现场数据的机载设备可靠性预测方法,其特征在于:所述步骤一还包括针对Bayes先验信息的问题,充分利用其它型号客机机载设备故障信息、现场机务工程师经验、以及飞机制造商对提供的维修参考信息,挖掘机载设备有效的可靠性信息,利用 D-S 证据理论将多源可靠性信息融合为同一框架下的产品可靠性信息,将之以先验信息的形式利用 Bayes 统计推断进行融合,以实现扩展信息量的目的,提高估计精度;利用机载设备现场故障数据,求解模型参数,计算产品故障率与平均寿命置信限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910731822.XA CN110457654A (zh) | 2019-08-08 | 2019-08-08 | 一种基于现场数据的机载设备可靠性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910731822.XA CN110457654A (zh) | 2019-08-08 | 2019-08-08 | 一种基于现场数据的机载设备可靠性预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110457654A true CN110457654A (zh) | 2019-11-15 |
Family
ID=68485587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910731822.XA Pending CN110457654A (zh) | 2019-08-08 | 2019-08-08 | 一种基于现场数据的机载设备可靠性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110457654A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112378708A (zh) * | 2020-11-04 | 2021-02-19 | 中国人民解放军陆军装甲兵学院 | 一种基于Bayes方法小样本条件下装备评估装置 |
CN112578733A (zh) * | 2020-11-27 | 2021-03-30 | 上海海事大学 | 一种基于高低温湿热试验箱故障维修数据的可靠性评估方法 |
CN117010497A (zh) * | 2023-05-26 | 2023-11-07 | 中国民用航空飞行学院 | 一种通航飞机起落架减震器的适航领域知识建模方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1420344A2 (en) * | 2002-11-13 | 2004-05-19 | Imbus Ag | Method and device for prediction of the reliability of software programs |
WO2008059624A1 (fr) * | 2006-11-13 | 2008-05-22 | Fujitsu Limited | Procédé, programme et dispositif de réalisation d'un modèle de classification/prévision à deux classes |
WO2009025045A1 (ja) * | 2007-08-22 | 2009-02-26 | Fujitsu Limited | 化合物の物性予測装置、物性予測方法およびその方法を実施するためのプログラム |
WO2010016109A1 (ja) * | 2008-08-05 | 2010-02-11 | 富士通株式会社 | サンプルの帰属クラス予測方法、帰属クラス予測プログラムおよび帰属クラス予測装置 |
US8311973B1 (en) * | 2011-09-24 | 2012-11-13 | Zadeh Lotfi A | Methods and systems for applications for Z-numbers |
CN103198223A (zh) * | 2013-04-12 | 2013-07-10 | 电子科技大学 | 一种电子产品实时可靠性的预测方法 |
CN103778309A (zh) * | 2012-10-18 | 2014-05-07 | 天津职业技术师范大学 | 退化试验下数控系统可靠性快速贝叶斯评定系统 |
US20140148962A1 (en) * | 2012-11-28 | 2014-05-29 | Clemson Univesity | Situational Awareness / Situational Intelligence System and Method for Analyzing, Monitoring, Predicting and Controlling Electric Power Systems |
CN104239694A (zh) * | 2014-08-28 | 2014-12-24 | 北京交通大学 | 一种城轨列车转向架的故障预测与视情维修方法 |
CN105205221A (zh) * | 2015-08-26 | 2015-12-30 | 电子科技大学 | 一种重型数控机床精度可靠性分析方法 |
CN106485032A (zh) * | 2016-11-08 | 2017-03-08 | 哈尔滨理工大学 | 一种计算叶盘振动可靠性的双重极值响应面法 |
CN106598791A (zh) * | 2016-09-12 | 2017-04-26 | 湖南微软创新中心有限公司 | 一种基于机器学习的工业设备故障预防性识别方法 |
CN106779505A (zh) * | 2017-02-28 | 2017-05-31 | 中国南方电网有限责任公司 | 一种基于大数据驱动的输电线路故障预警方法及系统 |
CN106875053A (zh) * | 2017-02-15 | 2017-06-20 | 济中节能技术(苏州)有限公司 | 基于bayes算法的风机故障诊断方法和诊断系统 |
CN107506335A (zh) * | 2017-07-28 | 2017-12-22 | 中车南京浦镇车辆有限公司 | 轨道车辆在可靠性增长期根据置信度确定故障数的方法 |
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
CN108446475A (zh) * | 2018-03-14 | 2018-08-24 | 哈尔滨理工大学 | 基于加速退化的电磁继电器可靠性评估方法 |
CN108710738A (zh) * | 2018-05-11 | 2018-10-26 | 哈尔滨理工大学 | 一种计算叶盘振动可靠性的极限学习机响应面法 |
CN108846209A (zh) * | 2018-06-19 | 2018-11-20 | 西安电子科技大学 | 一种基于左截断右删失数据的剩余寿命分位数的预测方法 |
CN109143972A (zh) * | 2018-08-28 | 2019-01-04 | 大连理工大学 | 一种基于贝叶斯与故障树的数控机床可靠性评价方法 |
-
2019
- 2019-08-08 CN CN201910731822.XA patent/CN110457654A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1420344A2 (en) * | 2002-11-13 | 2004-05-19 | Imbus Ag | Method and device for prediction of the reliability of software programs |
WO2008059624A1 (fr) * | 2006-11-13 | 2008-05-22 | Fujitsu Limited | Procédé, programme et dispositif de réalisation d'un modèle de classification/prévision à deux classes |
WO2009025045A1 (ja) * | 2007-08-22 | 2009-02-26 | Fujitsu Limited | 化合物の物性予測装置、物性予測方法およびその方法を実施するためのプログラム |
WO2010016109A1 (ja) * | 2008-08-05 | 2010-02-11 | 富士通株式会社 | サンプルの帰属クラス予測方法、帰属クラス予測プログラムおよび帰属クラス予測装置 |
US8311973B1 (en) * | 2011-09-24 | 2012-11-13 | Zadeh Lotfi A | Methods and systems for applications for Z-numbers |
CN103778309A (zh) * | 2012-10-18 | 2014-05-07 | 天津职业技术师范大学 | 退化试验下数控系统可靠性快速贝叶斯评定系统 |
US20140148962A1 (en) * | 2012-11-28 | 2014-05-29 | Clemson Univesity | Situational Awareness / Situational Intelligence System and Method for Analyzing, Monitoring, Predicting and Controlling Electric Power Systems |
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
CN103198223A (zh) * | 2013-04-12 | 2013-07-10 | 电子科技大学 | 一种电子产品实时可靠性的预测方法 |
CN104239694A (zh) * | 2014-08-28 | 2014-12-24 | 北京交通大学 | 一种城轨列车转向架的故障预测与视情维修方法 |
CN105205221A (zh) * | 2015-08-26 | 2015-12-30 | 电子科技大学 | 一种重型数控机床精度可靠性分析方法 |
CN106598791A (zh) * | 2016-09-12 | 2017-04-26 | 湖南微软创新中心有限公司 | 一种基于机器学习的工业设备故障预防性识别方法 |
CN106485032A (zh) * | 2016-11-08 | 2017-03-08 | 哈尔滨理工大学 | 一种计算叶盘振动可靠性的双重极值响应面法 |
CN106875053A (zh) * | 2017-02-15 | 2017-06-20 | 济中节能技术(苏州)有限公司 | 基于bayes算法的风机故障诊断方法和诊断系统 |
CN106779505A (zh) * | 2017-02-28 | 2017-05-31 | 中国南方电网有限责任公司 | 一种基于大数据驱动的输电线路故障预警方法及系统 |
CN107506335A (zh) * | 2017-07-28 | 2017-12-22 | 中车南京浦镇车辆有限公司 | 轨道车辆在可靠性增长期根据置信度确定故障数的方法 |
CN108446475A (zh) * | 2018-03-14 | 2018-08-24 | 哈尔滨理工大学 | 基于加速退化的电磁继电器可靠性评估方法 |
CN108710738A (zh) * | 2018-05-11 | 2018-10-26 | 哈尔滨理工大学 | 一种计算叶盘振动可靠性的极限学习机响应面法 |
CN108846209A (zh) * | 2018-06-19 | 2018-11-20 | 西安电子科技大学 | 一种基于左截断右删失数据的剩余寿命分位数的预测方法 |
CN109143972A (zh) * | 2018-08-28 | 2019-01-04 | 大连理工大学 | 一种基于贝叶斯与故障树的数控机床可靠性评价方法 |
Non-Patent Citations (7)
Title |
---|
FUZHOU FENG: "A new method of real-time reliability assessment based on SVR and Bayes algorithms", 《2012 INTERNATIONAL CONFERENCE ON QUALITY, RELIABILITY, RISK, MAINTENANCE, AND SAFETY ENGINEERING》 * |
TRAN TUAN NGUYEN: "Online reliability assessment and reliability-aware fusion for Ego-Lane detection using influence diagram and Bayes filter", 《2017 IEEE INTERNATIONAL CONFERENCE ON MULTISENSOR FUSION AND INTEGRATION FOR INTELLIGENT SYSTEMS (MFI)》 * |
孙永全: "复杂机电系统可靠性预测的若干理论与方法", 《机械工程学报》 * |
林静: "基于MCMC的贝叶斯生存分析理论及其在可靠性评估中的应用", 《中国优秀硕士学位论文全文数据库经济与管理科学》 * |
梁晨宇: "基于贝叶斯信息融合的复杂系统可靠性增长分阶段评价方法", 《中国优秀硕士学位论文全文数据库经济与管理科学》 * |
殷毅超: "加速寿命试验与无失效数据下的发射装置可靠性建模与分析方法研究", 《中国博士学位论文全文数据库工程科技II辑》 * |
闫晓光: "异步左删失条件下机载设备可靠性评估与预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112378708A (zh) * | 2020-11-04 | 2021-02-19 | 中国人民解放军陆军装甲兵学院 | 一种基于Bayes方法小样本条件下装备评估装置 |
CN112378708B (zh) * | 2020-11-04 | 2024-03-26 | 中国人民解放军陆军装甲兵学院 | 一种基于Bayes方法小样本条件下装备评估装置 |
CN112578733A (zh) * | 2020-11-27 | 2021-03-30 | 上海海事大学 | 一种基于高低温湿热试验箱故障维修数据的可靠性评估方法 |
CN117010497A (zh) * | 2023-05-26 | 2023-11-07 | 中国民用航空飞行学院 | 一种通航飞机起落架减震器的适航领域知识建模方法 |
CN117010497B (zh) * | 2023-05-26 | 2024-03-26 | 中国民用航空飞行学院 | 一种通航飞机起落架减震器的适航领域知识建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102637019B (zh) | 一种工业生产过程智能集成故障诊断方法及装置 | |
US8478479B2 (en) | Predicting time to maintenance by fusion between modeling and simulation for electronic equipment on board an aircraft | |
CN110457654A (zh) | 一种基于现场数据的机载设备可靠性预测方法 | |
CN111177900B (zh) | 一种基于匹配适应度的空间人机系统安全性动态建模方法 | |
CN105096053A (zh) | 一种适用于复杂工艺系统的健康管理决策方法 | |
CN110998465B (zh) | 涡轮诊断特性选择系统 | |
Desforges et al. | A prognostic function for complex systems to support production and maintenance co-operative planning based on an extension of object oriented Bayesian networks | |
JP2642438B2 (ja) | プラント機器保守管理支援装置 | |
Peng et al. | Review of key technologies and progress in industrial equipment health management | |
Wang et al. | Reliability analysis of complex electromechanical systems: State of the art, challenges, and prospects | |
Magoua et al. | Incorporating the human factor in modeling the operational resilience of interdependent infrastructure systems | |
Ferreiro et al. | A Bayesian network model integrated in a prognostics and health management system for aircraft line maintenance | |
Cai et al. | Reliability evaluation and maintenance planning for systems with load-sharing auxiliary components | |
CN108549734A (zh) | 基于系统功能结构的tfm三维信息流建模方法 | |
RU2549514C2 (ru) | Система прогнозирования и оценки безопасности опасного производственного объекта с использованием комплексной модели обеспечения безопасности | |
CN111079227A (zh) | 航天器热控功能系统健康评估建模方法 | |
Zeng et al. | Research on indexes and verification technology of airborne PHM system | |
US10997513B1 (en) | Dynamic, risk informed decision support systems and methods | |
Gao et al. | Design requirements of PHM system fault diagnosis capability | |
Steinweg et al. | Integrated aircraft risk analysis framework for health monitoring systems–a case study for structural health monitoring | |
Muhammad et al. | Development of reliability monitor by GO-FLOW methodology for the safety related sub-systems in PWR | |
Lybeck et al. | Lifecycle prognostics architecture for selected high-cost active components | |
Jiang et al. | Application of prognostic and health management in avionics system | |
Gao et al. | Study on the Influence of PHM Technology on Aircraft Maintenance Support Mode | |
Zhang et al. | Research on intelligent health management technology of opto-electronic equipment |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |