CN110929221A - 基于故障机理和多层次信息融合的结构可靠性评估方法 - Google Patents
基于故障机理和多层次信息融合的结构可靠性评估方法 Download PDFInfo
- Publication number
- CN110929221A CN110929221A CN201911006591.2A CN201911006591A CN110929221A CN 110929221 A CN110929221 A CN 110929221A CN 201911006591 A CN201911006591 A CN 201911006591A CN 110929221 A CN110929221 A CN 110929221A
- Authority
- CN
- China
- Prior art keywords
- reliability
- component
- experimental data
- level unit
- structural system
- 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
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及可靠性评估技术领域,提出一种基于故障机理和多层次信息融合的结构可靠性评估方法。该方法定位结构系统的关键失效部位,并对关键失效部位进行层次分割,分割为组件级单元和组成组件级单元的元件级单元;对每一种元件级单元进行多次可靠性验证实验,得到第一实验数据;对每一种组件级单元进行多次可靠性验证试验,得到第二实验数据;根据组件级单元的组成结构、第一实验数据以及第二实验数据得到组件级单元的可靠性函数;对结构系统进行预设次数的结构可靠性验证试验,得到第三实验数据,并根据结构系统的组成结构、第三实验数据以及组件级可靠性函数得到结构系统最终可靠度。在保证精度较高的同时,减少了成本。
Description
技术领域
本发明涉及可靠性评估技术领域,尤其涉及一种基于故障机理和多层次信息融合的结构可靠性评估方法。
背景技术
结构机构可靠性对于保障结构机构产品的安全是至关重要的,对于服役环境恶劣的飞行器结构系统更是如此。一个原件的失效,就可能导致全系统的崩溃;一个小小的偏差,也会导致灾难性的后果。因此,对结构系统的可靠性评估变得尤为重要。
但是,现有技术中对结构系统的可靠性评估方法存在评估精度不足、成本较高等问题。
因此,有必要设计一种新的基于故障机理和多层次信息融合的结构可靠性评估方法。
所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于克服上述现有技术的可靠性评估方法的评估精度不足、成本过高的不足,提供一种评估精度较高,且成本较低的基于故障机理和多层次信息融合的结构可靠性评估方法。
本发明的额外方面和优点将部分地在下面的描述中阐述,并且部分地将从描述中变得显然,或者可以通过本发明的实践而习得。
根据本发明的一个方面,一种基于故障机理和多层次信息融合的结构可靠性评估方法,包括:
定位结构系统的关键失效部位,并对所述关键失效部位进行层次分割,分割为组件级单元和组成所述组件级单元的元件级单元;
对每一种所述元件级单元进行多次可靠性验证试验,得到第一实验数据;
对每一种所述组件级单元进行多次可靠性验证试验,得到第二实验数据;
根据所述组件级单元的组成结构、所述第一实验数据以及所述第二实验数据得到组件级单元的可靠性函数;
对所述结构系统进行预设次数的结构可靠性验证试验,得到第三实验数据,并根据所述结构系统的组成结构、所述第三实验数据以及所述组件级单元的可靠性函数得到结构系统最终可靠度。
在本公开的一种示例性实施例中,定位所述结构系统的关键失效部位,并对所述关键失效部位进行层次分割,确定需要用大样本进行可靠性验证的组件级单元和组成所述组件级单元的元件级单元,包括:
对所述结构系统进行危险部位识别和失效模式分析,定位出关键失效部位;
对所述关键失效部位进行层次分割,确定需要用大样本进行可靠性验证的组件级单元和组成所述组件级单元的元件级单元。
在本公开的一种示例性实施例中,所述第一实验数据包括多种元件级单元可靠性验证试验载荷、响应分布函数。
在本公开的一种示例性实施例中,所述第二实验数据包括多种组件级单元的折合可靠性实验数据。
在本公开的一种示例性实施例中,根据所述组件级单元的组成结构、所述组件级单元折合可靠性实验数据以及所述第二实验数据得到组件级单元的可靠性函数,包括:
根据所述组件级单元的组成结构、所述第一实验数据得到所述组件级单元的折合可靠性实验数据;
根据所述组件级单元的折合可靠性实验数据以及所述第二实验数据得到组件级单元的可靠性函数。
在本公开的一种示例性实施例中,所述第三实验数据包括结构系统折合可靠性实验数据。
在本公开的一种示例性实施例中,对所述结构系统进行预设次数的结构可靠性验证试验,得到第三实验数据,并根据所述结构系统的组成结构、所述第三实验数据以及所述组件级单元的可靠性函数得到结构系统的最终可靠度,包括:
对所述结构系统进行预设次数的可靠性试验,得到结构系统的第三实验数据;
根据所述结构系统的组成结构、结构系统折合可靠性实验数据以及所述结构系统的第三实验数据得到结构系统最终可靠度。
在本公开的一种示例性实施例中,所述预设次数为两次。
在本公开的一种示例性实施例中,所述组成结构包括串联、并联和两种形式的组合。
在本公开的一种示例性实施例中,所述失效模式包括静强度、动强度、磨损、稳定性、卡滞和疲劳。由上述技术方案可知,本发明具备以下优点和积极效果中的至少之一:
本发明基于故障机理和多层次信息融合的结构可靠性评估方法,定位结构系统的关键失效部位,并对关键失效部位进行层次分割,分割为组件级单元和组成组件级单元的元件级单元;对每一种元件级单元进行多次可靠性验证试验,得到第一实验数据;对每一种组件级单元进行多次可靠性验证试验,得到第二实验数据;根据组件级单元的组成结构、第一实验数据以及第二实验数据得到组件级单元的可靠性函数;对结构系统进行预设次数的可靠性验证试验,得到第三实验数据,并根据结构系统的组成结构、第三实验数据以结构系统的折合可靠性实验数据得到最终可靠度。相较于现有技术,基于第一实验数据、第二实验数据以及第三实验数据,结合信息融合对结构系统可靠性进行评估,大样本的元件级单元可靠性验证试验和组件级单元可靠性验证试验提高了结构系统底层事件的评估精度,利用信息融合技术能将提高的精度反应到全局可靠性评估当中,以此可以在小样本结构系统可靠性验证试验的情况下保证结构系统可靠性评估的精度,由于采用小样本实验数据对结构系统的可靠性进行验证,进而减少了成本。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1是本发明实例中基于故障机理和多层次信息融合的结构可靠性评估方法的流程图;
图2是本发明实例中将结构系统分解为组件级单元和元件级单元的示意图;
图3是本发明实例中信息融合为串联时的示意图;
图4是本发明实例中信息融合为并联时的示意图;
图5是本发明实例中试验件的结构示意图;
图6是图5信息处理的框图。
附图标记说明如下:
1、传感器;2试验件。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
在相关技术中,在进行结构可靠性试验验证时仍然存在诸多难点。其难点在于:(1)飞行器结构系统技术密集度越来越高,对可靠性特征量的选取难度大;(2)飞行器更新换代越来越快,用于借鉴的可靠性信息和数据少;(3)飞行器整机制造和试验费用越来越贵,成本上不允许获取大样本;(4)飞行器研发周期越来越短,时间上不允许获取大样本。基于可靠性试验验证中的这些难点,在进行飞行器结构系统可靠性分析中,用来验证整机可靠性的样本不可能太多,而市场对其可靠性要求达到的指标却很高,这就需要用新的思路和方法来解决这对矛盾问题。
传统的结构机构可靠性分析需要大量的实验样本数据,这对于结构复杂,样本实验材料昂贵的飞行器结构来说显然是难以接受的。针对该问题,提出了一种用小样本验证产品高可靠性、高置信度水平的方法。该方法通过加大样本载荷或减小样本承载能力,使单个样本所含的实验熵尽可能大,而达到用小样本验证产品高可靠性、高置信度水平的目的。但该方法只是对单个模块或者部件提出了用小样本验证其可靠性的方法,对于飞行器这种复杂结构的可靠性验证,既要考虑其关键部位单个部件的可靠性,又要对其整机结构系统进行可靠性验证。如果二者都采用小样本进行可靠性验证,其结果精度无法保证;如果二者都采用大样本对其进行可靠性验证,无论是从时间还是费用上都无法接受。
基于上述缺点,本发明提出一种基于故障机理和多层次信息融合的结构可靠性评估方法,参照图1所示,该方法可以包括以下步骤:
步骤S110,定位结构系统的关键失效部位,并对所述关键失效部位进行层次分割,分割为组件级单元和组成所述组件级单元的元件级单元;
步骤S120,对每一种所述元件级单元进行多次可靠性验证试验,得到第一实验数据;
步骤S130,对每一种所述组件级单元进行多次可靠性验证试验,得到第二实验数据;
步骤S140,根据所述组件级单元的组成结构、所述第一实验数据以及所述第二实验数据得到组件级单元的可靠性函数;
步骤S150,对所述结构系统进行预设次数的结构可靠性验证试验,得到第三实验数据,并根据所述结构系统的组成结构、所述第三实验数据以及所述组件级可靠性函数得到结构系统最终可靠度。
相较于现有技术,基于第一实验数据、第二实验数据以及第三实验数据,结合信息融合对结构系统的可靠性进行评估,大样本元件级单元可靠性验证实验数据和组件级单元可靠性验证实验数据提高了结构系统底层事件的评估精度,利用信息融合技术能将提高的精度反应到全局可靠性评估当中,以此可以在小样本结构系统可靠性验证实验数据的情况下保证结构系统可靠性评估的精度,由于采用小样本实验数据对结构系统的可靠性进行验证,进而减少了成本。
下面对上述步骤进行详细说明。
在步骤S110中,定位结构系统的关键失效部位,并对所述关键失效部位进行层次分割,分割为组件级单元和组成所述组件级单元的元件级单元;
该步骤可以包括对所述结构系统进行危险部位识别和失效模式分析,定位出关键失效部位;对所述关键失效部位进行层次分割,确定需要用大样本进行可靠性验证的组件级单元和组成所述组件级单元的元件级单元。
在机械设计中,一个复杂的装配体总是可以分割为众多的子装配体,这种分割的依据一方面是使结构层次清晰,另一方面是希望一个子装配体能独立实现某项功能。同时,一个子装配体又可再进行类似分割,这种分割可以一直持续到组成结构机构的最底层——部件层。在本发明方法中,借鉴这一思想,首先对结构系统各部分功能,各零件、元器件、部件、组件和分系统在整个结构系统中的结构组成和相互关系进行分析。为了使本发明方法的介绍过程简洁明了,通过一个具体的实施方式来进行说明,具体而言,参照图2所示,E1、E2和E3通过并联方式组成G1,E4和E5通过串联方式组成G2,G1和G3通过串联后与G2并联组成结构系统,即组成结构可以包括串联、并联和两种形式的组合。
结构系统由各种不同的零件、元器件、部件、组件和分系统组合而成,在进行可靠性验证时无法且也没有必要对所有的单元设计大量的样本试验。因此,在设计可靠性验证试验之前要对结构系统进行危险部位识别和失效模式分析。找出对结构系统可靠性有重大影响的关键失效部位,并对关键失效部位的结构组成及其相互关系进行分析,确定需要用大样本实验数据对其进行可靠性验证的元件级单元和组件级单元。如图2所示,经过危险部位识别,可以确定G3和G2(Gj表示组件级单元)为对结构可靠性有重大影响的关键失效部位,且G2是由E4(Ei表示元件级单元)和E5通过串联方式连接而成。因此,需要对其分别设计大样本的元件级单元可靠性验证试验和组件级单元可靠性验证试验。
不同组件级单元或元件级单元的故障模式的严重程度、检测难易程度以及发生频率各不相同。另外,从失效模式来看,最常见的失效模式有:静强度,动强度,磨损,稳定性,卡滞和疲劳等形式。各种失效模式对应的失效时间和失效时对结构的危害程度各不相同。所以应根据组件级单元和元件级单元失效对结构可靠性的影响程度,确定出需要用大样本试验验证其可靠性的元件级单元和组件级单元。
在步骤S120中,对每一种所述元件级单元进行多次可靠性验证试验,得到元件级单元可靠性验证试验载荷、响应分布函数;
对每一种元件级单元进行多次可靠性验证试验,得到元件级单元的可靠性函数。
例如,假设元件级单元E3是强度失效,则应对其设计强度可靠性验证试验,设试验中的基本变量有几何构成xs,材料性能xm和载荷xq。
本发明采用一次二阶距方法对元件级单元的可靠性分析加以说明,基本变量的统计规律可以通过大样本实验数据获得。对如图2所示元件级单元E6,设基本随机变量服从正态分布,即功能函数Z=g(x)是随机变量x=(xs,sm,sq)的线性函数,即:
Z=g(x)=a0+∑i=s,m,qaixi (1)
式中,a0和ai为常数。
式中,Cov(xi,xj)是xi和xj的协方差。
其中,i和j均为正整数。
正态变量线性组合后仍然服从正态分布,且正态分布的密度密度函数由均值和方差唯一确定。可得到功能函数服从如下所示正态分布:
由此可得到可靠度R的计算公式如下:
式中,Φ(·)为标准正态分布的累积分布函数。
步骤S130,对每一种所述组件级单元进行多次可靠性验证试验,得到第二实验数据;
在步骤S140中,根据所述组件级单元的组成结构、所述第一实验数据以及所述第二实验数据得到组件级单元的可靠性函数。
对每一种组件级单元进行多次可靠性验证试验,得到第二实验数据,根据组件级单元的组成结构、第一实验数据得到组件级单元的折合可靠性实验数据;根据折合可靠性实验数据以及第二实验数据得到组件级单元可靠度。
组件级单元可靠性是结构系统可靠性的基础,高可靠性的组件级单元是高可靠性的前提和保证。另一方面,组件级单元的可靠性试验能够考核元件级单元可靠性试验无法考核的问题。参照图2所示,确定了G2为关键失效部位,本步骤中将其作为组件级单元加以举例说明。首先,明确G2是由E4和E5串联连接而成;其次,通过失效模式分析,假设组成组件级单元G2的两个元件级单元E4和E5分别为应力脆断失效和工作疲劳失效,并通过步骤S120中的方法求得了对应的元件级单元可靠性结果,分别表示为和对应的均值和方差分别表示为和最后,对组件级单元G2设计成败型可靠性验证试验,成败型实验数据为(nG,sG),nG表示总试验次数,sG表示成功试验次数。
G2组件级单元可靠性函数可以表示为:
由此,可求得串联组件级单元的一、二阶距分别为:
将元件级单元E4和E5可靠性信息折合得到的组件G2可靠性验前信息的近似成败型数据为:
根据成败型实验数据(nG,sG),则组件级单元可靠度对应的似然分布函数为:
由贝叶斯方法可得组件级单元G2验后可靠度分布函数为:
其中,fG=nG-sG,f0=n0-s0。
则组件级单元可靠性的各阶验后距估计为:
在步骤S150中,对所述结构系统进行预设次数的结构可靠性验证试验,得到第三实验数据,并根据所述结构系统的组成结构、所述第三实验数据以及所述组件级单元的可靠性函数得到结构系统最终可靠度。
其中第三实验数据包括结构系统的折合可靠性实验数据,预设次数可以是一次、两次或者三次。预设次数的设定可以根据对精度的需求进行调整,在此不做具体限定。
对结构系统进行预设次数的可靠性试验,得到结构系统的第三实验数据;根据结构系统的组成结构、结构系统可靠性验证折合可靠性实验数据以及第三实验数据得到最终可靠度。
参照图3和图4所示,根据结构系统可靠性结构,将结构系统可靠性Rs表示为各组件级单元和各元件级单元可靠性Ri,i=1,…,n的函数Rs=R(R1,…,Rn),即结构系统可靠性函数。结构系统可靠性结构常见形式有两种,串联结构和并联结构。
下面对串联和并联组成结构系统的方式进行详细介绍。
串联系统:
设结构系统由R1,R2,…,Rn的n个元件级单元或组件级单元串联组成,且单元间相互独立。根据元件级单元或组件级单元可靠性试验,由元件级单元或组件级单元的验后分布求出其前k阶验后距为:
则结构系统的可靠性函数和结构系统可靠度的前k阶验前距分别为:
并联系统:
设结构系统由R1,R2,…,Rn的n个元件级单元或组件级单元并联组成,且单元间相互独立。根据元件级单元或组件级单元可靠性试验,由组件级单元的验后分布求出其前k阶验后距为:
则系统的可靠性结构函数和系统结构可靠度的前k阶验前距分别为:
其它复杂系统各阶验前距的计算可以化简为以上简单系统的组合进行计算。根据最大熵原理,则系统可靠度的验前分布密度函数可表示为:
约束条件为:
λ0,λ1,…,λk为由(18)计算得到的拉格朗日乘子,代入(17)式即可求得系统可靠度的验前分布密度函数。
设对结构系统进行了n次成败型试验,其中成功s次,失败f=n-s。
则其对应的似然函数为:
利用最大熵方法计算的得到的综合各组件级单元信息的系统可靠性验前分布为(17)式,根据贝叶斯公式可得验后分布密度函数为:
从而可得系统置信度为γ的贝叶斯置信下限RL,B和贝叶斯置信上限Ru,B为:
系统可靠性的各阶验后距估计为:
基于第一实验数据、第二实验数据以及第三实验数据,结合信息融合对结构系统可靠性进行评估,大样本的元件级单元可靠性验证试验和组件级单元可靠性验证试验提高了结构系统底层事件的评估精度,利用信息融合技术能将提高的精度反应到全局可靠性评估当中,以此可以在小样本结构系统可靠性验证试验的情况下保证结构系统可靠性评估的精度,由于采用小样本实验数据对结构系统的可靠性进行验证,进而减少了成本。
下面通过一个具体的实施方式来对信息融合的贝叶斯评估进行说明,如图5所示的传感器1信息融合的一个简单实例,试验件2受拉伸和扭转载荷作用,应变片变形数据会通过传感器1传送到数据处理中心,处理中心对输入数据进行数据信息融合,然后显示输出其可靠性概率分布结果。
在本示例实施方式中,参照图6所示,通过传感器610、信息处理器620、ADC转换器630、单片机640和显示装置650来完成对信息的处理分析。具体可以为大样本元件试验和大样本组件试验数据都可以通过传感器采集获得,然后将其输入到数据处理中心进行信号处理,通过信息融合技术提取出其可靠性概率分布特征,其可靠度值将作为下一层模块可靠性分析的一个输入变量,依次类推可求出整个结构系统的可靠度,将得到的可靠度通过模数转换通过单片机最后进行显示。
上述所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中,如有可能,各实施例中所讨论的特征是可互换的。在上面的描述中,提供许多具体细节从而给出对本发明的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、组件、材料等。在其它情况下,不详细示出或描述公知结构、材料或者操作以避免模糊本发明的各方面。
本说明书中,用语“一个”、“一”、“该”、“所述”和“至少一个”用以表示存在一个或多个要素/组成部分/等;用语“包含”、“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等;用语“第一”、“第二”和“第三”等仅作为标记使用,不是对其对象的数量限制。
应可理解的是,本发明不将其应用限制到本说明书提出的部件的详细结构和布置方式。本发明能够具有其他实施方式,并且能够以多种方式实现并且执行。前述变形形式和修改形式落在本发明的范围内。应可理解的是,本说明书公开和限定的本发明延伸到文中和/或附图中提到或明显的两个或两个以上单独特征的所有可替代组合。所有这些不同的组合构成本发明的多个可替代方面。本说明书所述的实施方式说明了已知用于实现本发明的最佳方式,并且将使本领域技术人员能够利用本发明。
Claims (10)
1.一种基于故障机理和多层次信息融合的结构可靠性评估方法,其特征在于,包括:
定位结构系统的关键失效部位,并对所述关键失效部位进行层次分割,分割为组件级单元和组成所述组件级单元的元件级单元;
对每一种所述元件级单元进行多次可靠性验证试验,得到第一实验数据;
对每一种所述组件级单元进行多次可靠性验证试验,得到第二实验数据;
根据所述组件级单元的组成结构、所述第一实验数据以及所述第二实验数据得到组件级单元的可靠性函数;
对所述结构系统进行预设次数的结构可靠性验证试验,得到第三实验数据,并根据所述结构系统的组成结构、所述第三实验数据以及所述组件级单元的可靠性函数得到结构系统的最终可靠度。
2.根据权利要求1所述的基于故障机理和多层次信息融合的结构可靠性评估方法,其特征在于,定位所述结构系统的关键失效部位,并对所述关键失效部位进行层次分割,确定需要用大样本进行可靠性验证的组件级单元和组成所述组件级单元的元件级单元,包括:
对所述结构系统进行危险部位识别和失效模式分析,定位出关键失效部位;
对所述关键失效部位进行层次分割,确定需要用大样本进行可靠性验证的组件级单元和组成所述组件级单元的元件级单元。
3.根据权利要求1所述的基于故障机理和多层次信息融合的结构可靠性评估方法,其特征在于,所述第一实验数据包括多种元件级单元可靠性验证试验载荷、响应分布函数。
4.根据权利要求1所述的基于故障机理和多层次信息融合的结构可靠性评估方法,其特征在于,所述第二实验数据包括多种组件级单元的折合可靠性实验数据。
5.根据权利要求4所述的基于故障机理和多层次信息融合的结构可靠性评估方法,其特征在于,根据所述组件级单元的组成结构、所述组件级单元的折合可靠性实验数据以及所述第二实验数据得到组件级单元的可靠性函数,包括:
根据所述组件级单元的组成结构、所述第一实验数据得到所述组件级单元的折合可靠性实验数据;
根据所述组件级单元的折合可靠性实验数据以及所述第二实验数据得到组件级单元的可靠性函数。
6.根据权利要求1所述的基于故障机理和多层次信息融合的结构可靠性评估方法,其特征在于,所述第三实验数据包括结构系统折合可靠性实验数据。
7.根据权利要求6所述的基于故障机理和多层次信息融合的结构可靠性评估方法,其特征在于,对所述结构系统进行预设次数的结构可靠性验证试验,得到第三实验数据,并根据所述结构系统的组成结构、所述第三实验数据以及所述组件级单元的可靠性函数得到结构系统的最终可靠度,包括:
对所述结构系统进行预设次数的可靠性试验,得到结构系统的第三实验数据;
根据所述结构系统的组成结构、结构系统折合可靠性实验数据以及所述结构系统的第三实验数据得到结构系统最终可靠度。
8.根据权利要求1所述的基于故障机理和多层次信息融合的结构可靠性评估方法,其特征在于,所述预设次数为两次。
9.根据权利要求1所述的基于故障机理和多层次信息融合的结构可靠性评估方法,其特征在于,所述组成结构包括串联、并联和两种形式的组合。
10.根据权利要求2所述的基于故障机理和多层次信息融合的结构可靠性评估方法,其特征在于,所述失效模式包括静强度、动强度、磨损、稳定性、卡滞和疲劳。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911006591.2A CN110929221B (zh) | 2019-10-22 | 2019-10-22 | 基于故障机理和多层次信息融合的结构可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911006591.2A CN110929221B (zh) | 2019-10-22 | 2019-10-22 | 基于故障机理和多层次信息融合的结构可靠性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110929221A true CN110929221A (zh) | 2020-03-27 |
CN110929221B CN110929221B (zh) | 2023-03-21 |
Family
ID=69849040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911006591.2A Active CN110929221B (zh) | 2019-10-22 | 2019-10-22 | 基于故障机理和多层次信息融合的结构可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929221B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581781A (zh) * | 2020-04-16 | 2020-08-25 | 北京航空航天大学 | 一种装备健康状态层流逻辑建模与分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020078403A1 (en) * | 2000-01-18 | 2002-06-20 | Gullo Louis J. | Reliability assessment and prediction system and method for implementing the same |
CN105354403A (zh) * | 2014-08-18 | 2016-02-24 | 鲍珂 | 一种基于部件和系统试验的汽车自动变速箱可靠性评估方法 |
CN108229049A (zh) * | 2018-01-17 | 2018-06-29 | 中国航空综合技术研究所 | 基于性能模型进行多状态系统任务可靠性建模的方法 |
CN108595847A (zh) * | 2018-04-27 | 2018-09-28 | 公安部天津消防研究所 | 一种用于气体灭火系统可靠性的评估方法 |
-
2019
- 2019-10-22 CN CN201911006591.2A patent/CN110929221B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020078403A1 (en) * | 2000-01-18 | 2002-06-20 | Gullo Louis J. | Reliability assessment and prediction system and method for implementing the same |
CN105354403A (zh) * | 2014-08-18 | 2016-02-24 | 鲍珂 | 一种基于部件和系统试验的汽车自动变速箱可靠性评估方法 |
CN108229049A (zh) * | 2018-01-17 | 2018-06-29 | 中国航空综合技术研究所 | 基于性能模型进行多状态系统任务可靠性建模的方法 |
CN108595847A (zh) * | 2018-04-27 | 2018-09-28 | 公安部天津消防研究所 | 一种用于气体灭火系统可靠性的评估方法 |
Non-Patent Citations (2)
Title |
---|
张士峰等: "机械系统的Bayes可靠性评估", 《机械强度》 * |
张天飞等: "某弹射弹零失效数据Bayes可靠性估计", 《含能材料》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581781A (zh) * | 2020-04-16 | 2020-08-25 | 北京航空航天大学 | 一种装备健康状态层流逻辑建模与分析方法 |
CN111581781B (zh) * | 2020-04-16 | 2021-07-23 | 北京航空航天大学 | 一种装备健康状态层流逻辑建模与分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110929221B (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Askar et al. | MOCCA-SURVEY Database I: Galactic globular clusters harbouring a black hole subsystem | |
Zhang et al. | Bayesian methodology for reliability model acceptance | |
Burnett et al. | Distance determination for RAVE stars using stellar models-III. The nature of the RAVE survey and Milky Way chemistry | |
CN109377024A (zh) | 一种基于层次分析和灰色模糊综合的恢复能力评估方法 | |
Voas et al. | Evaluating goodness-of-fit measures for synthetic microdata | |
Lahiri et al. | Evaluating probability forecasts for GDP declines using alternative methodologies | |
Troncoso-Iribarren et al. | The better half–asymmetric star formation due to ram pressure in the EAGLE simulations | |
CN102449645A (zh) | 产品检查装置、产品检查方法及计算机程序 | |
Naiji et al. | Power analysis for cross-sectional and longitudinal study designs | |
CN110929221B (zh) | 基于故障机理和多层次信息融合的结构可靠性评估方法 | |
Hasnain et al. | Benchmark dataset selection of Web services technologies: A factor analysis | |
Tailo et al. | Asteroseismology of the multiple stellar populations in the globular cluster M4 | |
Ellis et al. | The Millennium Galaxy Catalogue: on the natural subdivision of galaxies | |
Rohr et al. | The galaxy–halo size relation of low-mass galaxies in FIRE | |
Vázquez-Mata et al. | Galaxy and mass assembly: luminosity and stellar mass functions in GAMA groups | |
Tinker et al. | Probing the galaxy–halo connection with total satellite luminosity | |
CN101976222B (zh) | 一种基于框架的实时嵌入式软件可测试性测量方法 | |
CN111860698A (zh) | 确定学习模型的稳定性的方法和装置 | |
Norberg et al. | Massive dark matter haloes around bright isolated galaxies in the 2dFGRS | |
Lee et al. | Designing acceptance sampling plans based on the lifetime performance index under gamma distribution | |
Corless et al. | Cosmology with the cluster mass function: mass estimators and shape systematics in large weak lensing surveys | |
Lavazza et al. | On the reliability of the area under the roc curve in empirical software engineering | |
WO2016152204A1 (ja) | 製品検査装置、製品検査方法及びコンピュータプログラム | |
Denezhkin et al. | Estimators of the reliability index of a nonrepairable one-shot item by small statistical samples | |
CN107798149A (zh) | 一种飞机维修性评估方法 |
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 |