CN111210105B - 连续工作性能验证、装置、计算机设备和存储介质 - Google Patents
连续工作性能验证、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111210105B CN111210105B CN201911302970.6A CN201911302970A CN111210105B CN 111210105 B CN111210105 B CN 111210105B CN 201911302970 A CN201911302970 A CN 201911302970A CN 111210105 B CN111210105 B CN 111210105B
- Authority
- CN
- China
- Prior art keywords
- time
- fault
- minimum
- severe
- target product
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 140
- 238000012360 testing method Methods 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000005315 distribution function Methods 0.000 claims description 127
- 238000012163 sequencing technique Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013461 design Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 4
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000006467 substitution reaction Methods 0.000 description 5
- 230000001174 ascending effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/06—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Debugging And Monitoring (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本申请涉及一种连续工作性能验证方法、装置、计算机设备和存储介质。该方法包括：获取目标产品的测试参数；该测试参数包括连续工作时长、目标产品的置信度和目标产品在连续工作时长内的严重故障数目；将测试参数输入至预设的连续工作时间验证模型中，得到验证工作时长；根据验证工作时长对目标产品的连续工作性能进行验证。本方法结合了目标产品的置信度，提高了对产品连续工作性能衡量的准确性。
Description
技术领域
本申请涉及互联网技术领域，特别是涉及一种连续工作性能验证方法、装置、计算机设备和存储介质。
背景技术
随着科技的发展，对产品的性能要求逐渐提高，越来越多的产品需要长时间的连续开机工作，对于需要长时间连续开机工作的产品的连续工作性能进行建模量化和表征，得到连续工作性能指标，从而通过连续工作性能指标衡量产品的连续工作性能。
连续工作性能作为使用指标，通常具有两种表征方式，一是完成某个特定时间段内连续工作任务的概率，二是产品连续工作的时间长度。通过产品的任务可靠性建立模型，利用模型预计和验证产品在特定时间内连续工作任务的概率，但产品连续工作的时间长度的建模方法目前尚未提出。
因此，目前对产品的连续工作性能的衡量不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确衡量产品的连续工作性能的连续工作性能验证方法、装置、计算机设备和存储介质。
第一方面，本申请提供一种连续工作性能验证方法，该方法包括：
获取目标产品的测试参数；测试参数包括连续工作时长、目标产品的置信度和目标产品在连续工作时长内的严重故障数目；
将测试参数输入至预设的连续工作时间验证模型中，得到验证工作时长；
根据验证工作时长对目标产品的连续工作性能进行验证。
在其中一个实施例中，获取测试参数中的连续工作时长的指标预计方法包括：
获取目标产品的平均严重故障间隔时间和目标产品的置信度；
将平均严重故障间隔时间和目标产品的置信度输入至预设的连续工作时间预计模型中，得到连续工作时长。
在其中一个实施例中，获取连续工作时间验证模型的方法包括：
根据严重故障间隔时间的子样本数据，获取最小严重故障间隔时间变量的第一概率分布函数和第二概率分布函数；第一概率分布函数为严重故障数目大于或等于1时最小严重故障间隔时间变量的概率分布函数，第二概率分布函数为严重故障数目等于0时最小严重故障间隔时间变量的概率分布函数；
根据第一概率分布函数和第二概率分布函数得到连续工作时间验证模型。
在其中一个实施例中，根据第一概率分布函数和第二概率分布函数得到连续工作时间验证模型，包括：
从均匀分布的U[0,1]中随机抽取M个值作为最小严重故障间隔时间变量的概率；
将最小严重故障间隔时间变量的概率代入到第一概率分布函数和第二概率分布函数中，得到M个最小严重故障间隔时间变量的值；
按照从小到大的顺序，对M个最小严重故障间隔时间变量的值进行排序，得到排序后的M个最小严重故障间隔时间变量的值；
根据目标产品的置信度和排序后的M个最小严重故障间隔时间变量的值，得到连续工作时间验证模型。
在其中一个实施例中，第一概率分布函数为其中，T(1)表示最小严重故障间隔时间变量，/>表示最小严重故障间隔时间变量的概率，t表示验证工作时长，n表示目标产品在连续工作时长内的严重故障数目(n≥1)；
第二概率分布函数为其中，T(1)表示最小严重故障间隔时间变量，/>表示最小严重故障间隔时间变量的概率，t表示验证工作时长；
连续工作时间验证模型为其中，T(1)L表示连续工作时长，/>表示排序后第(M-Mα)个最小严重故障间隔时间变量的值，α表示目标产品的置信度。
在其中一个实施例中，获取连续工作时间预计模型的方法包括：
根据严重故障间隔时间的子样本数据，获取最小严重故障间隔时间变量的第三概率分布函数；
根据第三概率分布函数得到连续工作时间预计模型。
在其中一个实施例中，上述根据第三概率分布函数得到连续工作时间预计模型，包括：
从均匀分布的U[0,1]中随机抽取M个值作为最小严重故障间隔时间变量的概率；
按照从小到大的顺序，对M个最小严重故障间隔时间变量的概率进行排序，得到排序后的M个最小严重故障间隔时间变量的概率；
根据目标产品的置信度、第三概率分布函数和排序后的M个最小严重故障间隔时间变量的概率，得到连续工作时间预计模型。
在其中一个实施例中，第三概率分布函数为其中，T(1)表示最小严重故障间隔时间变量，/>表示最小严重故障间隔时间变量的概率，/>表示平均严重故障间隔时间；
连续工作时间预计模型为其中，T(1)L表示连续工作时长，表示排序后第(M-Mα)个最小严重故障间隔时间变量的概率，α表示目标产品的置信度，/>表示平均严重故障间隔时间。
第二方面，本申请提供一种连续工作性能验证装置，该装置包括：
第一获取模块，用于获取目标产品的测试参数；测试参数包括连续工作时长、目标产品的置信度和目标产品在连续工作时长内的严重故障数目；
第一输入模块，用于将测试参数输入至预设的连续工作时间验证模型中，得到验证工作时长；
验证模块，用于根据验证工作时长对目标产品的连续工作性能进行验证。
第三方面，本申请提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现第一方面中任一项实施例的步骤。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面中任一项实施例的步骤。
上述连续工作性能验证方法、装置、计算机设备和存储介质，能够达到的有益效果包括：
服务器获取目标产品的测试参数，将测试参数输入至预设的连续工作时间验证模型中，得到验证工作时长，根据验证工作时长对目标产品的连续工作性能进行验证。其中，测试参数包括连续工作时长、目标产品的置信度和目标产品在连续工作时长内的严重故障数目，通过验证工作时长进行试验，验证产品的连续工作性能是否达到设计要求，该方法还结合了目标产品的置信度，提高了产品连续工作性能衡量的准确性。
附图说明
图1为本申请实施例中一种连续工作性能验证方法的应用环境图；
图2为本申请实施例中提供的一种连续工作性能验证方法的流程示意图；
图3为本申请实施例中提供的另一种连续工作性能验证方法的流程示意图；
图4为本申请实施例中提供的另一种连续工作性能验证方法的流程示意图；
图5为本申请实施例中提供的另一种连续工作性能验证方法的流程示意图；
图6为本申请实施例中提供的另一种连续工作性能验证方法的流程示意图；
图7为本申请实施例中提供的另一种连续工作性能验证方法的流程示意图；
图8为本申请实施例中提供的一种连续工作性能验证装置的框图；
图9为本申请实施例中提供的另一种连续工作性能验证装置的框图；
图10为本申请实施例中提供的另一种连续工作性能验证装置的框图；
图11为本申请实施例中提供的另一种连续工作性能验证装置的框图；
图12为本申请实施例中提供的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的连续工作性能验证方法，可以应用于如图1所示的应用环境中。图1提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储连续工作性能验证数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种连续工作性能验证方法。
下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是，本申请图2-图7实施例提供的连续工作性能验证方法，其执行主体可以是服务器，例如，连续工作性能验证服务器，也可以是连续工作性能验证装置，该连续工作性能验证装置可以通过软件、硬件或者软硬件结合的方式成为连续工作性能验证服务器的部分或全部。下述方法实施例中，均以执行主体是连续工作性能验证服务器为例来进行说明。
在一个实施例中，如图2所示，提供了一种连续工作性能验证方法，该方法包括以下步骤：
S201、获取目标产品的测试参数；该测试参数包括连续工作时长、目标产品的置信度和目标产品在连续工作时长内的严重故障数目。
其中，连续工作时长表示目标产品连续不间断的运行并完成相应的工作任务的时长。例如，电灯保持开启状态，持续照明的1000小时。置信度表示在样本估计总体时，样本的估计值与总体的实际值存在一定的误差，在一定允许的误差范围内估计值等于实际值的概率，本申请中置信度是根据目标产品具体的性能要求确定的。可选地，严重故障表示目标产品无法正常运行完成工作任务的状态。
在本实施例中，服务器从终端或数据库中获取目标产品的测试参数，该测试参数包括目标产品正常开机运行的连续工作时长、根据目标产品确定的置信度和目标产品在正常开机运行的连续工作时长内发生严重故障的次数。例如，获取电灯保持开启状态，连续照明的连续工作时长为1000小时、电灯的置信度为0.8和电灯在持续照明时发生严重故障的次数为0。
S202、将测试参数输入至预设的连续工作时间验证模型中，得到验证工作时长。
其中，验证工作时长表示对目标产品的连续工作性能进行测试的时长。
在本实施例中，服务器将获取的测试参数输入到预设的连续工作时间验证模型中，就可以得到针对目标产品进行测试的验证工作时长。连续工作时间验证模型中包括测试参数与验证工作时长的逻辑关系，根据测试参数连续工作时长、目标产品的置信度和目标产品在连续工作时长内的严重故障数目，就能够确定出目标产品的验证工作时长。以上述同样的示例说明，将电灯的连续工作时长1000小时、置信度0.8、严重故障数目0输入连续工作时间验证模型，就得到电灯的验证工作时长3107小时。
S203、根据验证工作时长对目标产品的连续工作性能进行验证。
在本实施例中，服务器根据目标产品的测试参数，通过预设的连续工作时间验证模型中，得到验证工作时长。根据验证工作时长对目标产品的连续工作性能进行验证，具体验证方式是让目标产品连续工作时间达到验证工作时长，并记录在验证工作时长内目标产品发生的严重故障的数目，得到试验严重故障数目。通过比较试验严重故障数目和测试参数中的严重故障数目，判断目标产品的连续工作性能是否达到设计要求。例如，当试验严重故障数目不大于测试参数中的严重故障数目，则目标产品的连续工作性能达到设计要求，当试验严重故障数目大于测试参数中的严重故障数目，则目标产品的连续工作性能未达到设计要求。以上述同样的示例说明，让电灯连续工作3323小时，在连续工作3323小时过程中，发生了1次故障，而试验严重故障数目1大于测试参数中的严重故障数目0，则电灯的连续工作性能未达到设计要求。可选地，目标产品在试验工作时间内进行测试时，发生故障修复后继续运行，直至目标产品达到验证工作时长后结束。
本申请提供的连续工作性能验证方法，服务器获取目标产品的测试参数，将测试参数输入至预设的连续工作时间验证模型中，得到验证工作时长，根据验证工作时长对目标产品的连续工作性能进行验证。其中，测试参数包括连续工作时长、目标产品的置信度和目标产品在连续工作时长内的严重故障数目，通过验证工作时长进行试验，验证产品的连续工作性能是否达到设计要求，该方法还结合了目标产品的置信度，提高了产品连续工作性能衡量的准确性。
在上述图2所示实施例的基础上，目标产品的测试参数中的连续工作时长是根据目标产品的平均严重故障间隔时间、目标产品的置信度，以及预设的连续工作时间预计模型得到的。如图3所示，接下来对测试参数中的连续工作时长的获取过程进行详细说明。
S301、获取目标产品的平均严重故障间隔时间和目标产品的置信度。
其中，平均严重故障间隔时间是与目标产品的工作任务有关的一种可靠性参数，其度量方法为：在规定的一系列任务剖面中，目标产品的任务总时间与目标产品在任务总时间内正常工作时的严重故障总数之比。
在本实施例中，服务器从终端或服务器获取目标产品的平均严重故障间隔时间和目标产品的置信度。例如，在规定的一系列任务剖面中，电灯的任务总时间为1000小时，在电灯正常工作1000小时内发生的严重故障总数为1，则得到电灯的平均严重故障间隔时间为1000小时。
S302、将平均严重故障间隔时间和目标产品的置信度输入至预设的连续工作时间预计模型中，得到连续工作时长。
在本实施例中，服务器将获取的目标产品的平均严重故障间隔时间和目标产品的置信度输入至预设的连续工作时间预计模型中，根据连续工作时间预计模型中的平均严重故障间隔时间、目标产品的置信度和连续工作时长之间的逻辑关系，得到连续工作时长。
本申请提供的连续工作性能验证方法，服务器获取目标产品的平均严重故障间隔时间和目标产品的置信度；将平均严重故障间隔时间和目标产品的置信度输入至预设的连续工作时间预计模型中，得到连续工作时长。通过规定的一系列任务剖面，得到目标产品的平均严重故障间隔时间，再结合目标产品的置信度，就可以对目标产品连续工作时长进行估计。通过该方法，就可以对研发阶段的目标产品的连续工作时长进行预估，预估目标产品的连续工作性能。
在上述图2至图3所示实施例的基础上，连续工作时间验证模型是根据最小严重故障间隔时间变量的第一概率分布函数和第二概率分布函数得到。如图4所示，连续工作时间验证模型的获取过程包括：
S401、根据严重故障间隔时间的子样本数据，获取最小严重故障间隔时间变量的第一概率分布函数和第二概率分布函数。
其中，严重故障间隔时间的子样本数据是对目标产品进行定时截尾试验得到。第一概率分布函数为严重故障数目大于或等于1时最小严重故障间隔时间变量的概率分布函数，第二概率分布函数为严重故障数目等于0时最小严重故障间隔时间变量的概率分布函数。
在本实施例中，假设对目标产品进行定时截尾试验，在给定的验证工作时长t时停止试验，目标产品在连续工作t小时内，发生n个影响目标产品连续工作的严重故障的时间为t1，t2，…,tn；其中，n表示目标产品在连续工作时长内的严重故障数目，且n≥1，目标产品故障后修复如新ti为第i(i≤n)个故障发生的时刻，令Ti＝ti-ti-1，其中，定义t0＝0，则Ti表示目标产品的严重故障间隔时间。严重故障间隔时间的最小观察值Tc＝min(T1，T2，…，Tn),当最小观察值Tc满足连续工作时长时，该产品的连续工作性能达到设计要求。
在本实施例中，可选地，严重故障间隔时间T的子样本数据T1、T2、…、Tn，得到严重故障间隔时间T的顺序统计量为T(1)、T(2)、…、T(n)，且T(1)≤T(2)≤…≤T(n)。根据目标产品的严重故障间隔时间T的顺序统计量，令目标产品的严重故障间隔时间T的总体分布函数为F(T；θ)＝1-e-T/θ和目标产品的严重故障间隔时间T的概率密度函数为其中，总体分布函数和概率密度函数中的参数：θ表示平均严重故障间隔时间，在本实施例及本申请中所有函数中参数e均表示自然对数的底数。根据目标产品的严重故障间隔时间T的总体分布函数和概率密度函数得到最小严重故障间隔时间变量的概率分布函数。
在本实施例中，当严重故障数目大于或等于1时，根据目标产品的严重故障间隔时间T的总体分布函数，得到严重故障数目大于或等于1时的最小严重故障间隔时间变量的概率分布函数为其中，T(1)表示最小严重故障间隔时间变量，FT(1)表示最小严重故障间隔时间变量的概率，θ表示平均平均严重故障间隔时间，通过点估计的方式，根据验证工作时长t和严重故障数目n，得到/>将/>代入严重故障数目大于或等于1时的最小严重故障间隔时间变量的概率分布函数为/>中，得到最小严重故障间隔时间变量的第一概率分布函数。可选地，第一概率分布函数为T(1)＝-ln(1-FT(1))t/n2，其中，T(1)表示最小严重故障间隔时间变量，FT(1)表示最小严重故障间隔时间变量的概率，t表示验证工作时长，n表示目标产品在连续工作时长内的严重故障数目。
在本实施例中，当严重故障数目等于0时，根据目标产品的严重故障间隔时间T的总体分布函数，得到严重故障数目等于0时的最小严重故障间隔时间变量的概率分布函数为其中，T(1)表示最小严重故障间隔时间变量，FT(1)表示最小严重故障间隔时间变量的概率，θ表示平均严重故障间隔时间，通过点估计的方式，根据验证工作时长t，得到/>将/>代入严重故障数目等于0时的最小严重故障间隔时间变量的概率分布函数为/>中，得到最小严重故障间隔时间变量的第二概率分布函数。可选地，第二概率分布函数为/>其中，T(1)表示最小严重故障间隔时间变量，/>表示最小严重故障间隔时间变量的概率，t表示验证工作时长。
S402、根据第一概率分布函数和第二概率分布函数得到连续工作时间验证模型。
在本实施例中，服务器采用蒙特卡洛方法对第一概率分布函数和第二概率分布函数进行求解，并结合目标产品的置信度得到连续工作时间验证模型。该连续工作时间验证模型包括目标产品的连续工作时长、验证工作时长、目标产品的置信度和目标产品在连续工作时长内的严重故障数目之间的逻辑关系。可选地，连续工作时间验证模型为其中，T(1)L表示连续工作时长，/>表示排序后第(M-Mα)个最小严重故障间隔时间变量的值，α表示目标产品的置信度。
本申请提供的连续工作性能验证方法，对目标产品进行假设定时截尾试验，得到严重故障间隔时间的子样本数据，通过顺序统计量获取最小严重故障间隔时间变量的第一概率分布函数和第二概率分布函数，根据第一概率分布函数和第二概率分布函数得到连续工作时间验证模型。该方法中，根据严重故障数目，将最小严重故障间隔时间变量概率分布函数分为第一概率分布函数和第二概率分布函数，得到的连续工作时间验证模型可以根据严重故障数目就可以得到准确的验证工作时长，对目标产品的连续工作性能的衡量更加准确。
在上述图4所示实施例的基础上，连续工作验证模型是采用蒙特卡洛方法对第一概率分布函数和第二概率分布函数求解得到。如图5所示，进一步，对第一概率分布函数和第二概率分布函数求解，获得连续工作验证模型的过程包括：
S501、从均匀分布的U[0,1]中随机抽取M个值作为最小严重故障间隔时间变量的概率。
在本实施例中，服务器从均匀分布的U[0,1]中，随机抽取M个值作为最小严重故障间隔时间的概率由于[0,1]服从均匀分布，因此随机抽取[0,1]中任意一个值得可能性相同，例如，随机抽取8个值为0.11、0.13、0.123、0.32.0.5、0.71、0.91、0.881等作为/>的取值。其中，M表示的是随机抽取最小严重故障间隔时间变量的概率的个数，为了提高连续工作验证模型的准确性，M应该尽可能的大，例如，M取10万、100万等，该示例只是为了对该方法进行详细解释取值较小，本申请实施例中不以此为限。
S502、将最小严重故障间隔时间变量的概率代入到第一概率分布函数和第二概率分布函数中，得到M个最小严重故障间隔时间变量的值。
在本实施例中，当严重故障数目大于或等于1时，服务器将M个最小严重故障间隔时间变量的概率代入到第一概率分布函数中，当严重故障数目等于0时，服务器将M个最小严重故障间隔时间变量的概率代入到第二概率分布函数中。根据严重故障数目确定代入第一概率分布函数，还是第二概率分布函数，将M个最小严重故障间隔时间变量的概率代入第一概率分布函数或第二概率分布函数中，将得到M个最小严重故障间隔时间变量T(1)的值。以上述同样的示例说明，将8个FT(1)分别等于0.11、0.13、0.123、0.32、0.5、0.71、0.91、0.881等代入第一概率分布函数对应得到8个T(1)分别为0.117t/n2、0.139t/n2、0.131t/n2、0.386t/n2、0.693t/n2、1.238t/n2、2.408t/n2、2.129t/n2等。
S503、按照从小到大的顺序，对M个最小严重故障间隔时间变量的值进行排序，得到排序后的M个最小严重故障间隔时间变量的值。
在本实施例中，将得到M个最小严重故障间隔时间变量的值从小到大得排序T(1)。以上述同样的示例说明，对8个T(1)从小到大排序得到排序后的8个最小严重故障间隔时间变量的值:0.117t/n2、0.131t/n2、0.139t/n2、0.386t/n2、0.693t/n2、1.238t/n2、2.129t/n2、2.408t/n2。
S504、根据目标产品的连续工作时长、允许的严重故障数、置信度和排序后的M个最小严重故障间隔时间变量的值，得到连续工作时间验证模型。
在本实施例中，服务器根据目标产品的置信度和M,从升序排序的M个最小严重故障间隔时间变量的值中，确定出具体的最小严重故障间隔时间变量的值作为目标产品的连续工作时长T(1)L，具体是将第(M-Mα)个最小严重故障间隔时间变量的值T(1)作为目标产品的连续工作时长T(1)L，即连续工作时间验证模型例如，M为10万，目标产品的置信度为0.8，则将取第20000个最小严重故障间隔时间变量的值作为目标产品的连续工作时长T(1)L。
本申请提供的连续工作性能验证方法，采用蒙特卡洛方法对第一概率分布函数和第二概率分布函数求解，从均匀分布的U[0,1]中随机抽取M个值作为最小严重故障间隔时间变量的概率，将最小严重故障间隔时间变量的概率代入到第一概率分布函数和第二概率分布函数中，得到M个最小严重故障间隔时间变量的值，并按照从小到大的顺序，对M个最小严重故障间隔时间变量的值进行排序，根据目标产品连续工作时长、允许的严重故障数、的置信度和排序后的M个最小严重故障间隔时间变量的值，得到连续工作时间验证模型。采用蒙特卡洛方法并结合了目标产品的置信度，得到的连续工作时间验证模型，通过顺序统计量和蒙特卡洛方法建立的连续工作时间验证模型科学，该模型还结合了目标产品的置信度，通过该模型得到的验证工作时长更加准确，进而通过验证工作时长对目标产品的连续工作性能的衡量更加准确。
进一步地，上述图4至图5是针对连续工作时间验证模型的具体获得过程进行说明。接下来，如图6所示，将对连续工作时间预计模型的具体获得过程进行说明。
S601、根据严重故障间隔时间的子样本数据和平均严重故障间隔时间，得到最小严重故障间隔时间变量的第三概率分布函数。
在本实施例中，服务器根据严重故障间隔时间的子样本数据，通过步骤S401所示实施例得到严重故障数目大于或等于1时，最小严重故障间隔时间变量的概率分布函数为和严重故障数目等于0时，最小严重故障间隔时间变量的概率分布函数为/>令θ等于平均严重故障间隔时间/>得到当n＝0或者n＝1时，最小严重故障间隔时间变量的第三概率分布函数，可选地，第三概率分布函数为其中，T(1)表示最小严重故障间隔时间变量，/>表示最小严重故障间隔时间变量的概率，/>表示平均严重故障间隔时间。
S602、根据第三概率分布函数得到连续工作时间预计模型。
在本实施例中，服务器采用蒙特卡洛方法对第三概率分布函数进行求解，并结合目标产品的置信度得到连续工作时间验证模型。该连续工作时间验证模型包括目标产品的连续工作时间、平均严重故障间隔时间和目标产品的置信度之间的逻辑关系。可选地，连续工作时间预计模型为其中，T(1)L表示连续工作时长，/>表示排序后第(M-Mα)个最小严重故障间隔时间变量的概率，α表示目标产品的置信度，/>表示平均严重故障间隔时间。
本申请提供的连续工作性能验证方法，服务器根据严重故障间隔时间的子样本数据，和平均严重故障间隔时间，得到最小严重故障间隔时间变量的第三概率分布函数；根据第三概率分布函数得到连续工作时间预计模型。通过顺序统计量得到最小严重故障间隔时间变量的第三概率分布函数，采用蒙特卡洛方法对第三概率分布函数求解得到连续工作时间预计模型，根据目标产品的置信度和平均严重故障间隔时间，通过连续工作时间预计模型，就可以估计出目标产品的连续工作时长，利用该方法就可以对处于研发中的目标产品的连续工作性能进行衡量，判断目标产品的连续工作性能是否达到要求。
在上述图6所示实施例的基础上，连续工作预计模型是采用蒙特卡洛方法对第三概率分布函数求解得到。如图7所示，进一步，对第三概率分布函数求解，获得连续工作预计模型的过程包括：
S701、从均匀分布的U[0,1]中随机抽取M个值作为最小严重故障间隔时间变量的概率。
在本实施例中，服务器均匀分布的U[0,1]中，随机抽取M个值作为最小严重故障间隔时间的概率具体的抽取过程与步骤S501对应的实施例相同，在此不再赘述。
S702、按照从小到大的顺序，对M个最小严重故障间隔时间变量的概率进行排序，得到排序后的M个最小严重故障间隔时间变量的概率。
在本实施例中，服务器根据步骤S701随机抽取的M个最小严重故障间隔时间变量的概率，按照从小到大的顺序进行排序，得到升序排列的M个最小严重故障间隔时间变量的概率。以上述同样的示例说明，将8个0.11、0.13、0.123.0.32、0.5、0.71、0.91、0.881等进行排序，得到升序排列的8个/>0.11、0.123、0.13、0.32、0.5、0.71、0.881、0.91。
S703、根据目标产品的置信度、平均严重故障间隔时间、第三概率分布函数和排序后的M个最小严重故障间隔时间变量的概率，得到连续工作时间预计模型。
在本实施例中，服务器根据目标产品的置信度，将排序后第(M-Mα)个最小严重故障间隔时间变量的概率作为的取值，再将最小严重故障间隔时间变量的概率/>代入第三概率分布函数/>得到连续工作时间预计模型/>以上述同样的示例说明，若目标产品的置信度为0.5，则第四个/>即0.32代入第三概率分布函数/>得到的连续工作时间预计模型/>
本申请提供的连续工作性能预计方法，采用蒙特卡洛方法对第三概率分布函数进行求解，从均匀分布的U[0,1]中随机抽取M个值作为最小严重故障间隔时间变量的概率；对M个最小严重故障间隔时间变量的概率进行升序排序，得到升序排序的M个最小严重故障间隔时间变量的概率；根据目标产品的置信度确定最小严重故障间隔时间变量的概率，并代入第三概率分布函数，得到连续工作时间预计模型。通过顺序统计量和蒙特卡洛方法建立的连续工作时间预计模型更加科学，该模型还结合了目标产品的置信度，对目标产品的连续工作性能的预估更加准确。
应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种连续工作性能验证装置800，包括：第一获取模块801、第一输入模块802和验证模块803，其中：
第一获取模块801，用于获取目标产品的测试参数；该测试参数包括连续工作时长、目标产品的置信度和目标产品在连续工作时长内的严重故障数目；
第一输入模块802，用于将测试参数输入至预设的连续工作时间验证模型中，得到验证工作时长；
验证模块803，用于根据验证工作时长对目标产品的连续工作性能进行验证。
在一个实施例中，如图9所示，该装置800还包括：
第二获取模块804，用于获取目标产品的平均严重故障间隔时间和目标产品的置信度；
第二输入模块805，用于将平均严重故障间隔时间和目标产品的置信度输入至预设的连续工作时间预计模型中，得到连续工作时长。
在一个实施例中，如图10所示，该装置800还包括：
第三获取模块806，用于根据严重故障间隔时间的子样本数据，获取最小严重故障间隔时间变量的第一概率分布函数和第二概率分布函数；
建模模块807，用于根据第一概率分布函数和第二概率分布函数得到连续工作时间验证模型。
在一个实施例中，如图11所示，该建模模块807包括：
抽取单元8071，用于从均匀分布的U[0,1]中随机抽取M个值作为最小严重故障间隔时间变量的概率；
代入单元8072，用于将最小严重故障间隔时间变量的概率代入到第一概率分布函数和第二概率分布函数中，得到M个最小严重故障间隔时间变量的值；
排序单元8073，用于按照从小到大的顺序，对M个最小严重故障间隔时间变量的值进行排序，得到排序后的M个最小严重故障间隔时间变量的值；
建模单元8074，用于根据目标产品的连续工作时长、严重故障数目、置信度和排序后的M个最小严重故障间隔时间变量的值，得到连续工作时间验证模型。
在一个实施例中，第一概率分布函数为其中，T(1)表示最小严重故障间隔时间变量，/>表示最小严重故障间隔时间变量的概率，t表示验证工作时长，n表示目标产品在连续工作时长内的严重故障数目；
第二概率分布函数为其中，T(1)表示最小严重故障间隔时间变量，/>表示最小严重故障间隔时间变量的概率，t表示验证工作时长；/>
连续工作时间验证模型为其中，T(1)L表示连续工作时长，/>表示排序后第(M-Mα)个最小严重故障间隔时间变量的值，α表示目标产品的置信度。
在一个实施例中，第三获取模块806，还用于根据严重故障间隔时间的子样本数据，获取最小严重故障间隔时间变量的第三概率分布函数；
建模模块807，还用于根据第三概率分布函数得到连续工作时间预计模型。
在一个实施例中，抽取单元8071，还用于从均匀分布的U[0,1]中随机抽取M个值作为最小严重故障间隔时间变量的概率；
排序单元8073，还用于按照从小到大的顺序，对M个最小严重故障间隔时间变量的概率进行排序，得到排序后的M个最小严重故障间隔时间变量的概率；
建模单元8074，还用于根据目标产品的平均严重故障间隔时间、置信度、第三概率分布函数和排序后的M个最小严重故障间隔时间变量的概率，得到连续工作时间预计模型。
在一个实施例中，第三概率分布函数为其中，T(1)表示最小严重故障间隔时间变量，/>表示最小严重故障间隔时间变量的概率，/>表示平均严重故障间隔时间；
连续工作时间预计模型为其中，T(1)L表示连续工作时长，表示排序后第(M-Mα)个最小严重故障间隔时间变量的概率，α表示目标产品的置信度，/>表示平均严重故障间隔时间。
上述所有的连续工作性能验证装置实施例，其实现原理和技术效果与上述连续工作性能验证方法对应的实施例类似，在此不再赘述。
关于连续工作性能验证装置的具体限定可以参见上文中对于连续工作性能验证方法的限定，在此不再赘述。上述连续工作性能验证装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种连续工作性能验证方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取目标产品的测试参数；该测试参数包括连续工作时长、目标产品的置信度和目标产品在连续工作时长内的严重故障数目；
将测试参数输入至预设的连续工作时间验证模型中，得到验证工作时长；
根据验证工作时长对目标产品的连续工作性能进行验证。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标产品的测试参数；该测试参数包括连续工作时长、目标产品的置信度和目标产品在连续工作时长内的严重故障数目；
将测试参数输入至预设的连续工作时间验证模型中，得到验证工作时长；
根据验证工作时长对目标产品的连续工作性能进行验证。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种连续工作性能验证方法，其特征在于，所述方法包括：
获取目标产品的测试参数；所述测试参数包括连续工作时长、所述目标产品的置信度和所述目标产品在所述连续工作时长内的严重故障数目；
将所述测试参数输入至预设的连续工作时间验证模型中，得到验证工作时长；
控制所述目标产品连续工作时间达到所述验证工作时长，获取所述验证工作时长内所述目标产品发生的严重故障的数目，得到试验严重故障数目；
通过比较所述试验严重故障数目和所述测试参数中的严重故障数目，判断所述目标产品的连续工作性能是否达到设计要求；
其中，获取所述连续工作时间验证模型的方法包括：
根据严重故障间隔时间的子样本数据，获取最小严重故障间隔时间变量的第一概率分布函数和第二概率分布函数；所述第一概率分布函数为所述严重故障数目大于或等于1时所述最小严重故障间隔时间变量的概率分布函数，所述第二概率分布函数为所述严重故障数目等于0时所述最小严重故障间隔时间变量的概率分布函数；所述第一概率分布函数为所述第二概率分布函数为/>其中，T(1)表示所述最小严重故障间隔时间变量，/>表示所述最小严重故障间隔时间变量的概率，t表示所述验证工作时长，n表示所述目标产品在所述连续工作时长内的严重故障数目，n≥1；
从均匀分布的U[0,1]中随机抽取M个值作为所述最小严重故障间隔时间变量的概率；所述M表示随机抽取所述最小严重故障间隔时间变量的概率的个数；
将所述最小严重故障间隔时间变量的概率代入到所述第一概率分布函数和第二概率分布函数中，得到M个所述最小严重故障间隔时间变量的值；
按照从小到大的顺序，对所述M个所述最小严重故障间隔时间变量的值进行排序，得到排序后的M个最小严重故障间隔时间变量的值；
根据所述目标产品的置信度和所述排序后的M个最小严重故障间隔时间变量的值，得到所述连续工作时间验证模型；所述连续工作时间验证模型为其中，T(1)L表示所述连续工作时长，/>表示排序后第(M-Mα)个最小严重故障间隔时间变量的值，α表示所述目标产品的置信度。
2.根据权利要求1所述的方法，其特征在于，获取所述测试参数中的连续工作时长的指标预计方法包括：
获取所述目标产品的平均严重故障间隔时间和所述目标产品的置信度；
将所述平均严重故障间隔时间和所述目标产品的置信度输入至预设的连续工作时间预计模型中，得到所述连续工作时长。
3.根据权利要求2所述的方法，其特征在于，获取所述连续工作时间预计模型的方法包括：
根据严重故障间隔时间的子样本数据和所述平均严重故障间隔时间，得到所述最小严重故障间隔时间变量的第三概率分布函数；所述第三概率分布函数为其中，/>表示平均严重故障间隔时间；
根据所述第三概率分布函数得到所述连续工作时间预计模型；所述连续工作时间预计模型为其中，T(1)L表示所述连续工作时长，/>表示排序后第(M-Mα)个最小严重故障间隔时间变量的概率，α表示所述目标产品的置信度，/>表示平均严重故障间隔时间。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第三概率分布函数得到所述连续工作时间预计模型，包括：
从均匀分布的U[0,1]中随机抽取M个值作为所述最小严重故障间隔时间变量的概率；
按照从小到大的顺序，对所述M个所述最小严重故障间隔时间变量的概率进行排序，得到排序后的M个最小严重故障间隔时间变量的概率；
根据所述目标产品的置信度、所述第三概率分布函数和所述排序后的M个最小严重故障间隔时间变量的概率，得到所述连续工作时间预计模型。
5.一种连续工作性能验证装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标产品的测试参数；所述测试参数包括连续工作时长、所述目标产品的置信度和所述目标产品在所述连续工作时长内的严重故障数目；
第一输入模块，用于将所述测试参数输入至预设的连续工作时间验证模型中，得到验证工作时长；
验证模块，用于控制所述目标产品连续工作时间达到所述验证工作时长，获取所述验证工作时长内所述目标产品发生的严重故障的数目，得到试验严重故障数目；通过比较所述试验严重故障数目和所述测试参数中的严重故障数目，判断所述目标产品的连续工作性能是否达到设计要求；
第三获取模块，用于根据严重故障间隔时间的子样本数据，获取最小严重故障间隔时间变量的第一概率分布函数和第二概率分布函数；所述第一概率分布函数为所述严重故障数目大于或等于1时所述最小严重故障间隔时间变量的概率分布函数，所述第二概率分布函数为所述严重故障数目等于0时所述最小严重故障间隔时间变量的概率分布函数；所述第一概率分布函数为所述第二概率分布函数为其中，T(1)表示所述最小严重故障间隔时间变量，/>表示所述最小严重故障间隔时间变量的概率，t表示所述验证工作时长，n表示所述目标产品在所述连续工作时长内的严重故障数目，n≥1；
建模模块，用于从均匀分布的U[0,1]中随机抽取M个值作为所述最小严重故障间隔时间变量的概率；所述M表示随机抽取所述最小严重故障间隔时间变量的概率的个数；将所述最小严重故障间隔时间变量的概率代入到所述第一概率分布函数和第二概率分布函数中，得到M个所述最小严重故障间隔时间变量的值；按照从小到大的顺序，对所述M个所述最小严重故障间隔时间变量的值进行排序，得到排序后的M个最小严重故障间隔时间变量的值；根据所述目标产品的置信度和所述排序后的M个最小严重故障间隔时间变量的值，得到所述连续工作时间验证模型；所述连续工作时间验证模型为其中，T(1)L表示所述连续工作时长，/>表示排序后第(M-Mα)个最小严重故障间隔时间变量的值，α表示所述目标产品的置信度。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取所述目标产品的平均严重故障间隔时间和所述目标产品的置信度；
第二输入模块，用于将所述平均严重故障间隔时间和所述目标产品的置信度输入至预设的连续工作时间预计模型中，得到所述连续工作时长。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第三获取模块，还用于根据严重故障间隔时间的子样本数据和所述平均严重故障间隔时间，得到最小严重故障间隔时间变量的第三概率分布函数；所述第三概率分布函数为其中，/>表示平均严重故障间隔时间；
建模模块，还用于根据所述第三概率分布函数得到所述连续工作时间预计模型；所述连续工作时间预计模型为其中，T(1)L表示所述连续工作时长，表示排序后第(M-Mα)个最小严重故障间隔时间变量的概率，α表示所述目标产品的置信度，/>表示平均严重故障间隔时间。
8.根据权利要求7所述的装置，其特征在于，所述建模模块包括：
抽取单元，用于从均匀分布的U[0,1]中随机抽取M个值作为所述最小严重故障间隔时间变量的概率；
排序单元，用于按照从小到大的顺序，对所述M个所述最小严重故障间隔时间变量的概率进行排序，得到排序后的M个最小严重故障间隔时间变量的概率；
建模单元，用于根据所述目标产品的置信度、所述第三概率分布函数和所述排序后的M个最小严重故障间隔时间变量的概率，得到所述连续工作时间预计模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911302970.6A CN111210105B (zh) | 2019-12-17 | 2019-12-17 | 连续工作性能验证、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911302970.6A CN111210105B (zh) | 2019-12-17 | 2019-12-17 | 连续工作性能验证、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111210105A CN111210105A (zh) | 2020-05-29 |
| CN111210105B true CN111210105B (zh) | 2023-11-07 |
Family
ID=70788053
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911302970.6A Active CN111210105B (zh) | 2019-12-17 | 2019-12-17 | 连续工作性能验证、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111210105B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116755911B (zh) * | 2023-08-18 | 2023-11-14 | 中国电子科技集团公司第十四研究所 | 一种基于Gamma分布的任务可靠性指标MTBCF验证方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109343882A (zh) * | 2018-10-12 | 2019-02-15 | 上海庆科信息技术有限公司 | 一种设备性能指标更新方法及系统 |
| CN109739213A (zh) * | 2019-01-07 | 2019-05-10 | 东莞百宏实业有限公司 | 一种故障预测系统以及预测方法 |
-
2019
- 2019-12-17 CN CN201911302970.6A patent/CN111210105B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109343882A (zh) * | 2018-10-12 | 2019-02-15 | 上海庆科信息技术有限公司 | 一种设备性能指标更新方法及系统 |
| CN109739213A (zh) * | 2019-01-07 | 2019-05-10 | 东莞百宏实业有限公司 | 一种故障预测系统以及预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111210105A (zh) | 2020-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110941555B (zh) | 测试用例推荐方法、装置、计算机设备和存储介质 | |
| TWI630400B (zh) | 用於判定電路故障率之方法及系統 | |
| US20150025872A1 (en) | System, method, and apparatus for modeling project reliability | |
| CN106169124B (zh) | 系统级产品可靠性综合评估置信推断方法 | |
| CN111325159B (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
| JP7236231B2 (ja) | 半導体装置及び解析システム | |
| CN111611172A (zh) | 项目测试缺陷分析方法、装置、设备及存储介质 | |
| US20180137218A1 (en) | Systems and methods for similarity-based information augmentation | |
| CN111104644A (zh) | 可靠性评估方法、装置、计算机设备和存储介质 | |
| CN112560269B (zh) | 基于Rhapsody状态机的高容错电子系统任务可靠性仿真分析方法 | |
| Mohanty et al. | Gaussian process time series model for life prognosis of metallic structures | |
| CN111881023A (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
| CN110866682B (zh) | 基于历史数据的地下电缆预警方法和装置 | |
| CN111210105B (zh) | 连续工作性能验证、装置、计算机设备和存储介质 | |
| CN115017819A (zh) | 一种基于混合模型的发动机剩余使用寿命预测方法及装置 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| Mehrabadi et al. | Verification, validation and uncertainty quantification (VV&UQ) framework applicable to power electronics systems | |
| RU2745968C1 (ru) | Способ контроля динамики параметрической безотказности технических систем | |
| CN111579185B (zh) | 潜艇用电子设备可靠性加速试验方法和装置 | |
| Desovski et al. | Linear randomized voting algorithm for fault tolerant sensor fusion and the corresponding reliability model | |
| CN114138634B (zh) | 测试用例的选取方法、装置、计算机设备和存储介质 | |
| CN115795928A (zh) | 基于伽马过程的加速退化试验数据处理方法和装置 | |
| CN111125918B (zh) | 基于相似寿命模型和相似寿命的复杂产品可靠性评定方法 | |
| CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
| CN111340349B (zh) | 产品可靠性评估方法、装置、计算机设备和存储介质 |
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 |