CN111310314B - 一种基于人工智能确定机电装置寿命的方法和系统 - Google Patents
一种基于人工智能确定机电装置寿命的方法和系统 Download PDFInfo
- Publication number
- CN111310314B CN111310314B CN202010072592.3A CN202010072592A CN111310314B CN 111310314 B CN111310314 B CN 111310314B CN 202010072592 A CN202010072592 A CN 202010072592A CN 111310314 B CN111310314 B CN 111310314B
- Authority
- CN
- China
- Prior art keywords
- electromechanical device
- life
- service life
- index
- electromechanical
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于人工智能确定机电装置寿命的方法和系统。所述方法和系统通过收集的试验数据分别建立寿命与影响寿命的指标之间的关系函数;再根据所述关系函数建立机电装置寿命预测基本模型,通过真实历史工况下的寿命数据进行模型训练,确定寿命预测成熟模型;最后通过输入实时采集的机电装置指标,确定机电装置预测寿命值。所述方法和系统基于人工智能,通过对影响机电装置寿命的指标建立寿命-指标关系函数,然后基于真实的历史工况下的寿命数据进行模型训练,生成成熟模型后确定机电装置的寿命,从而使预测更贴合实际工况,而且由于成熟模型是基于大量的历史数据进行训练得到的,机电装置寿命预测的结果更准确。
Description
技术领域
本发明涉及人工智能领域,并且更具体地,涉及一种基于人工智能确定机电装置寿命的方法和系统。
背景技术
现有技术中,通用的预测机电装置寿命的方法是基于可靠性模型来进行预测。所述可靠性模型预测寿命的方法主要是基于已有的寿命分布函数,如机械件默认服从威布尔分布,在预测其寿命时,只采用单一分布进行计算,不考虑真实的工况和多种因素共同作用的情况,如温度、气压、振动等,因此脱离了实际工况,预测准确度较低。所以需要一种技术,能解决上述通过可靠性模型预测机电装置寿命准确度较低的技术问题。
发明内容
为了解决现有技术中通过可靠性模型预测机电装置寿命准确度较低的技术问题,本发明提供一种基于人工智能确定机电装置寿命的方法,所述方法包括:
基于机电装置寿命的极限状态,针对第i个影响机电装置寿命的指标进行合理范围的机电装置寿命试验,确定所述机电装置寿命和第i个指标的关系函数,其中,1≤i≤n,所述合理范围的机电装置寿命试验是指不超过机电装置的极限状态的试验;
根据所述机电装置寿命与n个指标的关系函数建立机电装置寿命预测基本模型;
采集N组机电装置在真实的历史工况下的寿命数据,其中,所述寿命数据包括机电装置寿命值和影响机电装置寿命的n个指标的数据值,其中,N>n;
将采集的N组寿命数据输入机电装置寿命预测基本模型,通过机器学习算法确定所述机电装置寿命预测成熟模型;
采集机电装置运行过程中的n个指标的数据值,并将其输入机电装置寿命预测成熟模型;
所述机电装置寿命预测成熟模型根据输入的n个指标的数据值计算并输出机电装置寿命值。
进一步地,所述方法在基于机电装置的极限状态,针对第i个影响机电装置寿命的指标进行合理范围的机电装置寿命试验之前还包括根据机电装置的运行环境和运行中的状态,确定影响机电装置寿命的指标,所述指标包括温度、气压和装置振动。
进一步地,所述基于机电装置寿命的极限状态,针对第i个影响机电装置寿命的指标进行合理范围的机电装置寿命试验,确定所述机电装置寿命和第i个指标的关系函数包括:
建立基本函数库,其中,所述基本函数库包含的分布函数有威布尔分布函数、卡方分布函数、正态分布函数、泊松分布函数和二项分布函数;
采集针对第i个影响机电装置寿命的指标进行试验的数据;
根据寿命分布匹配算法将采集的数据与基本函数库进行比较,确定所述机电装置寿命和第i个指标的关系函数,其中,所述寿命分布匹配算法包括灰色关联度算法和极大似然估计算法,所述关系函数的公式为:
Yi=f(xi)
式中,xi为影响机电装置寿命的第i个指标,Yi为在且仅在第i个指标xi的影响下的寿命值;f(xi)为机电装置寿命Yi和影响寿命的指标xi的关系函数。
进一步地,根据所述机电装置寿命与n个指标的关系函数建立机电装置寿命预测基本模型,其中,所述机电装置寿命预测基本模型的公式为:
式中,Y为机电装置在n个指标共同影响下的寿命值;f(xi)为机电装置在且仅在指标xi的影响下的寿命和指标xi的关系函数,ci为指标xi影响机电装置寿命的影响因子,b为机电装置在n个指标共同影响下确定寿命时的修正因子。
进一步地,所述将采集的N组寿命数据输入机电装置寿命预测基本模型,通过机器学习算法确定所述机电装置寿命预测成熟模型包括:
将采集的N组寿命数据输入机电装置寿命预测基本模型,并基于所述寿命数据生成N个预测机电装置寿命的方程,其中,所述第j个方程的公式为:
式中,1≤j≤N;
基于所述N个预测机电装置寿命的方程,根据线性回归算法确定机电装置寿命预测基本模型中的影响因子ci和修正因子b,生成机电装置寿命预测成熟模型。
根据本发明的另一方面,本发明提供一种基于人工智能确定机电装置寿命的系统,所述系统包括:
关系函数单元,其用于基于机电装置寿命的极限状态,针对第i个影响机电装置寿命的指标进行合理范围的机电装置寿命试验,确定所述机电装置寿命和第i个指标的关系函数,其中,1≤i≤n,所述合理范围的机电装置寿命试验是指不超过机电装置的极限状态的试验;
基本模型单元,其用于根据所述机电装置寿命与n个指标的关系函数建立机电装置寿命预测基本模型;
第一采集单元,其用于采集N组机电装置在真实的历史工况下的寿命数据,其中,所述寿命数据包括机电装置寿命值和影响机电装置寿命的n个指标的数据值,其中,N>n;
成熟模型单元,其用于将采集的N组寿命数据输入机电装置寿命预测基本模型,通过机器学习算法确定所述机电装置寿命预测成熟模型;
第二采集单元,其用于采集机电装置运行过程中的n个指标的数据值,并将其输入机电装置寿命预测成熟模型;
结果输出单元,其用于所述机电装置寿命预测成熟模型根据输入的n个指标的数据值计算并输出机电装置寿命值。
进一步地,所述还包括指标确定单元,其用于根据机电装置的运行环境和运行中的状态,确定影响机电装置寿命的指标,所述指标包括温度、气压和装置振动。
进一步地,所述关系函数单元包括:
函数库单元,其用于建立基本函数库,其中,所述基本函数库包含的分布函数有威布尔分布函数、卡方分布函数、正态分布函数、泊松分布函数和二项分布函数;
数据采集单元,其用于采集针对第i个影响机电装置寿命的指标进行试验的数据;
函数确定单元,其用于根据寿命分布匹配算法将采集的数据与基本函数库进行比较,确定所述机电装置寿命和第i个指标的关系函数,其中,所述寿命分布匹配算法包括灰色关联度算法和极大似然估计算法,所述关系函数的公式为:
Yi=f(xi)
式中,xi为影响机电装置寿命的第i个指标,Yi为在且仅在第i个指标xi的影响下的寿命值;f(xi)为机电装置寿命Yi和影响寿命的指标xi的关系函数。
进一步地,所述基本模型单元的机电装置寿命预测基本模型的公式为:
式中,Y为机电装置在n个指标共同影响下的寿命值;f(xi)为机电装置在且仅在指标xi的影响下的寿命和指标xi的关系函数,ci为指标xi影响机电装置寿命的影响因子,b为机电装置在n个指标共同影响下确定寿命时的修正因子。
进一步地,所述成熟模型单元包括:
方程确定单元,其用于将采集的N组寿命数据输入机电装置寿命预测基本模型,并基于所述寿命数据生成N个预测机电装置寿命的方程,其中,所述第j个方程的公式为:
式中,1≤j≤N;
机器学习单元,其用于基于所述N个预测机电装置寿命的方程,根据线性回归算法确定机电装置寿命预测基本模型中的影响因子ci和修正因子b,生成机电装置寿命预测成熟模型。
本发明技术方案提供的基于人工智能确定机电装置寿命的方法和系统首先明确影响机电装置寿命的重要指标,如振动、温度等,其次基于机电装置的极限状态,设计合理范围的试验如温度试验、振动试验等,并进行数据收集;通过收集的试验数据分别建立寿命—温度,寿命—振动等寿命与指标之间的关系函数;再根据所述关系函数建立机电装置寿命预测基本模型,通过真实历史工况下的寿命数据进行模型训练,确定预测基本模型中的影响因子及修正因子的值,得到寿命预测成熟模型;最后通过输入实时采集的机电装置指标,确定机电装置预测寿命值。所述方法和系统基于人工智能,通过对影响机电装置寿命的指标建立寿命-指标关系函数,然后基于真实的历史工况下的寿命数据进行模型训练,生成成熟模型后确定机电装置的寿命,本质上是通过分析真实工况,得到多种寿命影响要素,采用穷举法进行单独分析,形成完整的寿命分布函数,从而使预测更贴合实际工况,而且由于成熟模型是基于大量的历史数据进行训练得到的,机电装置寿命预测的结果更准确。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明优选实施方式的基于人工智能确定机电装置寿命的方法的流程图;
图2为典型机电装置的故障分类及故障因素示意图;
图3为根据本发明优选实施方式的基于人工智能确定机电装置寿命的系统的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的基于人工智能确定机电装置寿命的方法的流程图。如图1所示,本优选实施方式所述的基于人工智能确定机电装置寿命的方法100从步骤101开始。
在步骤101,根据机电装置的运行环境和运行中的状态,确定影响机电装置寿命的指标,所述指标包括温度和装置振动。
图2为典型机电装置的故障分类及故障因素示意图。研究机电装置的寿命问题,需要明确寿命所能达到的极限状态,以及极限状态的判定规则。明确航机电装置的极限状态,首先应研究机电装置的故障机理。如图2所示,典型机电装置的故障因素包括环境因素、任务条件、使用年限和储条件。故障类型包括耗损型故障、过应力型故障和综合型故障。
结合装备耐久性的浴盆理论,明确涉及到寿命的主要是耗损型故障。其故障机理是:随着时间的不断推移,产品的性能会发生一定程度的退化。例如机械应力故障中的蠕变、磨损;温度应力故障中的应力引起的扩散空隙等。本优选实施方式中主要针对典型机电装置的耗损型故障进行分析。
耗损型故障主要与机电装置的物理结构有密切关系,机电装置物理的典型结构包括机箱外壳、电路板和线缆。其中,电路板又包括电源板、信号处理板、处理器板等多种。结合实际的机电装置对典型的机电装置失效机理与失效模型进行分析。
结合实际的工程经验,对比机电装置的构成部件,机箱外壳与线缆的可靠性较高,基本不存在因温度或振动造成损毁,而电路板的可靠性则较低,故障主要是由于电路板上的元器件所焊接的焊盘导致,通常元器件焊接时,需要焊锡进行焊接,在收到外部环境因素如温度,振动时,是很容易造成断裂或脱落,其故障发生的概率远大于机箱外壳与线缆发生故障的概率。
所以,将焊点的断裂列为关键失效模式,而电路板则列为关键件。具体的失效模式示例如表1所示。
表1机电装置关键件及关键失效模式分析示例
经过分析确定针对机电装置进行寿命预测时,需要重点考虑的是由振动和温度引起的失效。
在步骤102,基于机电装置寿命的极限状态,针对第i个影响机电装置寿命的指标进行合理范围的机电装置寿命试验,确定所述机电装置寿命和第i个指标的关系函数,其中,1≤i≤n,所述合理范围的机电装置寿命试验是指不超过机电装置的极限状态的试验。
研究装备的寿命,首先需要确定装置所能达到的寿命极限,就需要进行极限状态研究及极限状态判定准则研究。极限状态是产品继续使用成为不允许或不合理时,或者恢复产品能工作状态成为不可能或不合理时的一种状态。装备的极限状态通常与耐久性关键件以及耐久性关键失效模式有关,耐久性关键件是指由于功能、技术、经济、安全等原因,导致机电装置寿命终止达到极限状态的机电产品组件。而耐久性失效模式是指对零件寿命有重大影响的一个或多个失效模式。
机电装置典型极限状态分析示例如表2所示。
表2机电装置典型极限状态分析示例
因此,基于机电装置寿命的极限状态,针对第i个影响机电装置寿命的指标进行合理范围的机电装置寿命试验的试验设计方法包括温度试验和磨损试验。
对于温度试验,其目的在于确定机电装置在不同大气温度状态下,达到极限状态或产生物理损坏的累计工作时间。
所述温度试验设计方法及原则参照以下标准制定:《GJB 150.1A-2009军用装备实验室环境试验方法第1部分:通用要求》、《GJB 150.3A-2009军用装备实验室环境试验方法第3部分:高温试验》、《GJB 150.4A-2009军用装备实验室环境试验方法第4部分:低温试验》、《GJB 6852-2009航空装备寿命管理要求》和《GJB 3277-1998航空发动机燃油泵-控制器耐久性试验方法》。
所述温度试验数据采集方法中,试验开始前,根据有关文件或资料确定试验程序、试验技术状态、试验最低温T1℃、试验最高温Tn℃、温度稳定、持续时间等。试验前,所有试验件均需在标准大气条件下进行检测,以确定基线数据。利用非破坏性检测方法对装备进行检查。检测步骤如下:
将试件稳定在标准大气条件下(温度:15℃~35℃;相对湿度:20%~80%;大气压力:实验场所气压);
对试件进行全面的目视检查;
按技术文件规定进行工作性能检查,记录检测结果。若试件正常,则进入试验。
所述温度试验的试验步骤包括:
步骤1、将n件全新的试件放入高低温试验箱,将箱内空气温度调节到技术文件规定的温度T1;
步骤2、在试件表面或附近安装足够数量的传感器,测量试件的温度数据,根据控制方案的要求调整高低温箱并测量其他需要的数据;
步骤3、当箱内温度达到规定温度,让试验对象开始工作(每次试验试件工作在同一状态下);
步骤4、观察试验对象,记录试验对象发生极限状态的现象和时间;
设定高低温箱温度到T2,重复步骤1至4;
设定高低温箱温度到T3,重复步骤1至4;
…
设定高低温箱温度到Tn,重复步1至4。
所述温度试验执行方式采用试验仿真和试验验证。
所述磨损试验的目的在于确定机电装置在不同振动环境下,达到极限状态或产生物理损坏的累计工作时间。
所述磨损试验设计方法及原则参照以下标准制定:《GJB 150.1A-2009军用装备实验室环境试验方法第1部分:通用要求》、《GJB 150.16A-2009军用装备实验室环境试验方法第16部分:振动试验》
《GJB 6852-2009航空装备寿命管理要求》、《GJB 3277-1998航空发动机燃油泵-控制器耐久性试验方法》《GJB 4651-1993航空涡轮喷气和涡轮风扇发动机振动标准》和《GJB/Z 126-1999振动、冲击环境测量数据归纳方法》。
所述磨损试验数据采集方法中,试验开始前,根据有关文件或资料确定试验程序、试验技术状态、试验量级、试验最大频率f1℃、试验最小频率fn℃、试验持续时间、振动台控制方法、失效判据、试件功能要求、测量仪器要求、试验设备能力及夹具等。此外还需要:选择合适的振动台和夹具;选择合适的数据采集系统(仪器、电缆、信号调节器、记录仪和分析设备等);在没有安装试件前,对振动设备进行与调试,以确认工作正常;保证数据采集系统的功能复合技术要求。试验前,所有试验件均需在标准大气条件下进行检测,以确定基线数据。利用非破坏性检测方法对装备进行检查。检测步骤如下:
检查试件是否有物理损伤并记录结果;
按技术文件的规定,如果有要求就按工作技术状态准备试件;
检查试件、夹具与振动台的组合是否符合试件和技术文件的要求;
按技术要求文件对时间进行工作状态下的工作检查并记录检查结果。
所述磨损试验的步骤包括:
步骤1、取n件全新的试件,按寿命周期实际使用状态安装在夹具上;
步骤2、在试件、夹具、振动台连接处或附近安装足够数量的传感器,测量试件、夹具界面的振动数据,根据控制方案的要求控制振动台并测量其他需要的数据。把控制传感器安装在尽量靠近试件、夹具的界面处;
步骤3、将振动台振动频率调节到技术文件规定的频率f1;
步骤4、对试件施加振动,并让试件开始工作(每次试验试件工作在同一状态下);
步骤5、观察试验对象,记录试验对象发生极限状态的现象和时间;
设振动台振动频率为f2,重复步骤1至5;
设振动台振动频率为f3,重复步骤1至5;
…
设振动台振动频率为fn,重复步骤1至5。
所述磨损试验执行方式为试验验证。
在步骤103,根据所述机电装置寿命与n个指标的关系函数建立机电装置寿命预测基本模型;
在步骤104,采集N组机电装置在真实的历史工况下的寿命数据,其中,所述寿命数据包括机电装置寿命值和影响机电装置寿命的n个指标的数据值,其中,N>n;
在步骤105,将采集的N组寿命数据输入机电装置寿命预测基本模型,通过机器学习算法确定所述机电装置寿命预测成熟模型;
在步骤106,采集机电装置运行过程中的n个指标的数据值,并将其输入机电装置寿命预测成熟模型;
在步骤107,所述机电装置寿命预测成熟模型根据输入的n个指标的数据值计算并输出机电装置寿命值。
优选地,所述基于机电装置寿命的极限状态,针对第i个影响机电装置寿命的指标进行合理范围的机电装置寿命试验,确定所述机电装置寿命和第i个指标的关系函数包括:
建立基本函数库,其中,所述基本函数库包含的分布函数有威布尔分布函数、卡方分布函数、正态分布函数、泊松分布函数和二项分布函数;
采集针对第i个影响机电装置寿命的指标进行试验的数据;
根据寿命分布匹配算法将采集的数据与基本函数库进行比较,确定所述机电装置寿命和第i个指标的关系函数,其中,所述寿命分布匹配算法包括灰色关联度算法和极大似然估计算法,所述关系函数的公式为:
Yi=f(xi)
式中,xi为影响机电装置寿命的第i个指标,Yi为在且仅在第i个指标xi的影响下的寿命值;f(xi)为机电装置寿命Yi和影响寿命的指标xi的关系函数。
对于两个系统之间的因素,其随时间或不同对象而变化的关联性大小的量度,称为关联度。在系统发展过程中,若两个因素变化的趋势具有一致性,即同步变化程度较高,即可谓二者关联程度较高;反之,则较低。因此,灰色关联分析方法,是根据因素之间发展趋势的相似或相异程度,亦即“灰色关联度”,作为衡量因素间关联程度的一种方法。本优选实施方式中,采用灰色关联度算法确定机电装置寿命和指标的关系函数。所述方法如下:
(1)确定反映系统行为特征的参考数列和影响系统行为的比较数列
反映系统行为特征的数据序列,称为参考数列。影响系统行为的因素组成的数据序列,称比较数列。将采集的试验数据作为参考数列,如温度—寿命试验数据,振动-寿命。
(2)对参考数列和比较数列进行无量纲化处理
由于系统中各因素的物理意义不同,导致数据的量纲也不一定相同,不便于比较,或在比较时难以得到正确的结论。因此在进行灰色关联度分析时,一般都要进行无量纲化的数据处理。对采集的试验数据,如温度—寿命试验数据,按照比例进行无量纲处理,放到与函数库中的基本函数同一量纲下进行。
(3)求参考数列与比较数列的灰色关联系数ξ(Xi)
所谓关联程度,实质上是曲线间几何形状的差别程度。因此曲线间差值大小,可作为关联程度的衡量尺度。对于一个参考数列X0有若干个比较数列X1,X2,…,Xn,各比较数列与参考数列在各个时刻(即曲线中的各点)的关联系数ξ(Xi)可由下列公式算出:
其中ρ为分辨系数,一般在0至1之间,通常取0.5,Δ(min)是第二级最小差,Δ(max)是两级最大差,Δoi(k)为各比较数列Xi曲线上的每一个点与参考数列X0曲线上的每一个点的绝对差值。
(4)求关联度ri
因为关联系数是比较数列与参考数列在各个时刻(即曲线中的各点)的关联程度值,所以它的数不止一个,而信息过于分散不便于进行整体性比较。因此有必要将各个时刻(即曲线中的各点)的关联系数集中为一个值,即求其平均值,作为比较数列与参考数列间关联程度的数量表示,关联度ri。
公式如下:
ri--比较数列xi对参考数列x0的灰关联度,或称为序列关联度、平均关联度、线关联度。
ri值越接近1,说明相关性越好。将分布函数与试验数据逐一进行对比,得到最接近的ri=1所对应的分布函数,函数库中如二项分布、指数分布、正态分布、威布尔分布等函数已经收录,本优选实施方式将试验数据与内置函数进行匹配,得到近似函数。】
(5)关联度排序
因素间的关联程度,主要是用关联度的大小次序描述,而不仅是关联度的大小。将m个子序列对同一母序列的关联度按大小顺序排列起来,便组成了关联序,记为{x},它反映了对于母序列来说各子序列的“优劣”关系。若r0i>r0j,则称{xi}对于同一母序列{x0}优于{xj},记为{xi}>{xj};r0i表示第i个子序列对母数列特征值。
灰色关联度分析法是将研究对象及影响因素的因子值视为一条线上的点,与待识别对象及影响因素的因子值所绘制的曲线进行比较,比较它们之间的贴近度,并分别量化,计算出研究对象与待识别对象各影响因素之间的贴近程度的关联度,通过比较各关联度的大小来判断待识别对象对研究对象的影响程度。
优选地,根据所述机电装置寿命与n个指标的关系函数建立机电装置寿命预测基本模型,其中,所述机电装置寿命预测基本模型的公式为:
式中,Y为机电装置在n个指标共同影响下的寿命值;f(xi)为机电装置在且仅在指标xi的影响下的寿命和指标xi的关系函数,ci为指标xi影响机电装置寿命的影响因子,b为机电装置在n个指标共同影响下确定寿命时的修正因子。
优选地,所述将采集的N组寿命数据输入机电装置寿命预测基本模型,通过机器学习算法确定所述机电装置寿命预测成熟模型包括:
将采集的N组寿命数据输入机电装置寿命预测基本模型,并基于所述寿命数据生成N个预测机电装置寿命的方程,其中,所述第j个方程的公式为:
式中,1≤j≤N;
基于所述N个预测机电装置寿命的方程,根据线性回归算法确定机电装置寿命预测基本模型中的影响因子ci和修正因子b,生成机电装置寿命预测成熟模型。
本优选实施方式采用多元回归算法确定机电装置的寿命预测模型,即通过多元回归,反映真实工况下的影响因素及其影响因子的大小,起到预计寿命的作用。
在建立了寿命—指标分布函数后,将各个指标看做是基本的参数单元,作为构建寿命预测基本模型的输入。
建立了基于人工智能的机电装置寿命预测的基本模型后,该模型中有c1到cn的共n个影响因子以及一个修正因子b,其中c1到cn分别对应n个指标,其关系反映的是该影响因素对机电装置寿命影响的关键程度,可解释为:ci值越大,对应的影响因素对装置寿命影响越大。
进行模型训练时:首先将收集到的试验数据进行预处理,整理成结构化数据,并将影响因子和结构化数据注入模型当中,每一条数据通过机器学习算法进行学习后,对计算得出的影响因子进行检验,检验成功的保留,检验失败的删除,学习循环结束后开始新的学习流程。最终形成完整的影响因子列表。
通过多次训练,得到一组固定的c1至cn值,以及b值。b值的主要作用是用于修正模型的不确定要素,因为有一定的环境因素或其他因素对寿命是有影响,但不能作为一个要素进行分析。就用一个变量进行统一估计。
图3为根据本发明优选实施方式的基于人工智能确定机电装置寿命的系统的结构示意图。如图3所示,本优选实施方式提供一种基于人工智能确定机电装置寿命的系统300,所述基于人工智能确定机电装置寿命的系统300包括:
指标确定单元301,其用于根据机电装置的运行环境和运行中的状态,确定影响机电装置寿命的指标,所述指标包括温度、气压和装置振动。
关系函数单元302,其用于基于机电装置寿命的极限状态,针对第i个影响机电装置寿命的指标进行合理范围的机电装置寿命试验,确定所述机电装置寿命和第i个指标的关系函数,其中,1≤i≤n,所述合理范围的机电装置寿命试验是指不超过机电装置的极限状态的试验;
基本模型单元303,其用于根据所述机电装置寿命与n个指标的关系函数建立机电装置寿命预测基本模型;
第一采集单元304,其用于采集N组机电装置在真实的历史工况下的寿命数据,其中,所述寿命数据包括机电装置寿命值和影响机电装置寿命的n个指标的数据值,其中,N>n;
成熟模型单元305,其用于将采集的N组寿命数据输入机电装置寿命预测基本模型,通过机器学习算法确定所述机电装置寿命预测成熟模型;
第二采集单元306,其用于采集机电装置运行过程中的n个指标的数据值,并将其输入机电装置寿命预测成熟模型;
结果输出单元307,其用于所述机电装置寿命预测成熟模型根据输入的n个指标的数据值计算并输出机电装置寿命值。
优选地,所述关系函数单元302包括:
函数库单元321,其用于建立基本函数库,其中,所述基本函数库包含的分布函数有威布尔分布函数、卡方分布函数、正态分布函数、泊松分布函数和二项分布函数;
数据采集单元322,其用于采集针对第i个影响机电装置寿命的指标进行试验的数据;
函数确定单元323,其用于根据寿命分布匹配算法将采集的数据与基本函数库进行比较,确定所述机电装置寿命和第i个指标的关系函数,其中,所述寿命分布匹配算法包括灰色关联度算法和极大似然估计算法,所述关系函数的公式为:
Yi=f(xi)
式中,xi为影响机电装置寿命的第i个指标,Yi为在且仅在第i个指标xi的影响下的寿命值;f(xi)为机电装置寿命Yi和影响寿命的指标xi的关系函数。
优选地,所述基本模型单元303的机电装置寿命预测基本模型的公式为:
式中,Y为机电装置在n个指标共同影响下的寿命值;f(xi)为机电装置在且仅在指标xi的影响下的寿命和指标xi的关系函数,ci为指标xi影响机电装置寿命的影响因子,b为机电装置在n个指标共同影响下确定寿命时的修正因子。
优选地,所述成熟模型单元305包括:
方程确定单元351,其用于将采集的N组寿命数据输入机电装置寿命预测基本模型,并基于所述寿命数据生成N个预测机电装置寿命的方程,其中,所述第j个方程的公式为:
式中,1≤j≤N;
机器学习单元352,其用于基于所述N个预测机电装置寿命的方程,根据线性回归算法确定机电装置寿命预测基本模型中的影响因子ci和修正因子b,生成机电装置寿命预测成熟模型。
本发明所述基于人工智能确定机电装置寿命的系统通过采集真实的机电装置运行中的数据计算并输出机电装置寿命的步骤与本发明所述基于人工智能确定机电装置寿命的方法采取的步骤相同,并且达到的技术效果也相同,此处不再赘述。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (6)
1.一种基于人工智能确定机电装置寿命的方法,其特征在于,所述方法包括:
基于机电装置寿命的极限状态,针对第i个影响机电装置寿命的指标xi进行合理范围的机电装置寿命试验,确定所述机电装置在且仅在第i个指标xi的影响下的寿命Yi,以及寿命Yi和影响寿命的指标xi的关系函数f(xi),其中,1≤i≤n,所述合理范围的机电装置寿命试验是指不超过机电装置的极限状态的试验;
根据所述机电装置的寿命Yi,以及寿命Yi和影响寿命的指标xi的关系函数f(xi)建立机电装置寿命预测基本模型,其中,所述机电装置寿命预测基本模型的公式为:
式中,Y为机电装置在n个指标共同影响下的寿命值;ci为指标xi影响机电装置寿命的影响因子,b为机电装置在n个指标共同影响下确定寿命时的修正因子;
采集N组机电装置在真实的历史工况下的寿命数据,其中,所述寿命数据包括机电装置寿命值和影响机电装置寿命的n个指标的数据值,其中,N>n;
将采集的N组寿命数据输入机电装置寿命预测基本模型,并基于所述寿命数据生成N个预测机电装置寿命的方程,其中,第j个预测机电装置寿命的方程的公式为:
式中,1≤j≤N;
基于所述N个预测机电装置寿命的方程,根据线性回归算法确定机电装置寿命预测基本模型中的影响因子ci和修正因子b,生成机电装置寿命预测成熟模型;
采集机电装置运行过程中的n个指标的数据值,并将其输入机电装置寿命预测成熟模型;
所述机电装置寿命预测成熟模型根据输入的n个指标的数据值计算并输出机电装置寿命值。
2.根据权利要求1所述的方法,其特征在于,所述方法在基于机电装置的极限状态,针对第i个影响机电装置寿命的指标进行合理范围的机电装置寿命试验之前还包括根据机电装置的运行环境和运行中的状态,确定影响机电装置寿命的指标,所述指标包括温度、气压和装置振动。
3.根据权利要求1所述的方法,其特征在于,所述基于机电装置寿命的极限状态,针对第i个影响机电装置寿命的指标xi进行合理范围的机电装置寿命试验,确定所述机电装置在且仅在第i个指标xi的影响下的寿命Yi,以及寿命Yi和影响寿命的指标xi的关系函数f(xi)包括:
建立基本函数库,其中,所述基本函数库包含的分布函数有威布尔分布函数、卡方分布函数、正态分布函数、泊松分布函数和二项分布函数;
采集针对第i个影响机电装置寿命的指标xi进行试验的数据;
根据寿命分布匹配算法将采集的数据与基本函数库进行比较,确定所述机电装置在且仅在第i个指标xi的影响下的寿命Yi,以及寿命Yi和影响寿命的指标xi的关系函数f(xi),其中,所述寿命分布匹配算法包括灰色关联度算法和极大似然估计算法,所述关系函数的公式为:
Yi=f(xi)。
4.一种基于人工智能确定机电装置寿命的系统,其特征在于,所述系统包括:
关系函数单元,其用于基于机电装置寿命的极限状态,针对第i个影响机电装置寿命的指标进行合理范围的机电装置寿命试验,确定所述机电装置在且仅在第i个指标xi的影响下的寿命Yi,以及寿命Yi和影响寿命的指标xi的关系函数f(xi),其中,1≤i≤n,所述合理范围的机电装置寿命试验是指不超过机电装置的极限状态的试验;
基本模型单元,其用于根据所述机电装置的寿命Yi,以及寿命Yi和影响寿命的指标xi的关系函数f(xi)建立机电装置寿命预测基本模型,其中,所述机电装置寿命预测基本模型的公式为:
式中,Y为机电装置在n个指标共同影响下的寿命值;ci为指标xi影响机电装置寿命的影响因子,b为机电装置在n个指标共同影响下确定寿命时的修正因子;
第一采集单元,其用于采集N组机电装置在真实的历史工况下的寿命数据,其中,所述寿命数据包括机电装置寿命值和影响机电装置寿命的n个指标的数据值,其中,N>n;
成熟模型单元,其用于将采集的N组寿命数据输入机电装置寿命预测基本模型,并基于所述寿命数据生成N个预测机电装置寿命的方程,以及基于所述N个预测机电装置寿命的方程,根据线性回归算法确定机电装置寿命预测基本模型中的影响因子ci和修正因子b,生成机电装置寿命预测成熟模型,其中,第j个预测机电装置寿命的方程的公式为:
式中,1≤j≤N;
第二采集单元,其用于采集机电装置运行过程中的n个指标的数据值,并将其输入机电装置寿命预测成熟模型;
结果输出单元,其用于所述机电装置寿命预测成熟模型根据输入的n个指标的数据值计算并输出机电装置寿命值。
5.根据权利要求4所述的系统,其特征在于,所述系统还包括指标确定单元,其用于根据机电装置的运行环境和运行中的状态,确定影响机电装置寿命的指标,所述指标包括温度、气压和装置振动。
6.根据权利要求4所述的系统,其特征在于,所述关系函数单元包括:
函数库单元,其用于建立基本函数库,其中,所述基本函数库包含的分布函数有威布尔分布函数、卡方分布函数、正态分布函数、泊松分布函数和二项分布函数;
数据采集单元,其用于采集针对第i个影响机电装置寿命的指标进行试验的数据;
函数确定单元,其用于根据寿命分布匹配算法将采集的数据与基本函数库进行比较,确定所述机电装置在且仅在第i个指标xi的影响下的寿命Yi,以及寿命Yi和影响寿命的指标xi的关系函数f(xi),其中,所述寿命分布匹配算法包括灰色关联度算法和极大似然估计算法,所述关系函数的公式为:
Yi=f(xi)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010072592.3A CN111310314B (zh) | 2020-01-21 | 2020-01-21 | 一种基于人工智能确定机电装置寿命的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010072592.3A CN111310314B (zh) | 2020-01-21 | 2020-01-21 | 一种基于人工智能确定机电装置寿命的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310314A CN111310314A (zh) | 2020-06-19 |
CN111310314B true CN111310314B (zh) | 2022-04-08 |
Family
ID=71148305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010072592.3A Active CN111310314B (zh) | 2020-01-21 | 2020-01-21 | 一种基于人工智能确定机电装置寿命的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310314B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052624A (zh) * | 2020-08-13 | 2020-12-08 | 五邑大学 | 一种基于大数据评估预测桥梁寿命的方法 |
BE1029357B1 (de) * | 2021-04-30 | 2022-12-05 | Phoenix Contact Gmbh & Co | Vorrichtung und Verfahren zum Erkennen einer Abnutzung einer elektromechanischen Einrichtung |
CN113255764A (zh) * | 2021-05-21 | 2021-08-13 | 池测(上海)数据科技有限公司 | 利用机器学习检测电化学储能系统故障的方法、系统和装置 |
CN113570160A (zh) * | 2021-08-27 | 2021-10-29 | 三一石油智能装备有限公司 | 一种混砂车砂泵的寿命预测方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106769032B (zh) * | 2016-11-28 | 2018-11-02 | 南京工业大学 | 一种回转支承使用寿命的预测方法 |
CN107464023B (zh) * | 2017-08-16 | 2020-04-17 | 新疆金风科技股份有限公司 | 生命周期预测模型的在线学习方法和设备 |
CN109977511A (zh) * | 2019-03-18 | 2019-07-05 | 四川轻化工大学 | 基于人工智能大数据预测塑料压力管道长期寿命的方法 |
-
2020
- 2020-01-21 CN CN202010072592.3A patent/CN111310314B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111310314A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310314B (zh) | 一种基于人工智能确定机电装置寿命的方法和系统 | |
Elsayed | Overview of reliability testing | |
KR102069032B1 (ko) | 확률론적 피로 균열 수명 추정을 위한 방법 및 시스템 | |
Liu et al. | Dynamic reliability assessment for nonrepairable multistate systems by aggregating multilevel imperfect inspection data | |
CN113125888B (zh) | 基于故障行为的航空机电产品加速寿命试验方法 | |
CN110414552B (zh) | 一种基于多源融合的备件可靠性贝叶斯评估方法及系统 | |
Collins et al. | Accelerated test methods for reliability prediction | |
US9612933B2 (en) | Method for deterministic stress based risk reduction | |
Metaxa et al. | A review of structural health monitoring methods for composite materials | |
CN117134503B (zh) | 一种大型电力供电装置的状态监测方法及系统 | |
Roemer et al. | Validation and verification of prognostic and health management technologies | |
RU2745968C1 (ru) | Способ контроля динамики параметрической безотказности технических систем | |
De Francesco et al. | Improving autonomic logistic analysis by including the production compliancy status as initial degradation state | |
Alozie et al. | An adaptive model-based framework for prognostics of gas path faults in aircraft gas turbine engines | |
CN114492074A (zh) | 一种概率损伤容限评估分析方法 | |
CN113792446A (zh) | 一种基于晶体塑性理论的蠕变疲劳剩余寿命评定方法 | |
CN112906237A (zh) | 一种发动机部件故障分析方法及系统 | |
Kozlenko et al. | Software implemented fault diagnosis of natural gas pumping unit based on feedforward neural network | |
CN111090037A (zh) | 一种仪控卡件的可靠性检测方法 | |
Louahem M'Sabah et al. | Simulation of Bearing Degradation by the Use of the Gamma Stochastic Process. | |
CN114254516B (zh) | 一种删失数据下的参数概率不确定性建模方法 | |
Schuh et al. | Methodology for Fatigue Life Durability Prediction Applied to Commercial Vehicles | |
Cathcart et al. | Probabilistic lifing methods for digital assets | |
Wohl | System Complexity, Diagnostic Behaviour, and Repair Time: A Predictive Theory | |
Zhang et al. | Informative sensor selection and health indicator construction for aircraft engines prognosis |
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 |