CN112069732B - 一种火炮可靠性鉴定试验的综合评估方法 - Google Patents
一种火炮可靠性鉴定试验的综合评估方法 Download PDFInfo
- Publication number
- CN112069732B CN112069732B CN202010916403.6A CN202010916403A CN112069732B CN 112069732 B CN112069732 B CN 112069732B CN 202010916403 A CN202010916403 A CN 202010916403A CN 112069732 B CN112069732 B CN 112069732B
- Authority
- CN
- China
- Prior art keywords
- data
- performance degradation
- reliability
- test
- extractor
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种火炮可靠性鉴定试验的综合评估方法,适用于可靠性测试领域。包括:通过实装试验获取故障寿命数据,得到故障寿命分布的可靠度函数;对挡弹板轴进行台架试验,获取挡弹板轴性能退化数据,建立挡弹板轴性能退化模型,外推样本得到失效阈值的失效寿命;对抽筒子进行仿真试验,获取抽筒子性能退化数据,建立抽筒子性能退化模型;所述挡弹板轴性能退化数据和抽筒子性能退化数据得到的性能退化模型与故障寿命分布通过贝叶斯理论进行数据融合,得到故障寿命分布的后验分布。本发明在现有火炮可靠性鉴定试验基础上,融合火炮的性能退化数据,对火炮进行可靠性的综合评估,提高火炮可靠性鉴定试验的准确性与可靠性。
Description
技术领域
本发明涉及装备可靠性测试领域,具体地说涉及一种火炮可靠性鉴定试验的综合评估方法。
背景技术
可靠性是装备在规定的时间内和规定的条件下完成规定功能的能力,是火炮的重要性能指标之一。火炮可靠性鉴定试验是为了验证军方提出的可靠性指标是否达到了设计要求,由军方用有代表性的火炮在设计定型阶段,在规定条件下所作的试验。因此,可靠性鉴定试验能够反映火炮可靠性的实际情况,提供验证可靠性的估计值,并作为火炮能否设计定型的重要依据。
现行的火炮可靠性鉴定试验参照GJB899A-2009《可靠性鉴定和验收试验》,其核心思想是:假设产品的故障寿命符合指数分布,然后制定统计试验方案,通过少量样本的故障寿命数据进行可靠性判定。以定时截尾试验为例,如图1所示:随机抽取n个样品组成一个样本,投入可靠性试验,试验到规定的累计时间T*时刻停止;检查故障数r,若r≤c,(c为允许故障数,由统计试验方案给出)则装备合格或接收装备,若r>c,则装备不合格或拒收装备。
现有的火炮可靠性鉴定试验属于典型的极小子样抽样试验,由于研制周期和经费的限制,投入试验的样本量非常有限(通常为2门火炮),不能完全反映装备可靠性的统计特性。现有的火炮可靠性鉴定试验分析对象是寿命信息,但是随着科技的进步,设计、制造技术以及使用材料的不断提高与改善,武器装备的可靠性越来越高,寿命越来越长,在相对短期内无法获取足够的失效数据,因此很难利用传统的可靠性理论对装备进行可靠性评估。
发明内容
本发明所要解决的技术问题是如何提供一种融合火炮性能数据与性能退化数据、提高可靠性的准确度的火炮可靠性鉴定试验的综合评估方法。
为解决上述技术问题,本发明所采取的技术方案是:
一种火炮可靠性鉴定试验的综合评估方法,包括:
通过实装试验获取故障寿命数据,得到故障寿命分布的可靠度函数;
对挡弹板轴进行台架试验,获取挡弹板轴性能退化数据,建立挡弹板轴性能退化模型,外推样本得到失效阈值的失效寿命;对抽筒子进行仿真试验,获取抽筒子性能退化数据,建立抽筒子性能退化模型;
所述挡弹板轴性能退化数据和抽筒子性能退化数据得到的性能退化模型与故障寿命分布通过贝叶斯理论进行数据融合,得到故障寿命分布的后验分布。
进一步的,采用标准幂先验构造方法将性能退化数据作为先验信息与故障寿命数据进行融合,用于控制历史数据对数据融合的影响。
进一步的,对挡弹板轴进行台架试验的步骤包括:
设计并建立炮闩系统试验台,进行可靠性试验,记录不同开关闩次数下的挡弹板轴的磨损量;通过增加质量块进行质量调整,通过调节节流阀开口面积控制推动速度;获得多个样本的挡弹板轴性能退化数据;
将每个样本的多数数据用于训练,其余数据作为检测集;
对每个样本分别进行训练,执行贝叶斯准则推断,获得挡弹板轴性能退化模型;
应用检测集对所述挡弹板轴性能退化模型进行检查;
依据挡弹板轴性能退化模型求出每个样本到达失效阈值的失效寿命;基于最小二乘法原理,得到威布尔参数点估计值,获得挡弹板轴的可靠度函数。
进一步的,对16个样本进行可靠性试验,每个样本获得16组挡弹板轴性能退化数据,每个样本的前13个数据用于训练,最后3个数据作为检验集。
进一步的,对抽筒子进行仿真试验的步骤包括
建立炮闩系统虚拟样机,进行内弹道计算,将得到的内弹道数据进行动力学仿真,获得抽筒子的载荷数据;
结合抽筒子的载荷数据和抽筒子材料的S-N曲线,基于Miner线性损伤累积准则进行损伤累积,计算疲劳寿命,获得多组样本的寿命结果;
基于最小二乘法原理,得到威布尔参数点估计值,获得抽筒子的可靠度函数。
采用上述技术方案所产生的有益效果在于:本发明在现有火炮可靠性鉴定试验基础上,融合火炮的性能退化数据,即结合“基于实装试验的火炮寿命数据”和“基于性能退化试验的台架试验、仿真试验的性能退化数据”对火炮进行可靠性的综合评估,提高火炮可靠性鉴定试验的准确性与可靠性。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是定时截尾试验的基本原理图;
图2是本发明的原理框图;
图3是本发明的实装试验故障寿命数据威布尔分布形状参数v的后验分布;
图4是本发明的一个实施例中抽筒子材料S-N曲线图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
本发明的步骤包括:
通过实装试验获取故障寿命数据,得到故障寿命分布的可靠度函数;
对挡弹板轴进行台架试验,获取挡弹板轴性能退化数据,建立挡弹板轴性能退化模型,外推样本得到失效阈值的失效寿命;对抽筒子进行仿真试验,获取抽筒子性能退化数据,建立抽筒子性能退化模型;
所述挡弹板轴性能退化数据和抽筒子性能退化数据得到的性能退化模型与故障寿命分布通过贝叶斯理论进行数据融合,得到故障寿命分布的后验分布。
本发明采用标准幂先验构造方法将性能退化数据作为先验信息与故障寿命数据进行融合,用于控制历史数据对数据融合的影响。
本发明中对挡弹板轴进行台架试验的步骤包括:
设计并建立炮闩系统试验台,进行可靠性试验,记录不同开关闩次数下的挡弹板轴的磨损量;通过增加质量块进行质量调整,通过调节节流阀开口面积控制推动速度;获得多个样本的挡弹板轴性能退化数据;
将每个样本的多数数据用于训练,其余数据作为检测集;
对每个样本分别进行训练,执行贝叶斯准则推断,获得挡弹板轴性能退化模型;
应用检测集对所述挡弹板轴性能退化模型进行检查;
依据挡弹板轴性能退化模型求出每个样本到达失效阈值的失效寿命;基于最小二乘法原理,得到威布尔参数点估计值,获得挡弹板轴的可靠度函数。
本发明中对抽筒子进行仿真试验的步骤包括:
建立炮闩系统虚拟样机,进行内弹道计算,将得到的内弹道数据进行动力学仿真,获得抽筒子的载荷数据;
结合抽筒子的载荷数据和抽筒子材料的S-N曲线,基于Miner线性损伤累积准则进行损伤累积,计算疲劳寿命,获得多组样本的寿命结果;
基于最小二乘法原理,得到威布尔参数点估计值,获得抽筒子的可靠度函数。
在本发明的一个实施例中,以某型火炮装备为例:
针对某型火炮开展实装试验,得到故障统计表如表1所示。
表1实装试验故障统计表
对表1的统计数据进行处理,设序号为i的故障现象发生故障的射弹发数为Ci,则故障间隔射弹发数为ci=Ci+1-Ci,得到火炮的故障寿命数据如表2所示。
表2实装试验故障数据表
序号 | C<sub>i</sub> | c<sub>i</sub> |
1 | 253 | |
2 | 378 | 125 |
3 | 525 | 147 |
4 | 573 | 48 |
5 | 595 | 22 |
6 | 737 | 142 |
对表2的故障间隔射弹发数ci通过MATLAB软件进行两参数威布尔分布拟合,基于最小二乘法原理,得到其威布尔参数点估计值。最小二乘法威布尔分布参数估计流程如下:
威布尔分布的累计分布函数为:
对上式两边分别求两次对数得到:
yi=axi+b (3)
式(1)-(4)组成一个二元函数,求得其极值点。
通过MATLAB求解得到该火炮的威布尔分布参数估计值为:m=1.2,η=95,
以炮闩系统为研究对象,设计和制造炮闩系统试验台。以挡弹板轴为研究对象进行台架试验,记录不同开关闩次数下的挡弹板轴的磨损量。装备的失效阈值为3.5mm。台架试验通过增加质量块来进行质量调整,调节节流阀开口面积来控制推动速度,通过计数器计算开关闩次数。获得的16个样本的性能退化数据如表3所示。
表3挡弹板轴磨损量数据
设输入变量为测量的磨损量,输出变量为测量的开关闩次数,将每个样本的前13个数据用于训练,最后3个数据作为检验集。
对每个样本分别进行训练,执行贝叶斯准则推断,获得挡弹板轴性能退化模型。
应用检测集对所建参数模型进行检查。
根据挡弹板轴性能退化模型,求出每个样本到达失效阈值的时间,即失效寿命,其结果如表4所示。
表4挡弹板轴失效寿命阈值
基于最小二乘法原理,得到其威布尔参数点估计值为:m=5.4,η=2700。
基于Adams软件,从三维实体建模、多体动力学模型出发建立炮闩系统虚拟样机。以材料为45CrNiMoVA的抽筒子为仿真研究对象进行内弹道计算,将得到的内弹道数据进行动力学仿真,获得抽筒子的载荷数据。将抽筒子载荷数据结合如图4所示的抽筒子材料的S-N曲线,由仿真软件基于Miner线性损伤累积准则进行损伤累积,计算其疲劳寿命,获得100组样本的寿命结果,部分数据如表5所示。
表5抽筒子失效寿命
抽筒子性能退化模型
基于最小二乘法原理,得到其威布尔参数点估计值为:m=5.1,η=22512。
本发明采用标准幂先验构造方法将性能退化数据作为先验信息与实装试验的故障寿命信息进行融合。信息更新具有序贯特性,因此,在靶场试验鉴定中采用具有参数信息先验的贝叶斯方法来融合历史数据和当前数据。传统方法应用历史数据来构造信息先验,并将其与似然函数结合得到统计推断的后验分布。由于给定的两种数据集的权值相同,这就意味着将当前数据与历史数据进行简单融合。在假定当前数据与历史数据服从同一分布时,这种方法可以给出良好的证明。然而,尽管通常假设当前数据与历史数据服从同一分布族,其分布参数也可能随时间和不同的试验设置而发生变化。如果历史数据的样本量远大于现场试验数据的样本量,且两种数据集存在分布不均匀性,历史信息就会主导分析与评估的结果,使数据融合得到错误的结论。为了解决这一问题,本发明采用幂指数δ(0≤δ≤1)来控制历史数据的影响。
定义当前数据为D=(n,y,X),其中,n为样本量,y表示n×1的响应向量,X表示n×p的协变量矩阵。给定当前数据的条件下,兴趣参数θ的似然函数为L(θ|D)。假设相似研究的历史数据记为D0=(n0,y0,X0),π0(θ|·)表示获得历史数据D0之前的θ的先验分布,也称为θ的初始先验(initialprior)。假设在给定的θ下,历史数据D0和当前数据D为独立的随机样本。则在给定幂指数δ时,用于当前研究的θ的幂先验定义为:
π(θ|D0,δ)∝(L(θ|D0))δπ0(θ|c0)
其中,L(θ|D0)为基于历史数据D0得到的似然函数,c0为指定的初始先验超参数。参数δ度量了在数据融合中所需要的历史信息权值,δ=0表示不需要任何历史信息,而δ=1说明历史数据的似然函数L(θ|D0)和当前研究的似然函数L(θ|D)有相等的权值,对历史数据完全融合。因此,幂先验定义式可视为常用的先验分布贝叶斯更新的一种泛化形式。
性能退化数据得到的验前分布与故障寿命分布利用贝叶斯理论进行融合,得到故障寿命分布的后验分布。在本发明的一个实施例中,贝叶斯统计分析软件采用OpenBUGS,利用马尔科夫蒙特卡洛(MCMC)方法对复杂统计模型进行贝叶斯推断,由Pascal语言编写并且开放源代码。OpenBUGS软件可以在Windows、Unix、Linux操作系统下使用,也可以通过R软件的程序包(如R2OpenBUGS)调用来实现贝叶斯统计分析。
采用OpenBUGS软件构建贝叶斯模型时,其操作步骤包括:
步骤1:模型的构建与数据的输入
在文件窗口中编写模型程序,完成数据的输入并赋予初始值,File菜单中选择“SaveAS”将编写好的程序保存到文档中(后缀名为.odc)。
步骤2:模型的定义
选择菜单Model\Specification,光标移动到模型框架内或者选中“model”,单击对话框中的“checkmodel”按钮,若无语法错误,窗口底部将显示“modelis syntacticallycorrect”,然后依次进行加载数据(load data)、给定模拟链数、编译程序(compile)、加载初始值(load inits)或者由系统自动产生初始值(geninits),窗口底部将显示“model isinitialized”。
步骤3:考察参数的选定
选择菜单Inference/Samples,在Sample Monitor Tool对话框中的node处输入需要考察的参数,每输入一个参数名均单击set,在node中输入“*”即指定所有需考察的未知参数,trace、history等按钮点击后不能打开相应的窗口,需在迭代更新后打开。
步骤4:迭代运算
选择菜单Model/Update,在updates中输入MCMC预迭代次数,单击update按钮开始模拟运算,若要中途停止更新,再次单击update按钮即可。
步骤5:收敛性诊断
点击Sample Monitor Tool对话框中history按钮观察迭代历史图,trace按钮给出Gibbs动态抽样踪迹图,如果迭代历史图和踪迹图趋于稳定,说明收敛性较好,不收敛则重复步骤4,增加迭代次数,若迭代很多次后仍不收敛,则需考虑对模型进行相应的修改。
步骤6:后验分析
在beg中输入丢弃初始迭代结果的次数,减少初始值的影响,单击Sample MonitorTool对话框中stats按钮输出后验参数的描述性统计量,包括均数、中位数、标准差、MC误差等。coda按钮可将模拟结果保存到外部文件,用于R等软件进一步分析和做图。
根据两参数Weibull分布及其特性,如果随机变量t的分布服从两参数Weibull分布,则该变量的概率密度函数为:
式中:m为形状参数;σ0为尺度参数。
Weibull分布的期望(即平均失效前时间MTTF)和方差分别为:
OpenBUGS中给出的Weibull分布函数为
f(t)=vλtv-1exp(-λtv);t>0 (9)
显然与对Weibull分布的失效密度函数描述形式不一致。因此需对参数进行转换。根据参数的对应关系,显然有
利用openbugs软件实现Weibull可靠性寿命分析的估计和分析。在R软件中,调用R2OpenBUGS进行求解,得到如下结果:
Current:3chains,each with 10000iterations(first 5000discarded)
Cumulative:n.sims=15000iterations saved
如图3所示为实装试验故障寿命数据Weibull分布形状参数v的后验分布。则数据融合之后的实装试验火炮的威布尔分布参数估计值为:m=1.8。
Claims (1)
1.一种火炮可靠性鉴定试验的综合评估方法,其特征在于:包括:
通过实装试验获取故障寿命数据,得到故障寿命分布的可靠度函数;
对挡弹板轴进行台架试验,获取挡弹板轴性能退化数据,建立挡弹板轴性能退化模型,外推样本得到失效阈值的失效寿命;对抽筒子进行仿真试验,获取抽筒子性能退化数据,建立抽筒子性能退化模型;
所述挡弹板轴性能退化数据和抽筒子性能退化数据得到的性能退化模型与故障寿命分布通过贝叶斯理论进行数据融合,得到故障寿命分布的后验分布;
采用标准幂先验构造方法将性能退化数据作为先验信息与故障寿命数据进行融合,用于控制历史数据对数据融合的影响;
对挡弹板轴进行台架试验的步骤包括:
设计并建立炮闩系统试验台,进行可靠性试验,记录不同开关闩次数下的挡弹板轴的磨损量;通过增加质量块进行质量调整,通过调节节流阀开口面积控制推动速度;获得多个样本的挡弹板轴性能退化数据;
将每个样本的多数数据用于训练,其余数据作为检测集;
对每个样本分别进行训练,执行贝叶斯准则推断,获得挡弹板轴性能退化模型;
应用检测集对所述挡弹板轴性能退化模型进行检查;
依据挡弹板轴性能退化模型求出每个样本到达失效阈值的失效寿命;基于最小二乘法原理,得到威布尔参数点估计值,获得挡弹板轴的可靠度函数;对16个样本进行可靠性试验,每个样本获得16组挡弹板轴性能退化数据,每个样本的前13个数据用于训练,最后3个数据作为检验集;
对抽筒子进行仿真试验的步骤包括:
建立炮闩系统虚拟样机,进行内弹道计算,将得到的内弹道数据进行动力学仿真,获得抽筒子的载荷数据;
结合抽筒子的载荷数据和抽筒子材料的S-N曲线,基于Miner线性损伤累积准则进行损伤累积,计算疲劳寿命,获得多组样本的寿命结果;
基于最小二乘法原理,得到威布尔参数点估计值,获得抽筒子的可靠度函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010916403.6A CN112069732B (zh) | 2020-09-03 | 2020-09-03 | 一种火炮可靠性鉴定试验的综合评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010916403.6A CN112069732B (zh) | 2020-09-03 | 2020-09-03 | 一种火炮可靠性鉴定试验的综合评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069732A CN112069732A (zh) | 2020-12-11 |
CN112069732B true CN112069732B (zh) | 2022-05-10 |
Family
ID=73665455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010916403.6A Active CN112069732B (zh) | 2020-09-03 | 2020-09-03 | 一种火炮可靠性鉴定试验的综合评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069732B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733088B (zh) * | 2021-03-30 | 2021-06-18 | 中国人民解放军国防科技大学 | 基于专家信息的威布尔型产品可靠性验收方案设计方法 |
CN114295371B (zh) * | 2021-11-23 | 2023-09-19 | 中国北方车辆研究所 | 一种液力机械综合传动装置直驶效率性能综合评估方法 |
CN115371490A (zh) * | 2022-08-24 | 2022-11-22 | 中国人民解放军陆军工程大学 | 自行火炮通用综合电子信息系统数据采集设备 |
CN115563887A (zh) * | 2022-12-02 | 2023-01-03 | 中国人民解放军海军工程大学 | 基于多源信息融合的弹药可靠性评估方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710368A (zh) * | 2009-12-21 | 2010-05-19 | 北京航空航天大学 | 基于多源退化数据的贝叶斯可靠性综合评估方法 |
CN102779208A (zh) * | 2012-06-19 | 2012-11-14 | 北京航空航天大学 | 基于相对熵的序贯加速退化试验优化设计方法 |
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 |
CN103969067A (zh) * | 2014-04-01 | 2014-08-06 | 中北大学 | 一种基于广义形态学的自动装填系统故障诊断方法 |
CN104463331A (zh) * | 2014-12-29 | 2015-03-25 | 北京航空航天大学 | 基于模糊理论的加速退化试验建模方法 |
CN107766628A (zh) * | 2017-09-29 | 2018-03-06 | 北京航空航天大学 | 一种基于寿命信息融合的动态退化可靠性评估方法 |
CN109522650A (zh) * | 2018-11-16 | 2019-03-26 | 吉林大学 | 一种无突发失效信息下电主轴寿命评估方法 |
CN111089512A (zh) * | 2019-12-11 | 2020-05-01 | 南京理工大学 | 一种供输弹系统的内外状态同步监测与故障诊断方法 |
-
2020
- 2020-09-03 CN CN202010916403.6A patent/CN112069732B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710368A (zh) * | 2009-12-21 | 2010-05-19 | 北京航空航天大学 | 基于多源退化数据的贝叶斯可靠性综合评估方法 |
CN102779208A (zh) * | 2012-06-19 | 2012-11-14 | 北京航空航天大学 | 基于相对熵的序贯加速退化试验优化设计方法 |
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 |
CN103969067A (zh) * | 2014-04-01 | 2014-08-06 | 中北大学 | 一种基于广义形态学的自动装填系统故障诊断方法 |
CN104463331A (zh) * | 2014-12-29 | 2015-03-25 | 北京航空航天大学 | 基于模糊理论的加速退化试验建模方法 |
CN107766628A (zh) * | 2017-09-29 | 2018-03-06 | 北京航空航天大学 | 一种基于寿命信息融合的动态退化可靠性评估方法 |
CN109522650A (zh) * | 2018-11-16 | 2019-03-26 | 吉林大学 | 一种无突发失效信息下电主轴寿命评估方法 |
CN111089512A (zh) * | 2019-12-11 | 2020-05-01 | 南京理工大学 | 一种供输弹系统的内外状态同步监测与故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
《CEL算法在土壤大变形仿真中的应用》;何健等;《计算机仿真》;20190131;全文 * |
《Influence of Breechblock operating force on work of shock test bed for gun breechblock system》;Yang Yanfeng等;《AER-Advances in Engineering Research》;20151231;全文 * |
《一种基于技术状态变更的可靠性综合评估方法》;鞠成玉等;《火力与指挥控制》;20190430;第44卷(第4期);全文 * |
《火炮火控系统软件可靠性定量评估方法研究》;韩伟杰等;《研究与开发》;20081231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112069732A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069732B (zh) | 一种火炮可靠性鉴定试验的综合评估方法 | |
CN109991542B (zh) | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 | |
CN113361197B (zh) | 一种锂电池剩余使用寿命预测方法及系统 | |
CN107730127B (zh) | 基于输出特性初始分布的继电器贮存退化数据预测方法 | |
CN115308558B (zh) | Cmos器件寿命预测方法、装置、电子设备及介质 | |
CN111832221A (zh) | 基于特征筛选的锂电池寿命预测方法 | |
CN116703464A (zh) | 电动汽车充电需求建模方法、装置、电子设备及存储介质 | |
CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
CN112580228A (zh) | 一种涡扇发动机混合结构风扇叶片结构设计优化方法 | |
CN113094981A (zh) | 基于灰色神经网络模型和自助方法的锂离子电池可靠性评估方法 | |
CN115114843A (zh) | 一种电池容量的预测方法、相关装置、设备以及存储介质 | |
CN113761755A (zh) | 考虑认知不确定性的温湿度双应力下的加速寿命分析方法 | |
CN117330963A (zh) | 储能电站故障检测方法、系统及设备 | |
CN113837432A (zh) | 一种物理-数据联合驱动的电力系统频率预测方法 | |
CN116736171A (zh) | 一种基于数据驱动的锂离子电池健康状态估算方法 | |
Gal et al. | Using deep neural networks and derivative free optimization to accelerate coverage closure | |
CN112068519A (zh) | 一种产品装配过程的质量管控方法和装置 | |
CN111563576A (zh) | 一种基于蝙蝠探测-极限学习机的锂电池容量估计方法 | |
CN116029183A (zh) | 一种基于iPSO-LSTM模型的动力电池温度预测方法 | |
CN113361025B (zh) | 一种基于机器学习的蠕变疲劳概率损伤评定方法 | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN115219902A (zh) | 一种动力电池寿命快速测试方法及系统 | |
CN113610266B (zh) | 汽车零件的故障预测方法、装置、计算机设备和存储介质 | |
CN114896865A (zh) | 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法 | |
CN112365022A (zh) | 一种基于多阶段的发动机轴承故障预测方法 |
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 |