CN112131722A - 一种基于服役环境及任务时间的舰载机备件预测方法 - Google Patents

一种基于服役环境及任务时间的舰载机备件预测方法 Download PDF

Info

Publication number
CN112131722A
CN112131722A CN202010929947.6A CN202010929947A CN112131722A CN 112131722 A CN112131722 A CN 112131722A CN 202010929947 A CN202010929947 A CN 202010929947A CN 112131722 A CN112131722 A CN 112131722A
Authority
CN
China
Prior art keywords
environment
task
formula
calculating
spare part
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
Application number
CN202010929947.6A
Other languages
English (en)
Other versions
CN112131722B (zh
Inventor
李军亮
陈跃良
张勇
樊伟杰
王前程
张柱柱
王安东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Campus of Naval Aviation University of PLA
Original Assignee
Qingdao Campus of Naval Aviation University of PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Campus of Naval Aviation University of PLA filed Critical Qingdao Campus of Naval Aviation University of PLA
Priority to CN202010929947.6A priority Critical patent/CN112131722B/zh
Publication of CN112131722A publication Critical patent/CN112131722A/zh
Application granted granted Critical
Publication of CN112131722B publication Critical patent/CN112131722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • G06F2119/12—Timing analysis or timing optimisation
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于服役环境及任务时间的舰载机备件预测方法，包括构建综合环境因子模型、构建不同环境剖面下的系统故障率模型、采集不同环境剖面下的环境数据、计算系统在任务周期内的期望故障次数、计算系统期望备件数量。本发明针对舰载机驻舰环境具有高温、高盐、高湿和富含二氧化硫等酸性尾气的特征，通过构建相对湿度环境因子模型、温度环境因子模型、酸性气体环境因子模型，更为精确地反映出不同环境条件下舰载机部件的故障率和可靠性水平，准确预测任务期内的备件携行数量，提高装备完好率，提高装备保障效能。

Description

一种基于服役环境及任务时间的舰载机备件预测方法
技术领域
本发明涉及可靠性工程领域和装备综合保障技术领域，尤其涉及一种基于服役环境及任务时间的舰载机备件预测方法。
背景技术
舰载机服役环境恶劣，机载产品在服役过程中系统受到温度、湿度、酸性盐雾等环境应力的作用后易发生腐蚀、短路、老化等故障的现象，直接抬高了机载产品的故障率，也成为影响舰载机完好的主要因素，尤其是在舰载直升机需要长时间出海执行任务，任务周期较长，且任务环境可能与本场环境或者驻地环境差异比较大时，例如，舰载直升机在索马里海域执行任务时的故障率要远远高于在本场驻训时的故障率。因此，在系统发生故障之后或者之前要对其进行修复性维修或者预防性维修。但是，由于舰船空间有限，无法携行大量备件，因此，为了满足装备维修性和可靠性要求，必须精确预测所需携行备件，从而保障装备的完好性，提高装备效能。
目前，舰载机备件的携行数量主要是根据本场保障经验和或者任务区域的保障经验制定，其本质上都是假设系统的故障率是恒定的，而没有深入分析环境对系统可靠性的影响，缺乏科学性，如果任务区域发生变化则无法准确完成备件的预测工作。因此，科学分析不同任务环境下的故障行为，根据任务区域的环境特征和任务持续时间预测备件携行数量，对提高舰载机装备效能具有极为重要的意义。
发明内容
本发明的目的是提供一种基于服役环境及任务时间的舰载机备件预测方法，能够准确预测任务期内的备件携行数量，提高装备完好率，提高装备保障效能。
本发明采用的技术方案为：
一种基于服役环境及任务时间的舰载机备件预测方法，包括以下步骤：
S1、综合环境因子模型构建；具体构建过程如下：
s1.1：构建湿度环境因子模型，计算相对湿度的加速因子AF(RH)；
s1.2：构建温度环境因子模型，计算温度的加速因子AF(T)；
s1.3：构建酸性气体环境因子模型，计算酸性气体的加速因子AF(S)；
s1.4：综合三种环境因子折算模型并构建综合环境因子模型；
其中，综合环境因子AF(RH，T，S)的计算公式为：
AF(RH，T，S)＝AF(RH)·AF(T)·AF(S) (1)；
S2、确定系统备件在参考环境剖面下或基准环境剖面下的故障率；
S3、构建系统备件在不同环境剖面下的故障率模型；
其中，不同环境剖面下故障率的计算公式如下；
λj,k,i(t)＝AF(RH,T,S)λj,k,0(t) (2)
公式(2)中，λj,k,0(t)为第j个系统第k种备件在参考环境剖面或者基准环境剖面下的系统故障率，λj,k,i(t)为第j个系统第k种备件在第i种环境剖面下的系统故障率；
S4、采集系统在任务环境剖面下的环境数据及任务持续时间；
环境数据包括剖面i的温度Ti、剖面i的相对湿度RHi、剖面i的二氧化硫浓度
Figure RE-GDA0002761107120000022
及任务持续时间Tsi；
S5、将步骤S4所采集环境数据输入对应系统故障率模型，获取不同环境剖面下的期望故障次数；计算公式如下：
Figure RE-GDA0002761107120000021
公式(3)中，Nj,k为第j种系统的第k种备件在任务周期内的期望故障次数，λj,k,i第j种系统第k种备件在第i种剖面下的故障率，Ts为任务持续总时间，n为不同的环境剖面的数量，满足Ts＝Ts1+…+Tsn；
S6、根据期望故障次数计算单系统备件的携行数量；
S7、统计系统结构备件数量，计算舰载机需要携行的备件总数Mall；具体包括：
s7.1：计算第j种系统第k种备件的期望数量Mj,k；计算公式如下：
Mj，k＝mj,k·Nj,k (4)
公式(4)中，mj,k为第j个系统中第k种备件的数量；
s7.2：计算舰载机需要携行的第k种备件的总数量Mk；计算公式为：
Figure RE-GDA0002761107120000031
公式(5)中，1≤j≤M，M为舰载机包含的系统数量；
s7.3：计算舰载机中需要携行的所有备件数量Mall；计算公式为：
Figure RE-GDA0002761107120000032
公式(6)中，K＝max{k1,…,kM}，kj为第j个系统中的备件种类数量。
进一步地，步骤s1.1中相对湿度的加速因子AF(RH)的计算公式为：
Figure RE-GDA0002761107120000033
公式(7)中，AF(RH)为相对湿度的加速因子，RH0为参考相对湿度值，RH为任务环境相对湿度值，A为常数。
进一步地，步骤s1.2中温度的加速因子AF(T)的计算公式为：
Figure RE-GDA0002761107120000034
公式(8)中，AF(T)为温度的加速因子，T0为参考温度，T任务环境温度，B为常数； B＝Ea/K，Ea为产品的激活能，K为产品玻尔茨曼常数。
进一步地，步骤s1.3中酸性气体的加速因子AF(S)的计算公式为：
Figure RE-GDA0002761107120000035
公式(9)中，AF(S)为酸性气体的加速因子，r(S)为腐蚀速率，r(S)＝(1+D·S)E,S为环境
Figure RE-GDA0002761107120000036
的浓度且单位为ug/m3，S0为基准环境剖面的
Figure RE-GDA0002761107120000037
浓度，E和D为常数。
本发明具有以下有益效果：
针对舰载机驻舰环境具有高温、高盐、高湿和富含二氧化硫尾气的特征，通过构建相对湿度环境因子模型、温度环境因子模型、酸性气体环境因子模型，更为精确地综合反映出不同环境条件下舰载机部件的故障率和可靠性水平，准确预测任务期内的备件携行数量，提高装备完好率，提高装备保障效能。
附图说明
图1为本发明一种基于服役环境及任务时间的舰载机备件预测方法的流程图。
具体实施方式
为了更好地理解本发明，下面结合具体实施例对本发明的技术方案做进一步说明。
如图1所示，本发明包括以下步骤：
S1、综合环境因子模型构建。综合环境因子模型的构建基于温度、相对湿度、舰船燃烧的酸性气体等因子建立。
s1.1：构建相对湿度环境因子模型，计算相对湿度的加速因子AF(RH)。
相对湿度的加速因子AF(RH)计算公式如下：
Figure RE-GDA0002761107120000041
公式(1)中，AF(RH)为相对湿度的加速因子，RH0为参考湿度值，RH为任务环境相对湿度值，A为常数，A可由试验测试获取。
s1.2：构建温度环境因子模型，计算温度的加速因子AF(T)。
温度的加速因子AF(T)计算公式如下：
Figure RE-GDA0002761107120000042
公式(2)中，AF(T)为温度的加速因子，T0为参考温度，T为任务环境温度，B为常数；B＝Ea/K，Ea为产品的激活能，K为产品玻尔茨曼常数。
s1.3：构建酸性气体环境因子模型，计算酸性气体的加速因子AF(S)。
酸性气体的加速因子AF(S)计算公式如下：
Figure RE-GDA0002761107120000043
公式(3)中，AF(S)为酸性气体的加速因子，r(S)为腐蚀速率，r(S)＝(1+D·S)E, S为
Figure RE-GDA0002761107120000044
的浓度且单位为ug/m3，S0为基准的
Figure RE-GDA0002761107120000045
浓度，E和D为常数。
s1.4：综合三种环境因子折算模型并构建综合环境因子模型。
具体计算公式为：
AF(RH,T,S)＝AF(RH)·AF(T)·AF(S) (4)；
即
Figure RE-GDA0002761107120000051
S2、确定系统备件在参考环境剖面下或基准环境剖面下的故障率；
S3、构建系统备件在不同环境剖面下的故障率模型；
不同环境剖面下故障率的计算公式如下：
λj,k,i(t)＝AF(RH,T,S)λj,k,0(t) (6)
公式(6)中，λj,k,0(t)为第j个系统第k种备件在参考环境剖面或者基准环境剖面下的系统故障率，λj,k,i(t)为第j个系统第k种备件在第i种环境剖面下的系统故障率。
S4、采集单系统在任务环境剖面下的环境数据及任务持续时间。
环境数据包括剖面i的温度Ti、剖面i的相对湿度RHi、剖面i的二氧化硫浓度
Figure RE-GDA0002761107120000052
剖面i的任务持续时间为Tsi。
S5、将步骤S4所采集环境数据输入对应系统故障率模型，获取不同环境剖面下的期望故障次数。
计算公式如下：
Figure RE-GDA0002761107120000053
公式(3)中，Nj,k为第j种系统的第k种备件在任务周期内的期望故障次数，λj,k,i第j种系统第k种备件在第i种剖面下的故障率，Ts为任务持续总时间，n为不同的环境剖面的数量，满足Ts＝Ts1+…+Tsn。
S6、根据期望故障次数计算单系统备件的携行数量。
S7、统计系统结构备件数量，计算舰载机需要携行的备件总数Mall。
具体包括：
s7.1：计算第j种系统第k种备件的期望数量Mj,k；计算公式如下：
Mj，k＝mj,k·Nj,k (8)
公式(4)中，mj,k为第j个系统中第k种备件的数量；
s7.2：计算舰载机需要携行的第k种备件的总数量Mk；计算公式为：
Figure RE-GDA0002761107120000061
公式(5)中，1≤j≤M，M为舰载机包含的系统数量；
s7.3：计算舰载机中需要携行的所有备件数量Mall；计算公式为：
Figure RE-GDA0002761107120000062
公式(6)中，K＝max{k1,…,kM}，kj为第j个系统中的备件种类数量。
本发明针对舰载机驻舰环境具有高温、高盐、高湿和富含二氧化硫尾气的特征，通过构建相对湿度环境因子模型、温度环境因子模型、酸性气体环境因子模型，更为精确地综合反映出不同环境条件下舰载机部件的故障率和可靠性水平，准确预测任务期内的备件携行数量，提高装备完好率，提高装备保障效能。

Claims (4)

1.一种基于服役环境及任务时间的舰载机备件预测方法，其特征在于：包括以下步骤：
S1、综合环境因子模型构建；具体构建过程如下：
s1.1：构建湿度环境因子模型，计算相对湿度的加速因子AF(RH)；
s1.2：构建温度环境因子模型，计算温度的加速因子AF(T)；
s1.3：构建酸性气体环境因子模型，计算酸性气体的加速因子AF(S)；
s1.4：基于三种环境因子构建综合环境因子模型；
其中，综合环境因子模型AF(RH，T，S)的计算公式为：
AF(RH，T，S)＝AF(RH)·AF(T)·AF(S) (1)；
S2、确定系统备件在参考环境剖面下或基准环境剖面下的故障率；
S3、构建系统备件在不同环境剖面下的故障率模型；
其中，不同环境剖面下备件故障率的计算公式如下；
λj,k,i(t)＝AF(RH,T,S)λj,k,0(t) (2)
公式(2)中，λj,k,0(t)为第j个系统第k种备件在参考环境剖面或者基准环境剖面下的故障率，λj,k,i(t)为第j个系统第k种备件在第i种环境剖面下的故障率；
S4、采集系统在任务环境剖面下的环境数据及任务持续时间；
环境数据包括剖面i的温度Ti、剖面i的相对湿度RHi、剖面i的二氧化硫浓度
Figure FDA0002669850700000012
及任务持续时间Tsi；
S5、将步骤S4所采集环境数据输入对应系统故障率模型，获取不同环境剖面下的期望故障次数；计算公式如下：
Figure FDA0002669850700000011
公式(3)中，Nj,k为第j种系统的第k种备件在任务周期内的期望故障次数，λj,k,i第j种系统第k种备件在第i种剖面下的故障率，Ts为任务持续总时间，n为不同的环境剖面的数量，满足Ts＝Ts1+…+Tsn；
S6、根据期望故障次数计算单系统备件的携行数量；
S7、统计系统结构备件数量，计算舰载机需要携行的备件总数Mall；具体包括：
s7.1：计算第j种系统第k种备件的期望数量Mj,k；计算公式如下：
Mj，k＝mj,k·Nj,k (4)
公式(4)中，mj,k为第j个系统中第k种备件的数量；
s7.2：计算舰载机需要携行的第k种备件的总数量Mk；计算公式为：
Figure FDA0002669850700000021
公式(5)中，1≤j≤M，M为舰载机包含的系统数量；
s7.3：计算舰载机中需要携行的所有备件数量Mall；计算公式为：
Figure FDA0002669850700000022
公式(6)中，K＝max{k1,…,kM}，kj为第j个系统中的备件种类数量。
2.根据权利要求1所述的基于服役环境及任务时间的舰载机备件预测方法，其特征在于：步骤s1.1中相对湿度的加速因子AF(RH)的计算公式为：
Figure FDA0002669850700000023
公式(7)中，AF(RH)为相对湿度的加速因子，RH0为参考相对湿度值，RH为任务环境相对湿度值，A为常数。
3.根据权利要求1所述的基于服役环境及任务时间的舰载机备件预测方法，其特征在于：步骤s1.2中温度的加速因子AF(T)的计算公式为：
Figure FDA0002669850700000024
公式(8)中，AF(T)为温度的加速因子，T0为参考温度，T任务环境温度，B为常数；B＝Ea/K，Ea为产品的激活能，K为产品玻尔茨曼常数。
4.根据权利要求1所述的基于服役环境及任务时间的舰载机备件预测方法，其特征在于：步骤s1.3中酸性气体的加速因子AF(S)的计算公式为：
Figure FDA0002669850700000031
公式(9)中，AF(S)为酸性气体的加速因子，r(S)为腐蚀速率，r(S)＝(1+D·S)E,S为环境
Figure FDA0002669850700000033
的浓度且单位为ug/m3，S0为基准环境剖面的
Figure FDA0002669850700000032
浓度，E和D为常数。
CN202010929947.6A 2020-09-07 2020-09-07 一种基于服役环境及任务时间的舰载机备件预测方法 Active CN112131722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010929947.6A CN112131722B (zh) 2020-09-07 2020-09-07 一种基于服役环境及任务时间的舰载机备件预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010929947.6A CN112131722B (zh) 2020-09-07 2020-09-07 一种基于服役环境及任务时间的舰载机备件预测方法

Publications (2)

Publication Number Publication Date
CN112131722A true CN112131722A (zh) 2020-12-25
CN112131722B CN112131722B (zh) 2022-07-05

Family

ID=73847318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010929947.6A Active CN112131722B (zh) 2020-09-07 2020-09-07 一种基于服役环境及任务时间的舰载机备件预测方法

Country Status (1)

Country Link
CN (1) CN112131722B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113607413A (zh) * 2021-08-26 2021-11-05 上海航数智能科技有限公司 一种基于可控温湿度的轴承部件故障监测预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150039244A1 (en) * 2013-07-31 2015-02-05 Bqr Reliability Engineering Ltd. Failure Rate Estimation From Multiple Failure Mechanisms
CN108182311A (zh) * 2017-12-25 2018-06-19 北京航天晨信科技有限责任公司 一种基于加速寿命试验的指挥通信设备可靠性评估方法
CN109187062A (zh) * 2018-08-22 2019-01-11 北京强度环境研究所 一种舰载设备值班寿命剖面制定方法
CN111239535A (zh) * 2020-03-23 2020-06-05 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 一种舰艇电子产品装载可靠性加速试验方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150039244A1 (en) * 2013-07-31 2015-02-05 Bqr Reliability Engineering Ltd. Failure Rate Estimation From Multiple Failure Mechanisms
CN108182311A (zh) * 2017-12-25 2018-06-19 北京航天晨信科技有限责任公司 一种基于加速寿命试验的指挥通信设备可靠性评估方法
CN109187062A (zh) * 2018-08-22 2019-01-11 北京强度环境研究所 一种舰载设备值班寿命剖面制定方法
CN111239535A (zh) * 2020-03-23 2020-06-05 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 一种舰艇电子产品装载可靠性加速试验方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHOU LIANG等: "Spare parts support model with different repair time distribution", 《2ND INTERNATIONAL CONFERENCE ON ADVANCES IN MECHANICAL ENGINEERING AND INDUSTRIAL INFORMATICS》 *
孙硕: "面向预防性维修的备件需求预测与库存优化方法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *
曹渝昆: "结合模糊神经网络和粒子群优化的复杂装备关键备件用量预测", 《计算机应用与软件》 *
王梓行等: "舰载机间断型备件的需求预测方法", 《兵工自动化》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113607413A (zh) * 2021-08-26 2021-11-05 上海航数智能科技有限公司 一种基于可控温湿度的轴承部件故障监测预测方法

Also Published As

Publication number Publication date
CN112131722B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN103310051B (zh) 一种全寿命周期内的车载信息终端故障率预测方法
EP3413272A1 (en) Platform health monitoring apparatus and method
Tang et al. Filtering and prediction techniques for model-based prognosis and uncertainty management
CN112800616A (zh) 基于比例加速退化建模的设备剩余寿命自适应预测方法
Mathew et al. Regression kernel for prognostics with support vector machines
US20240012407A1 (en) Condition-Based Method for Malfunction Prediction
CN112131722B (zh) 一种基于服役环境及任务时间的舰载机备件预测方法
CN115796059B (zh) 一种基于深度学习的电气设备寿命预测方法及系统
CN109359803B (zh) 一种可靠性评估方法和装置
CN110096820B (zh) 单元寿命服从威布尔分布时k/n(G)系统的剩余寿命预测方法
EP3923213A1 (en) Method and computing system for performing a prognostic health analysis for an asset
CN110503240B (zh) 一种船舶维修资源需求预测方法及装置
CN112858644A (zh) 混凝土碳化深度预测方法及预测系统
CN114580118B (zh) 一种离子推力器寿命及可靠性定量评估方法
CN109190279B (zh) 一种温度振动加速耦合效应模型的构建方法
Escobet et al. A fault/anomaly system prognosis using a data-driven approach considering uncertainty
Kalmakov et al. Remaining vehicles useful lifetime estimation based on operation conditions measurement
CN117751373A (zh) 工厂运营的预测方法、装置及计算机可读存储介质
Yun et al. Metaheuristic-based inspection policy for a one-shot system with two types of units
CN110928269A (zh) 一种基于惯导平台的退化加速试验优化设计方法及系统
Eker et al. State-based prognostics with state duration information of cracks in structures
CN111444475A (zh) 一种应用在飞行测试数据分析的容错ckf滤波融合方法
CN116151128B (zh) 一种装备体系贡献率评估方法
CN115146863A (zh) 一种雷达任务的优先级量化方法
CN113138374B (zh) 一种激光雷达风场数据重建方法及系统

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