CN112131784A - 一种利用维修数据评估拖拉机使用可靠性的方法 - Google Patents

一种利用维修数据评估拖拉机使用可靠性的方法 Download PDF

Info

Publication number
CN112131784A
CN112131784A CN202010935799.9A CN202010935799A CN112131784A CN 112131784 A CN112131784 A CN 112131784A CN 202010935799 A CN202010935799 A CN 202010935799A CN 112131784 A CN112131784 A CN 112131784A
Authority
CN
China
Prior art keywords
product
tractor
products
utilization rate
maintenance
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
CN202010935799.9A
Other languages
English (en)
Other versions
CN112131784B (zh
Inventor
成芳
赵志林
姜超
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010935799.9A priority Critical patent/CN112131784B/zh
Publication of CN112131784A publication Critical patent/CN112131784A/zh
Application granted granted Critical
Publication of CN112131784B publication Critical patent/CN112131784B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种利用维修数据评估拖拉机使用可靠性的方法。获取拖拉机产品的维修数据，预处理并提取数据特征和使用率；根据失效产品的数据特征和使用率，建立机器学习回归模型；再对未失效产品的数据特征进行处理预测未失效产品的使用率，生成未失效产品的使用量；选择需要进行可靠性评估的拖拉机产品类型，提取该类型所有拖拉机产品首次失效时的使用量，构造考虑右删失量的使用量概率分布的似然函数，以最大化似然函数为目标获得使用量的概率分布，根据概率分布获得产品使用可靠性。本发明通过考虑影响拖拉机使用率的主要因素，建立拖拉机产品使用率的机器学习回归模型，获得未失效产品的使用率和使用量，再进行可靠性评估，便能够更有效地评估拖拉机的使用可靠性，更接近真实情况。

Description

一种利用维修数据评估拖拉机使用可靠性的方法
技术领域
本发明公开了产品可靠性评估领域的一种拖拉机产品数据的处理方法，尤其是涉及了一种利用维修数据评估拖拉机使用可靠性的方法。
背景技术
可靠性是指产品在规定条件下和规定时间内，完成规定功能的能力，以概率表示。而使用可靠性是指产品在使用过程中的可靠性。在评估产品可靠性时，与可靠性试验数据相比，产品现场数据优先级更高，因为产品现场数据收集到了真实的使用情况和环境作用，而这些是难以通过试验模拟的。售后服务过程产生的数据便是产品现场数据的重要来源之一。结合拖拉机产品制造过程、销售过程以及售后服务过程的相关数据，估计产品的使用可靠性，对拖拉机制造企业提高产品质量、制定维修计划、管理备件、降低保修成本等具有重要意义。
专利CN110210725A公开了一种基于维修数据分析的家电产品可靠性改进方法，利用家电产品维修数据，根据家电年龄而非使用量以及其多次故障的情况建立可靠性增长模型，跟踪评估产品的可靠性增长。而本发明则不同：一方面，在拖拉机可靠性评估中，最关心的寿命衡量指标通常是使用量(如工作时长)；另一方面，实际使用过程中首次失效时的状况最能反映产品制造过程质量，因此本发明根据售后表现中首次失效时的使用量进行可靠性评估。要有效地评估拖拉机的可靠性，不仅要考虑失效产品，还需要考虑未失效产品。在实际售后服务过程中，往往只能记录失效产品的使用量，未失效产品由于没有维修记录，其使用量是缺失的。这是本发明所要解决的主要问题之一，而专利CN110210725A针对家电产品，其使用无季节、地域等影响则不需考虑这些问题。
发明内容
为了解决背景技术中存在的问题，有效地评估拖拉机的使用可靠性，考虑拖拉机产品的维修情况，针对未失效产品的使用量缺失这一问题，本发明提供了一种利用维修数据评估拖拉机使用可靠性的方法，准确性好。
本发明采用的技术方案包括以下步骤：
1)获取所有型号的所有拖拉机产品的维修数据，对维修数据进行预处理，分别提取失效产品的数据特征和使用率以及未失效产品的数据特征；
2)根据失效产品的数据特征和使用率，建立产品使用率的机器学习回归模型；
3)根据步骤2)所建立的机器学习回归模型对未失效产品的数据特征进行处理预测未失效产品的使用率，将未失效产品的使用率乘以未失效产品的产品年龄生成未失效产品的使用量；未失效产品的使用量对拖拉机制造来说是未知的，本发明采用回归模型能准确获得未失效产品的使用量，获得实际无法获得的数据。
4)选择需要进行可靠性评估的拖拉机产品类型，提取该类型所有拖拉机产品首次失效时的使用量，若拖拉机产品为未失效产品，则将拖拉机产品的使用量视为右删失值，若拖拉机产品不为未失效产品，则将拖拉机产品的使用量视为观测值；拖拉机产品首次失效是指待测拖拉机产品首次维修；构造考虑右删失量的使用量概率分布的似然函数，以最大化似然函数为目标处理获得拖拉机产品使用量的概率分布，根据拖拉机产品使用量的概率分布进一步处理获得拖拉机产品的可靠性。
所述步骤1)中，数据特征包括产品故障间隔年龄增量(单位为天)和这段时间内产品在各月份的存活时间比例，具体为：
aij＝min(Wi,D,dij)-di,j-1
Figure BDA0002671870280000021
其中，aij是产品i自第j-1次维修到第j次维修的年龄增量；Wi是产品i的保修截止日期；D是数据收集截止日期；dij是产品i第j次维修时的日期，di0为产品i的出厂日期；pijk是产品i自第j-1次维修到第j次维修在月份k的存活时间比例，mijk是产品i第j-1次维修到第j次维修在月份k的存活天数。
所述步骤1)中，使用率计算为：
Figure BDA0002671870280000022
其中，yij是产品i自第j-1次维修到第j次维修的平均使用率，单位为小时/每天；uij是产品i自第j-1次维修到第j次维修的使用量增量，所述的使用量为产品自出厂开始的工作时长，单位为小时。
所述步骤4)中按生产批次、产品型号等反映制造过程的因素选择需要进行可靠性评估的拖拉机产品。
所述步骤2)中，机器学习回归模型采用梯度提升决策树回归模型。
所述步骤5)中，似然函数的概率分布为双参数威布尔分布。
所述4)中，构造以下似然函数L(Θ)：
Figure BDA0002671870280000031
其中，ui表示所选类型拖拉机产品中产品i首次失效时的使用量，N为所选类型拖拉机产品的总数量，Θ为概率分布的参数向量，δi为删失标志(δi＝1表示产品的使用量为观测值，未删失；δi＝0表示产品的使用量为右删失值)；f(ui；Θ)为失效密度函数，R(ui；Θ)为可靠性函数；
似然函数的概率分布为双参数威布尔分布，双参数威布尔分布的参数向量Θ由形状参数A和刻度参数B构成，形状参数是用于表征双参数威布尔分布的概率曲线的形状，刻度参数是用于表征双参数威布尔分布概率曲线随机变量的尺度缩放；将所选类型拖拉机产品中所有产品的使用量数据输入似然函数L(Θ)，并以似然函数L(Θ)最大化为目标进行求解，获得所选类型拖拉机产品使用量的概率分布的参数向量Θ，根据概率分布的参数向量Θ按照以下公式获得所选类型拖拉机产品的使用可靠性函数：
Figure BDA0002671870280000032
其中，e表示自然常数，A表示双参数威布尔分布的参数向量Θ中的形状参数，B表示双参数威布尔分布的参数向量Θ中的刻度参数，R(u)表示所选类型拖拉机产品在使用量为u时的可靠性，即不会发生故障的概率。
进一步，按照以下公式，预测所选类型拖拉机产品中未发生过故障的拖拉机产品在未来给定时间点的失效数量PF：
Figure BDA0002671870280000033
其中，M表示所选类型拖拉机产品中未发生过故障的拖拉机产品的总数，ui表示由回归模型预测的未发生故障的拖拉机产品i在未来给定时间点的使用量。
本发明通过考虑影响拖拉机使用率的主要因素(如地区和时节等)，建立拖拉机产品使用率的机器学习回归模型，获得未失效产品的使用率和使用量。在此基础上进行可靠性评估，便能够更有效地评估拖拉机的使用可靠性。
本发明在建立模型的过程中，考虑了影响拖拉机使用率的主要因素(如地区和时节等)，使用量填充结果更接近真实情况，因而能够更有效地评估其使用可靠性。
与现有技术相比，本发明具有的有益效果为：
1)相较于拖拉机可靠性试验数据，本发明利用维修数据处理更能反映拖拉机产品真实的使用情况和环境作用，处理结果更能反映拖拉机产品的真实可靠性。
2)本发明使用数据驱动的机器学习回归模型获得未失效产品的使用率和使用量。在建立模型的过程考虑了影响拖拉机使用率的主要因素(如地区和时节等)，使用量结果更接近真实情况。因而相较于其它现有的可靠性评估方法，本发明的适用性和有效性都更强。
附图说明
图1是本发明的一种实施例流程图。
图2是使用量对应各概率分布的概率图。
图3方法对比预测的6种机型拖拉机在后8个月的维修情况图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
本发明的实施例如下，如图1所示，包括以下步骤：
S1、某拖拉机制造企业提供的产品维修数据为2016年2月到2018年11月间共33个月的拖拉机生产档案和维修数据信息，主要包含的信息是产品编号、型号、生产日期、出厂日期、出厂地区、维修时间、维修时工作时长等。为验证本发明的有效性，使用前25个月的数据评估拖拉机产品的使用可靠性，并据此预测后8个月的维修情况。
对数据进行预处理，包括剔除日期异常(产品年龄应大于零)、使用率异常的数据(使用率应是不大于24的非负数)、合并短期内的多次维修记录等。分别提取失效产品和未失效产品的数据特征，数据特征包括产品年龄：
aij＝min(Wi,D,fij)-di,j-1
产品在各月份的存活时间比例：
Figure BDA0002671870280000051
其中，aij是产品i自第j-1次维修到第j次维修的年龄增量；Wi是产品i的保修截止日期；D是数据收集截止日期；dij是产品i第j次维修时的日期，则di0为产品i的出厂日期；pijk是产品i自第j-1次维修到第j次维修在月份k的存活时间比例，mijk是产品i第j-1次维修到第j次维修在月份k的存活天数。
还可以包括其它数据特征，其它数据特征可以包括但不限于产品额定马力值、产品失效次数、产品出厂地区经度、产品出厂地区纬度等，
表1为数据示例。
表1
Figure BDA0002671870280000052
S2、基于失效产品的数据特征和使用率，将80％数据集作为训练集，20％作为测试集。在训练集上使用网格搜索和五折交叉验证选择机器学习回归模型的超参数。机器学习回归模型采用了梯度提升决策树回归模型。
具体实施还增加了k近邻回归模型、支持向量回归模型作为机器学习回归模型进行对比。之后在训练集上重新训练模型，根据各模型在测试集上的均方根误差进行比较。超参数选择结果和相应测试集上的均方根误差如表2所示。
表2
Figure BDA0002671870280000053
根据结果可见，梯度提升决策树回归模型的均方根误差最小，效果优异，相比其他两个模型效果突出显著。
S3、根据未失效产品的数据特征，以S3选择的最优模型预测未失效产品的使用率，并生成未失效产品的使用量。
S4、选择6个机型(机型代号M1，M2，M3，M4，M5，M6)的拖拉机产品，提取其首次失效时的使用量，对于未失效产品其使用量视为右删失值。
S5、构造以下似然函数：
Figure BDA0002671870280000061
对使用量u的概率分布采用双参数威布尔分布进行拟合，并采用对数正态分布、指数分布、对数逻辑斯蒂分布进行对比。具体实施中根据各概率分布的赤池信息量准则得分(AIC)和调整后的Anderson–Darling统计量(AD★)判断概率分布的拟合程度。以最大化似然函数为目标处理获得拖拉机产品使用量的概率分布。
以机型M1的拖拉机产品为例，其对应各分布的概率图如图2所示。计算各概率分布的赤池信息量准则得分和调整后的Anderson–Darling统计量，结果如表3所示。
双参数威布尔分布的赤池信息量准则得分和调整后的Anderson–Darling统计量均最小，效果优异。从中可见，双参数威布尔分布的拟合效果最好。
表3
概率分布 参数 AD<sup>★</sup> AIC
双参数威布尔分布 Shape:1.12,Scale:525.09 112.82 10942.46
对数正态分布 Location:6.29,Scale:1.71 185.01 11036.69
指数分布 Mean:595.72 135.43 10953.64
对数逻辑斯蒂分布 Location:6.07,Scale:0.83 146.41 10972.66
因而，采用以下公式M1型拖拉机产品的使用可靠性为：
Figure BDA0002671870280000062
结合使用可靠性，根据下式预测后8个月的每个月该型拖拉机第一次维修(失效)的数量情况PF：
Figure BDA0002671870280000063
其中，M表示该型拖拉机产品中未发生过故障的拖拉机产品的总数，ui表示由回归模型预测的未发生故障的该型拖拉机产品i在未来给定时间点的使用量(即工作时长)。
同时，为进一步说明本发明的有效性，选择了直接以产品年龄评估可靠性(baseline 1)和随机填充未失效产品使用量后以使用量评估可靠性(baseline 2)两种方法作为对比，结果如图3和表4所示。
可见，在对6种机型的预测中，本发明方法对4种机型(M1,M3,M4,M6)的预测结果最好，对另外2种(M2,M5)接近最好，因而其估计结果也更有效。
表4
Figure BDA0002671870280000071
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种利用维修数据评估拖拉机使用可靠性的方法，其特征在于包括以下步骤：
1)获取所有型号的所有拖拉机产品的维修数据，对维修数据进行预处理，分别提取失效产品的数据特征和使用率以及未失效产品的数据特征；
2)根据失效产品的数据特征和使用率，建立产品使用率的机器学习回归模型；
3)根据步骤2)所建立的机器学习回归模型对未失效产品的数据特征进行处理预测未失效产品的使用率，将未失效产品的使用率乘以未失效产品的产品年龄生成未失效产品的使用量；
4)选择需要进行可靠性评估的拖拉机产品类型，提取该类型所有拖拉机产品首次失效时的使用量，若拖拉机产品为未失效产品，则将拖拉机产品的使用量视为右删失值；构造使用量概率分布的似然函数，以最大化似然函数为目标处理获得拖拉机产品使用量的概率分布，根据拖拉机产品使用量的概率分布进一步处理获得拖拉机产品的可靠性。
2.根据权利要求1所述的利用维修数据评估拖拉机使用可靠性的方法，其特征在于：所述步骤1)中，数据特征包括产品故障间隔年龄增量(单位为天)和这段时间内产品在各月份的存活时间比例，具体为：
Figure FDA0002671870270000011
其中，aij是产品i自第j-1次维修到第j次维修的年龄增量；Wi是产品i的保修截止日期；D是数据收集截止日期；dij是产品i第j次维修时的日期，di0为产品i的出厂日期；pijk是产品i自第j-1次维修到第j次维修在月份k的存活时间比例，mijk是产品i第j-1次维修到第j次维修在月份k的存活天数。
3.根据权利要求1所述的利用维修数据评估拖拉机使用可靠性的方法，其特征在于：所述步骤1)中，使用率计算为：
Figure FDA0002671870270000012
其中，yij是产品i自第j-1次维修到第j次维修的平均使用率；uij是产品i自第j-1次维修到第j次维修的使用量增量，所述的使用量为产品自出厂开始的工作时长。
4.根据权利要求1所述的利用维修数据评估拖拉机使用可靠性的方法，其特征在于：所述步骤2)中，机器学习回归模型采用梯度提升决策树回归模型。
5.根据权利要求1所述的利用维修数据评估拖拉机使用可靠性的方法，其特征在于：所述4)中，构造以下似然函数L(Θ)：
Figure FDA0002671870270000021
其中，ui表示所选类型拖拉机产品中产品i首次失效时的使用量，N为所选类型拖拉机产品的总数量，Θ为概率分布的参数向量，δi为删失标志；f(ui；Θ)为失效密度函数，R(ui；Θ)为可靠性函数；
似然函数的概率分布为双参数威布尔分布，双参数威布尔分布的参数向量Θ由形状参数A和刻度参数B构成；
将所选类型拖拉机产品中所有产品的使用量数据输入似然函数L(Θ)，并以似然函数L(Θ)最大化为目标进行求解，获得所选类型拖拉机产品使用量的概率分布的参数向量Θ，根据概率分布的参数向量Θ按照以下公式获得所选类型拖拉机产品的使用可靠性函数：
Figure FDA0002671870270000022
其中，e表示自然常数，A表示双参数威布尔分布的参数向量Θ中的形状参数，B表示双参数威布尔分布的参数向量Θ中的刻度参数，R(u)表示所选类型拖拉机产品在使用量为u时的可靠性，即不会发生故障的概率。
6.根据权利要求1所述的利用维修数据评估拖拉机使用可靠性的方法，其特征在于：
进一步，按照以下公式，预测所选类型拖拉机产品中未发生过故障的拖拉机产品在未来给定时间点的失效数量PF：
Figure FDA0002671870270000023
其中，M表示所选类型拖拉机产品中未发生过故障的拖拉机产品的总数，ui表示由回归模型预测的未发生故障的拖拉机产品i在未来给定时间点的使用量。
CN202010935799.9A 2020-09-08 2020-09-08 一种利用维修数据评估拖拉机使用可靠性的方法 Active CN112131784B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010935799.9A CN112131784B (zh) 2020-09-08 2020-09-08 一种利用维修数据评估拖拉机使用可靠性的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010935799.9A CN112131784B (zh) 2020-09-08 2020-09-08 一种利用维修数据评估拖拉机使用可靠性的方法

Publications (2)

Publication Number Publication Date
CN112131784A true CN112131784A (zh) 2020-12-25
CN112131784B CN112131784B (zh) 2022-08-23

Family

ID=73845126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010935799.9A Active CN112131784B (zh) 2020-09-08 2020-09-08 一种利用维修数据评估拖拉机使用可靠性的方法

Country Status (1)

Country Link
CN (1) CN112131784B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090016470A1 (en) * 2007-07-13 2009-01-15 The Regents Of The University Of California Targeted maximum likelihood estimation
CN103971024A (zh) * 2014-05-26 2014-08-06 华北电力大学（保定） 小样本失效数据下继电保护系统可靠性评估方法
US20140229149A1 (en) * 2013-01-04 2014-08-14 Siemens Corporation Probabilistic modeling and sizing of embedded flaws in ultrasonic nondestructive inspections for fatigue damage prognostics and structural integrity assessment
US20150039244A1 (en) * 2013-07-31 2015-02-05 Bqr Reliability Engineering Ltd. Failure Rate Estimation From Multiple Failure Mechanisms
CN106125713A (zh) * 2016-06-14 2016-11-16 西安交通大学 一种区间删失情况下可靠性增长的评估与预测方法
CN108446483A (zh) * 2018-03-16 2018-08-24 太原理工大学 计及风电机组传动系统疲劳的风电场可靠性评估方法
CN108664690A (zh) * 2018-03-24 2018-10-16 北京工业大学 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法
CN109101749A (zh) * 2018-08-30 2018-12-28 电子科技大学 一种考虑环境因素的共因失效系统可靠性评估方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090016470A1 (en) * 2007-07-13 2009-01-15 The Regents Of The University Of California Targeted maximum likelihood estimation
US20140229149A1 (en) * 2013-01-04 2014-08-14 Siemens Corporation Probabilistic modeling and sizing of embedded flaws in ultrasonic nondestructive inspections for fatigue damage prognostics and structural integrity assessment
US20150039244A1 (en) * 2013-07-31 2015-02-05 Bqr Reliability Engineering Ltd. Failure Rate Estimation From Multiple Failure Mechanisms
CN103971024A (zh) * 2014-05-26 2014-08-06 华北电力大学（保定） 小样本失效数据下继电保护系统可靠性评估方法
CN106125713A (zh) * 2016-06-14 2016-11-16 西安交通大学 一种区间删失情况下可靠性增长的评估与预测方法
CN108446483A (zh) * 2018-03-16 2018-08-24 太原理工大学 计及风电机组传动系统疲劳的风电场可靠性评估方法
CN108664690A (zh) * 2018-03-24 2018-10-16 北京工业大学 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法
CN109101749A (zh) * 2018-08-30 2018-12-28 电子科技大学 一种考虑环境因素的共因失效系统可靠性评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TRACTOR MANUFACTURING QUALITY DATA ACQUISITION, ANALYSIS AND UTI: "Ying Li等", 《ICCDA 2019: PROCEEDINGS OF THE 2019 3RD INTERNATIONAL CONFERENCE ON COMPUTE AND DATA ANALYSIS》 *
杜峰等: "整车产品故障分布规律与可靠性评价指标分析", 《农业机械学报》 *
裴峻峰等: "石化装置的运行可靠性及维修性评估", 《石油化工高等学校学报》 *

Also Published As

Publication number Publication date
CN112131784B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN109409628B (zh) 基于计量大数据聚类模型的采集终端生产厂商评价方法
CN106815652A (zh) 一种基于大数据相关性分析的配电网供电可靠性预测方法
CN114048436A (zh) 一种预测企业财务数据模型构建方法及构建装置
CN117114885B (zh) 一种用于电力交易的数据交互模型构建方法及系统
CN112330121B (zh) 一种配电网自动化建设投资效益评估方法
CN115860581B (zh) 农作物品种适宜性评价方法、装置、设备及存储介质
US11995667B2 (en) Systems and methods for business analytics model scoring and selection
Dai et al. Field reliability modeling based on two-dimensional warranty data with censoring times
CN114881515A (zh) 供应商选取方法、装置、存储介质以及电子设备
CN112131784B (zh) 一种利用维修数据评估拖拉机使用可靠性的方法
CN115688016A (zh) 一种用于大型数据库智能运维的一体化方法
CN115239502A (zh) 一种分析师模拟方法、系统、电子设备及存储介质
CN112506903B (zh) 采用标本线的数据质量表示方法
CN112732773B (zh) 一种继电保护缺陷数据的唯一性校核方法及系统
CN113836125A (zh) 一种配电物联网边缘侧的配变数据清洗修复方法和系统
CN111553520B (zh) 基于供应链追溯评价体系的粮食生产优化方法及装置
CN111199419B (zh) 股票异常交易的识别方法及系统
CN113537759A (zh) 一种基于权重自适应的用户体验度量模型
CN113642873A (zh) 网点考核方法、装置、设备和存储介质
Rastgar et al. Opportunistic maintenance management for a hybrid flow shop scheduling problem
CN113763181A (zh) 一种风险压力测试系统
CN111553522B (zh) 基于供应链追溯体系的小麦生产优化方法及装置
CN112070415B (zh) 基于软件定量管理过程构建的场景化基线与模型实现方法
CN116227740B (zh) 一种基于区块链的能源分析管理云平台
CN112508378A (zh) 电力设备生产制造商筛选的处理方法和装置

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