CN112257253A - 一种基于Bayes的产品工业寿命预测方法、装置及电子设备 - Google Patents

一种基于Bayes的产品工业寿命预测方法、装置及电子设备 Download PDF

Info

Publication number
CN112257253A
CN112257253A CN202011121268.2A CN202011121268A CN112257253A CN 112257253 A CN112257253 A CN 112257253A CN 202011121268 A CN202011121268 A CN 202011121268A CN 112257253 A CN112257253 A CN 112257253A
Authority
CN
China
Prior art keywords
sampling points
estimation value
value
calculating
bayes
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.)
Pending
Application number
CN202011121268.2A
Other languages
English (en)
Inventor
谭启涛
王开业
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.)
Chengdu Aerospace Science And Industry Big Data Research Institute Co ltd
Original Assignee
Chengdu Aerospace Science And Industry Big Data Research Institute Co ltd
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 Chengdu Aerospace Science And Industry Big Data Research Institute Co ltd filed Critical Chengdu Aerospace Science And Industry Big Data Research Institute Co ltd
Priority to CN202011121268.2A priority Critical patent/CN112257253A/zh
Publication of CN112257253A publication Critical patent/CN112257253A/zh
Pending legal-status Critical Current

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开实施例中提供了一种基于Bayes的产品工业寿命预测方法、装置及电子设备，属于物理技术领域，所述方法包括：获取形状参数对应的先验分布值；获取目标数据；根据所述先验分布值和所述目标数据计算后验分布值；根据所述后验分布值计算所述形状参数的第一估计值；在预设区间内将所述第一估计值代入贝塔分布的密度函数，得到第二估计值；根据所述第二估计值代入加速模型，得到正常应力对应的目标估计值；根据所述目标估计值预测待检测产品的平均寿命。通过本公开的方案，基于Bayes理论对目标数据进行分析处理，得到产品的预计后的平均寿命，提高了基于Bayes的产品工业寿命预测方法的效率和精准度。

Description

一种基于Bayes的产品工业寿命预测方法、装置及电子设备
技术领域
本公开涉及物理技术领域，尤其涉及一种基于Bayes的产品工业寿命预测方法、装置及电子设备。
背景技术
目前，随着工业化发展，机器已经逐渐代替了人力进行生产，但是随着时间推移，产品会出现损耗或者失效，通过有目的、有计划地收集产品在各个阶段的寿命数据，利用概率统计的方法，经过定量分析，找出产品发生故障的原因，可以改良产品的薄弱环节，不断提高产品的质量与可靠性，为下一步的预测性维护提供强有力的支撑。
然而科技的进步必然使得传统的制造技术与材料水平取得了长足的进步，新制造技术和具有优良特性的材料被广泛用于产品的制造工作，各个领域的产品逐渐呈现出高长寿命、高可靠性的特点，并且这些产品的价值一般较为昂贵，如复杂装备、工业机床等，如何在短期内快速评估产品的寿命变得极具挑战。而现有的产品工业寿命预测方法，无法给出参数估计值的显性解析式，而采用数值方法，如梯度下降算法、BFGS等进行迭代求解时往往得到局部最优解，且强依赖于初始值，并且计算冗繁，容易造成寿命和剩余寿命的错误评估，进而对产品的预测性维护保养等做出错误的决策。
可见，亟需一种能高效、精准地评估产品寿命的基于Bayes的产品工业寿命预测方法。
发明内容
有鉴于此，本公开实施例提供一种基于Bayes的产品工业寿命预测方法、装置及电子设备，至少部分解决现有技术中存在的问题。
第一方面，本公开实施例提供了一种基于Bayes的产品工业寿命预测方法，包括：
获取形状参数对应的先验分布值；
获取目标数据；
根据所述先验分布值和所述目标数据计算后验分布值；
根据所述后验分布值计算所述形状参数的第一估计值；
在预设区间内将所述第一估计值代入贝塔分布的密度函数，得到第二估计值；
根据所述第二估计值代入加速模型，得到正常应力对应的目标估计值；
根据所述目标估计值预测待检测产品的平均寿命。
根据本公开实施例的一种具体实现方式，所述获取目标数据的步骤之前，所述方法还包括：
对预设数量的样本产品进行测试，得到测试数据；
对所述测试数据进行拟合优度检验，得到目标数据。
根据本公开实施例的一种具体实现方式，所述根据所述先验分布值和所述目标数据计算后验分布值的步骤，包括：
根据所述先验分布值得到联合先验密度；
根据所述联合先验密度与所述目标数据计算所述后验分布值。
根据本公开实施例的一种具体实现方式，所述根据所述后验分布值计算所述形状参数的第一估计值的步骤，包括：
根据所述后验分布值计算得到边缘后验密度；
将所述边缘后验密度代入预设损失函数，得到所述第一估计值。
根据本公开实施例的一种具体实现方式，所述在预设区间内将所述第一估计值代入贝塔分布的密度函数，得到第二估计值的步骤，包括：
在所述预设区间上均匀设置多个第一采样点，以及，在所述预设区间上均匀设置多个第二采样点；
分别计算全部所述第一采样点的计算值和全部所述第二采样点的计算值；
判断全部所述第一采样点的计算值和全部所述第二采样点的计算值是否符合预设条件；
若全部所述第一采样点的计算值和全部所述第二采样点的计算值符合预设条件，则将全部所述第一采样点的计算值和全部所述第二采样点的计算值作为所述第二估计值；
若全部所述第一采样点的计算值和全部所述第二采样点的计算值不符合预设条件，则再次在在所述预设区间上均匀设置多个第三采样点并计算。
根据本公开实施例的一种具体实现方式，所述第二采样点的数量大于所述第一采样点的数量，所述第三采样点的数量大于所述第二采样点的数量。
根据本公开实施例的一种具体实现方式，所述根据所述目标估计值预测待检测待检测产品的平均寿命的步骤之后，所述方法还包括：
获取所述待检测产品的使用时间；
根据所述使用时间和所述平均寿命，计算所述待检测产品的剩余寿命。
第二方面，本公开实施例提供了一种基于Bayes的产品工业寿命预测装置，包括：
第一获取模块，用于获取形状参数对应的先验分布值；
第二获取模块，用于获取目标数据；
第一计算模块，用于根据所述先验分布值和所述目标数据计算后验分布值；
第二计算模块，用于根据所述后验分布值计算所述形状参数的第一估计值；
代入模块，用于在预设区间内将所述第一估计值代入贝塔分布的密度函数，得到第二估计值；
加速模块，用于根据所述第二估计值代入加速模型，得到正常应力对应的目标估计值；
预测模块，用于根据所述目标估计值预测待检测产品的平均寿命。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于Bayes的产品工业寿命预测方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于Bayes的产品工业寿命预测方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的基于Bayes的产品工业寿命预测方法。
本公开实施例中的基于Bayes的产品工业寿命预测方案，包括：获取形状参数对应的先验分布值；获取目标数据；根据所述先验分布值和所述目标数据计算后验分布值；根据所述后验分布值计算所述形状参数的第一估计值；在预设区间内将所述第一估计值代入贝塔分布的密度函数，得到第二估计值；根据所述第二估计值代入加速模型，得到正常应力对应的目标估计值；根据所述目标估计值预测待检测产品的平均寿命。通过本公开的方案，基于Bayes理论对目标数据进行分析处理，得到产品的预计后的平均寿命，提高了基于Bayes的产品工业寿命预测方法的效率和精准度。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种基于Bayes的产品工业寿命预测方法的流程示意图；
图2为本公开实施例提供的另一种基于Bayes的产品工业寿命预测方法的流程示意图；
图3为本公开实施例提供的一种基于Bayes的产品工业寿命预测装置的结构示意图；
图4为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
目前，随着工业化发展，机器已经逐渐代替了人力进行生产，但是随着时间推移，产品会出现损耗或者失效，通过有目的、有计划地收集产品在各个阶段的寿命数据，利用概率统计的方法，经过定量分析，找出产品发生故障的原因，可以改良产品的薄弱环节，不断提高产品的质量与可靠性，为下一步的预测性维护提供强有力的支撑。
然而科技的进步必然使得传统的制造技术与材料水平取得了长足的进步，新制造技术和具有优良特性的材料被广泛用于产品的制造工作，各个领域的产品逐渐呈现出高长寿命、高可靠性的特点，并且这些产品的价值一般较为昂贵，如复杂装备、工业机床等，如何在短期内快速评估产品的寿命变得极具挑战。而现有的产品工业寿命预测方法，无法给出参数估计值的显性解析式，而采用数值方法，如梯度下降算法、BFGS等进行迭代求解时往往得到局部最优解，且强依赖于初始值，并且计算冗繁，容易造成寿命和剩余寿命的错误评估，进而对产品的预测性维护保养等做出错误的决策。本公开实施例提供一种基于Bayes的产品工业寿命预测方法，所述方法可以应用于产品使用或工业生产场景中的产品寿命预测过程中。
参见图1，为本公开实施例提供的一种基于Bayes的产品工业寿命预测方法的流程示意图。如图1所示，所述方法主要包括以下步骤：
S101，获取形状参数对应的先验分布值；
在恒定应力下，常用极大似然法常用来处理截尾试验数据，其中定数截尾数据一般可以得到参数的显性解析式，并且根据分布的特性可以构造寿命的区间估计，已具备成熟的统计处理方法。但是采用极大似然法估计定时截尾数据时，由于截尾时间不具有分布特性，故而无法给出参数估计值的显性解析式，而采用数值方法，如梯度下降算法、BFGS等进行迭代求解时往往得到局部最优解，且强依赖于初始值，并且计算冗繁，容易造成寿命和剩余寿命的错误评估，进而对产品的预测性维护保养等做出错误的决策。可以结合Bayes理论，通过对恒加实验数据进行分析，提供了一种快速、高效评估产品寿命和剩余寿命的一种方法。可以预先设定先验分布公式，从而计算得到所述形状参数对应的先验分布值。例如，设定所述形状参数为m，所述先验分布公式可以为：m～f(m),m∈Ωm＝(0,+∞)。
S102，获取目标数据；
可以先对多个样本产品进行恒定应力加速实验，通过试验加大所述样本产品的各个应力，快速得到所述样本产品的寿命数据，并将所述样本产品的寿命数据作为所述目标数据。
S103，根据所述先验分布值和所述目标数据计算后验分布值；
根据所述先验分布公式计算得到是先验分布值和所述目标数据代入后验分布公式，计算得到所述后验分布值。例如，所述后验分布公式可以为：
Figure BDA0002732064750000071
S104，根据所述后验分布值计算所述形状参数的第一估计值；
在计算得到所述后验分布值之后，根据所述后验分布值计算得到所述形状参数对应的第一估计值，以便于进行下一步操作。
S105，在预设区间内将所述第一估计值代入贝塔分布的密度函数，得到第二估计值；
具体实施时，采用连续分布离散化的思想，可以对连续情况进行估计，可以采用贝塔分布，描述离散化的方式计算得到所述第二估计值。
S106，根据所述第二估计值代入加速模型，得到正常应力对应的目标估计值；
可以预先设定所述加速模型，在计算得到所述第二估计值后，将所述第二估计值代入所述加速模型，从而得到正常应力对应的目标估计值。
例如，所述加速模型为线性回归模型，所述加速模块对应的公式为：
Figure BDA0002732064750000081
其中，εi相互独立且εi～N(0,σ2)，
则a和b的最小二乘估计为：
Figure BDA0002732064750000082
其中：
Figure BDA0002732064750000083
Figure BDA0002732064750000084
则正常应力下η0的点对应的目标估计值为：
Figure BDA0002732064750000085
S107，根据所述目标估计值预测待检测产品的平均寿命。
得到所述目标估计值后，根据威布尔分布的特征对所述待检测产品在正常应力下的平均寿命进行预测。例如，所述待检测产品的平均寿命为：
Figure BDA0002732064750000091
本实施例的基于Bayes的产品工业寿命预测方法，通过基于Bayes理论对目标数据进行分析处理，得到产品的预计后的平均寿命，提高了基于Bayes的产品工业寿命预测方法的效率和精准度。
在上述实施例的基础上，步骤S102所述的，获取目标数据之前，所述方法还包括：
对预设数量的样本产品进行测试，得到测试数据；
例如，可以假设K个加速应力水平为S1<S2<L<SK，Si(1≤i≤K)，其中,K表示总加速应力水平，Si(1≤i≤K)表示第i个加速应力水平，样本总量为n个，分为K组样本，各组样本数量分别为n1,n2,L,nK，ni(1≤i≤K)表示Si(1≤i≤K)下的试验样本数，且
Figure BDA0002732064750000092
现将第i组样本放在加速应力水平Si下进行截尾试验，试验的截尾时间为τi，ri个的失效时间分别为
Figure BDA0002732064750000095
对所述测试数据进行拟合优度检验，得到目标数据。
具体实施时，可以采用威布尔分布根据形状参数的数值区分产品的不同失效类型，这种特性与实际更加贴切。当然，在采用威布尔分布作为寿命分布时，还需进行拟合优度检验，以提高测试结果的精准度。
进一步的，步骤S103所述的，根据所述先验分布值和所述目标数据计算后验分布值的步骤，包括：
根据所述先验分布值得到联合先验密度；
例如，令
Figure BDA0002732064750000093
ηi表示加速应力水平Si下威布尔分布的尺度参数，假设λi的先验分布为伽马分布Ga(αi,βi)，αi和βi表示分布的参数。
记为Λ＝(λ1,λ2,…,λK)，在参数独立性的假设下，(Λ,m)的联合先验密度p(Λ,m)：
Figure BDA0002732064750000094
根据所述联合先验密度与所述目标数据计算所述后验分布值。
在得到所述联合先验密度后，可以根据Bayes理论，得到所述形状参数的后验分布值为：
Figure BDA0002732064750000101
其中，
Figure BDA0002732064750000102
进一步的，步骤S104所述的，根据所述后验分布值计算所述形状参数的第一估计值的步骤，包括：
根据所述后验分布值计算得到边缘后验密度；
计算得到所述后验分布值后，根据所述后验分布值计算得到所述边缘后验密度，在λj(j＝1,2,L K)的所述后验密度为：
Figure BDA0002732064750000103
将所述边缘后验密度代入预设损失函数，得到所述第一估计值。
具体实施时，所述预设损失函数可以选用平方损失函数，将所述后验密度代入所述平方损失函数，得到所述第一估计值为：
Figure BDA0002732064750000104
则λj(j＝1,2,L K)的Bayes估计
Figure BDA0002732064750000105
为：
Figure BDA0002732064750000106
在上述实施例的基础上，如图2所示，步骤S105所述的，在预设区间内将所述第一估计值代入贝塔分布的密度函数，得到第二估计值的步骤，包括：
S201，在所述预设区间上均匀设置多个第一采样点，以及，在所述预设区间上均匀设置多个第二采样点；
考虑到对计算精度的要求，可以在所述预设区间上均匀设置M个第一采样点，以及，在所述预设区间上均匀设置M′个第二采样点，所述第一采样点和所述第二采样点的数量可以根据实际需求进行设定。
S202，分别计算全部所述第一采样点的计算值和全部所述第二采样点的计算值；
具体实施时，所述第一采样点的计算值可以为：
Figure BDA0002732064750000111
其中，
Figure BDA0002732064750000112
所述第二采样点的计算值可以为：
Figure BDA0002732064750000113
其中，
Figure BDA0002732064750000114
S203，判断全部所述第一采样点的计算值和全部所述第二采样点的计算值是否符合预设条件；
具体实施时，考虑到对所述预设区间进行分割的大小不同，计算量的不同会导致所述计算值存在不同，可以预先设定所述预设条件，然后将全部所述第一采样点的计算值和全部所述第二采样点的计算值于所述预设条件进行比对，从而确定下一步操作流程。
例如，所述预设条件可以为
Figure BDA0002732064750000121
且
Figure BDA0002732064750000122
若全部所述第一采样点的计算值和全部所述第二采样点的计算值符合预设条件，则执行步骤S204，将全部所述第一采样点的计算值和全部所述第二采样点的计算值作为所述第二估计值；
具体实施时，若全部所述第一采样点的计算值和全部所述第二采样点的计算值符合
Figure BDA0002732064750000123
且
Figure BDA0002732064750000124
表示分割的精准度足够，则将全部所述第一采样点的计算值和全部所述第二采样点的计算值作为所述第二估计值。
若全部所述第一采样点的计算值和全部所述第二采样点的计算值不符合预设条件，则执行步骤S205，再次在在所述预设区间上均匀设置多个第三采样点并计算。
若全部所述第一采样点的计算值和全部所述第二采样点的计算值不符合
Figure BDA0002732064750000125
或者
Figure BDA0002732064750000126
表示分割的精准度不足，则再次在在所述预设区间上均匀设置多个第三采样点并计算。
可选的，所述第二采样点的数量大于所述第一采样点的数量，所述第三采样点的数量大于所述第二采样点的数量。
具体实施时，为了保证精度，在所述预设区间上设置采样点时，可以设定所述第二采样点的数量大于所述第一采样点的数量，所述第三采样点的数量大于所述第二采样点的数量，以提高检测精度。
进一步的，步骤S107所述的，根据所述目标估计值预测待检测待检测产品的平均寿命之后，所述方法还包括：
获取所述待检测产品的使用时间；
根据所述使用时间和所述平均寿命，计算所述待检测产品的剩余寿命。
具体实施时，考虑到一般是对已投入使用的产品进行估计，可以先获取所述待检测产品的使用时间，然后根据根据所述使用时间和所述平均寿命，计算所述待检测产品在正常应力下的剩余寿命。
例如，所述待检测产品的已使用时间为t，则所述待检测产品在正常应力下的剩余寿命为：
Figure BDA0002732064750000131
与上面的方法实施例相对应，参见图3，本公开实施例还提供了一种基于Bayes的产品工业寿命预测装置30，包括：
第一获取模块301，用于获取形状参数对应的先验分布值；
第二获取模块302，用于获取目标数据；
第一计算模块303，用于根据所述先验分布值和所述目标数据计算后验分布值；
第二计算模块304，用于根据所述后验分布值计算所述形状参数的第一估计值；
代入模块305，用于在预设区间内将所述第一估计值代入贝塔分布的密度函数，得到第二估计值；
加速模块306，用于根据所述第二估计值代入加速模型，得到正常应力对应的目标估计值；
预测模块307，用于根据所述目标估计值预测待检测产品的平均寿命。
图3所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图4，本公开实施例还提供了一种电子设备40，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的基于Bayes的产品工业寿命预测方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的基于Bayes的产品工业寿命预测方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的基于Bayes的产品工业寿命预测方法。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备40的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备40可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备40操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备40与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备40，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)-连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于Bayes的产品工业寿命预测方法，其特征在于，包括：
获取形状参数对应的先验分布值；
获取目标数据；
根据所述先验分布值和所述目标数据计算后验分布值；
根据所述后验分布值计算所述形状参数的第一估计值；
在预设区间内将所述第一估计值代入贝塔分布的密度函数，得到第二估计值；
根据所述第二估计值代入加速模型，得到正常应力对应的目标估计值；
根据所述目标估计值预测待检测产品的平均寿命。
2.根据权利要求1所述的方法，其特征在于，所述获取目标数据的步骤之前，所述方法还包括：
对预设数量的样本产品进行测试，得到测试数据；
对所述测试数据进行拟合优度检验，得到目标数据。
3.根据权利要求2所述的方法，其特征在于，所述根据所述先验分布值和所述目标数据计算后验分布值的步骤，包括：
根据所述先验分布值得到联合先验密度；
根据所述联合先验密度与所述目标数据计算所述后验分布值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述后验分布值计算所述形状参数的第一估计值的步骤，包括：
根据所述后验分布值计算得到边缘后验密度；
将所述边缘后验密度代入预设损失函数，得到所述第一估计值。
5.根据权利要求4所述的方法，其特征在于，所述在预设区间内将所述第一估计值代入贝塔分布的密度函数，得到第二估计值的步骤，包括：
在所述预设区间上均匀设置多个第一采样点，以及，在所述预设区间上均匀设置多个第二采样点；
分别计算全部所述第一采样点的计算值和全部所述第二采样点的计算值；
判断全部所述第一采样点的计算值和全部所述第二采样点的计算值是否符合预设条件；
若全部所述第一采样点的计算值和全部所述第二采样点的计算值符合预设条件，则将全部所述第一采样点的计算值和全部所述第二采样点的计算值作为所述第二估计值；
若全部所述第一采样点的计算值和全部所述第二采样点的计算值不符合预设条件，则再次在在所述预设区间上均匀设置多个第三采样点并计算。
6.根据权利要求5所述的方法，其特征在于，所述第二采样点的数量大于所述第一采样点的数量，所述第三采样点的数量大于所述第二采样点的数量。
7.根据权利要求1所述的方法，其特征在于，所述根据所述目标估计值预测待检测产品的平均寿命的步骤之后，所述方法还包括：
获取所述待检测产品的使用时间；
根据所述使用时间和所述平均寿命，计算所述待检测产品的剩余寿命。
8.一种基于Bayes的产品工业寿命预测装置，其特征在于，包括：
第一获取模块，用于获取形状参数对应的先验分布值；
第二获取模块，用于获取目标数据；
第一计算模块，用于根据所述先验分布值和所述目标数据计算后验分布值；
第二计算模块，用于根据所述后验分布值计算所述形状参数的第一估计值；
代入模块，用于在预设区间内将所述第一估计值代入贝塔分布的密度函数，得到第二估计值；
加速模块，用于根据所述第二估计值代入加速模型，得到正常应力对应的目标估计值；
预测模块，用于根据所述目标估计值预测待检测产品的平均寿命。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-7中任一项所述的基于Bayes的产品工业寿命预测方法。
10.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-7中任一项所述的基于Bayes的产品工业寿命预测方法。
CN202011121268.2A 2020-10-19 2020-10-19 一种基于Bayes的产品工业寿命预测方法、装置及电子设备 Pending CN112257253A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011121268.2A CN112257253A (zh) 2020-10-19 2020-10-19 一种基于Bayes的产品工业寿命预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011121268.2A CN112257253A (zh) 2020-10-19 2020-10-19 一种基于Bayes的产品工业寿命预测方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN112257253A true CN112257253A (zh) 2021-01-22

Family

ID=74245532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011121268.2A Pending CN112257253A (zh) 2020-10-19 2020-10-19 一种基于Bayes的产品工业寿命预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112257253A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012157040A1 (ja) * 2011-05-13 2012-11-22 株式会社日立製作所 保守部品寿命予測システムおよび保守部品寿命予測方法
CN109325629A (zh) * 2018-10-10 2019-02-12 中国石油化工股份有限公司 在役转动设备机械密封泄漏故障预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012157040A1 (ja) * 2011-05-13 2012-11-22 株式会社日立製作所 保守部品寿命予測システムおよび保守部品寿命予測方法
CN109325629A (zh) * 2018-10-10 2019-02-12 中国石油化工股份有限公司 在役转动设备机械密封泄漏故障预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李学京: ""威布尔分布下平均寿命置信限的评估方法研究"", 《应用概率统计》 *
武东等: "Weibull分布步进应力加速寿命试验的Bayes估计", 《应用数学学报》 *
谭启涛: ""加速试验失效机理一致性辨识及贝叶斯统计分析"", 《中国优秀硕士学位论文全文数据库》 *

Similar Documents

Publication Publication Date Title
CN109376419B (zh) 一种数据模型的生成方法、装置、电子设备及可读介质
CN115277261B (zh) 基于工控网络病毒的异常机器智能识别方法、装置、设备
CN110211121B (zh) 用于推送模型的方法和装置
CN112037223B (zh) 图像缺陷检测方法、装置及电子设备
CN113837596B (zh) 一种故障确定方法、装置、电子设备及存储介质
CN111931345B (zh) 一种监测数据预测方法、装置、设备及可读存储介质
CN114757587B (zh) 一种基于大数据的产品质量控制系统及方法
CN110969600A (zh) 一种产品缺陷检测方法、装置、电子设备及存储介质
CN114780338A (zh) 主机信息处理方法、装置、电子设备和计算机可读介质
CN115184674A (zh) 一种绝缘测试方法、装置、电子终端及存储介质
CN113869599A (zh) 鱼类疫病发展预测方法、系统、设备及介质
CN109656803B (zh) 信息推送方法、装置和电子设备
CN109471787B (zh) 软件质量评价方法及装置、存储介质、电子设备
CN117195083A (zh) 基于电流曲线的坍落度预测方法、装置及可读介质
CN112257253A (zh) 一种基于Bayes的产品工业寿命预测方法、装置及电子设备
CN116257422A (zh) 自测用例生成方法、装置及电子设备
CN113033680B (zh) 视频分类方法、装置、可读介质及电子设备
CN111832354A (zh) 目标对象年龄识别方法、装置及电子设备
CN115293735A (zh) 一种无人工厂工业互联网平台监测管理方法及系统
CN115128986A (zh) 基于SaaS级的工业互联网产量实时监控系统及方法
CN111367791B (zh) 一种生成测试用例的方法、装置、介质和电子设备
CN113902230A (zh) 电量偏差控制方法、系统、存储介质和电子设备
CN110489341B (zh) 一种测试方法、装置、存储介质及电子设备
CN108763010B (zh) 性能预测方法、装置及数据分析设备
CN112597041A (zh) 代码覆盖率的跨分支合并方法、系统、设备及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210122