CN113051838A - 一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法 - Google Patents
一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法 Download PDFInfo
- Publication number
- CN113051838A CN113051838A CN202110515753.6A CN202110515753A CN113051838A CN 113051838 A CN113051838 A CN 113051838A CN 202110515753 A CN202110515753 A CN 202110515753A CN 113051838 A CN113051838 A CN 113051838A
- Authority
- CN
- China
- Prior art keywords
- data
- space
- manufacturing structure
- model
- orbit
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 230000036541 health Effects 0.000 claims abstract description 25
- 230000003993 interaction Effects 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 7
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 230000002452 interceptive effect Effects 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000003860 storage Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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]
Abstract
本发明提供了一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，包括以下步骤：(1)建立数字孪生模型：基于空间在轨制造结构实体信息构建数字孪生体；(2)建立健康监测模型：采用深度学习方法构建空间在轨制造结构健康监测模型；(3)建立数据采集系统：利用传感器等设备，在线监测空间在轨制造结构服役环境及健康状态的实时数据，并对数字孪生模型进行数据交互、调整与修正；(4)剩余寿命预测：利用更新后的数字孪生模型进行空间在轨制造结构剩余寿命预测，并通过数据的实时交互反馈保证预测的可靠性。本发明利用数字孪生技术实现了空间在轨制造结构剩余寿命的可靠预测，且能将预测结果实时反馈，极大方便了维护工作。
Description
技术领域
本发明应用于空间在轨制造领域，具体涉及一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法。
背景技术
空间在轨制造技术是一种新型的航天结构加工制造技术，在航天制造领域极具应用潜力。目前，受运载火箭整流罩尺寸限制，对于一些构型复杂的大尺寸航天器空间结构，一般采用多次发射和空间在轨制造的方式实现，例如空间站桁架结构。然而，由于制造技术不成熟、工作环境较为恶劣等原因，势必会对空间在轨制造结构的性能造成影响，使得结构几乎无法达到预期服役寿命。此外，在地面难以实时检测与控制空间在轨制造结构健康状态，若在其未达上限寿命时进行更换，将造成巨大的成本浪费。因此，亟需提出一种空间在轨制造结构剩余寿命可靠预测方法。
目前广泛使用的机械结构剩余寿命预测方法是建立寿命预测模型，通过仿真与实验验证其准确性。尽管这种静态的预测模型具有一定的非线性计算能力，然而，空间在轨制造结构通常在大温差交变、强辐射，且伴随撞击、磨损风险的极端多物理场耦合条件下服役，在这种条件下静态模型的预测结果难以保证其准确性。因此，要获得可靠的预测寿命，必须考虑其服役过程中的实时工况变化。
本发明基于数字孪生技术，通过所建数字孪生体与物理实体的实时数据交互、反馈，可实现空间在轨制造结构的可靠寿命预测，为其后续的维护工作提供保障。
发明内容
针对上述现有技术的不足，本发明提供了一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，目的在于解决静态预测模型的预测失准问题，提供一种数据实时交互、调控的寿命预测方法，提高预测准确性。
为达到上述目的，本发明的一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，其特征在于，包括步骤如下：
步骤一 建立数字孪生模型：基于空间在轨制造结构实体信息构建数字孪生体；
步骤二 建立健康监测模型：采用深度学习方法构建空间在轨制造结构健康监测模型；
步骤三 建立数据采集系统：利用传感器等设备，在线监测空间在轨制造结构服役环境及健康状态的实时数据，并对数字孪生模型进行数据交互、调整与修正；
步骤四 剩余寿命预测：利用更新后的数字孪生模型进行空间在轨制造结构剩余寿命预测，并通过数据的实时交互反馈保证预测的可靠性。
进一步的，上述步骤一所述空间在轨制造结构实体信息包括但不限于结构材料、制造工艺、服役环境及操作人员。
进一步的，上述步骤二所述深度学习方法中构成训练集的数据样本应当为实验数据，所述数据点包括但不限于应力状态、损伤面积、损伤深度与寿命周期。
所述健康指标可采用下式表示：
式中，S为空间在轨制造结构的健康指标，t为结构服役时间，x1，x2，...，xi为训练集数据点，f(x1，x2，...，xi)为拟合完整寿命周期。
进一步的，上述步骤三所述服役环境包括但不限于空间在轨制造结构的工作温度以及载荷。所述传感器采集的数据通过如下方法处理：各采集设备将数据发送至云端服务器并分别生成日志文件，分布式传输、存储与读取，例如采用Flume采集组件将日志文件传输至HDFS平台上，基于Kafka平台进行读取。
所涉及各类数据基于其物理关系通过Abaqus、Ansys等仿真软件建立空间在轨制造结构数字孪生子模型，并利用Isight软件调用耦合为统一物理模型。所述数据交互包括但不限于实时仿真数据、健康监测数据、实体模型数据与关系数据的交互。所述数据调整与修正包括但不限于由于应力状态演变与损伤特征演化所引起的相关数据变化。
进一步的，上述步骤四所述数据交互反馈包括但不限于剩余寿命置信区间评估、孪生模型校准与仿真过程优化。
与现有技术相比，本发明至少具有以下有益效果：
本发明所述的基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，解决了现有机械结构剩余寿命预测方法中静态仿真模型非线性程度较低、无法胜任复杂环境下的预测工作等问题，通过数字孪生技术，建立空间在轨制造结构的数字孪生体，实现物理实体与孪生模型的实时数据交互的动态模型，明显克服了现有技术的不足，能够更为准确的输出空间在轨制造结构的寿命预测结果。
附图说明
图1是本方法的整体流程图；
图2是健康监测模型神经网络示意图；
图3是基于数字孪生技术的空间在轨制造结构剩余寿命预测示意图；
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合说明书附图和具体实施方式，对本发明的技术方案进行详细地描述。显然，所描述的实施例是本发明的一部分实施例，并非所有实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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。
请参考图1至图3，分别为：本方法的整体流程图、健康监测模型神经网络示意图、基于数字孪生技术的空间在轨制造结构剩余寿命预测示意图。
本发明提出的基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，以空间站桁架结构剩余寿命预测为例，具体包括以下步骤：
步骤一 建立数字孪生模型：基于空间在轨制造结构实体信息构建数字孪生体。基于空间站桁架结构物理实体，将空间站桁架结构关键几何信息、材料属性、空间及地面操作人员等数据采用Modelica语言建立数字孪生体模型，其中孪生体模型在具备的功能与物理实体一致的前提下，可进行适当简化。
步骤二 建立健康监测模型：采用深度学习方法构建空间在轨制造结构健康监测模型。构建深层神经网络模型，通过大量数据样本训练神经网络模型，所述模型能够较为准确的评估空间站桁架结构的健康状态。所述构成训练集的数据样本应当为实验数据，所述数据点包括但不限于应力状态、损伤面积、损伤深度与寿命周期。健康指标采用下式表示：
式中，S为空间站桁架结构的健康状态评分，t为评估时空间站桁架结构的服役时间，σ*为应力状态，a为损伤面积，h为损伤深度，T为空间站桁架结构的完整寿命周期，f为采用高斯回归算法训练得到的拟合寿命周期。当服役时间t＝0时，表示空间站桁架结构尚未服役，处于为初始状态；随着服役时间增加，健康状态评分逐渐增大；当服役时间t逼近健康监测模型拟合得到的寿命周期f时，表示空间站桁架结构即将到达寿命极限，需要进行维护或更换。
步骤三 建立数据采集系统：利用传感器等设备，在线监测空间在轨制造结构服役环境及健康状态的实时数据，并对数字孪生模型进行数据交互、调整与修正。所述服役环境包括但不限于空间在轨制造结构的工作温度以及载荷。传感器采集的数据通过如下方法处理：各采集设备将数据发送至云端服务器并分别生成日志文件，分布式传输、存储与读取，采用Flume采集组件将日志文件传输至HDFS平台上，基于Kafka平台进行读取。各类数据经降噪处理后，基于其物理关系通过Abaqus、Ansys等仿真软件建立空间在轨制造结构数字孪生子模型，并利用Isight软件调用耦合为统一物理模型。所述数据交互包括但不限于实时仿真数据、健康监测数据、实体模型数据与关系数据的交互。所述数据调整与修正包括但不限于由于应力状态演变与损伤特征演化所引起的相关数据变化。
步骤四 剩余寿命预测：利用更新后的数字孪生模型进行空间在轨制造结构剩余寿命预测，并通过数据的实时交互反馈保证预测的可靠性。所述数据交互反馈包括但不限于剩余寿命置信区间评估、孪生模型校准与仿真过程优化等。采用的预测性能定量评价可用以下评分函数表示：
式中，score为预测结果得分值，Q为测试样本数量，di为相对于第i个样本估计值与实际值之间的误差，RMSE为均方根误差。结合贝叶斯方法，即可得到预测寿命结果置信区间。
Claims (5)
1.一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，其特征在于，包括步骤如下：
步骤一 建立数字孪生模型：基于空间在轨制造结构实体信息构建数字孪生体；
步骤二 建立健康监测模型：采用深度学习方法构建空间在轨制造结构健康监测模型；
步骤三 建立数据采集系统：利用传感器等设备，在线监测空间在轨制造结构服役环境及健康状态的实时数据，并对数字孪生模型进行数据交互、调整与修正；
步骤四 剩余寿命预测：利用更新后的数字孪生模型进行空间在轨制造结构剩余寿命预测，并通过数据的实时交互反馈保证预测的可靠性。
2.根据权利要求1所述的一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，其特征在于，上述步骤一所述空间在轨制造结构实体信息包括但不限于结构材料、制造工艺、服役环境及操作人员。
3.根据权利要求1所述的一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，其特征在于，上述步骤二所述深度学习方法中构成训练集的数据样本应当为实验数据；
所述数据点包括但不限于应力状态、损伤面积、损伤深度与寿命周期；
所述健康指标可采用但不限于下式表示：
式中，S为空间在轨制造结构的健康指标，t为结构服役时间，x1，x2，...，xi为训练集数据点，f(x1，x2，...，xi)为拟合完整寿命周期。
4.根据权利要求1所述的一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，其特征在于，上述步骤三所述服役环境包括但不限于空间在轨制造结构的工作温度及载荷；
所述传感器采集的数据通过如下方法处理：各采集设备将数据发送至云端服务器并分别生成日志文件，分布式传输、存储与读取；
所涉及各类数据基于其物理关系通过有限元分析仿真软件建立空间在轨制造结构数字孪生子模型，并利用多学科优化软件调用耦合为统一物理模型；
所述数据交互包括但不限于实时仿真数据、健康监测数据、实体模型数据与关系数据的交互；
所述数据调整与修正包括但不限于由于应力状态演变与损伤特征演化所引起的相关数据变化。
5.根据权利要求1所述的一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，其特征在于，上述步骤四所述数据交互反馈包括但不限于剩余寿命置信区间评估、孪生模型校准与仿真过程优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110515753.6A CN113051838A (zh) | 2021-05-12 | 2021-05-12 | 一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110515753.6A CN113051838A (zh) | 2021-05-12 | 2021-05-12 | 一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113051838A true CN113051838A (zh) | 2021-06-29 |
Family
ID=76518470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110515753.6A Pending CN113051838A (zh) | 2021-05-12 | 2021-05-12 | 一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113051838A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113432857A (zh) * | 2021-07-02 | 2021-09-24 | 中国石油大学(华东) | 基于数字孪生的水下采油树系统剩余使用寿命预测方法及系统 |
| CN113569445A (zh) * | 2021-07-01 | 2021-10-29 | 洛阳星派数值仿真研究院有限公司 | 一种基于数字孪生技术的钢结构健康监测系统及方法 |
| CN113569451A (zh) * | 2021-07-21 | 2021-10-29 | 上海工程技术大学 | 基于数字孪生的列车轴箱轴承寿命预测及故障维修系统 |
| CN113569358A (zh) * | 2021-07-29 | 2021-10-29 | 南京航空航天大学 | 一种面向产品质量反馈的数字孪生系统模型构建方法 |
| CN116430712A (zh) * | 2023-04-14 | 2023-07-14 | 重庆信易源智能科技有限公司 | 一种活动发射平台孪生装备智能控制方法 |
| CN116738893A (zh) * | 2023-08-10 | 2023-09-12 | 北京国星创图科技有限公司 | 基于同步传输器进行分析的航天器模拟预测系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532626A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 基于数字孪生的航空发动机主轴承剩余寿命预测方法 |
| CN111881495A (zh) * | 2020-06-24 | 2020-11-03 | 北京工业大学 | 基于数字孪生的预应力钢结构安全评估方法 |
| CN112417619A (zh) * | 2020-11-23 | 2021-02-26 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节系统及方法 |
| CN112762100A (zh) * | 2021-01-14 | 2021-05-07 | 哈尔滨理工大学 | 一种基于数字孪生的轴承全生命周期监测方法 |
-
2021
- 2021-05-12 CN CN202110515753.6A patent/CN113051838A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532626A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 基于数字孪生的航空发动机主轴承剩余寿命预测方法 |
| CN111881495A (zh) * | 2020-06-24 | 2020-11-03 | 北京工业大学 | 基于数字孪生的预应力钢结构安全评估方法 |
| CN112417619A (zh) * | 2020-11-23 | 2021-02-26 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节系统及方法 |
| CN112762100A (zh) * | 2021-01-14 | 2021-05-07 | 哈尔滨理工大学 | 一种基于数字孪生的轴承全生命周期监测方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113569445A (zh) * | 2021-07-01 | 2021-10-29 | 洛阳星派数值仿真研究院有限公司 | 一种基于数字孪生技术的钢结构健康监测系统及方法 |
| CN113432857A (zh) * | 2021-07-02 | 2021-09-24 | 中国石油大学(华东) | 基于数字孪生的水下采油树系统剩余使用寿命预测方法及系统 |
| CN113569451A (zh) * | 2021-07-21 | 2021-10-29 | 上海工程技术大学 | 基于数字孪生的列车轴箱轴承寿命预测及故障维修系统 |
| CN113569451B (zh) * | 2021-07-21 | 2023-05-30 | 上海工程技术大学 | 基于数字孪生的列车轴箱轴承寿命预测及故障维修系统 |
| CN113569358A (zh) * | 2021-07-29 | 2021-10-29 | 南京航空航天大学 | 一种面向产品质量反馈的数字孪生系统模型构建方法 |
| CN113569358B (zh) * | 2021-07-29 | 2024-02-06 | 南京航空航天大学 | 一种面向产品质量反馈的数字孪生系统模型构建方法 |
| CN116430712A (zh) * | 2023-04-14 | 2023-07-14 | 重庆信易源智能科技有限公司 | 一种活动发射平台孪生装备智能控制方法 |
| CN116738893A (zh) * | 2023-08-10 | 2023-09-12 | 北京国星创图科技有限公司 | 基于同步传输器进行分析的航天器模拟预测系统 |
| CN116738893B (zh) * | 2023-08-10 | 2023-11-03 | 北京国星创图科技有限公司 | 基于同步传输器进行分析的航天器模拟预测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113051838A (zh) | 一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法 | |
| CN111737811B (zh) | 基于数字孪生的直升机动部件寿命管理方法、设备、介质 | |
| CN109472110B (zh) | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 | |
| Ye et al. | A Bayesian approach to condition monitoring with imperfect inspections | |
| AU2020392984A1 (en) | Methods and systems for component-based reduced order modeling for industrial-scale structural digital twins | |
| CN111340282B (zh) | 基于da-tcn的设备剩余使用寿命的估计方法及系统 | |
| US20220100916A1 (en) | Methods and systems for component-based reduced order modeling for industrial-scale structural digital twins | |
| CN115427968A (zh) | 边缘计算设备中的鲁棒人工智能推理 | |
| Parno et al. | High dimensional inference for the structural health monitoring of lock gates | |
| CN112565593A (zh) | 一种针对空间调焦机构的动态可靠性分析方法 | |
| Gu et al. | Research on prediction of remaining useful life of underwater turntable based on slow feature analysis | |
| US11915108B2 (en) | Material characterization system and method | |
| WO2002041193A1 (en) | Nonlinear systems | |
| Eleftheroglou et al. | Similarity learning hidden semi-Markov model for adaptive prognostics of composite structures | |
| CN114993373A (zh) | 航空玻璃的状态监测方法、装置、计算机设备和介质 | |
| Kim et al. | Bayesian approach for fatigue life prediction from field data | |
| Parola et al. | Structural Damage Localization via Deep Learning and IoT Enabled Digital Twin. | |
| Klyatis et al. | Multi-variate Weibull model for predicting system-reliability, from testing results of the components | |
| CN116395105B (zh) | 一种无人船的自动升降补偿方法及系统 | |
| CN117572779B (zh) | 一种桨叶损伤下的电动航空发动机控制方法 | |
| Jorgensen et al. | Probabilistic assessment of the effect of bolt pre-load loss over time in offshore wind turbine bolted ring-flanges using a gaussian process surrogate model | |
| Shevtsov et al. | Algorithm for Detecting the Critical Elements of Airborne Radar Systems Based on Operational Analysis of Diagnostic Information Time Series | |
| CN117473302B (zh) | 汽车配件的结构可靠性测试方法、装置、设备及存储介质 | |
| CN113886947B (zh) | 一种基于迭代策略的飞行器静气弹系统输出状态量区间确定方法 | |
| US20230252206A1 (en) | Simulation Model Validation for Structure Material Characterization |
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 |