CN113076648B - 减速器疲劳加速试验和剩余寿命预测方法及存储处理系统 - Google Patents
减速器疲劳加速试验和剩余寿命预测方法及存储处理系统 Download PDFInfo
- Publication number
- CN113076648B CN113076648B CN202110378847.3A CN202110378847A CN113076648B CN 113076648 B CN113076648 B CN 113076648B CN 202110378847 A CN202110378847 A CN 202110378847A CN 113076648 B CN113076648 B CN 113076648B
- Authority
- CN
- China
- Prior art keywords
- fatigue
- acceleration
- speed reducer
- test
- model
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请提供一种减速器疲劳加速试验和剩余寿命预测方法及存储处理系统,涉及机器学习技术领域。该方法包括:获取待预测减速器的疲劳性能参数,疲劳性能参数包括:平均无故障时间和应力循环次数,疲劳性能参数为理想状态下的疲劳寿命表征参数;基于疲劳性能参数,构建减速器的性能退化模型;采用预先构建的疲劳加速模型以及性能退化模型,筛选加速因子,进行加速试验,得到减速器在当前阶段的疲劳耐久性和性能退化试验结果,当前阶段的疲劳耐久性包括:剩余的平均无故障时间以及剩余的应力循环次数;根据当前阶段的疲劳耐久性,预测减速器的剩余寿命。本方法可提高减速器剩余寿命预测的效率和准确性。
Description
技术领域
本申请涉及机器学习技术领域,具体而言,涉及一种减速器疲劳加速试验和剩余寿命预测方法及存储处理系统。
背景技术
精密减速器,是一种动力传达机构,其利用齿轮的速度转换器,将电机的回转数减速到所要的回转数,并得到较大转矩的装置。减速器作为机器人传动系统的核心部件,工作时常常承受巨大的负载,并且常常会不间断地工作,故对其工作时的可靠性必须严格要求。如果正常工作时突然失效或者在没有时刻关注时退化失效都会给维修或者保障带来巨大的麻烦,甚至带来巨大的经济负担。所以提前预知减速器在合理负载情况下的有效寿命成为了重中之重。
现有技术中,通常采用试验分析法预测减速器的疲劳寿命。
由于试验分析法预测减速器的疲劳寿命是完全依赖于试验结果的,在设计阶段或试验情况比较复杂的情况下,试验结果的准确性较差,耗费人力物力比较大,从而导致预测的减速器的疲劳寿命效率和精确度较差。
发明内容
本申请的目的在于,针对上述现有技术中的不足,提供一种减速器疲劳加速试验和剩余寿命预测方法及存储处理系统,以便于解决现有技术中存在的减速器疲劳寿命预测结果准确性较差的问题。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种减速器疲劳加速试验和剩余寿命预测方法,包括:
获取待预测减速器的疲劳性能参数,所述疲劳性能参数包括:平均无故障时间和应力循环次数,所述疲劳性能参数为理想状态下的疲劳寿命表征参数;
基于所述疲劳性能参数,构建所述减速器的性能退化模型;
采用预先构建的疲劳加速模型以及所述性能退化模型,筛选加速因子,进行加速试验,得到所述减速器在当前阶段的疲劳耐久性和性能退化试验结果,所述当前阶段的疲劳耐久性包括:剩余的平均无故障时间以及剩余的应力循环次数;
根据所述当前阶段的疲劳耐久性,预测所述减速器的剩余寿命。
可选地,所述采用预先构建的疲劳加速模型以及所述性能退化模型,筛选加速因子,进行加速试验,得到所述减速器在当前阶段的疲劳耐久性和性能退化试验结果,包括:
采用所述性能退化模型,进行所述减速器的剩余寿命预测,得到预测结果;
基于所述疲劳加速模型以及第一加速因子,进行第一加速试验;
根据第一加速试验的试验结果,验证并优化所述疲劳加速模型,确定新的加速因子以及所述预测结果的准确度;
根据所述预测结果的准确度,得到所述减速器在当前阶段的疲劳耐久性和性能退化试验结果。
可选地,所述采用所述性能退化模型,进行所述减速器的剩余寿命预测,得到预测结果,包括:
执行非加速试验,并基于所述非加速试验的试验结果,采用所述性能退化模型,进行所述减速器的剩余寿命预测,得到预测结果。
可选地,所述采用所述性能退化模型,进行所述减速器的剩余寿命预测,得到预测结果,包括:
基于所述疲劳加速模型以及第二加速因子,进行第二加速试验,并基于所述第二加速试验的试验结果,采用所述性能退化模型,进行所述减速器的剩余寿命预测,得到预测结果;
其中,所述第二加速因子对应的倍数不同于所述第一加速因子对应的倍数。
可选地,所述基于所述疲劳加速模型以及第一加速因子,进行第一加速试验之前,还包括:
基于所述减速器对应的全周期寿命模型,确定所述第一加速因子。
可选地,所述基于所述减速器对应的全周期寿命模型,确定所述第一加速因子,包括:
以目标失效机理信息以及失效模式信息作为约束条件,基于所述全周期寿命内的减速器运行和环境参数,确定所述第一加速因子;
其中,所述运行和环境参数包括:转速、扭矩、应力、负载、环境温升。
可选地,所述获取待预测减速器的疲劳性能参数,包括:
基于所述减速器对应的全周期寿命模型,获取待预测减速器的疲劳性能参数。
第二方面,本申请实施例还提供了一种存储处理系统,包括:获取模块、构建模块、试验模块、预测模块;
所述获取模块,用于获取待预测减速器的疲劳性能参数,所述疲劳性能参数包括:平均无故障时间和应力循环次数,所述疲劳性能参数为理想状态下的疲劳寿命表征参数;
所述构建模块,用于基于所述疲劳性能参数,构建所述减速器的性能退化模型;
所述试验模块,用于采用预先构建的疲劳加速模型以及所述性能退化模型,筛选加速因子,进行加速试验,得到所述减速器在当前阶段的疲劳耐久性和性能退化试验结果,所述当前阶段的疲劳耐久性包括:剩余的平均无故障时间以及剩余的应力循环次数;
所述预测模块,用于根据所述当前阶段的疲劳耐久性,预测所述减速器的剩余寿命。
可选地,所述试验模块,具体用于采用所述性能退化模型,进行所述减速器的剩余寿命预测,得到预测结果;基于所述疲劳加速模型以及第一加速因子,进行第一加速试验;根据第一加速试验的试验结果,验证并优化所述疲劳加速模型,确定新的加速因子以及所述预测结果的准确度;根据所述预测结果的准确度,得到所述减速器在当前阶段的疲劳耐久性和性能退化试验结果。
可选地,所述试验模块,具体用于执行非加速试验,并基于所述非加速试验的试验结果,采用所述性能退化模型,进行所述减速器的剩余寿命预测,得到预测结果。
可选地,所述试验模块,具体用于基于所述疲劳加速模型以及第二加速因子,进行第二加速试验,并基于所述第二加速试验的试验结果,采用所述性能退化模型,进行所述减速器的剩余寿命预测,得到预测结果;
其中,所述第二加速因子对应的倍数不同于所述第一加速因子对应的倍数。
可选地,所述装置还包括:确定模块;
所述确定模块,用于基于所述减速器对应的全周期寿命模型,确定所述第一加速因子。
可选地,所述确定模块,具体用于以目标失效机理信息以及失效模式信息作为约束条件,基于所述全周期寿命内的减速器运行和环境参数,确定所述第一加速因子;其中,所述运行和环境参数包括:转速、扭矩、应力、负载、环境温升。
可选地,所述获取模块,具体用于基于所述减速器对应的全周期寿命模型,获取待预测减速器的疲劳性能参数。
第三方面,本申请实施例提供了一种电子设备,包括:处理器、存储介质和总线,存储介质存储有处理器可执行的机器可读指令,当电子设备运行时,处理器与存储介质之间通过总线通信,处理器执行机器可读指令,以执行时执行如第一方面中提供的方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如第一方面提供的方法的步骤。
本申请的有益效果是:
本申请提供一种减速器疲劳加速试验和剩余寿命预测方法及存储处理系统,该方法包括:获取待预测减速器的疲劳性能参数,疲劳性能参数包括:平均无故障时间和应力循环次数,疲劳性能参数为理想状态下的疲劳寿命表征参数;基于疲劳性能参数,构建减速器的性能退化模型;采用预先构建的疲劳加速模型以及性能退化模型,筛选加速因子,进行加速试验,得到减速器在当前阶段的疲劳耐久性和性能退化试验结果,当前阶段的疲劳耐久性包括:剩余的平均无故障时间以及剩余的应力循环次数;根据当前阶段的性能参数试验结果,预测减速器的剩余寿命。本方案中,通过将减速器的全周期寿命模型与性能退化模型和疲劳加速模型相结合,在获取到减速器在理想状态下的疲劳寿命表征参数后,进一步地基于退化模型,得到减速器在当前阶段的疲劳耐久性和性能退化试验结果,可提高减速器剩余寿命预测的效率,而通过疲劳加速模型可对退化模型的试验结果进行验证,从而提高了试验结果的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1为本申请实施例提供的一种减速器疲劳加速试验和剩余寿命预测系统的架构示意图;
图2为本申请实施例提供的一种减速器疲劳加速试验和剩余寿命预测方法的流程示意图;
图3为本申请实施例提供的另一种减速器疲劳加速试验和剩余寿命预测方法的流程示意图;
图4为本申请实施例提供的一种韦伯分布示意图;
图5为本申请实施例提供的一种存储处理系统的示意图;
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
图1为本申请实施例提供的一种减速器疲劳加速试验和剩余寿命预测系统的架构示意图,本申请所提供的减速器疲劳加速试验和剩余寿命预测方法可应用于该系统中,如图1所示,该系统可包括:全周期寿命模型、性能退化模型、疲劳加速模型,全周期寿命模型用于根据减速器的材料、结构等特性,计算获取减速器的疲劳性能参数,其中包括:平均无故障时间和应力循环次数等。基于全周期寿命模型得到的疲劳性能参数、以及退化参数,可构建得到性能退化模型,性能退化模型可用于获取减速器在当前阶段的性能参数试验结果,而通过疲劳加速模型,可对试验结果进行验证。基于得到的性能参数试验结果,可对减速器的寿命实现准确预测。
图2为本申请实施例提供的一种减速器疲劳加速试验和剩余寿命预测方法的流程示意图;如图2所示,该方法可包括:
S201、获取待预测减速器的疲劳性能参数,疲劳性能参数包括:平均无故障时间和应力循环次数,疲劳性能参数为理想状态下的疲劳寿命表征参数。
可选地,可采用预先构建的全周期寿命模型,按照常规的试验条件获取待预测减速器的疲劳性能参数,或者,也可以从现有的疲劳性能数据中获取待预测减速器的疲劳性能参数。通常,在减速器的材料、结构等参数固定的条件下,其对应的疲劳性能参数是不变的,也即,在获取到待预测减速器的材料和结构参数后,可基于全周期寿命模型,确定待预测减速器的疲劳性能参数。
其中,疲劳性能参数为理想状态下的疲劳寿命表征参数,也即,在未加入其它影响因子的情况下,待预测减速器所具有的疲劳性能参数。
S202、基于疲劳性能参数,构建减速器的性能退化模型。
S203、采用预先构建的疲劳加速模型以及性能退化模型,筛选加速因子,进行加速试验,得到减速器在当前阶段的疲劳耐久性和性能退化试验结果,当前阶段的疲劳耐久性包括:剩余的平均无故障时间以及剩余的应力循环次数。
可选地,可基于上述所得到的理想状态下的疲劳寿命表征参数,搭建减速器的性能退化模型。从而采用性能退化模型进行退化实现,确定减速器在当前阶段的疲劳耐久性和性能退化试验结果。其中,疲劳耐久性可以指在疲劳失效前的疲劳性能,包括平均无故障时间、剩余应力循环次数及各性能表征参数的退化情况等。
另外,采用疲劳加速模型,可对退化模型的试验结果进行验证,也即,对试验结果所包含的各项参数进行比对验证,以确定试验结果的合理性。
S204、根据当前阶段的疲劳耐久性,预测减速器的剩余寿命。
可选地,可基于上述的疲劳耐久性试验结果,进行减速器剩余寿命的推导。通常,减速器的平均无故障时间以及剩余的应力循环次数均与减速器的剩余寿命呈一定的相关性,基于上述所确定的减速器的剩余的平均无故障时间以及剩余的应力循环次数,采用平均无故障时间、应力循环次数与剩余寿命的对应关系曲线,预测该待预测减速器的剩余寿命。
综上,本实施例提供一种减速器疲劳加速试验和剩余寿命预测方法,包括:获取待预测减速器的疲劳性能参数,疲劳性能参数包括:平均无故障时间和应力循环次数,疲劳性能参数为理想状态下的疲劳寿命表征参数;基于疲劳性能参数,构建减速器的性能退化模型;采用预先构建的疲劳加速模型以及性能退化模型,筛选加速因子,进行加速试验,得到减速器在当前阶段的疲劳耐久性和性能退化试验结果,当前阶段的疲劳耐久性包括:剩余的平均无故障时间以及剩余的应力循环次数;根据当前阶段的性能参数试验结果,预测减速器的剩余寿命。本方案中,通过将减速器的全周期寿命模型与性能退化模型和疲劳加速模型相结合,在获取到减速器在理想状态下的疲劳寿命表征参数后,进一步地基于退化模型,得到减速器在当前阶段的疲劳耐久性和性能退化试验结果,可提高减速器剩余寿命预测的效率,而通过疲劳加速模型可对退化模型的试验结果进行验证,从而提高了试验结果的准确性。
图3为本申请实施例提供的另一种减速器疲劳加速试验和剩余寿命预测方法的流程示意图;可选地,步骤S203中,采用预先构建的疲劳加速模型以及性能退化模型,筛选加速因子,进行加速试验,得到减速器在当前阶段的疲劳耐久性和性能退化试验结果,可以包括:
S301、采用性能退化模型,进行减速器的剩余寿命预测,得到预测结果。
可选地,可基于减速器寿命与退化失效之间的相互关系,建立考虑随机效应和多元参数的复杂非线性性能退化模型,基于有限退化数据样本和比例失效模型进行剩余寿命评估,得到预测结果。
S302、基于疲劳加速模型以及第一加速因子,进行第一加速试验。
可选地,可基于加速试验理论和故障树的合理模型,基于失效形式和机理一致的目标下,根据疲劳耐久性影响因素权重值大小设计疲劳加速模型。
疲劳加速模型是指在加速试验中用于描述样件(样本减速器)可靠性特征量(如剩余寿命、循环次数、失效率等)与所施加的加速因子之间关系的模型,通常分为物理加速模型、经验加速模型和统计加速模型。
物理加速模型从物理化学角度,对产品失效过程进行的总结。比如成熟的Arrhenius(阿伦尼乌斯)模型、Eyring(Eyring)模型常用于描述温度应力与产品寿命的关系。
经验模型通过可靠性工程师对产品失效过程进行长期观察而归纳得到的。其中,逆幂律模型常用于描述电应力与产品寿命的关系;Coffin-Manson(疲劳寿命)模型常用于描述温度循环应力与产品寿命的关系。
统计加速模型采用统计分析方法,对加速退化数据进行拟合预估而得到。又可分为参数与非参数两类模型,其中,参数模型需预先假定产品的寿命分布类型;而非参数模型则不需要,常见的有比例危险模型和比例优势模型。
可选地,可基于所搭建的疲劳加速模型,以及所施加的第一加速因子,进行第一加速实验。
S303、根据第一加速试验的试验结果,验证并优化疲劳加速模型,确定新的加速因子以及预测结果的准确度。
可选地,通过第一加速试验,采集点数据,通过拟合最终可获得待预测减速器性能退化量和时间的关系曲线。
基于所得到的关系曲线,可验证并优化所构建的疲劳加速模型,同时可重新选择新的加速因子,以及确定退化模型计算得到的预测结果的准确度。
S304、根据预测结果的准确度,得到减速器在当前阶段的疲劳耐久性和性能退化试验结果。
可选地,上述验证预测结果准确度满足预设阈值时,可认为预测结果可信度较高,从而可得到减速器在当前阶段的疲劳耐久性和性能退化试验结果。
可选地,步骤S301中,采用性能退化模型,进行减速器的剩余寿命预测,得到预测结果,可以包括:执行非加速试验,并基于非加速试验的试验结果,采用性能退化模型,进行减速器的剩余寿命预测,得到预测结果。
在一种可实现的方式中,可基于性能退化模型,执行非加速试验,非加速试验也即指常规试验,在不添加加速因子的情况下,执行常规试验,进行减速器剩余寿命的预测。
可选地,步骤S301中,采用性能退化模型,进行减速器的剩余寿命预测,得到预测结果,可以包括:基于疲劳加速模型以及第二加速因子,进行第二加速试验,并基于第二加速试验的试验结果,采用性能退化模型,进行减速器的剩余寿命预测,得到预测结果;其中,第二加速因子对应的倍数不同于第一加速因子对应的倍数。
在另一种可实现的方式中,可先采用上述所搭建的疲劳加速模块,执行加速实验,获得试验结果,再根据试验结果,基于性能退化模型,进行减速器的剩余寿命预测,得到预测结果。
需要说明的是,本实施例中所使用的第二加速因子与上述实施例中的第一加速因子均可以为加速应力,加速因子是加速试验中的重要参数,反映加速应力对样品失效作用的快慢程度,也反映样品在加速应力下寿命信息与正常工作应力(或额定应力)下寿命信息之间的折算关系。
其决定要求有:所选取应力必须能够加快产品的性能衰退速度,可以极大的缩短试验周期,但不能影响产品失效机理;选择加速应力时不能仅凭理论上的可行性选择,还要有可实践性,便于实施,同时对产品的性能影响力最大。
假设产品在额定应力σ0下的寿命分布函数为F0(t),tp0为其p分位寿命。在加速应力σi下的寿命分布函数为Fi(t),tpi为其p分位寿命,有F0(t)=Fi(t)=p,则加速应力σi对额定应力σ0的加速因子定义为:AFi0=tp0/tpi。为达到加速目的,一般加速因子AFi0取值大于1。
可选地,上述的第二加速因子可不等于第一加速因子,也即,第二加速因子可以是小于第一加速因子,也可以是大于第一加速因子,两者取值不同即可。例如:第一加速因子为1.5,则第二加速因子可以取小于1.5或者取大于1.5。
如下对基于疲劳加速模型所进行的疲劳加速试验的研究进行说明:
第一:试验平台的搭建:
其主要构成包括:试验台主机、电控柜、操作台组成,其中:试验台驱动系统包括驱动电机、扭矩传感器、圆光栅传感器、驱动调整机构、联轴器、机械支承结构、回转部件防护罩;试验台加载系统包括加载电机、扭矩传感器、圆光栅传感器、联轴器、机械支承结构、回转部件防护罩、加载系统安装底座、电控柜包括柜体、变频器、滤波器、继电器、开关、温控器、接线端子、稳压电源。
第二:疲劳加速试验的可行性:
传动构件的疲劳寿命受到多种因素的影响,参数之间具有显著的相关性,在多数情况下共同交互作用,直至发生疲劳破坏,不仅平均应力对疲劳寿命产生影响,频率、载荷的保持时间、温度等都会对疲劳寿命产生影响。传统疲劳试验通常要求样本容量足够大以获得全面准确的有用数据,但对于某些几何形状和工艺较为复杂、加工精度要求高的传动构件而言,采用全寿命试验无疑需要投入大量人力、物力,财力,显然不现实。因此,采用合理的加速试验和数量统计方法,可充分利用有限样本反映疲劳耐久性特征的规律。疲劳特征加速试验是在保持疲劳失效机理不变的条件下,通过加大试验激励条件来缩短试验周期的一种试验方法。达到缩短试验时间,提高试验效率,降低试验成本的目的。
第三:试验方法设计:
加速疲劳试验方法是基于Miner线性累积损伤准则设计的。在各个应力相互独立下,当损伤累积到极限值时,减速器构件就发生疲劳损伤。为了得到加速疲劳试验与等幅疲劳试验(这里也可认为是常规应力的试验)的当量关系,加速试验方法采用与等幅试验的载荷相似的设计载荷,以便得到与等幅试验结果相同的失效位置。依据Miner准则,推导出设计载荷谱作用下的循环次数:
其中,Ns、Na分别为等幅、加速疲劳试验循环次数。L′s、L′a分别为等幅设计载荷谱、加速疲劳试验的理论寿命。
第四:加速试验设计准则:
采用加速疲劳试验方法遵循的相关性准则:
(1)试验采用的加速疲劳试验的设计载荷应与等幅疲劳设计载荷有一定的相关性,这表现在载荷谱的幅值应成一定的比例。
(2)试验的失效位置和失效机理应保证不变。为进一步提高寿命预测的可靠性,加速疲劳试验应考虑影响减速器的疲劳失效机理和非线性特征关系。
(3)但由于加速疲劳试验的设计载荷受人为影响,因此,需准确选取和验证优化合理的加速因子才能全面客观地反映减速器构件的疲劳寿命。
第五:载荷谱分析:
(1)应力及循环次数
减速器旋转一周产生一个载荷循环。在齿根部形成了应力-应变迟滞曲线,当街轮旋转Ns次时,形成从Ns个应力-应变迟滞循环。
假设输入转矩(这里可以不限定从驱动电机的输入,直接表述为减速器的输入转矩即可)保持平稳,转速也为设定值,输入轴的转矩随时间的变化可用正弦信号表示:
减速器接触应力σH(t)也随时间变化的正弦函数,同理,弯曲应力σF(t)关系:
式中,通过查阅相关手册和计算值得知:σH为点接触应力。ZE=189.8为弹性系数,单位为节点区域系数,βb为基圆螺旋角。为重合度系数,εα为重合度。Zβ=1为螺旋角系数。dc为分度圆直径。qfci为传动比。Ft为分度圆名义切向力。KA=1.25为使用系数。KHβ=1.3417为接触齿向载荷分布系数。KHα=1.0为接触齿间载荷分配系数。KV=1.045为动载荷系数。σF为齿根弯曲应力。YF=2.6为齿形系数。YS=1.65为应力修正系数。Yβ=1为螺旋角系数。KA为使用系数。KV=1.045为动载系数。KFα=1为齿间载荷分配系数。KFβ=1.2952为齿向载荷分配系数。mf为法向模数。
(2)疲劳损伤度等效折算
疲劳寿命应保证在有限寿命范围内,这是因为材料失效是在危险截面上发生弹性变形向塑性变形的转化。其任意两阶段的寿命之比与应力幅值成m次反比,从而以仅可作为损伤度等效折算公式:
式中,Ns1、Ns2为S-N曲线对应的循环次数的对数值。σ1、σ2为循环应力的对数值。
(3)损伤累积和疲劳失效关系
假设减速器在应力σj下疲劳寿命的循环次数为Nj,Miner法则认为当零件循环次数nj达不到Nj时,每次循环造成部分寿命损伤,那么第nj次的损伤率为nj/Nj。
(4)循环次数当量关系
加速疲劳试验的循环次数与等幅疲劳试验的循环次数相当,因而产生疲劳的失效机理相同:
式中,Na为加速疲劳试验的循环次数。Kσi为加速试验载荷强化系数。Nsi、Ns(i+1)为等幅试验某两阶段的循环次数。
通过上述步骤,对疲劳加速模型所实现的疲劳加速试验的设计原理及试验研究过程进行了详细说明,参照上述方法,可实现疲劳加速验证试验,得到减速器在当前阶段的性能参数试验结果。
可选地,步骤S302中,基于疲劳加速模型以及第一加速因子,进行第一加速试验之前,本申请的方法还可包括:基于减速器对应的全周期寿命模型,确定第一加速因子。其中具体包括:以目标失效机理信息以及失效模式信息作为约束条件,基于全周期寿命内的减速器运行和环境参数,确定第一加速因子;其中,运行和环境参数包括:转速、扭矩、应力、负载、环境温升。
在一种可实现的方式中,针对不同的参数类型,可采用不同的疲劳加速模型。在确保失效机理和失效模式不变的前提下,相对于全周期寿命模型中的“转速”、“扭矩”、“应力”、“负载”、“环境温升”等条件,设置各自(一个或多个)合理的加速因子(即相对倍数),以实现加速试验的目的,加快减速器的疲劳失效进度。
工程应用上,为保持失效机理不变,归纳常用的寿命分布模型及采用相应的加速因子进行推导计算,如表1:
表1
本实施例中,根据加速试验理论体系提出减速器疲劳失效评测方法,将加速试验平台所得数据与CAE仿真数据、实际疲劳失效试验数据进行对比,进行全寿命周期的减速器微动疲劳特征数据的采集、权重分析、失效阈值定义。结合失效故障树模型中关于单一影响因素的定量分析与多影响因素的模糊分析、试验结果,通过数据拟合,归纳合理的加速函数,提取加速因子,对加速试验的输入工况、激励条件和台架优化进行优化设计。
可选地,步骤S201中,获取待预测减速器的疲劳性能参数,可以包括:基于减速器对应的全周期寿命模型,获取待预测减速器的疲劳性能参数。
全周期寿命模型可以是预先搭建的,其表示的是减速器的材料、结果与性能参数之间的对应关系,基于全周期寿命模型,可获取待预测减速器的疲劳性能参数。
可选地,基于上述加速试验得到的减速器当前阶段的性能参数试验结果,可进一步地预测减速器的剩余寿命。
可选地,剩余寿命的推导可如下所示:
将加速退化试验下目标样品的实际退化数据记为X1:i,k,其中,实际退化数据可以包括但不限于上述所得到的剩余的平均无故障时间以及剩余的应力循环次数。观测时刻记为t1:i,k,它们可分别表示为:
当前时刻ti,k处目标样品的剩余寿命可定义为:
Li,k=inf{li,k:X(ti,k+li,k)≥l|X(ti,k)<l}
同时,在给定当前时刻ti,k的漂移系数为λi,k时,样品剩余寿命的条件概率密度函数可近似表示为:
由于目标样品的性能参数在观测过程中受观测误差的影响,因此难以得到实际退化数据X1:i,k,只能得到观测数据Y1:i,k={Y1,1,…,Y1,k,Y2,1,…,Y2,k,…,Yi,1,…,Yi,k}。那么实际退化量X1:i,k可由对应的观测量Y1:i,k和误差表示,即:
于是,当前时刻处样品剩余寿命的期望为:
如下通过列举加速退化试验示例,以帮助理解:
选择合适数量的减速器用于加速退化试验,如表2所示,其中8台减速器(国内国外RV减速器各2台及国内国外谐波减速器各2台)用于加速退化试验,8台减速器(国内RV减速器8台)用于基于Weibull(韦伯)分布的可靠性参数估计试验。
表2
型号 | RV减速器数量/台 | 谐波减速器数量/台 |
国内 | 8(2+6) | 2 |
国外 | 2 | 2 |
对选择的减速器分别进行加速退化试验和寿命试验:选取其中4种型号各2台(共8台)进行加速性能退化试验,并分别在0h、50h、100h、200h、300h、500h、700h、1000h时刻测试记录减速器的精度、效率、回差和背隙结果,最后形成测试数据;其中2台国内RV减速器在1000h后继续运行至减速器发生破坏(寿命结束),另外6台同型号的RV减速器进行额定载荷或模拟惯性负载条件下的寿命试验,得到8台减速器的寿命试验结果。
注意事项:此试验方法内容无国标或规范文件,测试项目、内容及试验参数仅限内部测试参考;性能退化试验工装最好和综合性能试验工装保持一致,在试验换项时只拆卸工装即可,无须拆换减速器,以降低减速器拆装过程对性能损失带来的影响。
(1)一般图估计示例
谐波减速器L10h=100h,N=8套,试验结束得到8个失效数据,80h、110h、155h、170h、220h、240h、300h、380h。用图估计参数b及v,求L10h、L50h、Re等值,并判断样品是否合格。
图4为本申请实施例提供的一种韦伯分布示意图,由8个失效数据,配置直线A,如图4所示,横坐标为Li,纵坐标为故8个点的坐标分别为:(80,0.083),(110,0.202)……(380,0.917),将其点在Weibull分布概率纸上,配置直线A。由直线A求出:b=2,v=250h,L10h=85h,L50h=200h,Re=86%。
L10t/L10h<1.4,故判定该批减速器样品不合格。
(2)分组淘汰法估计示例。谐波减速器L10h=100h,N=32套,分8组m=8,每组4套同时上机试验N′=4套。每组有一套减速器失效即停机,试验结束得到8个失效数据,80h、110h、155h、170h、220h、240h、300h、380h。用图估计参数b及v,求L10h、L50h、Re等值,并判断样品是否合格。
同样参考图4所示的韦伯分布示意图,先由8个失效数据,配置直线A,再由分布直线A求分布直线B,如图4所示。由于每组有4套减速器,故将待求的直线B上M点的纵坐标记为纵坐标为作三条平行线:过F(L)=50%作横轴平行线与直线A交于C点,过C作纵轴平行线与过F(L)=0.159的横轴平行线交于M点。过M点做与直线A平行的直线B,当N′为每组套数时,B的特征寿命由直线B求出:b=2,v=500h,L10h=160h,L50h=400h,Re=96%。
L10t/L10h>1.4,故判定该批减速器样品合格。
上述通过具体的试验实例,对本申请的加速退化试验进行了说明。
综上所述,本实施例提供一种减速器疲劳加速试验和剩余寿命预测方法,包括:获取待预测减速器的疲劳性能参数,疲劳性能参数包括:平均无故障时间和应力循环次数,疲劳性能参数为理想状态下的疲劳寿命表征参数;基于疲劳性能参数,构建减速器的性能退化模型;采用预先构建的疲劳加速模型以及性能退化模型,筛选加速因子,进行加速试验,得到减速器在当前阶段的疲劳耐久性和性能退化试验结果,当前阶段的疲劳耐久性包括:剩余的平均无故障时间以及剩余的应力循环次数;根据当前阶段的性能参数试验结果,预测减速器的剩余寿命。本方案中,通过将减速器的全周期寿命模型与性能退化模型和疲劳加速模型相结合,在获取到减速器在理想状态下的疲劳寿命表征参数后,进一步地基于退化模型,得到减速器在当前阶段的疲劳耐久性和性能退化试验结果,可提高减速器剩余寿命预测的效率,而通过疲劳加速模型可对退化模型的试验结果进行验证,从而提高了试验结果的准确性。
下述对用以执行本申请所提供的减速器疲劳加速试验和剩余寿命预测方法的存储处理系统、设备及存储介质等进行说明,其具体的实现过程以及技术效果参见上述,下述不再赘述。
图5为本申请实施例提供的一种存储处理系统的示意图,该系统实现的功能对应上述方法执行的步骤。该系统可包括:获取模块610、构建模块620、试验模块630、预测模块640;
获取模块610,用于获取待预测减速器的疲劳性能参数,疲劳性能参数包括:平均无故障时间和应力循环次数,疲劳性能参数为理想状态下的疲劳寿命表征参数;
构建模块620,用于基于疲劳性能参数,构建减速器的性能退化模型;
试验模块630,用于采用预先构建的疲劳加速模型以及性能退化模型,筛选加速因子,进行加速试验,得到减速器在当前阶段的疲劳耐久性和性能退化试验结果,当前阶段的疲劳耐久性包括:剩余的平均无故障时间以及剩余的应力循环次数;
预测模块640,用于根据当前阶段的疲劳耐久性,预测减速器的剩余寿命。
可选地,试验模块630,具体用于采用性能退化模型,进行减速器的剩余寿命预测,得到预测结果;基于疲劳加速模型以及第一加速因子,进行第一加速试验;根据第一加速试验的试验结果,验证并优化疲劳加速模型,确定新的加速因子以及预测结果的准确度;根据预测结果的准确度,得到减速器在当前阶段的疲劳耐久性和性能退化试验结果。
可选地,试验模块630,具体用于执行非加速试验,并基于非加速试验的试验结果,采用性能退化模型,进行减速器的剩余寿命预测,得到预测结果。
可选地,试验模块630,具体用于基于疲劳加速模型以及第二加速因子,进行第二加速试验,并基于第二加速试验的试验结果,采用性能退化模型,进行减速器的剩余寿命预测,得到预测结果;
其中,第二加速因子对应的倍数不同于第一加速因子对应的倍数。
可选地,该装置还包括:确定模块;
确定模块,用于基于减速器对应的全周期寿命模型,确定第一加速因子。
可选地,确定模块,具体用于以目标失效机理信息以及失效模式信息作为约束条件,基于全周期寿命内的减速器运行和环境参数,确定第一加速因子;其中,运行和环境参数包括:转速、扭矩、应力、负载、环境温升。
可选地,获取模块610,具体用于基于减速器对应的全周期寿命模型,获取待预测减速器的疲劳性能参数。
上述系统用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等,或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接,或其任意组合。两个或更多个模块可以组合为单个模块,并且任何一个模块可以分成两个或更多个单元。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。
需要说明的是,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(Digital Singnal Processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(System-on-a-chip,简称SOC)的形式实现。
图6为本申请实施例提供的一种电子设备的结构示意图,该设备可以集成于终端设备或者终端设备的芯片,该终端可以是具备数据处理功能的计算设备。
该设备可包括:处理器801、存储器802。
存储器802用于存储程序,处理器801调用存储器802存储的程序,以执行上述方法实施例。具体实现方式和技术效果类似,这里不再赘述。
其中,存储器802存储有程序代码,当程序代码被处理器801执行时,使得处理器801执行本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的减速器疲劳加速试验和剩余寿命预测方法中的各种步骤。
处理器801可以是通用处理器,例如中央处理器(CPU)、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器802作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random Access Memory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器802还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
可选地,本申请还提供一种程序产品,例如计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述方法实施例。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种减速器疲劳加速试验和剩余寿命预测方法,其特征在于,包括:
获取待预测减速器的疲劳性能参数,所述疲劳性能参数包括:平均无故障时间和应力循环次数,所述疲劳性能参数为理想状态下的疲劳寿命表征参数;
基于所述疲劳性能参数,构建所述减速器的性能退化模型;
采用预先构建的疲劳加速模型以及所述性能退化模型,筛选加速因子,进行加速试验,得到所述减速器在当前阶段的疲劳耐久性和性能退化试验结果,所述当前阶段的疲劳耐久性包括:剩余的平均无故障时间以及剩余的应力循环次数;
根据所述当前阶段的疲劳耐久性,预测所述减速器的剩余寿命。
2.根据权利要求1所述的方法,其特征在于,所述采用预先构建的疲劳加速模型以及所述性能退化模型,筛选加速因子,进行加速试验,得到所述减速器在当前阶段的疲劳耐久性和性能退化试验结果,包括:
采用所述性能退化模型,进行所述减速器的剩余寿命预测,得到预测结果;
基于所述疲劳加速模型以及第一加速因子,进行第一加速试验;
根据第一加速试验的试验结果,验证并优化所述疲劳加速模型,确定新的加速因子以及所述预测结果的准确度;
根据所述预测结果的准确度,得到所述减速器在当前阶段的疲劳耐久性和性能退化试验结果。
3.根据权利要求2所述的方法,其特征在于,所述采用所述性能退化模型,进行所述减速器的剩余寿命预测,得到预测结果,包括:
执行非加速试验,并基于所述非加速试验的试验结果,采用所述性能退化模型,进行所述减速器的剩余寿命预测,得到预测结果。
4.根据权利要求2所述的方法,其特征在于,所述采用所述性能退化模型,进行所述减速器的剩余寿命预测,得到预测结果,包括:
基于所述疲劳加速模型以及第二加速因子,进行第二加速试验,并基于所述第二加速试验的试验结果,采用所述性能退化模型,进行所述减速器的剩余寿命预测,得到预测结果;
其中,所述第二加速因子对应的倍数不同于所述第一加速因子对应的倍数。
5.根据权利要求2-4任一项所述的方法,其特征在于,所述基于所述疲劳加速模型以及第一加速因子,进行第一加速试验之前,还包括:
基于所述减速器对应的全周期寿命模型,确定所述第一加速因子。
6.根据权利要求5所述的方法,其特征在于,所述基于所述减速器对应的全周期寿命模型,确定所述第一加速因子,包括:
以目标失效机理信息以及失效模式信息作为约束条件,基于所述全周期寿命内的减速器运行和环境参数,确定所述第一加速因子;
其中,所述运行和环境参数包括:转速、扭矩、应力、负载、环境温升。
7.根据权利要求1所述的方法,其特征在于,所述获取待预测减速器的疲劳性能参数,包括:
基于所述减速器对应的全周期寿命模型,获取待预测减速器的疲劳性能参数。
8.一种存储处理系统,其特征在于,包括:获取模块、构建模块、试验模块、预测模块;
所述获取模块,用于获取待预测减速器的疲劳性能参数,所述疲劳性能参数包括:平均无故障时间和应力循环次数,所述疲劳性能参数为理想状态下的疲劳寿命表征参数;
所述构建模块,用于基于所述疲劳性能参数,构建所述减速器的性能退化模型;
所述试验模块,用于采用预先构建的疲劳加速模型以及所述性能退化模型,筛选加速因子,进行加速试验,得到所述减速器在当前阶段的疲劳耐久性和性能退化试验结果,所述当前阶段的疲劳耐久性包括:剩余的平均无故障时间以及剩余的应力循环次数;
所述预测模块,用于根据所述当前阶段的疲劳耐久性,预测所述减速器的剩余寿命。
9.根据权利要求8所述的系统,其特征在于,所述试验模块,具体用于:
采用所述性能退化模型,进行所述减速器的剩余寿命预测,得到预测结果;基于所述疲劳加速模型以及第一加速因子,进行第一加速试验;
根据第一加速试验的试验结果,验证并优化所述疲劳加速模型,确定新的加速因子以及所述预测结果的准确度;
根据所述预测结果的准确度,得到所述减速器在当前阶段的疲劳耐久性和性能退化试验结果。
10.根据权利要求9所述的系统,其特征在于,所述试验模块,具体用于:
执行非加速试验,并基于所述非加速试验的试验结果,采用所述性能退化模型,进行所述减速器的剩余寿命预测,得到预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110378847.3A CN113076648B (zh) | 2021-04-08 | 2021-04-08 | 减速器疲劳加速试验和剩余寿命预测方法及存储处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110378847.3A CN113076648B (zh) | 2021-04-08 | 2021-04-08 | 减速器疲劳加速试验和剩余寿命预测方法及存储处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113076648A CN113076648A (zh) | 2021-07-06 |
CN113076648B true CN113076648B (zh) | 2022-07-26 |
Family
ID=76615895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110378847.3A Active CN113076648B (zh) | 2021-04-08 | 2021-04-08 | 减速器疲劳加速试验和剩余寿命预测方法及存储处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113076648B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113607580B (zh) * | 2021-08-10 | 2023-09-05 | 江苏徐工工程机械研究院有限公司 | 一种金属构件疲劳试验方法及剩余寿命预测方法 |
CN113834652B (zh) * | 2021-11-29 | 2022-02-22 | 河北工业大学 | 工业机器人用减速器加速寿命试验方法 |
CN114781250A (zh) * | 2022-04-11 | 2022-07-22 | 西南交通大学 | 一种基于机器学习的多因素影响环境疲劳寿命预测方法 |
CN117252040B (zh) * | 2023-11-16 | 2024-02-06 | 杭州中安电子股份有限公司 | 多应力加速试验分析方法、电子设备和可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020451A (zh) * | 2017-12-26 | 2019-07-16 | 新疆金风科技股份有限公司 | 一种驱动组件传动带的剩余寿命计算方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8712726B2 (en) * | 2010-12-01 | 2014-04-29 | Xerox Corporation | System and method for predicting remaining useful life of device components |
WO2018071005A1 (en) * | 2016-10-11 | 2018-04-19 | Hitachi, Ltd. | Deep long short term memory network for estimation of remaining useful life of the components |
-
2021
- 2021-04-08 CN CN202110378847.3A patent/CN113076648B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020451A (zh) * | 2017-12-26 | 2019-07-16 | 新疆金风科技股份有限公司 | 一种驱动组件传动带的剩余寿命计算方法及装置 |
Non-Patent Citations (2)
Title |
---|
"带测量误差的非线性退化过程建模与剩余寿命估计";司小胜等;《制造业自动化》;20130531;第39卷(第5期);第530-541页 * |
"机器人用精密减速器性能试验工装夹具优化设计";潘建安等;《汽车零部件》;20200630;第17-20页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113076648A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113076648B (zh) | 减速器疲劳加速试验和剩余寿命预测方法及存储处理系统 | |
JP5844978B2 (ja) | ガスタービンを監視するためのシステム及び方法 | |
CN107784178B (zh) | 一种基于多故障机理耦合的机械结构可靠性分析方法 | |
CN107545110B (zh) | 一种动态应力加速寿命试验剖面编制方法 | |
CN111025041A (zh) | 电动汽车充电桩监测方法及其系统、计算机设备、介质 | |
CN113125888A (zh) | 基于故障行为的航空机电产品加速寿命试验方法 | |
CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
CN109960871B (zh) | 一种工业机器人精密减速器性能单工位测试建模调度方法 | |
CN115858311A (zh) | 运维监控的方法、装置、电子设备及可读存储介质 | |
Cao | Modeling the effects of dependence between competing failure processes on the condition-based preventive maintenance policy | |
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 | |
CN116502544B (zh) | 一种基于数据融合的电动螺旋压力机寿命预测方法及系统 | |
CN117272591A (zh) | 用于储能仿真实验的测试方法及系统 | |
CN114580179A (zh) | 一种服役中超声冲击处理焊接构件的疲劳寿命预测方法 | |
CN111651843B (zh) | 发电机主机架的设计方法、系统及电子设备 | |
CN111274687B (zh) | 元器件失效率预计方法、装置、计算机设备及存储介质 | |
CN114091878A (zh) | 基于现货市场模型的能源电力产业链风险预警方法及系统 | |
CN111159849A (zh) | 寿命预测方法与装置、存储介质、电子设备 | |
Tamarozzi et al. | Democratization of simulation in the design engineering of gear boxes | |
CN109902334B (zh) | 机器人用精密减速器寿命预测方法及装置、计算机设备 | |
AU2022204337B2 (en) | Run-time reliability reporting for electrical hardware systems | |
CN117314683B (zh) | 电力运维方法、装置、设备及介质 | |
CN111444581B (zh) | 一种设备运行效率表达式生成方法及相关设备 | |
CN114418347B (zh) | 配电变压器的监测方法、装置、设备及存储介质 | |
CN114707428B (zh) | 数控机床不可观环节仿真方法、装置、终端及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |