CN113361142A - 一种多元参数退化相依的细纱机可靠性评估方法 - Google Patents

一种多元参数退化相依的细纱机可靠性评估方法 Download PDF

Info

Publication number
CN113361142A
CN113361142A CN202110784692.3A CN202110784692A CN113361142A CN 113361142 A CN113361142 A CN 113361142A CN 202110784692 A CN202110784692 A CN 202110784692A CN 113361142 A CN113361142 A CN 113361142A
Authority
CN
China
Prior art keywords
spinning frame
degradation
reliability
parameters
parameter
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
CN202110784692.3A
Other languages
English (en)
Other versions
CN113361142B (zh
Inventor
邵景峰
王冬冬
董梦圆
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.)
Xian Polytechnic University
Original Assignee
Xian Polytechnic University
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 Xian Polytechnic University filed Critical Xian Polytechnic University
Priority to CN202110784692.3A priority Critical patent/CN113361142B/zh
Publication of CN113361142A publication Critical patent/CN113361142A/zh
Application granted granted Critical
Publication of CN113361142B publication Critical patent/CN113361142B/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
    • 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)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Spinning Or Twisting Of Yarns (AREA)

Abstract

本发明公开了一种多元参数退化相依的细纱机可靠性评估方法，通过分析细纱机性能参数之间关系，引入主客观综合权重辨识方法对监测的性能参数进行了筛选；接着利用非线性Wiener过程对多元参数退化失效轨迹进行了拟合，同时利用Copula函数对多元参数退化失效过程进行了相关性分析，并利用Gibbs算法进行了参数估计，进而利用Weibull分布对细纱机性能退化过程进行了表征。对细纱机的可靠性实现了评估。本发明实现了对细纱机的可靠性评估，有利于提高提升细纱性能的可靠性水平。

Description

一种多元参数退化相依的细纱机可靠性评估方法
技术领域
本发明涉及机械设备可靠性技术，具体涉及一种多元参数退化相依的细纱机可靠性评估方法。
背景技术
目前，由于细纱机的内部结构复杂、加工工况多变、各器材专件因磨损、疲劳、震动等因素的影响而加速了其使用寿命，这种多因素的交互作用直接影响细纱机的器材专件、电机等部位，并致使其性能退化，从而影响细纱的成纱质量。因此，如何对细纱机的性能退化过程进行可靠性评估，并探讨其对成纱质量的影响，是一个亟待解决的问题。
针对以上问题，加之实时状态监测技术（Conditioning Monitoring, CM）的应用，基于随机过程的退化建模方法得到了广泛的关注。同时非线性维纳过程具有良好的统计分析特性和物理意义能够描述非单调及非线性的退化过程，这为细纱机性能退化模型的构建带来了便利，而且更加符合实际。
综合分析前人的研究发现，有关于维纳退化过程的理论研究方面已经取得了很大的进展，但是忽略了设备在运行过程中的随机因素对设备寿命的影响，会使细纱机发生突发失效。而且大部分是利用单一表征参数来表征设备退化轨迹，对多个指标的性能退化状态信息不能充分的利用。但对于如细纱机一类的大型复杂机电一体设备，一种退化表征参数并不能全面的表征设备的退化过程。同时，细纱机具有多种退化过程，要针对不同的失效情况进行竞争相依失效分析。
发明内容
本发明的主要目的在于提供一种多元参数退化相依的细纱机可靠性评估方法，将筛选得到与退化相关的表征参数，并考虑多种退化表征参数之间的相关性，之后建立了非线性维纳过程的性能退化模型，再利用威布尔分布对细纱机突发失效的过程进行预测。进而判断细纱机突发失效和退化失效之间独立或者相依两种情况下。计算得到细纱机性能突发退化失效的可靠度。从而达到对细纱机可靠性评估。
本发明采用的技术方案是：一种多元参数退化相依的细纱机可靠性评估方法，包括以下步骤：
S1、从细纱机性能退化失效的影响因素入手，对细纱机运行过程中设备参数、工艺数据、以及每个班次的细纱机运行数据进行收集，同时对细纱机各类停机故障进行统计分析，认为在成纱过程中，当实际监测的运行参数与设定的工艺参数之间数值不一致时，被认定为细纱机性能发生了退化；主要包括考虑捻度、转速、钢领板上升速度和下降速度等关键参数，并将其作为细纱机性能退化的原始性能参数，记为
Figure 668789DEST_PATH_IMAGE001
；设细纱机历史性能数据包括
Figure 789192DEST_PATH_IMAGE002
个样本点，性能退化参数为
Figure 834508DEST_PATH_IMAGE003
维，则细纱机在监测时间
Figure 682247DEST_PATH_IMAGE004
的监测值
Figure 965461DEST_PATH_IMAGE005
由
Figure 53503DEST_PATH_IMAGE006
维性能监测参数构成，而且每一维性能参数都是长度为
Figure 523799DEST_PATH_IMAGE007
的序列；即在时间序列
Figure 191540DEST_PATH_IMAGE008
监测得到的细纱机监测数据的特征序列为
Figure 125998DEST_PATH_IMAGE009
；
S2、通过引入主客观综合权重对细纱机的关键特征参数进行识别，计算参数影响细纱机性能退化的比重，从而选取出可以表征细纱机退化的关键参数；
Figure 571892DEST_PATH_IMAGE010
（1）
Figure 591801DEST_PATH_IMAGE011
（2）
其中，
Figure 532075DEST_PATH_IMAGE012
表示第
Figure 524301DEST_PATH_IMAGE013
个特征参数的重要度，在上式中，引入熵权法进行综合权重计算，具体的计算公式为：
Figure 219725DEST_PATH_IMAGE014
（3）
Figure 664613DEST_PATH_IMAGE015
（4）
Figure 657845DEST_PATH_IMAGE016
（5）
上式中，在样本数据
Figure 770158DEST_PATH_IMAGE017
中
Figure 370904DEST_PATH_IMAGE018
表示为第
Figure 568667DEST_PATH_IMAGE019
个参数的第
Figure 850744DEST_PATH_IMAGE020
个样本数据所占的比重，
Figure 614300DEST_PATH_IMAGE021
为样本量，
Figure 98197DEST_PATH_IMAGE022
为特征参数数量，
Figure 252098DEST_PATH_IMAGE023
为第
Figure 603445DEST_PATH_IMAGE024
个特征参数的熵权，
Figure 424770DEST_PATH_IMAGE025
为利用熵权法得到的第
Figure 632897DEST_PATH_IMAGE026
个特征参数的权重值；
为了提高权重评价结果的准确性，利用最小二乘法，构建面向细纱机性能退化的指标权重
Figure 523362DEST_PATH_IMAGE027
，具体过程详见如下所示：
Figure 412821DEST_PATH_IMAGE028
（6）
上式中，
Figure 150969DEST_PATH_IMAGE029
为待求的综合权重；在此基础上，选择综合权重大于0.5的参数，作为细纱机性能退化的表征参数，并将其应用于细纱机自身性能退化的全过程；
S3、性能退化模型的构建
（1）构建基于非线性维纳过程的细纱机性能退化模型：
Figure 733261DEST_PATH_IMAGE030
（7）
上式中，
Figure 861754DEST_PATH_IMAGE031
为初始性能退化量，
Figure 804171DEST_PATH_IMAGE032
为飘移系数，
Figure 334509DEST_PATH_IMAGE033
为标准布朗运动，
Figure 884439DEST_PATH_IMAGE034
为扩散系数，通常设定
Figure 500228DEST_PATH_IMAGE035
；像细纱机这种复杂系统的退化过程往往具有非线性的特征，因此要将非线性转化为线性特征；进而，在式（7）的基础上，利用时间尺度转换函数
Figure 997069DEST_PATH_IMAGE036
将其进行转换，结果详见如下：
Figure 444230DEST_PATH_IMAGE037
（8）
Figure 86433DEST_PATH_IMAGE038
（9）
上式中，
Figure 251835DEST_PATH_IMAGE039
为形状参数，式（9）为线性Wiener过程；同时，令细纱机的寿命为
Figure 286788DEST_PATH_IMAGE040
，失效阈值
Figure 791718DEST_PATH_IMAGE041
，则细纱机的性能退化轨迹可由（9）式的Wiener过程进行描述；由此，细纱机的寿命
Figure 417872DEST_PATH_IMAGE042
可定义：
Figure 8253DEST_PATH_IMAGE043
（10）
由式（10）可知，细纱机寿命
Figure 96164DEST_PATH_IMAGE044
达到失效阈值
Figure 455601DEST_PATH_IMAGE045
的时间分布，服从逆高斯分布，进而得到对应的概率密度函数为：
Figure 518235DEST_PATH_IMAGE047
（11）
相应地，寿命分布函数为：
Figure 595912DEST_PATH_IMAGE049
（12）
上式中，
Figure 972667DEST_PATH_IMAGE050
为标准正态分布的分布函数；
由此，可靠度函数可表示为：
Figure 248927DEST_PATH_IMAGE052
（13）
上式中，
Figure 934992DEST_PATH_IMAGE053
为细纱机在时刻
Figure 234387DEST_PATH_IMAGE054
和
Figure 414832DEST_PATH_IMAGE055
之间的退化增量，
Figure 748862DEST_PATH_IMAGE056
为时刻
Figure 153298DEST_PATH_IMAGE057
和
Figure 189256DEST_PATH_IMAGE058
之间的时间间隔；
由Wiener过程的性质可知，细纱机性能退化增量之间相互独立，而且服从正态分布
Figure 907814DEST_PATH_IMAGE059
；于是，通过细纱机的性能退化数据，可得到如下所示的似然函数；
Figure 158666DEST_PATH_IMAGE061
（14）
通过式（14），对漂移系数和扩散系数求偏导，令偏导为零并进行方程求解，从而得到
Figure 671687DEST_PATH_IMAGE062
和
Figure 211253DEST_PATH_IMAGE063
的估计值，详见如下：
Figure 530239DEST_PATH_IMAGE064
（15）
Figure 822549DEST_PATH_IMAGE065
（16）
将
Figure 772050DEST_PATH_IMAGE066
、
Figure 533333DEST_PATH_IMAGE067
代入式（15）、式（16），可得未知参数的估计值，并代入式（11）、式（13）可得细纱机一元性能退化过程中的寿命密度函数和可靠度；
S4、多退化过程的细纱机可靠度建模
假设细纱机的失效阈值为
Figure 656010DEST_PATH_IMAGE068
，当第
Figure 553559DEST_PATH_IMAGE069
个退化过程的退化量
Figure 470699DEST_PATH_IMAGE070
超过其对应的失效阈值
Figure 239984DEST_PATH_IMAGE071
时，细纱机发生退化生效；为
Figure 838455DEST_PATH_IMAGE072
，式中，
Figure 652828DEST_PATH_IMAGE073
为第
Figure 944132DEST_PATH_IMAGE074
个退化过程对应的概率密度函数；在此基础上，对可靠度
Figure 476744DEST_PATH_IMAGE075
进一步构建多元退化相关失效可靠性模型
Figure 144486DEST_PATH_IMAGE076
，具体见式（17）：
Figure 315DEST_PATH_IMAGE078
（17）
为便于细纱机多退化相关性问题的分析，利用 Copula 函数进行细纱机多元退化相关性的建模；
设细纱机的性能退化量为
Figure 524838DEST_PATH_IMAGE079
、
Figure 482429DEST_PATH_IMAGE080
，与其对应的性能退化函数为
Figure 688283DEST_PATH_IMAGE081
、
Figure 477247DEST_PATH_IMAGE082
，则
Figure 110354DEST_PATH_IMAGE083
的联合分布函数可表示为：
Figure 351979DEST_PATH_IMAGE084
（18）
则
Figure 610791DEST_PATH_IMAGE085
的联合密度函数为：
Figure 457524DEST_PATH_IMAGE086
（19）
在常见的Copula函数形式中，选择合适的函数进行相关性分析；
由于细纱机性能退化复杂，其在相关性建模后变得更加复杂，而且未知参数较多；为此，利用基于贝叶斯理论的Gibbs算法进行参数估计；由此，将两个过程所有的未知参数设为
Figure 58270DEST_PATH_IMAGE087
，则
Figure 256033DEST_PATH_IMAGE088
为一个
Figure 803689DEST_PATH_IMAGE089
维变量，即
Figure 754197DEST_PATH_IMAGE090
，对应的先验分布为
Figure 525844DEST_PATH_IMAGE091
，具体步骤如下：
（1）给定一组符合马尔科夫链的初始值
Figure 414165DEST_PATH_IMAGE092
；
（2）从条件概率密度
Figure 562250DEST_PATH_IMAGE093
抽取
Figure 117996DEST_PATH_IMAGE094
；
（3）重复（2），直到从
Figure 326123DEST_PATH_IMAGE095
抽取
Figure 482167DEST_PATH_IMAGE096
，完成一次迭代；
（4）重复（2）（3）迭代
Figure 106046DEST_PATH_IMAGE097
次，可以得到样本
Figure 47458DEST_PATH_IMAGE098
；
当
Figure 160907DEST_PATH_IMAGE099
足够大时，
Figure 289400DEST_PATH_IMAGE100
可以看作
Figure 779287DEST_PATH_IMAGE101
的真值，从而求得样本
Figure 824473DEST_PATH_IMAGE102
的后验分布
Figure 312086DEST_PATH_IMAGE103
，并实现未知参数值的估计；若给定失效阈值
Figure 990192DEST_PATH_IMAGE104
，通过上述算法进行参数估计，可以得到未知参数
Figure 221453DEST_PATH_IMAGE105
，
Figure 871877DEST_PATH_IMAGE106
，
Figure 779659DEST_PATH_IMAGE107
，并将其代入式（17），得到多元参数的细纱机可靠度；
S5、突发退化失效模型的构建
将细纱机
Figure 945061DEST_PATH_IMAGE108
时刻退化量为
Figure 980013DEST_PATH_IMAGE109
对应的突发失效故障概率为
Figure 484944DEST_PATH_IMAGE110
，则根据威布尔分布建立如下关系式：
Figure 314360DEST_PATH_IMAGE111
（20）
通过式（12），式（13）、式（14）为得到的突发失效时间
Figure 419588DEST_PATH_IMAGE112
的概率密度函数和累积分布函数；
Figure 992652DEST_PATH_IMAGE113
（21）
Figure 617668DEST_PATH_IMAGE114
（22）
由此，细纱机在
Figure 680302DEST_PATH_IMAGE115
时刻性能突发失效的可靠度
Figure 492400DEST_PATH_IMAGE116
可以表示成如下关系式：
Figure 931472DEST_PATH_IMAGE117
（23）
记录n台细纱机在性能突发失效时间
Figure 677840DEST_PATH_IMAGE118
对应的性能退化量为
Figure 849059DEST_PATH_IMAGE119
，则根据式（14）可以得到似然函数为：
Figure 210770DEST_PATH_IMAGE120
（24）
通过式（24），可求解得到突发失效参数
Figure 125636DEST_PATH_IMAGE121
和
Figure 725245DEST_PATH_IMAGE122
；并将其代入式（23），得到突发退化失效的可靠度；
S6、利用主客观方法筛选出能够表征细纱机性能退化的参数，利用Copula 函数考虑多元参数之间的相关性，进而对基于非线性维纳过程的性能退化模型中的未知参数进行估计，将估计得到的参数值带入推导得到的可靠性函数和剩余寿命密度函数，即可实现细纱机性能退化过程中可靠性的评估；对性能退化发生突变的细纱机进行跟踪检测，在获取监测数据的基础上，将数据代入基于威布尔分布的突发退化失效模型，计算得到突发失效的可靠度，进而判断细纱机突发失效和退化失效之间独立或者相依两种情况下；计算得到细纱机性能突发退化失效的可靠度，对细纱机的可靠性实现了评估。
进一步地，所述步骤S2中主客观方法，在参数筛选的基础上进行细纱机性能退化的可靠性评估，得到
Figure 316632DEST_PATH_IMAGE123
>0.5的参数为退化参数。
更进一步地，所述步骤S3中多退化过程的细纱机可靠度建模，综合考虑了细纱机多元参数的相依性。
本发明的优点：
1）实现了细纱机性能退过程中影响退化关键因素的提取以及考虑了多元参数之间的相关性，并基于此，建立了基于非线性维纳过程的设备性能退化模型，对细纱机性能退化可靠性函数进行了推导，同时利用威布尔分布对细纱机性能突发失效过程可靠性进行了预测；其次，对细纱机性能突发失效与退化失效的独立性和相依性进行了研究，从而实现了对细纱机可靠性的估计。
2）对于更好的对设备进行维修管理，从而有效的规避风险具有重要意义，并对设备使用计划的制定具有指导意义，进而提高成纱质量。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例一种多元参数退化相依的细纱机可靠性评估方法的流程图。
图2为本发明细纱机性能参数筛选权重变化图；
图3为本发明提取数据偏差仿真结果图；
图4为本发明散点图；
图5为本发明实施例中判断细纱机多元参数是否相关的概率密度函数图像；
图6为本发明实施例中联合分布函数图像；
图7为本发明细纱机多元参数相关可靠性曲线。
图8为本发明细纱机突发失效可靠性曲线。
图9为本发明细纱机性能退化及突发失效相依和独立条件下的可靠性对比曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参考图1，一种多元参数退化相依的细纱机可靠性评估方法，包括以下步骤：
S1、从细纱机性能退化失效的影响因素入手，对细纱机运行过程中设备参数、工艺数据、以及每个班次的细纱机运行数据进行收集，同时对细纱机各类停机故障进行统计分析，认为在成纱过程中，当实际监测的运行参数与设定的工艺参数之间数值不一致时，被认定为细纱机性能发生了退化；主要包括考虑捻度、转速、钢领板上升速度和下降速度等关键参数，并将其作为细纱机性能退化的原始性能参数，记为
Figure 368902DEST_PATH_IMAGE124
；设细纱机历史性能数据包括
Figure 87459DEST_PATH_IMAGE125
个样本点，性能退化参数为
Figure 338312DEST_PATH_IMAGE126
维，则细纱机在监测时间
Figure 851333DEST_PATH_IMAGE127
的监测值
Figure 640166DEST_PATH_IMAGE128
由
Figure 959152DEST_PATH_IMAGE129
维性能监测参数构成，而且每一维性能参数都是长度为
Figure 2194DEST_PATH_IMAGE130
的序列；即在时间序列
Figure 748433DEST_PATH_IMAGE131
监测得到的细纱机监测数据的特征序列为
Figure 509716DEST_PATH_IMAGE132
；
S2、通过引入主客观综合权重对细纱机的关键特征参数进行识别，计算参数影响细纱机性能退化的比重，从而选取出可以表征细纱机退化的关键参数；
Figure 570076DEST_PATH_IMAGE133
（1）
Figure 982472DEST_PATH_IMAGE134
（2）
其中，
Figure 102874DEST_PATH_IMAGE135
表示第
Figure 413770DEST_PATH_IMAGE136
个特征参数的重要度，在上式中，引入熵权法进行综合权重计算，具体的计算公式为：
Figure 12242DEST_PATH_IMAGE137
（3）
Figure 826614DEST_PATH_IMAGE138
（4）
Figure 117918DEST_PATH_IMAGE139
（5）
上式中，在样本数据
Figure 103060DEST_PATH_IMAGE140
中
Figure 301960DEST_PATH_IMAGE141
表示为第
Figure 174102DEST_PATH_IMAGE142
个参数的第
Figure 901886DEST_PATH_IMAGE143
个样本数据所占的比重，
Figure 656215DEST_PATH_IMAGE144
为样本量，
Figure 862069DEST_PATH_IMAGE145
为特征参数数量，
Figure 103563DEST_PATH_IMAGE146
为第
Figure 736670DEST_PATH_IMAGE147
个特征参数的熵权，
Figure 447137DEST_PATH_IMAGE148
为利用熵权法得到的第
Figure 253419DEST_PATH_IMAGE149
个特征参数的权重值；
为了提高权重评价结果的准确性，利用最小二乘法，构建面向细纱机性能退化的指标权重
Figure 834573DEST_PATH_IMAGE150
，具体过程详见如下所示：
Figure 700898DEST_PATH_IMAGE151
（6）
上式中，
Figure 882349DEST_PATH_IMAGE152
为待求的综合权重；在此基础上，选择综合权重大于0.5的参数，作为细纱机性能退化的表征参数，并将其应用于细纱机自身性能退化的全过程；
S3、性能退化模型的构建
（1）构建基于非线性维纳过程的细纱机性能退化模型：
Figure 430005DEST_PATH_IMAGE153
（7）
上式中，
Figure 396824DEST_PATH_IMAGE154
为初始性能退化量，
Figure 168471DEST_PATH_IMAGE155
为飘移系数，
Figure 853530DEST_PATH_IMAGE156
为标准布朗运动，
Figure 188566DEST_PATH_IMAGE157
为扩散系数，通常设定
Figure 806629DEST_PATH_IMAGE158
；像细纱机这种复杂系统的退化过程往往具有非线性的特征，因此要将非线性转化为线性特征；进而，在式（7）的基础上，利用时间尺度转换函数
Figure 686860DEST_PATH_IMAGE159
将其进行转换，结果详见如下：
Figure 593636DEST_PATH_IMAGE160
（8）
Figure 545412DEST_PATH_IMAGE161
（9）
上式中，
Figure 955665DEST_PATH_IMAGE162
为形状参数，式（9）为线性Wiener过程；同时，令细纱机的寿命为
Figure 334693DEST_PATH_IMAGE163
，失效阈值
Figure 983893DEST_PATH_IMAGE164
，则细纱机的性能退化轨迹可由（9）式的Wiener过程进行描述；由此，细纱机的寿命
Figure 411463DEST_PATH_IMAGE165
可定义：
Figure 207380DEST_PATH_IMAGE166
（10）
由式（10）可知，细纱机寿命
Figure 757311DEST_PATH_IMAGE167
达到失效阈值
Figure 107520DEST_PATH_IMAGE168
的时间分布，服从逆高斯分布，进而得到对应的概率密度函数为：
Figure 401098DEST_PATH_IMAGE170
（11）
相应地，寿命分布函数为：
Figure 35211DEST_PATH_IMAGE172
（12）
上式中，
Figure 959305DEST_PATH_IMAGE173
为标准正态分布的分布函数；
由此，可靠度函数可表示为：
Figure 124707DEST_PATH_IMAGE175
（13）
上式中，
Figure 362921DEST_PATH_IMAGE176
为细纱机在时刻
Figure 664590DEST_PATH_IMAGE177
和
Figure 8852DEST_PATH_IMAGE178
之间的退化增量，
Figure 333654DEST_PATH_IMAGE179
为时刻
Figure 969035DEST_PATH_IMAGE180
和
Figure 328472DEST_PATH_IMAGE181
之间的时间间隔；
由Wiener过程的性质可知，细纱机性能退化增量之间相互独立，而且服从正态分布
Figure 391106DEST_PATH_IMAGE182
；于是，通过细纱机的性能退化数据，可得到如下所示的似然函数；
Figure 203204DEST_PATH_IMAGE183
（14）
通过式（14），对漂移系数和扩散系数求偏导，令偏导为零并进行方程求解，从而得到
Figure 829226DEST_PATH_IMAGE184
和
Figure 105487DEST_PATH_IMAGE185
的估计值，详见如下：
Figure 276705DEST_PATH_IMAGE186
（15）
Figure 638417DEST_PATH_IMAGE187
（16）
将
Figure 818862DEST_PATH_IMAGE188
、
Figure 152892DEST_PATH_IMAGE189
代入式（15）、式（16），可得未知参数的估计值，并代入式（11）、式（13）可得细纱机一元性能退化过程中的寿命密度函数和可靠度；
S4、多退化过程的细纱机可靠度建模
假设细纱机的失效阈值为
Figure 557328DEST_PATH_IMAGE190
，当第
Figure 593286DEST_PATH_IMAGE191
个退化过程的退化量
Figure 577423DEST_PATH_IMAGE192
超过其对应的失效阈值
Figure 765958DEST_PATH_IMAGE193
时，细纱机发生退化生效；为
Figure 544559DEST_PATH_IMAGE195
，式中，
Figure 615283DEST_PATH_IMAGE196
为第
Figure 121219DEST_PATH_IMAGE197
个退化过程对应的概率密度函数；在此基础上，对可靠度
Figure 226579DEST_PATH_IMAGE198
进一步构建多元退化相关失效可靠性模型
Figure 176080DEST_PATH_IMAGE199
，具体见式（17）：
Figure 937363DEST_PATH_IMAGE201
（17）
为便于细纱机多退化相关性问题的分析，利用 Copula 函数进行细纱机多元退化相关性的建模；
设细纱机的性能退化量为
Figure 794460DEST_PATH_IMAGE202
、
Figure 223168DEST_PATH_IMAGE203
，与其对应的性能退化函数为
Figure 327259DEST_PATH_IMAGE204
、
Figure 372575DEST_PATH_IMAGE205
，则
Figure 236626DEST_PATH_IMAGE207
的联合分布函数可表示为：
Figure 254260DEST_PATH_IMAGE209
（18）
则
Figure 342302DEST_PATH_IMAGE210
的联合密度函数为：
Figure 78177DEST_PATH_IMAGE212
（19）
在常见的Copula函数形式中，选择合适的函数（t-Copula、Gaussian Copula、、Clayton Copula 、Frank Copula、和Gumbel Copula）进行相关性分析；
由于细纱机性能退化复杂，其在相关性建模后变得更加复杂，而且未知参数较多；为此，利用基于贝叶斯理论的Gibbs算法进行参数估计；由此，将两个过程所有的未知参数设为
Figure 729607DEST_PATH_IMAGE213
，则
Figure 664065DEST_PATH_IMAGE214
为一个
Figure 860691DEST_PATH_IMAGE215
维变量，即
Figure 83862DEST_PATH_IMAGE216
，对应的先验分布为
Figure 352032DEST_PATH_IMAGE217
，具体步骤如下：
（5）给定一组符合马尔科夫链的初始值
Figure 78680DEST_PATH_IMAGE218
；
（6）从条件概率密度
Figure 508524DEST_PATH_IMAGE219
抽取
Figure 462400DEST_PATH_IMAGE220
；
（7）重复（2），直到从
Figure 206365DEST_PATH_IMAGE221
抽取
Figure 849836DEST_PATH_IMAGE222
，完成一次迭代；
（8）重复（2）（3）迭代
Figure 919423DEST_PATH_IMAGE223
次，可以得到样本
Figure 586027DEST_PATH_IMAGE224
；
当
Figure 648530DEST_PATH_IMAGE225
足够大时，
Figure 146508DEST_PATH_IMAGE226
可以看作
Figure 386996DEST_PATH_IMAGE227
的真值，从而求得样本
Figure 806476DEST_PATH_IMAGE228
的后验分布
Figure 892244DEST_PATH_IMAGE229
，并实现未知参数值的估计；若给定失效阈值
Figure 510307DEST_PATH_IMAGE230
，通过上述算法进行参数估计，可以得到未知参数
Figure 905385DEST_PATH_IMAGE231
，
Figure 812161DEST_PATH_IMAGE232
，
Figure 763937DEST_PATH_IMAGE233
，并将其代入式（17），得到多元参数的细纱机可靠度；
S5、突发退化失效模型的构建
将细纱机
Figure 174190DEST_PATH_IMAGE234
时刻退化量为
Figure 553218DEST_PATH_IMAGE235
对应的突发失效故障概率为
Figure 947290DEST_PATH_IMAGE236
，则根据威布尔分布建立如下关系式：
Figure 624128DEST_PATH_IMAGE237
（20）
通过式（12），式（13）、式（14）为得到的突发失效时间
Figure 216784DEST_PATH_IMAGE238
的概率密度函数和累积分布函数；
Figure 704397DEST_PATH_IMAGE239
（21）
Figure 320186DEST_PATH_IMAGE240
（22）
由此，细纱机在
Figure 613764DEST_PATH_IMAGE241
时刻性能突发失效的可靠度
Figure 998609DEST_PATH_IMAGE242
可以表示成如下关系式：
Figure 171970DEST_PATH_IMAGE243
（23）
记录n台细纱机在性能突发失效时间
Figure 71793DEST_PATH_IMAGE244
对应的性能退化量为
Figure 106745DEST_PATH_IMAGE245
，则根据式（14）可以得到似然函数为：
Figure 611676DEST_PATH_IMAGE247
（24）
通过式（24），可求解得到突发失效参数
Figure 706671DEST_PATH_IMAGE248
和
Figure 546320DEST_PATH_IMAGE249
；并将其代入式（23），得到突发退化失效的可靠度；
S6、利用主客观方法筛选出能够表征细纱机性能退化的参数，利用Copula 函数考虑多元参数之间的相关性，进而对基于非线性维纳过程的性能退化模型中的未知参数进行估计，将估计得到的参数值带入推导得到的可靠性函数和剩余寿命密度函数，即可实现细纱机性能退化过程中可靠性的评估；对性能退化发生突变的细纱机进行跟踪检测，在获取监测数据的基础上，将数据代入基于威布尔分布的突发退化失效模型，计算得到突发失效的可靠度，进而判断细纱机突发失效和退化失效之间独立或者相依两种情况下；计算得到细纱机性能突发退化失效的可靠度，对细纱机的可靠性实现了评估。
本发明实现了细纱机性能退过程中影响退化关键因素的提取以及考虑了多元参数之间的相关性，并基于此，建立了基于非线性维纳过程的设备性能退化模型，对细纱机性能退化可靠性函数进行了推导，同时利用威布尔分布对细纱机性能突发失效过程可靠性进行了预测；其次，对细纱机性能突发失效与退化失效的独立性和相依性进行了研究，从而实现了对细纱机可靠性的估计。
对于更好的对设备进行维修管理，从而有效的规避风险具有重要意义，并对设备使用计划的制定具有指导意义，进而提高成纱质量。
所述步骤S2中主客观方法，在参数筛选的基础上进行细纱机性能退化的可靠性评估，得到
Figure 384963DEST_PATH_IMAGE250
>0.5的参数为退化参数。
所述步骤S3中多退化过程的细纱机可靠度建模，综合考虑了细纱机多元参数的相依性。
实施例
S1、采集某纺织集团细纱机的定长、当前管纱长度、当前机台总重量、锭子速度、前罗拉转速、中罗拉转速、前罗拉线速、捻度、总牵伸倍数、电机功率、后罗拉转速、钢领直径、钢领板上升速度、钢领板下降速度、钢领板级升等15个参数的数据，共采集了500个小时的数据。
S2、利用主客观方法进行综合考虑，得到综合筛选参数的标准
Figure DEST_PATH_IMAGE251
。经过筛选，最终得到的监测参数综合标准权重变化如图2所示。在选取的细纱机运行状态参数中，序号为4（锭子速度）、6（中罗拉转速）、11（后罗拉转速）、14（钢领板下降速度）、15（钢领板级升）的参数对细纱机性能退化比较敏感，尤其是序号为4（锭子速度）、11（后罗拉转速）最为显著。由此，选取锭子的速度偏差和后罗拉转速偏差作为细纱机性能退化参数。
S3、在图2的基础上，对监测的锭子速度和后罗拉转速的数据偏差进行仿真，其结果如图3所示。由图3可知，锭子速度和后罗拉转速之间呈下尾部相关，说明随着成纱过程的不断推移，两者之间的数据偏差呈正相关关系。为了进一步验证两者之间关系的有效性，在实际纺纱过程中对其进一步试验，其结果如图4所示。由图4可知，监测到的数据呈下尾部相关和对称分布。同时，借助Copula函数的优点，分别选择Copula 函数的4种不同形式进行细纱机性能退化过程的参数估计，同时进行AIC 准则的检验，其结果如表1所示。结果表明：AIC值越小，则说明函数拟合效果越好，同时可得到不同Copula 函数对应的参数
Figure 275558DEST_PATH_IMAGE252
估计值。
表1 Copula函数AIC值
Figure 541455DEST_PATH_IMAGE254
从表1可以看出，Clayton Copula函数的AIC值最小，由此可选用此函数进行相关性建模。由此，利用Clayton Copula函数仿真得到的概率密度函数和联合分布函数如图5、图6所示，其结果表明：两种退化过程之间具有一定的相关性。
S4、在此基础上，利用非线性维纳过程，并进一步利用相应的可靠度函数，对细纱机的多元参数的可靠度进行仿真实验，得到如图8所示的多元参数相关可靠性曲线。
S5、由图7可知，当监测时间小于10天时，多元参数退化失效的可靠度趋近于1；当监测时间在10~20天区间时，其可靠度迅速下降；当监测时间超过30时，其可靠度趋于零。这一结果说明：当监测时间在10~20区间时，多元参数退化失效的可靠度偏差大。为此，根据构建的威布尔分布函数，可以仿真实验得到突发失效的可靠性曲线，如图8所示。由图8可知，在10~20天的监测时间间隔内，细纱机性能突发失效的可靠度呈平稳下降趋势。
S6、为了进一步对比分析，将考虑突发失效与退化失效之间相依和独立两种情形，其中，在相依条件下，对细纱机可靠度的仿真结果如图9中的Rc，在相互独立条件下，其可靠度的仿真结果如图9中RI。由图9可知，在独立条件下，当监测时间小于10天时，得到的细纱机可靠度RI与突发失效Rh基本接近，当监测时间在10~20天时，可靠度RI迅速下降并且RI小于Rh和Rg。在相依条件下，当监测时间小于10天时，得到的细纱机可靠度Rc逐渐下降。
通过上述结果的对比分析，发现考虑突发失效与退化失效相依条件下的细纱机竞争失效可靠度曲线变化趋势更为平缓，这说明在连续不间断工作时间超过10天时，细纱机的突发失效和退化失效之间的相关性导致其可靠度逐渐下降，使得Rc< RI。通过模型验证和对比分析，结果表明，构建的模型与实际细纱机可靠度之间呈正相关关系，说明模型具有较高的准确性，有利于细纱机的可靠性评估。
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 (3)

1.一种多元参数退化相依的细纱机可靠性评估方法，其特征在于，包括以下步骤：
S1、从细纱机性能退化失效的影响因素入手，对细纱机运行过程中设备参数、工艺数据、以及每个班次的细纱机运行数据进行收集，同时对细纱机各类停机故障进行统计分析，认为在成纱过程中，当实际监测的运行参数与设定的工艺参数之间数值不一致时，被认定为细纱机性能发生了退化；主要包括考虑捻度、转速、钢领板上升速度和下降速度等关键参数，并将其作为细纱机性能退化的原始性能参数，记为
Figure 154115DEST_PATH_IMAGE001
；设细纱机历史性能数据包括
Figure 95527DEST_PATH_IMAGE002
个样本点，性能退化参数为
Figure 943397DEST_PATH_IMAGE003
维，则细纱机在监测时间
Figure 603048DEST_PATH_IMAGE004
的监测值
Figure 706919DEST_PATH_IMAGE005
由
Figure 768416DEST_PATH_IMAGE006
维性能监测参数构成，而且每一维性能参数都是长度为
Figure 787187DEST_PATH_IMAGE007
的序列；即在时间序列
Figure 668556DEST_PATH_IMAGE008
监测得到的细纱机监测数据的特征序列为
Figure 555609DEST_PATH_IMAGE009
；
S2、通过引入主客观综合权重对细纱机的关键特征参数进行识别，计算参数影响细纱机性能退化的比重，从而选取出可以表征细纱机退化的关键参数；
Figure 471612DEST_PATH_IMAGE010
（1）
Figure 926865DEST_PATH_IMAGE011
（2）
其中，
Figure 561108DEST_PATH_IMAGE012
表示第
Figure 861639DEST_PATH_IMAGE013
个特征参数的重要度，在上式中，引入熵权法进行综合权重计算，具体的计算公式为：
Figure 756783DEST_PATH_IMAGE014
（3）
Figure 117357DEST_PATH_IMAGE015
（4）
Figure 973318DEST_PATH_IMAGE016
（5）
上式中，在样本数据
Figure 77540DEST_PATH_IMAGE017
中
Figure 92770DEST_PATH_IMAGE018
表示为第
Figure 624245DEST_PATH_IMAGE019
个参数的第
Figure 967502DEST_PATH_IMAGE020
个样本数据所占的比重，
Figure 609836DEST_PATH_IMAGE021
为样本量，
Figure 479572DEST_PATH_IMAGE022
为特征参数数量，
Figure 181948DEST_PATH_IMAGE023
为第
Figure 12501DEST_PATH_IMAGE024
个特征参数的熵权，
Figure 724105DEST_PATH_IMAGE025
为利用熵权法得到的第
Figure 589293DEST_PATH_IMAGE026
个特征参数的权重值；
为了提高权重评价结果的准确性，利用最小二乘法，构建面向细纱机性能退化的指标权重
Figure 587205DEST_PATH_IMAGE027
，具体过程详见如下所示：
Figure 373895DEST_PATH_IMAGE028
（6）
上式中，
Figure 623611DEST_PATH_IMAGE029
为待求的综合权重；在此基础上，选择综合权重大于0.5的参数，作为细纱机性能退化的表征参数，并将其应用于细纱机自身性能退化的全过程；
S3、性能退化模型的构建
（1）构建基于非线性维纳过程的细纱机性能退化模型：
Figure 467939DEST_PATH_IMAGE030
（7）
上式中，
Figure 777698DEST_PATH_IMAGE031
为初始性能退化量，
Figure 317263DEST_PATH_IMAGE032
为飘移系数，
Figure 105091DEST_PATH_IMAGE033
为标准布朗运动，
Figure 679292DEST_PATH_IMAGE034
为扩散系数，通常设定
Figure 19006DEST_PATH_IMAGE035
；像细纱机这种复杂系统的退化过程往往具有非线性的特征，因此要将非线性转化为线性特征；进而，在式（7）的基础上，利用时间尺度转换函数
Figure 311447DEST_PATH_IMAGE036
将其进行转换，结果详见如下：
Figure 637386DEST_PATH_IMAGE037
（8）
Figure 331673DEST_PATH_IMAGE038
（9）
上式中，
Figure 845218DEST_PATH_IMAGE039
为形状参数，式（9）为线性Wiener过程；同时，令细纱机的寿命为
Figure 359376DEST_PATH_IMAGE040
，失效阈值
Figure 489006DEST_PATH_IMAGE041
，则细纱机的性能退化轨迹可由（9）式的Wiener过程进行描述；由此，细纱机的寿命
Figure 303379DEST_PATH_IMAGE042
可定义：
Figure 860262DEST_PATH_IMAGE043
（10）
由式（10）可知，细纱机寿命
Figure 986350DEST_PATH_IMAGE044
达到失效阈值
Figure 654091DEST_PATH_IMAGE045
的时间分布，服从逆高斯分布，进而得到对应的概率密度函数为：
Figure 57391DEST_PATH_IMAGE046
（11）
相应地，寿命分布函数为：
Figure 50755DEST_PATH_IMAGE047
（12）
上式中，
Figure 664139DEST_PATH_IMAGE048
为标准正态分布的分布函数；
由此，可靠度函数可表示为：
Figure 401150DEST_PATH_IMAGE049
（13）
上式中，
Figure 658956DEST_PATH_IMAGE050
为细纱机在时刻
Figure 416697DEST_PATH_IMAGE051
和
Figure 658322DEST_PATH_IMAGE052
之间的退化增量，
Figure 933446DEST_PATH_IMAGE053
为时刻
Figure 45758DEST_PATH_IMAGE054
和
Figure 380925DEST_PATH_IMAGE055
之间的时间间隔；
由Wiener过程的性质可知，细纱机性能退化增量之间相互独立，而且服从正态分布
Figure 703322DEST_PATH_IMAGE056
；于是，通过细纱机的性能退化数据，可得到如下所示的似然函数；
Figure 782136DEST_PATH_IMAGE057
（14）
通过式（14），对漂移系数和扩散系数求偏导，令偏导为零并进行方程求解，从而得到
Figure 748955DEST_PATH_IMAGE058
和
Figure 255023DEST_PATH_IMAGE059
的估计值，详见如下：
Figure 64716DEST_PATH_IMAGE060
（15）
Figure 681642DEST_PATH_IMAGE061
（16）
将
Figure 768547DEST_PATH_IMAGE062
、
Figure 445516DEST_PATH_IMAGE063
代入式（15）、式（16），可得未知参数的估计值，并代入式（11）、式（13）可得细纱机一元性能退化过程中的寿命密度函数和可靠度；
S4、多退化过程的细纱机可靠度建模
假设细纱机的失效阈值为
Figure 742505DEST_PATH_IMAGE064
，当第
Figure 163122DEST_PATH_IMAGE065
个退化过程的退化量
Figure 104533DEST_PATH_IMAGE066
超过其对应的失效阈值
Figure 217983DEST_PATH_IMAGE067
时，细纱机发生退化生效；为
Figure 877634DEST_PATH_IMAGE068
，式中，
Figure 960997DEST_PATH_IMAGE069
为第
Figure 22494DEST_PATH_IMAGE070
个退化过程对应的概率密度函数；在此基础上，对可靠度
Figure 775686DEST_PATH_IMAGE071
进一步构建多元退化相关失效可靠性模型
Figure 922633DEST_PATH_IMAGE072
，具体见式（17）：
Figure 806757DEST_PATH_IMAGE073
（17）
为便于细纱机多退化相关性问题的分析，利用 Copula 函数进行细纱机多元退化相关性的建模；
设细纱机的性能退化量为
Figure 722761DEST_PATH_IMAGE074
、
Figure 912434DEST_PATH_IMAGE075
，与其对应的性能退化函数为
Figure 281098DEST_PATH_IMAGE076
、
Figure 706263DEST_PATH_IMAGE077
，则
Figure 742352DEST_PATH_IMAGE078
的联合分布函数可表示为：
Figure 102926DEST_PATH_IMAGE079
（18）
则
Figure 224466DEST_PATH_IMAGE080
的联合密度函数为：
Figure 328688DEST_PATH_IMAGE081
（19）
在常见的Copula函数形式中，选择合适的函数进行相关性分析；
由于细纱机性能退化复杂，其在相关性建模后变得更加复杂，而且未知参数较多；为此，利用基于贝叶斯理论的Gibbs算法进行参数估计；由此，将两个过程所有的未知参数设为
Figure 343918DEST_PATH_IMAGE082
，则
Figure 875393DEST_PATH_IMAGE083
为一个
Figure 218650DEST_PATH_IMAGE084
维变量，即
Figure 860984DEST_PATH_IMAGE085
，对应的先验分布为
Figure 730720DEST_PATH_IMAGE086
，具体步骤如下：
给定一组符合马尔科夫链的初始值
Figure 433097DEST_PATH_IMAGE087
；
从条件概率密度
Figure 263649DEST_PATH_IMAGE088
抽取
Figure 709674DEST_PATH_IMAGE089
；
重复（2），直到从
Figure 433917DEST_PATH_IMAGE090
抽取
Figure 307195DEST_PATH_IMAGE091
，完成一次迭代；
重复（2）（3）迭代
Figure 890623DEST_PATH_IMAGE092
次，可以得到样本
Figure 140338DEST_PATH_IMAGE093
；
当
Figure 594454DEST_PATH_IMAGE094
足够大时，
Figure 763267DEST_PATH_IMAGE095
可以看作
Figure 568412DEST_PATH_IMAGE096
的真值，从而求得样本
Figure 356239DEST_PATH_IMAGE097
的后验分布
Figure 930440DEST_PATH_IMAGE098
，并实现未知参数值的估计；若给定失效阈值
Figure 270154DEST_PATH_IMAGE099
，通过上述算法进行参数估计，可以得到未知参数
Figure 562595DEST_PATH_IMAGE100
，
Figure 888535DEST_PATH_IMAGE101
，
Figure 317242DEST_PATH_IMAGE102
，并将其代入式（17），得到多元参数的细纱机可靠度；
S5、突发退化失效模型的构建
将细纱机
Figure 93437DEST_PATH_IMAGE103
时刻退化量为
Figure 607595DEST_PATH_IMAGE104
对应的突发失效故障概率为
Figure 737225DEST_PATH_IMAGE105
，则根据威布尔分布建立如下关系式：
Figure 551597DEST_PATH_IMAGE106
（20）
通过式（12），式（13）、式（14）为得到的突发失效时间
Figure 108480DEST_PATH_IMAGE107
的概率密度函数和累积分布函数；
Figure 237498DEST_PATH_IMAGE108
（21）
Figure 170819DEST_PATH_IMAGE109
（22）
由此，细纱机在
Figure 574118DEST_PATH_IMAGE111
时刻性能突发失效的可靠度
Figure 301903DEST_PATH_IMAGE112
可以表示成如下关系式：
Figure 915287DEST_PATH_IMAGE113
（23）
记录n台细纱机在性能突发失效时间
Figure 386719DEST_PATH_IMAGE114
对应的性能退化量为
Figure 644525DEST_PATH_IMAGE115
，则根据式（14）可以得到似然函数为：
Figure 808791DEST_PATH_IMAGE116
（24）
通过式（24），可求解得到突发失效参数
Figure 909471DEST_PATH_IMAGE117
和
Figure 919015DEST_PATH_IMAGE118
；并将其代入式（23），得到突发退化失效的可靠度；
S6、利用主客观方法筛选出能够表征细纱机性能退化的参数，利用Copula 函数考虑多元参数之间的相关性，进而对基于非线性维纳过程的性能退化模型中的未知参数进行估计，将估计得到的参数值带入推导得到的可靠性函数和剩余寿命密度函数，即可实现细纱机性能退化过程中可靠性的评估；对性能退化发生突变的细纱机进行跟踪检测，在获取监测数据的基础上，将数据代入基于威布尔分布的突发退化失效模型，计算得到突发失效的可靠度，进而判断细纱机突发失效和退化失效之间独立或者相依两种情况下；计算得到细纱机性能突发退化失效的可靠度，对细纱机的可靠性实现了评估。
2.根据权利要求1所述的多元参数退化相依的细纱机可靠性评估方法，其特征在于，所述步骤S2中主客观方法，在参数筛选的基础上进行细纱机性能退化的可靠性评估，得到
Figure 296907DEST_PATH_IMAGE119
>0.5的参数为退化参数。
3.根据权利要求1所述的多元参数退化相依的细纱机可靠性评估方法，其特征在于，所述步骤S3中多退化过程的细纱机可靠度建模，综合考虑了细纱机多元参数的相依性。
CN202110784692.3A 2021-07-12 2021-07-12 一种多元参数退化相依的细纱机可靠性评估方法 Active CN113361142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110784692.3A CN113361142B (zh) 2021-07-12 2021-07-12 一种多元参数退化相依的细纱机可靠性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110784692.3A CN113361142B (zh) 2021-07-12 2021-07-12 一种多元参数退化相依的细纱机可靠性评估方法

Publications (2)

Publication Number Publication Date
CN113361142A true CN113361142A (zh) 2021-09-07
CN113361142B CN113361142B (zh) 2023-07-28

Family

ID=77539246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110784692.3A Active CN113361142B (zh) 2021-07-12 2021-07-12 一种多元参数退化相依的细纱机可靠性评估方法

Country Status (1)

Country Link
CN (1) CN113361142B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115809569A (zh) * 2023-02-01 2023-03-17 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）） 基于耦合竞争失效模型的可靠性评价方法和装置
CN116127785A (zh) * 2023-04-04 2023-05-16 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）） 基于多元性能退化的可靠性评价方法、装置和设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102779208A (zh) * 2012-06-19 2012-11-14 北京航空航天大学 基于相对熵的序贯加速退化试验优化设计方法
CN105117550A (zh) * 2015-08-26 2015-12-02 电子科技大学 一种面向产品多维相关性退化失效的建模方法
CN107479494A (zh) * 2017-07-28 2017-12-15 东北大学 一种基于数控机床子系统相关性的可靠性分配方法
US20180130077A1 (en) * 2015-10-28 2018-05-10 Fractal Industries, Inc. Automated selection and processing of financial models
CN108038334A (zh) * 2017-12-28 2018-05-15 西北工业大学 一种考虑突发失效阈值退化的飞机舱门锁系统可靠性建模方法
CN109214094A (zh) * 2018-09-13 2019-01-15 北京航空航天大学 多退化过程与随机冲击竞争失效系统的可靠性模型
CN109522519A (zh) * 2018-11-06 2019-03-26 中国兵器工业第五九研究所 一种弹药部组件多个性能参数间的相依性评价方法
CN109948295A (zh) * 2019-04-08 2019-06-28 北京航空航天大学 基于多元相关退化建模的往复流体动密封寿命预测方法
CN110210117A (zh) * 2019-05-31 2019-09-06 西安工程大学 一种细纱机剩余运行寿命的预测方法及系统
CN113094923A (zh) * 2021-04-22 2021-07-09 哈尔滨工业大学 考虑多源不确定性的多参数相关退化产品可靠性评估方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102779208A (zh) * 2012-06-19 2012-11-14 北京航空航天大学 基于相对熵的序贯加速退化试验优化设计方法
CN105117550A (zh) * 2015-08-26 2015-12-02 电子科技大学 一种面向产品多维相关性退化失效的建模方法
US20180130077A1 (en) * 2015-10-28 2018-05-10 Fractal Industries, Inc. Automated selection and processing of financial models
CN107479494A (zh) * 2017-07-28 2017-12-15 东北大学 一种基于数控机床子系统相关性的可靠性分配方法
CN108038334A (zh) * 2017-12-28 2018-05-15 西北工业大学 一种考虑突发失效阈值退化的飞机舱门锁系统可靠性建模方法
CN109214094A (zh) * 2018-09-13 2019-01-15 北京航空航天大学 多退化过程与随机冲击竞争失效系统的可靠性模型
CN109522519A (zh) * 2018-11-06 2019-03-26 中国兵器工业第五九研究所 一种弹药部组件多个性能参数间的相依性评价方法
CN109948295A (zh) * 2019-04-08 2019-06-28 北京航空航天大学 基于多元相关退化建模的往复流体动密封寿命预测方法
CN110210117A (zh) * 2019-05-31 2019-09-06 西安工程大学 一种细纱机剩余运行寿命的预测方法及系统
CN113094923A (zh) * 2021-04-22 2021-07-09 哈尔滨工业大学 考虑多源不确定性的多参数相关退化产品可靠性评估方法

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
HUIBING HAO ET AL: "Bivariate Nonlinear Diffusion Degradation Process Modeling via Copula and MCMC", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 *
HUIBING HAO ET AL: "Bivariate Nonlinear Diffusion Degradation Process Modeling via Copula and MCMC", 《MATHEMATICAL PROBLEMS IN ENGINEERING》, 31 December 2014 (2014-12-31) *
PAN, ZQ ET AL: "Bivariate degradation analysis of products based on Wiener processes and copula", 《JOURNAL OF STATISTICAL COMPUTATION AND SIMULATION》 *
PAN, ZQ ET AL: "Bivariate degradation analysis of products based on Wiener processes and copula", 《JOURNAL OF STATISTICAL COMPUTATION AND SIMULATION》, 31 December 2013 (2013-12-31) *
戚晓艳: "基于关联性和参数退化模型的加工中心可靠性分析", 《中国博士学位论文全文数据库电子期刊 基础科学辑》 *
戚晓艳: "基于关联性和参数退化模型的加工中心可靠性分析", 《中国博士学位论文全文数据库电子期刊 基础科学辑》, vol. 2021, no. 1, 15 January 2021 (2021-01-15) *
李睿智: "基于多性能退化的数控装备可靠性建模与评估", 《中国优秀硕士学位论文全文数据库电子期刊 工程科技II辑》 *
李睿智: "基于多性能退化的数控装备可靠性建模与评估", 《中国优秀硕士学位论文全文数据库电子期刊 工程科技II辑》, vol. 2018, no. 2, 15 February 2018 (2018-02-15) *
胡启国 等: "多元参数退化的系统相关竞争失效可靠性评估方法", 《西北工业大学学报》 *
胡启国 等: "多元参数退化的系统相关竞争失效可靠性评估方法", 《西北工业大学学报》, vol. 37, no. 6, 31 December 2019 (2019-12-31) *
谷东伟: "基于故障相关的刀架系统维修策略研究", 《中国博士学位论文全文数据库电子期刊 工程科技I辑》, vol. 2013, no. 8 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115809569A (zh) * 2023-02-01 2023-03-17 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）） 基于耦合竞争失效模型的可靠性评价方法和装置
CN116127785A (zh) * 2023-04-04 2023-05-16 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）） 基于多元性能退化的可靠性评价方法、装置和设备
CN116127785B (zh) * 2023-04-04 2023-08-04 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）） 基于多元性能退化的可靠性评价方法、装置和设备

Also Published As

Publication number Publication date
CN113361142B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN111222290B (zh) 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
CN110861987B (zh) 一种电梯故障判断逻辑验证方法、系统及存储介质
CN113361142A (zh) 一种多元参数退化相依的细纱机可靠性评估方法
CN109389145B (zh) 基于计量大数据聚类模型的电能表生产厂商评价方法
CN110865924B (zh) 电力信息系统内部服务器健康度诊断方法与健康诊断框架
CN111458149B (zh) 一种滚动轴承性能及使用寿命的预测方法及系统
CN111478904A (zh) 一种基于概念漂移的物联网设备通信异常检测方法及装置
CN114740388A (zh) 一种基于改进tcn的锂电池剩余寿命状态评估方法
CN111523727B (zh) 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法
CN113792939A (zh) 基于混合威布尔分布的电能表可靠性预测方法及装置
CN110569623A (zh) 一种细纱机电机使用寿命预测方法
CN115267575A (zh) 一种基于Transformer的储能电池寿命预测算法
CN115600928A (zh) 基于oao-rvm的gis盆式绝缘子状态评估方法
CN115481726A (zh) 一种工业机器人整机健康评估方法及系统
CN113868947A (zh) 一种智能电能表寿命预测方法及装置
CN115864995B (zh) 基于大数据挖掘的逆变器转换效率的诊断方法和装置
CN111506636A (zh) 一种基于自回归和近邻算法的居民用电行为分析的系统及方法
CN116307844A (zh) 一种低压台区线损评估分析方法
CN115809805A (zh) 基于边缘计算的电网多源数据处理方法
CN114545276A (zh) 基于容量测试与车联网大数据的动力电池寿命预测方法
CN114252794B (zh) 一种拆回智能电能表剩余寿命预测方法及装置
CN113435057B (zh) 一种面向细纱机性能退化的可靠性评估方法
CN115204669A (zh) 基于用电数据的污水处理厂行为异常判定方法及系统
CN114970311A (zh) 一种远端模块寿命预测模型的建立方法与寿命预测方法
CN112100919B (zh) 一种基于re-cf-ekf算法的滚动轴承剩余寿命预测方法

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