CN114861333A - 汽车可靠性浴盆曲线的参数获取方法、装置、设备及介质 - Google Patents
汽车可靠性浴盆曲线的参数获取方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114861333A CN114861333A CN202210786461.0A CN202210786461A CN114861333A CN 114861333 A CN114861333 A CN 114861333A CN 202210786461 A CN202210786461 A CN 202210786461A CN 114861333 A CN114861333 A CN 114861333A
- Authority
- CN
- China
- Prior art keywords
- reliability
- artificial fish
- bathtub curve
- parameter
- position vector
- 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
Links
Images
Classifications
-
- 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
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based 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]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种汽车可靠性浴盆曲线的参数获取方法、装置、设备及介质,所述参数获取方法包括:获取汽车的可靠性浴盆曲线;根据所述可靠性浴盆曲线建立参数模型;确定所述参数模型的目标函数和约束条件;根据所述目标函数和所述约束条件,采用人工鱼群算法对所述参数模型求最优解,得到所述可靠性浴盆曲线的参数的解集合。通过采用人鱼群算法来获取汽车可靠性浴盆曲线的参数最优解,从而获取较高的计算精度,以更准确对任意形状的汽车可靠性浴盆曲线进行求解,为汽车可靠性数据的分析提供更好的支撑,进而便于在汽车进入市场前能够更好的满足可靠性要求,提升可靠性能。
Description
技术领域
本发明涉及汽车领域,尤其涉及一种汽车可靠性浴盆曲线的参数获取方法、装置、设备及介质。
背景技术
汽车的可靠性浴盆曲线是表征汽车可靠性能表现的重要参数曲线,受到各主机厂的重点关注。定量的求解汽车可靠性浴盆曲线的参数有助于了解汽车的可靠性水平,是提升汽车可靠性能的重要输入之一。
相关技术中通常采用一种统一数学公式来表征汽车可靠性浴盆曲线,但是当前还没有一种有效的数学公式能够适用于任意形状的汽车可靠性浴盆曲线,以达到求解精度上的最优。因此,当前汽车的可靠性分析数据不准确,不能在汽车进入市场前及时指导汽车进行可靠性提升。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种汽车可靠性浴盆曲线的参数获取方法、装置、设备及介质。
第一方面,本发明提供了一种汽车可靠性浴盆曲线的参数获取方法,所述参数获取方法包括:
获取汽车的可靠性浴盆曲线;
根据所述可靠性浴盆曲线建立参数模型;
确定所述参数模型的目标函数和约束条件;
采用人工鱼群算法,根据所述目标函数和所述约束条件对所述参数模型求最优解,得到所述可靠性浴盆曲线的参数的解集合。
可选地,所述获取汽车的可靠性浴盆曲线,包括:
获取目标车辆在售后设定时长内的历史故障数据,所述历史故障数据包括在所述售后设定时长的各个时刻,所述目标车型对应的故障车辆数量以及未故障车辆数量;
根据所述历史故障数据计算所述目标车辆在所述售后设定时长内各个时刻的失效率数值,得到多个第一失效率数值;
根据所述多个第一失效率数值拟合得到所述可靠性浴盆曲线。
可选地,所述根据所述可靠性浴盆曲线建立参数模型,包括:
将所述可靠性浴盆曲线分为早期失效期、偶然失效期和耗损失效期三个阶段,并建立所述可靠性浴盆曲线的参数模型表达式如下:
其中,表示汽车在t时刻的故障率,表示汽车在所述早期失效期内的t时刻的故障率,表示汽车在所述偶然失效期内的t时刻的故障率,表示汽车在所述耗损失效期内的t时刻的故障率,分别表示所述可靠性浴盆曲线在各阶段的曲线参数,T1表示所述可靠性浴盆曲线从所述早期失效期进入所述偶然失效期的时间转折点,T2表示所述可靠性浴盆曲线从所述偶然失效期进入所述耗损失效期的时间转折点。
可选地,所述确定所述参数模型的目标函数和约束条件,包括:
确定所述参数模型的目标函数和约束条件的表达式如下:
其中,表示求解函数的最小值;、表示失效率数值的个数;表示求解浴盆曲线参数的第一目标函数,表示求解浴盆曲线参数的第二目标函数,、分别表示由历史故障数据计算得到的时刻、时刻的失效率数值,分别表示由浴盆曲线拟合计算得到的时刻、时刻的失效率数值,时刻为在所述早期失效期内的时刻,时刻为在所述偶然失效期内的时刻。
可选地,所述采用人工鱼群算法,根据所述目标函数和所述约束条件对所述参数模型求最优解,得到所述可靠性浴盆曲线的参数的解集合,包括:
初始化人工鱼群;
确定每条人工鱼的初始位置向量对应的适应度函数值;
根据所述适应度函数值生成人工鱼的位置向量初始候选集合,并记录所述初始候选集合中全局最优人工鱼的位置向量;
每条人工鱼模拟觅食、聚群和追尾三种行为,通过评价函数选择最优的行为执行,以生成新的候选集合,同时更新所述新的候选集合中全局最优人工鱼的位置向量;
确定所述人工鱼群算法的迭代终止条件;
进行多次迭代运算,将满足所述迭代终止条件的所述新的候选集合输出,作为所述可靠性浴盆曲线的参数的解集合。
可选地,所述初始化人工鱼群包括:
确定鱼群初始种群为S_D0、种群规模为E、每条人工鱼j的初始位置向量为Xj、人工鱼的视野为Vi、步长为Step、拥挤度因子为δ、重复操作次数为Try,最大迭代次数为Tmax。
可选地,所述确定每条人工鱼的初始位置向量对应的适应度函数值包括:
其中,表示人工鱼的初始位置向量对应的浴盆曲线参数的第一目标函数的数值;表示人工鱼的初始位置向量对应的浴盆曲线参数的第二目标函数的数值;表示人工鱼的初始位置向量对应的第一适应度函数值;表示人工鱼的初始位置向量对应的第二适应度函数值;表示人工鱼的初始位置向量对应的第三适应度函数值。
第二方面,提供了一种汽车可靠性浴盆曲线的参数获取装置,所述参数获取装置包括:
曲线获取模块,用于获取汽车的可靠性浴盆曲线;
模型建立模块,用于根据所述可靠性浴盆曲线建立参数模型;
确定模块,用于确定所述参数模型的目标函数和约束条件;
最优解计算模块,用于采用人工鱼群算法,根据所述目标函数和所述约束条件对所述参数模型求最优解,得到所述可靠性浴盆曲线的参数的解集合。
第三方面,提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如第一方面所述的参数获取方法。
第四方面,提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如第一方面所述的参数获取方法。
本发明实施例中提供的技术方案,至少具有如下技术效果或优点:
本发明实施例提供的一种汽车可靠性浴盆曲线的参数获取方法、装置、设备及介质,通过采用人鱼群算法来获取汽车可靠性浴盆曲线的参数最优解,从而获取较高的计算精度,以更准确对任意形状的汽车可靠性浴盆曲线进行求解,为汽车可靠性数据的分析提供更好的支撑,进而便于在汽车进入市场前能够更好的满足可靠性要求,提升可靠性能。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例提供的一种汽车可靠性浴盆曲线的参数获取方法流程图;
图2是本发明实施例提供的一种汽车的可靠性浴盆曲线示意图;
图3是本发明实施例提供的一种汽车可靠性浴盆曲线的参数获取装置结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。
在附图中示出了根据本公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
在本公开的上下文中,当将一层/元件称作位于另一层/元件“上”时,该层/元件可以直接位于该另一层/元件上,或者它们之间可以存在居中层/元件。另外,如果在一种朝向中一层/元件位于另一层/元件“上”,那么当调转朝向时,该层/元件可以位于该另一层/元件“下”。在本公开的上下文中,相似或者相同的部件可能会用相同或者相似的标号来表示。
为了更好的理解上述技术方案,下面将结合具体的实施方式对上述技术方案进行详细说明,应当理解本公开内容实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
当前求解汽车可靠性浴盆曲线参数主要有两种方法。第一种方法为:采用一种统一数学公式表征汽车可靠性浴盆曲线,但是当前还没有一种有效的数学公式能够适用于任意形状的汽车可靠性浴盆曲线,以达到求解精度上的最优,因此应用的时候存在局限性。第二种方法为:采用分段函数的方法来表征汽车可靠性浴盆曲线,但是时间上如何进行分段才能达到求解精度上的最优,当前尚无一套有效的计算方法。
因此,针对上述技术问题,本发明实施例提供了一种汽车可靠性浴盆曲线的参数获取方法、装置、设备及介质,通过采用人鱼群算法来获取汽车可靠性浴盆曲线的参数最优解,从而获取较高的计算精度。
实践证明大多数设备的故障率是时间的函数,典型故障曲线称之为浴盆曲线(Bathtub curve,失效率曲线) 。浴盆曲线是指产品从投入到报废为止的整个寿命周期内,其可靠性的变化呈现一定的规律。如果取产品的失效率作为产品的可靠性特征值,它是以使用时间为横坐标,以失效率为纵坐标的一条曲线,曲线的形状呈两头高,中间低,有些像浴盆,所以称为“浴盆曲线”,曲线具有明显的阶段性。
失效率是指工作到某一时刻尚未失效的产品,在该时刻后,单位时间内发生失效的概率。一般记为λ,它也是时间t的函数,故也记为λ(t),称为失效率函数,有时也称为故障率函数或风险函数。
图1是本发明实施例提供的一种汽车可靠性浴盆曲线的参数获取方法流程图,如图1所示,该参数获取方法包括:
步骤S101、获取汽车的可靠性浴盆曲线。
在本实施例中,可以根据历史故障数据,拟合得到汽车的可靠性浴盆曲线。步骤S101具体可以包括:
第一步、获取目标车辆在售后设定时长内的历史故障数据,历史故障数据包括在售后设定时长的各个时刻,目标车型对应的故障车辆数量以及未故障车辆数量;
第二步、根据历史故障数据计算目标车辆在售后设定时长内各个时刻的失效率数值,得到多个第一失效率数值;
第三步、根据多个第一失效率数值拟合得到可靠性浴盆曲线。
在本实施例中,拟合出的可靠性浴盆曲线可以分为三个阶段。其中,第一阶段为早期失效期,第二阶段为偶然失效期,第三阶段为耗损失效期。
图2是本发明实施例提供的一种汽车的可靠性浴盆曲线示意图,如图2所示,图中横坐标表示时间,纵坐标表示失效率。图中T1表示可靠性浴盆曲线从早期失效期进入偶然失效期的时间转折点,T2表示可靠性浴盆曲线从偶然失效期进入耗损失效期的时间转折点。
在本实施例中,以某汽车的市场的售后历史故障数据为例,由于汽车售后历史故障数据往往达不到汽车可靠性浴盆曲线的第三个阶段,因此本示例主要说明了基于历史故障数据求解可靠性浴盆曲线的早期失效期和偶然失效期的曲线参数,但其方法同样适用于求解浴盆曲线的耗损失效期的曲线参数。
其中,C(t)表示t时刻后,∆Date_t时间内发生故障的数量,N(t)表示t时刻还未发生失效的车辆数,∆Date_t表示时间间隔。
通过上所述公式,即可计算出在多个时刻的多个第一失效率数值,从而拟合得到可靠性浴盆曲线。
步骤S102、根据可靠性浴盆曲线建立参数模型。
在本实施例中,建立的汽车可靠性浴盆曲线的参数模型的表达式如下:
其中,表示汽车在t时刻的故障率,表示汽车在早期失效期内的t时刻的故障率,表示汽车在偶然失效期内的t时刻的故障率,表示汽车在耗损失效期内的t时刻的故障率,分别表示可靠性浴盆曲线在各阶段的曲线参数,T1表示可靠性浴盆曲线从早期失效期进入偶然失效期的时间转折点,T2表示可靠性浴盆曲线从偶然失效期进入耗损失效期的时间转折点。
步骤S103、确定参数模型的目标函数和约束条件。
可选地,步骤S103包括:
确定参数模型的目标函数和约束条件的表达式如下:
其中,表示求解函数的最小值;、表示失效率数值的个数;表示求解浴盆曲线参数的第一目标函数,表示求解浴盆曲线参数的第二目标函数,、分别表示由历史故障数据计算得到的时刻、时刻的失效率数值,分别表示由浴盆曲线拟合计算得到的时刻、时刻的失效率数值,时刻为在早期失效期内的时刻,时刻为在偶然失效期内的时刻。
步骤S104、采用人工鱼群算法,根据目标函数和约束条件对参数模型求最优解,得到可靠性浴盆曲线的参数的解集合。
可选地,步骤S103可以包括:
第一步、初始化人工鱼群;
具体的,定义鱼群初始种群为S_D0、种群规模为E、每条人工鱼j的初始位置向量为Xj、人工鱼的视野为Vi、步长为Step、拥挤度因子为δ、重复操作次数为Try,最大迭代次数为Tmax。
其中,每条人工鱼的初始位置向量中的数值对应为可靠性浴盆曲线在各阶段的曲线参数,每条人工鱼j的初始位置向量为Xj,其表达式如下:
当后续鱼群位置向量进行更新后某行的数值大于最大数值或小于最小数值时,则将此最大数值或最小数值赋给该行数据。
第二步、确定每条人工鱼的初始位置向量对应的适应度函数值;
在本实施例中,可以根据每条人工鱼的初始位置向量对应的目标函数,确定每条人工鱼的初始位置向量对应的适应度函数值。
其中,表示人工鱼的初始位置向量对应的浴盆曲线参数的第一目标函数的数值;表示人工鱼的初始位置向量对应的浴盆曲线参数的第二目标函数的数值;表示人工鱼的初始位置向量对应的第一适应度函数值;表示人工鱼的初始位置向量对应的第二适应度函数值;表示人工鱼的初始位置向量对应的第三适应度函数值。
第三步、根据适应度函数值生成人工鱼的位置向量初始候选集合,并记录初始候选集合中全局最优人工鱼的位置向量;
在本实施例中,对应任意人工鱼j∈[1,E],分别比较人工鱼k{(k=1:E)∩k≠j}与人工鱼j的第一适应度函数值g1及第二适应度函数值g2。如果不存在人工鱼k的第一适应度函数值g1及第二适应度函数值g2均大于人工鱼j,则将人工鱼j的位置向量Xj存放在候选集合S_X0中,否则不放入候选集合S_X0中。依次对初始生成的人工鱼群执行该运算,最终生成初始候选集合S_X0,同时记录初始候选集合S_X0中的全局最优人工鱼的位置向量Xbest。
在本实施例中,全局最优人工鱼的位置向量Xbest的定义为:在初始候选集合S_X0内不存在任何一人工鱼的第一适应度函数值及第二适应度函数值均大于该鱼的第一适应度函数值及第二适应度函数值,且该鱼的第三适应度函数值为最大。
第四步、每条人工鱼模拟觅食、聚群和追尾三种行为,通过评价函数选择最优的行为执行,以生成新的候选集合,同时更新新的候选集合中全局最优人工鱼的位置向量。
在本实施例中,觅食行为算法如下:
其中:
其中:
其中:
在本实施例中,群聚行为算法如下:
针对人工鱼搜索在其鱼群距离小于人工鱼群视野的范围内的人工鱼:搜索得到共计鱼群数量为,其鱼群中心的人工鱼的位置向量为,鱼群中心位置向量对应的适应度函数3为。鱼群中心的人工鱼的位置向量为由下述约束条件计算得到:
其中:
其中:
定义迭代终止的条件其表达式如下:
其中:
如果满足如下评价函数条件则进行聚群算法,否则进行觅食算法,进行聚群算法的评价函数公式其表达式如下:
其中:
鱼群进行聚群算法,其表达式如下:
其中:
在本实施例中,追尾行为算法如下:
针对人工鱼搜索在其鱼群距离小于人工鱼群视野的范围内的人工鱼:得到最优位置人工鱼,其位置向量为,最优位置定义为:搜索范围内不存在任何一人工鱼的第一适应度函数值及第二适应度函数值均大于该鱼的第一适应度函数值及第二适应度函数值,且该鱼的第三适应度函数值为最大。
其中:
鱼群进行追尾算法,其表达式如下:
其中:
第五步、确定人工鱼群算法的迭代终止条件;
在本实施例中,可以根据每条人工鱼的初始位置向量对应的目标函数、以及目标函数误差值常数,确定迭代终止条件。
具体的,迭代终止条件其表达式如下:
第六步、进行多次迭代运算,将满足迭代终止条件的新的候选集合输出,作为可靠性浴盆曲线的参数的解集合。
按照上述第三步和第四步进行迭代计算,直到最大迭代次数t达到或者迭代第t次的候选集合的鱼群位置向量满足迭代终止条件,当迭代终止时输出的候选集合满足迭代终止条件的位置向量集合即为汽车可靠性浴盆曲线参数的解集合。
图3是本发明实施例提供的一种汽车可靠性浴盆曲线的参数获取装置结构框图,如图3所示,该参数获取装置300包括:
曲线获取模块301,用于获取汽车的可靠性浴盆曲线;
模型建立模块302,用于根据可靠性浴盆曲线建立参数模型;
确定模块303,用于确定参数模型的目标函数和约束条件;
最优解计算模块304,用于采用人工鱼群算法,根据目标函数和约束条件对参数模型求最优解,得到可靠性浴盆曲线的参数的解集合。
可选地,曲线获取模块301还用于:
获取目标车辆在售后设定时长内的历史故障数据,历史故障数据包括在售后设定时长的各个时刻,目标车型对应的故障车辆数量以及未故障车辆数量;
根据历史故障数据计算目标车辆在售后设定时长内各个时刻的失效率数值,得到多个第一失效率数值;
根据多个第一失效率数值拟合得到可靠性浴盆曲线。
可选地,确定模块303还用于:
将可靠性浴盆曲线分为早期失效期、偶然失效期和耗损失效期三个阶段,并建立可靠性浴盆曲线的参数模型表达式如下:
其中,表示汽车在t时刻的故障率,表示汽车在早期失效期内的t时刻的故障率,表示汽车在偶然失效期内的t时刻的故障率,表示汽车在耗损失效期内的t时刻的故障率,分别表示可靠性浴盆曲线在各阶段的曲线参数,T1表示可靠性浴盆曲线从早期失效期进入偶然失效期的时间转折点,T2表示可靠性浴盆曲线从偶然失效期进入耗损失效期的时间转折点。
可选地,模型建立模块302还用于:
确定参数模型的目标函数和约束条件的表达式如下:
其中,表示求解函数的最小值;、表示失效率数值的个数;表示求解浴盆曲线参数的第一目标函数,表示求解浴盆曲线参数的第二目标函数,分别表示由历史故障数据计算得到的时刻、时刻的失效率数值,分别表示由浴盆曲线拟合计算得到的时刻、时刻的失效率数值,时刻为在早期失效期内的时刻,时刻为在偶然失效期内的时刻。
可选地,最优解计算模块304用于:
初始化人工鱼群;
确定每条人工鱼的初始位置向量对应的适应度函数值;
根据所述适应度函数值生成人工鱼的位置向量初始候选集合,并记录所述初始候选集合中全局最优人工鱼的位置向量;
每条人工鱼模拟觅食、聚群和追尾三种行为,通过评价函数选择最优的行为执行,以生成新的候选集合,同时更新所述新的候选集合中全局最优人工鱼的位置向量;
确定所述人工鱼群算法的迭代终止条件;
进行多次迭代运算,将满足所述迭代终止条件的所述新的候选集合输出,作为所述可靠性浴盆曲线的参数的解集合。
可选地,初始化人工鱼群包括:
确定鱼群初始种群为S_D0、种群规模为E、每条人工鱼j的初始位置向量为Xj、人工鱼的视野为Vi、步长为Step、拥挤度因子为δ、重复操作次数为Try,最大迭代次数为Tmax。
可选地,确定每条人工鱼的初始位置向量对应的适应度函数值包括:
其中,表示人工鱼的初始位置向量对应的浴盆曲线参数的第一目标函数的数值;表示人工鱼的初始位置向量对应的浴盆曲线参数的第二目标函数的数值;表示人工鱼的初始位置向量对应的第一适应度函数值;表示人工鱼的初始位置向量对应的第二适应度函数值;表示人工鱼的初始位置向量对应的第三适应度函数值。
上述装置的具体细节可以对应参阅图1所示的方法实施例中对应的相关描述和效果进行理解,此处不再赘述。
本发明实施例还提供了一种电子设备,该电子设备可以包括处理器和存储器,其中处理器和存储器可以通过总线或者其他方式互相通信连接。
处理器可以为中央处理器(Central Processing Unit,CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器可在电子设备的内部或外部。在特定实施例中,存储器可以是非易失性固态存储器。
在一个实例中,存储器可以是只读存储器(Read Only Memory,ROM)。在一个实例中,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器通过读取并执行存储器中存储的计算机程序指令,以实现上述实施例中的任意一种参数获取方法。
在一个示例中,电子设备还可包括通信接口和总线。其中,处理器、存储器、通信接口通过总线连接并完成相互间的通信。通信接口,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。在合适的情况下,总线可包括一个或多个总线。
另外,结合上述实施例中的参数获取方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种参数获取方法。
本发明实施例中提供的技术方案,至少具有如下技术效果或优点:
本发明实施例提供的一种汽车可靠性浴盆曲线的参数获取方法、装置、设备及介质,通过采用人鱼群算法来获取汽车可靠性浴盆曲线的参数最优解,从而获取较高的计算精度,以更准确对任意形状的汽车可靠性浴盆曲线进行求解,为汽车可靠性数据的分析提供更好的支撑,进而便于在汽车进入市场前能够更好的满足可靠性要求,提升可靠性能。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。
Claims (10)
1.一种汽车可靠性浴盆曲线的参数获取方法,其特征在于,所述参数获取方法包括:
获取汽车的可靠性浴盆曲线;
根据所述可靠性浴盆曲线建立参数模型;
确定所述参数模型的目标函数和约束条件;
采用人工鱼群算法,根据所述目标函数和所述约束条件对所述参数模型求最优解,得到所述可靠性浴盆曲线的参数的解集合。
2.根据权利要求1所述的参数获取方法,其特征在于,所述获取汽车的可靠性浴盆曲线,包括:
获取目标车辆在售后设定时长内的历史故障数据,所述历史故障数据包括在所述售后设定时长的各个时刻,所述目标车型对应的故障车辆数量以及未故障车辆数量;
根据所述历史故障数据计算所述目标车辆在所述售后设定时长内各个时刻的失效率数值,得到多个第一失效率数值;
根据所述多个第一失效率数值拟合得到所述可靠性浴盆曲线。
5.根据权利要求1所述的参数获取方法,其特征在于,所述采用人工鱼群算法,根据所述目标函数和所述约束条件对所述参数模型求最优解,得到所述可靠性浴盆曲线的参数的解集合,包括:
初始化人工鱼群;
确定每条人工鱼的初始位置向量对应的适应度函数值;
根据所述适应度函数值生成人工鱼的位置向量初始候选集合,并记录所述初始候选集合中全局最优人工鱼的位置向量;
每条人工鱼模拟觅食、聚群和追尾三种行为,通过评价函数选择最优的行为执行,以生成新的候选集合,同时更新所述新的候选集合中全局最优人工鱼的位置向量;
确定所述人工鱼群算法的迭代终止条件;
进行多次迭代运算,将满足所述迭代终止条件的所述新的候选集合输出,作为所述可靠性浴盆曲线的参数的解集合。
6.根据权利要求5所述的参数获取方法,其特征在于,所述初始化人工鱼群包括:
确定鱼群初始种群为S_D0、种群规模为E、每条人工鱼j的初始位置向量为Xj、人工鱼的视野为Vi、步长为Step、拥挤度因子为δ、重复操作次数为Try,最大迭代次数为Tmax。
8.一种汽车可靠性浴盆曲线的参数获取装置,其特征在于,所述参数获取装置包括:
曲线获取模块,用于获取汽车的可靠性浴盆曲线;
模型建立模块,用于根据所述可靠性浴盆曲线建立参数模型;
确定模块,用于确定所述参数模型的目标函数和约束条件;
最优解计算模块,用于采用人工鱼群算法,根据所述目标函数和所述约束条件对所述参数模型求最优解,得到所述可靠性浴盆曲线的参数的解集合。
9.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-7中任一项所述的参数获取方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的参数获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210786461.0A CN114861333B (zh) | 2022-07-06 | 2022-07-06 | 汽车可靠性浴盆曲线的参数获取方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210786461.0A CN114861333B (zh) | 2022-07-06 | 2022-07-06 | 汽车可靠性浴盆曲线的参数获取方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114861333A true CN114861333A (zh) | 2022-08-05 |
CN114861333B CN114861333B (zh) | 2022-10-21 |
Family
ID=82626217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210786461.0A Active CN114861333B (zh) | 2022-07-06 | 2022-07-06 | 汽车可靠性浴盆曲线的参数获取方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861333B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528742A (zh) * | 2016-03-03 | 2016-04-27 | 云南电网有限责任公司电力科学研究院 | 一种断路器失效概率评估方法 |
CN109933924A (zh) * | 2019-03-19 | 2019-06-25 | 云南电网有限责任公司玉溪供电局 | 一种基于lm法参数估计的继电保护装置寿命预测方法 |
CN114329921A (zh) * | 2021-12-10 | 2022-04-12 | 岚图汽车科技有限公司 | 一种整车可靠性性能的评估方法、装置、设备和介质 |
-
2022
- 2022-07-06 CN CN202210786461.0A patent/CN114861333B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528742A (zh) * | 2016-03-03 | 2016-04-27 | 云南电网有限责任公司电力科学研究院 | 一种断路器失效概率评估方法 |
CN109933924A (zh) * | 2019-03-19 | 2019-06-25 | 云南电网有限责任公司玉溪供电局 | 一种基于lm法参数估计的继电保护装置寿命预测方法 |
CN114329921A (zh) * | 2021-12-10 | 2022-04-12 | 岚图汽车科技有限公司 | 一种整车可靠性性能的评估方法、装置、设备和介质 |
Non-Patent Citations (2)
Title |
---|
YI CHEN等: "Parameters determination for adaptive bathtub-shaped curve using artificial fish swarm algorithm", 《2012 PROCEEDINGS ANNUAL RELIABILITY AND MAINTAINABILITY SYMPOSIUM》 * |
徐人恒等: "基于威布尔分布的电能表可靠性分析", 《自动化与仪器仪表》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114861333B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022052367A1 (zh) | 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 | |
US11670071B2 (en) | Fine-grained image recognition | |
EP3792840A1 (en) | Neural network method and apparatus | |
CN111694917B (zh) | 一种车辆异常轨迹检测、模型训练方法及装置 | |
CN112232495B (zh) | 预测模型的训练方法、装置、介质和计算设备 | |
CN114646932B (zh) | 基于外置雷达的雷达外参标定方法、装置和计算机设备 | |
CN115900742A (zh) | 车辆的参考轨迹规划方法、装置、电子设备及存储介质 | |
WO2015040806A1 (en) | Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, supply amount prediction device, supply amount prediction method, and recording medium | |
CN114861333B (zh) | 汽车可靠性浴盆曲线的参数获取方法、装置、设备及介质 | |
EP4009239A1 (en) | Method and apparatus with neural architecture search based on hardware performance | |
CN113919418A (zh) | 基于小样本的分类模型训练方法、装置及电子设备 | |
CN112508308A (zh) | 一种数据处理方法、装置、设备及可读存储介质 | |
CN111598844A (zh) | 一种图像分割方法、装置、电子设备和可读存储介质 | |
CN108446343B (zh) | 区域聚合的方法、装置及电子设备 | |
CN116309628A (zh) | 车道线识别方法和装置、电子设备和计算机可读存储介质 | |
CN112650741B (zh) | 异常数据的识别与修正方法、系统、设备及可读存储介质 | |
CN112561569B (zh) | 基于双模型的到店预测方法、系统、电子设备及存储介质 | |
CN110533158B (zh) | 模型建构方法、系统及非易失性电脑可读取记录介质 | |
CN113782192A (zh) | 基于因果推断的分群模型构建方法和医疗数据处理方法 | |
CN104570757B (zh) | 用于运行集成控制组件的方法和装置 | |
CN111738407A (zh) | 一种基于深度学习的钟差预测方法、装置、介质及终端 | |
CN116975517B (zh) | 部分加权随机选取策略的稀疏恢复方法及系统 | |
CN116862078B (zh) | 一种换电套餐用户逾期的预测方法、系统、装置及介质 | |
US10983892B2 (en) | Method and system for estimating efficiency of machine vision | |
CN117035041A (zh) | 模型处理方法、装置及电子设备 |
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 |