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 PDF

Info

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
Application number
CN202210786461.0A
Other languages
English (en)
Other versions
CN114861333B (zh
Inventor
丁鼎
韩广宇
张永仁
卢放
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.)
Lantu Automobile Technology Co Ltd
Original Assignee
Lantu Automobile Technology 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 Lantu Automobile Technology Co Ltd filed Critical Lantu Automobile Technology Co Ltd
Priority to CN202210786461.0A priority Critical patent/CN114861333B/zh
Publication of CN114861333A publication Critical patent/CN114861333A/zh
Application granted granted Critical
Publication of CN114861333B publication Critical patent/CN114861333B/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]
    • G06F30/10—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

汽车可靠性浴盆曲线的参数获取方法、装置、设备及介质
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：
Figure 117209DEST_PATH_IMAGE001
其中，
Figure 641731DEST_PATH_IMAGE002
表示汽车在t时刻的故障率，
Figure 786274DEST_PATH_IMAGE003
表示汽车在所述早期失效期内的t时刻的故障率，
Figure 54444DEST_PATH_IMAGE004
表示汽车在所述偶然失效期内的t时刻的故障率，
Figure 984354DEST_PATH_IMAGE005
表示汽车在所述耗损失效期内的t时刻的故障率，
Figure 679778DEST_PATH_IMAGE006
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：
Figure 452561DEST_PATH_IMAGE007
Figure 383477DEST_PATH_IMAGE008
其中，
Figure 292527DEST_PATH_IMAGE009
表示求解函数的最小值；
Figure 34218DEST_PATH_IMAGE010
、
Figure 28719DEST_PATH_IMAGE011
表示失效率数值的个数；
Figure 638692DEST_PATH_IMAGE012
表示求解浴盆曲线参数的第一目标函数，
Figure 795391DEST_PATH_IMAGE013
表示求解浴盆曲线参数的第二目标函数，
Figure 832618DEST_PATH_IMAGE014
、
Figure 189781DEST_PATH_IMAGE015
分别表示由历史故障数据计算得到的
Figure 337865DEST_PATH_IMAGE016
时刻、
Figure 221508DEST_PATH_IMAGE017
时刻的失效率数值，
Figure 554269DEST_PATH_IMAGE018
分别表示由浴盆曲线拟合计算得到的
Figure 523362DEST_PATH_IMAGE016
时刻、
Figure 350504DEST_PATH_IMAGE017
时刻的失效率数值，
Figure 88653DEST_PATH_IMAGE016
时刻为在所述早期失效期内的时刻，
Figure 733261DEST_PATH_IMAGE016
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：
确定每条人工鱼
Figure 48704DEST_PATH_IMAGE019
的初始位置向量对应的适应度函数值为
Figure 804171DEST_PATH_IMAGE020
、
Figure 131247DEST_PATH_IMAGE021
及
Figure 822122DEST_PATH_IMAGE022
，表达式如下：
Figure 765807DEST_PATH_IMAGE023
Figure 184019DEST_PATH_IMAGE024
Figure 631181DEST_PATH_IMAGE025
其中，
Figure 352013DEST_PATH_IMAGE026
表示人工鱼
Figure 658360DEST_PATH_IMAGE019
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；
Figure 490050DEST_PATH_IMAGE027
表示人工鱼
Figure 733597DEST_PATH_IMAGE019
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；
Figure 343439DEST_PATH_IMAGE020
表示人工鱼
Figure 261717DEST_PATH_IMAGE019
的初始位置向量对应的第一适应度函数值；
Figure 38043DEST_PATH_IMAGE021
表示人工鱼
Figure 459797DEST_PATH_IMAGE019
的初始位置向量对应的第二适应度函数值；
Figure 647065DEST_PATH_IMAGE022
表示人工鱼
Figure 787059DEST_PATH_IMAGE019
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。
跟踪同款车型、同时（例如同一月份内）售出的共计A辆汽车的售后B个月（例如12~24个月）的历史故障数据。根据历史故障数据可以计算得到该车型在售后t时刻的第一失效率数值
Figure 226130DEST_PATH_IMAGE028
，其表达式如下：
Figure 643336DEST_PATH_IMAGE029
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：
Figure 142451DEST_PATH_IMAGE030
其中，
Figure 897305DEST_PATH_IMAGE031
表示汽车在t时刻的故障率，
Figure 874488DEST_PATH_IMAGE032
表示汽车在早期失效期内的t时刻的故障率，
Figure 146201DEST_PATH_IMAGE033
表示汽车在偶然失效期内的t时刻的故障率，
Figure 550637DEST_PATH_IMAGE034
表示汽车在耗损失效期内的t时刻的故障率，
Figure 665224DEST_PATH_IMAGE035
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。
具体的，
Figure 305152DEST_PATH_IMAGE036
表示可靠性浴盆曲线在早期失效期的曲线参数，
Figure 821584DEST_PATH_IMAGE037
表示可靠性浴盆曲线在偶然失效期的曲线参数，
Figure 396922DEST_PATH_IMAGE038
表示可靠性浴盆曲线在耗损失效期的曲线参数。
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：
Figure 874171DEST_PATH_IMAGE039
Figure 786632DEST_PATH_IMAGE040
其中，
Figure 157571DEST_PATH_IMAGE041
表示求解函数的最小值；
Figure 903810DEST_PATH_IMAGE042
、
Figure 852043DEST_PATH_IMAGE043
表示失效率数值的个数；
Figure 974720DEST_PATH_IMAGE044
表示求解浴盆曲线参数的第一目标函数，
Figure 75531DEST_PATH_IMAGE045
表示求解浴盆曲线参数的第二目标函数，
Figure 258251DEST_PATH_IMAGE046
、
Figure 569146DEST_PATH_IMAGE047
分别表示由历史故障数据计算得到的
Figure 617218DEST_PATH_IMAGE048
时刻、
Figure 431590DEST_PATH_IMAGE049
时刻的失效率数值，
Figure 926157DEST_PATH_IMAGE050
分别表示由浴盆曲线拟合计算得到的
Figure 724349DEST_PATH_IMAGE048
时刻、
Figure 188828DEST_PATH_IMAGE049
时刻的失效率数值，
Figure 247920DEST_PATH_IMAGE048
时刻为在早期失效期内的时刻，
Figure 772442DEST_PATH_IMAGE048
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：
Figure 933296DEST_PATH_IMAGE051
Figure 935887DEST_PATH_IMAGE052
Figure 990431DEST_PATH_IMAGE053
Figure 76067DEST_PATH_IMAGE054
Figure 583272DEST_PATH_IMAGE055
Figure 530499DEST_PATH_IMAGE056
、
Figure 439550DEST_PATH_IMAGE057
、
Figure 430508DEST_PATH_IMAGE058
、
Figure 690588DEST_PATH_IMAGE059
其中，Xj(1)、Xj(2)、Xj(3)、Xj(4)分别表示人工鱼
Figure 34982DEST_PATH_IMAGE060
的初始位置向量的第一列数值、第二列数值、第三列数值、第四列数值；
Figure 939484DEST_PATH_IMAGE061
、
Figure 711131DEST_PATH_IMAGE062
、
Figure 586071DEST_PATH_IMAGE063
、
Figure 734155DEST_PATH_IMAGE064
分别表示人工鱼
Figure 617798DEST_PATH_IMAGE060
的初始位置向量的第一列数值对应的浴盆曲线参数、第二列数值对应的浴盆曲线参数、第三列数值对应的浴盆曲线参数、第四列数值对应的浴盆曲线参数;
Figure 701291DEST_PATH_IMAGE065
、
Figure 670384DEST_PATH_IMAGE066
、
Figure 356580DEST_PATH_IMAGE067
、
Figure 484942DEST_PATH_IMAGE068
、
Figure 598392DEST_PATH_IMAGE069
、
Figure 930147DEST_PATH_IMAGE070
、
Figure 685614DEST_PATH_IMAGE071
、
Figure 934061DEST_PATH_IMAGE072
分别表示浴盆曲线参数
Figure 749570DEST_PATH_IMAGE073
、
Figure 568622DEST_PATH_IMAGE074
、
Figure 596621DEST_PATH_IMAGE037
、
Figure 433996DEST_PATH_IMAGE075
的最小值及最大值常数；
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。
具体的，确定每条人工鱼
Figure 685985DEST_PATH_IMAGE076
的初始位置向量对应的适应度函数值为
Figure 726754DEST_PATH_IMAGE077
、
Figure 824023DEST_PATH_IMAGE078
及
Figure 125691DEST_PATH_IMAGE079
，表达式如下：
Figure 404707DEST_PATH_IMAGE080
Figure 57405DEST_PATH_IMAGE081
Figure 568152DEST_PATH_IMAGE082
其中，
Figure 989906DEST_PATH_IMAGE083
表示人工鱼
Figure 318119DEST_PATH_IMAGE076
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；
Figure 317168DEST_PATH_IMAGE084
表示人工鱼
Figure 21819DEST_PATH_IMAGE076
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；
Figure 439025DEST_PATH_IMAGE077
表示人工鱼
Figure 938140DEST_PATH_IMAGE076
的初始位置向量对应的第一适应度函数值；
Figure 299851DEST_PATH_IMAGE078
表示人工鱼
Figure 401668DEST_PATH_IMAGE076
的初始位置向量对应的第二适应度函数值；
Figure 798014DEST_PATH_IMAGE079
表示人工鱼
Figure 343396DEST_PATH_IMAGE076
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：
定义人工鱼群距离
Figure 457983DEST_PATH_IMAGE085
，其表达式如下：
Figure 973278DEST_PATH_IMAGE086
其中：
Figure 614343DEST_PATH_IMAGE085
表示人工鱼
Figure 189681DEST_PATH_IMAGE087
与人工鱼
Figure 525985DEST_PATH_IMAGE088
的距离；
Figure 985916DEST_PATH_IMAGE089
、
Figure 91275DEST_PATH_IMAGE090
、
Figure 230657DEST_PATH_IMAGE091
、
Figure 788677DEST_PATH_IMAGE092
分别表示人工鱼
Figure 911354DEST_PATH_IMAGE087
的初始位置向量的第一列数值、第二列数值、第三列数值、第四列数值；
Figure 12165DEST_PATH_IMAGE093
、
Figure 929306DEST_PATH_IMAGE094
、
Figure 505781DEST_PATH_IMAGE095
、
Figure 556782DEST_PATH_IMAGE096
分别表示人工鱼
Figure 371154DEST_PATH_IMAGE088
的初始位置向量的第一列数值、第二列数值、第三列数值、第四列数值。
针对人工鱼
Figure 865721DEST_PATH_IMAGE087
，在其鱼群距离
Figure 398333DEST_PATH_IMAGE097
小于人工鱼群视野
Figure 862813DEST_PATH_IMAGE098
的范围内随机选择一个人工鱼
Figure 921904DEST_PATH_IMAGE099
，人工鱼
Figure 712006DEST_PATH_IMAGE099
的位置向量为
Figure 607281DEST_PATH_IMAGE100
。
如果人工鱼
Figure 875451DEST_PATH_IMAGE099
的适应度数值
Figure 929995DEST_PATH_IMAGE101
及
Figure 484473DEST_PATH_IMAGE102
均大于人工鱼
Figure 991677DEST_PATH_IMAGE087
，则按照如下规则更新人工鱼
Figure 63539DEST_PATH_IMAGE087
的位置向量
Figure 582376DEST_PATH_IMAGE103
，其表达式如下：
Figure 714280DEST_PATH_IMAGE105
Figure 443201DEST_PATH_IMAGE106
Figure 440458DEST_PATH_IMAGE107
Figure 469593DEST_PATH_IMAGE108
其中：
Figure 116607DEST_PATH_IMAGE109
表示人工鱼
Figure 598404DEST_PATH_IMAGE110
的位置向量的第
Figure 12067DEST_PATH_IMAGE111
行数据第
Figure 754764DEST_PATH_IMAGE112
次运算后更新的数值；
Figure 962892DEST_PATH_IMAGE113
表示人工鱼
Figure 666405DEST_PATH_IMAGE110
的位置向量的第
Figure 759126DEST_PATH_IMAGE111
行数据第
Figure 231696DEST_PATH_IMAGE112
次运算时的数值；
Figure 938DEST_PATH_IMAGE114
表示全局最优的位置向量的第
Figure 191748DEST_PATH_IMAGE111
行数据的数值；
Figure 947214DEST_PATH_IMAGE115
表示人工鱼
Figure 415236DEST_PATH_IMAGE116
的位置向量的第
Figure 230745DEST_PATH_IMAGE111
行数据的数值；
Figure 33485DEST_PATH_IMAGE117
表示在0~1范围内的随机数；
Figure 327063DEST_PATH_IMAGE118
表示人工鱼
Figure 774225DEST_PATH_IMAGE119
及全局最优人工鱼与人工鱼
Figure 636001DEST_PATH_IMAGE120
的距离；
Figure 801404DEST_PATH_IMAGE121
表示步长常数；
Figure 557395DEST_PATH_IMAGE122
表示修正后的步长数值；
Figure 859063DEST_PATH_IMAGE123
、
Figure 891741DEST_PATH_IMAGE124
分别表示人工鱼
Figure 278860DEST_PATH_IMAGE119
及人工鱼
Figure 914241DEST_PATH_IMAGE120
的位置向量的第三适应度函数值；
Figure 726208DEST_PATH_IMAGE125
表示自适应因子；
Figure 788842DEST_PATH_IMAGE126
、
Figure 928836DEST_PATH_IMAGE127
表示自适应因子常数；
Figure 243274DEST_PATH_IMAGE128
表示最大迭代次数；
Figure 519534DEST_PATH_IMAGE129
表示当前迭代次数。
如果人工鱼
Figure 143283DEST_PATH_IMAGE119
的第一适应度函数值
Figure 504994DEST_PATH_IMAGE130
及第二适应度函数值
Figure 482177DEST_PATH_IMAGE131
不能均大于人工鱼
Figure 19469DEST_PATH_IMAGE120
，则继续针对人工鱼群
Figure 689484DEST_PATH_IMAGE120
，在其鱼群距离
Figure 272913DEST_PATH_IMAGE132
小于人工鱼群视野
Figure 444000DEST_PATH_IMAGE133
的范围内再次随机选择一个人工鱼。
如果随机选择尝试次数达到
Figure 694853DEST_PATH_IMAGE134
次，仍然没有人工鱼的适应度数值
Figure 411136DEST_PATH_IMAGE130
及
Figure 481860DEST_PATH_IMAGE131
均大于人工鱼
Figure 66425DEST_PATH_IMAGE120
，则按照如下规则更新人工鱼
Figure 582505DEST_PATH_IMAGE120
的位置向量
Figure 328744DEST_PATH_IMAGE135
，其表达式如下：
Figure 293289DEST_PATH_IMAGE136
其中：
Figure 150387DEST_PATH_IMAGE137
表示人工鱼
Figure 641411DEST_PATH_IMAGE138
的位置向量的第
Figure 683185DEST_PATH_IMAGE139
行数据第
Figure 728502DEST_PATH_IMAGE140
次运算后更新的数值，
Figure 654869DEST_PATH_IMAGE141
；
Figure 875766DEST_PATH_IMAGE142
表示人工鱼
Figure 963808DEST_PATH_IMAGE138
的位置向量的第
Figure 886633DEST_PATH_IMAGE139
行数据第
Figure 351113DEST_PATH_IMAGE140
次运算时的数值，
Figure 285571DEST_PATH_IMAGE143
；
Figure 685459DEST_PATH_IMAGE144
表示人工鱼群视野数值；
Figure 970947DEST_PATH_IMAGE145
表示在0~1范围内的随机数。
在本实施例中，群聚行为算法如下：
针对人工鱼
Figure 239117DEST_PATH_IMAGE146
搜索在其鱼群距离
Figure 621557DEST_PATH_IMAGE147
小于人工鱼群视野
Figure 382227DEST_PATH_IMAGE148
的范围内的人工鱼：搜索得到共计鱼群数量为
Figure 155011DEST_PATH_IMAGE149
，其鱼群中心的人工鱼
Figure 961293DEST_PATH_IMAGE150
的位置向量为
Figure 729398DEST_PATH_IMAGE151
，鱼群中心位置向量
Figure 126881DEST_PATH_IMAGE152
对应的适应度函数3为
Figure 731169DEST_PATH_IMAGE153
。鱼群中心的人工鱼
Figure 606721DEST_PATH_IMAGE154
的位置向量为
Figure 104699DEST_PATH_IMAGE155
由下述约束条件计算得到：
Figure 532138DEST_PATH_IMAGE156
Figure 748355DEST_PATH_IMAGE157
其中：
Figure 37385DEST_PATH_IMAGE158
、
Figure 921028DEST_PATH_IMAGE159
、
Figure 519368DEST_PATH_IMAGE160
、
Figure 222882DEST_PATH_IMAGE161
分别表示人工鱼
Figure 440237DEST_PATH_IMAGE154
的位置向量为
Figure 788173DEST_PATH_IMAGE162
的第一列数值、第二列数值、第三列数值、第四列数值；
Figure 432781DEST_PATH_IMAGE163
表示求解
Figure 623591DEST_PATH_IMAGE164
、
Figure 500761DEST_PATH_IMAGE165
、
Figure 358996DEST_PATH_IMAGE166
、
Figure 518713DEST_PATH_IMAGE167
的约束函数；
Figure 462398DEST_PATH_IMAGE168
表示鱼群中心的人工鱼
Figure 755976DEST_PATH_IMAGE154
与搜索围内的任一人工鱼
Figure 593351DEST_PATH_IMAGE169
的距离；
Figure 314182DEST_PATH_IMAGE170
表示鱼群中心的人工鱼
Figure 886109DEST_PATH_IMAGE154
与搜索围内的所有人工鱼的距离合计；
Figure 717799DEST_PATH_IMAGE171
表示人工鱼
Figure 675259DEST_PATH_IMAGE154
的位置向量
Figure 566992DEST_PATH_IMAGE172
的第
Figure 95056DEST_PATH_IMAGE173
列的数值；
Figure 996016DEST_PATH_IMAGE174
表示搜索范围内的任一人工鱼的位置向量的第
Figure 417770DEST_PATH_IMAGE173
列的数值；
Figure 870617DEST_PATH_IMAGE175
表示搜索得到共计鱼群数量。
采用多步迭代求解鱼群中心的人工鱼
Figure 745032DEST_PATH_IMAGE154
的位置向量
Figure 59470DEST_PATH_IMAGE176
，定义位置向量
Figure 335731DEST_PATH_IMAGE176
的第
Figure 834845DEST_PATH_IMAGE173
列数值的初始值为：
Figure 324120DEST_PATH_IMAGE177
，其表达式如下：
Figure 566882DEST_PATH_IMAGE178
其中：
Figure 697649DEST_PATH_IMAGE179
表示人工鱼
Figure 243031DEST_PATH_IMAGE154
的位置向量为
Figure 92039DEST_PATH_IMAGE180
的第
Figure 263126DEST_PATH_IMAGE181
列数值的初始值；
Figure 513979DEST_PATH_IMAGE182
表示搜索范围内的任一人工鱼的位置向量的第
Figure 230262DEST_PATH_IMAGE181
列的数值；
Figure 566565DEST_PATH_IMAGE183
表示搜索范围内的所有人工鱼的位置向量的第
Figure 151130DEST_PATH_IMAGE181
列数值的合计；
Figure 381123DEST_PATH_IMAGE184
表示搜索得到共计鱼群数量。
定义迭代终止的条件其表达式如下：
Figure 392942DEST_PATH_IMAGE185
Figure 216541DEST_PATH_IMAGE186
分别表示求解
Figure 214584DEST_PATH_IMAGE187
、
Figure 440029DEST_PATH_IMAGE188
、
Figure 747383DEST_PATH_IMAGE189
、
Figure 58278DEST_PATH_IMAGE190
的约束函数；
Figure 719067DEST_PATH_IMAGE191
表示迭代误差常数。
定义位置向量
Figure 939964DEST_PATH_IMAGE192
的迭代计算公式，待满足迭代终止条件后输出位置向量
Figure 28005DEST_PATH_IMAGE193
，迭代计算其表达式如下：
Figure 947901DEST_PATH_IMAGE194
Figure 412381DEST_PATH_IMAGE195
Figure 612418DEST_PATH_IMAGE196
Figure 746727DEST_PATH_IMAGE197
其中：
Figure 32215DEST_PATH_IMAGE198
、
Figure 34806DEST_PATH_IMAGE199
分别表示第
Figure 213983DEST_PATH_IMAGE200
次迭代时的位置向量
Figure 909407DEST_PATH_IMAGE201
的第1列数值、第2列数值、第3列数值、第4列数值；
Figure 557557DEST_PATH_IMAGE202
、
Figure 363839DEST_PATH_IMAGE203
、
Figure 272889DEST_PATH_IMAGE204
、
Figure 263848DEST_PATH_IMAGE205
分别表示第
Figure 258349DEST_PATH_IMAGE206
次迭代时的位置向量
Figure 743688DEST_PATH_IMAGE201
的第1列数值、第2列数值、第3列数值、第4列数值；
Figure 772824DEST_PATH_IMAGE207
表示学习率常数。
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：
Figure 403525DEST_PATH_IMAGE208
其中：
Figure 278465DEST_PATH_IMAGE209
表示鱼群中心位置向量
Figure 692129DEST_PATH_IMAGE210
对应的第三适应度函数值；
Figure 310192DEST_PATH_IMAGE211
表示人工鱼
Figure 659265DEST_PATH_IMAGE212
位置向量
Figure 362778DEST_PATH_IMAGE213
对应的第三适应度函数数值；
Figure 439188DEST_PATH_IMAGE214
表示鱼群数量；
Figure 177337DEST_PATH_IMAGE215
表示拥挤度因子常数。
鱼群进行聚群算法，其表达式如下：
Figure 821945DEST_PATH_IMAGE217
Figure 153700DEST_PATH_IMAGE218
Figure 643587DEST_PATH_IMAGE219
其中：
Figure 360876DEST_PATH_IMAGE220
表示人工鱼
Figure 910806DEST_PATH_IMAGE076
的位置向量的第
Figure 854492DEST_PATH_IMAGE221
行数据第
Figure 23436DEST_PATH_IMAGE222
次运算后更新的数值；
Figure 736177DEST_PATH_IMAGE223
表示人工鱼
Figure 581642DEST_PATH_IMAGE076
的位置向量的第
Figure 747044DEST_PATH_IMAGE221
行数据第
Figure 844313DEST_PATH_IMAGE222
次运算时的数值；
Figure 286927DEST_PATH_IMAGE224
表示人工鱼中心的位置向量
Figure 913080DEST_PATH_IMAGE225
的第
Figure 831358DEST_PATH_IMAGE221
行数据的数值；
Figure 119601DEST_PATH_IMAGE226
表示人工鱼中心及全局最优位置与人工鱼
Figure 416721DEST_PATH_IMAGE076
与的距离；
Figure 744934DEST_PATH_IMAGE227
表示步长常数；
Figure 619350DEST_PATH_IMAGE228
表示修正后的步长数值；
Figure 448634DEST_PATH_IMAGE229
、
Figure 724895DEST_PATH_IMAGE230
分别表示人工鱼
Figure 99375DEST_PATH_IMAGE231
及人工鱼
Figure 461087DEST_PATH_IMAGE076
的位置向量的第三适应度函数值。
在本实施例中，追尾行为算法如下：
针对人工鱼
Figure 703849DEST_PATH_IMAGE076
搜索在其鱼群距离
Figure 959250DEST_PATH_IMAGE232
小于人工鱼群视野
Figure 629266DEST_PATH_IMAGE233
的范围内的人工鱼：得到最优位置人工鱼
Figure 619218DEST_PATH_IMAGE234
，其位置向量为
Figure 400093DEST_PATH_IMAGE235
，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。
如果最优位置人工鱼
Figure 650945DEST_PATH_IMAGE234
满足如下评价函数公式条件则进行追尾算法，否则进行觅食算法，进行追尾算法的评价函数公式其表达式如下：
Figure 616496DEST_PATH_IMAGE236
其中：
Figure 952800DEST_PATH_IMAGE237
表示人工鱼
Figure 412731DEST_PATH_IMAGE238
位置向量
Figure 518090DEST_PATH_IMAGE239
对应的第三适应度函数值；
Figure 529909DEST_PATH_IMAGE240
表示人工鱼
Figure 481072DEST_PATH_IMAGE241
位置向量
Figure 603748DEST_PATH_IMAGE242
对应的第三适应度函数值；
Figure 704560DEST_PATH_IMAGE243
表示鱼群数量；
Figure 621700DEST_PATH_IMAGE244
表示拥挤度因子常数。
鱼群进行追尾算法，其表达式如下：
Figure 198175DEST_PATH_IMAGE245
Figure 983597DEST_PATH_IMAGE246
Figure 63549DEST_PATH_IMAGE247
其中：
Figure 558115DEST_PATH_IMAGE248
表示人工鱼r及全局最优位置与人工鱼
Figure 90727DEST_PATH_IMAGE241
与的距离；
Figure 820786DEST_PATH_IMAGE249
表示人工鱼
Figure 614299DEST_PATH_IMAGE241
的位置向量的第
Figure 404400DEST_PATH_IMAGE250
行数据第
Figure 565254DEST_PATH_IMAGE251
次运算后更新的数值；
Figure 567845DEST_PATH_IMAGE252
表示人工鱼
Figure 622389DEST_PATH_IMAGE241
的位置向量的第
Figure 442446DEST_PATH_IMAGE250
行数据第
Figure 949651DEST_PATH_IMAGE251
次运算时的数值；
Figure 755933DEST_PATH_IMAGE253
表示人工鱼
Figure 805928DEST_PATH_IMAGE254
的位置向量的第
Figure 406674DEST_PATH_IMAGE250
行数据的数值；
Figure 811896DEST_PATH_IMAGE255
表示步长常数；
Figure 421869DEST_PATH_IMAGE256
表示修正后的步长数值；
Figure 185425DEST_PATH_IMAGE257
、
Figure 98018DEST_PATH_IMAGE258
分别表示人工鱼
Figure 579814DEST_PATH_IMAGE254
及人工鱼
Figure 118112DEST_PATH_IMAGE241
的位置向量的第三适应度函数值。
鱼群初始种群为
Figure 736175DEST_PATH_IMAGE259
经过觅食、群聚及追尾行为算法后生成种群
Figure 209882DEST_PATH_IMAGE260
，将种群
Figure 54341DEST_PATH_IMAGE260
与第三步中的初始候选集合
Figure 740537DEST_PATH_IMAGE261
取并集，将并集再进行第三步中相同的候选集运算，更新得到候选集合
Figure 868899DEST_PATH_IMAGE262
，同步更新鱼群的全局最优人工鱼的位置向量
Figure 982349DEST_PATH_IMAGE263
。
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：
Figure 438738DEST_PATH_IMAGE264
Figure 69571DEST_PATH_IMAGE265
其中，
Figure 927805DEST_PATH_IMAGE266
表示人工鱼
Figure 602369DEST_PATH_IMAGE267
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；
Figure 546054DEST_PATH_IMAGE268
表示人工鱼
Figure 574053DEST_PATH_IMAGE267
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；
Figure 162160DEST_PATH_IMAGE269
、
Figure 882992DEST_PATH_IMAGE270
表示目标函数误差值常数。
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
Figure 441536DEST_PATH_IMAGE271
或者迭代第t次的候选集合
Figure 273226DEST_PATH_IMAGE272
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
Figure 840474DEST_PATH_IMAGE272
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：
Figure 873152DEST_PATH_IMAGE273
其中，
Figure 525850DEST_PATH_IMAGE274
表示汽车在t时刻的故障率，
Figure 285865DEST_PATH_IMAGE275
表示汽车在早期失效期内的t时刻的故障率，
Figure 707619DEST_PATH_IMAGE276
表示汽车在偶然失效期内的t时刻的故障率，
Figure 770253DEST_PATH_IMAGE277
表示汽车在耗损失效期内的t时刻的故障率，
Figure 51192DEST_PATH_IMAGE278
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：
Figure 490264DEST_PATH_IMAGE279
Figure 156738DEST_PATH_IMAGE280
其中，
Figure 390273DEST_PATH_IMAGE281
表示求解函数的最小值；
Figure 17563DEST_PATH_IMAGE282
、
Figure 604533DEST_PATH_IMAGE283
表示失效率数值的个数；
Figure 266459DEST_PATH_IMAGE284
表示求解浴盆曲线参数的第一目标函数，
Figure 61108DEST_PATH_IMAGE285
表示求解浴盆曲线参数的第二目标函数，
Figure 910116DEST_PATH_IMAGE286
分别表示由历史故障数据计算得到的
Figure 690990DEST_PATH_IMAGE287
时刻、
Figure 82788DEST_PATH_IMAGE288
时刻的失效率数值，
Figure 658126DEST_PATH_IMAGE289
分别表示由浴盆曲线拟合计算得到的
Figure 381713DEST_PATH_IMAGE287
时刻、
Figure 966278DEST_PATH_IMAGE288
时刻的失效率数值，
Figure 71637DEST_PATH_IMAGE287
时刻为在早期失效期内的时刻，
Figure 958822DEST_PATH_IMAGE287
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：
确定每条人工鱼
Figure 516842DEST_PATH_IMAGE290
的初始位置向量对应的适应度函数值为
Figure 29732DEST_PATH_IMAGE291
、
Figure 989597DEST_PATH_IMAGE292
及
Figure 172317DEST_PATH_IMAGE293
，表达式如下：
Figure 624158DEST_PATH_IMAGE294
Figure 284947DEST_PATH_IMAGE295
Figure 489532DEST_PATH_IMAGE296
其中，
Figure 843153DEST_PATH_IMAGE297
表示人工鱼
Figure 782290DEST_PATH_IMAGE290
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；
Figure 246769DEST_PATH_IMAGE298
表示人工鱼
Figure 181227DEST_PATH_IMAGE290
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；
Figure 95963DEST_PATH_IMAGE291
表示人工鱼
Figure 850292DEST_PATH_IMAGE290
的初始位置向量对应的第一适应度函数值；
Figure 259408DEST_PATH_IMAGE292
表示人工鱼
Figure 48372DEST_PATH_IMAGE290
的初始位置向量对应的第二适应度函数值；
Figure 743796DEST_PATH_IMAGE293
表示人工鱼
Figure 644143DEST_PATH_IMAGE290
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。
3.根据权利要求1所述的参数获取方法，其特征在于，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：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
表示汽车在t时刻的故障率，
Figure DEST_PATH_IMAGE003
表示汽车在所述早期失效期内的t时刻的故障率，
Figure DEST_PATH_IMAGE004
表示汽车在所述偶然失效期内的t时刻的故障率，
Figure DEST_PATH_IMAGE005
表示汽车在所述耗损失效期内的t时刻的故障率，
Figure DEST_PATH_IMAGE006
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。
4.根据权利要求3所述的参数获取方法，其特征在于，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：
Figure DEST_PATH_IMAGE007
Figure DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
表示求解函数的最小值；
Figure DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE011
表示失效率数值的个数；
Figure DEST_PATH_IMAGE012
表示求解浴盆曲线参数的第一目标函数，
Figure DEST_PATH_IMAGE013
表示求解浴盆曲线参数的第二目标函数，
Figure DEST_PATH_IMAGE014
、
Figure DEST_PATH_IMAGE015
分别表示由历史故障数据计算得到的
Figure DEST_PATH_IMAGE016
时刻、
Figure DEST_PATH_IMAGE017
时刻的失效率数值，
Figure DEST_PATH_IMAGE018
分别表示由浴盆曲线拟合计算得到的
Figure 504620DEST_PATH_IMAGE016
时刻、
Figure 15236DEST_PATH_IMAGE017
时刻的失效率数值，
Figure 263814DEST_PATH_IMAGE016
时刻为在所述早期失效期内的时刻，
Figure 252499DEST_PATH_IMAGE016
时刻为在所述偶然失效期内的时刻。
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。
7.根据权利要求5所述的参数获取方法，其特征在于，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：
确定每条人工鱼
Figure DEST_PATH_IMAGE019
的初始位置向量对应的适应度函数值为
Figure DEST_PATH_IMAGE020
、
Figure DEST_PATH_IMAGE021
及
Figure DEST_PATH_IMAGE022
，表达式如下：
Figure DEST_PATH_IMAGE023
Figure DEST_PATH_IMAGE024
Figure DEST_PATH_IMAGE025
其中，
Figure DEST_PATH_IMAGE026
表示人工鱼
Figure DEST_PATH_IMAGE027
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；
Figure DEST_PATH_IMAGE028
表示人工鱼
Figure 945884DEST_PATH_IMAGE027
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；
Figure DEST_PATH_IMAGE029
表示人工鱼
Figure 96243DEST_PATH_IMAGE027
的初始位置向量对应的第一适应度函数值；
Figure DEST_PATH_IMAGE030
表示人工鱼
Figure 425593DEST_PATH_IMAGE027
的初始位置向量对应的第二适应度函数值；
Figure DEST_PATH_IMAGE031
表示人工鱼
Figure 686810DEST_PATH_IMAGE027
的初始位置向量对应的第三适应度函数值。
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。
CN202210786461.0A 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 Active CN114861333B (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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