CN115098960A - 设备剩余使用寿命预测方法和装置 - Google Patents
设备剩余使用寿命预测方法和装置 Download PDFInfo
- Publication number
- CN115098960A CN115098960A CN202210648161.6A CN202210648161A CN115098960A CN 115098960 A CN115098960 A CN 115098960A CN 202210648161 A CN202210648161 A CN 202210648161A CN 115098960 A CN115098960 A CN 115098960A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- prediction
- life
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种设备剩余使用寿命预测方法及装置。方法包括:将当前获得的设备数据与历史数据库中的各个全寿命数据进行相似性计算,选取相似性满足预设条件的多组历史数据;将当前获得的设备数据中不同操作情况下的数据与所述满足预设条件的多组历史数据中不同操作情况下的数据进行相似性计算,获取具有最高相似性的位置及相似度;根据获得的位置和相似度,计算得到不同操作情况下的剩余寿命,并根据所述设备后续的任务剖面,确定设备剩余寿命点预测结果;在得到设备剩余寿命点预测结果的基础上,确定设备剩余寿命的区间预测结果。本发明实施例结合区间预测技术及验证技术,解决了设备寿命预测的结果的不确定性问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种设备剩余使用寿命预测方法、装置、电子设备及存储介质。
背景技术
船舶机电系统是一个典型的大规模复杂系统,在使用过程中面临任务复杂多变、工况切换频繁、使用环境差异性大、运行时间长、自给能力受限等诸多问题,对其使用、维修及相关技术研究带来较大难题,据统计显示,船舶执行任务期间所发生故障中,机电系统故障发生频率最高,其管理与保障资源直接影响着装备全系统、全寿命费用。
燃气轮机作为船舶机电系统的心脏,对其具备高可靠、可长航和基于状态的维修等使用要求,但船用燃气轮机组成复杂、任务多样、运行环境复杂多变等情况,在燃气轮机从开始运行到失效的运行过程中,燃机不可能完全处于相同工作条件,例如燃机处于起机、加速、稳定运行、减速、停机等不同阶段或不同的外界环境时,对燃机的退化都有显著的不同影响。因此,如何实现多使用模式下船用燃气轮机关键部件的寿命预测具有重要意义。然而,现有技术中并未发现效果较好的设备寿命预测方法。
发明内容
针对现有技术中存在的问题,本发明实施例提供一种设备剩余使用寿命预测方法、装置、电子设备及存储介质。
第一方面,本发明实施例提供一种设备剩余使用寿命预测方法,包括:
获取设备在不同的任务剖面下的全寿命数据,通过对获得的数据进行相关的处理,建立预测用的历史数据库;
将当前获得的设备数据与历史数据库中的各个全寿命数据进行相似性计算,选取相似性满足预设条件的多组历史数据;
将当前获得的设备数据中不同操作情况下的数据与所述满足预设条件的多组历史数据中不同操作情况下的数据进行相似性计算,获取具有最高相似性的位置及相似度;
根据获得的位置和相似度,计算得到不同操作情况下的剩余寿命,并根据所述设备后续的任务剖面,确定设备剩余寿命点预测结果;
在得到设备剩余寿命点预测结果的基础上,确定设备剩余寿命的区间预测结果。
进一步地,获取设备在不同的任务剖面下的全寿命数据,通过对获得的数据进行相关的处理,建立预测用的历史数据库,包括:
将具有不同操作情况的全寿命数据根据相应的操作条件进行工作条件的划分,使得划分后的每个工作条件只包含相同操作情况的数据;
对各个操作条件下的全寿命数据进行归一化处理;
确定设备在各个工作条件下寿命终点的阈值;
将设备在各个工作条件下寿命终点的阈值归一化后转换成各个工作条件下原始数据的寿命终点的阈值;
根据各个工作条件下原始数据的寿命终点的阈值,对各个工作条件下的数据进行预测,得到各个工作条件下的预测模型;
根据设备所有的全寿命数据及各个工作条件下的预测模型,建立预测用的历史数据库。
进一步地,将当前获得的设备数据与历史数据库中的各个全寿命数据进行相似性计算,选取相似性满足预设条件的多组历史数据,包括:
将当前获得的设备数据分别与历史数据库中的全寿命数据计算最小时滞欧氏距离;
将计算得到的最小时滞欧氏距离最小的目标组数据及其预测模型选取出来,用于进行时间序列相似性评估的数据库。
进一步地,将当前获得的设备数据中不同操作情况下的数据与所述满足预设条件的多组历史数据中不同操作情况下的数据进行相似性计算,获取具有最高相似性的位置及相似度,包括:
在获得相似操作条件下的数据之后进行时间序列相似性的评估,采用加速退化的最小欧式距离、具有时滞和退化加速的最下欧氏距离的方法进行时间序列的相似性评估,获取具有最高相似性的位置及相似度。
进一步地,根据获得的位置和相似度,计算得到不同操作情况下的剩余寿命,并根据所述设备后续的任务剖面,确定设备剩余寿命点预测结果,包括:
在得到各个工作条件下的权重和相应操作条件下的剩余寿命之后,根据模型聚合方法将结果进行整合,得到设备在各个工作条件下的剩余寿命点预测结果。
进一步地,在得到设备剩余寿命点预测结果的基础上,确定设备剩余寿命的区间预测结果,包括:
在得到设备剩余寿命点预测结果的基础上,对得到的设备剩余寿命点预测结果进行修正,给出设备剩余寿命的区间预测结果;
其中,对得到的设备剩余寿命点预测结果进行修正,给出设备剩余寿命的区间预测结果,包括:
在各个设备性能参数的点预测的基础上,计算点预测结果的残差,根据残差的分布计算各训练样本的预测区间上限与下限,采用极端学习机建立预测区间上限与下限模型,以估计预测区间的极端学习机模型;
运用使用预测区间覆盖率和平均预测区间宽度指标对区域预测结果的有效性进行验证。
第二方面,本发明实施例还提供了一种设备剩余使用寿命预测装置,包括:
获取模块,用于获取设备在不同的任务剖面下的全寿命数据,通过对获得的数据进行相关的处理,建立预测用的历史数据库;
第一处理模块,用于将当前获得的设备数据与历史数据库中的各个全寿命数据进行相似性计算,选取相似性满足预设条件的多组历史数据;
第二处理模块,用于将当前获得的设备数据中不同操作情况下的数据与所述满足预设条件的多组历史数据中不同操作情况下的数据进行相似性计算,获取具有最高相似性的位置及相似度;
第三处理模块,用于根据获得的位置和相似度,计算得到不同操作情况下的剩余寿命,并根据所述设备后续的任务剖面,确定设备剩余寿命点预测结果;
第四处理模块,用于在得到设备剩余寿命点预测结果的基础上,确定设备剩余寿命的区间预测结果。
进一步地,所述获取模块,具体用于:
将具有不同操作情况的全寿命数据根据相应的操作条件进行工作条件的划分,使得划分后的每个工作条件只包含相同操作情况的数据;
对各个操作条件下的全寿命数据进行归一化处理;
确定设备在各个工作条件下寿命终点的阈值;
将设备在各个工作条件下寿命终点的阈值归一化后转换成各个工作条件下原始数据的寿命终点的阈值;
根据各个工作条件下原始数据的寿命终点的阈值,对各个工作条件下的数据进行预测,得到各个工作条件下的预测模型;
根据设备所有的全寿命数据及各个工作条件下的预测模型,建立预测用的历史数据库。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上第一方面所述的设备剩余使用寿命预测方法的步骤。
第四方面,本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上第一方面所述的设备剩余使用寿命预测方法的步骤。
本发明实施例提供的设备剩余使用寿命预测方法及装置,突破了现有寿命预测主要具备点预测的限制,充分利用训练样本与验证样本的真实数据,建立了基于相似性轨迹预测的燃气轮机改进寿命预测方法,结合区间预测技术及验证技术,解决了燃气轮机寿命预测的结果的不确定性问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1为本发明一实施例提供的设备剩余使用寿命预测方法的流程示意图;
图2为本发明一实施例提供的总体流程图;
图3为本发明一实施例提供的历史数据库建立示意图;
图4为本发明一实施例提供的相似操作条件选取示意图;
图5为本发明一实施例提供的时间序列相似性评估示意图;
图6为本发明一实施例提供的剩余寿命点预测示意图;
图7为本发明一实施例提供的剩余寿命区间预测示意图;
图8为本发明一实施例提供的设备剩余使用寿命预测装置的结构示意图;
图9为本发明一实施例中电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明一实施例提供的设备剩余使用寿命预测方法的流程示意图;如图1所示,该方法包括:
步骤S1:获取设备在不同的任务剖面下的全寿命数据,通过对获得的数据进行相关的处理,建立预测用的历史数据库;
步骤S2:将当前获得的设备数据与历史数据库中的各个全寿命数据进行相似性计算,选取相似性满足预设条件的多组历史数据;
步骤S3:将当前获得的设备数据中不同操作情况下的数据与所述满足预设条件的多组历史数据中不同操作情况下的数据进行相似性计算,获取具有最高相似性的位置及相似度;
步骤S4:根据获得的位置和相似度,计算得到不同操作情况下的剩余寿命,并根据所述设备后续的任务剖面,确定设备剩余寿命点预测结果;
步骤S5:在得到设备剩余寿命点预测结果的基础上,确定设备剩余寿命的区间预测结果。
根据上面的技术方案可知,本发明实施例提供的设备剩余使用寿命预测方法,突破了现有寿命预测主要具备点预测的限制,充分利用训练样本与验证样本的真实数据,建立了基于相似性轨迹预测的燃气轮机改进寿命预测方法,结合区间预测技术及验证技术,解决了燃气轮机寿命预测的结果的不确定性问题。
基于上述实施例的内容,在本实施例中,获取设备在不同的任务剖面下的全寿命数据,通过对获得的数据进行相关的处理,建立预测用的历史数据库,包括:
将具有不同操作情况的全寿命数据根据相应的操作条件进行工作条件的划分,使得划分后的每个工作条件只包含相同操作情况的数据;
对各个操作条件下的全寿命数据进行归一化处理;
确定设备在各个工作条件下寿命终点的阈值;
将设备在各个工作条件下寿命终点的阈值归一化后转换成各个工作条件下原始数据的寿命终点的阈值;
根据各个工作条件下原始数据的寿命终点的阈值,对各个工作条件下的数据进行预测,得到各个工作条件下的预测模型;
根据设备所有的全寿命数据及各个工作条件下的预测模型,建立预测用的历史数据库。
基于上述实施例的内容,在本实施例中,将当前获得的设备数据与历史数据库中的各个全寿命数据进行相似性计算,选取相似性满足预设条件的多组历史数据,包括:
将当前获得的设备数据分别与历史数据库中的全寿命数据计算最小时滞欧氏距离;
将计算得到的最小时滞欧氏距离最小的目标组数据及其预测模型选取出来,用于进行时间序列相似性评估的数据库。
基于上述实施例的内容,在本实施例中,将当前获得的设备数据中不同操作情况下的数据与所述满足预设条件的多组历史数据中不同操作情况下的数据进行相似性计算,获取具有最高相似性的位置及相似度,包括:
在获得相似操作条件下的数据之后进行时间序列相似性的评估,采用加速退化的最小欧式距离、具有时滞和退化加速的最下欧氏距离的方法进行时间序列的相似性评估,获取具有最高相似性的位置及相似度。
基于上述实施例的内容,在本实施例中,根据获得的位置和相似度,计算得到不同操作情况下的剩余寿命,并根据所述设备后续的任务剖面,确定设备剩余寿命点预测结果,包括:
在得到各个工作条件下的权重和相应操作条件下的剩余寿命之后,根据模型聚合方法将结果进行整合,得到设备在各个工作条件下的剩余寿命点预测结果。
基于上述实施例的内容,在本实施例中,在得到设备剩余寿命点预测结果的基础上,确定设备剩余寿命的区间预测结果,包括:
在得到设备剩余寿命点预测结果的基础上,对得到的设备剩余寿命点预测结果进行修正,给出设备剩余寿命的区间预测结果;
其中,对得到的设备剩余寿命点预测结果进行修正,给出设备剩余寿命的区间预测结果,包括:
在各个设备性能参数的点预测的基础上,计算点预测结果的残差,根据残差的分布计算各训练样本的预测区间上限与下限,采用极端学习机建立预测区间上限与下限模型,以估计预测区间的极端学习机模型;
运用使用预测区间覆盖率和平均预测区间宽度指标对区域预测结果的有效性进行验证。
在本实施例中,需要说明的是,本实施例中提到的设备可以指各种设备,如燃气轮机、发动机等各种设备。
在本实施例中,需要说明的是,由于燃气轮机的评估预测的结果存在不确定性,且预测结果应根据后续预测阶段的使用情况给出相应的预测结果,通过基于相似性轨迹预测的技术,处理多使用模式下寿命的预测问题,并结合区域间预测方法,可给出能针对不同使用情况具有不确定性的多使用模式下改进的寿命预测方法;解决了燃气轮机实际工程中寿命预测不确定性的解决与表达问题。
本发明可对船用燃气轮机的多使命模式下的寿命进行预测,并可对区间预测的模型进行验证,较现有的寿命预测方法,具有全面、精细和可验证的优势。
与现有技术相比,本发明突破了现有寿命预测主要具备点预测的限制,充分利用训练样本与验证样本的真实数据,建立了基于相似性轨迹预测的燃气轮机改进寿命预测方法,结合区间预测技术及验证技术,解决了燃气轮机寿命预测的结果的不确定性问题。
下面对本发明的方案进行详细说明。
需要说明的是,实际环境中船用燃气轮机的运行涉及到的运行地域、运行时域、运行样式、运行原则、运行方法、运行环境将具有极大的不确定性,单一的点预测技术仅能给出一个统一的预测结果,无法根据后续预测阶段的使用情况给出响应的预测结果,并且其结果也无法评估预测的不确定性的问题,针对该问题,本发明实施例提出结合区间预测方法,给出能针对不同使用情况具有不确定性的多使用模式下改进的寿命预测方法,实现对燃气轮机关键性能的预测。
具体地,本发明针对燃气轮机关键性能参数的预测技术难研究和难验证的情况,提出了一种多使用模式下的燃气轮机寿命改进预测方法,首先构建预测历史数据库,其次开展燃气轮机任务剖面的影响分析,之后开展基于相似性轨迹预测,得到点预测结果信息,最后结合区间预测技术,给出在不同任务剖面下设备剩余寿命的预测方法。下面给出具体实现过程:
步骤1:通过实际使用和相关的实验,获取设备在不同的任务剖面下的全寿命数据,通过对获得的数据进行相关的处理,建立起预测的历史数据库。
步骤2:由于前期不同的任务剖面、设备初始情况会对后续的剩余寿命的长短产生一定的影响。因此,在预测之前需要将目前获得的设备数据与历史数据库中的各个全寿命数据进行相似性计算,选取相似性最高(即任务剖面、初始情况最相近)的m组历史数据来进行后续的操作。
步骤3:将设备数据中不同操作情况下的数据与上述获得的m组历史数据中不同操作情况下的数据进行相似性计算,获取具有最高相似性的位置及其相似度。
步骤4:利用上述或的位置和相似度,计算得到不同操作情况下的剩余寿命,并根据设备后续的任务剖面,给出设备剩余寿命的点预测结果。
步骤5:由于在实际使用中,设备的剩余寿命具有一定的不确定性,因此在得到设备剩余寿命点预测结果的基础上给出设备的区间预测结果。
本发明实施例提供的方案整体流程图如图2所示:
1.历史数据库的建立
建立历史数据库主要是为了能更大程度的利用已有的全寿命周期数据,为后续设备在不同操作情况下的剩余寿命预测提供更多的信息,具体步骤如下所示:
步骤1:由于设备特征值的大小不仅与设备的整体状态有关,还和设备的操作情况有关,即不同的操作情况将会产生不同大小的特征值。因此,为了能获取设备整体状态的变化趋势,需要将具有不同操作情况的全寿命数据根据其相应的操作条件进行工作条件的划分,即划分后的每个工作条件只包含相同操作情况的数据。划分工作条件后的数据将会更加明显的体现出设备的状态变化。
步骤2:由于设备的全寿命数据是时间的函数,因此,设备的寿命终点只有一个,即上述划分后的各个工作条件的数据只有一个是包含寿命终点的数据,并把该数据假设为设备在相应任务剖面下该操作条件下所对应的全寿命数据。为了能得到设备在相应任务剖面下各个操作条件下的全寿命数据,需要以寿命终点值来对各个操作条件进行预测。并且由于不同操作条件下,特征值的幅值是不同的,所以首先要对各个操作条件下的全寿命数据进行归一化处理。归一化后的值为:
其中,i表示第i个工作条件;j表示第i个工作条件下第j个时间序列;xij为各个工作条件下的原始数据(或特征值);μi为第i个工作条件下的均值;σi为第i个工作条件下的方差。
步骤3:目前假设设备的退化趋势是单调上升的,取上述计算得到的各个工作条件下归一化后的最大值(如若单调下降则取最小值)来作为各个工作条件下寿命终点的阈值。
步骤4:由于在预测设备剩余寿命时是无法获得预测数据各个工作条件下的整体均值和方差。因此,需要将上述得到的寿命终点归一化后的阈值再转换成各个工作条件下原始数据的终点阈值,即:
ximax=(Xmax·σi)+μi (2)
步骤5:利用上述得到的各个工作条件下寿命终点的阈值来对各个工作条件下的数据进行预测,得到各个操作条件下的预测模型。
步骤6:所有的全寿命数据及其各个操作条件下的预测模型即构成了全部的历史数据库。
2.相似操作条件的选取
由于设备在不同的任务剖面下,不同工作条件下运行时间的长短会对其全寿命有较大的影响。因此要更加准确的确定设备的剩余寿命,就必须首先要从历史数据库中将与预测设备操作情况大致相同的全寿命数据选取出来。具体的步骤为:
步骤1:将要预测设备的数据分别与历史数据库中的全寿命数据计算最小时滞欧氏距离。
比较测试样本和训练样本在特定时间内的相似性,找到一个能使欧氏距离最小的最优时滞τ,
因此,测试样本ZI与退化模型lG之间的平方距离就可以定义如下:
其中τ就是测试样本轨迹ZI与退化模型lG之间的时滞,ti是zi所处的时间。但是当t=ti在退化模型lg(t)上没有定义时,例如ti+τ<0或者ti+τ>ltI时,其相应的应该被舍掉,并且平均距离将基于有效的距离而不是固定的数目I。
对于τ而言,一般的约束条件为:0<tI+τ<ltE。但是在实际中,可以对τ进行更严格的约束,例如限制ltE-τ的范围在设备期望的最小寿命和最大寿命之间。
对于上式而言,所有样本周期的距离对总距离的贡献是相等的。然而,在实际环境中,有理由假设相比于早期的样本周期最近的样本周期对于设备的退化有更大的影响。因此,可以使用偏重于最近样本周期的非均匀权重的距离计算形式,其中具体的表述形式如下所述:
ρ=γ·lrE (8)
其中ti是测试样本中第i个样本周期内所对应的时间,当一个周期远离最近的一个周期tI时,其权重的下降速度由传播参数ρ来进行控制。其中ρ是根据退化模型lG的剩余寿命lrE来进行确定的,其中系数γ的可以由试探法来进行确定,也可以通过交叉验证法来进行优化。
如前所述,训练样本的真实寿命将被用作对测试样本的寿命进行估计。因此从退化模型中的剩余寿命估计可以由下式给出:
步骤2:将上述计算得到的最小时滞欧氏距离最小的m组数据及其预测模型选取出来,用做后续进行时间序列相似性评估的数据库。
3.时间序列相似性评估
在获得了相似操作条件下的数据之后就要进行时间序列相似性的评估,采用加速退化的最小欧式距离、具有时滞和退化加速的最下欧氏距离的方法进行时间序列的相似性评估。
改进的相似性定义方法是在距离定义中引入一个比例因子λ,该比例因子用来调节测试样本和退化模型lG之间不同的退化率,具体的形式如下所示:
其中max(λ,1/λ)是对不同退化率的惩罚项。这个距离定义可以解释为两轨迹之间退化率有加速或者是减速的相似性。
其中比例因子λ通常被限制为0<λ·tI≤ltE,同样,对于λ更为严格的约束是定义ltE/λ的范围在设备期望的最小寿命和最大寿命之间。
其中对退化模型lG的剩余寿命可以由下式进行计算:
将上述时间延迟和退化加速因子相结合而导出的距离定义如下所示:
其中对于λ和τ的限制为0<λ·tI+τ≤ltE,同样,更为严格的约束为定义(ltE-τ)/λ的范围在设备期望的最小寿命和最大寿命之间。
其中对退化模型lG的剩余寿命可以由下式进行计算
4.剩余寿命的点预测
在得到各个工作条件下的权重和相应操作条件下的剩余寿命之后,根据上述TSBP方法中的模型整合中的方法将上述结果进行整合,得到设备在各个工作条件下的剩余寿命。
假设设备在每种工作条件下的剩余寿命是独立的,不会受其他工作条件的和工作条件顺序的影响。因此,最终根据设备在后续任务剖面中具体工作条件的时间,最终给出设备在后续不同任务剖面下的预测剩余寿命
由上式中给出的平方距离的定义,可以得到每个退化模型lG与测试样本之间的相似性评分为:
lS=exp(-lD2) (17)
所有剩余寿命评估和相应的相似性评分形成一组新的数据序列ξI={(lrI,lSI)|l=1,2,…,L},模型聚合的目标就是聚合ξI中的多个评估结果来得到最终的预测剩余寿命。
其中最简单的聚合方法就是使用相似度评分的加权和来得到剩余寿命的点预测模型为
5.剩余寿命的区间预测
由于设备在实际使用中会存在不确定性的影响,即即使相同设备在相同的使用情况下,也会表现出不同使用寿命。因此,对上述得到的点预测结果进行修正,给出设备剩余寿命的区间预测结果。其中区间预测的详细步骤及方法如上区间预测一节中所述。
预测区间包括预测区间的上限与下限,预测区间估计方法的目标是使未来的真实值尽量落在预测区间的上限与下限之间,即未来值落在预测区间内的概率大于某一给定概率。在该方法中,上下限被称为预测界限(Prediction Limit,PL),上下限之间的区间称为预测区间(Prediction Interval,PI)。
步骤1:根据点预测模型,得到训练样本Xj,j=1,…,N的模型输出Oj,j=1,…,N,计算其与标准输出Yj,j=1,…,N的残差rj,j=1,…,N,然后对残差进行模糊聚类,并使用训练样本预测区间计算方法,确定各训练样本Xj,j=1,…,N的预测区间上限UPLj与预测区间下限LPLj,j=1,…,N,其中N表示点预测模型训练样本的数目。
步骤2:使用第1步中训练样本的输入Xj,j=1,…,N及其预测区间上限UPLj与预测区间下限LPLj,j=1,…,N作为训练样本,分别训练预测区间的上限估计模型及下限估计模型。两个模型的输入均为样本输入Xj,j=1,…,N,输出则分别为预测区间上限UPLj与下限LPLj,j=1,…,N。
步骤3:估计新样本的预测区间,即估计阶段。对于新的测试样本输入Xi,i=1,…,M,将其分别输入到第2步的两个模型中,便分别得到该测试样本输入Xi,i=1,…,M的预测区间上限UPLi与下限LPLi,i=1,…,M,进而得到其预测区间,即PIi=[LPLi,UPLi],i=1,…,M,其中M为测试样本的数目。
步骤4:使用预测区间覆盖率(Prediction Interval Coverage,PIC)和平均预测区间宽度(Mean Prediction Interval,MPI)来对预测区间进行验证评估。PICP表征预测区间能够覆盖标准输出的概率,其值越高,说明预测区间能够覆盖更多的标准输出,则预测区间越有效;MPI表示预测区间的平均宽度。一般的,预测区间宽度越大,其能覆盖标准输出的概率越大,即PICP越大。
由此可见,在本实施例中,在各个设备性能参数的点预测的基础上,计算点预测模型结果的残差,然后根据残差的分布计算各训练样本的预测区间上限与下限,采用极端学习机(Extreme Learning Machine,ELM)建立预测区间上限与下限模型,从而得到能够估计预测区间的极端学习机模型;
此外,本发明实施例综合运用使用预测区间覆盖率和平均预测区间宽度指标对区域预测方法的有效性进行验证。
此外,本发明实施例基于相似性轨迹预测的基础上,综合运用区间预测技术,给出燃气轮机在不同任务剖面下剩余寿命的预测方法及实施步骤。
本发明实施例的方案具有如下的有益效果:
由于燃气轮机的评估预测的结果存在不确定性,且预测结果应根据后续预测阶段的使用情况给出相应的预测结果,通过基于相似性轨迹预测的技术,处理多使用模式下寿命的预测问题,并结合区域间预测方法,可给出能针对不同使用情况具有不确定性的多使用模式下改进的寿命预测方法;解决了燃气轮机实际工程中寿命预测不确定性的解决与表达问题。
本发明实施例可对船用燃气轮机的多使命模式下的寿命进行预测,并可对区间预测的模型进行验证,较现有的寿命预测方法,具有全面、精细和可验证的优势。
与现有技术相比,本发明实施例突破了现有寿命预测主要具备点预测的限制,充分利用训练样本与验证样本的真实数据,建立了基于相似性轨迹预测的燃气轮机改进寿命预测方法,结合区间预测技术及验证技术,解决了燃气轮机寿命预测的结果的不确定性问题。
下面结合附图3、图4、图5、图6和图7以及实施例对本发明进行详细说明。
由于在数据集中,设备表现出两种退化趋势,为简单起见,仅选取数据集中具有上升趋势的通道进行使用。如果在实际的使用中设备表现出不同的退化趋势,那么在时间序列相似性评估前还需要将所得到的相似操作条件数据库中各个工作条件下的数据进行不同趋势(上升、下降)的划分。并再选取相似的变化趋势进行后续的操作。同时由于数据集中的数据已经具有较好的趋势性,因此后续直接使用一组原始数据进行计算,没有对原始数据进行预处理及特征提取。最后直接使用计算得到的欧氏距离作为相似性评估的指标来进行后续设备剩余寿命的计算。
验证时具体的计算步骤如下所示:
步骤1:从上述数据集中的249组全寿命数据中随机抽取5组作为测试样本,其余244组作为训练样本。
步骤2:用上述得到的训练样本来建立历史数据库,具体步骤如上所示。
步骤3:选取测试样本中的前一部分数据作为预测数据样本,后一部分数据用来进行结果验证。
步骤4:利用测试样本中前一部分数据进行相似操作条件的选取,具体步骤如上所示,其中选取前3组相似性最大的数据作为时间序列相似性评估的数据库。
步骤5:利用测试样本中前一部分数据进行时间序列相似性评估,具体步骤如上所示。
步骤6:根据测试样本中后一部分数据中的操作条件,将不同的操作条件时间折算成该操作条件所占的比例。并结合上述时间序列相似性评估中的结果给出最终设备剩余寿命点预测的结果。
步骤7:根据测试样本中后一本分数据的时间长度作为剩余寿命,计算点预测结果的误差。
步骤8:选取训练样本中后100组数据作为训练样本并结合上述方法给出该数据集的区间预测模型。其中α=0.2,即给出置信度80%的预测区间。
步骤9:根据测试样本中前一段数据。带入到区间预测模型中,得到该测试样本的预测区间。
其中,具体的计算结果如下所示:
通过上述步骤之后,任意选取的5个测试样本的实际剩余寿命和点预测剩余寿命的结果为:
表1点预测结果
组数 | 实际剩余寿命 | 点预测剩余寿命 | 误差率 |
第一组 | 75 | 64.7224 | 13.71% |
第二组 | 56 | 55.9621 | 0.06% |
第三组 | 123 | 102.6099 | 16.57% |
第四组 | 89 | 57.6735 | 35.20% |
第五组 | 73 | 62.1888 | 14.81% |
通过测试样本带入到区间预测模型中可以得到上述测试样本区间预测的上下区间,为了衡量区间预测的稳定性,计算5次,分别计算PICP的均值与方差,其中计算结果如表所示:
表2区间预测估计结果
PICP均值 | MPI均值 | PICP方差 | MPI方差 | |
计算结果 | 0.6 | 32.8914 | 0.098 | 2.248 |
其中,这5组数据的总寿命的平均值为166.4。平均预测区间宽度占总寿命的比重为19.8%。
图8为本发明一实施例提供的设备剩余使用寿命预测装置的结构示意图,如图8所示,该装置包括:获取模块201、第一处理模块202、第二处理模块203、第三处理模块204和第四处理模块205,其中:
获取模块201,用于获取设备在不同的任务剖面下的全寿命数据,通过对获得的数据进行相关的处理,建立预测用的历史数据库;
第一处理模块202,用于将当前获得的设备数据与历史数据库中的各个全寿命数据进行相似性计算,选取相似性满足预设条件的多组历史数据;
第二处理模块203,用于将当前获得的设备数据中不同操作情况下的数据与所述满足预设条件的多组历史数据中不同操作情况下的数据进行相似性计算,获取具有最高相似性的位置及相似度;
第三处理模块204,用于根据获得的位置和相似度,计算得到不同操作情况下的剩余寿命,并根据所述设备后续的任务剖面,确定设备剩余寿命点预测结果;
第四处理模块205,用于在得到设备剩余寿命点预测结果的基础上,确定设备剩余寿命的区间预测结果。
基于上述实施例的内容,在本实施例中,所述获取模块201,具体用于:
将具有不同操作情况的全寿命数据根据相应的操作条件进行工作条件的划分,使得划分后的每个工作条件只包含相同操作情况的数据;
对各个操作条件下的全寿命数据进行归一化处理;
确定设备在各个工作条件下寿命终点的阈值;
将设备在各个工作条件下寿命终点的阈值归一化后转换成各个工作条件下原始数据的寿命终点的阈值;
根据各个工作条件下原始数据的寿命终点的阈值,对各个工作条件下的数据进行预测,得到各个工作条件下的预测模型;
根据设备所有的全寿命数据及各个工作条件下的预测模型,建立预测用的历史数据库。
本发明实施例提供的设备剩余使用寿命预测装置具体可以用于执行上述实施例所述的设备剩余使用寿命预测方法,其技术原理和有益效果类似,具体可参见上述实施例,此处不再赘述。
基于相同的发明构思,本发明实施例提供一种电子设备,参见图9,所述电子设备具体包括如下内容:处理器310、通信接口320、存储器330和通信总线340;
其中,所述处理器310、通信接口320、存储器330通过所述总线340完成相互间的通信;所述通信接口320用于实现各建模软件及智能制造装备模块库等相关设备之间的信息传输;所述处理310用于调用所述存储器330中的计算机程序,所述处理器执行所述计算机程序时实现上述各方法实施例所提供的方法,例如,所述处理器执行所述计算机程序时实现下述步骤:S1、获取目标车辆当前与载重相关的数据;
S2、根据所述目标车辆当前与载重相关的数据和参数集,计算当前车辆载重状态;S3、将所述当前车辆载重状态发送至用户端;S4、所述用户端接收到所述当前车辆载重状态,根据当前车辆真实载重状态进行核对,若所述用户端接收到所述当前车辆载重状态与所述当前车辆真实载重状态不一致,则用户端反馈所述当前车辆真实载重状态;S5、系统接收到所述用户端反馈的当前车辆真实载重状态,调整所述参数集,并根据所述调整后的参数集重新计算当前车辆载重状态,直至计算出所述当前车辆载重状态与所述用户端反馈的当前车辆真实载重状态一致;S6、保存所述当前车辆载重状态与所述用户端反馈的当前车辆真实载重状态一致状态下的参数值。
基于相同的发明构思,本发明又一实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法实施例提供的方法,例如,获取设备在不同的任务剖面下的全寿命数据,通过对获得的数据进行相关的处理,建立预测用的历史数据库;将当前获得的设备数据与历史数据库中的各个全寿命数据进行相似性计算,选取相似性满足预设条件的多组历史数据;将当前获得的设备数据中不同操作情况下的数据与所述满足预设条件的多组历史数据中不同操作情况下的数据进行相似性计算,获取具有最高相似性的位置及相似度;根据获得的位置和相似度,计算得到不同操作情况下的剩余寿命,并根据所述设备后续的任务剖面,确定设备剩余寿命点预测结果;在得到设备剩余寿命点预测结果的基础上,确定设备剩余寿命的区间预测结果。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
此外,在本发明中,诸如“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
此外,在本发明中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种设备剩余使用寿命预测方法,其特征在于,包括:
获取设备在不同的任务剖面下的全寿命数据,通过对获得的数据进行相关的处理,建立预测用的历史数据库;
将当前获得的设备数据与历史数据库中的各个全寿命数据进行相似性计算,选取相似性满足预设条件的多组历史数据;
将当前获得的设备数据中不同操作情况下的数据与所述满足预设条件的多组历史数据中不同操作情况下的数据进行相似性计算,获取具有最高相似性的位置及相似度;
根据获得的位置和相似度,计算得到不同操作情况下的剩余寿命,并根据所述设备后续的任务剖面,确定设备剩余寿命点预测结果;
在得到设备剩余寿命点预测结果的基础上,确定设备剩余寿命的区间预测结果。
2.根据权利要求1所述的设备剩余使用寿命预测方法,其特征在于,获取设备在不同的任务剖面下的全寿命数据,通过对获得的数据进行相关的处理,建立预测用的历史数据库,包括:
将具有不同操作情况的全寿命数据根据相应的操作条件进行工作条件的划分,使得划分后的每个工作条件只包含相同操作情况的数据;
对各个操作条件下的全寿命数据进行归一化处理;
确定设备在各个工作条件下寿命终点的阈值;
将设备在各个工作条件下寿命终点的阈值归一化后转换成各个工作条件下原始数据的寿命终点的阈值;
根据各个工作条件下原始数据的寿命终点的阈值,对各个工作条件下的数据进行预测,得到各个工作条件下的预测模型;
根据设备所有的全寿命数据及各个工作条件下的预测模型,建立预测用的历史数据库。
3.根据权利要求2所述的设备剩余使用寿命预测方法,其特征在于,将当前获得的设备数据与历史数据库中的各个全寿命数据进行相似性计算,选取相似性满足预设条件的多组历史数据,包括:
将当前获得的设备数据分别与历史数据库中的全寿命数据计算最小时滞欧氏距离;
将计算得到的最小时滞欧氏距离最小的目标组数据及其预测模型选取出来,用于进行时间序列相似性评估的数据库。
4.根据权利要求3所述的设备剩余使用寿命预测方法,其特征在于,将当前获得的设备数据中不同操作情况下的数据与所述满足预设条件的多组历史数据中不同操作情况下的数据进行相似性计算,获取具有最高相似性的位置及相似度,包括:
在获得相似操作条件下的数据之后进行时间序列相似性的评估,采用加速退化的最小欧式距离、具有时滞和退化加速的最下欧氏距离的方法进行时间序列的相似性评估,获取具有最高相似性的位置及相似度。
5.根据权利要求4所述的设备剩余使用寿命预测方法,其特征在于,根据获得的位置和相似度,计算得到不同操作情况下的剩余寿命,并根据所述设备后续的任务剖面,确定设备剩余寿命点预测结果,包括:
在得到各个工作条件下的权重和相应操作条件下的剩余寿命之后,根据模型聚合方法将结果进行整合,得到设备在各个工作条件下的剩余寿命点预测结果。
6.根据权利要求5所述的设备剩余使用寿命预测方法,其特征在于,在得到设备剩余寿命点预测结果的基础上,确定设备剩余寿命的区间预测结果,包括:
在得到设备剩余寿命点预测结果的基础上,对得到的设备剩余寿命点预测结果进行修正,给出设备剩余寿命的区间预测结果;
其中,对得到的设备剩余寿命点预测结果进行修正,给出设备剩余寿命的区间预测结果,包括:
在各个设备性能参数的点预测的基础上,计算点预测结果的残差,根据残差的分布计算各训练样本的预测区间上限与下限,采用极端学习机建立预测区间上限与下限模型,以估计预测区间的极端学习机模型;
运用使用预测区间覆盖率和平均预测区间宽度指标对区域预测结果的有效性进行验证。
7.一种设备剩余使用寿命预测装置,其特征在于,包括:
获取模块,用于获取设备在不同的任务剖面下的全寿命数据,通过对获得的数据进行相关的处理,建立预测用的历史数据库;
第一处理模块,用于将当前获得的设备数据与历史数据库中的各个全寿命数据进行相似性计算,选取相似性满足预设条件的多组历史数据;
第二处理模块,用于将当前获得的设备数据中不同操作情况下的数据与所述满足预设条件的多组历史数据中不同操作情况下的数据进行相似性计算,获取具有最高相似性的位置及相似度;
第三处理模块,用于根据获得的位置和相似度,计算得到不同操作情况下的剩余寿命,并根据所述设备后续的任务剖面,确定设备剩余寿命点预测结果;
第四处理模块,用于在得到设备剩余寿命点预测结果的基础上,确定设备剩余寿命的区间预测结果。
8.根据权利要求7所述的设备剩余使用寿命预测装置,其特征在于,所述获取模块,具体用于:
将具有不同操作情况的全寿命数据根据相应的操作条件进行工作条件的划分,使得划分后的每个工作条件只包含相同操作情况的数据;
对各个操作条件下的全寿命数据进行归一化处理;
确定设备在各个工作条件下寿命终点的阈值;
将设备在各个工作条件下寿命终点的阈值归一化后转换成各个工作条件下原始数据的寿命终点的阈值;
根据各个工作条件下原始数据的寿命终点的阈值,对各个工作条件下的数据进行预测,得到各个工作条件下的预测模型;
根据设备所有的全寿命数据及各个工作条件下的预测模型,建立预测用的历史数据库。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述的设备剩余使用寿命预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述的设备剩余使用寿命预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210648161.6A CN115098960A (zh) | 2022-06-08 | 2022-06-08 | 设备剩余使用寿命预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210648161.6A CN115098960A (zh) | 2022-06-08 | 2022-06-08 | 设备剩余使用寿命预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115098960A true CN115098960A (zh) | 2022-09-23 |
Family
ID=83289771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210648161.6A Pending CN115098960A (zh) | 2022-06-08 | 2022-06-08 | 设备剩余使用寿命预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115098960A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310240A (zh) * | 2022-10-11 | 2022-11-08 | 烟台杰瑞石油装备技术有限公司 | 油气压裂泵设备寿命预测方法、装置及非易失性存储介质 |
CN115964470A (zh) * | 2023-02-20 | 2023-04-14 | 永康市智展科技股份有限公司 | 一种摩托车配件的寿命预测方法及系统 |
CN116911204A (zh) * | 2023-09-13 | 2023-10-20 | 南通迈程汽车技术有限公司 | 一种基于深度学习的汽车零部件寿命预测方法 |
-
2022
- 2022-06-08 CN CN202210648161.6A patent/CN115098960A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310240A (zh) * | 2022-10-11 | 2022-11-08 | 烟台杰瑞石油装备技术有限公司 | 油气压裂泵设备寿命预测方法、装置及非易失性存储介质 |
WO2024077685A1 (zh) * | 2022-10-11 | 2024-04-18 | 烟台杰瑞石油装备技术有限公司 | 油气压裂泵设备寿命预测方法、装置及非易失性存储介质 |
CN115964470A (zh) * | 2023-02-20 | 2023-04-14 | 永康市智展科技股份有限公司 | 一种摩托车配件的寿命预测方法及系统 |
CN115964470B (zh) * | 2023-02-20 | 2023-09-08 | 永康市智展科技股份有限公司 | 一种摩托车配件的寿命预测方法及系统 |
CN116911204A (zh) * | 2023-09-13 | 2023-10-20 | 南通迈程汽车技术有限公司 | 一种基于深度学习的汽车零部件寿命预测方法 |
CN116911204B (zh) * | 2023-09-13 | 2023-12-15 | 南通迈程汽车技术有限公司 | 一种基于深度学习的汽车零部件寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115098960A (zh) | 设备剩余使用寿命预测方法和装置 | |
CN110007652B (zh) | 一种水电机组劣化趋势区间预测方法与系统 | |
CN110149237B (zh) | 一种Hadoop平台计算节点负载预测方法 | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN105046045B (zh) | 一种基于贝叶斯组合的Web服务QoS预测方法 | |
CN111523778A (zh) | 基于粒子群算法和梯度提升树的电网运行安全评估方法 | |
CN109189834A (zh) | 基于无偏灰色模糊马尔科夫链模型的电梯可靠性预测方法 | |
CN106991285A (zh) | 一种短期风速多步预测方法及装置 | |
CN111625516A (zh) | 检测数据状态的方法、装置、计算机设备和存储介质 | |
CN111310990A (zh) | 一种基于改进灰色组合模型的轨道质量预测方法及系统 | |
EP4047603A1 (en) | Abnormality degree calculation system and abnormality degree calculation method | |
CN115329669A (zh) | 基于深度贝叶斯主动学习的电力系统暂态稳定评估方法 | |
CN104932898B (zh) | 一种基于改进多目标粒子群优化算法的待增组件选择方法 | |
CN110941902A (zh) | 一种输电线路雷击故障预警方法和系统 | |
CN113836817A (zh) | 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法 | |
CN116739742A (zh) | 信贷风控模型的监控方法、装置、设备及存储介质 | |
CN110363232B (zh) | 基于bp神经网络的毫米波探测器干扰效果评估方法 | |
CN117330963B (zh) | 储能电站故障检测方法、系统及设备 | |
CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
CN116680969A (zh) | 一种pso-bp算法的充填体评估参数预测方法及装置 | |
CN112199850A (zh) | 一种基于过程特征的系统弹性分布规律研究方法 | |
CN116956738A (zh) | 一种基于自适应代理模型的机械结构可靠度计算方法 | |
CN115618743B (zh) | 一种瞄准镜系统的状态评估方法及状态评估系统 | |
CN116643177A (zh) | 一种电池健康度在线预测方法、装置、设备及介质 | |
CN114506756B (zh) | 一种目标系统功能安全定级方法、装置、设备、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 |