CN115526369A - 汽车零件的失效预测方法、装置、计算机设备和存储介质 - Google Patents

汽车零件的失效预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN115526369A
CN115526369A CN202110712203.3A CN202110712203A CN115526369A CN 115526369 A CN115526369 A CN 115526369A CN 202110712203 A CN202110712203 A CN 202110712203A CN 115526369 A CN115526369 A CN 115526369A
Authority
CN
China
Prior art keywords
sample
mileage
failure
total
time
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
CN202110712203.3A
Other languages
English (en)
Other versions
CN115526369B (zh
Inventor
欧阳天成
许树淮
李菁
黄蓝菁
付俊杰
麦雯倩
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.)
Dongfeng Honda Engine Co Ltd
Original Assignee
Dongfeng Honda Engine 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 Dongfeng Honda Engine Co Ltd filed Critical Dongfeng Honda Engine Co Ltd
Priority to CN202110712203.3A priority Critical patent/CN115526369B/zh
Publication of CN115526369A publication Critical patent/CN115526369A/zh
Application granted granted Critical
Publication of CN115526369B publication Critical patent/CN115526369B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种汽车零件的失效预测方法、装置、计算机设备和存储介质。所述方法包括：首先基于待测汽车零件的历史故障数据的使用时间与行驶总里程确定使用时间与行驶总里程的相关结果，并基于历史故障数据的使用时间、时间失效数、删失数确定失效模式；当相关结果为不相关、且失效模式为单一失效模式时，获取与该目标零件种类对应的目标预测模型，从而可基于该目标预测模型，对待测汽车零件在待测行驶总里程的累计失效率进行预测，输出预测累计失效率。这样，通过该目标预测模型预测能够获得合理且准确的预测累计失效率，进而大大提高了预测结果的精确度。

Description

汽车零件的失效预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及车辆工程市场品质管理技术领域，特别是涉及一种汽车零件的失效预测方法、装置、计算机设备和存储介质。
背景技术
随着车辆工程市场品质管理技术的发展，为降低对汽车零件品质管理的难度，通过建立汽车零件的失效预测模型来预测汽车零件的劣化趋势，从而对汽车的市场品质预测管理和市场保修政策的制定提供指导。
在相关技术中，基于汽车零件的使用时间建立失效预测模型，从而推断汽车零件在未来某时刻发生失效的概率。
然而，对于一些作动失效(即因动作过多发生疲劳失效)的汽车零件，采用基于时间的失效预测模型进行预测，获得的预测结果误差比较大，无法满足对汽车零件预测的精度。
发明内容
基于此，有必要针对上述技术问题，提供一种汽车零件的失效预测方法、装置、计算机设备和存储介质。
一种汽车零件的失效预测方法，该方法包括：
获取与待测汽车零件所属目标零件种类对应的历史故障数据；该历史故障数据包括使用时间、行驶总里程、与使用时间对应的时间失效数、与使用时间对应的删失数；基于该使用时间和该行驶总里程，确定该使用时间与该行驶总里程的相关结果，并基于该使用时间、该时间失效数、以及该删失数，确定该待测汽车零件的失效模式；当该相关结果为不相关，且该失效模式为单一失效模式时，获取与该目标零件种类对应的目标预测模型；该目标预测模型根据该目标零件种类所对应的样本历史故障数据训练得到；通过该目标预测模型，对该待测汽车零件在待测行驶总里程的累计失效率进行预测，输出预测累计失效率。
一种汽车零件的失效预测装置，该装置包括：
第一获取模块，用于获取与待测汽车零件所属目标零件种类对应的历史故障数据；该历史故障数据包括使用时间、行驶总里程、与使用时间对应的时间失效数、与使用时间对应的删失数；
确定模块，用于基于该使用时间和该行驶总里程，确定该使用时间与该行驶总里程的相关结果，并基于该使用时间、该时间失效数、以及该删失数，确定该待测汽车零件的失效模式；
第二获取模块，用于当该相关结果为不相关，且该失效模式为单一失效模式时，获取与该目标零件种类对应的目标预测模型；该目标预测模型根据该目标零件种类所对应的样本历史故障数据训练得到；
预测模块，用于通过该目标预测模型，对该待测汽车零件在待测行驶总里程的累计失效率进行预测，输出预测累计失效率。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述任一该的汽车零件的失效预测的方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一该的汽车零件的失效预测的方法。
上述汽车零件的失效预测方法、装置、计算机设备和存储介质，基于待测汽车零件的历史故障数据中的使用时间和行驶总里程确定使用时间与行驶总里程的相关结果，并基于历史故障数据中的使用时间、时间失效数、删失数确定该待测汽车零件的失效模式。当相关结果为不相关、且失效模式为单一失效模式时，获取与该目标零件种类对应的目标预测模型，从而可基于该目标预测模型，对待测汽车零件在待测行驶总里程的累计失效率进行预测，输出预测累计失效率。其中，若该待测汽车零件的使用时间与行驶总里程不相关，则表明使用时间与行驶总里程之间存在显著差异，从而通过与单一失效模式相匹配的目标预测模型，基于行驶总里程进行预测更加合理。这样，通过该目标预测模型预测能够获得合理且准确的预测累计失效率，进而大大提高了预测结果的精确度。
附图说明
图1为一个实施例中汽车零件的失效预测方法的应用环境图；
图2为一个实施例中汽车零件的失效预测方法的流程示意图；
图3为一个实施例中确定相关结果步骤的流程示意图；
图4为一个实施例中不同车型对于同一种作动失效的汽车零件的失效曲线图；
图5为一个实施例中获取与目标零件种类对应的目标预测模型步骤的流程示意图；
图6为一个实施例中目标预测模型的构建步骤的流程示意图；
图7为一个实施例中确定样本历史可靠度步骤的流程示意图；
图8为一个实施例中年均行驶里程与行驶总里程的换算坐标系示意图；
图9为一个实施例中年均里程分布率分布图；
图10为一个实施例中销售月与年均行驶里程区间残存数的换算坐标系示意图；
图11为一个实施例中样本行驶总里程与样本年均里程残存数分布图；
图12为一个实施例中样本行驶总里程与样本年均里程残存数的数轴示意图；
图13为一个实施例中各车型某零件的基于行驶里程预测的累积失效率图；
图14为一个实施例中各车型某零件的平均绝对百分比误差值图；
图15为一个实施例中汽车零件的失效预测装置的结构框图；
图16为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的汽车零件的失效预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102和服务器104 可单独用于执行本申请中的汽车零件的失效预测方法，也可以协同于执行本申请中的汽车零件的失效预测方法。以终端102和服务器104协同用于执行本申请中的汽车零件的失效预测方法为例进行说明，服务器104获取与待测汽车零件所属目标零件种类对应的历史故障数据；服务器104基于该历史故障数据中的使用时间、行驶总里程确定该使用时间与行驶总里程的相关结果，并基于历史故障数据中的使用时间、时间失效数、以及删失数，确定待测汽车零件的失效模式；当相关结果为不相关，且失效模式为单一失效模式时，服务器104获取与目标零件种类对应的目标预测模型；服务器104通过该目标预测模型，对该待测汽车零件在待测行驶总里程的累计失效率进行预测，输出预测累计失效率至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种汽车零件的失效预测方法，以该方法应用于图1中的计算机设备为例进行说明，该计算机设备具体可以是图1 中的终端或服务器。其中，该汽车零件的失效预测方法包括以下步骤：
步骤202，获取与待测汽车零件所属目标零件种类对应的历史故障数据；该历史故障数据包括使用时间、行驶总里程、与使用时间对应的时间失效数、与使用时间对应的删失数。
其中，该汽车零件为作动失效零件，即指因作动次数过多而发生疲劳失效的零件，例如汽车的轮毂轴承，减震器等。零件种类由车型和零件类别确定，例如，现有A、B两种车型、甲、乙两种零件，零件种类可以是车型和零件的自由组合，即A甲、A乙、B甲、B乙四种。行驶总里程为该汽车行驶的路程，时间失效数为基于汽车零件的使用时间统计获得汽车零件失效的数量，删失数为虽然没有发生故障，但是由于种种原因中途丢失了信息的零件的数量，该删失数基于汽车零件的使用时间统计。
具体地，计算机设备确定待测汽车零件，并基于待测汽车零件，计算机设备从多种目标零件种类的数据中，获取与汽车零件所述目标零件种类对应的历史故障数据。例如，现有A、B、C、D等20种车型，以及甲乙丙丁等100种零件，基于不同车型和不同零件，将汽车故障数据整理成与零件类别对应的数据。计算机设备确定待测汽车零件为A车型的甲零件，再从存储有多种目标零件种类的数据中获取A甲的历史故障数据，该历史故障数据包括以汽车零件行驶总里程为统计单位的历史故障数据，也包括以汽车零件使用时间为统计单位的历史故障数据，其中，时间失效数和删失数是基于零件使用时间统计得到的。
步骤204，基于该使用时间和该行驶总里程，确定该使用时间与该行驶总里程的相关结果，并基于该使用时间、该时间失效数、以及该删失数，确定该待测汽车零件的失效模式。
其中，相关结果可以表征两个变量之间的相关性，即两个变量之间的差异性。失效模式为从致使失效的因素、失效的机理、失效发展过程到失效临界状态的到达的整个失效过程。
具体地，计算机设备通过获取与待测汽车零件对应的历史故障数据，基于历史故障数据中的使用时间和行驶总里程，判断该待测汽车零件的使用时间和行驶总里程之间的相关性，将判断结果作为相关结果；计算机设备基于历史故障数据中使用时间、与使用时间对应的时间失效数、与使用时间对应的删失数，判断该待测汽车零件发生失效的阶段，确定待测汽车零件的失效模式。
步骤206，当该相关结果为不相关，且该失效模式为单一失效模式时，获取与该目标零件种类对应的目标预测模型；该目标预测模型根据该目标零件种类所对应的样本历史故障数据训练得到。
其中，失效模式对应于产品失效的阶段，单一失效模式表现为某零件在一段时间内，零件的失效率上升较快，呈现递增趋势。
具体地，当计算机设备确定待测汽车零件的使用时间和行驶总里程为不相关，且确定该待测汽车零件的失效模式为单一失效模式时，计算机设备获取通过待测行驶总里程进行预测的目标预测模型。
其中，在确定目标检测模型过程中，考虑到对作动失效的零件进行预测，将行驶总里程作为预测的自变量，能够更加符合因汽车零件作动次数过多而产生失效的情况，并且结合该汽车零件的失效模式，进一步确定了该待测汽车零件的目标预测模型。
步骤208，通过该目标预测模型，对该待测汽车零件在待测行驶总里程的累计失效率进行预测，输出预测累计失效率。
其中，累计失效率也可以称为不可靠度，该累计失效率为产品在规定的条件下和规定时间内丧失功能的概率，该累计失效率与可靠度之和为恒定值，即 100％。
具体地，计算机设备确定待测汽车零件的待测行驶总里程，并且将待测行驶总里程输入至待测汽车零件所属目标零件种类对应的目标预测模型，获得该汽车零件的预测可靠度，计算机设备将一个单位常数减去该预测可靠度，获得该汽车零件在目标预测模型时的预测累计失效率。例如，当待测的汽车零件为A甲 (即目标零件种类为A车型的甲零件)时，要预测该汽车在行驶总里程为100km 时，该汽车零件因作动失效的概率，将待测行驶总里程输入至目标检测模型中，获得预测可靠度为50％，输出预测累计失效率为50％,即该A甲零件在汽车行驶总里程为100km时，发生故障的概率为50％。
上述汽车零件的失效预测方法中，基于待测汽车零件的历史故障数据中的使用时间和行驶总里程确定使用时间与行驶总里程的相关结果，并基于历史故障数据的使用时间、时间失效数、删失数确定待测汽车零件的失效模式。当相关结果为不相关、且失效模式为单一失效模式时，获取与该目标零件种类对应的目标预测模型，从而可基于该目标预测模型，对待测汽车零件在待测行驶总里程的累计失效率进行预测，输出预测累计失效率。其中，若该待测汽车零件的使用时间与行驶总里程不相关，则表明使用时间与行驶总里程之间存在显著差异，从而通过与单一失效模式相匹配的目标预测模型，基于行驶总里程进行预测更加合理。这样，通过该目标预测模型预测能够获得合理且准确的预测累计失效率，进而大大提高了预测结果的精确度。
特别是针对因作动次数过多而发生疲劳的汽车零件，通过汽车的行驶总里程能够反映该汽车零件作动是否频繁，从而能够通过行驶总里程评估该汽车零件是否发生疲劳，进而能够实现对作动失效的汽车零件的累计失效率进行预测。因此，基于行驶总里程的目标预测模型能够显著提高对作动失效的汽车零件预测的精确度。
在一个实施例中，如图3所示，基于该使用时间和该行驶总里程，确定该使用时间与该行驶总里程的相关结果，包括：
步骤302，基于该使用时间与该行驶总里程，分别进行标准协方差计算以及 t检验，获得相关系数和检验结果。
其中，标准协方差用于衡量两个变量的总体误差。通过两个变量的标准协方差计算两个变量的相关系数。令两个系数分别为X、Y，则相关系数为pXY的表达式如下：
Figure BDA0003133347460000051
式中Cov(X,Y)为变量X、Y的协方差，D(X)和D(Y)分别为X、Y的方差。当相关系数取绝对值后，当相关系数取值在0-0.09之间时，表明两个变量之间没有相关性；当相关系数取值在0.1-0.3之间时，表明两个变量之间为弱相关；当相关系数取值在0.3-0.5之间时，表明两个变量之间为中等相关；当相关系数取值在0.5-1.0之间时，表明两个变量之间为强相关。
其中，两个变量之间的相关程度的强弱不能只由相关系数的大小来判断，而是需要进一步的显著性验证，即通过t(Student’s t test)检验对对两组离散型变量进行检验，t检验是用t分布理论来推论差异发生的概率，以此比较差异是否显著。即令检验H0:μ＝μ0和备择假设H1:μ≠μ0，令统计量的表达式如下：
Figure BDA0003133347460000061
该统计量中
Figure BDA0003133347460000062
为样本平均数，μ0为总体平均数，S为样本标准差，n为样本数量。在假设H0成立的条件下，t服从t(n-1)分布，给定α，通过查表获得tα/2(n-1)的值，使得P{|t|>tα/2(n-1)}，由于事件A为小概率事件，因此，H0的拒绝域为 |t|>tα/2(n-1)，再将样本相关的值代入统计公式计算出统计量t值，通过t值判断是否满足拒绝域，当满足拒绝域，则拒绝原假设，选择备择假设，认为样本均值与总体均值存在显著差异。
具体地，计算机设备获取待测汽车零件中各个相互连续使用时间和行驶总里程，将使用时间和行驶总里程作为两个变量，分别进行标准协方差计算以及t 校验计算，获得与标准协方差对应的相关系数、以及与t检验对应的检验结果。
例如，计算机设备获取历史故障数据中待测汽车零件从2016年6月到2017 年6月中经过月分别1、2、3……、12月时对应的行驶总里程。基于获取的各个经过月与行驶总里程的数据，进行方差和协方差计算，获得相关系数，基于该相关系数的值查询所属相关范围，该相关系数可以是不相关、弱相关、中等相关以及强相关；计算机设备再进一步显著性验证，通过计算统计量判断是否满足拒绝域，该检验结果可以是使用时间和行驶总里程存在显著差异、或者不存在显著差异。
步骤304，基于该相关系数和检验结果，确定使用时间与行驶总里程的相关结果。
具体地，计算机设备基于获取待测汽车零件的相关系数、以及检验结果，进行对比，根据对比结果，确定与对比结果对应的相关结果。例如，该相关系数可以是不相关、弱相关、中等相关以及强相关，该检验结果可以是存在显著差异、或者不存在显著差异。当计算机设备对相关系数和检验结果进行比对时，比对结果为相关系数为弱相关且校验结果为存在显著差异，则确定该使用时间与行驶总里程的相关结果。
基于该使用时间、该时间失效数、以及该删失数，确定该待测汽车零件的失效模式，包括：
步骤306，基于该使用时间、该时间失效数、以及该删失数，确定该目标零件种类对应的时间失效率。
其中，时间失效数表征为基于使用时间统计的汽车零件失效的数量，该时间失效率为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，该失效率为故障函数或风险函数。删失数虽然没有发生故障，但是由于种种原因中途丢失了信息的零件的数量。
具体地，计算机设备基于该汽车零件的时间失效数、删失数，计算获得该目标零件种类对应的汽车零件时间失效率。例如，将A车型被销售出去的时间作为统计的初始时刻，该初始时刻到该车型使用12个月时，每经过1个月统计汽车零件A甲的失效数和删失数，获得与经过月对应的失效数据，该经过月可以为1个月、2个月、3个月等等。
步骤308，根据该使用时间和该时间失效率，构建与该待测汽车零件对应的失效曲线。
其中，当使用时间单位以月进行统计时，该失效曲线的横坐标为待测汽车零件的经过月，纵坐标为与各个经过月对应的时间失效率。
具体地，基于待测汽车零件的经过月与经过月对应的失效率，计算机设备运用分析工具，获得与该汽车零件对应的失效曲线。其中，该分析工具为服务器中自行开发的软件，具备构建失效曲线的功能。例如，计算机设备可以获取A、B、 C、D等车型中故障数据发生作动失效频率最多的零件的失效率，基于分析工具能够获取与该汽车零件对应的失效曲线。如图4所示为不同车型对于同一种作动失效的汽车零件的失效曲线图。
步骤310，将该失效曲线与经典失效曲线进行比对，得到比对结果。
其中，经典失效曲线，也叫浴盆曲线，该经典失效曲线为产品从投入到报废为止整个寿命周期内，可靠性变化的规律曲线。浴盆曲线描绘了产品失效的三个典型阶段：早期失效期、偶然失效期和耗损失效期。耗损失效期失效率曲线是递增型。在零件中后期失效率上升较快，这是由于产品已经老化、疲劳、磨损、蠕变、腐蚀等所谓耗损的原因所引起的，故称为耗损失效期。
具体地，计算机设备基于待测汽车零件对应的失效曲线的曲线趋势，将该曲线趋势与经典失效曲线的曲线趋势进行比对，根据曲线趋势是否单调获得比对结果，该比对结果可以是单调递增、单调递减、或者非单调。例如，如图4所示，计算机设备获取了某个作动失效的汽车零件分别在A、B、C、D、E、F车型中的失效曲线，根据曲线趋势走势可以得知，该汽车零件的失效曲线为单调递增。
步骤312，基于对比结果确定该待测汽车零件对应的失效模式。
具体地，计算机设备获取待测汽车零件的失效曲线与经典失效曲线比对结果，若该失效曲线为单调，则确定该汽车零件的失效模式为单一失效模式。例如，如图4所示，计算机设备基于某个作动失效的汽车零件分别在A、B、C、D、E、 F车型中的失效曲线，获得该汽车零件在这六个车型中呈现单调递增的趋势，符合耗损失效曲线，即能够判定该汽车零件在这六个车型中的失效模式为单一失效模式，其中该单一失效模式可以体现为该零件的失效在前期发生较少，早中后期失效率上升较快。
在本实施例中，基于使用时间与行驶总里程，分别进行标注协方差以及t检验，获得相关系数和检验结果，从而能够确定使用时间与行驶总里程的相关结果；与此同时，基于使用时间、时间失效数、删失数，确定目标零件种类对应的时间失效率，以此能够构建与待测汽车零件对应的失效曲线，并将该曲线与经典失效曲线进行比对，确定待测汽车零件对应的失效模式。因此，基于相关结果和失效模式能够有助于选取与待测汽车零件实际失效情况符合的模型，进而提高对待测汽车零件的预测结果的精确度。
在一个实施例中，根据该使用时间和该时间失效率，构建与该待测汽车零件对应的失效曲线，包括：根据使用时间获取各个使用时间对应的时间失效率；根据使用时间和该各个使用时间对应的时间失效率拟合，获得与该待测汽车零件对应的失效曲线。
具体地，计算机设备基于各个互相连续的使用时间、与各个使用时间对应的时间失效数、以及与各个使用时间对应的删失数，获得与各个互相连续的使用时间对应的失效率，计算机设备运用分析工具，将各个互相连续的使用时间、与各个互相连续的使用时间对应的时间失效率，通过分析工具进行拟合，获得与该汽车零件对应的失效曲线。例如，基于已售出n个月的A型汽车，且该同期售出的同款汽车有m辆，基于该款汽车的历史故障数据，经过月为1时，失效数和删失数分别为a和b，此时，残存数为销售数量减去失效数和删失数，即经过月为1时的残存数为m-a-b，此时失效率为当前经过月的失效数除以上一经过月的残存数，即经过月为1时的失效率为a/m。按照该计算原理，获得与经过月对应的失效率。然后计算机设备运用分析工具，将各个经过月、与各个经过月对应的失效率，通过分析工具进行拟合，获得与失效曲线。
在本实施例中，通过使用时间获取与各个互相连续的使用时间对应的时间失效率，并基于使用时间和与各个互相连续的使用时间对应的时间失效率拟合，获得与该汽车零件对应的失效曲线，该失效曲线有助于判断该零件的失效模式，从而确定该汽车零件的目标预测模型，获得合理且准确的预测累计失效率。
在一个实施例中，如图5所示，当该相关结果为不相关，且该失效模式为单一失效模式时，获取与该目标零件种类对应的目标预测模型之前，该方法还包括：
步骤502，将该相关系数与第一阈值进行比较，当相关系数小于或等于该第一阈值时，确定该使用时间与该行驶总里程满足第一不相关条件。
其中，第一阈值用于确定两个变量是否相关，第一不相关条件为待测汽车零件基于相关系数的相关程度确定。
具体地，计算机设备设置第一阈值，将基于待测汽车零件的使用时间与行驶总里程获取的相关系数，与第一阈值进行比较，当相关系数小于或等于第一阈值时，使用时间与行驶总里程不相关；当相关系数大于第一阈值时，使用时间与行驶总里程相关。例如，计算机设备将第一阈值设置为0.3，获取某汽车零件在A、 B、C、D、E、F车型中各个相关系数，如表1所示：
表1某零件各车型的相关系数
Figure BDA0003133347460000091
其中，将A车型某零件的使用时间设为X，对应的行驶里程设为Y，代入标准协方差公式，进行计算获得相关系数为0.295。根据表1中该零件在各个车型中的相关系数可知，该相关系数均小于第一阈值0.3，则计算机设备确定该A、B、 C、D、E、F车型的该汽车零件，使用时间与该行驶总里程满足第一不相关条件，即使用时间与行驶总里程不相关。
步骤504，将该检验结果与第二阈值进行比较，当检验结果大于第二阈值时，确定该使用时间与该行驶总里程满足第二不相关条件。
其中，第二阈值用于确定两个变量是否具有显著性差异，第二不相关条件为待测汽车零件基于t校验的t值进行确定。
具体地，计算机设备确定显著水平α，样本数量n，均值μ0，基于α、n、μ0决定第二阈值；计算机设备进行t检验计算获得检验结果t值，将该检验结果与第二阈值进行比较，当检验结果大于第二阈值时，使用时间与行驶总里程存在显著差异；当检验结果小于或等于第二阈值时，使用时间与行驶总里程差异不显著。例如，计算机设备设置α为0.05，n为50，μ0为0，计算机设备通过t校验临界值表计算，获得第二阈值，具体计算过程如下：
Figure BDA0003133347460000092
计算机设备获取某汽车零件在A、B、C、D、E、F车型中t值，如表2所示：
表2某零件各车型的t检验结果
Figure BDA0003133347460000093
根据表2中该零件在各个车型中的t值可知，该t值均大于第二阈值2.009，则计算机设备确定该A、B、C、D、E、F车型的该汽车零件，使用时间与该行驶总里程满足第二不相关条件，即使用时间与行驶总里程存在显著差异。
步骤506，当该使用时间与该行驶总里程满足第一不相关条件，且满足第二不相关条件时，确定该相关结果为不相关。
具体地，计算机设备判断使用时间与行驶总里程是否同时满足第一不相关条件、以及第二不相关条件，当待测汽车零件的使用时间与行驶总里程满足第一不相关条件，并且满足第二不相关条件时，则确定使用时间与行驶总里程的相关结果为不相关。例如，如表1和表2所示，计算机设备获取A、B、C、D、E、 F车型的汽车零件中各个相关系数都小于0.3，即满足第一不相关条件；同时，各个t值都大于2.009，即满足第二不相关条件，计算机设备确定该使用时间与行驶总里程不相关。
在本实施例中，将相关系数与第一阈值进行比较，当相关系数小于或等于第一阈值时，确定使用时间与行驶总里程满足第一不相关条件；将检验结果与第二阈值进行比较，当检验结果大于第二阈值时，确定使用时间与行驶总里程满足第二不相关条件，当使用时间与行驶总里程同时满足第一不相关条件、第二不相关条件时，确定待测汽车零件的使用时间与行驶总里程的相关结果为不相关。因此，考虑对作动失效的汽车零件进行预测时，通过判断使用时间与行驶总里程为不相关，能够将行驶总里程作为预测的自变量，因此，在对因汽车零件作动次数过多而产生失效的情况进行预测时，能够获取更加准确的预测结果，进而提高预测结果的精确度。
在一个实施例中，如图6所示，该目标预测模型的构建，包括以下步骤：
步骤602，获取与不同零件种类对应的样本历史故障数据，基于该样本历史故障数据确定该不同零件种类在各个样本历史行驶总里程内分别对应的样本历史可靠度。
其中，样本历史可靠度为根据样本历史故障数据获得的可靠度。该可靠度为可靠性的概率度量，即产品在规定的时间内，在规定的条件下，完成预定功能的概率。样本历史故障数据用于构建目标预测模型。
具体地，计算机设备从存储有多种样本历史故障数据的数据中，获取与不同零件种类对应的样本历史故障数据，对于每个零件种类，计算机设备根据获取的样本历史故障数据进行数据处理，确定各个样本历史行驶总里程内对应的历史可靠度。例如，现存储有零件种类为A甲、A乙、A丙的样本历史故障数据，计算机设备分别获取与零件种类对应的样本历史故障数据，其中，以A甲的零件种类为例，计算机设备基于A甲的样本历史故障数据，获得各个相邻且连续的样本历史行驶总里程，该样本历史行驶总里程的单位可以为km，如该零件种类样本历史行驶总里程为2km、4km、6km等，计算机设备再基于各个样本历史行驶总里程，获得与各个样本历史行驶总里程内分别对应的样本历史可靠度。
步骤604，构建初始的目标预测模型。
其中，当待测汽车零件的失效模式为单一失效模式时，可以采用双参数威布尔分布模型。该威布尔分布多应用于机械、化工、电子、等领域的失效问题的分析，被广泛使用的原因在于以下两个优点：第一，失效分析的结果精确可信，特别是对于小数据样本的失效预测也比较准确，进而可以尽早发现对象中存在的潜在问题，提前拟定对策，避免引起巨大的成本损失；第二，对单一模式的失效能用简单易懂的图表进行说明，特别是对短时间内数据不充分或者不连续的样本情况，仍然能进行有效的预测。
具体地，计算机设备确定待测汽车零件的使用时间与行驶总里程满足第一不相关条件、且满足第二不相关条件时，能够确定以行驶总里程作为自变量进行预测，计算机设备再基于待测汽车零件的失效模式为单一失效模式时，确定构建双参数威布尔分布模型进行预测，并且该模型的自变量为行驶总里程，构建初始的目标预测模型。例如，计算机设备基于双参数威布尔分布模型、以及使用时间与行驶总里程不相关结果，基于minitab建立如下所示的初始的目标预测模型：
Figure BDA0003133347460000111
上式中s为行驶总里程，η为尺度参数，β为形状参数,R(s)为可靠度。
步骤606，对于每种零件种类，分别通过该初始的目标预测模型，预测与样本历史可靠度对应的样本预测行驶总里程。
具体地，计算机设备基于初始的目标预测模型，获取以可靠度为自变量，行驶总里程为因变量的预测行驶总里程函数，并获取与零件种类对应的样本历史可靠度，计算机设备基于该预测行驶总里程函数，获得样本预测行驶总里程。例如，基于上述的初始的目标预测模型，进行等式变化，公式如下：
Figure BDA0003133347460000112
令H(s)＝-ln[R(s)]，将上式的函数进行转化，获得样本预测行驶总里程函数，如下所示：
Figure BDA0003133347460000113
其中，H(s)为样本历史可靠度Hi。计算机设备将样本历史可靠度输入至预测行驶总里程函数，获得样本预测行驶总里程。
步骤608，对于该每种零件种类，将各个样本历史可靠度对应的样本预测行驶总里程与相应样本历史可靠度对应的样本历史行驶总里程，通过差值、平方、以及求和的运算方式，构建差异函数。
具体地，计算机设备将各个样本历史可靠度输入至预测行驶总里程函数，获得各个样本历史可靠度对应的样本预测行驶总里程，将该样本预测行驶总里程减去样本历史行驶总里程，获得各个样本历史可靠度对应的差值行驶总里程，计算机设备再将差值行驶总里程进行平方求和计算，获取差异函数。例如，根据预测行驶总里程函数，将样本历史可靠度Hi输入至H(s)，获得预测行驶总里程数
Figure RE-GDA0003252579550000121
即，计算机设备通过将样本预测行驶总里程、样本历史行驶总里程进行减法、平方以及求和，获得如下所示的差异函数：
Figure BDA0003133347460000122
其中，n为失效数据的个数，Si为历史行驶总里程。
步骤610，将该差异函数进行尺度参数的偏导运算获得与尺度参数对应的第一偏微分结果，将该差异函数进行形状参数的偏导运算获得与形状参数对应的第二偏微分结果。
具体地，计算机设备基于差异函数，对差异函数进行尺度参数偏微分求导、形状参数偏微分求导，分别获得与尺度参数对应的第一偏微分结果，与形状参数对应的第二偏微分结果。例如，对上述差异函数求导后，得到如下所示的第一偏微分结果、第二偏微分结果：
Figure BDA0003133347460000123
Figure BDA0003133347460000124
步骤612，基于该第一偏微分结果与第二偏微分结果，分别确定与目标零件种类对应的尺度参数、形状参数。
具体地，计算机设备获取与各个零件种类对应的样本历史故障数据，计算机设备基于第一偏微分结果、第二偏微分结果，采用minitab软件进行参数拟合，确定目标检测模型的尺度参数、形状参数。
步骤614，基于确定的尺度参数和形状参数，确定与对应零件种类对应的目标预测模型。
具体地，计算机设备获取与零件种类对应的确定的尺度参数、形状参数，基于尺度参数、形状参数确定与零件种类对应的目标检测模型。例如，计算机设备基于零件种类为A甲的样本历史故障数据，获得尺度参数为667509、形状参数为2.179，以此确定该零件种类的目标预测模型，具体如下所示：
Figure BDA0003133347460000125
在本实施例中，基于不同零件种类对应的样本历史故障数据，能够获得在各个样本历史行驶总里程内分别对应的样本历史可靠度；再通过构建初始的预测模型，获得样本预测行驶总里程，并基于样本历史行驶总里程，通过差值、平方、以及求和运算方式，构建差异函数；再对差异函数分别进行尺度参数、形状参数偏导运算，获得第一偏微分结果、第二偏微分结果；基于第一偏微分结果、第二偏微分结果确定尺度参数、形状参数，以此确定目标预测模型，从而能够获得合理且准确的预测累计失效率。
在一个实施例中，如图7所示，样本历史故障数据包括与汽车零件样本使用时间对应的样本销售数量、样本年均行驶里程、与样本行驶总里程对应的样本里程失效数、与样本使用时间对应的样本时间失效数、与样本使用时间对应的样本删失数；该基于该样本历史故障数据确定该不同零件种类在各个样本行驶总里程内分别对应的样本历史可靠度，包括：
步骤702，基于该样本年均行驶里程和样本使用时间确定样本行驶总里程；基于与汽车零件样本使用时间对应的样本销售数量、该样本年均行驶里程，获取与零件种类对应的样本年均里程分布函数。
其中，样本年均行驶里程、样本行驶总里程通过里程范围进行数据近似处理。计算机设备确定划分好的各个里程范围，并且各个里程范围中最大值和最小值的差值可以设置为定值ΔS，如2Km。例如，第一里程范围可以是0至ΔS1，第二里程范围可以是ΔS1至Δ2S1，第三里程范围可以是Δ2S1至Δ3S1等。若该样本年均行驶里程处于第一里程范围，即大于0、且小于或等于ΔS1时，样本年均行驶里程通过里程范围的中间值确定，即取值(1/2)×ΔS1，若该样本行驶总里程处于第二里程范围，即该样本行驶总里程大于0、且小于或等于ΔS1时，样本行驶总里程通过里程范围的最大值确定，即取值ΔS1确定。
具体地，计算机设备获取样本历史故障数据中的样本年均行驶里程、样本使用时间，基于汽车的行驶的速度建立等式关系，获取样本行驶总里程。例如，该汽车零件的样本历史故障数据从2016年3月开始统计，计算机设备根据样本年均行驶里程和样本使用时间的关系获得对应的样本行驶总里程S，如下表3所示：
表3某零件总行驶里程一览表
Figure BDA0003133347460000131
为方便理解该表，举例说明，经过月为12月的情况下，获取对应的样本行驶总里程S。如上表所示，经过月为12月时，样本年均行驶里程在2Km到4Km，即该样本年均行驶里程设置为3Km(即3000m)，则对应的样本行驶总里程S为：
3000/12＝S/12
则该情况下，获得的样本的行驶总里程S为3000m，则对应的样本行驶总里程为4000m，即4Km。如图8所示，年均行驶里程与行驶总里程(年均里程与总里程)的换算坐标系示意图，其中，以年均行驶里程作为横坐标，销售月作为纵坐标，获得与年均行驶里程与行驶总里程的换算坐标系。
计算机设备获取与汽车零件样本使用时间对应的样本销售数量、该样本年均行驶里程，建立透视表，统计年均里程分布率。其中，透视表的横坐标为汽车零件样本的年均行驶里程，纵坐标为车架号，统计获得与年均行驶里程对应的汽车零件数量，将该汽车零件数量除以样本销售数量，获取与零件种类对应的样本年均里程分布函数。例如，计算机设备分别获取与年均行驶里程对应的车架数量，并通过excel进行计算，输出年均里程分布率图，具体如图9所示，其中，当年均行驶里程为年均行驶里程范围在2至4Km时，对应年均行驶里程分布率为 0.2％
步骤704，基于该样本时间失效数、样本删失数确定与样本使用时间对应的样本时间残存率。
其中，样本时间残存率为截止到当前时刻汽车零件样品残存的概率，样本时间残存率与样本时间失效率的和恒为1。
具体地，计算机设备获取样本历史故障数据中与汽车零件样本使用时间对应的样本销售数量、样本时间失效数、样本删失数，将样本销售数量减去与经过第一个样本使用时间对应的样本时间时间失效数、以及减去与经过第一个样本使用时间对应的样本删失数，获得与第一使用时间对应的样本时间残存数，计算机设备通过增加时间间隔，将上一次使用时间对应的样本时间残存数减去当前使用时间对应的样本时间失效数、当前使用时间对应的删失数，获得当前使用时间对应的样本时间残存数，计算机设备将当前使用时间对应的样本时间失效数除以与上一次使用时间对应的样本时间残存数，获得当前使用时间对应的失效率，用一个单位长度减去当前使用时间对应的失效率获得当前使用时间对应的时间残存率，即与样本时间对应的样本时间残存率。
步骤706，将该样本年均里程分布函数、该样本时间残存率、该与样本使用时间对应的样本销售数量进行乘法运算，获得多个与样本行驶总里程对应的样本年均里程残存数。
具体的，计算机设备基于样本时间残存率获取样本月残存数、样本年均里程分布率，将样本月残存数与样本年均里程分布率进行乘法运算获得样本年均行驶里程残存数，计算机设备基于计算获得的样本年均行驶里程残存数、以及获取与样本使用时间对应的样本销售数量，进行乘法运算，获得多个与样本行驶总里程对应的样本年均行驶里程残存数，其中，获取如表4所示的样本年均行驶里程对应的样本行驶总里程表：
表4某零件行驶总里程一览表
Figure BDA0003133347460000151
上述该表中显示，多个样本年均行驶里程对应一个样本行驶总里程。
例如，计算机设备建立销售月-年均行驶里程区间残存数(年均里程与残存数)换算坐标系，具体如图10所示。计算机设备获取2016年6月的当月样本销售数量11058，获取如表5所示的样本时间残存率表：
表5样本时间残存率分布表
Figure BDA0003133347460000152
其中，经过月为12月时对应的样本时间残存率为98.28％，对应的样本月残存数为11058×98.28％＝10868，计算机设备基于样本年均里程分布函数获得样本年均行驶里程为4Km时的样本年均里程分布率为0.2％，并且样本年均里程行驶里程为4Km对应的样本行驶总里程为4Km，则获得样本年均里程残存数为 10868×0.2％＝22，则获得样本行驶总里程为4Km对应的其中一个样本年均里程残存数为22。其中，相同的样本行驶总里程对应多个样本年均里程残存数。
步骤708，将多个样本年均里程残存数相加，获得与样本行驶总里程对应的样本累计残存数。
具体的，计算机设备通过建立如图11所示的样本行驶总里程与样本年均里程残存数(总行驶里程-残存数)分布图，分析同一样本行驶总里程与样本年均残存数的分布情况，并基于如图12所示的样本行驶总里程与样本年均里程残存数(总行驶里程-残存数)的数轴，确定同一样本行驶总里程对应的多个样本年均里程残存数，将多个样本年均里程残存数相加，获得与样本行驶总里程对应的样本累计残存数。例如，对于样本行驶总里程为4Km，获取多个样本年均里程残存数，如M、N、L……,将各个样本年均里程残存数相加计算，结果为609。具体的样本行驶总里程与样本累计残存数的数据对应表如表6所示：
表6样本行驶总行驶里程与样本累计残存数
Figure BDA0003133347460000161
步骤710，基于该样本里程失效数，将当前样本行驶总里程对应的样本里程失效数除以上一次样本行驶总里程对应的样本累计残存数，获得当前样本行驶总里程对应的样本里程失效率。
具体地，计算机设备基于样本历史故障数据获取样本里程失效数，计算机设备通过增加样本里程间隔，将当前样本行驶总里程对应的样本里程失效数除以上一次样本行驶里程对应的样本累计残存数，获得当前样本行驶总里程对应的样本里程失效率。
步骤712，通过一个单位常数减去当前样本行驶总里程对应的样本里程失效率，获得当前样本行驶总里程对应的样本里程残存率。
其中，样本里程残存率为截止到当前行驶总里程样品残存的概率，样本里程残存率与样本里程失效率的和恒为1。
具体地，计算机设备获取当前样本行驶总里程的样本里程失效率，通过一个单位常数减去当前行驶总里程的样本里程失效率，获得当前样本里程残存率。
步骤714，将当前样本行驶总里程对应的样本里程残存率乘以上一次样本行驶总里程对应的样本历史可靠度，获得当前样本行驶总里程对应的样本历史可靠度，其中，第一次样本行驶总里程对应的样本历史可靠度通过初始样本历史可靠度乘以第一次样本行驶总里程对应的样本里程残存率得到。
其中，样本历史可靠度为可靠性的概率度量，即产品在规定的时间内，在规定的条件下，完成预定功能的概率。
具体地，计算机设备获取当前行驶总里程对应的样本里程残存率和上一次样本行驶总里程对应的样本历史可靠度，将当前行驶总里程对应的样本里程残存率乘以上一次样本行驶总里程对应的样本历史可靠度，获得当前样本行驶总里程对应的样本历史可靠度。其中，第一次样本行驶总里程对应的样本历史可靠度为初始样本历史可靠度(即为1)与第一次样本行驶总里程对应的样本里程残存率得到。其中，计算机设备具体可根据如表7所示的样本历史可靠度计算表进行计算，获取样本历史可靠度：
表7样本历史可靠度计算
Figure BDA0003133347460000171
在本实施例中，通过获取不同零件种类的样本历史故障数据，基于年均行驶里程、样本使用时间确定样本行驶总里程，并获取样本年均分布函数；然后基于样本时间失效数、样本删失数、确定样本时间残存率，以此计算获得多个与样本行驶总里程对应的样本年均里程残存数，从而获得样本行驶总里程对应的样本累计残存数；再基于样本里程样本行驶总里程对应的样本累计残存数、与样本累计残存数获得样本里程失效率，进而获得样本里程残存率；最后基于样本里程残存率、上一次样本行驶总里程的样本历史可靠度，取得当前样本行驶总里程对应的样本历史可靠度，从而有利于确定目标预测模型，进而得到合理且准确的预测累计失效率。
在一个实施例中，基于该第一偏微分结果与第二偏微分结果，分别确定与目标零件种类对应的尺度参数、形状参数，包括：设置该第一偏微分结果为零，获得第一偏微分等式，并设置该第二偏微分结果为零，获得第二偏微分等式；将各个样本历史行驶总里程、样本历史可靠度代入该第二偏微分等式进行计算，获取形状参数；将该形状参数、各个样本历史行驶总里程、样本历史可靠度代入该第一偏微分等式进行计算，获得尺度参数。
具体地，计算机设备对差异函数进行尺度参数偏微分求导、形状参数偏微分求导，获得与尺度参数对应的第一偏微分结果、与形状参数对应的第二偏微分结果，计算机设备分别通过设置第一偏微分结果为零获得第一偏微分等式、设置第二偏微分结果为零获得第二偏微分等式；计算机设备基于第二偏微分等式，通过各个样本历史行驶总里程、样本历史可靠度，迭代求解形状参数，确定目标预测模型的形状参数；计算机设备再基于第一偏微分等式，通过确定的形状参数、各个样本历史行驶总里程、样本历史可靠度，确定尺度参数。例如，计算机设备获得如下所示的第一偏微分等式、第二偏微分等式：
Figure BDA0003133347460000181
Figure BDA0003133347460000182
简化上式可知：
Figure BDA0003133347460000183
Figure BDA0003133347460000184
其中，η为尺度参数，β为形状参数，H(s)为样本历史可靠度Hi，Si为历史行驶总里程，n为失效数据的个数。将上式由第二偏微分等式获得的方程进行迭代，获得求解形状参数，确定目标预测模型的形状参数；再将确定的形状参数带入由第一偏微分等式获得方程，确定尺度参数，比如，分别获取某汽车零件再A、B、 C、D、E、F车型的样本历史故障数据，利用minitab进行参数拟合，获得各个车型对应的参数，如下表8所示：
表8六车型某零件市场故障数据模型参数计算结果
Figure BDA0003133347460000185
Figure BDA0003133347460000191
其中，可以基于平均绝对百分比误差MAPE来衡量预测结果的准确性。其中，
Figure BDA0003133347460000192
其中actural(s)为零件实际发生故障数量，forecast(s)为零件预测发生故障数量。MAPE的值越小，说明预测模型拥有更好的精确度，一般认为MAPE<10％时预测结果可信。具体操作方法应用Python语言编写程序，导入实际和预测故障数据自动计算结果。如图13所示，基于总行驶里程预测结果和实际比较符合，此预测方法可以水平展开到其他同类零件。从图14可以看到，应用Python计算的平均绝对百分比误差均值为8.5％，表明基于总行驶里程的双参数混合威布尔模型预测结果可信。
在本实施例中，通过设置第一偏微分结果、第二偏微分结果为零，分别获得第一偏微分等式、第二偏微分等式；再将各个样本历史行驶总提成、样本历史可靠度代入第二偏微分等式进行计算，获得形状参数，将形状参数、各个样本历史行驶总里程、样本历史可靠度代入第一偏微分等式，获得尺度参数，从而确定目标预测模型，有利于获得合理且准确的预测累计失效率，进而大大提高了预测结果的精确度。此外，准确的零件失效预测结果，为企业的汽车的品质管理提供了有用的数据支持，一对于有市场异常投诉零件，通过预测其未来将要发生的件数，提前做好对应防止恶化；二对于在发市场多发不良项目，以预测结果为指导制定有效的市场措施，提升用户满意度和企业的形象。
应该理解的是，虽然图2-3、5-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3、5-7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图15所示，提供了一种汽车零件的失效预测装置，包括：第一获取模块1502、确定模块1504、第二获取模块1506和预测模块1508，其中：
第一获取模块1502，用于获取与待测汽车零件所属目标零件种类对应的历史故障数据；该历史故障数据包括使用时间、行驶总里程、与使用时间对应的时间失效数、与使用时间对应的删失数。
确定模块1504，用于基于该使用时间、该行驶总里程，确定该使用时间与该行驶总里程的相关结果，并基于该使用时间、该时间失效数、以及该删失数，确定该待测汽车零件的失效模式。
第二获取模块1506，用于当该相关结果为不相关，且该失效模式为单一失效模式时，获取与该目标零件种类对应的目标预测模型；该目标预测模型根据该目标零件种类所对应的样本历史故障数据训练得到。
预测模块1508，用于通过该目标预测模型，对该待测汽车零件在待测行驶总里程的累计失效率进行预测，输出预测累计失效率。
在一个实施例中，该确定模块1504，用于基于该使用时间与该行驶总里程，分别进行标准协方差计算以及t检验，获得相关系数和检验结果；基于该相关系数和检验结果，确定使用时间与行驶总里程的相关结果；基于该使用时间、该时间失效数、以及该删失数，确定该目标零件种类对应的时间失效率；根据该使用时间和该时间失效率，构建与该待测汽车零件对应的失效曲线；将该失效曲线与经典失效曲线进行比对，得到比对结果；基于对比结果确定该待测汽车零件对应的失效模式。
在一个实施例中，该确定模块1504，根据使用时间获取各个使用时间对应的时间失效率；根据使用时间和该各个使用时间对应的时间失效率拟合，获得与该待测汽车零件对应的失效曲线。
在一个实施例中，该确定模块1504，还用于将该相关系数与第一阈值进行比较，当相关系数小于或等于该第一阈值时，确定该使用时间与该行驶总里程满足第一不相关条件；将该检验结果与第二阈值进行比较，当检验结果大于第二阈值时，确定该使用时间与该行驶总里程满足第二不相关条件；当该使用时间与该行驶总里程满足第一不相关条件，且满足第二不相关条件时，确定该相关结果为不相关。
在一个实施例中，第二获取模块1506，还用于获取与不同零件种类对应的样本历史故障数据，基于该样本历史故障数据确定该不同零件种类在各个样本历史行驶总里程内分别对应的样本历史可靠度；构建初始的目标预测模型；对于每种零件种类，分别通过该初始的目标预测模型，预测与样本历史可靠度对应的样本预测行驶总里程；对于该每种零件种类，将各个样本历史可靠度对应的样本预测行驶总里程与相应样本历史可靠度对应的样本历史行驶总里程，通过差值、平方、以及求和的运算方式，构建差异函数；将该差异函数进行尺度参数的偏导运算获得与尺度参数对应的第一偏微分结果，将该差异函数进行形状参数的偏导运算获得与形状参数对应的第二偏微分结果；基于该第一偏微分结果与第二偏微分结果，分别确定与目标零件种类对应的尺度参数、形状参数；基于确定的尺度参数和形状参数，确定与对应零件种类对应的目标预测模型。
在一个实施例中，第二获取模块1506，用于基于该样本年均行驶里程和样本使用时间确定样本行驶总里程；基于与汽车零件样本使用时间对应的样本销售数量、该样本年均行驶里程，获取与零件种类对应的样本年均里程分布函数；基于该样本时间失效数、样本删失数确定与样本使用时间对应的样本时间残存率；将该样本年均里程分布函数、该样本时间残存率、该与样本使用时间对应的样本销售数量进行乘法运算，获得多个与样本行驶总里程对应的样本年均里程残存数；将多个样本年均里程残存数相加，获得与样本行驶总里程对应的样本累计残存数；基于该样本里程失效数，将当前样本行驶总里程对应的样本里程失效数除以上一次样本行驶总里程对应的样本累计残存数，获得当前样本行驶总里程对应的样本里程失效率；通过一个单位常数减去当前样本行驶总里程对应的样本里程失效率，获得当前样本行驶总里程对应的样本里程残存率；将当前样本行驶总里程对应的样本里程残存率乘以上一次样本行驶总里程对应的样本历史可靠度，获得当前样本行驶总里程对应的样本历史可靠度，其中，第一次样本行驶总里程对应的样本历史可靠度通过初始样本历史可靠度乘以第一次样本行驶总里程对应的样本里程残存率得到。
在一个实施例中，第二获取模块1506，用于设置该第一偏微分结果为零，获得第一偏微分等式，并设置该第二偏微分结果为零，获得第二偏微分等式；将各个样本历史行驶总里程、样本历史可靠度代入该第二偏微分等式进行计算，获取形状参数；将该形状参数、各个样本历史行驶总里程、样本历史可靠度代入该第一偏微分等式进行计算，获得尺度参数。
关于汽车零件的失效预测装置的具体限定可以参见上文中对于汽车零件的失效预测方法的限定，在此不再赘述。上述汽车零件的失效预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储汽车零件的失效预测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种汽车零件的失效预测方法。
本领域技术人员可以理解，图16中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种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上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种汽车零件的失效预测方法，其特征在于，所述方法包括：
获取与待测汽车零件所属目标零件种类对应的历史故障数据；所述历史故障数据包括使用时间、行驶总里程、与使用时间对应的时间失效数、与使用时间对应的删失数；
基于所述使用时间和所述行驶总里程，确定所述使用时间与所述行驶总里程的相关结果，并基于所述使用时间、所述时间失效数、以及所述删失数，确定所述待测汽车零件的失效模式；
当所述相关结果为不相关，且所述失效模式为单一失效模式时，获取与所述目标零件种类对应的目标预测模型；所述目标预测模型根据所述目标零件种类所对应的样本历史故障数据训练得到；
通过所述目标预测模型，对所述待测汽车零件在待测行驶总里程的累计失效率进行预测，输出预测累计失效率。
2.根据权利要求1所述的方法，其特征在于，所述基于所述使用时间和所述行驶总里程，确定所述使用时间与所述行驶总里程的相关结果，包括：
基于所述使用时间与所述行驶总里程，分别进行标准协方差计算以及t检验，获得相关系数和检验结果；
基于所述相关系数和检验结果，确定使用时间与行驶总里程的相关结果；
所述基于所述使用时间、所述时间失效数、以及所述删失数，确定所述待测汽车零件的失效模式，包括：
基于所述使用时间、所述时间失效数、以及所述删失数，确定所述目标零件种类对应的时间失效率；
根据所述使用时间和所述时间失效率，构建与所述待测汽车零件对应的失效曲线；
将所述失效曲线与经典失效曲线进行比对，得到比对结果；
基于对比结果确定所述待测汽车零件对应的失效模式。
3.根据权利要求2所述的方法，其特征在于，所述根据所述使用时间和所述时间失效率，构建与所述待测汽车零件对应的失效曲线，包括：
根据使用时间获取各个使用时间对应的时间失效率；
根据使用时间和所述各个使用时间对应的时间失效率拟合，获得与所述待测汽车零件对应的失效曲线。
4.根据权利要求2所述的方法，其特征在于，所述当所述相关结果为不相关，且所述失效模式为单一失效模式时，获取与所述目标零件种类对应的目标预测模型之前，所述方法还包括：
将所述相关系数与第一阈值进行比较，当相关系数小于或等于所述第一阈值时，确定所述使用时间与所述行驶总里程满足第一不相关条件；
将所述检验结果与第二阈值进行比较，当检验结果大于第二阈值时，确定所述使用时间与所述行驶总里程满足第二不相关条件；
当所述使用时间与所述行驶总里程满足第一不相关条件，且满足第二不相关条件时，确定所述相关结果为不相关。
5.根据权利要求1所述的方法，其特征在于，所述目标预测模型的构建，包括：
获取与不同零件种类对应的样本历史故障数据，基于所述样本历史故障数据确定所述不同零件种类在各个样本历史行驶总里程内分别对应的样本历史可靠度；
构建初始的目标预测模型；
对于每种零件种类，分别通过所述初始的目标预测模型，预测与样本历史可靠度对应的样本预测行驶总里程；
对于所述每种零件种类，将各个样本历史可靠度对应的样本预测行驶总里程与相应样本历史可靠度对应的样本历史行驶总里程，通过差值、平方、以及求和的运算方式，构建差异函数；
将所述差异函数进行尺度参数的偏导运算获得与尺度参数对应的第一偏微分结果，将所述差异函数进行形状参数的偏导运算获得与形状参数对应的第二偏微分结果；
基于所述第一偏微分结果与第二偏微分结果，分别确定与目标零件种类对应的尺度参数、形状参数；
基于确定的尺度参数和形状参数，确定与对应零件种类对应的目标预测模型。
6.根据权利要求5所述的方法，其特征在于，所述样本历史故障数据包括与汽车零件样本使用时间对应的样本销售数量、样本年均行驶里程、与样本行驶总里程对应的样本里程失效数、与样本使用时间对应的样本时间失效数、与样本使用时间对应的样本删失数；所述基于所述样本历史故障数据确定所述不同零件种类在各个样本行驶总里程内分别对应的样本历史可靠度，包括：
基于所述样本年均行驶里程和样本使用时间确定样本行驶总里程；基于与汽车零件样本使用时间对应的样本销售数量、所述样本年均行驶里程，获取与零件种类对应的样本年均里程分布函数；
基于所述样本时间失效数、样本删失数确定与样本使用时间对应的样本时间残存率；
将所述样本年均里程分布函数、所述样本时间残存率、所述与样本使用时间对应的样本销售数量进行乘法运算，获得多个与样本行驶总里程对应的样本年均里程残存数；
将多个样本年均里程残存数相加，获得与样本行驶总里程对应的样本累计残存数；
基于所述样本里程失效数，将当前样本行驶总里程对应的样本里程失效数除以上一次样本行驶总里程对应的样本累计残存数，获得当前样本行驶总里程对应的样本里程失效率；
通过一个单位常数减去当前样本行驶总里程对应的样本里程失效率，获得当前样本行驶总里程对应的样本里程残存率；
将当前样本行驶总里程对应的样本里程残存率乘以上一次样本行驶总里程对应的样本历史可靠度，获得当前样本行驶总里程对应的样本历史可靠度，其中，第一次样本行驶总里程对应的样本历史可靠度通过初始样本历史可靠度乘以第一次样本行驶总里程对应的样本里程残存率得到。
7.根据权利要求5所述的方法，其特征在于，所述基于所述第一偏微分结果与第二偏微分结果，分别确定与目标零件种类对应的尺度参数、形状参数，包括：
设置所述第一偏微分结果为零，获得第一偏微分等式，并设置所述第二偏微分结果为零，获得第二偏微分等式；
将各个样本历史行驶总里程、样本历史可靠度代入所述第二偏微分等式进行计算，获取形状参数；
将所述形状参数、各个样本历史行驶总里程、样本历史可靠度代入所述第一偏微分等式进行计算，获得尺度参数。
8.一种汽车零件的失效预测装置，其特征在于，所述装置包括：
第一获取模块，用于获取与待测汽车零件所属目标零件种类对应的历史故障数据；所述历史故障数据包括使用时间、行驶总里程、与使用时间对应的时间失效数、与使用时间对应的删失数；
确定模块，用于基于所述使用时间和所述行驶总里程，确定所述使用时间与所述行驶总里程的相关结果，并基于所述使用时间、所述时间失效数、以及所述删失数，确定所述待测汽车零件的失效模式；
第二获取模块，用于当所述相关结果为不相关，且所述失效模式为单一失效模式时，获取与所述目标零件种类对应的目标预测模型；所述目标预测模型根据所述目标零件种类所对应的样本历史故障数据训练得到；
预测模块，用于通过所述目标预测模型，对所述待测汽车零件在待测行驶总里程的累计失效率进行预测，输出预测累计失效率。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110712203.3A 2021-06-25 2021-06-25 汽车零件的失效预测方法、装置、计算机设备和存储介质 Active CN115526369B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110712203.3A CN115526369B (zh) 2021-06-25 2021-06-25 汽车零件的失效预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110712203.3A CN115526369B (zh) 2021-06-25 2021-06-25 汽车零件的失效预测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN115526369A true CN115526369A (zh) 2022-12-27
CN115526369B CN115526369B (zh) 2023-07-14

Family

ID=84694878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110712203.3A Active CN115526369B (zh) 2021-06-25 2021-06-25 汽车零件的失效预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN115526369B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN200960515Y (zh) * 2006-10-16 2007-10-17 东风本田发动机有限公司 机械零件自动清洗机
CN102862685A (zh) * 2011-07-07 2013-01-09 中国国际航空股份有限公司 一种检测飞机部件的性能进入衰退期的方法
US20160282338A1 (en) * 2013-10-30 2016-09-29 Jason Miklas Compositions and methods for making and using three-dimensional issue systems
CN106295858A (zh) * 2016-07-29 2017-01-04 国电南瑞科技股份有限公司 一种电能表非健康度预测方法
US20170109222A1 (en) * 2015-10-15 2017-04-20 Tata Consultancy Services Limited Systems and methods for predictive reliability mining
CN109697525A (zh) * 2018-12-06 2019-04-30 国网浙江省电力有限公司电力科学研究院 一种批次电能表多故障模式近期寿命预测方法
CN109815245A (zh) * 2019-02-27 2019-05-28 北京慧天为医疗管理顾问有限公司 统计型数据库的生成方法及数据统计方法
CN110428170A (zh) * 2019-08-01 2019-11-08 优必爱信息技术（北京）有限公司 一种汽车配件需求动态预测方法、系统和存储介质
CN110555058A (zh) * 2019-09-06 2019-12-10 国网江苏省电力公司信息通信分公司 基于改进决策树的电力通信设备状态的预测方法
CN111882183A (zh) * 2020-07-14 2020-11-03 肇庆小鹏汽车有限公司 车辆失效估算方法、装置、服务器以及存储介质
CN112784000A (zh) * 2021-01-27 2021-05-11 长沙理工大学 基于出租车轨迹数据的寻客方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN200960515Y (zh) * 2006-10-16 2007-10-17 东风本田发动机有限公司 机械零件自动清洗机
CN102862685A (zh) * 2011-07-07 2013-01-09 中国国际航空股份有限公司 一种检测飞机部件的性能进入衰退期的方法
US20160282338A1 (en) * 2013-10-30 2016-09-29 Jason Miklas Compositions and methods for making and using three-dimensional issue systems
US20170109222A1 (en) * 2015-10-15 2017-04-20 Tata Consultancy Services Limited Systems and methods for predictive reliability mining
CN106295858A (zh) * 2016-07-29 2017-01-04 国电南瑞科技股份有限公司 一种电能表非健康度预测方法
CN109697525A (zh) * 2018-12-06 2019-04-30 国网浙江省电力有限公司电力科学研究院 一种批次电能表多故障模式近期寿命预测方法
CN109815245A (zh) * 2019-02-27 2019-05-28 北京慧天为医疗管理顾问有限公司 统计型数据库的生成方法及数据统计方法
CN110428170A (zh) * 2019-08-01 2019-11-08 优必爱信息技术（北京）有限公司 一种汽车配件需求动态预测方法、系统和存储介质
CN110555058A (zh) * 2019-09-06 2019-12-10 国网江苏省电力公司信息通信分公司 基于改进决策树的电力通信设备状态的预测方法
CN111882183A (zh) * 2020-07-14 2020-11-03 肇庆小鹏汽车有限公司 车辆失效估算方法、装置、服务器以及存储介质
CN112784000A (zh) * 2021-01-27 2021-05-11 长沙理工大学 基于出租车轨迹数据的寻客方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HUI LI 等: "Principal component case-based reasoning ensemble for business failure prediction", 《INFORMATION & MANAGEMENT》, vol. 48, no. 6, pages 220 - 227, XP028243598, DOI: 10.1016/j.im.2011.05.001 *
王正: "机械零件动态可靠性模型及失效率研究", 《东北大学学报(自然科学版)》, vol. 28, no. 11, pages 1620 - 1623 *
邵自力: "基于威布尔分布汽车零部件售后数据失效模式分析及寿命评估", no. 6, pages 035 - 168 *
马光: "考虑架空线时变故障率的电网风险评估方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 12, pages 042 - 257 *

Also Published As

Publication number Publication date
CN115526369B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
AU2016201425B2 (en) Systems and methods for predictive reliability mining
US20210041862A1 (en) Malfunction early-warning method for production logistics delivery equipment
US8725456B1 (en) Decomposition technique for remaining useful life prediction
EP1416348B1 (en) Methodology for temporal fault event isolation and identification
CN110046453B (zh) 一种激光雷达的寿命预测方法
US7499777B2 (en) Diagnostic and prognostic method and system
CN106354995A (zh) 一种基于拉格朗日插值与时间序列的预测方法
CN109917777B (zh) 基于混合多采样率概率主成分分析模型的故障检测方法
Lawless et al. Analysis of reliability and warranty claims in products with age and usage scales
CN103197663A (zh) 一种故障预测方法及系统
Su et al. A novel multi‐hidden semi‐Markov model for degradation state identification and remaining useful life estimation
CN114879070A (zh) 一种电池状态评估方法及相关设备
Kharchenko et al. The method of software reliability growth models choice using assumptions matrix
CN115114124A (zh) 主机风险的评估方法及评估装置
CN115526369A (zh) 汽车零件的失效预测方法、装置、计算机设备和存储介质
CN113610266B (zh) 汽车零件的故障预测方法、装置、计算机设备和存储介质
CN109840386B (zh) 基于因子分析的损伤识别方法
Gu et al. Process analysis for performance evaluation of prognostics methods orienting to engineering application
CN112214934B (zh) 一种基于多传感器的悬浮系统寿命预测方法及相关装置
Paluš et al. Estimating predictability: redundancy and surrogate data method
Mizuno et al. On estimating testing effort needed to assure field quality in software development
CN112949951A (zh) 数据预测方法、装置、电子设备及存储介质
CN113283157A (zh) 智能冲压压力机部件生命周期预测系统、方法、终端、介质
CN112348584A (zh) 一种车辆估值方法、装置及设备
Ito et al. Application of mathematical quantification theory class III in software effort prediction

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