CN116341290A - 一种长贮装备可靠性抽样检测方法 - Google Patents

一种长贮装备可靠性抽样检测方法 Download PDF

Info

Publication number
CN116341290A
CN116341290A CN202310609789.XA CN202310609789A CN116341290A CN 116341290 A CN116341290 A CN 116341290A CN 202310609789 A CN202310609789 A CN 202310609789A CN 116341290 A CN116341290 A CN 116341290A
Authority
CN
China
Prior art keywords
sampling
storage equipment
index
long
evaluation
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
CN202310609789.XA
Other languages
English (en)
Other versions
CN116341290B (zh
Inventor
李晓阳
陈大宇
康锐
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.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202310609789.XA priority Critical patent/CN116341290B/zh
Publication of CN116341290A publication Critical patent/CN116341290A/zh
Application granted granted Critical
Publication of CN116341290B publication Critical patent/CN116341290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic 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]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于可靠性的抽样方案设计技术领域，具体为一种长贮装备可靠性抽样检测方法。该方法包括：建立相似指标体系，确定抽样母体的划分原则；采用不确定综合评判法对定性指标进行统计分析，获得产品可靠性相似度；对抽样母体的进行划分，通过最大可信度原则，建立符合抽样要求的抽样个体的优化模型，优化求取抽样个体；更新产品特征信息，重新对母体进行划分；满足最大可信度原则和相应要求，动态调整样本量和周期要求，获得同一母体的动态抽样方案，对产品进行检测。本发明实现了如何科学划分抽样母体，达到科学准确推断其它个体可靠性的目的。

Description

一种长贮装备可靠性抽样检测方法
技术领域
本发明涉及基于可靠性的抽样方案设计技术领域，尤其涉及一种长贮装备可靠性抽样检测方法。
背景技术
长贮装备是指具有“长期贮存，一次使用”特点的特殊类型产品。其寿命周期内需要经历长期贮存、简易库房贮存和使用贮存。长期贮存为平时长时间贮存于稳定且适宜的应力水平的库房中，性能退化十分缓慢。但因其任务需要，会多次经历使用贮存状态，在这一状态中，环境条件相对不可控，易受复杂环境应力（如温度、湿度、振动等等）的共同作用，故长贮装备的关键结构和材料会表现出老化、降解、腐蚀等物理与化学变化过程并导致其性能退化，严重时甚至发生装备性能无法满足特定要求而发生故障的现象，无法保证高可靠性要求和完好率。因此，对长贮装备来说，若无法及时发现装备中已存在的故障或潜在的故障并及时采取维修或更换措施，一旦进入使用阶段，很有可能会因为某个部件故障或总体可靠度过低而无法完成特定的任务，造成十分严重的后果。基于此背景，面对长贮装备，就必须制定科学合理的抽样方案，定期抽样并检测产品状态与性能，保证其可靠性，以确认其仍能够长期使用。
CN109409655B公开了一种基于MWO的可靠性抽样验收试验方案的优化方法，包括：（1）根据试验目的确定目标函数，建立可靠性抽样验收试验的验收模型；（2）根据产品的生产方和使用方的约定，确定验收模型的约束条件；（3）在满足约束条件下利用MWO算法对验收模型进行优化；（4）得到可靠性抽样验收试验方案优化后的参数。
CN107392439B公开了一种电力系统可靠性评估的组合抽样方法，利用等分散抽样和全概率公式抽样两者的组合抽样方法对系统可靠性指标进行评估，选取一组系统元件以应用全概率公式，系统剩余元件应用等分散抽样方法。
但上述技术方案均难以应用到长贮装备的抽样检测中，由于长贮装备各批次间状态、服役的寿命起始点、服役环境均有一定差异，并且由于产品的复杂性，存在物理与化学多过程退化行为的耦合性、动态性以及部件间性能退化过程的相关性，共同造成了长贮装备的性能退化行为和失效机理十分复杂，致使产品之间出现故障的频率也不同，不能简单地将所有产品当作同一母体处理。因此，对于长贮装备抽样检测，如何划分抽样母体是第一个问题。进一步地，抽样的目的是用样本推断总体，故在母体划分完成后，如何在同一母体中选取最具代表性的个体进行检测，从而达到科学准确推断其它个体可靠性的目的是长贮装备抽样检测遇到的第二个问题。最后，由于长贮装备沿着时间之矢进行不可逆退化且退化具有不确定性，抽样检测必须定期进行，以此来动态评估长贮装备可靠性，减小决策风险；同时，为了兼顾抽样检测成本和评估结果的准确，每次抽样被选取的个体需要根据历史检测结果进行动态调整。因此，如何合理地设计抽样周期，动态调整抽样个体是长贮装备抽样检测存在的第三个问题。
发明内容
有鉴于此，本发明提供了一种长贮装备可靠性抽样检测方法，以解决现有技术中在长贮装备的检测中如何划分抽样母体、选取最具代表性的个体进行检测和如何合理地设计抽样周期，动态调整抽样个体的问题。
本发明完整的技术方案包括：
一种长贮装备可靠性抽样检测方法，所述长贮装备包括但不限于滤波电路、电动机，抽样检测方法具体包括如下步骤：
步骤1：建立长贮装备的相似指标体系，所述相似指标体系包括产品维度、外部条件维度、时间维度和性能维度共四个维度的定性指标和定量指标；以所述相似指标体系确定抽样母体的划分原则；
步骤2：根据长贮装备的差异背景，采用相似指标体系，对所述长贮装备进行评价，根据评价结果获得长贮装备的完整特征向量；具体为采用算术平均法对定量指标进行统计分析；采用不确定综合评判法对定性指标进行统计分析，并得到长贮装备的量化评价结果；
步骤3：基于步骤2的量化评价结果，根据长贮装备的可靠性相似度划分抽样母体；
步骤4：基于最大可信度原则，建立符合抽样要求的抽样个体的优化模型，进行抽样母体下的静态抽样方案设计，优化求取抽样个体；
步骤5：根据静态抽样方案对抽样母体进行抽样检测，收集检测数据，融合检测数据和步骤2的量化评价结果，更新长贮装备的特征向量，并根据更新后的长贮装备特征向量重新划分抽样母体；
步骤6：在满足最大可信度原则和抽样数量、抽样周期要求的前提下，根据步骤5更新后的长贮装备特征信息，建立更新后的抽样个体优化模型和求取抽样周期的公式，动态调整样本量和周期要求，在重新划分的抽样母体中计算得到动态抽样方案；
步骤7：根据步骤6的动态抽样方案，对长贮装备抽样并进行检测。
进一步的，所述步骤1中，产品维度的指标包括但不限于物理属性、工艺、接口二级指标，外部条件维度指标包括但不限于环境条件和维护条件二级指标，时间维度指标为贮存时间，性能维度指标包括多个性能参数二级指标。
进一步的，所述步骤2具体包括：
步骤2.1：采用多组外部评测对相似指标体系中的定量指标分别进行量化，并对量化结果取均值，获得定量指标的最终评分，其中，对定量指标量化并取均值的方式如下：
Figure SMS_1
其中，
Figure SMS_2
，n0为定量指标数，s为外部评测组数，/>
Figure SMS_3
表示第h组外部评测对第i个定量指标的量化数值，/>
Figure SMS_4
表示第i个定量指标的最终评分；
步骤2.2：根据长贮装备的差异背景，采用相似指标体系，对所述长贮装备进行评价，根据评价结果获得长贮装备的完整特征向量，具体包括：
步骤2.2.1：采用层次分析法建立因素集和权重集，并通过因素的层次结构，计算定性指标的指标权重，并在指标权重中挑选出定性指标权重进行归一化处理，获得定性指标最终权重；
步骤2.2.2：基于所述定性指标最终权重，采用四级量表的方式建立评价集，所述四级量表按照优、正常、较差、差的评价等级对定性指标进行评价，确定定性指标的评价等级，获得评价方案；
步骤2.2.3：基于所述评价方案，采用不确定理论的运算法则，将对定性指标的定性评价转化为定量得分，获得长贮装备的完整特征向量，完成定性指标定量化。
进一步的，所述步骤2.2.1中定性指标最终权重采用层次分析法确定，具体包括：
（1）建立以评价指标为因素集的递阶框架；
（2）基于德尔菲法构造重要度评判矩阵；
（3）计算各定性指标权重。
进一步的，所述步骤2.2.3中，将定性指标定量化具体包括：
（1）确定指标权值；
（2）确定量化评分及其分布；
（3）加权求得指标最终得分。
进一步的，所述步骤3具体包括：
步骤3.1：初步确定母体个数K；
步骤3.2：在所有装备中选择K个装备作为初始聚类中心，确定初始聚类中心向量集合，形成K个聚簇；
步骤3.3：计算每个装备的特征向量与K个聚类中心向量的相似距离，所述相似距离为欧式距离，并将各装备归入与其相似距离最小的那一聚簇中；
步骤3.4：在每个聚簇中，计算所有相似向量的均值，得出每个聚簇中的均值相似向量，并以与均值相似向量的相似距离最小的相似向量所代表的装备作为新的聚类中心点；
重复步骤3.3-步骤3.4直至聚类中心不再变化，此时聚类中心即为母体中心。
进一步的，所述步骤4中符合抽样要求的优化模型的建立的表达式如下：
Figure SMS_5
其中，
Figure SMS_6
为抽样母体中的长贮装备总数；/>
Figure SMS_7
为N个互不重复的长贮装备编号的集合；/>
Figure SMS_8
为抽样母体中除去编号为/>
Figure SMS_9
的长贮装备之外的长贮装备编号集合；/>
Figure SMS_10
为用编号集合/>
Figure SMS_11
中的样本推断编号集合/>
Figure SMS_12
中第j个样本的推断可信度。
进一步的，得到动态抽样方案后，按照动态抽样方案对长贮装备进行抽样并进行检测，其中所述长贮装备为滤波电路，产品维度指标为电阻值和电容值；外部条件维度指标为温度值；时间维度指标为服役时间；性能维度指标为截止频率和交流衰减；检测参数为电阻值、电容值、温度值、服役时间、截止频率和交流衰减，具体的检测过程为，采用数字万用表检测电阻值和电容值，采用温度测试仪测量温度值，服役时间按照产品出厂手册进行推算，截止频率和交流衰减采用数字滤波器进行检测，并根据检测结果判断长贮装备是否合格。
本发明与现有技术相比存在的有益效果是：
1.本发明的方法实现了对长贮装备抽样检测时，如何科学划分抽样母体；
2.通过最大可信度原则，建立符合抽样要求的抽样个体的优化模型，进行同一母体下的静态抽样方案设计，从而达到科学抽取个体的目的；
3.通过建立更新所述抽样个体的优化模型和求取抽样周期的公式，获得同一所述母体的动态抽样方案，从而达到科学更新所抽取的个体和抽样周期的目的。
附图说明
为了更清楚地说明本发明中的技术方案，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，下面描述中的附图仅仅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它的附图。
图1为本发明提供的一种长贮装备可靠性抽样检测方法的框架图；
图2是本发明提供的建立的相似指标体系的示意图；
图3是本发明提供的之字型不确定分布的示意图；
图4是本发明提供的推断可信度含义的示意图；
图5是本发明提供的具体指标层次结构的示意图；
图6是本发明提供的第一次评分后得到的聚类结果的示意图；
图7是本发明提供的评分更新后聚类结果的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
下面将结合附图详细说明根据本发明的一种长贮装备可靠性抽样检测方法。
图1为本发明提供的一种长贮装备可靠性抽样检测方法的框架图。
图2是本发明提供的建立的相似指标体系的示意图。
如图1所示，长贮装备的抽样检测方法中，首先对抽样方案进行设计，包括：
步骤1：可靠性是产品在规定条件下规定时间内完成规定功能的能力，根据可靠性的产品、条件、时间和性能建立了以产品、条件、时间、性能四个维度为主的相似指标体系，如图2所示，并以相似指标体系确定抽样母体的划分原则。
步骤2：根据长贮装备的差异背景，采用产品、条件、时间和性能的指标给长贮装备评分，根据评分结果表征长贮装备的特征，并采用算术平均法对定量指标进行统计分析，基于统计分析结果，采用不确定综合评判法对定性指标进行统计分析；具体包括：
步骤2.1采用外部评测的方式对任一定量指标进行评分并取均值的方法，获得对任一定量指标的最终得分，其中，外部评测可以采取对长贮设备的某一物理性能进行检测，并将检测结果作为评分，在本实施方式中，可以选择外部条件维度指标、环境条件二级指标下，简易库房贮存中的温度和湿度影响下，选择相应数量的长贮装备，分别测试环境中，不同温度或湿度分别对长贮装备使用性能的影响程度，并利用检测结果对温度和湿度定量指标进行评分。此外，外部评测也可以采用设定数量的专家，由专家对该指标进行评分。
评分取均值的方法表达式如下：
Figure SMS_13
（1）
其中，n0为定量指标数，s为外部评测组数，rhi表示第h组外部评测对第i个定量指标的量化数值，ri表示第i个定量指标的最终评分。
步骤2.2：对定性指标进行评分，获得长贮装备完整特征向量。具体包括：
步骤2.2.1采用层次分析法建立因素集和权重集，并通过因素的层次结构，计算所有指标权重，并在指标权重中挑选出定性指标权重进行归一化处理，获得定性指标最终权重表达式如下：
Figure SMS_14
其中，
Figure SMS_15
表示指标权重，/>
Figure SMS_16
表示定性指标个数。
其中，定性指标最终权重是采用主观赋权法中的层次分析法确定的，主观赋权法中的层次分析法具体包括：
（1）建立以评价指标为因素集的递阶框架
分析各因子之间的关系，将决策的目标、考虑的因素集和决策对象按它们之间的相互关系自上而下确定目标层、准则层、方案层，建立系统的递阶层次结构，其中，目标层表示为C，准则层包含
Figure SMS_17
个因素，分别为/>
Figure SMS_18
，其中，因素集是指决策准则，准则层是指的指标层，目标层是指标权重，/>
Figure SMS_19
个因素是指评价指标。
当准则层指标大于10个时，采用分级指标，目标层为全部指标赋权，准则层为前述所建立的指标层，没有方案层，以此自下而上逐级计算权重。
（2）构造重要度评判矩阵
重要度评判矩阵可以利用先验知识以及相关检验获得，专业先验知识指使用本方法的本领域人员通过其专业知识对本方法的应用对象进行判断，对各指标的程度进行评断从而构建重要度评判矩阵；或者，该重要度评判矩阵也可以通过从本方法所应用的具体场景或领域的历史使用数据，或实测数据获得，基于历史或实测数据中反映出的各指标的相对重要程度来构建重要度评判矩阵。在本实施方式中，通过德尔菲法构造重要度评价矩阵，具体步骤如下：
Step1.选择熟悉长贮装备服役情况的专家，数量为5-20人；
Step2.所有专家依据表1的九度标准表对定性指标两两之间的重要度进行评分，构造重要度矩阵A如下式所示，
表1九度标准表
Figure SMS_20
其中，
Figure SMS_21
，/>
Figure SMS_22
对于/>
Figure SMS_23
重要度为/>
Figure SMS_24
，则/>
Figure SMS_25
对于/>
Figure SMS_26
重要度为/>
Figure SMS_27
；
Figure SMS_28
（2）
Step3.将所有专家第一次判断意见汇总，列成图表，进行对比，给出评分的中位数和上下四分点，再匿名反馈给各位专家，让专家比较自己同他人的不同意见，修改自己的意见和判断，重新对重要度进行评分；
Step4.将所有专家的修改意见收集，汇总整理，再次反馈给各位专家，以做第二次修改；
Step5.通过3轮~4轮的专家评分、归纳统计、匿名反馈和归纳统计的反馈匿名函询方法，最终得到唯一的重要度矩阵。
（3）计算各因子权重
Step1.计算重要度矩阵中最大特征值
Figure SMS_29
对应的特征向量/>
Figure SMS_30
，计算公式如下式所示；
Figure SMS_31
（3）
Step2.计算如下式所示CR，RI取值参考如表2所示；
Figure SMS_32
（4）
Step3.当
Figure SMS_33
时，判断矩阵通过一致性检验，否则调整矩阵A的取值，直至通过检验，并将定性指标挑出，将其权重进行归一化，输出s位专家对N’个定性指标确定的最终权重，即特征向量/>
Figure SMS_34
。
表2RI取值参照表
矩阵阶数 1 2 3 4 5 6
RI 0 0 0.58 0.90 1.12 1.24
矩阵阶数 7 8 9 10 11 12
RI 1.36 1.41 1.46 1.49 1.52 1.54
步骤2.2.2基于定性指标最终权重，采用四级量表的方式建立评价集，确定评分指标的评价等级，获得评价方案。
上述四级量表按照优、正常、较差、差的评价等级对定性指标进行评价。具体如表3所示：
表3定性指标四级量表
评价等级 优 正常 较差 差
打分区间 80~100 60~80 30~60 0~30
步骤2.2.3基于评价方案，采用不确定理论的运算法则，将定性评价转化为定量得分，获得长贮装备完整特征向量，完成定性指标定量化的目标。包括：
(1)确定指标权值
评价方案
Figure SMS_36
包含/>
Figure SMS_39
个定性指标，基于每个定性指标在评价中重要程度，通过归一化得到每个定性指标/>
Figure SMS_41
被赋予的权重/>
Figure SMS_37
，构成一个权值的集合/>
Figure SMS_38
，其中/>
Figure SMS_40
，/>
Figure SMS_42
个定性指标是指/>
Figure SMS_35
个评价指标。
(2)确定评分及其分布
对
Figure SMS_43
个评价等级由s组外部评测对/>
Figure SMS_44
个指标进行评分得到一系列/>
Figure SMS_45
的值
Figure SMS_46
，其中，/>
Figure SMS_47
表示该方案第/>
Figure SMS_48
个评价指标处于第/>
Figure SMS_49
档指标评价等级的程度。
图3是本发明提供的之字型不确定分布的示意图。如其所示，将
Figure SMS_50
设为之字型(Zigzag)不确定变量/>
Figure SMS_51
的观测值，/>
Figure SMS_52
服从之字型不确定分布/>
Figure SMS_53
，其分布函数/>
Figure SMS_54
如下式所示，
Figure SMS_55
（5）
其中，ajl，bjl，cjl是常数且满足
Figure SMS_56
。
用E表示Zigzag不确定变量
Figure SMS_57
的期望，计算式如下式所示，
Figure SMS_58
（6）
引入中间变量
Figure SMS_59
分别如下式公式（7）-（9）所示：
Figure SMS_60
（7）
Figure SMS_61
（8）
Figure SMS_62
（9）
将
Figure SMS_63
进行标准化处理，得到/>
Figure SMS_64
，/>
Figure SMS_65
，/>
Figure SMS_66
，得到不确定分布/>
Figure SMS_67
。
得到各个指标位于各档下的统计特征，用矩阵R表示，如下式所示，
Figure SMS_68
（10）
计算不确定评价矩阵B，将权重集、因素集和指标评分分布通过不确定运算法则进行合成，得到不确定评价矩阵B'如下式（11）所示：
Figure SMS_69
（11）
其中，
Figure SMS_70
，是第l级评价在评价总体中的不确定测度。
将向量B’进行归一化可得向量B为如下式（12）所示：
Figure SMS_71
（12）
(3)加权求得指标最终得分
在不确定综合评判中，不确定测度bl越大，对不确定测度最大的评价等级的确信程度越大，故不确定测度最大的评价等级就是长贮装备的最后评价等级，
在本实施方式中，通过不确定评价矩阵计算样本得分矩阵后，用不确定测度
Figure SMS_72
代替权重对评分进行加权，再进行归一化处理，得到样本定性指标的最终评分，其计算公式如下式所示：
Figure SMS_73
（13）
其中，
Figure SMS_74
表示评分时将选择在第l个评价等级的组外部评测数量，
可得长贮装备的完整特征向量r如下式所示：
Figure SMS_75
（14）
图5是本发明提供的具体指标层次结构的示意图。
图6是本发明提供的第一次评分后得到的聚类结果的示意图。
步骤3：根据长贮装备可靠性相似度对抽样母体进行划分；具体包括：
步骤3.1初步确定母体个数K=3；
步骤3.2在所有
Figure SMS_76
个长贮装备中选择较有代表性的K个长贮装备作为初始聚类中心，确定初始聚类中心向量集合为/>
Figure SMS_77
，例如，考虑到目前抽样方法是基于长贮装备服役履历的抽样，以服役时间这一指标为参考进行初始聚类中心的选择，划分3个母体时，抽取服役时间最长的个体、服役时间最短的个体，及服役时间为中位数的个体，则初始聚类中心向量集合记作/>
Figure SMS_78
。
步骤3.3计算每个长贮装备向量
Figure SMS_79
与第K个聚类中心向量
Figure SMS_80
的“相似距离”/>
Figure SMS_81
，将长贮装备归入相似距离最小的那一聚簇中，相似距离用两个特征向量的欧氏距离来表示，如下式所示：
Figure SMS_82
（15）
步骤3.4在每个聚簇
Figure SMS_83
中，计算所有相似向量的均值，得出每个聚簇中的“均值相似向量”/>
Figure SMS_84
如下式所示，并将与“均值相似向量”相似距离最小的相似向量所代表的长贮装备作为新的聚类中心点。
Figure SMS_85
（16）
其中，
Figure SMS_86
表示聚簇/>
Figure SMS_87
中个体数量。
重复第S33、S34，直至聚类中心不再变化，此时聚类中心即为母体中心，聚类结果为母体划分结果。
步骤4：通过最大可信度原则，建立符合抽样要求的抽样个体的优化模型，进行同一母体下的静态抽样方案设计，优化求取抽样个体；图4是本发明提供的推断可信度含义的示意图。
步骤4中符合抽样要求的优化模型的建立的表达式如下式（17）所示：
Figure SMS_88
（17）
其中，
Figure SMS_90
为抽样母体长贮装备总数；/>
Figure SMS_92
为N个互不重复的长贮装备编号的集合；/>
Figure SMS_94
为样本总体/>
Figure SMS_91
中除去编号为/>
Figure SMS_93
的长贮装备之外的长贮装备编号集合；/>
Figure SMS_95
为用编号集合/>
Figure SMS_96
中的样本推断编号集合/>
Figure SMS_89
中第j个样本的推断可信度。
步骤5：根据静态抽样方案对母体进行抽样检测，获得并收集的检测数据，融合前述的量化评价结果和实际数据，更新长贮装备特征信息，获得实际检测结果，并根据更新后的得分向量重新对母体进行划分；在一种优选的实施方式中，对某型滤波电路抽样方法进行了应用。根据滤波电路的结构和功能，确定滤波电路的相似指标体系，包括4个维度，分别为产品维度、外部条件维度、时间维度和性能维度。其中，产品维度检测的值为电阻值、电容值；外部条件维度检测的值为温度值；时间维度检测的是服役时间；性能维度检测的是截止频率和交流衰减。
根据步骤2的量化评价结果和这些检测值，更新装备（即滤波电路）的特征信息，并根据更新后特征信息的得分向量重新划分抽样母体。图7是本发明提供的评分更新后聚类结果的示意图。
步骤6：满足最大可信度原则和抽样数量、抽样周期要求，根据实际检测结果，建立更新抽样个体的优化模型和求取抽样周期的公式，动态调整样本量和周期要求，获得同一母体的动态抽样方案，对长贮装备进行检测。
步骤6中建立更新抽样个体的优化模型和求取抽样周期的公式分别如下式（18）-（20）所示：
Figure SMS_97
（18）
其中，Nk为第k次抽样的抽样样本量；X为抽样故障数量；
Figure SMS_98
为融合量化评估结果和实际数据之后的用编号集合/>
Figure SMS_99
中的样本推断编号集合/>
Figure SMS_100
中第j个样本的推断可信度。
对优化求取抽样周期，首先根据抽样检测的结果，利用先验知识或相关检验结果进行评价，得出周期调整因子E，进行评价的指标包括：维修次数、贮存（服役）时间和性能参数，当维修次数越多时，说明此长贮装备裕量为0的可能性越大，应减小周期调整因子，缩短周期，但最小抽样周期不能低于下限要求
Figure SMS_101
；当服役时间越长，长贮装备退化得越大，应减小周期调整因子，缩短周期，最小抽样周期也不能低于下限要求/>
Figure SMS_102
；当性能参数的退化越小，应增大周期调整因子，增大周期但最大抽样周期不能超过上限要求/>
Figure SMS_103
。
根据这3个指标与裕量之间的关系，本发明形成3个周期调整因子评价标准表，如表4~表6所示，利用先验知识或相关检验结果，根据评价标准表对各个指标的周期调整因子进行评分。
表4基于维修次数数据的周期调整因子评价标准
周期调整因子值 维修次数
1 0
0.6 (0，2]
0.2 (2，4)
0 4
-0.2 (4，6]
-0.6 (6，10)
-1 (10，+∞)
表5基于服役时间数据的周期调整因子评价标准
周期调整因子值 服役时间
1 0
0.6 (0，2]
0.2 (2，4)
0 (4，6]
-0.2 (6，8]
-0.6 (8，10)
-1 (10，+∞)
表6基于性能参数数据的周期调整因子评价标准
周期调整因子值 裕量退化程度
1 裕量为出厂标准，没有退化
0.6 裕量为出厂标准的80%~100%
0.2 裕量为出厂标准的60%~80%
0 裕量为出厂标准的40%~60%
-0.2 裕量为出厂标准的20%~40%
-0.6 裕量为出厂标准的0~20%
-1 裕量为负
确定3个指标的周期调整因子后，通过式确定加权周期调整因子E，
Figure SMS_104
（19）
其中，we为与退化相关的指标的归一化后的权重向量，Ee为3个指标的周期调整因子组成的周期调整因子向量。
进而通过抽样周期调整公式如所示，计算下一次抽样的抽样周期，
Figure SMS_105
（20）
其中，Tk为第k次抽样的抽样周期，k≥2，当k=1时，T1表示长贮装备第一次检测时的时间，即从长贮装备出厂至第一次检测的时间，可根据相似长贮装备的历史信息来确定，Tmax表示约定的最大抽样周期，Tmin表示约定的最小抽样周期。
确定抽样方案后，对滤波电路进行抽样并进行性能检测，其中在检测过程中，所述产品维度指标为电阻值和电容值；外部条件维度指标为温度值；时间维度指标为服役时间；性能维度指标为截止频率和交流衰减；检测参数为电阻值、电容值、温度值、服役时间、截止频率和交流衰减，具体的检测方法为，采用数字万用表检测电阻值和电容值，采用温度测试仪测量温度值，服役时间按照产品出厂手册进行推算，截止频率和交流衰减采用数字滤波器进行检测，并根据检测结果判断长贮装备是否合格。
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；而这些修改或者替换，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，均应包含在本发明的保护范围之内。

Claims (8)

1.一种长贮装备可靠性抽样检测方法，其特征在于，所述长贮装备包括但不限于滤波电路、电动机，抽样检测方法具体包括如下步骤：
步骤1：建立长贮装备的相似指标体系，所述相似指标体系包括产品维度、外部条件维度、时间维度和性能维度共四个维度的定性指标和定量指标；以所述相似指标体系确定抽样母体的划分原则；
步骤2：根据长贮装备的差异背景，采用相似指标体系，对所述长贮装备进行评价，根据评价结果获得长贮装备的完整特征向量；具体为采用算术平均法对定量指标进行统计分析；采用不确定综合评判法对定性指标进行统计分析，并得到长贮装备的量化评价结果；
步骤3：基于步骤2的量化评价结果，根据长贮装备的可靠性相似度划分抽样母体；
步骤4：基于最大可信度原则，建立符合抽样要求的抽样个体的优化模型，进行抽样母体下的静态抽样方案设计，优化求取抽样个体；
步骤5：根据静态抽样方案对抽样母体进行抽样检测，收集检测数据，融合检测数据和步骤2的量化评价结果，更新长贮装备的特征向量，并根据更新后的长贮装备特征向量重新划分抽样母体；
步骤6：在满足最大可信度原则和抽样数量、抽样周期要求的前提下，根据步骤5更新后的长贮装备特征信息，建立更新后的抽样个体优化模型和求取抽样周期的公式，动态调整样本量和周期要求，在重新划分的抽样母体中计算得到动态抽样方案；
步骤7：根据步骤6的动态抽样方案，对长贮装备抽样并进行检测。
2.根据权利要求1所述的一种长贮装备可靠性抽样检测方法，其特征在于，所述步骤1中，产品维度的指标包括但不限于物理属性、工艺、接口二级指标，外部条件维度指标包括但不限于环境条件和维护条件二级指标，时间维度指标为贮存时间，性能维度指标包括多个性能参数二级指标。
3.据权利要求2所述的一种长贮装备可靠性抽样检测方法，其特征在于，所述步骤2具体包括：
步骤2.1：采用多组外部评测对相似指标体系中的定量指标分别进行量化，并对量化结果取均值，获得定量指标的最终评分，其中，对定量指标量化并取均值的方式如下：
Figure QLYQS_1
其中，
Figure QLYQS_2
，n0为定量指标数，s为外部评测组数，/>
Figure QLYQS_3
表示第h组外部评测对第i个定量指标的量化数值，/>
Figure QLYQS_4
表示第i个定量指标的最终评分；
步骤2.2：根据长贮装备的差异背景，采用相似指标体系，对所述长贮装备进行评价，根据评价结果获得长贮装备的完整特征向量，具体包括：
步骤2.2.1：采用层次分析法建立因素集和权重集，并通过因素的层次结构，计算定性指标的指标权重，并在指标权重中挑选出定性指标权重进行归一化处理，获得定性指标最终权重；
步骤2.2.2：基于所述定性指标最终权重，采用四级量表的方式建立评价集，所述四级量表按照优、正常、较差、差的评价等级对定性指标进行评价，确定定性指标的评价等级，获得评价方案；
步骤2.2.3：基于所述评价方案，采用不确定理论的运算法则，将对定性指标的定性评价转化为定量得分，获得长贮装备的完整特征向量，完成定性指标定量化。
4.根据权利要求3所述的一种长贮装备可靠性抽样检测方法，其特征在于，所述步骤2.2.1中定性指标最终权重采用层次分析法确定，具体包括：
（1）建立以评价指标为因素集的递阶框架；
（2）基于德尔菲法构造重要度评判矩阵；
（3）计算各定性指标权重。
5.根据权利要求4所述的一种长贮装备可靠性抽样检测方法，其特征在于，所述步骤2.2.3中，将定性指标定量化具体包括：
（1）确定指标权值；
（2）确定量化评分及其分布；
（3）加权求得指标最终得分。
6.根据权利要求5所述的一种长贮装备可靠性抽样检测方法，其特征在于，所述步骤3具体包括：
步骤3.1：初步确定母体个数K；
步骤3.2：在所有装备中选择K个装备作为初始聚类中心，确定初始聚类中心向量集合，形成K个聚簇；
步骤3.3：计算每个装备的特征向量与K个聚类中心向量的相似距离，所述相似距离为欧式距离，并将各装备归入与其相似距离最小的那一聚簇中；
步骤3.4：在每个聚簇中，计算所有相似向量的均值，得出每个聚簇中的均值相似向量，并以与均值相似向量的相似距离最小的相似向量所代表的装备作为新的聚类中心点；
重复步骤3.3-步骤3.4直至聚类中心不再变化，此时聚类中心即为母体中心。
7.根据权利要求6所述的一种长贮装备可靠性抽样检测方法，其特征在于，所述步骤4中符合抽样要求的优化模型的建立的表达式如下：
Figure QLYQS_5
其中，
Figure QLYQS_6
为抽样母体中的长贮装备总数；/>
Figure QLYQS_7
为N个互不重复的长贮装备编号的集合；
Figure QLYQS_8
为抽样母体中除去编号为/>
Figure QLYQS_9
的长贮装备之外的长贮装备编号集合；/>
Figure QLYQS_10
为用/>
Figure QLYQS_11
中的样本推断/>
Figure QLYQS_12
中第j个样本的推断可信度。
8.根据权利要求7所述的一种长贮装备可靠性抽样检测方法，其特征在于，得到动态抽样方案后，按照动态抽样方案对长贮装备进行抽样并进行检测，其中所述长贮装备为滤波电路，产品维度指标为电阻值和电容值；外部条件维度指标为温度值；时间维度指标为服役时间；性能维度指标为截止频率和交流衰减；检测参数为电阻值、电容值、温度值、服役时间、截止频率和交流衰减，具体的检测过程为，采用数字万用表检测电阻值和电容值，采用温度测试仪测量温度值，服役时间按照产品出厂手册进行推算，截止频率和交流衰减采用数字滤波器进行检测，并根据检测结果判断长贮装备是否合格。
CN202310609789.XA 2023-05-29 2023-05-29 一种长贮装备可靠性抽样检测方法 Active CN116341290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310609789.XA CN116341290B (zh) 2023-05-29 2023-05-29 一种长贮装备可靠性抽样检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310609789.XA CN116341290B (zh) 2023-05-29 2023-05-29 一种长贮装备可靠性抽样检测方法

Publications (2)

Publication Number Publication Date
CN116341290A true CN116341290A (zh) 2023-06-27
CN116341290B CN116341290B (zh) 2023-08-01

Family

ID=86876258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310609789.XA Active CN116341290B (zh) 2023-05-29 2023-05-29 一种长贮装备可靠性抽样检测方法

Country Status (1)

Country Link
CN (1) CN116341290B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116609720A (zh) * 2023-07-19 2023-08-18 深圳市北汉科技有限公司 基于数据驱动的台式万用表误差智能补偿方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080109185A1 (en) * 2004-12-17 2008-05-08 Korea Research Institute Of Standsards And Science Precision Diagnostic Method For The Failure Protection And Predictive Maintenance Of A Vacuum Pump And A Precision Diagnostic System Therefor
CN112465041A (zh) * 2020-12-01 2021-03-09 大连海事大学 一种基于层次分析法的ais数据质量评估方法
CN114239999A (zh) * 2021-12-30 2022-03-25 重庆大学 基于交叉熵重要抽样的元件可靠性参数优化解析方法
WO2022252505A1 (zh) * 2021-06-02 2022-12-08 杭州安脉盛智能技术有限公司 一种基于多指标集群分析的设备状态监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080109185A1 (en) * 2004-12-17 2008-05-08 Korea Research Institute Of Standsards And Science Precision Diagnostic Method For The Failure Protection And Predictive Maintenance Of A Vacuum Pump And A Precision Diagnostic System Therefor
CN112465041A (zh) * 2020-12-01 2021-03-09 大连海事大学 一种基于层次分析法的ais数据质量评估方法
WO2022252505A1 (zh) * 2021-06-02 2022-12-08 杭州安脉盛智能技术有限公司 一种基于多指标集群分析的设备状态监测方法
CN114239999A (zh) * 2021-12-30 2022-03-25 重庆大学 基于交叉熵重要抽样的元件可靠性参数优化解析方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116609720A (zh) * 2023-07-19 2023-08-18 深圳市北汉科技有限公司 基于数据驱动的台式万用表误差智能补偿方法及系统
CN116609720B (zh) * 2023-07-19 2023-09-12 深圳市北汉科技有限公司 基于数据驱动的台式万用表误差智能补偿方法及系统

Also Published As

Publication number Publication date
CN116341290B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN105930976B (zh) 基于加权理想点法的节点电压暂降严重程度综合评估方法
CN111950918B (zh) 一种基于电力交易数据的市场风险评估方法
CN109816031B (zh) 一种基于数据不均衡度量的变压器状态评估聚类分析方法
CN107563601A (zh) 一种智能电能表运行状态评价方法
CN109389145B (zh) 基于计量大数据聚类模型的电能表生产厂商评价方法
CN116341290B (zh) 一种长贮装备可靠性抽样检测方法
CN111079941B (zh) 信用信息处理方法、系统、终端和存储介质
CN113887908A (zh) 考虑主客观交叉融合权重的桥梁风险评估方法
CN111967717A (zh) 一种基于信息熵值的数据质量评价方法
CN110705859A (zh) 基于pca-自组织神经网络的中低压配电网运行状态评估方法
CN111949939A (zh) 基于改进topsis和聚类分析的智能电表运行状态评价方法
CN115130578A (zh) 一种基于增量式粗糙聚类的配电设备状态在线评估方法
CN112926893A (zh) 基于模糊综合评判和层次分析的水平井调剖效果评价方法
CN115511387A (zh) 基于多源信息融合的油浸变压器状态评估方法及系统
CN114493157A (zh) 一种适用分散光伏用户的电能质量评估方法
CN112241610B (zh) 一种交联聚乙烯电缆的健康状态评估方法
CN113591402A (zh) 一种数字化电力互感器健康状态模糊综合评价方法
CN113919610A (zh) 低压台区线损预测用arima模型构建方法及评估方法
CN116957534A (zh) 一种预测智能电表更换数量的方法
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
CN116522241A (zh) 基于生存分析的智能电能表可靠性评估方法
CN116384223A (zh) 基于退化状态智能辨识的核设备可靠性评估方法及系统
CN115171816A (zh) 一种用于航空装备关键材料应用验证的综合评价方法
CN113283881A (zh) 一种远动信息源的自动审核方法及系统
CN118467523B (zh) 针对配电网量测装置的量测数据质量评价方法及系统

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