CN116776631B - 一种基于数据分析的连接器性能评估方法及系统 - Google Patents
一种基于数据分析的连接器性能评估方法及系统 Download PDFInfo
- Publication number
- CN116776631B CN116776631B CN202310816551.4A CN202310816551A CN116776631B CN 116776631 B CN116776631 B CN 116776631B CN 202310816551 A CN202310816551 A CN 202310816551A CN 116776631 B CN116776631 B CN 116776631B
- Authority
- CN
- China
- Prior art keywords
- value
- contact resistance
- connector
- actual
- environment parameter
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 49
- 238000007405 data analysis Methods 0.000 title claims abstract description 24
- 230000007613 environmental effect Effects 0.000 claims abstract description 122
- 230000015556 catabolic process Effects 0.000 claims abstract description 85
- 238000006731 degradation reaction Methods 0.000 claims abstract description 85
- 238000004458 analytical method Methods 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000012423 maintenance Methods 0.000 claims description 98
- 208000035874 Excoriation Diseases 0.000 claims description 28
- 238000005299 abrasion Methods 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 12
- 239000000428 dust Substances 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 abstract description 2
- 230000008054 signal transmission Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005526 G1 to G0 transition Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Manufacturing Of Electrical Connectors (AREA)
Abstract
本发明涉及通讯设备性能评估技术领域,特别是一种基于数据分析的连接器性能评估方法及系统,通过构建基于时间序列的接触电阻变化图;对所述接触电阻变化图进行数值分析,得到第一分析结果或第二分析结果;根据所述筛选后的实际环境参数值计算得到连接器当前的环境退化量;建立微动磨损寿命预测模型,将所述实时接触电阻值与环境退化量导入所述微动磨损寿命预测模型中,得到连接器的剩余寿命与磨损阶段;根据连接器的剩余寿命与磨损阶段生成最终维护方案,并将所述最终维护方案输出,通过本方法能够结合环境参数与接触电阻对连接器的剩余寿命进行评估,从而得到精准更高、可靠性较高的评估结果。
Description
技术领域
本发明涉及通讯设备性能评估技术领域,特别是一种基于数据分析的连接器性能评估方法及系统。
背景技术
连接器通常用于连接电路中的电子元件、设备或系统,用于进行电流、信号和数据传输。在实际使用中,连接器常常会经历振动、震动或周期性运动,这些运动可能导致连接器接触接点或连接部件之间发生微动磨损。微动磨损是指接点或连接器部件之间在微小振动中的接触和分离,导致微小的摩擦和磨损。这种微动磨损会导致连接器的接触电阻增加、信号传输质量下降,甚至引起接触不良、断开或失效等问题。因此,连接器微动磨损性能的良好与否对电子设备和系统的可靠性和性能至关重要。
评估连接器微动磨损性能通常涉及其性能参数的分析。常见的评估指标包括接触电阻、接触音(噪音)、振动特性、接触力保持能力等。通过对这些指标的测试和分析,可以判断连接器的微动磨损情况,从而合理评估出连接器的剩余寿命与磨损阶段。然而,目前通过接触电阻评估出连接器的剩余寿命与磨损阶段的评估过程较为简单,在评估过程中没有结合考虑环境参数的影响,得到的评估结果可靠性较低。
发明内容
本发明克服了现有技术的不足,提供了一种基于数据分析的连接器性能评估方法及系统。
为达到上述目的本发明采用的技术方案为:
本发明第一方面公开了一种基于数据分析的连接器性能评估方法,包括以下步骤:
在预设时间节点上获取连接器的实际接触电阻值,将所述实际接触电阻值与预设接触电阻值进行比较;若所述实际接触电阻值大于预设接触电阻值,则在预设时间段内获取连接器在多个时刻点所对应的实时接触电阻值;
根据所述在多个时刻点所对应的实时接触电阻值构建基于时间序列的接触电阻变化图;对所述接触电阻变化图进行数值分析,得到第一分析结果或第二分析结果;
若分析结果为第一分析结果,则获取连接器在工作过程中各实际环境参数值,以及获取连接器的产品类型,根据连接器的产品类型对各实际环境参数值进行筛选,得到筛选后的实际环境参数值;根据所述筛选后的实际环境参数值计算得到连接器当前的环境退化量;
建立微动磨损寿命预测模型,将所述实时接触电阻值与环境退化量导入所述微动磨损寿命预测模型中,得到连接器的剩余寿命与磨损阶段;根据连接器的剩余寿命与磨损阶段生成最终维护方案,并将所述最终维护方案输出。
进一步地,本发明的一个较佳实施例中,对所述接触电阻变化图进行数值分析,得到第一分析结果或第二分析结果,具体为:
在所述接触电阻变化图中提取出起始接触电阻值、最大接触电阻值以及末端接触电阻值;
对所述最大接触电阻值与起始接触电阻值进行差值运算处理,得到第一数值;对所述末端接触电阻值与起始接触电阻值进行差值运算处理,得到第二数值;将所述第一数值与第二数值进行比较;
若所述第一数值与第二数值相等,则生成第一分析结果;
若所述第一数值与第二数值不相等,则进一步对所述第一数值与第二数值之间的差值,得到第三数值;
将所述第三数值与预设阈值进行比较,若所述第三数值不大于预设阈值,则生成第一分析结果;若所述第三数值大于预设阈值,则生成第二分析结果;
其中,起始接触电阻值为接触电阻变化图中起始时间点对应的接触电阻值;最大接触电阻值为接触电阻变化图中接触电阻值的极值;末端接触电阻值为接触电阻变化图中末端时间点对应的接触电阻值。
进一步地,本发明的一个较佳实施例中,获取连接器在工作过程中各实际环境参数值,以及获取连接器的产品类型,根据连接器的产品类型对各实际环境参数值进行筛选,得到筛选后的实际环境参数值,具体为:
获取连接器的产品类型,通过大数据网络获取能够对该产品类型连接器的微动磨损性能造成影响的环境参数阈值,构建知识图谱,并将能够对该产品类型连接器的微动磨损性能造成影响的环境参数阈值导入所述知识图谱中;
获取连接器在工作过程中各实际环境参数值,将所述各实际环境参数值导入知识图谱中,并通过欧几里得距离算法计算所述各实际环境参数值与对应环境参数影响阈值之间的欧几里得距离值;
将欧几里得距离值大于预设欧几里得距离值对应的实际环境参数值剔除,将欧几里得距离值不大于预设欧几里得距离值对应的实际环境参数值保留,得到筛选后的实际环境参数值;
其中,环境参数包括振动加速度、环境温度、环境湿度、环境酸碱度以及粉尘浓度。
进一步地,本发明的一个较佳实施例中,根据所述筛选后的实际环境参数值计算得到连接器当前的环境退化量,具体为:
通过大数据网络获取各环境参数值组合条件之下所对应的环境退化常数,建立数据库,并将各环境参数值组合条件之下所对应的环境退化常数导入所述数据库中,得到特性数据库;
获取筛选后的实际环境参数值,将所述筛选后的实际环境参数值导入所述特性数据库中,通过灰色关联分析法计算筛选后的实际环境参数值与各环境参数值组合条件之间的相似度,得到若干个相似度;
构建排序表,将多个所述相似度导入所述排序表中,排序得到最大相似度,获取与最大相似度对应的环境参数值组合,并获取与最大相似度对应的环境参数值组合的环境退化常数;将与最大相似度对应的环境参数值组合的环境退化常数标定为连接器当前的实际环境退化常数;
基于所述实际环境退化常数计算得到连接器当前的环境退化量。
进一步地,本发明的一个较佳实施例中,建立微动磨损寿命预测模型,将所述实时接触电阻值与环境退化量导入所述微动磨损寿命预测模型中,得到连接器的剩余寿命与磨损阶段,具体为:
建立微动磨损寿命预测模型,并通过马尔可夫随机场对所述微动磨损寿命预测模型进行评估,得到微动磨损寿命预测模型的评估指标;其中,评估指标包括预测准确度、误差以及误差分布;
根据所述评估指标对微动磨损寿命预测模型的拟合程度进行评估,若拟合程度大于预设拟合程度,则将微动磨损寿命预测模型输出;
根据所述在预设时间段内获取连接器在多个时刻点所对应的实时接触电阻值计算得到实际接触电阻均值;
将所述实际接触电阻均值与环境退化量导入所述微动磨损寿命预测模型中进行预测,得到连接器的剩余寿命与磨损阶段。
进一步地,本发明的一个较佳实施例中,根据连接器的剩余寿命与磨损阶段生成最终维护方案,并将所述最终维护方案输出,具体为:
根据所述剩余寿命与磨损阶段建立关键检索词,基于所述关键检索词对大数据网络中的相关资源数据进行检索,得到连接器在当前剩余寿命与磨损阶段多个历史维护方案;
获取多个历史维护方案的维护成功率;将各个历史维护方案的维护成功率与预设成功率进比较;
若存在维护成功率大于预设成功率的历史维护方案,则将维护成功率大于预设成功率的历史维护方案进行提取并汇聚,得到历史维护方案合集,并将历史维护方案合集中各历史维护方案作为预选方案;在所述历史维护方案合集中提取出最高维护成功率对应的历史维护方案作为最终维护方案,并将所述最终维护方案输出;
若存在维护成功率大于预设成功率的历史维护方案,则获取最高维护成功率对应的历史维护方案作为最终维护方案,并将所述最终维护方案输出。
本发明第二方面公开了一种基于数据分析的连接器性能评估系统,所述连接器性能评估系统包括存储器与处理器,所述存储器中存储有连接器性能评估方法程序,当所述连接器性能评估方法程序被所述处理器执行时,实现如下步骤:
在预设时间节点上获取连接器的实际接触电阻值,将所述实际接触电阻值与预设接触电阻值进行比较;若所述实际接触电阻值大于预设接触电阻值,则在预设时间段内获取连接器在多个时刻点所对应的实时接触电阻值;
根据所述在多个时刻点所对应的实时接触电阻值构建基于时间序列的接触电阻变化图;对所述接触电阻变化图进行数值分析,得到第一分析结果或第二分析结果;
若分析结果为第一分析结果,则获取连接器在工作过程中各实际环境参数值,以及获取连接器的产品类型,根据连接器的产品类型对各实际环境参数值进行筛选,得到筛选后的实际环境参数值;根据所述筛选后的实际环境参数值计算得到连接器当前的环境退化量;
建立微动磨损寿命预测模型,将所述实时接触电阻值与环境退化量导入所述微动磨损寿命预测模型中,得到连接器的剩余寿命与磨损阶段;根据连接器的剩余寿命与磨损阶段生成最终维护方案,并将所述最终维护方案输出。
进一步地,本发明的一个较佳实施例中,获取连接器在工作过程中各实际环境参数值,以及获取连接器的产品类型,根据连接器的产品类型对各实际环境参数值进行筛选,得到筛选后的实际环境参数值,具体为:
获取连接器的产品类型,通过大数据网络获取能够对该产品类型连接器的微动磨损性能造成影响的环境参数阈值,构建知识图谱,并将能够对该产品类型连接器的微动磨损性能造成影响的环境参数阈值导入所述知识图谱中;
获取连接器在工作过程中各实际环境参数值,将所述各实际环境参数值导入知识图谱中,并通过欧几里得距离算法计算所述各实际环境参数值与对应环境参数影响阈值之间的欧几里得距离值;
将欧几里得距离值大于预设欧几里得距离值对应的实际环境参数值剔除,将欧几里得距离值不大于预设欧几里得距离值对应的实际环境参数值保留,得到筛选后的实际环境参数值;
其中,环境参数包括振动加速度、环境温度、环境湿度、环境酸碱度以及粉尘浓度。
进一步地,本发明的一个较佳实施例中,根据所述筛选后的实际环境参数值计算得到连接器当前的环境退化量,具体为:
通过大数据网络获取各环境参数值组合条件之下所对应的环境退化常数,建立数据库,并将各环境参数值组合条件之下所对应的环境退化常数导入所述数据库中,得到特性数据库;
获取筛选后的实际环境参数值,将所述筛选后的实际环境参数值导入所述特性数据库中,通过灰色关联分析法计算筛选后的实际环境参数值与各环境参数值组合条件之间的相似度,得到若干个相似度;
构建排序表,将多个所述相似度导入所述排序表中,排序得到最大相似度,获取与最大相似度对应的环境参数值组合,并获取与最大相似度对应的环境参数值组合的环境退化常数;将与最大相似度对应的环境参数值组合的环境退化常数标定为连接器当前的实际环境退化常数;
基于所述实际环境退化常数计算得到连接器当前的环境退化量。
进一步地,本发明的一个较佳实施例中,建立微动磨损寿命预测模型,将所述实时接触电阻值与环境退化量导入所述微动磨损寿命预测模型中,得到连接器的剩余寿命与磨损阶段,具体为:
建立微动磨损寿命预测模型,并通过马尔可夫随机场对所述微动磨损寿命预测模型进行评估,得到微动磨损寿命预测模型的评估指标;其中,评估指标包括预测准确度、误差以及误差分布;
根据所述评估指标对微动磨损寿命预测模型的拟合程度进行评估,若拟合程度大于预设拟合程度,则将微动磨损寿命预测模型输出;
根据所述在预设时间段内获取连接器在多个时刻点所对应的实时接触电阻值计算得到实际接触电阻均值;
将所述实际接触电阻均值与环境退化量导入所述微动磨损寿命预测模型中进行预测,得到连接器的剩余寿命与磨损阶段。
本发明解决了背景技术中存在的技术缺陷,本发明具备以下有益效果:通过构建基于时间序列的接触电阻变化图;对所述接触电阻变化图进行数值分析,得到第一分析结果或第二分析结果;若分析结果为第一分析结果,则获取连接器在工作过程中各实际环境参数值,以及获取连接器的产品类型,根据连接器的产品类型对各实际环境参数值进行筛选,得到筛选后的实际环境参数值;根据所述筛选后的实际环境参数值计算得到连接器当前的环境退化量;建立微动磨损寿命预测模型,将所述实时接触电阻值与环境退化量导入所述微动磨损寿命预测模型中,得到连接器的剩余寿命与磨损阶段;根据连接器的剩余寿命与磨损阶段生成最终维护方案,并将所述最终维护方案输出。通过本方法能够结合环境参数与接触电阻对连接器的剩余寿命进行评估,从而得到精准更高、可靠性较高的评估结果;并且能够根据评估结构自动生成维护方案,为连接器的运维管理提供了极大的便利,提高连接器评估的合理性。
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他实施例的附图。
图1为一种基于数据分析的连接器性能评估方法的第一方法流程图;
图2为一种基于数据分析的连接器性能评估方法的第二方法流程图;
图3为一种基于数据分析的连接器性能评估方法的第三方法流程图;
图4为一种基于数据分析的连接器性能评估系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
如图1所示,本发明第一方面公开了一种基于数据分析的连接器性能评估方法,包括以下步骤:
S102:在预设时间节点上获取连接器的实际接触电阻值,将所述实际接触电阻值与预设接触电阻值进行比较;若所述实际接触电阻值大于预设接触电阻值,则在预设时间段内获取连接器在多个时刻点所对应的实时接触电阻值;
S104:根据所述在多个时刻点所对应的实时接触电阻值构建基于时间序列的接触电阻变化图;对所述接触电阻变化图进行数值分析,得到第一分析结果或第二分析结果;
S106:若分析结果为第一分析结果,则获取连接器在工作过程中各实际环境参数值,以及获取连接器的产品类型,根据连接器的产品类型对各实际环境参数值进行筛选,得到筛选后的实际环境参数值;根据所述筛选后的实际环境参数值计算得到连接器当前的环境退化量;
S108:建立微动磨损寿命预测模型,将所述实时接触电阻值与环境退化量导入所述微动磨损寿命预测模型中,得到连接器的剩余寿命与磨损阶段;根据连接器的剩余寿命与磨损阶段生成最终维护方案,并将所述最终维护方案输出。
需要说明的是,通过本方法能够结合环境参数与接触电阻对连接器的剩余寿命进行评估,从而得到精准更高、可靠性较高的评估结果;并且能够根据评估结构自动生成维护方案,为连接器的运维管理提供了极大的便利,提高连接器评估的合理性。
其中,对所述接触电阻变化图进行数值分析,得到第一分析结果或第二分析结果,具体为:
在所述接触电阻变化图中提取出起始接触电阻值、最大接触电阻值以及末端接触电阻值;
对所述最大接触电阻值与起始接触电阻值进行差值运算处理,得到第一数值;对所述末端接触电阻值与起始接触电阻值进行差值运算处理,得到第二数值;将所述第一数值与第二数值进行比较;
若所述第一数值与第二数值相等,则生成第一分析结果;
若所述第一数值与第二数值不相等,则进一步对所述第一数值与第二数值之间的差值,得到第三数值;
将所述第三数值与预设阈值进行比较,若所述第三数值不大于预设阈值,则生成第一分析结果;若所述第三数值大于预设阈值,则生成第二分析结果;
其中,起始接触电阻值为接触电阻变化图中起始时间点对应的接触电阻值;最大接触电阻值为接触电阻变化图中接触电阻值的极值;末端接触电阻值为接触电阻变化图中末端时间点对应的接触电阻值。
需要说明的是,在预设时间节点上获取连接器的实际接触电阻值,如果测得的实际接触电阻值大于预设接触电阻值,说明连接器的当前接触电阻值大于正常范围值,此时根据所述在多个时刻点所对应的实时接触电阻值构建基于时间序列的接触电阻变化图(以时间为横坐标,实时接触电阻值为纵坐标构建得到的曲线图)。若所述第一数值与第二数值相等,说明在该接触电阻变化图中的最大接触电阻值与末端接触电阻值相等,此时说明在该预设时间段内连接器的接触电阻不断增加,该预设时间段内的接触电阻没有下降趋势,此时说明连接器的磨屑特征总量值已经达到预警值,此时生成第一分析结果。
若所述第一数值与第二数值不相等,说明在该接触电阻变化图中的最大接触电阻值与末端接触电阻值不相等,并且末端接触电阻值小于最大接触电阻值,此时说明在预设时间段内连接器的接触电阻呈下降的趋势,此时所述第三数值不大于预设阈值,说明在预设时间段内连接器的接触电阻下降幅度并不大,在该预设时间段内接触电阻虽然具有下降趋势,但接触电阻依旧在较大的数值上,此时说明连接器的磨屑特征总量值已经达到预警值,此时生成第一分析结果,其中,特征值总量是指磨屑颗粒的数量。若所述第三数值大于预设阈值,说明在预设时间段内连接器的接触电阻下降幅度较大,并且接触电阻已经下降到正常范围内,此时说明此前连接器的接触电阻过大并不是由于特征值总量而引起的,可能是由于偶然短时间过载过流引起的,此属于正常现象,此时生成第二分析结果,说明连接器的性能正常。
综上,通过以上步骤对接触电阻变化图进行数值分析,能够利用数据图形对在时间序列上的接触电阻进行分析,从而判断出接触电阻与磨屑特征总量之间的关系,使得分析结果更加可靠。
其中,获取连接器在工作过程中各实际环境参数值,以及获取连接器的产品类型,根据连接器的产品类型对各实际环境参数值进行筛选,得到筛选后的实际环境参数值,如图2所示,具体为:
S202:获取连接器的产品类型,通过大数据网络获取能够对该产品类型连接器的微动磨损性能造成影响的环境参数阈值,构建知识图谱,并将能够对该产品类型连接器的微动磨损性能造成影响的环境参数阈值导入所述知识图谱中;
S204:获取连接器在工作过程中各实际环境参数值,将所述各实际环境参数值导入知识图谱中,并通过欧几里得距离算法计算所述各实际环境参数值与对应环境参数影响阈值之间的欧几里得距离值;
S206:将欧几里得距离值大于预设欧几里得距离值对应的实际环境参数值剔除,将欧几里得距离值不大于预设欧几里得距离值对应的实际环境参数值保留,得到筛选后的实际环境参数值;
其中,环境参数包括振动加速度、环境温度、环境湿度、环境酸碱度以及粉尘浓度。
需要说明的是,连接器的产品类型包括开放式连接器、高温连接器、气密连接器等,如当连接器的产品类型为开放式连接器时,此时当振动加速度、环境温度、环境湿度、环境酸碱度以及粉尘浓度等达到对应阈值时则会对该连接器的微动磨损性能造成影响,环境酸度过大,此时会加快开放式连接器的腐蚀程度,进而加快微动磨损的进程;而环境酸度对气密连接器的微动磨损进程影响不大;高温环境对高温连接器的微动磨损进程影响不大。总的来说,不同环境参数阈值对不同产品类型连接器的微动磨损性能造成影响各不相同,而这些环境影响阈值可以直接通过大数据网络中获取得到。通过以上步骤能够对连接器在工作过程中各实际环境参数值,以获取得到会对当前连接器的微动磨损进程造成影响的实际环境参数值,能够在后续评估过程中结合环境参数的影响,对连接器的剩余寿命与微动磨损阶段进行可靠、精准的预测评估。
其中,根据所述筛选后的实际环境参数值计算得到连接器当前的环境退化量,具体为:
通过大数据网络获取各环境参数值组合条件之下所对应的环境退化常数,建立数据库,并将各环境参数值组合条件之下所对应的环境退化常数导入所述数据库中,得到特性数据库;
获取筛选后的实际环境参数值,将所述筛选后的实际环境参数值导入所述特性数据库中,通过灰色关联分析法计算筛选后的实际环境参数值与各环境参数值组合条件之间的相似度,得到若干个相似度;
构建排序表,将多个所述相似度导入所述排序表中,排序得到最大相似度,获取与最大相似度对应的环境参数值组合,并获取与最大相似度对应的环境参数值组合的环境退化常数;将与最大相似度对应的环境参数值组合的环境退化常数标定为连接器当前的实际环境退化常数;
基于所述实际环境退化常数计算得到连接器当前的环境退化量。
需要说明的是,环境退化常数是指在特定的环境条件下,连接器在一定时间内性能退化的速率或程度,它用于描述环境对连接器寿命和可靠性的影响程度,是一种评估环境对连接器寿命的指标。环境退化量是指在一定时间内由于环境因素引起的连接器微动磨损性能损失或退化的量化数值,它用于衡量环境对连接器的影响程度,可用于评估连接器的寿命和可靠性。通过以上步骤获取得到实际环境退化常数后,再将实际环境退化常数将时间进行乘积运算,便能够计算得到连接器当前的环境退化量。
其中,建立微动磨损寿命预测模型,将所述实时接触电阻值与环境退化量导入所述微动磨损寿命预测模型中,得到连接器的剩余寿命与磨损阶段,如图3所示,具体为:
S302:建立微动磨损寿命预测模型,并通过马尔可夫随机场对所述微动磨损寿命预测模型进行评估,得到微动磨损寿命预测模型的评估指标;其中,评估指标包括预测准确度、误差以及误差分布;
S304:根据所述评估指标对微动磨损寿命预测模型的拟合程度进行评估,若拟合程度大于预设拟合程度,则将微动磨损寿命预测模型输出;
S306:根据所述在预设时间段内获取连接器在多个时刻点所对应的实时接触电阻值计算得到实际接触电阻均值;
S308:将所述实际接触电阻均值与环境退化量导入所述微动磨损寿命预测模型中进行预测,得到连接器的剩余寿命与磨损阶段。
需要说明的是,实际接触电阻均值与环境退化量和连接器的剩余寿命存在以下关系公式:
;
式中,为剩余寿命;/>为实际接触电阻均值;/>起始接触电阻值,该值可以由厂家提供的性能参数表中获取;/>为环境退化量;/>为失效阈值;/>为阶段磨屑特征值总量的漂移参数;/>为扩散参数。
通过上述关系公式可构建得到微动磨损寿命预测模型,然后再通过马尔可夫随机场对所述微动磨损寿命预测模型进行可靠性评估,得到可靠性较高的微动磨损寿命预测模型,再根据微动磨损寿命预测模型从而计算得到连接器的剩余寿命,然后再根据剩余寿命便能反推出微量磨损的磨损阶段;其中,磨损阶段包括磨损初期、磨损稳定期和严重磨损期三个阶段。
其中,根据连接器的剩余寿命与磨损阶段生成最终维护方案,并将所述最终维护方案输出,具体为:
根据所述剩余寿命与磨损阶段建立关键检索词,基于所述关键检索词对大数据网络中的相关资源数据进行检索,得到连接器在当前剩余寿命与磨损阶段多个历史维护方案;
获取多个历史维护方案的维护成功率;将各个历史维护方案的维护成功率与预设成功率进比较;
若存在维护成功率大于预设成功率的历史维护方案,则将维护成功率大于预设成功率的历史维护方案进行提取并汇聚,得到历史维护方案合集,并将历史维护方案合集中各历史维护方案作为预选方案;在所述历史维护方案合集中提取出最高维护成功率对应的历史维护方案作为最终维护方案,并将所述最终维护方案输出;
若存在维护成功率大于预设成功率的历史维护方案,则获取最高维护成功率对应的历史维护方案作为最终维护方案,并将所述最终维护方案输出。
需要说明的是,在初期磨损阶段,接触电阻通常会发生较小的变化,初期磨损可能由于表面凸点的削弱、润滑薄膜的磨损以及少量的材料颗粒形成,在这个阶段,接触电阻的变化较小,通常在较低的范围内波动。稳定期是指在初期磨损之后,接触电阻开始趋于稳定的阶段,在这个阶段,磨损产生的材料颗粒会堆积并形成稳定的接触电阻,接触电阻的大小会基本保持在一个相对稳定的范围内,波动较小。严重磨损期是指磨损达到较高程度的阶段,在这个阶段,磨损引起的接触电阻显著增加,可能出现断裂、划痕、疲劳裂纹等严重的表面损伤,接触电阻的变化会显著超过稳定期,经常出现较大幅度的增加。
当评估出连接器的剩余寿命与磨损阶段后,根据磨损阶段的不同分别制定出相应的维护方案,如当处于严重磨损期时,可以推荐使用适量润滑剂进行润滑处理。通过本方法能够对大规模的连接器管理提供便利,使得用户能够及时知晓不同位置的连接器在某一时间节点需要做出何种维护处理,不需要人工地对各个位置的连接器逐一进行查看评估后再制定相应维护方案,节省劳动时间,实现了智能检测评估,并且能自动生成维护方案,为连接器的运维管理提供了极大的便利,提高连接器评估的合理性。
此外,所述一种基于数据分析的连接器性能评估方法,还包括以下步骤:
若所述实际接触电阻值大于预设接触电阻值,则通过磁场扫描仪获取连接器的多个位置节点的磁场强度信息,根据所述磁场强度信息构建得到实时磁场分布图;
通过大数据网络获取连接器在不同剩余寿命阶段所对应的预设磁场分布图信息,构建第二数据库,并将连接器在不同剩余寿命阶段所对应的预设磁场分布图信息导入所述第二数据库中;
将所述实时磁场分布图导入所述第二数据库中,通过哈希算法计算所述实时磁场分布图与各预设预设磁场分布图之间的哈希值,得到多个哈希值;
由多个哈希值中提取出最大哈希值,并获取与最大哈希值对应的预设磁场分布图,根据与最大哈希值对应的预设磁场分布图确定出连接器所处的剩余寿命阶段,从而确定出连接器的剩余寿命。
需要说明的是,当连接器性能下降后,它的磁场分布图会发生变化。连接器的性能下降可能会导致一些参数的变化,如电阻、电感、电容等,这些参数的变化会影响电流分布和磁场分布。例如,如果连接器的电阻增加,会导致连接器内部的功耗增加。这会造成连接器周围的磁场分布发生变化,可能会出现更多的磁场集中或分散的情况。类似地,连接器的电感和电容的变化也会影响磁场分布。此外,连接器的物理结构(如引脚布局、导线长度等)的变化也会对磁场分布产生影响。如果连接器出现物理损坏或变形,导致引脚的位置或长度发生改变,那么磁场分布图也会相应地发生变化。因此,当连接器的性能下降时,它的磁场分布图可能会显示出与正常情况下不同的分布特征。这些变化可能会对连接器周围的电磁环境和性能产生影响,需要进行相应的测试和分析来评估其影响和寿命。通过本方法能够根据连接器的实时磁场分布图评估出连接器的剩余寿命。
此外,所述一种基于数据分析的连接器性能评估方法,还包括以下步骤:
若连接器的剩余寿命低于预设阈值且磨损阶段处于严重磨损期,则获取连接器的信号振幅频率;并将所述信号振幅频率与预设信号振幅频率进行比较,得到振幅偏差值;
若所述振幅偏差值大于预设振幅偏差值,获取与当前连接器相关联的设施基站数目,根据所述设施基站数目与信号振幅频率构建信号传送模拟模型;
根据所述振幅偏差值确定出与当前连接器相关联的设施基站的理想数目,将所述与当前连接器相关联的设施基站的理想数目导入所述信号传送模拟模型中进行评估模拟,得到连接器的模拟信号振幅频率;
并将所述模拟信号振幅频率与预设信号振幅频率进行比较,得到第二振幅偏差值;若所述第二振幅偏差值小于预设振幅偏差值,则将所述与当前连接器相关联的设施基站的理想数目输出。
其中,预设振幅偏差值根据信号质量传送要求确定得到,信号质量传送要求越高预设振幅偏差值越小。
需要说明的是,当连接器的剩余寿命低于预设阈值且磨损阶段处于严重磨损期,此时连接器的信号传送稳定性会大大降低,导致信号传送质量变差,通过本方法能够判断出当前阶段的连接器所传送的信号质量是否满足要求,若不满足要求,则及时通过调整设施基站连接数目来提高连接器信号传送质量的可靠性与稳定性。
如图4所示,本发明第二方面公开了一种基于数据分析的连接器性能评估系统,所述连接器性能评估系统包括存储器11与处理器42,所述存储器11中存储有连接器性能评估方法程序,当所述连接器性能评估方法程序被所述处理器42执行时,实现如下步骤:
在预设时间节点上获取连接器的实际接触电阻值,将所述实际接触电阻值与预设接触电阻值进行比较;若所述实际接触电阻值大于预设接触电阻值,则在预设时间段内获取连接器在多个时刻点所对应的实时接触电阻值;
根据所述在多个时刻点所对应的实时接触电阻值构建基于时间序列的接触电阻变化图;对所述接触电阻变化图进行数值分析,得到第一分析结果或第二分析结果;
若分析结果为第一分析结果,则获取连接器在工作过程中各实际环境参数值,以及获取连接器的产品类型,根据连接器的产品类型对各实际环境参数值进行筛选,得到筛选后的实际环境参数值;根据所述筛选后的实际环境参数值计算得到连接器当前的环境退化量;
建立微动磨损寿命预测模型,将所述实时接触电阻值与环境退化量导入所述微动磨损寿命预测模型中,得到连接器的剩余寿命与磨损阶段;根据连接器的剩余寿命与磨损阶段生成最终维护方案,并将所述最终维护方案输出。
进一步地,本发明的一个较佳实施例中,获取连接器在工作过程中各实际环境参数值,以及获取连接器的产品类型,根据连接器的产品类型对各实际环境参数值进行筛选,得到筛选后的实际环境参数值,具体为:
获取连接器的产品类型,通过大数据网络获取能够对该产品类型连接器的微动磨损性能造成影响的环境参数阈值,构建知识图谱,并将能够对该产品类型连接器的微动磨损性能造成影响的环境参数阈值导入所述知识图谱中;
获取连接器在工作过程中各实际环境参数值,将所述各实际环境参数值导入知识图谱中,并通过欧几里得距离算法计算所述各实际环境参数值与对应环境参数影响阈值之间的欧几里得距离值;
将欧几里得距离值大于预设欧几里得距离值对应的实际环境参数值剔除,将欧几里得距离值不大于预设欧几里得距离值对应的实际环境参数值保留,得到筛选后的实际环境参数值;
其中,环境参数包括振动加速度、环境温度、环境湿度、环境酸碱度以及粉尘浓度。
进一步地,本发明的一个较佳实施例中,根据所述筛选后的实际环境参数值计算得到连接器当前的环境退化量,具体为:
通过大数据网络获取各环境参数值组合条件之下所对应的环境退化常数,建立数据库,并将各环境参数值组合条件之下所对应的环境退化常数导入所述数据库中,得到特性数据库;
获取筛选后的实际环境参数值,将所述筛选后的实际环境参数值导入所述特性数据库中,通过灰色关联分析法计算筛选后的实际环境参数值与各环境参数值组合条件之间的相似度,得到若干个相似度;
构建排序表,将多个所述相似度导入所述排序表中,排序得到最大相似度,获取与最大相似度对应的环境参数值组合,并获取与最大相似度对应的环境参数值组合的环境退化常数;将与最大相似度对应的环境参数值组合的环境退化常数标定为连接器当前的实际环境退化常数;
基于所述实际环境退化常数计算得到连接器当前的环境退化量。
进一步地,本发明的一个较佳实施例中,建立微动磨损寿命预测模型,将所述实时接触电阻值与环境退化量导入所述微动磨损寿命预测模型中,得到连接器的剩余寿命与磨损阶段,具体为:
建立微动磨损寿命预测模型,并通过马尔可夫随机场对所述微动磨损寿命预测模型进行评估,得到微动磨损寿命预测模型的评估指标;其中,评估指标包括预测准确度、误差以及误差分布;
根据所述评估指标对微动磨损寿命预测模型的拟合程度进行评估,若拟合程度大于预设拟合程度,则将微动磨损寿命预测模型输出;
根据所述在预设时间段内获取连接器在多个时刻点所对应的实时接触电阻值计算得到实际接触电阻均值;
将所述实际接触电阻均值与环境退化量导入所述微动磨损寿命预测模型中进行预测,得到连接器的剩余寿命与磨损阶段。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于数据分析的连接器性能评估方法,其特征在于,包括以下步骤:
在预设时间节点上获取连接器的实际接触电阻值,将所述实际接触电阻值与预设接触电阻值进行比较;若所述实际接触电阻值大于预设接触电阻值,则在预设时间段内获取连接器在多个时刻点所对应的实时接触电阻值;
根据所述在多个时刻点所对应的实时接触电阻值构建基于时间序列的接触电阻变化图;对所述接触电阻变化图进行数值分析,得到第一分析结果或第二分析结果;
若分析结果为第一分析结果,则获取连接器在工作过程中各实际环境参数值,以及获取连接器的产品类型,根据连接器的产品类型对各实际环境参数值进行筛选,得到筛选后的实际环境参数值;根据所述筛选后的实际环境参数值计算得到连接器当前的环境退化量;
建立微动磨损寿命预测模型,将所述实时接触电阻值与环境退化量导入所述微动磨损寿命预测模型中,得到连接器的剩余寿命与磨损阶段;根据连接器的剩余寿命与磨损阶段生成最终维护方案,并将所述最终维护方案输出;
其中,对所述接触电阻变化图进行数值分析,得到第一分析结果或第二分析结果,具体为:
在所述接触电阻变化图中提取出起始接触电阻值、最大接触电阻值以及末端接触电阻值;
对所述最大接触电阻值与起始接触电阻值进行差值运算处理,得到第一数值;对所述末端接触电阻值与起始接触电阻值进行差值运算处理,得到第二数值;将所述第一数值与第二数值进行比较;
若所述第一数值与第二数值相等,则生成第一分析结果;
若所述第一数值与第二数值不相等,则进一步计算所述第一数值与第二数值之间的差值,得到第三数值;
将所述第三数值与预设阈值进行比较,若所述第三数值不大于预设阈值,则生成第一分析结果;若所述第三数值大于预设阈值,则生成第二分析结果;
其中,起始接触电阻值为接触电阻变化图中起始时间点对应的接触电阻值;最大接触电阻值为接触电阻变化图中接触电阻值的极值;末端接触电阻值为接触电阻变化图中末端时间点对应的接触电阻值。
2.根据权利要求1所述的一种基于数据分析的连接器性能评估方法,其特征在于,获取连接器在工作过程中各实际环境参数值,以及获取连接器的产品类型,根据连接器的产品类型对各实际环境参数值进行筛选,得到筛选后的实际环境参数值,具体为:
获取连接器的产品类型,通过大数据网络获取能够对该产品类型连接器的微动磨损性能造成影响的环境参数阈值,构建知识图谱,并将能够对该产品类型连接器的微动磨损性能造成影响的环境参数阈值导入所述知识图谱中;
获取连接器在工作过程中各实际环境参数值,将所述各实际环境参数值导入知识图谱中,并通过欧几里得距离算法计算所述各实际环境参数值与对应环境参数影响阈值之间的欧几里得距离值;
将欧几里得距离值大于预设欧几里得距离值对应的实际环境参数值剔除,将欧几里得距离值不大于预设欧几里得距离值对应的实际环境参数值保留,得到筛选后的实际环境参数值;
其中,环境参数包括振动加速度、环境温度、环境湿度、环境酸碱度以及粉尘浓度。
3.根据权利要求1所述的一种基于数据分析的连接器性能评估方法,其特征在于,根据所述筛选后的实际环境参数值计算得到连接器当前的环境退化量,具体为:
通过大数据网络获取各环境参数值组合条件之下所对应的环境退化常数,建立数据库,并将各环境参数值组合条件之下所对应的环境退化常数导入所述数据库中,得到特性数据库;
获取筛选后的实际环境参数值,将所述筛选后的实际环境参数值导入所述特性数据库中,通过灰色关联分析法计算筛选后的实际环境参数值与各环境参数值组合条件之间的相似度,得到若干个相似度;
构建排序表,将多个所述相似度导入所述排序表中,排序得到最大相似度,获取与最大相似度对应的环境参数值组合,并获取与最大相似度对应的环境参数值组合的环境退化常数;将与最大相似度对应的环境参数值组合的环境退化常数标定为连接器当前的实际环境退化常数;
基于所述实际环境退化常数计算得到连接器当前的环境退化量。
4.根据权利要求1所述的一种基于数据分析的连接器性能评估方法,其特征在于,建立微动磨损寿命预测模型,将所述实时接触电阻值与环境退化量导入所述微动磨损寿命预测模型中,得到连接器的剩余寿命与磨损阶段,具体为:
建立微动磨损寿命预测模型,并通过马尔可夫随机场对所述微动磨损寿命预测模型进行评估,得到微动磨损寿命预测模型的评估指标;其中,评估指标包括预测准确度、误差以及误差分布;
根据所述评估指标对微动磨损寿命预测模型的拟合程度进行评估,若拟合程度大于预设拟合程度,则将微动磨损寿命预测模型输出;
根据所述在预设时间段内获取连接器在多个时刻点所对应的实时接触电阻值计算得到实际接触电阻均值;
将所述实际接触电阻均值与环境退化量导入所述微动磨损寿命预测模型中进行预测,得到连接器的剩余寿命与磨损阶段。
5.根据权利要求1所述的一种基于数据分析的连接器性能评估方法,其特征在于,根据连接器的剩余寿命与磨损阶段生成最终维护方案,并将所述最终维护方案输出,具体为:
根据所述剩余寿命与磨损阶段建立关键检索词,基于所述关键检索词对大数据网络中的相关资源数据进行检索,得到连接器在当前剩余寿命与磨损阶段多个历史维护方案;
获取多个历史维护方案的维护成功率;将各个历史维护方案的维护成功率与预设成功率进比较;
若存在维护成功率大于预设成功率的历史维护方案,则将维护成功率大于预设成功率的历史维护方案进行提取并汇聚,得到历史维护方案合集,并将历史维护方案合集中各历史维护方案作为预选方案;在所述历史维护方案合集中提取出最高维护成功率对应的历史维护方案作为最终维护方案,并将所述最终维护方案输出;
若存在维护成功率大于预设成功率的历史维护方案,则获取最高维护成功率对应的历史维护方案作为最终维护方案,并将所述最终维护方案输出。
6.一种基于数据分析的连接器性能评估系统,其特征在于,所述连接器性能评估系统包括存储器与处理器,所述存储器中存储有连接器性能评估方法程序,当所述连接器性能评估方法程序被所述处理器执行时,实现如下步骤:
在预设时间节点上获取连接器的实际接触电阻值,将所述实际接触电阻值与预设接触电阻值进行比较;若所述实际接触电阻值大于预设接触电阻值,则在预设时间段内获取连接器在多个时刻点所对应的实时接触电阻值;
根据所述在多个时刻点所对应的实时接触电阻值构建基于时间序列的接触电阻变化图;对所述接触电阻变化图进行数值分析,得到第一分析结果或第二分析结果;
若分析结果为第一分析结果,则获取连接器在工作过程中各实际环境参数值,以及获取连接器的产品类型,根据连接器的产品类型对各实际环境参数值进行筛选,得到筛选后的实际环境参数值;根据所述筛选后的实际环境参数值计算得到连接器当前的环境退化量;
建立微动磨损寿命预测模型,将所述实时接触电阻值与环境退化量导入所述微动磨损寿命预测模型中,得到连接器的剩余寿命与磨损阶段;根据连接器的剩余寿命与磨损阶段生成最终维护方案,并将所述最终维护方案输出;
其中,对所述接触电阻变化图进行数值分析,得到第一分析结果或第二分析结果,具体为:
在所述接触电阻变化图中提取出起始接触电阻值、最大接触电阻值以及末端接触电阻值;
对所述最大接触电阻值与起始接触电阻值进行差值运算处理,得到第一数值;对所述末端接触电阻值与起始接触电阻值进行差值运算处理,得到第二数值;将所述第一数值与第二数值进行比较;
若所述第一数值与第二数值相等,则生成第一分析结果;
若所述第一数值与第二数值不相等,则进一步计算所述第一数值与第二数值之间的差值,得到第三数值;
将所述第三数值与预设阈值进行比较,若所述第三数值不大于预设阈值,则生成第一分析结果;若所述第三数值大于预设阈值,则生成第二分析结果;
其中,起始接触电阻值为接触电阻变化图中起始时间点对应的接触电阻值;最大接触电阻值为接触电阻变化图中接触电阻值的极值;末端接触电阻值为接触电阻变化图中末端时间点对应的接触电阻值。
7.根据权利要求6所述的一种基于数据分析的连接器性能评估系统,其特征在于,获取连接器在工作过程中各实际环境参数值,以及获取连接器的产品类型,根据连接器的产品类型对各实际环境参数值进行筛选,得到筛选后的实际环境参数值,具体为:
获取连接器的产品类型,通过大数据网络获取能够对该产品类型连接器的微动磨损性能造成影响的环境参数阈值,构建知识图谱,并将能够对该产品类型连接器的微动磨损性能造成影响的环境参数阈值导入所述知识图谱中;
获取连接器在工作过程中各实际环境参数值,将所述各实际环境参数值导入知识图谱中,并通过欧几里得距离算法计算所述各实际环境参数值与对应环境参数影响阈值之间的欧几里得距离值;
将欧几里得距离值大于预设欧几里得距离值对应的实际环境参数值剔除,将欧几里得距离值不大于预设欧几里得距离值对应的实际环境参数值保留,得到筛选后的实际环境参数值;
其中,环境参数包括振动加速度、环境温度、环境湿度、环境酸碱度以及粉尘浓度。
8.根据权利要求6所述的一种基于数据分析的连接器性能评估系统,其特征在于,根据所述筛选后的实际环境参数值计算得到连接器当前的环境退化量,具体为:
通过大数据网络获取各环境参数值组合条件之下所对应的环境退化常数,建立数据库,并将各环境参数值组合条件之下所对应的环境退化常数导入所述数据库中,得到特性数据库;
获取筛选后的实际环境参数值,将所述筛选后的实际环境参数值导入所述特性数据库中,通过灰色关联分析法计算筛选后的实际环境参数值与各环境参数值组合条件之间的相似度,得到若干个相似度;
构建排序表,将多个所述相似度导入所述排序表中,排序得到最大相似度,获取与最大相似度对应的环境参数值组合,并获取与最大相似度对应的环境参数值组合的环境退化常数;将与最大相似度对应的环境参数值组合的环境退化常数标定为连接器当前的实际环境退化常数;
基于所述实际环境退化常数计算得到连接器当前的环境退化量。
9.根据权利要求6所述的一种基于数据分析的连接器性能评估系统,其特征在于,建立微动磨损寿命预测模型,将所述实时接触电阻值与环境退化量导入所述微动磨损寿命预测模型中,得到连接器的剩余寿命与磨损阶段,具体为:
建立微动磨损寿命预测模型,并通过马尔可夫随机场对所述微动磨损寿命预测模型进行评估,得到微动磨损寿命预测模型的评估指标;其中,评估指标包括预测准确度、误差以及误差分布;
根据所述评估指标对微动磨损寿命预测模型的拟合程度进行评估,若拟合程度大于预设拟合程度,则将微动磨损寿命预测模型输出;
根据所述在预设时间段内获取连接器在多个时刻点所对应的实时接触电阻值计算得到实际接触电阻均值;
将所述实际接触电阻均值与环境退化量导入所述微动磨损寿命预测模型中进行预测,得到连接器的剩余寿命与磨损阶段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816551.4A CN116776631B (zh) | 2023-07-05 | 2023-07-05 | 一种基于数据分析的连接器性能评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816551.4A CN116776631B (zh) | 2023-07-05 | 2023-07-05 | 一种基于数据分析的连接器性能评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116776631A CN116776631A (zh) | 2023-09-19 |
CN116776631B true CN116776631B (zh) | 2024-02-02 |
Family
ID=88011386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310816551.4A Active CN116776631B (zh) | 2023-07-05 | 2023-07-05 | 一种基于数据分析的连接器性能评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116776631B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236572B (zh) * | 2023-11-14 | 2024-03-29 | 深圳市共安实业发展有限公司 | 一种基于数据分析的干粉灭火设备性能评估方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271741A (zh) * | 2018-10-25 | 2019-01-25 | 北京航空航天大学 | 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 |
WO2020152901A1 (ja) * | 2019-01-21 | 2020-07-30 | 株式会社日立製作所 | 二次電池モジュールの余寿命診断方法及び余寿命診断システム |
CN113111506A (zh) * | 2021-04-08 | 2021-07-13 | 浙江理工大学 | 一种具有多孔径的电连接器接触可靠性建模方法 |
CN113297751A (zh) * | 2021-06-11 | 2021-08-24 | 浙江理工大学 | 一种多孔径电连接器的接触可靠性评估方法和评估系统 |
CN114239394A (zh) * | 2021-12-13 | 2022-03-25 | 广西电网有限责任公司桂林供电局 | 基于触点接触电阻时间序列的继电器接触特性评估方法 |
CN114646559A (zh) * | 2020-12-17 | 2022-06-21 | 大唐移动通信设备有限公司 | 连接器使用寿命的检测方法、装置、电子设备及存储介质 |
CN115856722A (zh) * | 2022-12-30 | 2023-03-28 | 哈尔滨工业大学 | 考虑摩擦磨损的电连接器接触可靠性预计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116482579A (zh) * | 2023-04-07 | 2023-07-25 | 河北工业大学 | 一种稳健的噪声量自修正的电连接器剩余寿命预测方法 |
-
2023
- 2023-07-05 CN CN202310816551.4A patent/CN116776631B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271741A (zh) * | 2018-10-25 | 2019-01-25 | 北京航空航天大学 | 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 |
WO2020152901A1 (ja) * | 2019-01-21 | 2020-07-30 | 株式会社日立製作所 | 二次電池モジュールの余寿命診断方法及び余寿命診断システム |
CN114646559A (zh) * | 2020-12-17 | 2022-06-21 | 大唐移动通信设备有限公司 | 连接器使用寿命的检测方法、装置、电子设备及存储介质 |
CN113111506A (zh) * | 2021-04-08 | 2021-07-13 | 浙江理工大学 | 一种具有多孔径的电连接器接触可靠性建模方法 |
CN113297751A (zh) * | 2021-06-11 | 2021-08-24 | 浙江理工大学 | 一种多孔径电连接器的接触可靠性评估方法和评估系统 |
CN114239394A (zh) * | 2021-12-13 | 2022-03-25 | 广西电网有限责任公司桂林供电局 | 基于触点接触电阻时间序列的继电器接触特性评估方法 |
CN115856722A (zh) * | 2022-12-30 | 2023-03-28 | 哈尔滨工业大学 | 考虑摩擦磨损的电连接器接触可靠性预计方法 |
Non-Patent Citations (2)
Title |
---|
The effect of hole shape on fatigue life of bolted connectors;Jian-xin Xu et al.;《2011 International Conference on Transportation, Mechanical, and Electrical Engineering 》;第1957-1960页 * |
基于状态监测数据的电器电接触性能评估;李玲玲;马东娟;李志刚;;机械工程学报(第18期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116776631A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113190421B (zh) | 一种用于数据中心的设备健康状态的检测分析方法 | |
CN116776631B (zh) | 一种基于数据分析的连接器性能评估方法及系统 | |
CN110096737B (zh) | 绝缘子寿命预测方法、装置、计算机装置及存储介质 | |
CN111458149B (zh) | 一种滚动轴承性能及使用寿命的预测方法及系统 | |
CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
CN115814686B (zh) | 一种镭射气体混配生产系统的状态监控方法及系统 | |
CN117076258A (zh) | 一种基于互联网云端的远程监控方法及系统 | |
CN115280334A (zh) | 错误原因的推定装置以及推定方法 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
CN117763432A (zh) | 通讯故障预测方法、装置、设备及存储介质 | |
CN113255775B (zh) | 一种电力系统异常数据的识别方法、装置和智能芯片 | |
WO2022059135A1 (ja) | エラー要因の推定装置及び推定方法 | |
Fan et al. | Data mining and fault diagnosis based on wafer acceptance test data and in-line manufacturing data | |
EP3706048A1 (en) | Anomaly prediction in an industrial system | |
CN115829543B (zh) | 基于故障需检区间的电力设备预防性试验有效性确定方法 | |
KR100682935B1 (ko) | 데이터베이스의 비정상샘플 제거 방법 및 장치 | |
CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
CN114254516B (zh) | 一种删失数据下的参数概率不确定性建模方法 | |
CN113239236B (zh) | 视频处理方法、装置、电子设备及存储介质 | |
Fernández | Most powerful lot acceptance test plans from dispersed nonconformity counts | |
Zhang et al. | Data-based affinity analysis of power transformer defects with adaptive frequent itemset mining algorithm | |
Balali et al. | Predictive Degradation Models | |
CN107218964B (zh) | 一种试验子样容量性状的判定方法 | |
CN118211880A (zh) | 一种变压器试验站的试验安全性监测方法及系统 | |
Zhang et al. | Research on Fault Diagnosis of Launch Vehicle’s Power Transformation and Transmission System Based on Big Data |
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 |