CN117272792A - 模型构造方法、性能可靠性分析方法、设备及存储介质 - Google Patents
模型构造方法、性能可靠性分析方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117272792A CN117272792A CN202311164102.2A CN202311164102A CN117272792A CN 117272792 A CN117272792 A CN 117272792A CN 202311164102 A CN202311164102 A CN 202311164102A CN 117272792 A CN117272792 A CN 117272792A
- Authority
- CN
- China
- Prior art keywords
- value
- response
- sample point
- model
- sample
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 59
- 238000004458 analytical method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 230000004044 response Effects 0.000 claims abstract description 156
- 230000006870 function Effects 0.000 claims abstract description 114
- 238000000034 method Methods 0.000 claims abstract description 71
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 238000007621 cluster analysis Methods 0.000 claims abstract description 19
- 238000013461 design Methods 0.000 claims description 83
- 238000009826 distribution Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000739 chaotic effect Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000000342 Monte Carlo simulation Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种模型构造方法、性能可靠性分析方法、设备及存储介质,涉及可靠性分析技术领域,该模型构造方法包括:获取第一样本点和第一样本点对应的响应值;根据第一样本点和响应值,构造代理模型;根据代理模型,确定抽样中心点;根据抽样中心点,采用重要抽样法,构造多个第二样本点;对多个第二样本点进行聚类分析,得到多个分组;根据分组中第二样本点的响应估计值和响应估计误差,确定第二样本点对应的学习函数值;根据学习函数值,确定满足学习价值要求的目标分组,将第一样本点和目标分组包含的第二样本点作为新的第一样本点,执行构造代理模型的步骤,直至构造的代理模型满足收敛要求。本申请能够大大提升代理模型的构造效率。
Description
技术领域
本申请涉及可靠性分析技术领域,尤其涉及一种模型构造方法、性能可靠性分析方法、设备及存储介质。
背景技术
近年来,随着科学技术的发展,智能装备的应用日益广泛。例如,现实生活中许多复杂的作业,往往需要智能装备与人配合来完成,或者是依靠智能装备自身来完成。在这种情况下,对于智能装备的可靠性、寿命等要求越来越高。尤其是面向深空、核工业等极端环境下的智能装备,运行条件恶劣,维修保障困难,功能结构复杂,智能装备极易发生功能或性能衰退,甚至导致故障且故障后果严重。考虑智能装备具有感知、决策和执行等智能功能,当发生性能衰退、超差甚至发生故障时,可以通过自身的智能维护系统进行预判和处理。因此,如何针对智能装备开展性能可靠性分析是目前的关键研究问题。
相关技术中,针对智能装备的性能可靠性分析可采用代理模型法,其中,代理模型法所使用的克里金(Kriging)模型是通过以下方式获得的:确定智能装备对应的设计变量和随机变量;基于拉丁超立方取样法,在设计变量和随机变量的取值范围内抽取样本点,并确定对应样本点的有限元仿真响应值;根据样本点及其对应的有限元仿真响应值,构建多个Kriging模型;应用拟合优度法检查每个Kriging模型的拟合精度是否满足工程精度要求,若不满足,则应用有限元分析增加样本点并重新构建Kriging模型,直至满足所需拟合精度。
但通过上述方式来获得Kriging模型,存在效率较低的问题。
发明内容
本申请提供一种模型构造方法、性能可靠性分析方法、设备及存储介质,以解决通过目前方式来获得Kriging模型,存在效率较低的问题。
第一方面,本申请提供一种模型构造方法,包括:
获取第一样本点和第一样本点对应的响应值,第一样本点是根据待分析智能装备对应的设计变量和设计变量的分布类型生成的,响应值是根据预设的极限状态函数确定的第一样本点的响应值;
根据第一样本点和响应值,构造代理模型;
根据代理模型和第一样本点,确定抽样中心点;
根据抽样中心点,采用重要抽样法,构造多个第二样本点;
对多个第二样本点进行聚类分析,得到多个分组;
针对多个分组中的每个分组,根据分组中第二样本点的响应估计值和响应估计误差,确定第二样本点对应的学习函数值,响应估计值是采用代理模型确定的,响应估计误差为根据极限状态函数确定的第二样本点的响应值与响应估计值的差值;
根据学习函数值,在多个分组中确定满足学习价值要求的目标分组,将第一样本点和目标分组包含的第二样本点作为新的第一样本点,执行根据第一样本点和响应值,构造代理模型的步骤,直至构造的代理模型满足收敛要求。
可选的,收敛要求包括相邻两次迭代获得的抽样中心点之间的距离小于设定误差。
可选的,对多个第二样本点进行聚类分析,得到多个分组,包括:确定第二样本点与抽样中心点的距离;根据距离,对多个第二样本点进行分组,得到多个分组,分组中第二样本点的均值与抽样中心点的差值小于设定阈值。
可选的,根据学习函数值,在多个分组中确定满足学习价值要求的目标分组,包括:针对多个分组中的每个分组,根据分组中第二样本点对应的学习函数值,确定分组对应的平均学习函数值;对平均学习函数值进行排序处理,确定最高的平均学习函数值对应的分组为目标分组。
可选的,代理模型为kriging模型、响应面模型和混沌多项式模型中的任一种。
第二方面,本申请提供一种性能可靠性分析方法,包括:
获取待分析智能装备对应的设计变量和设计变量对应的响应值,响应值是根据预设的极限状态函数确定的设计变量的响应值;
将设计变量和响应值输入至代理模型,得到代理模型输出的待分析智能装备对应的性能可靠度,代理模型为采用如本申请第一方面的模型构造方法得到的。
第三方面,本申请提供一种模型构造装置,包括:
获取模块,用于获取第一样本点和第一样本点对应的响应值,第一样本点是根据待分析智能装备对应的设计变量和设计变量的分布类型生成的,响应值是根据预设的极限状态函数确定的第一样本点的响应值;
第一构造模块,用于根据第一样本点和响应值,构造代理模型;
第一确定模块,用于根据代理模型和第一样本点,确定抽样中心点;
第二构造模块,用于根据抽样中心点,采用重要抽样法,构造多个第二样本点;
分析模块,用于对多个第二样本点进行聚类分析,得到多个分组;
第二确定模块,用于针对多个分组中的每个分组,根据分组中第二样本点的响应估计值和响应估计误差,确定第二样本点对应的学习函数值,响应估计值是采用代理模型确定的,响应估计误差为根据极限状态函数确定的第二样本点的响应值与响应估计值的差值;
处理模块,用于根据学习函数值,在多个分组中确定满足学习价值要求的目标分组,将第一样本点和目标分组包含的第二样本点作为新的第一样本点,执行根据第一样本点和响应值,构造代理模型的步骤,直至构造的代理模型满足收敛要求。
可选的,收敛要求包括相邻两次迭代获得的抽样中心点之间的距离小于设定误差。
可选的,分析模块具体用于:确定第二样本点与抽样中心点的距离;根据距离,对多个第二样本点进行分组,得到多个分组,分组中第二样本点的均值与抽样中心点的差值小于设定阈值。
可选的,处理模块具体用于:针对多个分组中的每个分组,根据分组中第二样本点对应的学习函数值,确定分组对应的平均学习函数值;对平均学习函数值进行排序处理,确定最高的平均学习函数值对应的分组为目标分组。
可选的,代理模型为kriging模型、响应面模型和混沌多项式模型中的任一种。
第四方面,本申请提供一种性能可靠性分析装置,包括:
获取模块,用于获取待分析智能装备对应的设计变量和设计变量对应的响应值,响应值是根据预设的极限状态函数确定的设计变量的响应值;
处理模块,用于将设计变量和响应值输入至代理模型,得到代理模型输出的待分析智能装备对应的性能可靠度,代理模型为采用如本申请第一方面的模型构造方法得到的。
第五方面,本申请提供一种电子设备,包括:处理器,以及与处理器通信连接的存储器;
存储器存储计算机执行指令;
处理器执行存储器存储的计算机执行指令,以实现如本申请第一方面所述的模型构造方法或第二方面所述的性能可靠性分析方法。
第六方面,本申请提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序指令,计算机程序指令被执行时,实现如本申请第一方面所述的模型构造方法或第二方面所述的性能可靠性分析方法。
第七方面,本申请提供一种计算机程序产品,包括计算机程序,计算机程序被执行时实现如本申请第一方面所述的模型构造方法或第二方面所述的性能可靠性分析方法。
本申请提供的模型构造方法、性能可靠性分析方法、设备及存储介质,通过获取第一样本点和第一样本点对应的响应值,第一样本点是根据待分析智能装备对应的设计变量和设计变量的分布类型生成的,响应值是根据预设的极限状态函数确定的第一样本点的响应值;根据第一样本点和响应值,构造代理模型;根据代理模型和第一样本点,确定抽样中心点;根据抽样中心点,采用重要抽样法,构造多个第二样本点;对多个第二样本点进行聚类分析,得到多个分组;针对多个分组中的每个分组,根据分组中第二样本点的响应估计值和响应估计误差,确定第二样本点对应的学习函数值,响应估计值是采用代理模型确定的,响应估计误差为根据极限状态函数确定的第二样本点的响应值与响应估计值的差值;根据学习函数值,在多个分组中确定满足学习价值要求的目标分组,将第一样本点和目标分组包含的第二样本点作为新的第一样本点,执行根据第一样本点和响应值,构造代理模型的步骤,直至构造的代理模型满足收敛要求。由于本申请对多个第二样本点进行聚类分析,得到多个分组,根据每个分组中第二样本点对应的学习函数值,在多个分组中确定满足学习价值要求的目标分组,将目标分组包含的第二样本点用于构造代理模型,即对样本点进行筛选,有效考虑样本点的信息,进行逐步迭代并向样本池添加经过筛选的样本点,能够在有效提高拟合精度的基础上,降低迭代次数,从而大大提升代理模型的构造效率。
附图说明
为了更清楚地说明本申请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做一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的模型构造方法的应用场景示意图;
图2为本申请一实施例提供的模型构造方法的流程图;
图3为本申请另一实施例提供的模型构造方法的流程图;
图4为本申请一实施例提供的性能可靠性分析方法的流程图;
图5为本申请一实施例提供的模型构造装置的结构示意图;
图6为本申请一实施例提供的性能可靠性分析装置的结构示意图;
图7为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
智能装备的应用日益广泛。如何针对智能装备开展性能可靠性分析是目前的关键研究问题。目前,针对智能装备的性能可靠性分析方法主要包括阶矩法、蒙特卡洛法、渐进积分法、神经网络法以及代理模型法等。其中,阶矩法要求在已知智能装备的极限状态函数和随机变量的概率分布的情况下,对智能装备进行性能可靠性分析;蒙特卡洛法需要大量抽样才能获取满足精度要求的性能可靠性分析结果;渐进积分法在对智能装备进行性能可靠性分析时,需要已知基本随机变量的各阶导数;神经网络法需要通过大量的样本数据进行模型的训练和拟合;代理模型法通常采用多项式响应面、Kriging模型等近似实际的极限状态函数,其原理简单,比价容易实现。但是对于智能装备现有的性能可靠度要求,以及考虑到性能可靠度指标验证存在试验成本高、样本数据不足、输入变量维数较高、性能可靠度要求高且难以用具体的物理模型来描述其输入输出的问题,如果性能可靠度分析方法的计算效率过低、计算时间过长,则将会大大限制其在实际工程中的应用。
一相关技术中,针对智能装备的性能可靠性分析可采用代理模型法,其中,代理模型法所使用的Kriging模型是从基于有限元仿真的响应值构建的多个kriging模型中进行挑选确定的,因此,获取Kiging模型的效率较低,进而导致对智能装备的性能可靠性分析的效率低。另外,还需要确定所分析智能装备的设计变量和随机变量,如何对其界定需要一定的工程经验。
另一相关技术中,针对桁架结构的结构可靠性优化方法进行了研究和介绍,其主要步骤包括:采用通用生成函数法代替传统的双循环法计算桁架结构的可靠性,通过结构达到承载能力极限失效准则判定对桁架结构主要失效模式进行搜索和识别;建立桁架结构可靠性的通用生成函数模型;用K-means聚类算法处理,将通用生成函数法进行数据的复合运算而产生大量的离散随机数据聚类合并,从而减少计算工作量;最后建立可靠性优化的数学模型,以结构的质量最小为目标,以可靠性指标满足一定要求为约束条件,进行结构可靠性优化设计。该相关技术的缺点包括:(1)该相关技术所分析的对象明确为桁架结构,所开展的工作都是基于桁架这一典型结构件,考虑的失效模式为桁架结构的塑性极限,而实际工程中的结构组成较复杂,故障模式较多,不能完全简化为该相关技术所描述的情况;(2)该相关技术通过建立离散型通用生成函数模型进行可靠性分析,对于实际桁架结构,其具有多故障模式共存、故障机理混合的问题,如何建立相应的数学模型需要有一定的工程经验。
基于上述问题,本申请提供一种模型构造方法、性能可靠性分析方法、设备及存储介质,通过对样本点进行聚类分析,并获取样本点的学习函数值,对样本点进行筛选,基于筛选后的样本点对代理模型进行逐步迭代构造,能够在有效提高拟合精度的基础上,降低迭代次数,从而大大提升代理模型的构造效率,进而在将代理模型用于智能装备的性能可靠性分析时,可以准确地获得智能装备对应的性能可靠度,且能够在智能装备设计初始阶段开展高效的性能可靠性分析工作,为后续的优化设计等提供依据和参考。
以下,首先对本申请提供的方案的应用场景进行示例说明。
图1为本申请一实施例提供的模型构造方法的应用场景示意图。如图1所示,该应用场景可以包括:服务器集群11和终端12。其中,服务器集群11包括多个服务器111和存储器112,终端12可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能语音交互设备、智能家电等。服务器111用于构造代理模型,构造过程中从存储器112中获取数据,将产生的数据存储在存储器112中。此外,在构造过程中和终端12通过无线网络或有线网络进行通信。
此外,本申请实施例可以应用在智能装备的性能可靠性分析场景中。
需要说明的是,图1仅是本申请实施例提供的一种应用场景的示意图,本申请实施例不对图1中包括的设备进行限定,也不对图1中设备之间的位置关系进行限定。
下面,通过具体实施例对本申请的技术方案进行详细说明。需要说明的是,下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为本申请一实施例提供的模型构造方法的流程图。本申请实施例的方法可以应用于电子设备中,该电子设备可以是服务器或服务器集群等。如图2所示,本申请实施例的方法包括:
S201、获取第一样本点和第一样本点对应的响应值,第一样本点是根据待分析智能装备对应的设计变量和设计变量的分布类型生成的,响应值是根据预设的极限状态函数确定的第一样本点的响应值。
本申请实施例中,可以预先确定待分析智能装备对应的性能可靠性要求和性能阈值要求。其中,对于智能装备的性能可靠性要求是指在规定的工作期或服役期内安全可靠地的完成规定的功能任务要求。然而考虑到实际情况下加工制造的误差、工作环境和工作载荷的差异以及人为的潜在失误等因素,智能装备可能发生性能可靠性波动,甚至不能完成相应的任务并造成危害。待分析智能装备通常对应有多种性能可靠性要求(比如功能失效、性能衰退、运动精度超差以及异常磨损等),若智能装备对应的性能可靠度大于性能阈值要求时,则可以确定智能装备处于正常状态;若智能装备的性能可靠度小于或等于性能阈值要求时,则可以确定智能装备处于故障状态。
将可能导致智能装备无法完成规定的功能任务要求的因素称为设计变量,比如用X=(x1,x2,…,xn)来表示待分析智能装备对应的设计变量,其中,x1至xn表示n种设计变量,具体的设计变量比如可以是待分析智能装备的几何尺寸、材料性能、外部载荷等。考虑到实际情况下设计变量将发生波动,其统计规律在定义时即可给出。
将描述智能装备行为特性的指标称为性能响应量,比如用R=R(X)=R(x1,x2,…,xn)来表示设计变量x1至xn对应的性能响应量。其中,性能响应量比如可以是待分析智能装备的应力、寿命、动力学特征量、运动学特征量等;性能响应量和设计变量之间的关系是根据自然规律确定的,因此,可以将性能响应量表示为设计变量的函数关系。
将描述智能装备的状态的函数称为极限状态函数,比如可以定义极限状态函数为:g(X)=g(x1,x2,…,xn)=Rk(X)-rk,其中,rk∈(r1,r2,…,rm),表示性能响应量的阈值,1≤k≤m,即将极限状态函数定义为性能响应量与性能响应量的阈值的差。若智能装备不能完成要求的功能任务,则其处于故障状态,即g(X)<0;若智能装备完成要求的功能任务,则其处于正常状态,即g(X)>0。
该步骤中,待分析智能装备对应的设计变量比如为X=(x1,x2,…,xn),设计变量的分布类型比如为正态分布,预设的极限状态函数比如为g(X)=g(x1,x2,…,xn)。示例性地,以设计变量是X=(x1,x2)为例,设计变量x1比如服从均值为2000、标准差为200的正态分布,设计变量x2比如服从均值为250、标准差为37.5的正态分布;预设的极限状态函数具体比如为在已知设计变量X=(x1,x2,…,xn)的分布类型对应的分布参数的情况下,可以根据设计变量X=(x1,x2,…,xn)对应的均值采用试验设计方法来生成第一样本点,并根据预设的极限状态函数确定各个第一样本点的响应值,并将第一样本点放入样本池中。其中,试验设计方法比如为中心复合设计方法。
具体的,对于设计变量X=(x1,x2)的示例,已知设计变量x1和x2均服从正态分布,则可以通过中心复合设计方法共生成如表1所示的5个第一样本点。
表1
表1中,μx1表示设计变量x1的均值,μx2表示设计变量x2的均值,σx1表示设计变量x1的标准差,σx2表示设计变量x2的标准差。
可以根据预设的极限状态函数确定每个第一样本点的响应值,该响应值也可以理解为每个第一样本点的极限状态函数值。基于表1,表2示出了第一样本点和第一样本点对应的响应值。
表2
第一样本点序号 | x1 | x2 | g(x1,x2) |
1 | 2000 | 250 | 8.429e-3 |
2 | 2400 | 250 | 6.515e-3 |
3 | 1600 | 250 | 0.0103 |
4 | 2000 | 325 | 0.0136 |
5 | 2000 | 175 | -9.902e-3 |
S202、根据第一样本点和响应值,构造代理模型。
该步骤中,在获得了第一样本点和第一样本点对应的响应值后,可以根据第一样本点和第一样本点对应的响应值,构造代理模型。
可选的,代理模型为kriging模型、响应面模型和混沌多项式模型中的任一种。
示例性地,代理模型比如为kriging模型,实际使用过程中也可使用响应面模型或混沌多项式模型等作为代理模型。
本申请实施例以代理模型为kriging模型进行示例说明,根据第一样本点和第一样本点对应的响应值构造kriging模型,可以得到kriging模型对应的表达式为:
其中,F为函数表达式;fi(X),i=1,2,…,p表示由设计变量X构成的多项式函数;β表示回归系数;p表示多项式函数的个数;z(X)表示误差项,该误差项为第一样本点的响应值与采用kriging模型确定的第一样本点的响应估计值之间的差值。
S203、根据代理模型和第一样本点,确定抽样中心点。
示例性地,基于S202步骤示例的kriging模型对应的表达式以及第一样本点,可以采用改进一次二阶矩法来确定抽样中心点。具体的,采用改进一次二阶矩法确定抽样中心点包括如下步骤:
(1)假设初始抽样中心点为P*,定义
(2)基于初始抽样中心点P*和kriging模型,确定系数λi:
(3)将输入至/>中,确定β的值,其中,
(4)将β输入至中,得到新的抽样中心点P*;
(5)重复步骤(2)至步骤(4),直到最后两次迭代求解的P*小于误差要求;
(6)输出抽样中心点P*。
该步骤中,还可以根据代理模型和第一样本点,确定性能可靠度。例如,可以对β进行变换,得到性能可靠度。
S204、根据抽样中心点,采用重要抽样法,构造多个第二样本点。
该步骤中,在获得了抽样中心点后,可以根据抽样中心点,采用重要抽样法,构造多个第二样本点。其中,重要抽样法用于根据设计变量的联合概率密度函数,结合随机数的生成方法,产生设计变量的N个新样本点,具体的重要抽样法可参考目前相关技术。
S205、对多个第二样本点进行聚类分析,得到多个分组。
示例性地,构造出多个第二样本点后,可以对多个第二样本点进行聚类分析,得到多个分组。例如,可以基于第二样本点和抽样中心点的距离,对多个第二样本点进行聚类分析,得到多个分组。对于具体如何对多个第二样本点进行聚类分析,得到多个分组,可参考后续实施例,此处不再赘述。
S206、针对多个分组中的每个分组,根据分组中第二样本点的响应估计值和响应估计误差,确定第二样本点对应的学习函数值,响应估计值是采用代理模型确定的,响应估计误差为根据极限状态函数确定的第二样本点的响应值与响应估计值的差值。
示例性地,可以定义学习函数为:其中,X*表示第二样本点,U(X*)表示第二样本点对应的学习函数值;/>表示第二样本点的响应估计值;σ(X*)表示第二样本点的响应估计误差。可以理解,本申请实施例的学习函数定义为U(X*),实际使用过程中可根据所选择的代理模型对学习函数进行相应的调整。
该步骤中,针对多个分组中的每个分组,可以根据分组中第二样本点的响应估计值和响应估计误差,通过学习函数确定第二样本点对应的学习函数值。
S207、根据学习函数值,在多个分组中确定满足学习价值要求的目标分组,将第一样本点和目标分组包含的第二样本点作为新的第一样本点,执行根据第一样本点和响应值,构造代理模型的步骤,直至构造的代理模型满足收敛要求。
该步骤中,在确定了每个分组中第二样本点对应的学习函数值后,可以根据学习函数值,在多个分组中确定满足学习价值要求的目标分组。例如,可以根据每个分组中第二样本点对应的学习函数值,确定每个分组对应的平均学习函数值,进而根据每个分组对应的平均学习函数值,在多个分组中确定满足学习价值要求的目标分组。对于具体如何根据学习函数值,在多个分组中确定满足学习价值要求的目标分组,可参考后续实施例,此处不再赘述。
在确定目标分组后,可以将目标分组包含的第二样本点加入样本池中,即将第一样本点和目标分组包含的第二样本点作为样本池中新的第一样本点,执行S202步骤,即执行根据第一样本点和响应值,构造代理模型的步骤,然后再执行S202之后的步骤,直至构造的代理模型满足收敛要求,停止迭代,得到构造好的代理模型。可以理解,每一次迭代所构造的代理模型均不相同。
可选的,收敛要求包括相邻两次迭代获得的抽样中心点之间的距离小于设定误差。
示例性地,若相邻两次迭代获得的抽样中心点之间的距离小于设定误差,则停止迭代,得到构造好的代理模型;若相邻两次迭代获得的抽样中心点之间的距离大于或等于设定误差,则继续迭代,构造新的代理模型,直至构造的代理模型满足收敛要求。
本申请实施例提供的模型构造方法,通过获取第一样本点和第一样本点对应的响应值,第一样本点是根据待分析智能装备对应的设计变量和设计变量的分布类型生成的,响应值是根据预设的极限状态函数确定的第一样本点的响应值;根据第一样本点和响应值,构造代理模型;根据代理模型和第一样本点,确定抽样中心点;根据抽样中心点,采用重要抽样法,构造多个第二样本点;对多个第二样本点进行聚类分析,得到多个分组;针对多个分组中的每个分组,根据分组中第二样本点的响应估计值和响应估计误差,确定第二样本点对应的学习函数值,响应估计值是采用代理模型确定的,响应估计误差为根据极限状态函数确定的第二样本点的响应值与响应估计值的差值;根据学习函数值,在多个分组中确定满足学习价值要求的目标分组,将第一样本点和目标分组包含的第二样本点作为新的第一样本点,执行根据第一样本点和响应值,构造代理模型的步骤,直至构造的代理模型满足收敛要求。由于本申请实施例对多个第二样本点进行聚类分析,得到多个分组,根据每个分组中第二样本点对应的学习函数值,在多个分组中确定满足学习价值要求的目标分组,将目标分组包含的第二样本点用于构造代理模型,即对样本点进行筛选,有效考虑样本点的信息,进行逐步迭代并向样本池添加经过筛选的样本点,能够在有效提高拟合精度的基础上,降低迭代次数,从而大大提升代理模型的构造效率。
图3为本申请另一实施例提供的模型构造方法的流程图。在上述实施例的基础上,本申请实施例对模型构造方法进行进一步说明。如图3所示,本申请实施例的方法可以包括:
S301、获取第一样本点和第一样本点对应的响应值,第一样本点是根据待分析的智能装备对应的设计变量和设计变量的分布类型生成的,响应值是根据预设的极限状态函数确定的第一样本点的响应值。
该步骤的具体描述可以参见图2所示实施例中S201的相关描述,此处不再赘述。
S302、根据第一样本点和响应值,构造代理模型。
该步骤的具体描述可以参见图2所示实施例中S202的相关描述,此处不再赘述。
S303、根据代理模型和第一样本点,确定抽样中心点;
该步骤的具体描述可以参见图2所示实施例中S203的相关描述,此处不再赘述。
S304、根据抽样中心点,采用重要抽样法,构造多个第二样本点。
该步骤的具体描述可以参见图2所示实施例中S204的相关描述,此处不再赘述。
本申请实施例中,图2中S205步骤可以进一步包括如下的S305和S306两个步骤:
S305、确定第二样本点与抽样中心点的距离。
示例性地,假设第二样本点为抽样中心点为P*=(x1*,x2*,…,xn*),则两者之间的距离定义为:/>因此,可以确定每个第二样本点与抽样中心点的距离。
S306、根据距离,对多个第二样本点进行分组,得到多个分组,分组中第二样本点的均值与抽样中心点的差值小于设定阈值。
该步骤中,在确定了每个第二样本点与抽样中心点的距离后,可以根据距离和预设的距离阈值,对多个第二样本点进行分组。分组后,确定每个分组中第二样本点的均值,并将每个均值与抽样中心点进行比较,若每个均值与抽样中心点的差值均小于设定阈值,则确定分组有效,得到有效的多个分组。若任一个均值与抽样中心点的差值大于或等于设定阈值,则确定分组无效,需要重新进行聚类分析,确定分组。
S307、针对多个分组中的每个分组,根据分组中第二样本点的响应估计值和响应估计误差,确定第二样本点对应的学习函数值,响应估计值是采用代理模型确定的,响应估计误差为根据极限状态函数确定的第二样本点的响应值与响应估计值的差值。
该步骤的具体描述可以参见图2所示实施例中S206的相关描述,此处不再赘述。
本申请实施例中,图2中S207步骤可以进一步包括如下的S308和S309两个步骤:
S308、针对多个分组中的每个分组,根据分组中第二样本点对应的学习函数值,确定分组对应的平均学习函数值。
该步骤中,在确定了每个分组中第二样本点对应的学习函数值后,可以对分组中第二样本点对应的学习函数值取平均,得到分组对应的平均学习函数值。
S309、对平均学习函数值进行排序处理,在多个分组中确定最高的平均学习函数值对应的分组为满足学习价值要求的目标分组,将第一样本点和目标分组包含的第二样本点作为新的第一样本点,执行根据第一样本点和响应值,构造代理模型的步骤,直至构造的代理模型满足收敛要求。
该步骤中,在确定了每个分组对应的平均学习函数值后,可以对平均学习函数值进行排序处理,比如将平均学习函数值按照由高到低的顺序进行排序,从而确定最高的平均学习函数值,进而可以在多个分组中确定最高的平均学习函数值对应的分组为满足学习价值要求的目标分组。可以将目标分组包含的第二样本点加入样本池中,即将第一样本点和目标分组包含的第二样本点作为样本池中新的第一样本点,执行S302步骤,即执行根据第一样本点和响应值,构造代理模型的步骤,然后再执行S302之后的步骤,直至构造的代理模型满足收敛要求,停止迭代,得到构造好的代理模型。其中,收敛要求包括相邻两次迭代获得的抽样中心点之间的距离小于设定误差。
本申请实施例提供的模型构造方法,通过根据第二样本点与抽样中心点的距离,对多个第二样本点进行分组,得到多个分组,分组中第二样本点的均值与抽样中心点的差值小于设定阈值,即实现对多个第二样本点的聚类分析;根据每个分组中第二样本点对应的学习函数值,确定分组对应的平均学习函数值,对平均学习函数值进行排序处理,在多个分组中确定最高的平均学习函数值对应的分组为满足学习价值要求的目标分组,将目标分组包含的第二样本点用于构造代理模型,即对样本点进行筛选,有效考虑样本点的信息,进行逐步迭代并向样本池添加经过筛选的样本点,能够在有效提高拟合精度的基础上,降低迭代次数,从而大大提升代理模型的构造效率。
在上述实施例的基础上,本申请实施例提供的模型构造方法,在构造代理模型过程中的迭代次数以及基于构造好的代理模型获得的性能可靠度如表3所示。其中,以蒙特卡洛法的计算结果为精确解参考,确定了相对误差。表3中的数据表明,本申请实施例提供的模型构造方法,能够有效用于性能可靠性分析计算过程,且迭代次数显著减少,精度保持更高。
表3
图4为本申请一实施例提供的性能可靠性分析方法的流程图。本申请实施例的方法可以应用于电子设备中,该电子设备可以服务器或服务器集群等。如图4所示,本申请实施例的方法包括:
S401、获取待分析智能装备对应的设计变量和设计变量对应的响应值,响应值是根据预设的极限状态函数确定的设计变量的响应值。
本申请实施例中,待分析智能装备对应的设计变量和设计变量对应的响应值可以是用户向执行本方法实施例的电子设备输入的,或者,是其它设备向执行本方法实施例的电子设备发送的。
S402、将设计变量和响应值输入至代理模型,得到代理模型输出的待分析智能装备对应的性能可靠度,代理模型为采用如上述任一方法实施例中模型构造方法得到的。
该步骤中,在获得了待分析智能装备对应的设计变量和设计变量对应的响应值后,可以将设计变量和设计变量对应的响应值输入至代理模型,得到代理模型输出的待分析智能装备对应的性能可靠度。在获得了待分析智能装备对应的性能可靠度后,可以根据性能可靠度行下游任务的实现。
本申请实施例提供的性能可靠性分析方法,通过获取待分析智能装备对应的设计变量和设计变量对应的响应值,响应值是根据预设的极限状态函数确定的设计变量的响应值;将设计变量和响应值输入至代理模型,得到代理模型输出的待分析智能装备对应的性能可靠度。本申请实施例采用上述模型构造方法构造得到的代理模型,可以准确地获得待分析智能装备对应的性能可靠度,以进行下游任务的实现。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图5为本申请一实施例提供的模型构造装置的结构示意图,如图5所示,本申请实施例的模型构造装置500包括:获取模块501、第一构造模块502、第一确定模块503、第二构造模块504、分析模块505、第二确定模块506和处理模块507。其中:
获取模块501,用于获取第一样本点和第一样本点对应的响应值,第一样本点是根据待分析智能装备对应的设计变量和设计变量的分布类型生成的,响应值是根据预设的极限状态函数确定的第一样本点的响应值。
第一构造模块502,用于根据第一样本点和响应值,构造代理模型。
第一确定模块503,用于根据代理模型和第一样本点,确定抽样中心点。
第二构造模块504,用于根据抽样中心点,采用重要抽样法,构造多个第二样本点。
分析模块505,用于对多个第二样本点进行聚类分析,得到多个分组。
第二确定模块506,用于针对多个分组中的每个分组,根据分组中第二样本点的响应估计值和响应估计误差,确定第二样本点对应的学习函数值,响应估计值是采用代理模型确定的,响应估计误差为根据极限状态函数确定的第二样本点的响应值与响应估计值的差值。
处理模块507,用于根据学习函数值,在多个分组中确定满足学习价值要求的目标分组,将第一样本点和目标分组包含的第二样本点作为新的第一样本点,执行根据第一样本点和响应值,构造代理模型的步骤,直至构造的代理模型满足收敛要求。
在一些实施例中,收敛要求包括相邻两次迭代获得的抽样中心点之间的距离小于设定误差。
在一些实施例中,分析模块505可以具体用于:确定第二样本点与抽样中心点的距离;根据距离,对多个第二样本点进行分组,得到多个分组,分组中第二样本点的均值与抽样中心点的差值小于设定阈值。
在一些实施例中,处理模块507可以具体用于:针对多个分组中的每个分组,根据分组中第二样本点对应的学习函数值,确定分组对应的平均学习函数值;对平均学习函数值进行排序处理,确定最高的平均学习函数值对应的分组为目标分组。
可选的,代理模型为kriging模型、响应面模型和混沌多项式模型中的任一种。
本申请的装置,可以用于执行上述任一方法实施例中模型构造方法的方案,其实现原理和技术效果类似,此处不再赘述。
图6为本申请一实施例提供的性能可靠性分析装置的结构示意图,如图6所示,本申请实施例的性能可靠性分析装置600包括:获取模块601和处理模块602。其中:
获取模块601,用于获取待分析智能装备对应的设计变量和设计变量对应的响应值,响应值是根据预设的极限状态函数确定的设计变量的响应值。
处理模块602,用于将设计变量和响应值输入至代理模型,得到代理模型输出的待分析智能装备对应的性能可靠度,代理模型为采用如上述任一方法实施例中模型构造方法得到的。
本申请的装置,可以用于执行上述任一方法实施例中性能可靠性分析方法的方案,其实现原理和技术效果类似,此处不再赘述。
图7为本申请一实施例提供的电子设备的结构示意图。如图7所示,该电子设备700可以包括:至少一个处理器701和存储器702。
存储器702,用于存放程序。具体地,程序可以包括程序代码,程序代码包括计算机执行指令。
存储器702可能包含高速随机存取存储器(Random Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
处理器701用于执行存储器702存储的计算机执行指令,以实现前述方法实施例所描述的模型构造方法或性能可靠性分析方法。其中,处理器701可能是一个中央处理器(Central Processing Unit,CPU),或者是专用集成电路(Application SpecificIntegrated Circuit,ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。具体的,在实现前述方法实施例所描述的模型构造方法或性能可靠性分析方法时,该电子设备例如可以是服务器等具有处理功能的电子设备。
可选的,该电子设备700还可以包括通信接口703。在具体实现上,如果通信接口703、存储器702和处理器701独立实现,则通信接口703、存储器702和处理器701可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry StandardArchitecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果通信接口703、存储器702和处理器701集成在一块芯片上实现,则通信接口703、存储器702和处理器701可以通过内部接口完成通信。
本申请还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序指令,当处理器执行计算机程序指令时,实现如上的模型构造方法的方案以及性能可靠性分析方法的方案。
本申请还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上的模型构造方法的方案以及性能可靠性分析方法的方案。
上述的计算机可读存储介质,上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random AccessMemory,SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable ReadOnly Memory,EEPROM),可擦除可编程只读存储器(Erasable Programmable Read OnlyMemory,EPROM),可编程只读存储器(Programmable Read Only Memory,PROM),只读存储器(Read Only Memory,ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路中。当然,处理器和可读存储介质也可以作为分立组件存在于模型构造装置或性能可靠性分析装置中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,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,或者对其中部分或者全部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申请各实施例技术方案的范围。
Claims (10)
1.一种模型构造方法,其特征在于,包括:
获取第一样本点和所述第一样本点对应的响应值,所述第一样本点是根据待分析智能装备对应的设计变量和所述设计变量的分布类型生成的,所述响应值是根据预设的极限状态函数确定的所述第一样本点的响应值;
根据所述第一样本点和所述响应值,构造代理模型;
根据所述代理模型和所述第一样本点,确定抽样中心点;
根据所述抽样中心点,采用重要抽样法,构造多个第二样本点;
对所述多个第二样本点进行聚类分析,得到多个分组;
针对所述多个分组中的每个分组,根据所述分组中第二样本点的响应估计值和响应估计误差,确定第二样本点对应的学习函数值,所述响应估计值是采用所述代理模型确定的,所述响应估计误差为根据所述极限状态函数确定的所述第二样本点的响应值与所述响应估计值的差值;
根据所述学习函数值,在所述多个分组中确定满足学习价值要求的目标分组,将所述第一样本点和所述目标分组包含的第二样本点作为新的第一样本点,执行所述根据所述第一样本点和所述响应值,构造代理模型的步骤,直至构造的代理模型满足收敛要求。
2.根据权利要求1所述的模型构造方法,其特征在于,所述收敛要求包括相邻两次迭代获得的抽样中心点之间的距离小于设定误差。
3.根据权利要求1所述的模型构造方法,其特征在于,所述对所述多个第二样本点进行聚类分析,得到多个分组,包括:
确定所述第二样本点与所述抽样中心点的距离;
根据所述距离,对所述多个第二样本点进行分组,得到多个分组,所述分组中第二样本点的均值与所述抽样中心点的差值小于设定阈值。
4.根据权利要求1至3中任一项所述的模型构造方法,其特征在于,所述根据所述学习函数值,在所述多个分组中确定满足学习价值要求的目标分组,包括:
针对所述多个分组中的每个分组,根据所述分组中第二样本点对应的学习函数值,确定所述分组对应的平均学习函数值;
对所述平均学习函数值进行排序处理,确定最高的平均学习函数值对应的分组为所述目标分组。
5.根据权利要求1至3中任一项所述的模型构造方法,其特征在于,所述代理模型为克里金kriging模型、响应面模型和混沌多项式模型中的任一种。
6.一种性能可靠性分析方法,其特征在于,包括:
获取待分析智能装备对应的设计变量和所述设计变量对应的响应值,所述响应值是根据预设的极限状态函数确定的所述设计变量的响应值;
将所述设计变量和所述响应值输入至代理模型,得到所述代理模型输出的所述待分析智能装备对应的性能可靠度,所述代理模型为采用如权利要求1至5中任一项所述的模型构造方法得到的。
7.一种模型构造装置,其特征在于,包括:
获取模块,用于获取第一样本点和所述第一样本点对应的响应值,所述第一样本点是根据待分析智能装备对应的设计变量和所述设计变量的分布类型生成的,所述响应值是根据预设的极限状态函数确定的所述第一样本点的响应值;
第一构造模块,用于根据所述第一样本点和所述响应值,构造代理模型;
第一确定模块,用于根据所述代理模型和所述第一样本点,确定抽样中心点;
第二构造模块,用于根据所述抽样中心点,采用重要抽样法,构造多个第二样本点;
分析模块,用于对所述多个第二样本点进行聚类分析,得到多个分组;
第二确定模块,用于针对所述多个分组中的每个分组,根据所述分组中第二样本点的响应估计值和响应估计误差,确定第二样本点对应的学习函数值,所述响应估计值是采用所述代理模型确定的,所述响应估计误差为根据所述极限状态函数确定的所述第二样本点的响应值与所述响应估计值的差值;
处理模块,用于根据所述学习函数值,在所述多个分组中确定满足学习价值要求的目标分组,将所述第一样本点和所述目标分组包含的第二样本点作为新的第一样本点,执行所述根据所述第一样本点和所述响应值,构造代理模型的步骤,直至构造的代理模型满足收敛要求。
8.一种性能可靠性分析装置,其特征在于,包括:
获取模块,用于获取待分析智能装备对应的设计变量和所述设计变量对应的响应值,所述响应值是根据预设的极限状态函数确定的所述设计变量的响应值;
处理模块,用于将所述设计变量和所述响应值输入至代理模型,得到所述代理模型输出的所述待分析智能装备对应的性能可靠度,所述代理模型为采用如权利要求1至5中任一项所述的模型构造方法得到的。
9.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1至6中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序指令,所述计算机程序指令被执行时,实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311164102.2A CN117272792A (zh) | 2023-09-11 | 2023-09-11 | 模型构造方法、性能可靠性分析方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311164102.2A CN117272792A (zh) | 2023-09-11 | 2023-09-11 | 模型构造方法、性能可靠性分析方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117272792A true CN117272792A (zh) | 2023-12-22 |
Family
ID=89213480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311164102.2A Pending CN117272792A (zh) | 2023-09-11 | 2023-09-11 | 模型构造方法、性能可靠性分析方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272792A (zh) |
-
2023
- 2023-09-11 CN CN202311164102.2A patent/CN117272792A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9524365B1 (en) | Efficient monte carlo flow via failure probability modeling | |
US20180032405A1 (en) | Method for data protection for cloud-based service system | |
CN107168995B (zh) | 一种数据处理方法及服务器 | |
Rykov et al. | On reliability function of a k-out-of-n system with general repair time distribution | |
CN112433896B (zh) | 一种服务器磁盘故障预测方法、装置、设备及存储介质 | |
CN110503566B (zh) | 风控模型建立方法、装置、计算机设备及存储介质 | |
CN109714201B (zh) | 网络系统可靠性评估方法、装置、计算机设备和存储介质 | |
US8813009B1 (en) | Computing device mismatch variation contributions | |
CN114091281A (zh) | 产品寿命预测方法、装置、电子设备及存储介质 | |
CN111104644A (zh) | 可靠性评估方法、装置、计算机设备和存储介质 | |
CN113946983A (zh) | 产品可靠性薄弱环节评估方法、装置和计算机设备 | |
CN117272792A (zh) | 模型构造方法、性能可靠性分析方法、设备及存储介质 | |
CN112598188A (zh) | 神经网络的生成方法、功率预测方法、装置和存储介质 | |
CN114462788B (zh) | 一种基于半马尔科夫过程的多状态元件可靠性评估方法 | |
CN111158732A (zh) | 访问数据处理方法、装置、计算机设备及存储介质 | |
Arjas et al. | Heterogeneous part quality as a source of reliability improvement in repairable systems | |
CN115828244A (zh) | 一种内存泄露检测方法、装置及相关设备 | |
CN114860496A (zh) | 一种集群故障时长预测方法、装置、设备及存储介质 | |
CN110489208B (zh) | 虚拟机配置参数核查方法、系统、计算机设备和存储介质 | |
CN112181831A (zh) | 基于关键词的脚本性能校验方法、装置、设备及存储介质 | |
CN113780666A (zh) | 一种缺失值的预测方法及装置、可读存储介质 | |
CN112712194A (zh) | 一种用电成本智能优化分析的电量预测方法及装置 | |
CN114841457B (zh) | 电力负荷估计方法及系统、电子设备及存储介质 | |
CN116862135B (zh) | 一种机械设备维修分析方法、系统及电子设备 | |
CN115858324B (zh) | 基于ai的it设备故障处理方法、装置、设备和介质 |
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 |