CN117473302A - 汽车配件的结构可靠性测试方法、装置、设备及存储介质 - Google Patents
汽车配件的结构可靠性测试方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117473302A CN117473302A CN202311804923.8A CN202311804923A CN117473302A CN 117473302 A CN117473302 A CN 117473302A CN 202311804923 A CN202311804923 A CN 202311804923A CN 117473302 A CN117473302 A CN 117473302A
- Authority
- CN
- China
- Prior art keywords
- data
- structural
- structural strength
- target
- reliability
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 239000000463 material Substances 0.000 claims abstract description 153
- 239000013598 vector Substances 0.000 claims abstract description 131
- 230000007797 corrosion Effects 0.000 claims abstract description 106
- 238000005260 corrosion Methods 0.000 claims abstract description 106
- 238000001514 detection method Methods 0.000 claims abstract description 89
- 230000007547 defect Effects 0.000 claims abstract description 24
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000010998 test method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012916 structural analysis Methods 0.000 claims description 3
- 229940088594 vitamin Drugs 0.000 claims description 3
- 229930003231 vitamin Natural products 0.000 claims description 3
- 235000013343 vitamin Nutrition 0.000 claims description 3
- 239000011782 vitamin Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000003916 acid precipitation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental & Geological Engineering (AREA)
- Environmental Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明提供了一种汽车配件的结构可靠性测试方法、装置、设备及存储介质，该方法包括：对目标汽车配件进行可靠性测试，得到运行数据和材料数据；根据材料数据对目标汽车配件进行腐蚀缺陷检测，得到检测结果，根据检测结果对材料数据进行特征提取，得到材料特征向量；对运行数据进行特征提取，得到运行特征，对检测结果和运行特征进行特征编码转换，生成对应的影响特征向量；基于影响特征向量和材料特征向量分别计算目标汽车配件的结构腐蚀速率和结构强度对目标汽车配件进行可靠性评估。本方法结合了配件的运行数据和材料数据，通过对两者进行特征提取、编码转换和模型处理，能更准确地评估配件的腐蚀状况和结构强度，更全面地评估配件的可靠性。
Description
技术领域
本发明涉及可靠性评估领域，尤其涉及一种汽车配件的结构可靠性测试方法、装置、设备及存储介质。
背景技术
在汽车工程领域，可靠性评估是确保汽车配件安全性和性能稳定性的重要环节。配件腐蚀是导致汽车配件失效的常见原因之一，因此对配件腐蚀对可靠性评估结果的影响进行准确评估和预测具有重要意义。
目前，现有的汽车配件可靠性评估方法主要依赖于实验和试验数据，并结合统计学方法进行分析。然而，这些方法往往无法准确反映配件腐蚀对可靠性的影响，导致评估结果存在较大的误差和不确定性。
发明内容
本发明的主要目的在于解决现有的汽车配件可靠性评估方法无法准确反映配件腐蚀对可靠性的影响，导致评估结果存在较大的误差和不确定性的技术问题。
本发明第一方面提供了一种汽车配件的结构可靠性测试方法，所述汽车配件的结构可靠性测试方法包括：
对目标汽车配件进行可靠性测试，得到测试数据，其中，所述测试数据包括所述目标汽车配件的运行数据和材料数据；
根据所述材料数据对所述目标汽车配件进行腐蚀缺陷检测，得到检测结果，并根据所述检测结果对所述材料数据进行特征提取，得到材料特征向量；
对所述运行数据进行特征提取，得到运行特征，并对所述检测结果和所述运行特征进行特征编码转换，生成对应的影响特征向量；
将所述影响特征向量输入预设的腐蚀速率预测模型中，通过所述腐蚀速率预测模型计算所述目标汽车配件的结构腐蚀速率；
将所述材料特征向量输入预设的结构强度检测模型中，通过所述结构强度检测模型计算所述目标汽车配件的结构强度；
基于所述结构腐蚀速率和所述结构强度，对所述目标汽车配件进行可靠性评估，得到所述目标汽车配件的可靠性测试结果。
可选的，在本发明第一方面的第一种实现方式中，所述对所述运行数据进行特征提取，得到运行特征，并对所述检测结果和所述运行特征进行特征编码转换，生成对应的影响特征向量包括：
对所述运行特征进行均值和标准差计算，得到运行特征均值和运行特征标准差，并对所述检测结果中的数值数据进行均值和标准差计算，得到数值特征均值和数值特征标准差；
对所述运行特征均值、运行特征标准差、数值特征均值和数值特征标准差进行差异系数计算，得到差异系数，并根据所述差异系数生成特征权重数据；
根据所述特征权重数据对所述检测结果和所述运行特征进行特征编码转换，生成对应的影响特征向量。
可选的，在本发明第一方面的第二种实现方式中，所述将所述影响特征向量输入预设的腐蚀速率预测模型中，通过所述腐蚀速率预测模型计算所述目标汽车配件的结构腐蚀速率包括：
将所述影响特征向量输入预设的腐蚀速率预测模型，所述腐蚀速率预测模型包括输入层、多个隐藏层和输出层；
通过所述输入层接收所述影响特征向量，并对所影响特征向量进行标准化处理，得到标准影响特征向量；
将所述标准影响特征向量分发至所述多个隐藏层，并通过每个隐藏层中的随机森林网络对所述标准影响特征向量进行运行腐蚀影响分析，得到每个隐藏层对应的初始腐蚀速率；
通过所述输出层对每个隐藏层对应的初始腐蚀速率进行融合，得到所述目标汽车配件的结构腐蚀速率。
可选的，在本发明第一方面的第三种实现方式中，在所述对所述材料特征向量输入预设的结构强度检测模型中，通过所述结构强度检测模型计算所述目标汽车配件的结构强度之前，还包括：
获取与所述目标汽车配件相同配件类型的历史汽车配件以及所述历史汽车配件对应的历史材料数据和历史运行数据；
根据所述历史材料数据对所述历史汽车配件进行仿真处理，得到所述历史汽车配件的仿真模型；
根据所述历史运行数据定义所述仿真模型的加载条件，并在所述加载条件下对所述仿真模型进行结构分析，得到所述仿真模型的历史结构强度；
对所述历史材料数据进行降维处理，生成训练样本集，并根据所述训练样本集和对应的历史结构强度对预设的多模态神经网络进行训练，得到结构强度检测模型。
可选的，在本发明第一方面的第四种实现方式中，所述对所述历史材料数据进行降维处理，生成训练样本集包括：
遍历所有所述历史材料数据，并将当前遍历的历史材料数据作为目标数据；
计算所述目标数据的k个距离最近的历史材料数据，并根据所述目标数据与k个距离最近的历史材料数据的距离计算k个距离权重；
基于所述k个距离权重构建权重矩阵，并根据所述权重矩阵计算所述目标数据在降维空间中的降维表示；
当所有所述历史材料数据遍历完成时，根据所有历史材料数据对应的降维生成训练样本集。
可选的，在本发明第一方面的第五种实现方式中，所述材料数据包括材料数值数据和材料图像数据，所述材料特征向量包括材料数值特征向量和材料图像特征向量，所述结构强度检测模型包括；
所述将所述材料特征向量输入预设的结构强度检测模型中，通过所述结构强度检测模型计算所述目标汽车配件的结构强度包括：
将所述材料数值特征向量和材料图像特征向量输入预设的结构强度检测模型中；
通过所述结构强度检测模型的注意力机制层分别计算所述材料数值特征向量和材料图像特征向量的注意力权重向量；
通过所述结构强度检测模型中的特征融合层根据所述权重向量对所述材料数值特征向量和材料图像特征向量进行加权融合，得到融合特征向量；
通过所述结构强度检测模型中的输出层根据所述融合特征向量和预设的激活函数计算所述目标汽车配件的结构强度。
可选的，在本发明第一方面的第六种实现方式中，所述基于所述结构腐蚀速率和所述结构强度，对所述目标汽车配件进行可靠性评估，得到所述目标汽车配件的可靠性测试结果包括：
根据所述目标汽车配件的配件类型，确定对应的至少一个失效模式以及失效影响参数，并根据所述失效模式选择对应的失效函数；
根据所述失效函数计算在所述结构腐蚀速率和所述结构强度下所述目标汽车配件的失效概率；
基于所述失效影响参数和所述失效概率，计算所述目标汽车配件的可靠性数值，得到目标汽车配件的可靠性测试结果。
本发明第二方面提供了一种汽车配件的结构可靠性测试装置，所述汽车配件的结构可靠性测试装置包括：
检测模块，用于根据所述材料数据对所述目标汽车配件进行腐蚀缺陷检测，得到检测结果，并根据所述检测结果对所述材料数据进行特征提取，得到材料特征向量；
影响特征向量生成模块，用于对所述运行数据进行特征提取，得到运行特征，并对所述检测结果和所述运行特征进行特征编码转换，生成对应的影响特征向量；
第一模型输入模块，用于将所述影响特征向量输入预设的腐蚀速率预测模型中，通过所述腐蚀速率预测模型计算所述目标汽车配件的结构腐蚀速率；
第二模型输入模块，用于将所述材料特征向量输入预设的结构强度检测模型中，通过所述结构强度检测模型计算所述目标汽车配件的结构强度；
评估模块，用于基于所述结构腐蚀速率和所述结构强度，对所述目标汽车配件进行可靠性评估，得到所述目标汽车配件的可靠性测试结果。
本发明第三方面提供了一种汽车配件的结构可靠性测试装置，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述汽车配件的结构可靠性测试设备执行上述的汽车配件的结构可靠性测试方法的步骤。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的汽车配件的结构可靠性测试方法的步骤。
上述汽车配件的结构可靠性测试方法、装置、设备及存储介质，通过对目标汽车配件进行可靠性测试，得到运行数据和材料数据；根据材料数据对目标汽车配件进行腐蚀缺陷检测，得到检测结果，根据检测结果对材料数据进行特征提取，得到材料特征向量；对运行数据进行特征提取，得到运行特征，对检测结果和运行特征进行特征编码转换，生成对应的影响特征向量；基于影响特征向量和材料特征向量分别计算目标汽车配件的结构腐蚀速率和结构强度对目标汽车配件进行可靠性评估。本方法结合了配件的运行数据和材料数据，通过对两者进行特征提取、编码转换和模型处理，能更准确地评估配件的腐蚀状况和结构强度，更全面地评估配件的可靠性。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例中汽车配件的结构可靠性测试方法的一个实施例示意图；
图2为本发明实施例中汽车配件的结构可靠性测试装置的一个实施例示意图；
图3为本发明实施例中汽车配件的结构可靠性测试设备的一个实施例示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种汽车配件的结构可靠性测试方法进行详细介绍。如图1所示，该汽车配件的结构可靠性测试的方法，本方法包括如下步骤：
101、对目标汽车配件进行可靠性测试，得到测试数据，其中，测试数据包括目标汽车配件的运行数据和材料数据；
在实际应用中，对目标汽车配件进行可靠性测试，得到测试数据，在这个过程中，明确需要测试的汽车配件以及测试的具体要求和标准，制定测试方案，包括选择测试方法、测试环境和测试装置等，根据测试目标，准备符合要求的汽车配件样品作为目标汽车配件，按照测试方案，使用适当的测试设备和仪器对汽车配件进行测试，在本实施例中，主要是涉及汽车配件造成腐蚀的测试，得到测试数据，其中，测试数据包括目标汽车配件的运行数据和材料数据，例如汽车配件中的排气管，在汽车排气管中，也可能存在腐蚀缺陷的情况。排气管常暴露在恶劣的工作条件下，如高温、高湿度、酸雨等，这些因素都会导致排气管发生腐蚀，对排气管的强度产生影响，并可能导致结构退化和失效，在排气管中，腐蚀缺陷可能来自多种原因，如化学反应、磨损、振动等因素，此外排气管可能导致导致气体泄漏，增加了有害物质（如碳氢化合物、一氧化碳等）进入大气中，对环境造成污染，因此，汽车配件的运行数据即为运行过程中的环境数据，例如温度、湿度、压力、振动和酸碱度，以及运行过程中排气管所排出的气体数据在运行过程中所产生的数据都可以成为运行数据，而材料数据主要为该汽车配件的物理数据，例如外径、厚度、屈服强度和抗拉强度等，不同的汽车配件可以对应不同的材料数据，本发明不做限定。
102、根据材料数据对目标汽车配件进行腐蚀缺陷检测，得到检测结果，并根据检测结果对材料数据进行特征提取，得到材料特征向量；
在本发明的一个实施例中，所述材料数据包括材料数值数据和材料图像数据，其中，材料数值数据主要包括目标汽车配件各单位面积的关于数值的材料数据，例如外径、厚度、屈服强度和抗拉强度等等，材料图像数据主要为对对应的汽车配件进行拍摄得到的图像数据，通过材料数值数据中的外径和厚度等数据可以识别出在目标汽车配件在哪个单位面积的外径或厚度与其他单位面积的外径或厚度不相同，可能是由于腐蚀导致该单位面积的外径或厚度变薄变小，或者通过材料图像数据进行图像检测，确定目标汽车配件对应的腐蚀缺陷位置，或者两者结合实现腐蚀缺陷的检测，根据检测结果，对目标汽车配件的材料数据进行筛选，例如只对检测结果中的腐蚀缺陷区域对应的材料数据进行特征提取，包括缺陷长度、缺陷宽度、缺陷深度、缺陷轴向间距和缺陷环向间距等等，通过特征提取得到材料数据的材料特征向量。
103、对运行数据进行特征提取，得到运行特征，并对检测结果和运行特征进行特征编码转换，生成对应的影响特征向量；
在本发明的一个实施例中，所述对所述运行数据进行特征提取，得到运行特征，并对所述检测结果和所述运行特征进行特征编码转换，生成对应的影响特征向量包括：对所述运行特征进行均值和标准差计算，得到运行特征均值和运行特征标准差，并对所述检测结果中的数值数据进行均值和标准差计算，得到数值特征均值和数值特征标准差；对所述运行特征均值、运行特征标准差、数值特征均值和数值特征标准差进行差异系数计算，得到差异系数，并根据所述差异系数生成特征权重数据；根据所述特征权重数据对所述检测结果和所述运行特征进行特征编码转换，生成对应的影响特征向量。
具体的，首先，系统对运行特征进行均值和标准差的计算，对目标汽车配件的温度、湿度、使用时长等的综合分析。计算均值和标准差是为了得到不同腐蚀情况的平均水平及其变化范围。例如，通过计算目标汽车配件在一段时间内的温度的标准差，可以得到关于目标汽车配件温度对腐蚀缺陷面积变化影响的重要信息。进一步地，系统对这些特征的均值和标准差进行差异系数计算。差异系数是一种描述数据变异程度相对于平均值的指标，能够反映出不同特征的相对重要性。例如，如果温度特征的差异系数相对较大，这意味着目标汽车配件在不同腐蚀缺陷情况下温度影响较大，需要特别关注。通过计算得到的差异系数用于生成特征权重数据，这些数据能够反映出在目标汽车配件中各个特征的相对重要性。接下来，根据特征权重数据，系统对检测结果和运行特征进行特征编码转换，生成对应的影响特征向量。
104、将影响特征向量输入预设的腐蚀速率预测模型中，通过腐蚀速率预测模型计算目标汽车配件的结构腐蚀速率；
在本发明的一个实施例中，述将所述影响特征向量输入预设的腐蚀速率预测模型中，通过所述腐蚀速率预测模型计算所述目标汽车配件的结构腐蚀速率包括：将所述影响特征向量输入预设的腐蚀速率预测模型，所述腐蚀速率预测模型包括输入层、多个隐藏层和输出层；通过所述输入层接收所述影响特征向量，并对所影响特征向量进行标准化处理，得到标准影响特征向量；将所述标准影响特征向量分发至所述多个隐藏层，并通过每个隐藏层中的随机森林网络对所述标准影响特征向量进行运行腐蚀影响分析，得到每个隐藏层对应的初始腐蚀速率；通过所述输出层对每个隐藏层对应的初始腐蚀速率进行融合，得到所述目标汽车配件的结构腐蚀速率。
具体的，首先，构建一个腐蚀速率预测模型，该模型主要由三部分组成：输入层、多个隐藏层以及输出层。输入层负责接收影响特征向量。影响特征向量包含了关于目标汽车配件的腐蚀情况和运行期间的运行数据的综合信息。对影响特征向量进行标准化处理。标准化处理的目的是将数据转换成具有统一标准的格式，这有助于减少不同数据尺度和分布带来的影响，确保模型分析的准确性和一致性。例如，如果原始数据的范围在0到1000之间，通过标准化处理，系统将这些数据转换为0到1的范围内的值。接下来，将标准化后的功率状态向量分发至模型中的多个隐藏层。这些隐藏层模型的核心，每个网络都包含一个随机森林网络，这是一种基于多个决策树的集成学习方法。随机森林网络在处理复杂数据和发现数据内在模式方面表现出色，特别是在非线性和高维度的数据分析任务中。每个随机森林网络都被用来对标准影响特征向量进行详细的腐蚀速率的分析。例如，一个隐藏层专注于分析在温度对腐蚀速率的影响，而另一个隐藏层分析湿度对腐蚀速率的影响。这样，每个策略分析网络都能够生成针对特定运行条件下的初始腐蚀速率。最后，通过输出层对每个隐藏层对应的初始腐蚀速率进行融合，得到结构腐蚀速率。结构腐蚀速率融合考虑了从多个运行条件下分析得到的腐蚀速率。
105、将材料特征向量输入预设的结构强度检测模型中，通过结构强度检测模型计算目标汽车配件的结构强度；
在本发明的一个实施例中，在所述对所述材料特征向量输入预设的结构强度检测模型中，通过所述结构强度检测模型计算所述目标汽车配件的结构强度之前，还包括：获取与所述目标汽车配件相同配件类型的历史汽车配件以及所述历史汽车配件对应的历史材料数据和历史运行数据；根据所述历史材料数据对所述历史汽车配件进行仿真处理，得到所述历史汽车配件的仿真模型；根据所述历史运行数据定义所述仿真模型的加载条件，并在所述加载条件下对所述仿真模型进行结构分析，得到所述仿真模型的历史结构强度；对所述历史材料数据进行降维处理，生成训练样本集，并根据所述训练样本集和对应的历史结构强度对预设的多模态神经网络进行训练，得到结构强度检测模型。
具体的，在训练阶段，为了获得不同汽车配件的材料数据与对应的结构强度之间的对应关系，需要进行仿真处理，具体的可以使用有限元仿真模型，建立汽车配件的三维有限元模型可以通过以下步骤进行，通过获取汽车配件的尺寸、形状和材料等几何信息，包括汽车配件的直径、壁厚、长度等。定汽车配件的加载条件，包括内部和外部的压力、温度等加载条件。这些加载条件将影响汽车配件的应力和变形情况。使用有限元分析软件（如ANSYS、ABAQUS等），根据汽车配件的几何信息和加载条件，建立汽车配件的三维有限元模型。其中，具体的三维有限元模型是通过将汽车配件几何划分为有限数量的单元（如四面体、六面体等），以便进行离散化分析。通常使用网格生成工具进行离散化，并为汽车配件的材料属性定义材料模型，包括弹性模量、泊松比、屈服强度等，并定义汽车配件的边界条件和约束条件，如固定支撑或约束位移等，根据腐蚀缺陷的几何属性，使用适当的元素类型和尺寸，在汽车配件模型中建立腐蚀缺陷模型，为各个单元定义材料属性、厚度等特性，根据实际情况，在模型中定义汽车配件的加载条件，如内部和外部的压力、温度等，通过有限元分析软件运行分析，计算汽车配件在给定加载条件下的应力、变形等响应，最后根据分析结果，评估汽车配件的剩余强度，此外，由于材料数据还包括图像数据，因此在训练过程中可以使用多模态神经网络模型进行训练得到结构强度检测模型。
进一步的，所述对所述历史材料数据进行降维处理，生成训练样本集包括：遍历所有所述历史材料数据，并将当前遍历的历史材料数据作为目标数据；计算所述目标数据的k个距离最近的历史材料数据，并根据所述目标数据与k个距离最近的历史材料数据的距离计算k个距离权重；基于所述k个距离权重构建权重矩阵，并根据所述权重矩阵计算所述目标数据在降维空间中的降维表示；当所有所述历史材料数据遍历完成时，根据所有历史材料数据对应的降维生成训练样本集。
具体的，由于腐蚀汽车配件的参数具有复杂的非线性相关关系，预测模型中经常出现过学习的现象，导致模型对更新后的数据失去预测能力，而由有限元模型大量生成的密集数据可能在高维空间中呈现出某种流形结构。如果数据的高维流形结构被不合理地忽略，部分数据信息将会丢失，导致预测模型的精度降低。流形学习是一种基于拓扑流形概念的降维方法。它可以捕获高维空间中的流形结构并获取低维嵌入映射，从而在保持高维空间数据流形特征的同时实现数据降维因此需要对采集的历史材料数据进行降维处理，在本实施例中，主要采用 局部线性嵌入的方式实现，LLE是局部线性嵌入（Locally LinearEmbedding）的缩写，是一种非线性降维技术。与主成分分析（PCA）等线性降维方法不同，LLE可以保留数据的局部结构信息，并在降维后尽可能地还原数据之间的距离关系。LE的基本思想是：对于每个输入数据点，找到其最近的k个邻居，并用这些邻居的线性组合来重构该数据点。通过这种方式，LLE可以描述出数据集中的局部线性结构，然后在降维空间中保留这些结构。具体来说，LLE主要通过找到每个数据点的k个最近邻，即与该数据点距离最近的k个点。对于每个数据点，计算其与其k个最近邻之间的权重，使得这些最近邻能够线性重构该数据点。使用权重可以避免过度拟合和过度简化。构建权重矩阵W，其中每个元素表示一个数据点与另一个数据点之间的权重。使用W来计算每个数据点在降维空间中的表示，即将数据点映射到低维空间。通过优化目标函数来调整映射，使得降维后的数据点能够尽可能地还原原始数据之间的距离关系。
进一步的，所述材料数据包括材料数值数据和材料图像数据，所述材料特征向量包括材料数值特征向量和材料图像特征向量，所述结构强度检测模型包括；所述将所述材料特征向量输入预设的结构强度检测模型中，通过所述结构强度检测模型计算所述目标汽车配件的结构强度包括：将所述材料数值特征向量和材料图像特征向量输入预设的结构强度检测模型中；通过所述结构强度检测模型的注意力机制层分别计算所述材料数值特征向量和材料图像特征向量的注意力权重向量；通过所述结构强度检测模型中的特征融合层根据所述权重向量对所述材料数值特征向量和材料图像特征向量进行加权融合，得到融合特征向量；通过所述结构强度检测模型中的输出层根据所述融合特征向量和预设的激活函数计算所述目标汽车配件的结构强度。
具体的，在实际应用中，因为材料数据包括图像数据和数值数据，因此可以使用融合多种类型特征的神经网络模型对数值数据和图像数据进行处理，融合多种类型特征的神经网络模型可以使用多输入模型、深度融合模型或注意力融合模型，其中，多输入模型可以将数值数据和图像数据分别作为不同的输入层，并通过连接层将它们合并为一个模型。这种方法可以使用常见的卷积神经网络，如ResNet、EfficientNet等，或视觉Transformer来处理图像数据，并使用全连接层来处理数值数据。深度融合模型可以将数值数据和图像数据分别送入各自的神经网络中进行特征提取和分类预测，并将它们的输出连接到全连接层中进行综合学习和分类预测。这种方法可以使用多个神经网络模型，例如一个卷积神经网络和一个全连接神经网络，以处理不同类型的特征。而本实施例主要使用注意力融合模型，其使用注意力机制来加权融合不同类型的特征。这种方法可以对数值数据和图像数据分别进行特征提取。
具体的，假设得到了一个维度为d的图像特征向量，然后在注意力机制层使用注意力机制来加权融合数值特征和图像特征。可以使用自注意力机制（self-attention）来计算每个特征的重要性权重，得到了数值特征和图像特征的注意力权重向量，然后将数值特征向量和图像特征向量按照注意力权重进行加权融合，得到最终的融合特征向量，最后将融合特征向量输入到全连接层进行分类预测。这个层可以包括多个全连接层、激活函数和损失函数，用于模型的训练和优化。
具体的将得到的融合特征向量作为全连接层的输入，将融合特征向量通过线性变换映射到一个更高维度的特征空间。这个线性变换通常是一个全连接层，其中包含多个神经元（节点），每个神经元与融合特征向量的每个元素相连。对线性变换的结果进行非线性变换，引入非线性关系以增加模型的表达能力。常用的激活函数包括ReLU、sigmoid、tanh等。激活函数的选择取决于具体的任务和模型设计。根据任务的不同，输出层的设计也会有所差异。例如，对于二分类任务，可以使用一个神经元并应用sigmoid激活函数来输出一个0到1之间的概率，并将该概率作为所述目标汽车配件的结构强度。
106、基于结构腐蚀速率和结构强度，对目标汽车配件进行可靠性评估，得到目标汽车配件的可靠性测试结果。
在本发明的一个实施例中，所述基于所述结构腐蚀速率和所述结构强度，对所述目标汽车配件进行可靠性评估，得到所述目标汽车配件的可靠性测试结果包括：根据所述目标汽车配件的配件类型，确定对应的至少一个失效模式以及失效影响参数，并根据所述失效模式选择对应的失效函数；根据所述失效函数计算在所述结构腐蚀速率和所述结构强度下所述目标汽车配件的失效概率；基于所述失效影响参数和所述失效概率，计算所述目标汽车配件的可靠性数值，得到目标汽车配件的可靠性测试结果。
具体的，在可靠性评估过程中，确定要评估的汽车配件和评估的目的，例如评估该配件的可靠性和安全性。识别可能导致该配件故障的所有因素。针对该配件，结构腐蚀速率和结构强度是重要因素，需要对其进行分析。对于结构腐蚀速率，需要考虑材料特性、工作环境、维护保养等因素；对于结构强度，需要考虑设计参数、材料强度、外力负载等因素。通过对这些因素的分析，可以确定与该配件相关的所有潜在故障模式。对每个故障模式，评估其可能的后果和影响，例如可能导致的事故或损失。对于结构腐蚀速率和结构强度，可能的后果包括结构失效、损坏或崩塌等。：对每个故障模式，评估其发生的概率。针对结构腐蚀速率和结构强度，需要考虑到材料老化、使用环境、维护保养等因素，以确定故障发生的概率。根据故障后果和故障发生概率，确定每个故障模式的风险等级和可靠性数值，最终得到目标汽车配件的可靠性测试结果。
在本实施例中，通过对目标汽车配件进行可靠性测试，得到运行数据和材料数据；根据材料数据对目标汽车配件进行腐蚀缺陷检测，得到检测结果，根据检测结果对材料数据进行特征提取，得到材料特征向量；对运行数据进行特征提取，得到运行特征，对检测结果和运行特征进行特征编码转换，生成对应的影响特征向量；基于影响特征向量和材料特征向量分别计算目标汽车配件的结构腐蚀速率和结构强度对目标汽车配件进行可靠性评估。本方法结合了配件的运行数据和材料数据，通过对两者进行特征提取、编码转换和模型处理，能更准确地评估配件的腐蚀状况和结构强度，更全面地评估配件的可靠性。
上面对本发明实施例中汽车配件的结构可靠性测试方法进行了描述，下面对本发明实施例中汽车配件的结构可靠性测试装置进行描述，请参阅图2，本发明实施例中汽车配件的结构可靠性测试装置一个实施例包括：
测试模块201，用于对目标汽车配件进行可靠性测试，得到测试数据，其中，所述测试数据包括所述目标汽车配件的运行数据和材料数据；
检测模块202，用于根据所述材料数据对所述目标汽车配件进行腐蚀缺陷检测，得到检测结果，并根据所述检测结果对所述材料数据进行特征提取，得到材料特征向量；
影响特征向量生成模块203，用于对所述运行数据进行特征提取，得到运行特征，并对所述检测结果和所述运行特征进行特征编码转换，生成对应的影响特征向量；
第一模型输入模块204，用于将所述影响特征向量输入预设的腐蚀速率预测模型中，通过所述腐蚀速率预测模型计算所述目标汽车配件的结构腐蚀速率；
第二模型输入模块205，用于将所述材料特征向量输入预设的结构强度检测模型中，通过所述结构强度检测模型计算所述目标汽车配件的结构强度；
评估模块206，用于基于所述结构腐蚀速率和所述结构强度，对所述目标汽车配件进行可靠性评估，得到所述目标汽车配件的可靠性测试结果。
本发明实施例中，所述汽车配件的结构可靠性测试装置运行上述汽车配件的结构可靠性测试方法，所述汽车配件的结构可靠性测试装置通过对目标汽车配件进行可靠性测试，得到运行数据和材料数据；根据材料数据对目标汽车配件进行腐蚀缺陷检测，得到检测结果，根据检测结果对材料数据进行特征提取，得到材料特征向量；对运行数据进行特征提取，得到运行特征，对检测结果和运行特征进行特征编码转换，生成对应的影响特征向量；基于影响特征向量和材料特征向量分别计算目标汽车配件的结构腐蚀速率和结构强度对目标汽车配件进行可靠性评估。本方法结合了配件的运行数据和材料数据，通过对两者进行特征提取、编码转换和模型处理，能更准确地评估配件的腐蚀状况和结构强度，更全面地评估配件的可靠性。
上面图2从模块化功能实体的角度对本发明实施例中的中汽车配件的结构可靠性测试装置进行详细描述，下面从硬件处理的角度对本发明实施例中汽车配件的结构可靠性测试设备进行详细描述。
图3是本发明实施例提供的一种汽车配件的结构可靠性测试设备的结构示意图，该汽车配件的结构可靠性测试设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）310（例如，一个或一个以上处理器）和存储器320，一个或一个以上存储应用程序333或数据332的存储介质330（例如一个或一个以上海量存储设备）。其中，存储器320和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对汽车配件的结构可靠性测试设备300中的一系列指令操作。更进一步地，处理器310可以设置为与存储介质330通信，在汽车配件的结构可靠性测试设备300上执行存储介质330中的一系列指令操作，以实现上述汽车配件的结构可靠性测试方法的步骤。
汽车配件的结构可靠性测试设备300还可以包括一个或一个以上电源340，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口360，和/或，一个或一个以上操作系统331，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图3示出的汽车配件的结构可靠性测试设备结构并不构成对本发明提供的汽车配件的结构可靠性测试设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述汽车配件的结构可靠性测试方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，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。
Claims (10)
1.一种汽车配件的结构可靠性测试方法，其特征在于，所述汽车配件的结构可靠性测试方法包括：
对目标汽车配件进行可靠性测试，得到测试数据，其中，所述测试数据包括所述目标汽车配件的运行数据和材料数据；
根据所述材料数据对所述目标汽车配件进行腐蚀缺陷检测，得到检测结果，并根据所述检测结果对所述材料数据进行特征提取，得到材料特征向量；
对所述运行数据进行特征提取，得到运行特征，并对所述检测结果和所述运行特征进行特征编码转换，生成对应的影响特征向量；
将所述影响特征向量输入预设的腐蚀速率预测模型中，通过所述腐蚀速率预测模型计算所述目标汽车配件的结构腐蚀速率；
将所述材料特征向量输入预设的结构强度检测模型中，通过所述结构强度检测模型计算所述目标汽车配件的结构强度；
基于所述结构腐蚀速率和所述结构强度，对所述目标汽车配件进行可靠性评估，得到所述目标汽车配件的可靠性测试结果。
2.根据权利要求1所述的汽车配件的结构可靠性测试方法，其特征在于，所述对所述运行数据进行特征提取，得到运行特征，并对所述检测结果和所述运行特征进行特征编码转换，生成对应的影响特征向量包括：
对所述运行特征进行均值和标准差计算，得到运行特征均值和运行特征标准差，并对所述检测结果中的数值数据进行均值和标准差计算，得到数值特征均值和数值特征标准差；
对所述运行特征均值、运行特征标准差、数值特征均值和数值特征标准差进行差异系数计算，得到差异系数，并根据所述差异系数生成特征权重数据；
根据所述特征权重数据对所述检测结果和所述运行特征进行特征编码转换，生成对应的影响特征向量。
3.根据权利要求1所述的汽车配件的结构可靠性测试方法，其特征在于，所述将所述影响特征向量输入预设的腐蚀速率预测模型中，通过所述腐蚀速率预测模型计算所述目标汽车配件的结构腐蚀速率包括：
将所述影响特征向量输入预设的腐蚀速率预测模型，所述腐蚀速率预测模型包括输入层、多个隐藏层和输出层；
通过所述输入层接收所述影响特征向量，并对所影响特征向量进行标准化处理，得到标准影响特征向量；
将所述标准影响特征向量分发至所述多个隐藏层，并通过每个隐藏层中的随机森林网络对所述标准影响特征向量进行运行腐蚀影响分析，得到每个隐藏层对应的初始腐蚀速率；
通过所述输出层对每个隐藏层对应的初始腐蚀速率进行融合，得到所述目标汽车配件的结构腐蚀速率。
4.根据权利要求1所述的汽车配件的结构可靠性测试方法，其特征在于，在所述对所述材料特征向量输入预设的结构强度检测模型中，通过所述结构强度检测模型计算所述目标汽车配件的结构强度之前，还包括：
获取与所述目标汽车配件相同配件类型的历史汽车配件以及所述历史汽车配件对应的历史材料数据和历史运行数据；
根据所述历史材料数据对所述历史汽车配件进行仿真处理，得到所述历史汽车配件的仿真模型；
根据所述历史运行数据定义所述仿真模型的加载条件，并在所述加载条件下对所述仿真模型进行结构分析，得到所述仿真模型的历史结构强度；
对所述历史材料数据进行降维处理，生成训练样本集，并根据所述训练样本集和对应的历史结构强度对预设的多模态神经网络进行训练，得到结构强度检测模型。
5.根据权利要求4所述的汽车配件的结构可靠性测试方法，其特征在于，所述对所述历史材料数据进行降维处理，生成训练样本集包括：
遍历所有所述历史材料数据，并将当前遍历的历史材料数据作为目标数据；
计算所述目标数据的k个距离最近的历史材料数据，并根据所述目标数据与k个距离最近的历史材料数据的距离计算k个距离权重；
基于所述k个距离权重构建权重矩阵，并根据所述权重矩阵计算所述目标数据在降维空间中的降维表示；
当所有所述历史材料数据遍历完成时，根据所有历史材料数据对应的降维生成训练样本集。
6.根据权利要求5所述的汽车配件的结构可靠性测试方法，其特征在于，所述材料数据包括材料数值数据和材料图像数据，所述材料特征向量包括材料数值特征向量和材料图像特征向量，所述结构强度检测模型包括；
所述将所述材料特征向量输入预设的结构强度检测模型中，通过所述结构强度检测模型计算所述目标汽车配件的结构强度包括：
将所述材料数值特征向量和材料图像特征向量输入预设的结构强度检测模型中；
通过所述结构强度检测模型的注意力机制层分别计算所述材料数值特征向量和材料图像特征向量的注意力权重向量；
通过所述结构强度检测模型中的特征融合层根据所述权重向量对所述材料数值特征向量和材料图像特征向量进行加权融合，得到融合特征向量；
通过所述结构强度检测模型中的输出层根据所述融合特征向量和预设的激活函数计算所述目标汽车配件的结构强度。
7.根据权利要求1所述的汽车配件的结构可靠性测试方法，其特征在于，所述基于所述结构腐蚀速率和所述结构强度，对所述目标汽车配件进行可靠性评估，得到所述目标汽车配件的可靠性测试结果包括：
根据所述目标汽车配件的配件类型，确定对应的至少一个失效模式以及失效影响参数，并根据所述失效模式选择对应的失效函数；
根据所述失效函数计算在所述结构腐蚀速率和所述结构强度下所述目标汽车配件的失效概率；
基于所述失效影响参数和所述失效概率，计算所述目标汽车配件的可靠性数值，得到目标汽车配件的可靠性测试结果。
8.一种汽车配件的结构可靠性测试装置，其特征在于，所述汽车配件的结构可靠性测试装置包括：
测试模块，用于对目标汽车配件进行可靠性测试，得到测试数据，其中，所述测试数据包括所述目标汽车配件的运行数据和材料数据；
检测模块，用于根据所述材料数据对所述目标汽车配件进行腐蚀缺陷检测，得到检测结果，并根据所述检测结果对所述材料数据进行特征提取，得到材料特征向量；
影响特征向量生成模块，用于对所述运行数据进行特征提取，得到运行特征，并对所述检测结果和所述运行特征进行特征编码转换，生成对应的影响特征向量；
第一模型输入模块，用于将所述影响特征向量输入预设的腐蚀速率预测模型中，通过所述腐蚀速率预测模型计算所述目标汽车配件的结构腐蚀速率；
第二模型输入模块，用于将所述材料特征向量输入预设的结构强度检测模型中，通过所述结构强度检测模型计算所述目标汽车配件的结构强度；
评估模块，用于基于所述结构腐蚀速率和所述结构强度，对所述目标汽车配件进行可靠性评估，得到所述目标汽车配件的可靠性测试结果。
9.一种汽车配件的结构可靠性测试设备，其特征在于，所述汽车配件的结构可靠性测试设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述汽车配件的结构可靠性测试设备执行如权利要求1-7中任意一项所述的汽车配件的结构可靠性测试方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任意一项所述汽车配件的结构可靠性测试方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311804923.8A CN117473302B (zh) | 2023-12-26 | 2023-12-26 | 汽车配件的结构可靠性测试方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311804923.8A CN117473302B (zh) | 2023-12-26 | 2023-12-26 | 汽车配件的结构可靠性测试方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117473302A true CN117473302A (zh) | 2024-01-30 |
| CN117473302B CN117473302B (zh) | 2024-03-15 |
Family
ID=89629675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311804923.8A Active CN117473302B (zh) | 2023-12-26 | 2023-12-26 | 汽车配件的结构可靠性测试方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117473302B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255490A (zh) * | 2018-09-28 | 2019-01-22 | 西安建筑科技大学 | 一种基于kpca-bas-grnn的埋地管道外腐蚀速率预测方法 |
| CN112763406A (zh) * | 2020-12-16 | 2021-05-07 | 广州汽车集团股份有限公司 | 腐蚀数据分析方法、介质、评估方法及汽车 |
| CN115688285A (zh) * | 2022-11-11 | 2023-02-03 | 北京航空航天大学杭州创新研究院 | 可持续航空燃料涡扇发动机供油与燃烧系统优化方法 |
| US20230129202A1 (en) * | 2020-04-10 | 2023-04-27 | Cybord Ltd. | System and method for assessing quality of electronic components |
| CN116029222A (zh) * | 2021-10-26 | 2023-04-28 | 中国石油化工股份有限公司 | 建立用于预测含co2/h2s油气田腐蚀速率的图版的方法 |
-
2023
- 2023-12-26 CN CN202311804923.8A patent/CN117473302B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255490A (zh) * | 2018-09-28 | 2019-01-22 | 西安建筑科技大学 | 一种基于kpca-bas-grnn的埋地管道外腐蚀速率预测方法 |
| US20230129202A1 (en) * | 2020-04-10 | 2023-04-27 | Cybord Ltd. | System and method for assessing quality of electronic components |
| CN112763406A (zh) * | 2020-12-16 | 2021-05-07 | 广州汽车集团股份有限公司 | 腐蚀数据分析方法、介质、评估方法及汽车 |
| CN116029222A (zh) * | 2021-10-26 | 2023-04-28 | 中国石油化工股份有限公司 | 建立用于预测含co2/h2s油气田腐蚀速率的图版的方法 |
| CN115688285A (zh) * | 2022-11-11 | 2023-02-03 | 北京航空航天大学杭州创新研究院 | 可持续航空燃料涡扇发动机供油与燃烧系统优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吕高泰 等: "MMC子模块关键器件长时间尺度运行工况老化分析与可靠性评估", 高电压技术, no. 10, 28 October 2020 (2020-10-28), pages 126 - 133 * |
| 骆正山 等: "基于TVR的腐蚀油气管道失效概率及安全寿命研究", 中国安全生产科学技术, no. 09, 30 September 2018 (2018-09-30), pages 97 - 101 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117473302B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chandrashekhar et al. | Damage assessment of structures with uncertainty by using mode-shape curvatures and fuzzy logic | |
| Mares et al. | An application of genetic algorithms to identify damage in elastic structures | |
| Jiang et al. | A decentralized unsupervised structural condition diagnosis approach using deep auto‐encoders | |
| Dragos et al. | Distributed adaptive diagnosis of sensor faults using structural response data | |
| KR102218734B1 (ko) | 인공지능 기반 환경유해인자 고해상도 데이터 보간방법 | |
| CN114580493B (zh) | 基于ai的重载铁路桥梁健康监测方法 | |
| CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| CN113379238A (zh) | 风险评估方法、装置及电子设备 | |
| Bakhary et al. | Structure damage detection using neural network with multi-stage substructuring | |
| Chencho et al. | Development and application of random forest technique for element level structural damage quantification | |
| CN116451514A (zh) | 桥梁结构状态评估方法、装置以及电子设备 | |
| CN116737510A (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
| CN115618269A (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
| CN116932384A (zh) | 一种基于特征融合和特征选择的软件缺陷预测方法 | |
| CN117594164A (zh) | 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统 | |
| CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
| Singh et al. | Damage identification using vibration monitoring techniques | |
| CN117473302B (zh) | 汽车配件的结构可靠性测试方法、装置、设备及存储介质 | |
| CN117664558A (zh) | 发电机齿轮箱异常检测方法、装置、设备及存储介质 | |
| Friswell | Damage identification using inverse methods | |
| CN112287586A (zh) | 基于中小桥损伤识别结果的快速可靠度评估方法 | |
| CN116862284A (zh) | 基于som网络与规则融合的船用柴油机健康状态评估方法 | |
| CN115563020A (zh) | 危险测试场景的生成方法及系统、电子设备、存储介质 | |
| CN115618735A (zh) | 基于数字孪生的设施结构健康监测方法及相关装置 | |
| CN109635452A (zh) | 一种高效的多峰随机不确定性分析方法 |
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 |