CN118260564A - 一种基于贝叶斯算法的零件寿命抽样检验方法及系统 - Google Patents
一种基于贝叶斯算法的零件寿命抽样检验方法及系统 Download PDFInfo
- Publication number
- CN118260564A CN118260564A CN202410471891.2A CN202410471891A CN118260564A CN 118260564 A CN118260564 A CN 118260564A CN 202410471891 A CN202410471891 A CN 202410471891A CN 118260564 A CN118260564 A CN 118260564A
- Authority
- CN
- China
- Prior art keywords
- production batch
- sampling
- production
- sample
- life
- 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
- 238000005070 sampling Methods 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000007689 inspection Methods 0.000 title claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 24
- 238000004519 manufacturing process Methods 0.000 claims abstract description 281
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims description 83
- 230000008569 process Effects 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 10
- 238000013139 quantization Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000010998 test method Methods 0.000 claims 2
- 238000013461 design Methods 0.000 abstract description 9
- 230000009977 dual effect Effects 0.000 abstract description 3
- 230000035882 stress Effects 0.000 description 53
- 239000000463 material Substances 0.000 description 17
- 230000007547 defect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004643 material aging Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 229910001220 stainless steel Inorganic materials 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 229910001069 Ti alloy Inorganic materials 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 239000010935 stainless steel Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 229910001369 Brass Inorganic materials 0.000 description 1
- 229910000906 Bronze Inorganic materials 0.000 description 1
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000010951 brass Substances 0.000 description 1
- 239000010974 bronze Substances 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 239000011231 conductive filler Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- KUNSUQLRTQLHQQ-UHFFFAOYSA-N copper tin Chemical compound [Cu].[Sn] KUNSUQLRTQLHQQ-UHFFFAOYSA-N 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- FXNGWBDIVIGISM-UHFFFAOYSA-N methylidynechromium Chemical compound [Cr]#[C] FXNGWBDIVIGISM-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 239000010936 titanium Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及零件检验技术领域,具体公开一种基于贝叶斯算法的零件寿命抽样检验方法及系统,该方法包括:获取各生产批次的零件生产数据,匹配得到各生产批次的零件抽样策略;对各生产批次各零件样本进行寿命试验,得到各生产批次的失效零件样本的失效时间;利用寿命分布模型对各生产批次的失效零件样本的失效时间进行拟合,对各生产批次的零件质量进行评估。本发明结合有限的试验数据以及物理模型,进行高效的寿命预测与抽样检验设计,满足现代工业对零件可靠性和经济性双重需求,通过科学、精准、经济的方式评估和管理零件寿命,保障零件投入运行的安全性、稳定性和经济性。
Description
技术领域
本发明涉及零件检验技术领域,具体为一种基于贝叶斯算法的零件寿命抽样检验方法及系统。
背景技术
零件寿命预测和抽样检验是可靠性工程的核心任务之一,在航空航天、汽车制造、电力设备、机械制造等领域,确保零部件在预定的工作周期内无故障运行至关重要。随着物联网、传感器技术和大数据分析的进步,实时监测和收集设备运行状态数据变得越来越容易,这些海量数据为基于贝叶斯算法的寿命预测提供了丰富的输入,因此需要提供一种基于贝叶斯算法的零件寿命抽样检验方法及系统,实现更为精准和动态的零件质量控制。
例如公告号为CN116720790B的发明专利,为一种典型零件抽样检验方法及系统,在统计学的抽检技术的基础之上,结合了零件工艺过程中涉及的、有可能对零件质量造成隐患甚至负面影响的工序,例如,从微观层面影响零件微观属性的焊接工序,以凸显其可能造成的影响,进而在导致的潜在风险较大时,能够及时采取措施。此外,零件完成某一工序的加工之后,可能还处于非稳定状态,需要一定的时间对被加工位置进行松弛,潜在的问题才有可能表现出来。本说明书中的方法利用了加工的这些特性,以在时间方面较为宏观的角度,考察问题浮现的情况。这就使得通过本说明书中的方法实现的抽检,不仅仅是基于统计学评价零件的合格率,而是衡量由零件引发问题的可能性。
基于上述方案发现,目前对零件寿命抽样检验方面还存在一些不足,具体体现在传统的零件寿命评估方法缺乏对各生产批次零件特异性数据的深入挖掘与分析,导致抽样参照指标缺失或笼统,抽样策略难以精准反映批次质量实况。
发明内容
针对现有技术的不足,本发明提供了一种基于贝叶斯算法的零件寿命抽样检验方法及系统,能够有效解决上述背景技术中涉及的问题。
为实现以上目的,本发明通过以下技术方案予以实现:本发明第一方面提供了一种基于贝叶斯算法的零件寿命抽样检验方法,包括:获取各生产批次的零件生产数据,分析处理得到各生产批次零件抽样参照指标,并根据各生产批次零件抽样参照指标,匹配得到各生产批次的零件抽样策略。
根据零件抽样策略对各生产批次零件进行零件抽样,得到各生产批次各零件样本,对各生产批次各零件样本进行寿命试验,得到各生产批次的失效零件样本的失效时间。
利用寿命分布模型对各生产批次的失效零件样本的失效时间进行拟合,得到各生产批次的零件总体预期寿命,根据各生产批次的零件总体预期寿命对各生产批次的零件质量进行评估,得到评估结果并进行反馈。
作为进一步的方法,所述分析处理得到各生产批次零件抽样参照指标,具体分析过程为:所述各生产批次的零件生产数据,包括各生产批次的零件生产总数、允许零件尺寸偏差值以及单个零件抽样检测成本。
对各生产批次的零件生产数据进行处理,分析得到各生产批次零件抽样参照指标。
作为进一步的方法,所述匹配得到各生产批次的零件抽样策略,具体过程为:将各生产批次零件抽样参照指标与零件检验数据库中存储的各零件抽样参照指标区间对应的抽样策略进行匹配,得到各生产批次的零件抽样策略。
作为进一步的方法,所述对各生产批次各零件样本进行寿命试验,得到各生产批次的失效零件样本的失效时间,具体分析过程为:记录各零件样本的初始状态信息,包括各生产批次各零件样本的初始重量和初始热传导系数,并对寿命试验过程中各生产批次各零件样本的重量、热传导系数和应力数据进行监测,其中应力数据包括应力循环次数和各次应力循环峰值。
根据各生产批次各零件样本的应力数据,经处理得到各生产批次各零件样本的损耗程度评估值。
对各生产批次各零件样本的重量、热传导系数和损耗程度评估值进行分析,得到各生产批次各零件样本的零件失效评估参量。
从零件检验数据库中获取零件失效评估参量阈值,将各零件样本的零件失效评估参量与零件失效评估参量阈值进行比对,若某零件样本的零件失效评估参量大于或等于零件失效评估参量阈值,则将该零件样本标记为失效零件样本,并记录各生产批次的失效零件样本的失效时间。
作为进一步的方法,所述根据各生产批次的零件总体预期寿命对各生产批次的零件质量进行评估,得到评估结果并进行反馈,具体分析过程为:从零件检验数据库中获取参照零件总体预期寿命,将各生产批次的零件总体预期寿命与参照零件总体预期寿命进行比对,若某生产批次的零件总体预期寿命低于参照零件总体预期寿命,则将该生产批次的零件质量评估为不合格,并将评估结果进行反馈。
作为进一步的方法,所述各生产批次零件抽样参照指标,是通过对各生产批次的零件生产数据进行分析得到的量化指标,用于量化评估各生产批次的零件生产状况,为零件抽样策略的选取提供数据依据。
作为进一步的方法,所述各生产批次零件抽样参照指标,具体分析过程为:从零件检验数据库中获取参照零件生产总数、参照允许零件尺寸偏差值以及参照单个零件抽样检测成本,综合分析得到各生产批次零件抽样参照指标,具体数值表达式为:
式中,表示第i个生产批次零件抽样参照指标,NL→i表示第i个生产批次的零件生产总数,NL→0表示参照零件生产总数,Si表示第i个生产批次的允许零件尺寸偏差值,S0表示参照允许零件尺寸偏差值,Mi表示第i个生产批次的单个零件抽样检测成本,M0表示参照单个零件抽样检测成本,ω1表示设定的零件生产总数对应的抽样参照指标权重因子,ω2表示设定的零件尺寸偏差值对应的抽样参照指标权重因子,ω3表示设定的单个零件抽样检测成本对应的抽样参照指标权重因子,i表示各生产批次的编号,i=1,2,3,...,n,n表示生产批次的总数。
作为进一步的方法,所述各生产批次各零件样本的零件失效评估参量,是通过对各生产批次各零件样本的重量、热传导系数和应力数据进行分析得到量化指标,用于量化评估零件样本的异常程度,为零件样本的失效评估提供数据依据。
作为进一步的方法,所述各生产批次各零件样本的零件失效评估参量,具体数值表达式为:
式中,χij表示第i个生产批次第j个零件样本的零件失效评估参量,Gij表示第i个生产批次第j个零件样本的重量,表示第i个生产批次第j个零件样本的初始重量,Rij表示第i个生产批次第j个零件样本的热传导系数,表示第i个生产批次第j个零件样本的初始热传导系数,βij表示第i个生产批次第j个零件样本的损耗程度评估值,ΔG表示设定的零件允许偏差重量,ΔR表示设定的零件允许偏差热传导系数,ψ1表示设定的零件样本重量对应的零件失效评估权重因子,ψ2表示设定的零件样本热传导系数对应的零件失效评估权重因子,ψ3表示设定的零件损耗程度评估值对应的零件失效评估权重因子,i表示各生产批次的编号,i=1,2,3,...,n,n表示生产批次的总数,j表示各零件样本的编号,j=1,2,3,...,m,m表示零件样本的总数。
本发明第二方面提供了一种基于贝叶斯算法的零件寿命抽样检验系统,包括:抽样策略规划模块,用于获取各生产批次的零件生产数据,分析处理得到各生产批次零件抽样参照指标,并根据各生产批次零件抽样参照指标,匹配得到各生产批次的零件抽样策略。
零件寿命检验模块,用于根据零件抽样策略对各生产批次零件进行零件抽样,得到各生产批次各零件样本,对各生产批次各零件样本进行寿命试验,得到各生产批次的失效零件样本的失效时间。
零件寿命预测模块,用于利用寿命分布模型对各生产批次的失效零件样本的失效时间进行拟合,得到各生产批次的零件总体预期寿命,根据各生产批次的零件总体预期寿命对各生产批次的零件质量进行评估,得到评估结果并进行反馈。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
(1)本发明通过提供一种基于贝叶斯算法的零件寿命抽样检验方法及系统,能够结合有限的试验数据以及物理模型,进行高效的寿命预测与抽样检验设计,满足现代工业对零件可靠性和经济性双重需求,通过科学、精准、经济的方式评估和管理零件寿命,保障零件投入运行的安全性、稳定性和经济性。
(2)本发明通过对生产批次的零件生产数据进行分析,形成与各批次实际生产状况紧密贴合的抽样参照指标,抽样策略能够更加聚焦于批次特性和潜在风险点,从而提高质量问题检测的针对性和灵敏度,同时提高零件抽样检验的准确性,降低质检成本,提高质检工作效率。
(3)本发明通过对寿命试验中零件样本的重量进行监测,重量变化可以直观反映材料因磨损而减少的程度,持续监测重量有助于评估零件的耐磨性能和预期使用寿命,识别零件性能退化的趋势,为预测剩余寿命提供依据。
(4)本发明通过对寿命试验中零件样本的热传导系数进行监测,持续监测零件的热传导系数可以揭示其在长时间工作、不同温度循环、机械应力或化学环境作用下的热性能变化趋势,帮助及时发现零件样本潜在的热故障,有助于确保零件在整个使用寿命期内维持良好的热管理性能。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明的方法流程示意图。
图2为本发明的系统模块连接示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
参照图1所示,本发明第一方面提供了一种基于贝叶斯算法的零件寿命抽样检验方法,包括:获取各生产批次的零件生产数据,分析处理得到各生产批次零件抽样参照指标,并根据各生产批次零件抽样参照指标,匹配得到各生产批次的零件抽样策略。
应理解的是,本实施例中各生产批次零件是指在制造业中,企业在进行连续或间歇性生产活动时,按照一定的生产计划和工艺流程,将原材料或半成品加工制造成具有特定规格和质量要求的零部件,并且这些零部件在生产过程中被划分为不同的群体,每个群体即为一个生产批次。
应理解的是,同一生产批次的零件是在相同的生产环境下制造的,使用相同或相近的原料、遵循相同的工艺参数(如温度、压力、时间等)、由同一生产线或设备操作人员在同一时间段内完成生产。批次内的零件应符合相同的质量控制标准,经过同样的检验程序并达到规定的质量等级。如果一个批次的所有零件都通过了质量检测,则它们被视为具有相似的质量特性和性能。
具体地,分析处理得到各生产批次零件抽样参照指标,具体分析过程为:所述各生产批次的零件生产数据,包括各生产批次的零件生产总数、允许零件尺寸偏差值以及单个零件抽样检测成本。
应理解的是,本实施例中对各生产批次的零件生产总数进行统计分析,各生产批次中包含的零件数量直接影响抽样数量。一般来说,批量越大,所需的样本量可能也越大,以确保抽样结果能够准确反映批次的整体质量状况。批量较小的批次可能采用相对固定或比例抽样方法,而大批量则可能需要基于统计学原理(如接受抽样计划或计数抽样计划)计算合适的样本量。
应理解的是,本实施例中对各生产批次的允许零件尺寸偏差值进行统计分析,高精度零件往往应用于关键或高风险部位,如航空航天、精密仪器、医疗设备等领域的零部件。对于这类零件,抽样策略不仅需要保证其功能性和安全性,还必须严格控制生产过程中的变异性,以确保整体系统的高性能和可靠性。因此,对高精度零件的抽样可能会更加严格,采用较高的抽样率或全数检验(如对关键尺寸或特性进行100%检查),以最大限度地降低因单个零件不合格导致的系统失效风险。
应理解的是,本实施例中对单个零件抽样检测成本进行分析,单个零件抽样检测成本对零件抽样策略有显著影响,较高的单个零件抽样检测成本可能会促使企业减少抽样数量或降低抽样频率,以控制整体的质量控制成本。这可能导致选择更少的样本进行检测,或者延长两次抽样之间的间隔时间,从而在一定程度上增加批次内潜在质量问题未被及时发现的风险。同时,面对高昂的单件检测成本,企业可能会倾向于采用更为经济高效的抽样方法,如统计抽样、分层抽样、系统抽样等,这些方法能够以相对较小的样本量提供对整批零件质量的合理估计,从而在保证检测效果的同时节省成本。
对各生产批次的零件生产数据进行处理,分析得到各生产批次零件抽样参照指标。
具体地,各生产批次零件抽样参照指标,是通过对各生产批次的零件生产数据进行分析得到的量化指标,用于量化评估各生产批次的零件生产状况,为零件抽样策略的选取提供数据依据。
进一步地,各生产批次零件抽样参照指标,具体分析过程为:从零件检验数据库中获取参照零件生产总数、参照允许零件尺寸偏差值以及参照单个零件抽样检测成本,综合分析得到各生产批次零件抽样参照指标,具体数值表达式为:
式中,表示第i个生产批次零件抽样参照指标,NL→i表示第i个生产批次的零件生产总数,NL→0表示参照零件生产总数,Si表示第i个生产批次的允许零件尺寸偏差值,S0表示参照允许零件尺寸偏差值,Mi表示第i个生产批次的单个零件抽样检测成本,M0表示参照单个零件抽样检测成本,ω1表示设定的零件生产总数对应的抽样参照指标权重因子,ω2表示设定的零件尺寸偏差值对应的抽样参照指标权重因子,ω3表示设定的单个零件抽样检测成本对应的抽样参照指标权重因子,i表示各生产批次的编号,i=1,2,3,...,n,n表示生产批次的总数。
应理解的是,本实施例中设定的零件生产总数、允许零件尺寸偏差值和单个零件抽样检测成本对应的抽样参照指标权重因子,利用历史数据建立多元回归模型,通过模型系数估计零件生产总数、允许零件尺寸偏差值和单个零件抽样检测成本对零件抽样参照指标的影响大小,系数绝对值越大,说明该因素对目标影响越大,经处理得到零件生产总数、允许零件尺寸偏差值和单个零件抽样检测成本相应的权重因子。以轴承零件为例,零件生产总数、允许零件尺寸偏差值和单个零件抽样检测成本相应的权重因子分别为0.4、0.35和0.25。
在一个具体的实施例中,各生产批次零件抽样参照指标不仅可以通过以上计算方式得到,也可以通过分析企业内部的历史质量数据,包括以往抽样结果、缺陷率、过程能力指数(如Cp、Cpk)等,这些信息有助于确定合适的样本大小、抽样频率和接受标准,还可以进行小规模试验性抽样,通过数据分析估计总体变异程度、缺陷分布特征,以此为基础计算或模拟出适合的样本量,应用统计软件进行抽样计划模拟,评估不同抽样策略在各种假设条件下的效果,分析得到各生产批次零件抽样参照指标。
在一个具体的实施例中,通过对生产批次的零件生产数据进行分析,根据生产批次的零件生产数据进行抽样,可以提高零件抽样检验的准确性,降低质检成本,提高质检工作效率。
具体地,匹配得到各生产批次的零件抽样策略,具体过程为:将各生产批次零件抽样参照指标与零件检验数据库中存储的各零件抽样参照指标区间对应的抽样策略进行匹配,得到各生产批次的零件抽样策略。
应理解的是,本实施例中各生产批次的零件抽样策略包括抽样方法的选择和样本大小的确定,将不同的抽样方法和样本大小分别进行组合,标记为各抽样策略组合,并将各抽样策略组合与各零件抽样参照指标区间进行一一对应。其中抽样方法包括简单随机抽样(每个零件被选中的概率相等,无明显分组或顺序影响)、系统抽样(按照一定的间隔或规则从总体中等距抽取样本)、分层抽样(将总体分为若干子群体,如按生产线、原材料来源等,然后在各子群体内独立抽样)、整群抽样(将总体划分为若干群组,随机抽取整个群组作为样本)、多阶段抽样(结合上述方法,分多个步骤进行抽样)和目的性抽样(如极端或偏差型抽样,针对特定研究目标,选取具有代表性的极端情况或特殊属性的样本)。
本实施例中样本大小的确定,不仅可以通过各生产批次零件抽样参照指标匹配得到,还可以根据预定的置信水平、可接受的误差范围(精度)、总体变异程度(标准差)及预期的不合格率,使用统计公式计算所需的最小样本量。
根据零件抽样策略对各生产批次零件进行零件抽样,得到各生产批次各零件样本,对各生产批次各零件样本进行寿命试验,得到各生产批次的失效零件样本的失效时间。
在一个具体的实施例中,按照标准或实际应用要求配置试验环境,选择能够模拟零件使用实际工况的寿命试验机对零件样本进行寿命试验。以轴承零件为例,配置试验环境为温度20℃,湿度50%RH,并选择低频振动模拟实际环境,同时选择能够模拟实际工况的轴承寿命试验机,确保其能够施加所需载荷、转速、振动、温度等条件。
应理解的是,本实施例中零件样本的失效时间指的是该零件从投入使用开始,直至无法继续执行其设计功能的确切时间点。这可能是由于断裂、过度变形、严重磨损、腐蚀、疲劳等失效模式导致的。在统计分析中,失效时间通常以小时、周期数、里程数、循环次数等形式表示零件承受负载并持续工作的累计值,直至失效发生。例如,一个轴承的失效时间可能是它在运转中的总转数达到某个阈值时对应的运行小时数。
零件样本的失效时间是评估零件性能、进行可靠性分析、制定维护策略的关键依据。在实际应用中,通过科学的试验设计、数据收集和统计分析,可以有效地利用失效时间数据来优化产品设计、提高生产质量和保障零件投入运行的可靠性。对于大批量生产的零件,往往通过抽样测试得到一部分样本的失效时间数据。基于这些样本数据,可以运用统计学方法(如假设检验、生存分析等)推断整个批次或总体零件的失效特性,如估计平均失效时间的置信区间、比较不同设计或工艺条件下的失效时间差异等。
具体地,对各生产批次各零件样本进行寿命试验,得到各生产批次的失效零件样本的失效时间,具体分析过程为:记录各零件样本的初始状态信息,包括各生产批次各零件样本的初始重量和初始热传导系数,并对寿命试验过程中各生产批次各零件样本的重量、热传导系数和应力数据进行监测,其中应力数据包括应力循环次数和各次应力循环峰值。
应理解的是,本实施例中对零件重量进行监测,对于磨损性试验,如轴承、齿轮等承受摩擦磨损的零件,重量变化可以直观反映材料因磨损而减少的程度,持续监测重量有助于评估零件的耐磨性能和预期使用寿命。同时,部分零件在长期运行过程中可能会发生内部结构变化,如润滑剂流失、内部组件磨损、绝缘材料老化等,这些都可能导致重量变化,监测重量变化有助于识别性能退化的趋势,为预测剩余寿命提供依据。
应理解的是,本实施例中对零件热传导系数进行监测,在寿命试验过程中,持续监测零件的热传导系数可以揭示其在长时间工作、不同温度循环、机械应力或化学环境作用下的热性能变化趋势。如果热传导系数随时间显著下降,可能表明材料老化、热界面材料(TIM)降解、内部缺陷发展等问题,这些都影响零件的热传导能力和长期热稳定性。
热传导系数的异常变化可能预示着潜在的热故障。例如,热传导系数突然升高可能是由于内部热阻降低(如导热填料脱落、接触不良改善),但也可能是热源局部过热、材料相变等严重问题的早期迹象。反之,热传导系数下降则可能暗示热阻增加(如氧化、污染、间隙增大),可能导致散热效率降低,加速零件过热失效。监测零件在寿命试验中的热传导系数,对于评估热性能稳定性、预测热故障、优化热设计、监控材料老化、实施质量控制以及评估维修效果等方面都具有重要作用,有助于确保零件在整个使用寿命期内维持良好的热管理性能,从而提高产品的可靠性、安全性与能源效率。以轴承零件为例,不同材质的轴承零件的热传导系数如下表。
表1不同材质的轴承零件的热传导系数
轴承材质 | 热传导系数(W/m·K) |
铝合金 | 120-237 |
不锈钢(如1Cr18Ni9Ti) | 16-21 |
钢(碳钢、轴承钢) | 50-60 |
铜(包括黄铜、青铜) | 386-401 |
钛合金 | 15-22 |
应理解的是,本实施例中应力循环次数是指零件或结构在承受反复变化的载荷作用下,其应力从最小值到最大值再返回到最小值的完整过程被计为一次应力循环。应力峰值是指在对零件进行寿命测试时,对其表面或内部进行应力测量时所观测到的最高应力值。
在一个具体的实施例中,对零件样本的应力循环次数和应力峰值进行监测,零件在服役过程中会经历无数次应力加载与卸载的循环。应力循环次数是衡量零件损耗耐久性的关键指标。通过监测并记录零件在试验过程中经历的应力循环总数,可以量化零件承受疲劳损伤的程度。通常,零件的损耗寿命与其经历的应力循环次数呈指数关系,即遵循著名的Paris-Erdogan定律或类似的疲劳裂纹扩展模型。在每个应力循环中,零件会经历应力的峰值,这是导致材料内部微裂纹萌生与扩展的主要驱动力。应力峰值的大小直接影响疲劳裂纹的形成速率和扩展速度。结合应力循环次数,可以通过损耗寿命预测模型(如基于Paris定律的模型)计算出零件在特定应力水平下的预计使用寿命。
根据各生产批次各零件样本的应力数据,经处理得到各生产批次各零件样本的损耗程度评估值。
应理解的是,本实施例中各生产批次各零件样本的损耗程度评估值,是通过对各生产批次各零件样本的应力循环次数和各次应力循环峰值进行分析得到的量化指标,用于量化评估零件样本的损耗程度,为零件样本的失效评估提供数据依据。
在一个具体的实施例中,各生产批次各零件样本的损耗程度评估值,具体数值表达式为:
式中,βij表示第i个生产批次第j个零件样本的损耗程度评估值,NY→ij表示第i个生产批次第j个零件样本的应力循环次数,Eijr表示第i个生产批次第j个零件样本第r次应力循环峰值,NY→0表示设定的零件临界应力循环次数,E0表示设定的零件临界应力循环峰值,υ1表示设定的应力循环次数对应的损耗程度评估权重因子,υ2表示设定的应力循环峰值对应的损耗程度评估权重因子,r表示各次应力循环的编号,r=1,2,3,...,h,h表示应力循环的总次数。
在一个具体的实施例中,各生产批次各零件样本的损耗程度评估值不仅可以通过以上计算方式得到,也可以通过基于材料的疲劳性能数据(如S-N曲线、疲劳极限、材料常数等)和零件的应力分布情况(通常通过有限元分析(FEA)或其他数值方法获得),利用疲劳强度计算公式(如Goodman图、Gerber图、Smith-Watson-Topper公式等)预测零件在给定应力条件下的损耗寿命,还可以通过使用目视检查、磁粉探伤(MT)、渗透探伤(PT)等方法检测零件表面是否存在裂纹、划痕、凹坑等疲劳源或已有的疲劳裂纹,分析处理得到各生产批次各零件样本的损耗程度评估值。
应理解的是,本实施例中零件临界应力循环次数和零件临界应力循环峰值,可以通过查阅相关文献或标准,获取零件所用材料的疲劳性能数据,如S-N曲线(应力-寿命曲线)或材料的疲劳极限(σf)等,这些数据反映了材料在不同应力水平下抵抗疲劳破坏的能力,也可以通过进行实验室疲劳验证,得到零件临界应力循环次数和零件临界应力循环峰值。
应理解的是,本实施例中应力循环次数和应力循环峰值对应的损耗程度评估权重因子,可以通过行业标准、设计手册或专业文献得到针对特定材料或结构类型的疲劳权重因子经验值,这些经验值是基于大量工程实践和试验数据总结得出的。以轴承零件为例,不同材料轴承的应力循环次数权重因子和应力循环峰值权重因子如下表所示。
表2不同材料轴承的应力循环次数权重因子和应力循环峰值权重因子
轴承材料 | 应力循环次数权重因子 | 应力循环峰值权重因子 |
高碳铬钢(GCr15) | 0.6 | 0.4 |
不锈钢(AISI 316L) | 0.7 | 0.3 |
钛合金(Ti-6Al-4V) | 0.55 | 0.45 |
合成陶瓷(Si3N4) | 0.5 | 0.5 |
碳化硅(SiC) | 0.45 | 0.55 |
对各生产批次各零件样本的重量、热传导系数和损耗程度评估值进行分析,得到各生产批次各零件样本的零件失效评估参量。
具体地,各生产批次各零件样本的零件失效评估参量,是通过对各生产批次各零件样本的重量、热传导系数和应力数据进行分析得到量化指标,用于量化评估零件样本的异常程度,为零件样本的失效评估提供数据依据。
进一步地,各生产批次各零件样本的零件失效评估参量,具体数值表达式为:
式中,χij表示第i个生产批次第j个零件样本的零件失效评估参量,Gij表示第i个生产批次第j个零件样本的重量,表示第i个生产批次第j个零件样本的初始重量,Rij表示第i个生产批次第j个零件样本的热传导系数,表示第i个生产批次第j个零件样本的初始热传导系数,βij表示第i个生产批次第j个零件样本的损耗程度评估值,ΔG表示设定的零件允许偏差重量,ΔR表示设定的零件允许偏差热传导系数,ψ1表示设定的零件样本重量对应的零件失效评估权重因子,ψ2表示设定的零件样本热传导系数对应的零件失效评估权重因子,ψ3表示设定的零件损耗程度评估值对应的零件失效评估权重因子,i表示各生产批次的编号,i=1,2,3,...,n,n表示生产批次的总数,j表示各零件样本的编号,j=1,2,3,...,m,m表示零件样本的总数。
在一个具体的实施例中,各生产批次各零件样本的零件失效评估参量不仅可以通过以上计算方式得到,也可以通过在实验室条件下模拟服役环境,如盐雾试验、高温高湿试验、硫化氢环境试验等,观察零件的腐蚀行为和速度,还可以通过收集并分析零件的安装时间、使用工况、维护记录、故障报告等历史信息,了解其实际工作条件和可能的损伤源,分析得到各生产批次各零件样本的零件失效评估参量。
应理解的是,本实施例中零件允许偏差重量和零件允许偏差热传导系数,通过查阅相关标准或根据合约规定得到。
应理解的是,本实施例中零件样本重量、零件样本热传导系数和零件损耗程度评估值对应的零件失效评估权重因子,通过AHP分析得到,AHP是一种结构化决策方法,适用于处理多准则、多层级的复杂问题。通过构造成对比较矩阵,对各个属性两两之间的重要性进行定量打分(通常使用1-9标度),并计算权重向量。AHP能够处理主观判断,同时通过一致性检验确保结果的合理性和可靠性。通过AHP可以得到重量、热传导系数和损耗程度在零件失效评估中的相对权重。以轴承零件为例,零件样本重量、零件样本热传导系数和零件损耗程度评估值对应的零件失效评估权重因子分别为0.2、0.3和0.5。
从零件检验数据库中获取零件失效评估参量阈值,将各零件样本的零件失效评估参量与零件失效评估参量阈值进行比对,若某零件样本的零件失效评估参量大于或等于零件失效评估参量阈值,则将该零件样本标记为失效零件样本,并记录各生产批次的失效零件样本的失效时间。
利用寿命分布模型对各生产批次的失效零件样本的失效时间进行拟合,得到各生产批次的零件总体预期寿命,根据各生产批次的零件总体预期寿命对各生产批次的零件质量进行评估,得到评估结果并进行反馈。
在一个具体的实施例中,利用寿命分布模型对各生产批次的失效零件样本的失效时间进行拟合,得到各生产批次的零件总体预期寿命,具体过程如下:选择寿命分布模型:根据零件失效数据的历史规律或领域知识,选择合适的寿命分布模型,如指数分布、威布尔分布、对数正态分布等,这些模型能够描述零件寿命的概率分布特性。
设定先验分布:为寿命分布模型的参数(如形状参数、尺度参数或位置参数)指定先验概率分布。这反映了在抽样检验之前,基于专家经验、文献资料或先前研究对这些参数值的不确定性认知。
获取数据:进行寿命试验或获取实际使用中的零件失效数据,包括:抽样检验:按照一定的抽样策略(如固定样本数、序贯抽样等)从生产批次中抽取一定数量的零件进行加速寿命测试或实际运行监控,记录每个零件的实际失效时间或当前工作状态及累计工作时间。
更新后验分布:应用贝叶斯公式:对于每一个样本点,利用贝叶斯定理结合寿命分布模型和先验分布,计算在观察到该样本点数据后参数的后验分布。
参数估计:从后验分布中提取关键统计量,如后验均值、中位数或某个可信区间的上下限,作为参数的最佳估计值。
寿命预测:利用后验分布下的参数估计值,计算零件的预期寿命、可靠度函数、故障率函数等性能指标,并可进一步预测特定时间窗口内的失效概率或剩余使用寿命。
具体地,根据各生产批次的零件总体预期寿命对各生产批次的零件质量进行评估,得到评估结果并进行反馈,具体分析过程为:从零件检验数据库中获取参照零件总体预期寿命,将各生产批次的零件总体预期寿命与参照零件总体预期寿命进行比对,若某生产批次的零件总体预期寿命低于参照零件总体预期寿命,则将该生产批次的零件质量评估为不合格,并将评估结果进行反馈。
参照图2所示,本发明第二方面提供了一种基于贝叶斯算法的零件寿命抽样检验系统,包括:抽样策略规划模块,用于获取各生产批次的零件生产数据,分析处理得到各生产批次零件抽样参照指标,并根据各生产批次零件抽样参照指标,匹配得到各生产批次的零件抽样策略。
零件寿命检验模块,用于根据零件抽样策略对各生产批次零件进行零件抽样,得到各生产批次各零件样本,对各生产批次各零件样本进行寿命试验,得到各生产批次的失效零件样本的失效时间。
零件寿命预测模块,用于利用寿命分布模型对各生产批次的失效零件样本的失效时间进行拟合,得到各生产批次的零件总体预期寿命,根据各生产批次的零件总体预期寿命对各生产批次的零件质量进行评估,得到评估结果并进行反馈。
所述一种基于贝叶斯算法的零件寿命抽样检验系统还包括零件检验数据库,用于存储零件抽样检验的相关数据,包括各零件抽样参照指标区间对应的抽样策略,零件失效评估参量阈值和参照零件总体预期寿命。
需要解释的是,本实施例中零件检验数据库存储的各零件抽样参照指标区间对应的抽样策略,零件失效评估参量阈值和参照零件总体预期寿命,是通过集成来自多个源头的零件寿命检验数据,包括但不限于自动化检测设备的实时数据流、人工检验记录的数字化输入、历史档案的电子化转换以及外部供应商提供的检验报告。这些数据通过标准化接口、应用程序编程接口或ETL(抽取、转换、加载)过程导入预设的数据库结构中,该结构经过精心设计,涵盖零件标识、检验参数、结果指标、日期戳等必要信息,确保数据完整性和关联性。
在一个具体的实施例中,本发明通过提供一种基于贝叶斯算法的零件寿命抽样检验方法及系统,能够结合有限的试验数据以及物理模型,进行高效的寿命预测与抽样检验设计,满足现代工业对零件可靠性和经济性双重需求,通过科学、精准、经济的方式评估和管理零件寿命,保障零件投入运行的安全性、稳定性和经济性。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种基于贝叶斯算法的零件寿命抽样检验方法,其特征在于,包括:
获取各生产批次的零件生产数据,分析处理得到各生产批次零件抽样参照指标,并根据各生产批次零件抽样参照指标,匹配得到各生产批次的零件抽样策略;
根据零件抽样策略对各生产批次零件进行零件抽样,得到各生产批次各零件样本,对各生产批次各零件样本进行寿命试验,得到各生产批次的失效零件样本的失效时间;
利用寿命分布模型对各生产批次的失效零件样本的失效时间进行拟合,得到各生产批次的零件总体预期寿命,根据各生产批次的零件总体预期寿命对各生产批次的零件质量进行评估,得到评估结果并进行反馈。
2.根据权利要求1所述的基于贝叶斯算法的零件寿命抽样检验方法,其特征在于:所述分析处理得到各生产批次零件抽样参照指标,具体分析过程为:
所述各生产批次的零件生产数据,包括各生产批次的零件生产总数、允许零件尺寸偏差值以及单个零件抽样检测成本;
对各生产批次的零件生产数据进行处理,分析得到各生产批次零件抽样参照指标。
3.根据权利要求2所述的基于贝叶斯算法的零件寿命抽样检验方法,其特征在于:所述匹配得到各生产批次的零件抽样策略,具体过程为:
将各生产批次零件抽样参照指标与零件检验数据库中存储的各零件抽样参照指标区间对应的抽样策略进行匹配,得到各生产批次的零件抽样策略。
4.根据权利要求1所述的基于贝叶斯算法的零件寿命抽样检验方法,其特征在于:所述对各生产批次各零件样本进行寿命试验,得到各生产批次的失效零件样本的失效时间,具体分析过程为:
记录各零件样本的初始状态信息,包括各生产批次各零件样本的初始重量和初始热传导系数,并对寿命试验过程中各生产批次各零件样本的重量、热传导系数和应力数据进行监测,其中应力数据包括应力循环次数和各次应力循环峰值;
根据各生产批次各零件样本的应力数据,经处理得到各生产批次各零件样本的损耗程度评估值;
对各生产批次各零件样本的重量、热传导系数和损耗程度评估值进行分析,得到各生产批次各零件样本的零件失效评估参量;
从零件检验数据库中获取零件失效评估参量阈值,将各零件样本的零件失效评估参量与零件失效评估参量阈值进行比对,若某零件样本的零件失效评估参量大于或等于零件失效评估参量阈值,则将该零件样本标记为失效零件样本,并记录各生产批次的失效零件样本的失效时间。
5.根据权利要求1所述的基于贝叶斯算法的零件寿命抽样检验方法,其特征在于:所述根据各生产批次的零件总体预期寿命对各生产批次的零件质量进行评估,得到评估结果并进行反馈,具体分析过程为:
从零件检验数据库中获取参照零件总体预期寿命,将各生产批次的零件总体预期寿命与参照零件总体预期寿命进行比对,若某生产批次的零件总体预期寿命低于参照零件总体预期寿命,则将该生产批次的零件质量评估为不合格,并将评估结果进行反馈。
6.根据权利要求2所述的基于贝叶斯算法的零件寿命抽样检验方法,其特征在于:所述各生产批次零件抽样参照指标,是通过对各生产批次的零件生产数据进行分析得到的量化指标,用于量化评估各生产批次的零件生产状况,为零件抽样策略的选取提供数据依据。
7.根据权利要求2所述的基于贝叶斯算法的零件寿命抽样检验方法,其特征在于:所述各生产批次零件抽样参照指标,具体分析过程为:
从零件检验数据库中获取参照零件生产总数、参照允许零件尺寸偏差值以及参照单个零件抽样检测成本,综合分析得到各生产批次零件抽样参照指标,具体数值表达式为:
式中,表示第i个生产批次零件抽样参照指标,NL→i表示第i个生产批次的零件生产总数,NL→0表示参照零件生产总数,Si表示第i个生产批次的允许零件尺寸偏差值,S0表示参照允许零件尺寸偏差值,Mi表示第i个生产批次的单个零件抽样检测成本,M0表示参照单个零件抽样检测成本,ω1表示设定的零件生产总数对应的抽样参照指标权重因子,ω2表示设定的零件尺寸偏差值对应的抽样参照指标权重因子,ω3表示设定的单个零件抽样检测成本对应的抽样参照指标权重因子,i表示各生产批次的编号,i=1,2,3,...,n,n表示生产批次的总数。
8.根据权利要求4所述的基于贝叶斯算法的零件寿命抽样检验方法,其特征在于:所述各生产批次各零件样本的零件失效评估参量,是通过对各生产批次各零件样本的重量、热传导系数和应力数据进行分析得到量化指标,用于量化评估零件样本的异常程度,为零件样本的失效评估提供数据依据。
9.根据权利要求4所述的基于贝叶斯算法的零件寿命抽样检验方法,其特征在于:所述各生产批次各零件样本的零件失效评估参量,具体数值表达式为:
式中,χij表示第i个生产批次第j个零件样本的零件失效评估参量,Gij表示第i个生产批次第j个零件样本的重量,表示第i个生产批次第j个零件样本的初始重量,Rij表示第i个生产批次第j个零件样本的热传导系数,表示第i个生产批次第j个零件样本的初始热传导系数,βij表示第i个生产批次第j个零件样本的损耗程度评估值,ΔG表示设定的零件允许偏差重量,ΔR表示设定的零件允许偏差热传导系数,ψ1表示设定的零件样本重量对应的零件失效评估权重因子,ψ2表示设定的零件样本热传导系数对应的零件失效评估权重因子,ψ3表示设定的零件损耗程度评估值对应的零件失效评估权重因子,i表示各生产批次的编号,i=1,2,3,...,n,n表示生产批次的总数,j表示各零件样本的编号,j=1,2,3,...,m,m表示零件样本的总数。
10.一种使用如权利要求1-9中任意一项所述的基于贝叶斯算法的零件寿命抽样检验方法的零件寿命抽样检验系统,其特征在于,包括以下模块:抽样策略规划模块、零件寿命检验模块和零件寿命预测模块;
所述抽样策略规划模块,用于获取各生产批次的零件生产数据,分析处理得到各生产批次零件抽样参照指标,并根据各生产批次零件抽样参照指标,匹配得到各生产批次的零件抽样策略;
所述零件寿命检验模块,用于根据零件抽样策略对各生产批次零件进行零件抽样,得到各生产批次各零件样本,对各生产批次各零件样本进行寿命试验,得到各生产批次的失效零件样本的失效时间;
所述零件寿命预测模块,用于利用寿命分布模型对各生产批次的失效零件样本的失效时间进行拟合,得到各生产批次的零件总体预期寿命,根据各生产批次的零件总体预期寿命对各生产批次的零件质量进行评估,得到评估结果并进行反馈。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410471891.2A CN118260564A (zh) | 2024-04-19 | 2024-04-19 | 一种基于贝叶斯算法的零件寿命抽样检验方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410471891.2A CN118260564A (zh) | 2024-04-19 | 2024-04-19 | 一种基于贝叶斯算法的零件寿命抽样检验方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118260564A true CN118260564A (zh) | 2024-06-28 |
Family
ID=91602545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410471891.2A Pending CN118260564A (zh) | 2024-04-19 | 2024-04-19 | 一种基于贝叶斯算法的零件寿命抽样检验方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118260564A (zh) |
-
2024
- 2024-04-19 CN CN202410471891.2A patent/CN118260564A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
US10527520B2 (en) | Operating wind motors and determining their remaining useful life | |
CN111859658B (zh) | 一种产品贮存寿命与可靠性评估方法 | |
CN109710983B (zh) | 一种基于关键性能指标的柴油机气缸分层故障诊断方法 | |
Zhao et al. | An integrated prognostics method for failure time prediction of gears subject to the surface wear failure mode | |
CN113221286B (zh) | 一种基于加速寿命试验的盘轴螺纹连接器振动可靠性评估方法 | |
Rodrigues et al. | Short and long forecast to implement predictive maintenance in a pulp industry | |
CN116651971A (zh) | 一种汽车冲压模具在线检测方法及系统 | |
CN117134503A (zh) | 一种大型电力供电装置的状态监测方法及系统 | |
CN117668554A (zh) | 一种基于实时监测数据的调相机油品性能退化预测方法 | |
CN113486455A (zh) | 一种自润滑关节轴承加速退化可靠性评估与寿命预测方法 | |
Regattieri et al. | Reliability assessment of a packaging automatic machine by accelerated life testing approach | |
CN118260564A (zh) | 一种基于贝叶斯算法的零件寿命抽样检验方法及系统 | |
CN116773239A (zh) | 一种智能燃气表控制器可靠性寿命预测方法 | |
CN108182306B (zh) | 车辆动力传动装置磨粒特征参数退化失效阈值的确定方法 | |
CN105224792B (zh) | 一种滚动轴承性能保持可靠性的预测方法 | |
Liao et al. | Machinery time to failure prediction-Case study and lesson learned for a spindle bearing application | |
CN110895624A (zh) | 基于最大熵谱估计的加速贮存与自然贮存退化数据一致性检验法 | |
CN110889077A (zh) | 基于Kendall相关系数的加速贮存与自然贮存退化数据一致性检验方法 | |
CN115496107A (zh) | 基于数字孪生的航空发动机主轴轴承全生命周期分析方法 | |
CN117875939B (zh) | 一种基于数据分析的工业设备全周期管理系统 | |
CN118155779B (zh) | 超薄壁内螺纹铜管胀缩率评估方法及系统 | |
CN113836488B (zh) | 汽轮机在线数据处理及状态评估方法和装置 | |
CN118052082B (zh) | 加热铠丝管口密封控制方法及系统 | |
Li et al. | Simulation of Reliability Prediction Based on Multiple Factors for Spinning Machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |