CN109143972A - 一种基于贝叶斯与故障树的数控机床可靠性评价方法 - Google Patents
一种基于贝叶斯与故障树的数控机床可靠性评价方法 Download PDFInfo
- Publication number
- CN109143972A CN109143972A CN201810983924.6A CN201810983924A CN109143972A CN 109143972 A CN109143972 A CN 109143972A CN 201810983924 A CN201810983924 A CN 201810983924A CN 109143972 A CN109143972 A CN 109143972A
- Authority
- CN
- China
- Prior art keywords
- reliability
- formula
- subsystem
- distribution
- machine tool
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35026—Design of machine tool, of cnc machine
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
一种基于贝叶斯与故障树的数控机床可靠性评价方法,属于数控机床可靠性评价技术领域。首先将数控机床看成由各子***组成的***,以同一出厂批次的该子***故障数据作为先验信息。再以各失效子***失效率的联合概率密度函数作为现场数据的似然函数,把对数逆伽马分布作为可靠度的共轭先验分布,并据此确定故障数据所服从的威布尔分布中尺度参数和形状参数的联合先验分布概率密度函数。然后应用贝叶斯理论得到给定任务时间下的各子***的可靠度均值。最后按照各子***之间的联系与各子***对机床***的影响建立故障树模型,利用故障树理论计算数控机床的可靠度。本发明能够增大先验信息样本量,免除复杂的样本相容性检验,并保证先验信息相容性。
Description
技术领域
本发明属于数控机床可靠性评价技术领域,具体为一种基于贝叶斯与故障树的数控机床可靠性评价方法。
背景技术
可靠性是数控机床性能的重要指标,所以可靠性评估是数控机床性能评估工作的重要内容。高质量的数控机床具有故障样本少的特点,因此对小样本数据的评价是目前高质量数控机床可靠性研究的重点。
由于国内对小样本故障数据的数控机床可靠性评价方法没有统一的标准,并且小样本数据的评价难度较大,所以寻找一种合理有效的小样本数据可靠性评价理论至关重要。
作为一种统计学重要理论,贝叶斯方法能够结合先验信息分析小样本数据并得出令人信服的估计结果,弥补了古典统计学的弱点,但是由于先验分布的确定有很大的主观性和随意性,特别是当先验分布完全未知或部分未知时,贝叶斯解的性质较差。对于高可靠性数控机床,由于先验信息的样本与现场试验样本的样本量相差过大故难以进行相容性判断,先验信息的选取难度很大,再加上后验信息少,所以不良的先验信息对结果准确性的影响很大。对于高可靠性数控机床本身直接使用贝叶斯方法的评价结果往往也与实际使用情况偏离较大。
目前国内外有部分学者已经基于贝叶斯理论对高可靠性数控机床的可靠性评价方法进行了研究。但目前应用贝叶斯理论解决数控机床可靠性评价问题时依然把数控机床当做一个整体进行分析。
发明内容
本发明主要解决的是难以选取合理的先验信息或难以进行先验信息与后验信息相容性检验的小样本数控机床可靠性评价问题。随着数控机床的快速发展,其功能不断增强,同时可靠性水平也在日益提高。高可靠性数控机床的故障数据少,先验信息也难以选取。因此研究一种解决高可靠性数控机床评价难的问题的方法,具有很现实的工程意义。
本发明的技术方案:
一种基于贝叶斯与故障树的数控机床可靠性评价方法,步骤如下:
(一)先验信息的选择
以同种子***的历史故障数据作为先验信息,并用威布尔分布来拟合它们的分布:
式中,e是自然常数,t是故障间隔时间或工作寿命,R(t)是可靠度分布函数,λ是尺度参数,k是形状参数,F(t)是累计失效概率函数;
由式(1)得到数控机床子***的可靠度分布函数;
(二)先验分布的计算
对于给定任务时间τ下的可靠度Rτ,选择对数逆伽马分布作为其先验分布,子***可靠度的先验分布为:
式中,a和b为大于0的超参数;
Rτ表示为均值和方差的形式,均值和方差的具体数值由基于先验信息得到的可靠度分布函数估得;在可靠度的先验分布的式(2)中均值和方差分别由对数逆伽马分布的公式求得:
由式(3)和(4)得到可靠度先验分布中的两个参数a与b的值,进而得到确定参数的可靠度先验分布;
(三)尺寸参数与形状参数先验分布的确定
形状参数k看作无信息的先验分布,对于无信息先验分布,有如下公式:
π(k)∝k-1,k≥0 (5)
用一种常用的无信息先验分布:均匀分布来表示形状参数的先验分布:
根据式(2)和式(6)由分布的可靠度进行变换,得到给定形状参数k时,尺寸参数λ的条件先验分布:
(四)可靠度后验分布与可靠度均值的计算
对于现场可靠性试验的子***失效数据:t1,t2,t3......tm,记则以现场可靠性试验数据为样本的似然函数为:
式中,D为现场可靠性试验数据;
根据贝叶斯理论,联合式(2)、式(6)、式(7)、式(8),得到k和λ的联合验后分布为:
其中I(D)为:
结合式(1)与式(9),即得到已知现场可靠性试验数据的可靠度R的验后分布如式(11)所示:
再对式(11)计算期望值,从而得到可靠度均值如式(12)所示:
(五)数控机床故障树模型的建立
将数控机床看成一个由CNC***、伺服***、主轴***、进给轴***、冷却润滑***、电机、电源组成的复杂***;以数控机床的故障事件为顶事件,根据各子***之间的串并联关系及各子***对机床***的影响建立故障树模型;
(六)数控机床可靠度的计算
通过将故障树模型中的“与门”换成“或门”,“或门”换成“与门”,并把全部事件的发生变成不发生,得到数控机床的成功树;
对于所有的事件仅考虑正常和失效两种状态,不考虑时间变化而作为稳态处理;
设可靠树最小径集为Ki(X),其结构式为:
其中,ki是最小径集Ki(X)包含的基本事件的下标集合;
则用最小径集表示的顶事件的结构式为:
将可靠度代入结构式,得到数控机床的可靠度的计算式:
式中,E(RT τ)为数控机床可靠度的数学期望,Ej(Rj τ)为第j个子***的可靠度的数学期望;
进而用可靠度的计算式(15)得到数控机床的可靠度。
本发明的有益效果:
(1)本发明以同种子***的故障数据作为先验信息,可以增大先验信息的样本量,免除了复杂的样本相容性检验,并保证了先验信息的相容性。
(2)本发明在确定可靠度先验分布的过程中,由于综合考虑了先验信息中的统计学特征量,减少了先验分布形式选择时主观因素的影响。
(3)本发明先通过贝叶斯理论计算出各个子***的可靠度,再通过故障树求出数控机床的可靠度,使评价结果在本质上也符合贝叶斯统计结果的性质。由于先验信息的准确应用,不仅弥补了故障数据样本少的缺点,还使得贝叶斯解的性质较好。
附图说明
图1为数控机床故障树图。
图2为数控机床成功树图。
具体实施方式
为了使本发明的技术方案和有益效果更加清晰明了,下面结合具体的可靠性评价流程并参照附图,对本发明作详细说明。本实施例是以本发明的技术方案为前提进行的,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
(一)先验信息的选择
若在数控机床的可靠性试验中总共发生了7次故障分别为4次主轴子***故障、2次冷却子***故障、1次行程开关压合故障。则对主轴子***选择同一出厂批次的该主轴子***的故障数据作为先验信息;对冷却子***选择同一出厂批次的该冷却子***的故障数据作为先验信息;对行程开关子***选择同一出厂批次的该行程开关子***的故障数据作为先验信息。通过极大似然法估计它们在威布尔分布下的分布参数。
其中,主轴子***的先验故障数据如表1所示:
表1主轴子***的先验故障数据
通过计算得到主轴子***的先验分布为:
(二)先验分布的计算
对于给定任务时间τ下的可靠度Rτ,选择对数逆伽马分布作为其先验分布,子***可靠度的先验分布如式(2)所示。对于主轴子***,由先验信息估计参数先验分布的均值和方差的方法如下:若规定主轴子***应达到的无故障工作时间为825小时,由先验信息得到的可靠度函数可以确定相似产品在825小时下的可靠度为0.52,由于新产品通常比先验信息中的相似产品经过改进,故而可以认为可靠度应该提高,根据经验人为认定的可靠度一般最多提高到0.94则确定可靠度的区间为[0.52,0.94],即可以取均值为0.73,方差可以利用3σ原则求得,为0.0049。
得到均值和方差后,再将其代入式(3)和式(4)中即可以得到a,b的估计值,利用换底公式将上式进行变形得到新式子如式(17)与式(18)所示:
联立式(17)与式(18)即可以近似得到可靠度先验分布中的两个参数a与b的值,可以解得a=10.5,b=32.9。
综上可得给定任务时间为825小时下的可靠度的先验概率密度函数如式(19)所示。
(三)尺寸参数与形状参数的先验分布的确定
对于像形状参数k这样的先验随机变量,可以作为无信息的先验分布来对待,对于无信息先验分布,有式(6)的形式,其中k1和k2由验前数据计算或由专家经验给出,并记k的定义域[k1,k2]为K。根据验前信息,可取k1=2,k2=8。
根据式(2)和式(6)由分布的可靠度进行变换,可以得到给定形状参数k之下的尺寸参数λ的条件先验分布。
(四)可靠度验后分布与可靠度均值的计算
对于现场可靠性试验的子***失效数据:t1,t2,t3......tm,记则以现场数据为样本的似然函数如式(8)所示。以主轴故障数据为例,其中t1=595,t2=812,t3=975,t4=983。根据贝叶斯理论,根据式(12),可以得到主轴子***在规定任务时间为800h的情况下的可靠度均值为0.72。同理我们可以得到行程开关子***和冷却子***的可靠度:行程开关的可靠度为0.97,冷却子***的可靠度为0.88。
(五)数控机床故障树模型的建立
数控机床是一个集机电液于一体的复杂***,根据各自的功能可以分为CNC***、伺服***、主轴***、进给轴***、冷却润滑***、电机、电源等。
在故障树中,顶事件是诊断对象的***级子***。对于数控机床的故障数来说,数控机床的故障事件即为顶事件。
由于数控机床的零子***的数量非常巨大,为了简化建树工作,需要建立边界条件,分清楚不允许发生的事件、不可能发生的事件、必然事件。在建树过程中应该要抓住主要矛盾、可能性很大以及关键性的故障事件,最后得到了数控机床故障树的模型如图1所示。
在图1中,T为顶事件,M1,M2,M3……为中间事件,X1,X2,X3……为基本事件也称为底事件。为了减小计算复杂度与建树复杂度,在分析计算过程中只需要考虑在现场可靠性试验的定时截尾时间内曾经出现过的故障或经验认为易出现故障的基本事件和未出现故障但是危害性较大的基本事件,其他低故障率子***和低危害子***可以认为它的故障率接近零,即可靠度接近1。
(六)数控机床可靠度的计算
根据故障树模型能在已知基本事件故障率的情况下定量分析顶事件故障率。若欲通过基本事件可靠度定量分析顶事件的可靠度,可将故障数变为成功树。通过将故障树的“与门”换成“或门”,“或门”换成“与门”,并把全部事件的发生变成不发生,得到了数控机床的成功树如图2所示
考虑数控机床可靠树模型的特点,为简化分析可以认为所有基本事件相互独立,所有的事件仅考虑正常和失效两种状态,不考虑时间变化而作为稳态处理。用可靠度的计算式(15)得到数控机床的可靠度为0.61。
应该说明的是,本发明的上述具体应用仅用于示例性阐述本发明的原理和流程,不构成对本发明的限制。因此,在不偏离本发明思想和范围的情况下所做的任何修改和等同替换,均应包含在本发明的保护范围内。
Claims (1)
1.一种基于贝叶斯与故障树的数控机床可靠性评价方法,其特征在于,步骤如下:
(一)先验信息的选择
以同种子***的历史故障数据作为先验信息,并用威布尔分布来拟合它们的分布:
式中,e是自然常数,t是故障间隔时间或工作寿命,R(t)是可靠度分布函数,λ是尺度参数,k是形状参数,F(t)是累计失效概率函数;
由式(1)得到数控机床子***的可靠度分布函数;
(二)先验分布的计算
对于给定任务时间τ下的可靠度Rτ,选择对数逆伽马分布作为其先验分布,子***可靠度的先验分布为:
式中,a和b为大于0的超参数;
Rτ表示为均值和方差的形式,均值和方差的具体数值由基于先验信息得到的可靠度分布函数估得;在可靠度的先验分布的式(2)中均值和方差分别由对数逆伽马分布的公式求得:
由式(3)和(4)得到可靠度先验分布中的两个参数a与b的值,进而得到确定参数的可靠度先验分布;
(三)尺寸参数与形状参数先验分布的确定
形状参数k看作无信息的先验分布,对于无信息先验分布,有如下公式:
π(k)∝k-1,k≥0 (5)
用一种常用的无信息先验分布:均匀分布来表示形状参数的先验分布:
根据式(2)和式(6)由分布的可靠度进行变换,得到给定形状参数k时,尺寸参数λ的条件先验分布:
(四)可靠度后验分布与可靠度均值的计算
对于现场可靠性试验的子***失效数据:t1,t2,t3......tm,记则以现场可靠性试验数据为样本的似然函数为:
式中,D为现场可靠性试验数据;
根据贝叶斯理论,联合式(2)、式(6)、式(7)、式(8),得到k和λ的联合验后分布为:
其中I(D)为:
结合式(1)与式(9),即得到已知现场可靠性试验数据的可靠度R的验后分布如式(11)所示:
再对式(11)计算期望值,从而得到可靠度均值如式(12)所示:
(五)数控机床故障树模型的建立
将数控机床看成一个由CNC***、伺服***、主轴***、进给轴***、冷却润滑***、电机、电源组成的复杂***;以数控机床的故障事件为顶事件,根据各子***之间的串并联关系及各子***对机床***的影响建立故障树模型;
(六)数控机床可靠度的计算
通过将故障树模型中的“与门”换成“或门”,“或门”换成“与门”,并把全部事件的发生变成不发生,得到数控机床的成功树;
对于所有的事件仅考虑正常和失效两种状态,不考虑时间变化而作为稳态处理;
设可靠树最小径集为Ki(X),其结构式为:
其中,ki是最小径集Ki(X)包含的基本事件的下标集合;
则用最小径集表示的顶事件的结构式为:
将可靠度代入结构式,得到数控机床的可靠度的计算式:
式中,E(RT τ)为数控机床可靠度的数学期望,Ej(Rj τ)为第j个子***的可靠度的数学期望;
进而用可靠度的计算式(15)得到数控机床的可靠度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810983924.6A CN109143972B (zh) | 2018-08-28 | 2018-08-28 | 一种基于贝叶斯与故障树的数控机床可靠性评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810983924.6A CN109143972B (zh) | 2018-08-28 | 2018-08-28 | 一种基于贝叶斯与故障树的数控机床可靠性评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109143972A true CN109143972A (zh) | 2019-01-04 |
CN109143972B CN109143972B (zh) | 2020-04-07 |
Family
ID=64828492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810983924.6A Active CN109143972B (zh) | 2018-08-28 | 2018-08-28 | 一种基于贝叶斯与故障树的数控机床可靠性评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109143972B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765450A (zh) * | 2019-03-21 | 2019-05-17 | 中国矿业大学 | 基于贝叶斯网络的开关磁阻电机驱动***可靠性评估方法 |
CN109872084A (zh) * | 2019-03-18 | 2019-06-11 | 国电联合动力技术有限公司 | 风电机组的故障率统计方法及*** |
CN110457654A (zh) * | 2019-08-08 | 2019-11-15 | 哈尔滨理工大学 | 一种基于现场数据的机载设备可靠性预测方法 |
CN111509957A (zh) * | 2020-03-12 | 2020-08-07 | 安徽大学 | 一种电机逆变器可靠性计算方法 |
CN111680450A (zh) * | 2020-05-14 | 2020-09-18 | 北京航空航天大学 | 一种基于不确定性贝叶斯网络的结构***可靠性分析方法 |
CN117851266A (zh) * | 2024-03-05 | 2024-04-09 | 中国人民解放军海军工程大学 | 安全关键软件可靠性贝叶斯验证方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020198667A1 (en) * | 2001-05-24 | 2002-12-26 | Robert Dodge | System and method for facilitating welding system diagnostics |
CN101846992A (zh) * | 2010-05-07 | 2010-09-29 | 上海理工大学 | 基于数控机床故障案例的故障树构造方法 |
CN102819239A (zh) * | 2011-06-08 | 2012-12-12 | 同济大学 | 一种数控机床智能故障诊断方法 |
CN105205221A (zh) * | 2015-08-26 | 2015-12-30 | 电子科技大学 | 一种重型数控机床精度可靠性分析方法 |
CN107179765A (zh) * | 2017-06-08 | 2017-09-19 | 电子科技大学 | 一种重型数控机床电气控制与驱动***可靠性分析方法 |
-
2018
- 2018-08-28 CN CN201810983924.6A patent/CN109143972B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020198667A1 (en) * | 2001-05-24 | 2002-12-26 | Robert Dodge | System and method for facilitating welding system diagnostics |
CN101846992A (zh) * | 2010-05-07 | 2010-09-29 | 上海理工大学 | 基于数控机床故障案例的故障树构造方法 |
CN102819239A (zh) * | 2011-06-08 | 2012-12-12 | 同济大学 | 一种数控机床智能故障诊断方法 |
CN105205221A (zh) * | 2015-08-26 | 2015-12-30 | 电子科技大学 | 一种重型数控机床精度可靠性分析方法 |
CN107179765A (zh) * | 2017-06-08 | 2017-09-19 | 电子科技大学 | 一种重型数控机床电气控制与驱动***可靠性分析方法 |
Non-Patent Citations (2)
Title |
---|
JUNYU GUO等: "Bayesian degradation assessment of CNC machine tools considering unit non-homogeneity", 《JOURNAL OF MECHANICAL SCIENCE AND TECHNOLOGY》 * |
朱思东等: "基于贝叶斯方法的智能诊断***中的故障树排序", 《应用.交流》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872084A (zh) * | 2019-03-18 | 2019-06-11 | 国电联合动力技术有限公司 | 风电机组的故障率统计方法及*** |
CN109765450A (zh) * | 2019-03-21 | 2019-05-17 | 中国矿业大学 | 基于贝叶斯网络的开关磁阻电机驱动***可靠性评估方法 |
CN109765450B (zh) * | 2019-03-21 | 2020-08-28 | 中国矿业大学 | 基于贝叶斯网络的开关磁阻电机驱动***可靠性评估方法 |
CN110457654A (zh) * | 2019-08-08 | 2019-11-15 | 哈尔滨理工大学 | 一种基于现场数据的机载设备可靠性预测方法 |
CN111509957A (zh) * | 2020-03-12 | 2020-08-07 | 安徽大学 | 一种电机逆变器可靠性计算方法 |
CN111509957B (zh) * | 2020-03-12 | 2023-04-07 | 安徽大学 | 一种电机逆变器可靠性计算方法 |
CN111680450A (zh) * | 2020-05-14 | 2020-09-18 | 北京航空航天大学 | 一种基于不确定性贝叶斯网络的结构***可靠性分析方法 |
CN111680450B (zh) * | 2020-05-14 | 2023-09-01 | 北京航空航天大学 | 一种基于不确定性贝叶斯网络的结构***可靠性分析方法 |
CN117851266A (zh) * | 2024-03-05 | 2024-04-09 | 中国人民解放军海军工程大学 | 安全关键软件可靠性贝叶斯验证方法及装置 |
CN117851266B (zh) * | 2024-03-05 | 2024-05-28 | 中国人民解放军海军工程大学 | 安全关键软件可靠性贝叶斯验证方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109143972B (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109143972A (zh) | 一种基于贝叶斯与故障树的数控机床可靠性评价方法 | |
US20200327264A1 (en) | Systems and methods for enhanced power system model calibration | |
Morison et al. | Power system security assessment | |
Zhu et al. | Time series shapelet classification based online short-term voltage stability assessment | |
Zheng et al. | Regression tree for stability margin prediction using synchrophasor measurements | |
CN111401749A (zh) | 一种基于随机森林与极限学习回归的动态安全评估方法 | |
Campaña | Evaluación de la Vulnerabilidad del Sistema Eléctrico de Potencia en tiempo real usando Tecnología de Medición Sincrofasorial | |
CN109657913B (zh) | 一种考虑分布式电源的输配电网联合风险评估方法 | |
CN109378835A (zh) | 基于互信息冗余性最优的大规模电力***暂态稳定评估*** | |
CN110674984A (zh) | 一种基于Tri-Training-Lasso-BP网络的静态电压稳定裕度预测方法 | |
CN113837604A (zh) | 一种多源异构数据融合与多维度数据相关性分析*** | |
CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及*** | |
Papadopoulos et al. | A three-level distributed architecture for the real-time monitoring of modern power systems | |
CN113300373B (zh) | 一种基于prmse评价指标的稳定裕度值预测方法及装置 | |
CN109613372B (zh) | 一种基于多元电网数据库的电网故障诊断方法 | |
Sahu et al. | Online monitoring of voltage stability margin using PMU measurements | |
Hagmar et al. | On-line voltage instability prediction using an artificial neural network | |
CN109768550A (zh) | 一种考虑风电相关性的概率暂态稳定性评估方法 | |
CN113901649A (zh) | 一种频率仿真中负荷参数辨识方法、***及存储介质 | |
CN114156865A (zh) | 一种考虑状态感知的低压配电网拓扑生成及故障预测方法 | |
Liu | Dynamic-data driven real-time identification for electric power systems | |
Rocha-Doria et al. | Synchrophasor applications in distribution systems: real-life experience | |
CN106296461B (zh) | 基于粒子群优化算法及局部状态估计的电网参数辨识方法 | |
KR20160079964A (ko) | 온라인 발전기 고장 파급 시스템의 안정도 마진을 산정하기 위한 장치 및 그 방법 | |
CN113361769B (zh) | 基于prmse和crmse评价指标的稳定裕度值预测方法及装置 |
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 |