CN110134090B - 融合多源信息的工业机器人控制***可靠性评估方法 - Google Patents
融合多源信息的工业机器人控制***可靠性评估方法 Download PDFInfo
- Publication number
- CN110134090B CN110134090B CN201910433270.4A CN201910433270A CN110134090B CN 110134090 B CN110134090 B CN 110134090B CN 201910433270 A CN201910433270 A CN 201910433270A CN 110134090 B CN110134090 B CN 110134090B
- Authority
- CN
- China
- Prior art keywords
- information
- industrial robot
- control system
- robot control
- 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.)
- Expired - Fee Related
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 64
- 238000005315 distribution function Methods 0.000 claims description 16
- 238000013398 bayesian method Methods 0.000 claims description 8
- 238000000546 chi-square test Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical class C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种融合多源信息的工业机器人控制***可靠性评估方法,包括以下步骤:S1、对工业机器人控制***的结构和功能进行分析,建立***可靠性模型;S2、收集工业机器人控制***零部件的可靠性信息;S3、以现场试验信息作为信息融合的中心,融合历史批量信息和专家经验信息,得到工业机器人控制***零部件的可靠性评估值;S4、将零部件的可靠性评估值带入***可靠性模型中进行计算,得到融合多源信息工业机器人控制***的可靠性评估值。本发明融合了现场试验信息、历史批量信息和专家经验信息,并结合***可靠性模型,得到工业机器人控制***的可靠性评估值,可以在现场可靠性数据比较少的情况下,提高工业机器人控制***可靠性评估的准确性。
Description
技术领域
本发明属于工业机器人控制***可靠性分析技术领域,特别涉及一种融合多源信息的工业机器人控制***可靠性评估方法。
背景技术
2013年全球工业机器人销售量达17.9万台,中国销量就占3.7万台,为世界上最大的工业机器人消费国。中国的工业机器人发展迅速,但是存在的问题依旧突出,核心竞争力不强,技术水平不够高,自主品牌率低,精度、寿命、可靠性与国际水平都有较大的差距。工业机器人产品的可靠性是其应用的关键,缺乏高可靠性的产品就没有市场,也就没有机器人产业的发展,针对工业机器人关键零部件和高端产品的重大突破,能够实现工业机器人质量可靠性的大幅提升,对减少工业机器人故障、安全事故的发生和提高劳动生产率具有重大的意义。
陈胜军在《面向工业机器人***的可靠性预测方法研究》一文中提到,在工业机器人***中,其控制***的失效率最大,对控制***的可靠性分析是提高***可靠性的关键。工业机器人的控制***通常是集成在控制柜中,对高集成度的***来说,收集其零部件的故障信息十分困难,在这种情况下需要融合多源的信息来完成对控制***的可靠性评估。加州大学的Khaleghi教授对信息融合进行了深入研究,提出数据融合***的概率统计论、模糊集理论、神经网络、证据理论等基本融合方法,其中概率统计论中的贝叶斯方法起源悠久,理论成熟,运用广泛,通过不断应用贝叶斯方法,将后验分布视为先验分布,可以递归地融合新的数据来更新***状态的概率分布,但是当函数分布形式复杂或维数过高的时候,这种方法会存在积分上的困难而难以获得精确的后验分布。
张家凡和心语芳在《Challenges in the RAMS Database Realization forIndustrial Robots》一文中提到,工业机器人可靠性的提高不仅仅在于通过更可靠的硬件设计,还需要的是通过一定的信息收集和分析现场的故障数据来实现。然而目前的数据远远达不到可靠性分析的要求,同时也面临着很多挑战。
发明内容
本发明的目的在于克服现有技术的不足,提供一种融合了现场试验信息、历史批量信息和专家经验信息,并结合***可靠性模型,得到工业机器人控制***的可靠性评估值,可以在现场可靠性数据比较少的情况下,提高工业机器人控制***可靠性评估的准确性。
本发明的目的是通过以下技术方案来实现的:融合多源信息的工业机器人控制***可靠性评估方法,其特征在于,包括以下步骤:
S1、对工业机器人控制***结构和功能进行分析,确定***零部件的个数,分析工业机器人控制***零部件之间的组成关系,建立***的可靠性模型;
S2、收集工业机器人控制***零部件的可靠性信息,根据可靠性信息的来源不同,将可靠性信息分为历史批量信息、专家经验信息和现场试验信息;
S3、采用概率统计论中的贝叶斯方法作为多源信息融合的理论基础,以现场试验信息作为信息融合的中心,融合历史批量信息和专家经验信息,得到工业机器人控制***零部件的可靠性评估值;
S4、将步骤S3得到的工业机器人控制***零部件的可靠性评估值带入工业机器人控制***可靠性模型中进行计算,得到融合多源信息工业机器人控制***的可靠性评估值,完成工业机器人控制***的可靠性评估。
进一步地,所述步骤S3包括以下子步骤:
S31、根据步骤S2收集到的工业机器人控制***零部件的现场试验信息,构造似然函数;
S32、根据贝叶斯理论,针对似然函数的形式,选择对应的共轭先验分布,构造共轭先验分布函数;
S33、通过经验贝叶斯的方法,求得基于历史批量信息的共轭先验分布参数;通过一次二阶矩方法,将专家经验信息转化为共轭先验分布中的一阶矩和二阶矩,得到基于专家经验信息的共轭先验分布参数;
S34、根据步骤S33中求得的基于历史批量信息和专家经验信息中的共轭先验分布参数,将现场试验数据作为信息融合的中心,通过卡方检验方法计算现场试验信息与专家经验信息、历史批量信息之间的权重系数,构造混合共轭先验分布;
S35、结合现场试验数据和混合共轭先验分布,通过贝叶斯理论得到工业机器人控制***零部件的后验分布函数,对后验分布求均值得到工业机器人控制***零部件的可靠性评估值。
本发明的有益效果是:本发明提出了一种融合多源信息的工业机器人控制***的可靠性评估方法,在分析其***零部件组成的基础之上,融合了现场试验信息、历史批量信息和专家经验信息,并结合***可靠性模型,得到工业机器人控制***的可靠性评估值。针对工业机器人控制***结构复杂,电子元器件高度集成,故障信息难以收集,常规的可靠性评估存在偏差问题,该方法可以在现场可靠性数据比较少的情况下,提高工业机器人控制***可靠性评估的准确性。
附图说明
图1为本发明提供的基于融合多源信息的工业机器人控制***可靠性评估流程图。
图2为本发明实施例提供的工业机器人控制***组成结构简图。
图3为本发明实施例提供的工业机器人控制***可靠性框图。
图4为本发明实施例提供的工业机器人控制***多轴运动控制器的后验分布图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
如图1所示,本发明提供的一种融合多源信息的工业机器人控制***可靠性评估方法,包括以下步骤:
S1、对工业机器人控制***结构和功能进行分析,确定***零部件的个数,分析工业机器人控制***零部件之间的组成关系,建立***的可靠性模型;
在本实例中,工业机器人控制***结构分析以硬件结构为划分的基准,其优点在于其划分类型结构比较简单,层次比较清晰,直观易懂,具体结构如图2所示。
工业机器人的控制***作业方式具体为:
(1)操作员通过示教器输入指令;
(2)工控机自动计算作业的运动轨迹规划,以及相应关节的运动数据,并将这些数据传送给工业机器人的多轴运动控制器;
(3)多轴运动控制器将数据处理传送给相应关节部分的驱动器,由驱动器控制伺服电机完成工业机器人相应的作业要求;
(4)传感器将收集到的实时数据,如速度、角加速度,加速时间等,通过互联模块传送到工业机器人的人工交互模块,以便操作人员及时掌握工业机器人的状态。
结合以上分析,工业机器人控制***的零部件组成可划分为:示教器、工控机、多轴运动控制器、传感器、互联模块,各零部件之间为串联关系,以***可靠性框图的形式表现出来如图3所示,建立的工业机器人控制***的可靠性模型为:
S2、收集工业机器人控制***零部件的可靠性信息,根据可靠性信息的来源不同,将可靠性信息分为历史批量信息、专家经验信息和现场试验信息;
为避免工作量重复,现以工业机器人控制***五个零部件中的多轴运动控制器为例,对融合多源信息的工业机器人控制***零部件可靠性评估的具体方法展开说明。
某工业机器人规定任务的工作时间为200小时,收集到的工业机器人的控制***多轴运动控制器的有关可靠性的信息如下:
历史批量信息:根据以往记录获得多个批次工业机器人控制***的历史可靠性信息如表1所示。
表1
序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
试验数 | 95 | 81 | 87 | 79 | 80 | 81 | 100 | 65 | 72 | 91 |
失效数 | 9 | 6 | 4 | 6 | 6 | 7 | 12 | 4 | 6 | 8 |
专家经验信息:工业机器人方面的专家和技术人员通过物理分析和工程经验给出控制***多轴运动控制器的可靠度估计为0.90,偏差在2%左右。
现场试验信息:25台同型号的工业机器人在规定的任务时间内运行,出现2台工业机器人的控制***多轴运动控制器失效的情况。
S3、采用概率统计论中的贝叶斯方法作为多源信息融合的理论基础,以现场试验信息作为信息融合的中心,融合历史批量信息和专家经验信息,得到工业机器人控制***零部件的可靠性评估值;具体包括以下子步骤:
S31、根据步骤S2收集到的工业机器人控制***零部件的现场试验信息,构造似然函数;
由现场试验信息(n为现场试验台数,f出现多轴运动控制器失效的台数)可知,规定任务时间内通过可靠性试验的工业机器人控制***多轴运动控制器服从二项分布,其似然函数表示为:
其中,Ri表示工业机器人控制***多轴运动控制器的可靠度。
S32、根据贝叶斯理论,针对似然函数的形式,选择对应的共轭先验分布,构造共轭先验分布函数;
考虑到似然函数服从二项分布,由贝叶斯理论中的共轭先验分布理论,令π(Ri)为参数Ri的共轭先验分布函数,则工业机器人控制***多轴运动控制器的共轭先验分布函数形式为贝塔分布函数
其中,0≤Ri≤1,ai>,bi>0,ai,bi为贝塔分布的参数,Γ(·)表示伽马函数,分布形式为Γ(x)=∫sx-1e-sds。
S33、通过经验贝叶斯的方法,求得基于历史批量信息的共轭先验分布参数;通过一次二阶矩方法,将专家经验信息转化为共轭先验分布中的一阶矩和二阶矩,得到基于专家经验信息的共轭先验分布参数;
S331、设历史批量信息的共轭先验分布参数为a1,b1。
对于历史批量信息,用tk,fk(k=1,2,…,10)分别表示第k次的试验数和失效数,由该信息可以得到第k次历史试验产品的点估计值本实施例中工业机器人控制***多轴运动控制器的历史可靠性信息如表2所示。
表2
根据经验贝叶斯方法可求得,基于历史批量信息的先验分布参数a1,b1,工业机器人控制***的多轴运动控制器有k次历史试验产品的点估计值时,ai,bi可以用以下经验贝叶斯公式确定
结合表2和式(4)、(5),得到基于历史批次信息的共轭先验分布参数a1=8.3681,b1=0.774。
S332、设专家经验信息的共轭先验分布参数为a2,b2;
专家经验给出的信息为多轴运动控制器的可靠性估计值为0.90,偏差在2%左右,这种经验和意见表达都是主观语言的形式表达,因此,采用一次二阶矩方法将专家信息转化为共轭验前分布的一阶矩和二阶矩:
∫0 1Ri·πi(Ri)dRi=0.90 (6)
∫0 1Ri 2·πi(Ri)dRi=0.02 (7)
将式(3)代入式(6)、(7),可以求得基于专家经验的先验分布参数a2=3.15,b2=0.25。
S34、根据步骤S33中求得的基于历史批量信息和专家经验信息中的共轭先验分布参数,将现场试验数据作为信息融合的中心,通过卡方检验方法计算现场试验信息与专家经验信息、历史批量信息之间的权重系数,构造混合共轭先验分布;
当共轭先验分布参数ai,bi确定的时候,参数Ri的先验密度函数πi(Ri)就可以确定,根据贝叶斯理论,依据共轭先验分布形式,便可以求得验后分布。为有效利用收集到的多源信息,避免现场试验信息在整体的信息中产生的作用太小,以及数据量过少带来的偶然性,在此情况下构造如下的混合验前分布函数:
权重系数对工业机器人控制***的零部件可靠性评估有很大的影响,在这种情况下,ρi的取值方式就变得极为重要,将其他信息源的验前分布参数ai,bi视为验前信息的样本,使用验前分布样本和现场试验信息的拟合优度来确定ρi。
设现场试验数据(n,f)、历史批量信息(a1,b1)、专家经验信息(a2,b2)分别来自总体X、Y1、Y2,做表格3:
表3 现场试验信息、历史批量信息和专家经验信息联列表
总体 | 成功数 | 失效数 | 总和 |
X | n-f | f | n |
Y<sub>1</sub> | a<sub>1</sub> | b<sub>1</sub> | a<sub>1</sub>+b<sub>1</sub> |
Y<sub>2</sub> | a<sub>2</sub> | b<sub>2</sub> | a<sub>2</sub>+b<sub>2</sub> |
总和 | n-f+a<sub>1</sub>+b<sub>1</sub> | f+b<sub>1</sub>+b<sub>2</sub> | n+a<sub>1</sub>+b<sub>1</sub>+a<sub>2</sub>+b<sub>2</sub> |
令
在式(9)中,Ki为卡方检验里面的统计量,近似服从自由度为1的χ2分布,卡方检验不光可以用来衡量观测分布和理论分布之间的拟合程度,还可以测量两个分类标准或者两个变量之间的相关性,因此可用作为检验统计量对X和Y总体的是否相似这一假设进行相容性检验。但是该检验是一个大样本的检验,要求n,f,ai,bi都要大于5,因此当该条件无法得到满足的时候,需要进行修正,修正后的公式为:
将现场试验信息(25,2)、历史批量信息(a1,b1)、专家检验信息(a2,b2)代入式(10)可以得到:K1=0.3779,K2=1.2159。调用Matlab里面的chi2cdf命令对自由度为1的卡方分布求αi得:α1=0.8858,α2=0.6139。
此时αi即为检验的拟合度,实际上是以概率的形式表征X、Yi两个总体的相似度,当αi越大则说明验前分布信息与现场信息越相似,验前分布参数ai,bi在融合验前分布中的地位越重要,其权重系数也越大,因此可以根据αi的值来确定权重系数ρi:
可得:ρ1=0.5907,ρ2=0.4093。
S35、结合现场试验数据和混合共轭先验分布,通过贝叶斯理论得到工业机器人控制***零部件的后验分布函数,对后验分布求均值得到工业机器人控制***零部件的可靠性评估值。
将ρ1,ρ2代入式(8),根据贝叶斯共轭先验分布与后验分布具有相同的形式,可得融合专家经验、历史批量信息以及现场试验信息的后验分布函数表示为:
工业机器人控制***多轴运动控制器的后验分布函数以及不同信息下的后验分布函数如图4所示。
在可靠性工程领域,可靠度的均值是复杂***可靠性评定的关键指标,因此,将π(D|Ri)如下式求均值:
得到本实施例工业机器人的控制***多轴运动控制器的可靠性评估值为0.951。
S4、将步骤S3得到的工业机器人控制***零部件的可靠性评估值带入工业机器人控制***可靠性模型中进行计算,得到融合多源信息工业机器人控制***的可靠性评估值,完成工业机器人控制***的可靠性评估。
重复步骤S2和步骤S3,可以得到工业机器人控制***其他零部件的可靠性评估值,如表4所示。
表4 工业机器人控制***零部件可靠性评估值
将表4中的数据代入式(1)可以得到,规定任务的工作时间为200小时情况下,工业机器人控制***的可靠性评估值为0.9218。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.融合多源信息的工业机器人控制***可靠性评估方法,其特征在于,包括以下步骤:
S1、对工业机器人控制***结构和功能进行分析,确定***零部件的个数,分析工业机器人控制***零部件之间的组成关系,建立***的可靠性模型;
S2、收集工业机器人控制***零部件的可靠性信息,根据可靠性信息的来源不同,将可靠性信息分为历史批量信息、专家经验信息和现场试验信息;
S3、采用概率统计论中的贝叶斯方法作为多源信息融合的理论基础,以现场试验信息作为信息融合的中心,融合历史批量信息和专家经验信息,得到工业机器人控制***零部件的可靠性评估值;包括以下子步骤:
S31、根据步骤S2收集到的工业机器人控制***零部件的现场试验信息,构造似然函数;规定任务时间内通过可靠性试验的工业机器人控制***多轴运动控制器服从二项分布,其似然函数表示为:
n为现场试验台数,f为出现多轴运动控制器失效的台数,Ri表示工业机器人控制***多轴运动控制器的可靠度;
S32、根据贝叶斯理论,针对似然函数的形式,选择对应的共轭先验分布,构造共轭先验分布函数;
考虑到似然函数服从二项分布,由贝叶斯理论中的共轭先验分布理论,令π(Ri)为参数Ri的共轭先验分布函数,则工业机器人控制***多轴运动控制器的共轭先验分布函数形式为贝塔分布函数
其中,0≤Ri≤1,ai>,bi>0,ai,bi为贝塔分布的参数,Γ(·)表示伽马函数,分布形式为Γ(x)=∫sx-1e-sds;
S33、通过经验贝叶斯的方法,求得基于历史批量信息的共轭先验分布参数;通过一次二阶矩方法,将专家经验信息转化为共轭先验分布中的一阶矩和二阶矩,得到基于专家经验信息的共轭先验分布参数;
S331、设历史批量信息的共轭先验分布参数为a1,b1;
根据经验贝叶斯方法求得,基于历史批量信息的先验分布参数a1,b1,工业机器人控制***的多轴运动控制器有k次历史试验产品的点估计值时,ai,bi用以下经验贝叶斯公式确定
S332、设专家经验信息的共轭先验分布参数为a2,b2;
S34、根据步骤S33中求得的基于历史批量信息和专家经验信息中的共轭先验分布参数,将现场试验数据作为信息融合的中心,通过卡方检验方法计算现场试验信息与专家经验信息、历史批量信息之间的权重系数,构造混合共轭先验分布;
构造如下的混合验前分布函数:
将其他信息源的验前分布参数ai,bi视为验前信息的样本,使用验前分布样本和现场试验信息的拟合优度来确定ρi;
S35、结合现场试验数据和混合共轭先验分布,通过贝叶斯理论得到工业机器人控制***零部件的后验分布函数,对后验分布求均值得到工业机器人控制***零部件的可靠性评估值;
融合专家经验、历史批量信息以及现场试验信息的后验分布函数表示为:
将π(D|Ri)如下式求均值:
得到工业机器人的控制***多轴运动控制器的可靠性评估值;
S4、将步骤S3得到的工业机器人控制***零部件的可靠性评估值带入工业机器人控制***可靠性模型中进行计算,得到融合多源信息工业机器人控制***的可靠性评估值,完成工业机器人控制***的可靠性评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433270.4A CN110134090B (zh) | 2019-05-23 | 2019-05-23 | 融合多源信息的工业机器人控制***可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433270.4A CN110134090B (zh) | 2019-05-23 | 2019-05-23 | 融合多源信息的工业机器人控制***可靠性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110134090A CN110134090A (zh) | 2019-08-16 |
CN110134090B true CN110134090B (zh) | 2020-09-29 |
Family
ID=67572603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910433270.4A Expired - Fee Related CN110134090B (zh) | 2019-05-23 | 2019-05-23 | 融合多源信息的工业机器人控制***可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110134090B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110716520B (zh) * | 2019-10-29 | 2022-11-01 | 中国航空工业集团公司西安飞行自动控制研究所 | 基于多源信息融合的飞控伺服作动器可靠性评估建模方法 |
CN116881852B (zh) * | 2023-09-07 | 2023-11-14 | 北京航空航天大学 | 一种多源数据下的导弹技术准备完好率评估方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519733A (zh) * | 2011-12-02 | 2012-06-27 | 南京航空航天大学 | 一种基于监测信息融合的航空发动机在翼可靠性评估方法 |
CN103308223A (zh) * | 2013-05-20 | 2013-09-18 | 西北工业大学 | 基于柔性热敏传感器的壁面剪应力测试装置及其测量方法 |
CN105653769A (zh) * | 2015-12-24 | 2016-06-08 | 电子科技大学 | 时变不确定条件下机械臂多学科可靠性设计优化方法 |
CN106202725A (zh) * | 2016-07-12 | 2016-12-07 | 北京航空航天大学 | 基于多源数据的成败型产品可靠性试验设计和决策方法 |
CN106777814A (zh) * | 2017-01-18 | 2017-05-31 | 电子科技大学 | 基于多源层次信息更新与故障物理的可靠性预计方法 |
KR20180009180A (ko) * | 2016-07-18 | 2018-01-26 | 단국대학교 천안캠퍼스 산학협력단 | 모바일 환경 객체 신뢰도 평가와 학습을 통한 융합 객체 추적 시스템 및 방법 |
CN108595847A (zh) * | 2018-04-27 | 2018-09-28 | 公安部天津消防研究所 | 一种用于气体灭火***可靠性的评估方法 |
CN109101751A (zh) * | 2018-08-30 | 2018-12-28 | 电子科技大学 | 一种基于信息融合的动量轮可靠性评估方法 |
EP3432178A1 (en) * | 2017-07-21 | 2019-01-23 | CL Schutzrechtsverwaltungs GmbH | Method for controlling operation of at least one additive manufacturing apparatus for additively manufacturing of three-dimensional objects |
CN109684713A (zh) * | 2018-12-21 | 2019-04-26 | 中国人民解放军陆军工程大学 | 基于贝叶斯的复杂***可靠性分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190034458A1 (en) * | 2017-07-25 | 2019-01-31 | GM Global Technology Operations LLC | System and method for use of business intelligence for rule based manufacturing process design |
-
2019
- 2019-05-23 CN CN201910433270.4A patent/CN110134090B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519733A (zh) * | 2011-12-02 | 2012-06-27 | 南京航空航天大学 | 一种基于监测信息融合的航空发动机在翼可靠性评估方法 |
CN103308223A (zh) * | 2013-05-20 | 2013-09-18 | 西北工业大学 | 基于柔性热敏传感器的壁面剪应力测试装置及其测量方法 |
CN105653769A (zh) * | 2015-12-24 | 2016-06-08 | 电子科技大学 | 时变不确定条件下机械臂多学科可靠性设计优化方法 |
CN106202725A (zh) * | 2016-07-12 | 2016-12-07 | 北京航空航天大学 | 基于多源数据的成败型产品可靠性试验设计和决策方法 |
KR20180009180A (ko) * | 2016-07-18 | 2018-01-26 | 단국대학교 천안캠퍼스 산학협력단 | 모바일 환경 객체 신뢰도 평가와 학습을 통한 융합 객체 추적 시스템 및 방법 |
CN106777814A (zh) * | 2017-01-18 | 2017-05-31 | 电子科技大学 | 基于多源层次信息更新与故障物理的可靠性预计方法 |
EP3432178A1 (en) * | 2017-07-21 | 2019-01-23 | CL Schutzrechtsverwaltungs GmbH | Method for controlling operation of at least one additive manufacturing apparatus for additively manufacturing of three-dimensional objects |
CN108595847A (zh) * | 2018-04-27 | 2018-09-28 | 公安部天津消防研究所 | 一种用于气体灭火***可靠性的评估方法 |
CN109101751A (zh) * | 2018-08-30 | 2018-12-28 | 电子科技大学 | 一种基于信息融合的动量轮可靠性评估方法 |
CN109684713A (zh) * | 2018-12-21 | 2019-04-26 | 中国人民解放军陆军工程大学 | 基于贝叶斯的复杂***可靠性分析方法 |
Non-Patent Citations (8)
Title |
---|
"Bayesian可靠性评估中多源信息融合的概率模型方法";刘本纪;《电子产品可靠性与环境试验》;20110228;第10-13页 * |
"A reliability prediction method for industrial robots";Jun Cai;《2018 Asia-Pacific International Symposium on Advanced Reliabilityan Maintenance Modeling&2018 International Conference on Qualityd》;20181231;第661-665页 * |
"Bayesian degradation assessment of CNC machine tools considering unit non-homogeneity";J. Guo;《Journal of Mechanical Science and Technology》;20180630;第2479-2485页 * |
"产品可靠性评估中的多源信息融合技术研究";方艮海;《中国博士学位论文全文数据库-工程科技II辑》;20060815;第C028-1页 * |
"基于多源信息融合的气象无人机平台可靠性评估研究";杜智涛;《测控技术》;20131231;第133-136页 * |
"数控机床可靠性评价体系探究";黄洪钟;《制造技术与机床》;20150731;第71-77页 * |
"重型数控机床可靠性建模与评估技术研究";彭卫文;《中国博士学位论文全文数据库-工程科技I辑》;20160715;第B022-54页 * |
"面向工业机器人***的可靠性预测方法研究";陈胜军;《数学的实践与认识》;20051031;第65-69页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110134090A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102011102034B4 (de) | Online-Abgleich eines prozessanalytischen Modells mit effektivem Prozessbetrieb | |
CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
Keats | Statistical process control in automated manufacturing | |
Loose et al. | Kinematic analysis of dimensional variation propagation for multistage machining processes with general fixture layouts | |
CN105205221B (zh) | 一种重型数控机床精度可靠性分析方法 | |
CN110889091B (zh) | 基于温度敏感区间分段的机床热误差预测方法与*** | |
CN110134090B (zh) | 融合多源信息的工业机器人控制***可靠性评估方法 | |
CN109675935B (zh) | 一种变控制限的ipca轧制过程在线故障诊断方法 | |
Ungermann et al. | Data analytics for manufacturing systems–a data-driven approach for process optimization | |
CN112947305B (zh) | 考虑故障相关的数控机床可靠性评估方法 | |
Groba et al. | Architecture of a predictive maintenance framework | |
CN116501005B (zh) | 一种数字孪生联动的工厂运行管理方法及*** | |
CN106844945A (zh) | 一种考虑认知不确定性的多状态***概率重要度分析方法 | |
Brecher et al. | 3 Data Science in Production | |
JP2002236511A (ja) | 工程管理システムおよび工程管理方法 | |
CN117464420A (zh) | 一种适用于数控机床的数字孪生控制刀具自适应匹配*** | |
CN117493197A (zh) | 一种软件项目测试进程的跟踪方法 | |
CN116841250A (zh) | 一种智能制造车间数字孪生模型的构建方法 | |
CN116360339A (zh) | 一种基于元动作单元数字孪生模型的数控机床可靠性优化方法 | |
CN115879605A (zh) | 基于脉动生产模式的飞机总装***瞬态生产能力计算方法 | |
CN113791603A (zh) | 串级定值控制***传感器故障诊断方法 | |
CN110766248A (zh) | 基于shel和区间直觉模糊评价的车间人因可靠性评估方法 | |
Escobar et al. | Augmentation of body-in-white dimensional quality systems through artificial intelligence | |
Deng et al. | A method for reliability detection of automated guided vehicle based on timed automata | |
Sekine et al. | Nissan's new production system: intelligent body assembly system |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200929 |
|
CF01 | Termination of patent right due to non-payment of annual fee |