CN110516339B - 基于Adaboost算法的多失效模式下密封结构可靠性评估方法 - Google Patents
基于Adaboost算法的多失效模式下密封结构可靠性评估方法 Download PDFInfo
- Publication number
- CN110516339B CN110516339B CN201910774060.1A CN201910774060A CN110516339B CN 110516339 B CN110516339 B CN 110516339B CN 201910774060 A CN201910774060 A CN 201910774060A CN 110516339 B CN110516339 B CN 110516339B
- Authority
- CN
- China
- Prior art keywords
- failure
- classification
- training
- sealing ring
- parameters
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C1/00—Fuselages; Constructional features common to fuselages, wings, stabilising surfaces or the like
- B64C1/14—Windows; Doors; Hatch covers or access panels; Surrounding frame structures; Canopies; Windscreens accessories therefor, e.g. pressure sensors, water deflectors, hinges, seals, handles, latches, windscreen wipers
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Graphics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Mechanical Engineering (AREA)
- Aviation & Aerospace Engineering (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种基于Adaboost算法的多失效模式下密封结构可靠性评估方法,采用Adaboost算法对小样本的密封圈失效相关数据进行分类迭代训练,直至集合分类器的分类误差达到精度要求,然后采用重要抽样法来计算密封结构相关参数波动情况下的失效概率,进而评估多失效模式下密封结构的可靠性。本发明解决了复杂结构多失效模式下可靠性评估耗时久,计算过程复杂的难题,对多失效模式下的复杂结构可靠性评估和设计优化问题具有重要的指导意义和实践价值。
Description
技术领域
本发明属于结构可靠性领域,涉及复杂密封结构的可靠性评估方法,具体涉及一种基于Adaboost算法的多失效模式下密封结构可靠性评估方法。
背景技术
密封结构在现代工业领域得到了广泛的应用,密封结构在复杂工况下的失效问题日益凸显。在航空航天领域,飞行器密封结构失效会导致严重后果,造成了很大损失,轻则影响飞行寿命,重则机毁人亡。针对复杂情况下的密封机构失效问题,科研人员做了许多相关研究,以提高密封结构的可靠性。
传统的飞行器密封结构可靠性评估办法一般采用的是有限元计算结合蒙特卡洛模拟的方法。通过有限元仿真来模拟密封结构的失效过程,再直接通过蒙特卡洛方法计算失效概率,进而评估密封结构的可靠性。该方法针对简单的密封结构和单一失效模式取得了良好的效果,但对于多失效模式下的密封结构失效问题则存在着有限元建模复杂,计算时间长,适用范围窄,多失效模式的耦合作用难以模拟等问题。究其原因,在于密封结构失效原因复杂多变。因此对传统的多失效模式下复杂结构可靠性评估办法进行改进是很有必要的。
Adaboost是一种集成学习算法。Adaboost算法的思想是合并多个弱分类器的输出以产生有效的分类。其主要的步骤为:首先给出弱学习算法和样本空间(x,y),从样本空间中找出m组训练数据,每组训练数据的权重都是然后用弱学习算法迭代运算T次,每次运算后都按照分类结果更新训练数据权重分布,对于分类失败的训练个体赋予较大权重,下一次迭代运算时更加关注这些训练个体。弱分类器通过反复迭代得到一个分类函数序列f1,f2,...,fT,每个分类函数赋予一个权重,分类结果越好的函数,其对应权重越大。T次迭代之后,最终强分类函数F由弱分类函数加权得到。
重要抽样法是一种改进的蒙特卡洛模拟方法。其主要思想是,它不从给定的概率分布函数中进行抽样,而是对所给定的概率分布进行修改,使得对模拟结果有重要贡献的部分多出现,从而达到提高效率,减少模拟的时间,以及缩减方差的目的。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于Adaboost算法的多失效模式下密封结构可靠性评估方法。
技术方案
一种基于Adaboost算法的多失效模式下密封结构可靠性评估方法,其特征在于步骤如下:
步骤1:构造训练样本和测试样本
将实验过程中O型密封圈的弹性模量、泊松比、油压和预压缩量作为特征,在同一载荷谱中运行105小时后结构是否失效作为二分类标签,制作出样本容量为N的实验样本;其中,输入的各个参数互相独立且可近似认为服从正态分布,随机抽取80%作为训练样本,其余20%作为测试样本;
步骤2:运用Adaboost算法对训练样本进行分类
采用matlab工具箱中的adaboostM1二分类算法,弱学习器类型为决策树,对训练样本进行分类进行多轮训练;将训练好的分类模型记作F(X),其中X为O型圈的输入特征向量,若F(X)<0,则认定在该输入条件下,O型密封圈失效;否则认定O型密封圈未失效;
步骤3:采用重要抽样法计算失效概率
采取扩大方差的重要抽样法来计算O型密封圈的失效概率,扩大系数设为1.05,抽取N组数据,记作Xi,i=1,2,…,N,代入训练好的分类模型F(X),当F(Xi)<0时,认定在Xi下O型密封圈失效;
有益效果
本发明提出的一种基于Adaboost算法的多失效模式下密封结构可靠性评估方法,采用Adaboost算法对小样本的密封圈失效相关数据进行分类迭代训练,直至集合分类器的分类误差达到精度要求,然后采用重要抽样法来计算密封结构相关参数波动情况下的失效概率,进而评估多失效模式下密封结构的可靠性。本发明解决了复杂结构多失效模式下可靠性评估耗时久,计算过程复杂的难题,对多失效模式下的复杂结构可靠性评估和设计优化问题具有重要的指导意义和实践价值。
附图说明
图1训练数据分布图
图2分类器h1数据分类
图3分类器h2数据分类
图4分类器h3数据分类
图5分类器整合分类
图6重要抽样法示意图
图7训练次数与误差的关系图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
1)Adaboost集成网络分类原理
下面以多失效模式下的密封结构为例,阐述采用Adaboost分类的原理和收敛性证明。
在图1中,训练数据集中“+”和“x”分别代表结构不失效或失效这两个类别。D1是当前数据的分布。理论上每一种失效模式都对应着一条描述极限状态方程的曲线,这些曲线将训练数据分为失效和不失效两个类别。但由于目前对失效机理的研究不足和失效模式的相互耦合难以模拟,我们无法通过解析方法或有限元方法得到准确的失效域和安全域的边界曲线。
我们可以通过Adaboost算法来找到最优的分类方法。按照Adaboost算法的思想需要构建多个简单的分类器,然后分类器加和的结果作为最终的分类器。
第一步,找到第一个分类器h1,如图2所示。算法初始给了一个均匀分布D。所以h1中每个点的权重是0.1。当划分后,有三个点划分错了(图2中画圆圈的样本),根据算法误差表达式得到的误差为分错了的三个点的权值之和,所以ε1=0.1+0.1+0.1=0.3,而α1的值由式(1)给出:
由上式可知,当εt≤1/2时,αt≥0,且αt随着εt的减小而增大,意味着分类误差率越小的分类器的基本分类器在最终分类器中的作用越大。通过此方法,Adaboost算法能重点关注那些难以分辨的样本。
第二步,根据算法将分错点得权值变大。对于分对的七个点,它们的权值减小。对于分错的三个点,其权值由下面所给出的计算公式求得:
第二步,根据分布D2,得到一个新的子分类器h2和更新后的样本分布D3,如图3所示。
第三步,根据分布D3,得到一个新的子分类器h3,如图4所示。
各子分类器误差和权值计算结果如表1所示。
表1.子分类器误差及权值
子分类器 | h<sub>1</sub> | h<sub>2</sub> | h<sub>3</sub> |
误差e<sub>t</sub> | 0.3 | 0.21 | 0.14 |
权值α<sub>t</sub> | 0.42 | 0.65 | 0.92 |
整合所有子分类器,如图5所示。
从图5所示,通过这些简单的分类器,最终即使对于一个线性不可分的数据集,也能得到很低的错误率。
2)采用重要抽样法计算失效概率
本发明采用的是基于扩大方差的重要抽样方法。通过扩大抽样样本的方差,来提高失效点在样本中出现的频率,从而提高抽样效率。如图6所示,f1(x)为样本的概率密度分布函数,红色部分为失效域;f2(x)为样本扩大方差后的概率密度分布函数,黄色部分加红色部分为失效域。可以明显看出当失效概率极小的时候,如果采用蒙特卡洛方法,抽样次数需要极大才能保证失效概率的计算精度,而采用基于方差的重要抽样法需要的抽样次数相较于蒙特卡洛法有相当程度的减少,在保证计算精度的同时大大提高了计算效率。对于结构优化设计问题,工程师需要快速评估改变结构的相关参数对结构失效概率的影响。采用基于扩大方差的重要抽样法来计算失效概率可以显著提高计算速度。基于方差的重要抽样法计算公式如下:
具体步骤如下:
步骤1:构造训练样本和测试样本
我们将实验过程中O型密封圈的弹性模量,泊松比,油压,预压缩量作为特征,在同一载荷谱中运行105小时后结构是否失效作为二分类标签,制作出样本容量为2000的实验样本。其中,输入的各个参数互相独立且可近似认为服从正态分布。随机抽取1600组数据作为训练样本,其余400组作为测试样本。
步骤2:运用Adaboost算法对训练样本进行分类
采用matlab工具箱中的adaboostM1二分类算法,弱学习器类型为决策树,训练100轮。训练次数与误差的关系图如图7所示。
可以看出,随着训练轮数的增加,训练模型的误差收敛于一个极小值。
我们将训练好的分类模型记作F(X),X为O型圈的输入特征向量。若F(X)<0,则认定在该输入条件下,O型密封圈失效;否则认定O型密封圈未失效。
利用训练得到的模型可以预测400组测试样本数据的分类标签,和有限元分析结果进行比对,求得分类误差率为:error=1.75%。与传统的有限元仿真方法相比,Adaboost分类模型大大提高了临界状态下样本的失效判别准确率。
步骤3:采用重要抽样法计算失效概率
我们需要对工程师提出的O型密封圈结构新的设计进行可靠性评估。参数如表2所示。
表2.设计参数
设计参数 | 密封圈弹性模量 | 密封圈泊松比 | 预压缩量 | 油压 |
均值 | 13.4 | 0.398 | -0.8 | 5.34 |
标准差 | 0.268 | 0.00796 | 0.024 | 0.1068 |
为了进一步提高计算效率,我们采取扩大方差的重要抽样法来计算O型密封圈的失效概率。扩大系数设为1.05,抽取2000组数据,记作Xi(i=1,2,…,2000),代入训练好的分类模型F(X),当F(Xi)<0时,认定在Xi下O型密封圈失效。
如果直接采用蒙特卡罗方法调用有限元计算,要达到失效概率估计值的变异系数为0.1的要求,需要调用有限元模型2.9×105次以上,有限元模型计算一次约3分钟,预估耗时14500小时,约604天;本发明采用基于Adaboost算法与重要抽样法联合分析,仅需调用有限元2000次以得到训练样本,从而计算Adaboost集成算法参数,再计算失效概率,全程耗时约16小时。可以看出,所提出的可靠性评估方法在计算速度上相较于传统方法具有显著优势。
本发明采用adaboost算法对密封结构的训练数据不断进行简单分类,然后整合成为一个准确率极高的集成分类器。通过基于扩大方差的重要抽样方法,将抽样得到的样本带入训练好的分类器进行判别,从而计算出密封结构的失效概率。与传统可靠性评估办法相比,该方法调用有限元模型的次数大大减少,计算效率显著提高,缩短了计算所需时间。该发明提出了一种合理,便捷的复杂结构多失效模式失效概率计算方法,为设计者针对复杂结构进行可靠性评估和优化设计奠定了基础。
Claims (1)
1.一种基于Adaboost算法的多失效模式下密封结构可靠性评估方法,其特征在于步骤如下:
步骤1:构造训练样本和测试样本
将实验过程中O型密封圈的弹性模量、泊松比、油压和预压缩量作为特征,在同一载荷谱中运行105小时后结构是否失效作为二分类标签,制作出样本容量为N的实验样本;其中,输入的各个参数互相独立且可近似认为服从正态分布,随机抽取80%作为训练样本,其余20%作为测试样本;
步骤2:运用Adaboost算法对训练样本进行分类
采用matlab工具箱中的adaboostM1二分类算法,弱学习器类型为决策树,对训练样本进行分类进行多轮训练;将训练好的分类模型记作F(X),其中X为O型圈的输入特征向量,若F(X)<0,则认定在该输入条件下,O型密封圈失效;否则认定O型密封圈未失效;
步骤3:采用重要抽样法计算失效概率
采取扩大方差的重要抽样法来计算O型密封圈的失效概率,扩大系数设为1.05,抽取N组数据,记作Xi,i=1,2,…,N,代入训练好的分类模型F(X),当F(Xi)<0时,认定在Xi下O型密封圈失效;
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910774060.1A CN110516339B (zh) | 2019-08-21 | 2019-08-21 | 基于Adaboost算法的多失效模式下密封结构可靠性评估方法 |
US16/944,101 US11657335B2 (en) | 2019-08-21 | 2020-07-30 | Method for evaluating reliability of a sealing structure in a multi-failure mode based on an adaboost algorithm |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910774060.1A CN110516339B (zh) | 2019-08-21 | 2019-08-21 | 基于Adaboost算法的多失效模式下密封结构可靠性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110516339A CN110516339A (zh) | 2019-11-29 |
CN110516339B true CN110516339B (zh) | 2022-03-22 |
Family
ID=68626082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910774060.1A Active CN110516339B (zh) | 2019-08-21 | 2019-08-21 | 基于Adaboost算法的多失效模式下密封结构可靠性评估方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11657335B2 (zh) |
CN (1) | CN110516339B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783293B (zh) * | 2020-06-24 | 2022-04-19 | 西北工业大学 | 基于自适应重要抽样的复合材料加筋壁板后屈曲可靠性分析方法 |
CN113486553A (zh) * | 2021-07-02 | 2021-10-08 | 浙江大学 | 基于泰森多边形区域划分的复杂装备可靠性分析方法 |
CN114239464B (zh) * | 2021-12-17 | 2023-08-11 | 深圳国微福芯技术有限公司 | 基于贝叶斯筛选器与重采样的电路的良率预测方法及*** |
CN114282309B (zh) * | 2021-12-30 | 2024-05-28 | 北京航空航天大学 | 一种基于多目标代理模型的静叶调节机构***可靠性分析方法 |
CN114741946B (zh) * | 2022-03-03 | 2024-06-07 | 北京航空航天大学 | 一种航空发动机典型机构多构件失效相关的可靠性仿真方法 |
CN114580118B (zh) * | 2022-03-25 | 2023-12-15 | 兰州空间技术物理研究所 | 一种离子推力器寿命及可靠性定量评估方法 |
CN115114819B (zh) * | 2022-06-14 | 2024-02-27 | 西北工业大学 | 基于adaboost算法的平面编织面板蜂窝夹芯结构的失效面模拟方法 |
CN116070469B (zh) * | 2023-04-04 | 2023-06-09 | 合肥通用机械研究院有限公司 | 一种设备运行参数优化方法和风险管理方法 |
CN116663185B (zh) * | 2023-06-02 | 2024-04-12 | 东北大学 | 一种横向周期载荷作用下螺栓联接防松可靠性分析方法 |
CN117592376A (zh) * | 2023-12-05 | 2024-02-23 | 哈尔滨工程大学 | 一种基于多模型的蒙特卡洛模拟数据不确定性评定方法 |
CN117787109B (zh) * | 2024-02-23 | 2024-05-03 | 天津东方泰瑞科技有限公司 | 一种风速转换可靠性评估方法及*** |
CN117873760B (zh) * | 2024-03-12 | 2024-05-10 | 苏州元脑智能科技有限公司 | 一种失效率评估方法、装置、***及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009054332A (ja) * | 2007-08-24 | 2009-03-12 | Nok Corp | 携帯型電子機器用密封構造 |
CN106383927A (zh) * | 2016-08-29 | 2017-02-08 | 西北工业大学 | 基于混合度量模型的机电***密封结构可靠性评估方法 |
CN108470101A (zh) * | 2018-03-21 | 2018-08-31 | 西北工业大学 | 基于代理模型的机电***y型密封结构可靠性评估方法 |
CN109325629A (zh) * | 2018-10-10 | 2019-02-12 | 中国石油化工股份有限公司 | 在役转动设备机械密封泄漏故障预测方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778295B (zh) * | 2014-01-26 | 2017-02-15 | 南京航空航天大学 | 多失效模式下多模型集成航空发动机运行可靠性评估方法 |
US10652237B2 (en) * | 2016-02-05 | 2020-05-12 | The Trustees Of Princeton University | Continuous authentication system and method based on BioAura |
CN105930861B (zh) * | 2016-04-13 | 2019-08-06 | 西安西拓电气股份有限公司 | 一种基于Adaboost算法的变压器故障诊断方法 |
CN106679947B (zh) * | 2016-11-30 | 2019-08-13 | 国机智能科技有限公司 | 密封摩擦过程在线智能检测诊断试验*** |
US20180322956A1 (en) * | 2017-05-05 | 2018-11-08 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | Time Window-Based Platform for the Rapid Stratification of Blunt Trauma Patients into Distinct Outcome Cohorts |
CN107577603B (zh) * | 2017-08-31 | 2019-11-12 | 中国科学院软件研究所 | 一种基于测试用例构建决策树的程序条件语句自动化修复***及方法 |
US11147459B2 (en) * | 2018-01-05 | 2021-10-19 | CareBand Inc. | Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health |
US10635095B2 (en) * | 2018-04-24 | 2020-04-28 | Uptake Technologies, Inc. | Computer system and method for creating a supervised failure model |
CN109165819B (zh) * | 2018-08-03 | 2021-09-14 | 国网山东省电力公司聊城供电公司 | 一种基于改进AdaBoost.M1-SVM的有源配电网可靠性快速评估方法 |
CN109284545B (zh) * | 2018-09-05 | 2022-11-04 | 西北工业大学 | 基于最优条件重要抽样法的结构失效概率的求解方法 |
CN109357960B (zh) * | 2018-11-02 | 2021-09-14 | 武汉理工大学 | 液压往复密封件的服役疲劳性能测试方法及试验装置 |
CN109540719B (zh) * | 2018-12-12 | 2021-05-07 | 中国航空综合技术研究所 | 橡胶制o型密封圈磨损寿命模型参数的修正试验方法 |
CN109948295A (zh) * | 2019-04-08 | 2019-06-28 | 北京航空航天大学 | 基于多元相关退化建模的往复流体动密封寿命预测方法 |
CN110288188A (zh) * | 2019-05-21 | 2019-09-27 | 中国矿业大学 | 一种刮板输送机中部槽的耦合故障动态可靠性评估方法 |
CN110363230B (zh) * | 2019-06-27 | 2021-07-20 | 华南理工大学 | 基于加权基分类器的stacking集成污水处理故障诊断方法 |
-
2019
- 2019-08-21 CN CN201910774060.1A patent/CN110516339B/zh active Active
-
2020
- 2020-07-30 US US16/944,101 patent/US11657335B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009054332A (ja) * | 2007-08-24 | 2009-03-12 | Nok Corp | 携帯型電子機器用密封構造 |
CN106383927A (zh) * | 2016-08-29 | 2017-02-08 | 西北工业大学 | 基于混合度量模型的机电***密封结构可靠性评估方法 |
CN108470101A (zh) * | 2018-03-21 | 2018-08-31 | 西北工业大学 | 基于代理模型的机电***y型密封结构可靠性评估方法 |
CN109325629A (zh) * | 2018-10-10 | 2019-02-12 | 中国石油化工股份有限公司 | 在役转动设备机械密封泄漏故障预测方法 |
Non-Patent Citations (4)
Title |
---|
Simulation of O-Sealing Ring in Deep Sea Instrument Cabin;Zhang Haosu et al;《IEEE》;20101111;3017-3020 * |
一种基于梯形泄露通道模型的O型圈密封***性能分析及优化方法研究;张朝贺;《中国优秀硕士学位论文全文数据库(电子期刊)(工程科技II辑)》;20180615;第2018年卷(第6期);C029-123 * |
动力伺服刀架密封结构可靠性灵敏度分析;王馨舶;《中国优秀硕士学位论文全文数据库(电子期刊)(工程科技II辑)》;20150515;第2015年卷(第5期);C029-104 * |
阀类产品O形圈装配变形分析与螺栓拧紧工艺研究及应用;张良;《中国优秀硕士学位论文全文数据库(电子期刊)(信息科技辑)》;20181215;第2018年卷(第12期);C029-128 * |
Also Published As
Publication number | Publication date |
---|---|
US20210056246A1 (en) | 2021-02-25 |
CN110516339A (zh) | 2019-11-29 |
US11657335B2 (en) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516339B (zh) | 基于Adaboost算法的多失效模式下密封结构可靠性评估方法 | |
CN108231201B (zh) | 一种疾病数据分析处理模型的构建方法、***及应用方法 | |
Jeong et al. | Data mining for aerodynamic design space | |
CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
CN109472088B (zh) | 一种页岩气调产井生产压力动态预测方法 | |
CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和*** | |
CN111597760A (zh) | 一种实现小样本条件下获取气路参数偏差值的方法 | |
CN112597702B (zh) | 基于径向基函数的气动建模生成式对抗网络模型训练方法 | |
CN115130375A (zh) | 一种岩爆烈度预测方法 | |
Chiba et al. | High-fidelity multidisciplinary design optimization of aerostructural wing shape for regional jet | |
CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN111737918B (zh) | 一种针对航空发动机高压转子故障诊断的集成学习方法 | |
CN117313576A (zh) | 一种用于翼型物理量重要度分析的贝叶斯优化方法 | |
Chu et al. | On regularized square-root regression problems: distributionally robust interpretation and fast computations | |
CN115374859A (zh) | 一种针对非平衡、多类别的复杂工业数据的分类方法 | |
Marepally et al. | Data Puncturing and Training Strategies for Cost-Efficient Surrogate Modeling of Airfoil Aerodynamics | |
CN104008197B (zh) | 一种特征加权的模糊紧致散布聚类方法 | |
CN114372495A (zh) | 基于深度空间残差学习的电能质量扰动分类方法及*** | |
CN113836787A (zh) | 基于区分性特征学习的超声速进气道流动状态监测方法 | |
CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
CN113158537A (zh) | 基于lstm结合注意力机制的航空发动机气路故障诊断方法 | |
Zandi et al. | Estimation of fixed parameters in negative binomial mixed model using shrinkage estimators | |
Fan et al. | A Novel Ensemble Machine Learning Model for Oil Production Prediction with Two-Stage Data Preprocessing | |
Sun et al. | Equipment Health State Assessment Based on MIC-XGBoost |
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 |