CN112651119B - 一种空间谐波减速器多性能参数加速退化试验评估方法 - Google Patents
一种空间谐波减速器多性能参数加速退化试验评估方法 Download PDFInfo
- Publication number
- CN112651119B CN112651119B CN202011519546.XA CN202011519546A CN112651119B CN 112651119 B CN112651119 B CN 112651119B CN 202011519546 A CN202011519546 A CN 202011519546A CN 112651119 B CN112651119 B CN 112651119B
- Authority
- CN
- China
- Prior art keywords
- degradation
- performance
- performance parameter
- parameter
- equation
- 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
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 133
- 230000015556 catabolic process Effects 0.000 title claims abstract description 122
- 230000001133 acceleration Effects 0.000 title claims abstract description 50
- 238000012360 testing method Methods 0.000 title claims abstract description 48
- 239000003638 chemical reducing agent Substances 0.000 title claims abstract description 43
- 238000011156 evaluation Methods 0.000 title abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000005315 distribution function Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 238000013139 quantization Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000007850 degeneration Effects 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000009792 diffusion process Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 abstract description 16
- 230000007246 mechanism Effects 0.000 abstract description 7
- 230000005540 biological transmission Effects 0.000 description 35
- 238000010606 normalization Methods 0.000 description 6
- 238000011002 quantification Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005489 elastic deformation Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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]
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于加速试验技术领域,特别涉及一种空间驱动机构谐波减速器多性能参数加速退化试验评估方法,包括:获取每个加速应力下每个受试样本在每个退化检测时刻的性能退化值;对每个性能退化值进行归一化处理;对加速应力水平下的性能退化过程进行不确定过程建模,构造***退化方程;建立归一化后的性能退化数据与信度之间的关系;利用不确定统计分析方法对***退化方程的所有未知参数进行综合权衡优化;结合各性能参数的阈值,求解对应空间谐波减速器产品的***裕量方程、不可靠度分布函数以及可靠度的度量方程。本发明解决了谐波减速器的多性能参数加速退化试验中存在的试验样品数量很少和性能检测次数有限所造成的认知不确定性量化问题。
Description
技术领域
本发明属于加速试验技术领域,特别涉及一种空间驱动机构谐波减速器多性能参数加速退化试验评估方法。
背景技术
谐波减速器是影响空间驱动机构性能关键活动零部件,主要由刚轮、柔轮和波发生器组成,依靠中间挠性构件的弹性形变来实现动力传递。其主要原理是通过波发生器的连续转动,柔轮产生连续的弹性变形,使得柔轮与刚轮之间的齿不断地重复“啮入—啮合—啮出—脱开”这一过程,以此来传递啮合运动,达到减速作用。谐波减速器的传动精度指标主要包括传动误差和传动效率,当其中任一传动精度指标低于特定阈值时,谐波减速器即视为失效。
由于谐波减速器具有高可靠性、长寿命的特点,其在各类寿命试验中很难发生失效,甚至不会失效,因此人们无法在较短时间内获得其失效寿命数据。此外,由于谐波减速器价格昂贵,一般只进行小批量生产,迫于经费的限制人们无法将大量的产品投入到寿命试验中,这也使得寿命数据难以获得。因此,目前只能采用多性能参数加速退化试验法对其可靠性与寿命进行评估。加速退化试验法是一种在失效机理不变的基础上,通过寻找产品寿命特征与应力之间的关系(加速模型),利用产品在高(加速)应力水平下的性能退化数据去外推或评估正常应力水平下的寿命特征的试验技术和方法。
目前的加速性能退化试验建模过程中,由于存在试验样品数较少、有限时间内搜集到的性能退化信息不充分、试验施加的应力类型不全面等小样本问题,带来了较多的认知不确定性问题,导致相应的可靠性与寿命的评价结果可信性较低。针对认知不确定性,有研究采用非精确概率法进行量化,主要有贝叶斯方法、区间分析法和模糊概率论方法等。然而,这些非精确概率方法仍然需要与概率论进行结合,而且还与主观测度有关,导致最终的可靠性评估结果缺乏可信度。北京航空航天大学康锐教授针对不确定随机***,提出了一种基于机会理论的确信可靠性理论(见文献[1]:Wen M,Kang R.Reliability analysis inuncertain random system.Fuzzy Optimization and Decision Making.2016;15:491-506;文献[2]:Zhang Q,Kang R,Wen M.Belief reliability for uncertain randomsystems.IEEE Transactions on Fuzzy Systems.2018;26:3605-14;文献[3]:Zeng Z,Kang R,Wen M,Zio E.Uncertainty theory as a basis for beliefreliability.Information Sciences.2018;429:26-36.),能够很好的量化***可靠性问题中同时存在的随机不确定性和认知不确定性。在确信可靠性理论框架下,李晓阳教授对单性能参数加速退化试验的认知不确定性进行了量化,结合不确定过程(Uncertainprocess,又称Liu Process,即刘过程)建立了加速退化模型并给出参数估计的不确定统计方法(见文献[4]:Li X,Wu J,Liu L,Wen M,Kang R.Modeling Accelerated DegradationData Based on the Uncertain Process.IEEE Transactions on Fuzzy Systems,2019,27(8):1532-1542)。但是,对于在谐波减速器这类具有多个性能参数退化特点的加速退化试验建模过程中如何考虑认知不确定性的影响研究还未见报道。
发明内容
针对谐波减速器的多性能参数加速退化试验中存在的试验样品数量很少和性能检测次数有限所造成的认知不确定性问题,本发明提出了一种空间驱动机构谐波减速器多性能参数加速退化试验评估方法。本发明在确信可靠性理论框架下引入不确定理论的多维不确定过程对多性能参数ADT进行建模,并利用正态不确定变量和刘过程对认知不确定性进行量化,最终提出了一种谐波减速器多维不确定过程加速退化模型。本发明的基本原理如图1所示。
为实现上述目的,本发明提供了一种空间谐波减速器多性能参数加速退化试验评估方法,包括如下步骤:
S1:选择受试样本,并获取每个加速应力下每个受试样本在每个退化检测时刻的性能退化值;
S2:对每个性能退化值进行归一化处理,获取归一化后的性能退化数据;
S3:基于归一化后的性能退化数据,对加速应力水平下的性能退化过程进行不确定过程建模,构造***退化方程;
S4:对各加速应力下各受试样本的ADT数据的累积信度进行不确定性量化,建立归一化后的性能退化数据与信度之间的关系;
S5:利用不确定统计分析方法对步骤S3中构造的***退化方程的所有未知参数进行综合权衡优化;
S6:结合各性能参数的阈值,求解对应空间谐波减速器产品的***裕量方程、不可靠度分布函数以及可靠度的度量方程。
进一步,步骤S3具体过程为:
令s为归一化应力,根据试验应力类型的不同,加速模型如下:
其中,Sq代表试验中施加的第q个应力水平,SU表示正常工作应力水平,SL表示试验中施加的最高应力水平;
在谐波减速器多性能参数加速退化试验中,各性能参数在归一化应力s下的退化方程Xk(t|s)的形式为:
其中,ek(s)是第k个性能参数在归一化应力s下的加速模型,k=1,2,...,K,K为性能参数的数量,ak表示与第k个性能参数有关的材料系数,其服从正态不确定分布/>bk是加速模型的另一个参数;βk表示第k个性能参数的扩散系数,σk表示时间尺度函数τ(t)的非负参数;Ckt表示第k个性能参数的多维刘过程,其服从正态不确定分布,/>
针对K个性能参数,引入多维不确定过程的概念,则***在归一化应力s下的退化方程为:
X(t|s)=[X1(t|s),X2(t|s),...,XK(t|s)]T (3)
则在归一化应力s下基于多维不确定过程的***退化方程表示为:
在归一化应力s下,式(4)服从如下多元正态不确定分布:
其中,x1,x2,...,xK分别表示K个性能参数变量。
进一步,步骤S4具体过程为:
设未知参数矩阵θ=(θ1;θ2;…;θK),其中定义第k个性能参数的时间间隔和对应的退化增量如下:
其中,表示第k个性能参数的时间间隔,/>表示第k个性能参数的时间间隔/>对应的退化增量,/>表示第k个性能参数归一化后的退化数据:
其中,ti,j,l表示第i个加速应力水平下第j个受试样本的第l次退化检测时刻,i=1,2,...,N,j=1,2,...,ni,l=1,2,...,mi,N表示加速应力水平数量,ni表示第i个应力水平下的受试样本数量,mi表示第i个加速应力水平下每个受试样本的总检测次数;表示第i个加速应力水平si下第j个样本的第k个性能参数的第l次退化检测数据;
在不确定理论中,采用信度来描述某个事件发生的可能性,而且不确定变量并没有密度函数的相关定义,信度计算公式如下:
其中,是退化增量/>对应的信度;A和B两者取值不同时得到不同的近似中位秩或平均秩公式。
进一步,四种信度计算公式如下:
进一步,步骤S5具体过程为:
基于步骤S4获得的退化增量和对应的信度/>采用遗传算法进行***退化方程的所有未知参数估计,该遗传算法的优化目标为最小化所有性能参数的退化增量所服从的正态不确定分布值/>与获得第p个信度之差的平方和的总和Q(p),如下式所示:
其中,p代表采用的是公式(9)中的第p个信度计算公式;Q(p)代表第p个目标函数值;为参数矩阵,/>代表第p个参数矩阵的估计结果,
其中,Q(p)表示为θ(p)的离散函数,记作θ(p)(θ(p)),参数矩阵θ的最终估计结果由下式给出:
θfinal=arg minQ(p)(θ(p)) (11)
其中,θfinal即为参数矩阵θ的最终估计结果;arg min Q(p)(θ(p))代表当取最小的Q(p)时所对应的θ(p)。
进一步,步骤S6具体过程为:
考虑性能参数退化量属于非减情况且第k个性能参数的性能阈值为wk时,得到第k个性能参数的裕量方程:
其中,Mk(t|s)是第k个性能参数的裕量,
在给定归一化应力s和时间t时,第k个性能参数的裕量Mk(t|s)服从如下正态不确定分布:
其中,mk表示第k个性能参数裕量分布函数的自变量的取值,为任意实数。
***多个性能参数的裕量方程矩阵为:
对于多个性能参数裕量分布函数的自变量对应的任意实数m1,m2,...,mK,***多个性能参数的裕量方程矩阵(14)服从如下多元不确定分布:
定义给出产品性能退化过程首次穿越失效阈值时间所服从的不确定分布,即首穿时分布γk(t|s):
其中,表示测度,tc表示性能参数退化过程首次穿越失效阈值的时刻,表示裕量为零时刻的分布,
根据可靠性科学原理中的裕量可靠原理,得到第k个性能参数可靠度的度量方程为:
根据竞争失效假设,即当任一性能参数的裕量小于零时,***即发生失效;根据不确定理论中的独立情形下的多个事件交集测度取小原则,***可靠度的度量方程表述为:
本发明的有益效果:
1)本发明解决了多性能参数ADT中的由试样数量或检测时间次数有限时导致的认知不确定性和各性能参数之间的相依性问题;
2)本发明引入不确定理论中的多维不确定过程对多性能参数ADT进行建模,提出了一种多维不确定过程退化模型,填补了目前针对多性能参数ADT建模中认知不确定性量化的空白;
3)本发明引入不确定理论中的不确定统计分析方法可以对所提模型的所有未知参数进行综合权衡优化。
附图说明
图1为本发明的基于不确定过程的加速退化建模评估方法原理图;
图2为本发明实施例的空间谐波减速器多性能参数加速退化试验评估方法流程图;
图3是本发明实施例中传动效率的加速退化数据;
图4是本发明实施例中传动误差的加速退化数据;
图5是本发明使用的遗传算法流程图;
图6是本发明实施例中四种信度公式下的全局参数寻优的迭代变化图;
图7是本发明实施例中两个性能参数在温度作用下随时间的退化规律;
图8是本发明实施例中两个性能参数的不确定性量化(退化轨迹上下界(55℃));
图9是本发明实施例中基于多维不确定过程的***的确信可靠度。
具体实施方式
如图2所示,本实施例提出的空间驱动机构谐波减速器多性能参数加速退化试验评估方法,包括如下步骤:
S1:针对某批次谐波减速器,选择受试样本,并获取每个加速应力下每个受试样本在每个退化检测时刻的性能退化值;
每个受试样本的性能退化数据为:
其中,ti,j,l表示第i个加速应力水平下第j个受试样本的第l次退化检测时刻(两个性能参数在同一时刻进行检测),i=1,2,...,N,j=1,2,...,ni,l=1,2,...,mi,N表示加速应力水平数量,ni表示第i个应力水平下的受试样本数量,mi表示第i个加速应力水平下每个受试样本的总检测次数;表示第i个加速应力水平si下第j个样本的第k个性能参数的第l次退化检测数据,本实施例中,k=1,2,分别为谐波减速器的传动效率和传动误差两个性能参数。
受试样本总体的性能退化数据为:
S2:针对每个加速应力水平下每个受试样本的每个性能退化值,进行归一化处理;
为了消除各性能参数退化量单位量级不同造成的差异性,将传动效率和传动误差的原始退化数据进行归一化,其中传动效率的归一化公式为:
其中,表示传动效率归一化后的退化数据,/>表示传动效率原始退化数据,/>表示初始时刻传动效率的测量值。
同理,传动误差的归一化公式为:
其中,表示传动误差归一化后的退化数据,/>表示传动误差原始退化数据,/>表示初始时刻传动误差的测量值。
S3:针对加速应力水平下的性能退化过程,进行不确定过程建模,构造***退化方程;
首先对应力进行归一化处理。令s为归一化应力,根据试验应力类型的不同,具体的加速模型也不同,具体如下:
其中,Sq代表试验中施加的第q个应力水平,SU表示正常工作应力水平,SL表示试验中可以施加的最高应力水平。本发明中所用的应力变量为加速退化试验中的协变量,因此应力变量的取值范围[SU,SL]应该是保证失效机理不变时的范围。
在谐波减速器多性能参数加速退化试验中,各性能参数在归一化应力s下的退化方程Xk(t|s)的形式为:
其中,ek(s)是第k个性能参数在归一化应力s下的退化速率公式,即加速模型,k=1表示传动效率(TEF),k=2表示传动误差(TER);ak表示与第k个性能参数有关的材料系数,与产品内部属性息息相关,因此假设其服从正态不确定分布/>bk则是加速模型的另一个参数;βk表示第k个性能参数的扩散系数,σk表示时间尺度函数τ(t)的非负参数;C1t,C2t表示2个相互独立的多维刘过程,/>
针对传动效率和传动误差两个性能参数,引入多维不确定过程的概念,则***在归一化应力s下的退化方程可表示为:
X(t|s)=[X1(t|s),X2(t|s)]T (7)
因此,在归一化应力s下基于多维不确定过程的***退化方程可表示为:
在归一化应力s下,式(8)服从如下多元正态不确定分布:
其中,x1、x2分别表示传动效率和传动误差两个性能参数变量。
S4:对各加速应力下各样本的ADT数据的累积信度进行不确定性量化,建立加速退化数据与信度之间的关系;
设未知参数矩阵为θ=(θ1;θ2),其中
接着定义如下第k个性能参数的时间间隔和对应的退化增量:
其中,表示第k个性能参数的时间间隔,/>表示第k个性能参数的时间间隔/>对应的退化增量。
在不确定理论中,通常采用信度而不是概率来描述某个事件发生的可能性,而且不确定变量并没有密度函数的相关定义。因此本发明采用构建加速退化数据和信度之间的关系的方法。目前常采用的几种信度计算公式可以统一由如下公式表示:
其中,是退化增量/>对应的信度;A和B两者取值不同时可得到不同的近似中位秩或平均秩公式。下面是四种最常见的信度计算公式:
S5:利用不确定统计分析方法对步骤S3中构造的***退化方程的所有未知参数进行综合权衡优化;
基于步骤S4获得的退化增量和对应的信度/>采用遗传算法进行参数估计。该算法的优化目标为最小化所有性能参数的退化增量所服从的正态不确定分布值与获得第p个信度之差的平方和的总和Q(p),如下式所示:
其中,p代表采用的是公式(12)中的第p个信度计算公式;Q(p)代表第p个目标函数值;为参数矩阵,/>代表第p个参数矩阵的估计结果。
根据公式(13)可知,Q(p)可表示为θ(p)的离散函数,记作Q(p)(θ(p))。然后参数矩阵θ的最终估计结果可由下式给出:
θfinal=arg min Q(p)(θ(p)) (14)
其中,θfinal即为参数矩阵θ的最终估计结果;arg min Q(p)(θ(p))代表当取最小的Q(p)时所对应的θ(p)。
S6:结合性能参数的阈值,求解对应产品的***裕量方程、不可靠度分布函数以及可靠度的度量方程;
考虑性能参数退化量属于非减情况且第k个性能参数的性能阈值为wk时,可以得到性能参数的裕量方程:
其中,Mk(t|s)是第k个性能参数的裕量,其一个具有独立增量的不确定过程。
在给定归一化应力s和时间t时,第k个性能参数的裕量Mk(t|s)服从如下正态不确定分布:
其中,mk表示第k个性能参数裕量分布函数的自变量的取值,可以为任意实数。
在此基础上,可得到***传动效率和传动误差两个性能参数的裕量方程矩阵:
对于两个性能参数裕量分布函数的自变量对应的任意实数m1,m2,***的裕量方程矩阵(17)则服从如下多元不确定分布:
为了量化产品存活的不确定测度,需要给出产品性能退化过程首次穿越失效阈值时间所服从的不确定分布,即首穿时分布γ(t|s)。
其中,表示测度,tc表示性能参数退化过程首次穿越失效阈值的时刻,表示裕量为零时刻的分布。
由于性能裕量函数是在不确定理论框架下的不确定分布函数,因此,可靠度R(t|s)应该表示为性能裕量函数大于零的不确定测度。根据可靠性科学原理中的裕量可靠原理,可以得到第k个性能参数可靠度的度量方程为:
根据竞争失效假设,即当任一性能参数的裕量小于零时,***即发生失效。当且仅当所有性能参数裕量大于零时,***才可靠。则***可靠度的度量方程可表述为:
可靠度R(t|s)表示产品在t时刻存活的不确定测度;将未知的参数矩阵θ的估计值及归一化后的初始应力值s0代入式(21),得到正常使用条件下产品的确信可靠度曲线。
下面结合附图和实施例进一步描述本发明,应该理解,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
采用谐波减速器案例对本发明提出的考虑多维不确定过程的确信可靠性模型的有效性进行分析讨论。本实施例中,在各个加速应力水平下的试验样品数均为3,因此初步判断为样品数量有限,在样品维度存在一定的认知不确定性。而在各加速应力下的性能检测次数也在逐渐减少,分别为247,174,155和114,在时间维度可能存在一定的认知不确定性。因此可以采用本发明上述***可靠度的度量方程(21)对样品维度和时间维度的认知不确定性进行量化分析。
步骤一、数据收集及预处理;
利用式(3)和(4)对传动效率和传动误差的原始退化数据进行归一化,归一化后的传动误差和传动效率的加速退化数据分别如图3和图4所示。
步骤二、针对加速应力水平下的性能退化过程,进行不确定过程建模,构造***退化方程;
由于本实施例中应力类型为温度,因此选择式(5)中的阿伦尼斯公式对应力进行归一化应力计算。为此,还需要知道谐波减速器的工作应力水平的上限和下限。根据产品前期开展的可靠性强化试验,确定谐波减速器的高温工作极限为90℃。最后应力归一化计算结果如下表1所示。
表1 谐波减速器的归一化应力水平
应力水平(℃) | 15 | 25 | 55 | 70 | 80 | 85 | 90 |
归一化应力水平 | 0 | 0.1624 | 0.5902 | 0.7761 | 0.8912 | 0.9464 | 1 |
为了获得谐波减速器包括退化、裕量和度量方程在内的确信可靠性模型,首先根据前文中的不确定统计分析方法和加速退化试验基本信息,进行模型未知参数估计。具体如下:
1.建立归一化后的性能退化数据与信度之间的关系
首先,根据试验获得传动效率和传动误差两个性能参数的加速退化数据计算其退化增量,并将每个应力下所有试验样品在相同的时间间隔内的退化增量按增序排列。
然后,根据式(12)计算每个退化增量的信度。比如在55℃下,在360h-480h检测时间间隔内,得到的三个试验样品的传动效率的退化增量及其信度如下表2所示。
表2 传动效率的退化增量及其信度举例
2.估计***退化方程的未知参数
采用遗传算法进行参数估计,具体流程如图5所示。根据上一步骤得到的两个性能参数的退化增量及其对应信度,结合式(9)和式(13),可得到基于不同信度计算公式下的模型未知参数的估计结果和对应的目标函数值,如下表3所示,四种信度公式下的全局参数寻优的迭代变化如图6所示。
表3 参数估计
然后根据式(14)可知,最终参数估计结果为θfinal=θ2,如下表4所示。
表4 θ的最终估计结果
根据表4和式(5),可得到谐波减速器两个性能参数的退化方程分别为:
上述公式的自变量为时间t和温度应力s,其取值范围分别是[0,∞]和[15℃,90℃]。因此,谐波减速器的两个性能参数在温度作用下随时间的退化规律为:
结果如图7所示。
步骤三、根据首穿时分布,给出确信可靠度评估结果;
在式(22)和(23)中,两个性能参数的样品和时间维度的认知不确定性分别体现如下:
1)两个性能参数的样品维度认知不确定性分别由a1×e4.8707s×t0.5031和a2×e4.8790s×t0.4943表征,其中a1~Nu(5.262×10-3,0.2048),a2~Nu(3.322×10-3,0.3441)。
2)两个性能参数的时间维度认知不确定性分别由0.6193×C1t和0.4205×C2t表征,其中C1t~Nu(0,t0.5031),C2t~Nu(0,t0.4943)。
上述不确定性的量化可以利用不确定仿真方法得到的退化上下界来表示。本实施例以55℃为例,根据该方法可得到500条谐波减速器的退化轨迹,并且去掉5个最大值和5个最小值后以排除异常值的影响,从而得到谐波减速器两个性能参数的退化轨迹上下界,结果如图8所示。
当给定谐波减速器的失效阈值时,可得其裕量方程。设谐波减速器两个性能参数的失效阈值分别为初始退化量的145%和190%。然后,根据
表和公式(15),即可得到谐波减速器两个性能参数的裕量方程分别为:
在此基础上,当给定谐波减速器的工作温度时,还可得其度量方程。若假设谐波减速器的工作温度为25℃,根据公式(20)、(25)和(26),可得到谐波减速器两个性能参数的度量方程分别为:
因此,根据公式(21),即可得到谐波减速器两个性能参数和***级的确信可靠度曲线,如图9所示。
对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以对本发明的实施例做出若干变型和改进,这些都属于本发明的保护范围。
Claims (5)
1.一种空间谐波减速器多性能参数加速退化试验评估方法,其特征在于,包括如下步骤:
S1:选择受试样本,并获取每个加速应力下每个受试样本在每个退化检测时刻的性能退化值;
S2:对每个性能退化值进行归一化处理,获取归一化后的性能退化数据;
S3:基于归一化后的性能退化数据,对加速应力水平下的性能退化过程进行不确定过程建模,构造***退化方程;
S4:对各加速应力下各受试样本的ADT数据的累积信度进行不确定性量化,建立归一化后的性能退化数据与信度之间的关系;
S5:利用不确定统计分析方法对步骤S3中构造的***退化方程的所有未知参数进行综合权衡优化;
S6:结合各性能参数的阈值,求解对应空间谐波减速器产品的***裕量方程、不可靠度分布函数以及可靠度的度量方程;
步骤S3具体过程为:
令s为归一化应力,根据试验应力类型的不同,加速模型如下:
其中,Sq代表试验中施加的第q个应力水平,SU表示正常工作应力水平,SL表示试验中施加的最高应力水平;
在谐波减速器多性能参数加速退化试验中,各性能参数在归一化应力s下的退化方程Xk(t|s)的形式为:
其中,ek(s)是第k个性能参数在归一化应力s下的加速模型,k=1,2,...,K,K为性能参数的数量,ek(s)=ak exp(bks),ak表示与第k个性能参数有关的材料系数,其服从正态不确定分布/>bk是加速模型的另一个参数;βk表示第k个性能参数的扩散系数,σk表示时间尺度函数τ(t)的非负参数;Ckt表示第k个性能参数的多维刘过程,其服从正态不确定分布,/>
针对K个性能参数,引入多维不确定过程的概念,则***在归一化应力s下的退化方程为:
X(t|s)=[X1(t|s),X2(t|s),...,XK(t|s)]T (3)
则在归一化应力s下基于多维不确定过程的***退化方程表示为:
在归一化应力s下,式(4)服从如下多元正态不确定分布:
其中,x1,x2,...,xK分别表示K个性能参数变量。
2.根据权利要求1所述的方法,其特征在于,步骤S4具体过程为:
设未知参数矩阵θ=(θ1;θ2;…;θK),其中 定义第k个性能参数的时间间隔和对应的退化增量如下:
其中,表示第k个性能参数的时间间隔,/>表示第k个性能参数的时间间隔对应的退化增量,/>表示第k个性能参数归一化后的退化数据:
其中,ti,j,l表示第i个加速应力水平下第j个受试样本的第l次退化检测时刻,i=1,2,...,N,j=1,2,...,ni,l=1,2,...,mi,N表示加速应力水平数量,ni表示第i个应力水平下的受试样本数量,mi表示第i个加速应力水平下每个受试样本的总检测次数;表示第i个加速应力水平si下第j个样本的第k个性能参数的第l次退化检测数据;
在不确定理论中,采用信度来描述某个事件发生的可能性,而且不确定变量并没有密度函数的相关定义,信度计算公式如下:
其中,是退化增量/>对应的信度;A和B两者取值不同时得到不同的近似中位秩或平均秩公式。
3.根据权利要求2所述的方法,其特征在于,四种信度计算公式如下:
。
4.根据权利要求3所述的方法,其特征在于,步骤S5具体过程为:
基于步骤S4获得的退化增量和对应的信度/>采用遗传算法进行***退化方程的所有未知参数估计,该遗传算法的优化目标为最小化所有性能参数的退化增量所服从的正态不确定分布值/>与获得第p个信度之差的平方和的总和Q(p),如下式所示:
其中,p代表采用的是公式(9)中的第p个信度计算公式;Q(p)代表第p个目标函数值;为参数矩阵,/>代表第p个参数矩阵的估计结果,
其中,Q(p)表示为θ(p)的离散函数,记作Q(p)(θ(p)),参数矩阵θ的最终估计结果由下式给出:
θfinal=argminQ(p)(θ(p)) (11)
其中,θfinal即为参数矩阵θ的最终估计结果;arg min Q(p)(θ(p))代表当取最小的Q(p)时所对应的θ(p)。
5.根据权利要求4所述的方法,其特征在于,步骤S6具体过程为:
考虑性能参数退化量属于非减情况且第k个性能参数的性能阈值为wk时,得到第k个性能参数的裕量方程:
其中,Mk(t|s)是第k个性能参数的裕量,
在给定归一化应力s和时间t时,第k个性能参数的裕量Mk(t|s)服从如下正态不确定分布:
其中,mk表示第k个性能参数裕量分布函数的自变量的取值,为任意实数;
***多个性能参数的裕量方程矩阵为:
对于多个性能参数裕量分布函数的自变量对应的任意实数m1,m2,...,mK,***多个性能参数的裕量方程矩阵(14)服从如下多元不确定分布:
定义给出产品性能退化过程首次穿越失效阈值时间所服从的不确定分布,即首穿时分布Υk(t|s):
其中,表示测度,tc表示性能参数退化过程首次穿越失效阈值的时刻,/>表示裕量为零时刻的分布,
根据可靠性科学原理中的裕量可靠原理,得到第k个性能参数可靠度的度量方程为:
根据竞争失效假设,即当任一性能参数的裕量小于零时,***即发生失效;根据不确定理论中的独立情形下的多个事件交集测度取小原则,***可靠度的度量方程表述为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011519546.XA CN112651119B (zh) | 2020-12-21 | 2020-12-21 | 一种空间谐波减速器多性能参数加速退化试验评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011519546.XA CN112651119B (zh) | 2020-12-21 | 2020-12-21 | 一种空间谐波减速器多性能参数加速退化试验评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651119A CN112651119A (zh) | 2021-04-13 |
CN112651119B true CN112651119B (zh) | 2023-10-27 |
Family
ID=75359654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011519546.XA Active CN112651119B (zh) | 2020-12-21 | 2020-12-21 | 一种空间谐波减速器多性能参数加速退化试验评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651119B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221289A (zh) * | 2021-06-01 | 2021-08-06 | 江苏科技大学 | 一种基于区间模型的谐波减速器动态传动误差近似方法 |
CN114266006B (zh) * | 2021-12-17 | 2024-06-11 | 北京航空航天大学 | 一种加速退化试验测量不确定度的评定方法 |
CN113946986B (zh) * | 2021-12-20 | 2022-04-19 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 基于加速退化试验的产品平均失效前时间评估方法和装置 |
CN116127785B (zh) * | 2023-04-04 | 2023-08-04 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 基于多元性能退化的可靠性评价方法、装置和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102042848A (zh) * | 2010-11-23 | 2011-05-04 | 北京航空航天大学 | 基于多元混合时序分析的多性能参数加速退化试验产品寿命预测方法 |
CN107515965A (zh) * | 2017-07-27 | 2017-12-26 | 北京航空航天大学 | 一种基于不确定过程的加速退化建模评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959676B (zh) * | 2017-12-22 | 2019-09-20 | 北京航空航天大学 | 一种考虑有效冲击的退化建模与寿命预测方法 |
-
2020
- 2020-12-21 CN CN202011519546.XA patent/CN112651119B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102042848A (zh) * | 2010-11-23 | 2011-05-04 | 北京航空航天大学 | 基于多元混合时序分析的多性能参数加速退化试验产品寿命预测方法 |
CN107515965A (zh) * | 2017-07-27 | 2017-12-26 | 北京航空航天大学 | 一种基于不确定过程的加速退化建模评估方法 |
Non-Patent Citations (1)
Title |
---|
空间谐波减速器性能退化与寿命分析研究官;官浩;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150115;第1-11段 * |
Also Published As
Publication number | Publication date |
---|---|
CN112651119A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112651119B (zh) | 一种空间谐波减速器多性能参数加速退化试验评估方法 | |
CN107515965B (zh) | 一种基于不确定过程的加速退化建模评估方法 | |
CN108664700B (zh) | 基于不确定数据包络分析的加速退化信息融合建模方法 | |
CN104361414B (zh) | 一种基于相关向量机的输电线路覆冰预测方法 | |
Yun | Prediction model of algal blooms using logistic regression and confusion matrix | |
CN111079836A (zh) | 基于伪标签方法和弱监督学习的过程数据故障分类方法 | |
CN111191726B (zh) | 一种基于弱监督学习多层感知器的故障分类方法 | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN111967140B (zh) | 一种考虑混合不确定性的性能退化实验建模与分析方法 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN113484813A (zh) | 多环境应力下的智能电表故障率预估方法及*** | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
CN111695288A (zh) | 一种基于Apriori-BP算法的变压器故障诊断方法 | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN113295399B (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
CN111914424A (zh) | 一种基于短期测风资料的设计风速取值方法及*** | |
CN113253682B (zh) | 非线性化工过程故障检测方法 | |
CN113868957B (zh) | 贝叶斯深度学习下剩余寿命预测及不确定性量化校准方法 | |
Li et al. | Fault separation and detection algorithm based on Mason Young Tracy decomposition and Gaussian mixture models | |
CN113255810B (zh) | 基于关键决策逻辑设计测试覆盖率的网络模型测试方法 | |
CN115438309A (zh) | 基于lstm-svr的无人机发动机健康评估方法 | |
Rabe et al. | ROC asymmetry is not diagnostic of unequal residual variance in gaussian signal detection theory | |
CN105389406A (zh) | 基于故障的单位加权累计数的整车设计可靠性评估方法 | |
CN116432323B (zh) | 一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法 | |
CN113035363B (zh) | 一种概率密度加权的遗传代谢病筛查数据混合采样方法 |
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 |