CN112883497B - 基于多源信息融合的航天阀门可靠性评估方法 - Google Patents
基于多源信息融合的航天阀门可靠性评估方法 Download PDFInfo
- Publication number
- CN112883497B CN112883497B CN202110302609.4A CN202110302609A CN112883497B CN 112883497 B CN112883497 B CN 112883497B CN 202110302609 A CN202110302609 A CN 202110302609A CN 112883497 B CN112883497 B CN 112883497B
- Authority
- CN
- China
- Prior art keywords
- test data
- test
- distribution
- vibration
- valve
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出了一种基于多源信息融合的航天阀门可靠性评估方法,获取航天阀门参与融合的试验数据,其中参与融合的试验数据包括温度试验数据、振动试验数据、动作试验数据;对温度试验数据、振动试验数据、动作试验数据分别进行可靠性评估,分别得到温度试验数据、振动试验数据、动作试验数据下的Weibull分布参数以及任务可靠度。将温度、振动和动作试验数据通过一致性检验后,参与多源信息融合过程,利用Bayes理论,通过确定未知参数的先验分布对现场数据的评估结果进行修正,完成航天阀门的可靠性评估工作。
Description
技术领域
本发明属于可靠性评估领域,具体涉及一种基于多源信息融合的航天阀门试验数据可靠性评估方法。
背景技术
目前,国家对国防军工装备提出更高层次的要求,对重点关注的航天产品也加大了投入与重视,而航天阀门作为液体火箭发动机中的关键部件,需要具备很高的可靠性水平,并在研制阶段就准确评估其可靠性。航天阀门工作原理与结构均较为复杂,评估难度较大,同时,由于小样本、高可靠性的特点,在研制试验时仅能得到极少失效甚至无失效的试验数据。
航天阀门的失效模式和影响分析(Failure Mode and Effects Analysis,FMEA)已经趋向成熟。针对阀门启动(关闭)失灵、卡滞、阀门污染(泄露)等故障模式的状态识别技术、失效机理分析以及设计改进,已有大量研究成果。但是,在发动机的整机试车时,仍然会出现泄露、卡滞等问题,说明现有研究没有充分考察实际的环境条件,难以准确地评估阀门的可靠性。航天阀门工作环境恶劣,航天阀门要求组件在工况温度和振动环境中正常工作规定的时间,并完成规定的功能。在航天阀门装配之前要进行温度、振动和动作试验等研制试验,保证航天阀门在真实工作环境中的可靠性。在现有阀门可靠性评估成果中,这些研制试验的数据未得到充分利用。
发明内容
针对现有技术存在的缺陷,本发明提出一种基于多源信息融合的航天阀门可靠性评估方法,其是一种融合多类型试验数据来评估航天阀门可靠性的方法。
为解决上述技术问题,本发明提出的技术方案为:
基于多源信息融合的航天阀门可靠性评估方法,包括:
S1.获取航天阀门参与融合的试验数据,其中参与融合的试验数据包括温度试验数据、振动试验数据、动作试验数据;对温度试验数据、振动试验数据、动作试验数据分别进行可靠性评估,分别得到温度试验数据、振动试验数据、动作试验数据下的Weibull分布参数,进而分别得到航天阀门在温度试验、振动试验以及动作试验的对应条件下任务工作一段时间时的任务可靠度。
S2.基于S1中得到的温度试验数据、振动试验数据下的任务可靠度,分别获取温度试验数据和振动试验数据所形成的先验分布中的超参数。
S3.温度、振动和动作试验数据进行一致性检验,若通过一致性检验则转步骤S4;若不通过则转步骤S1。
S4.基于S2中计算得到的温度试验数据和振动试验数据所形成的先验分布中的超参数,分别得到温度试验先验信息和振动试验先验信息形成的先验分布,并通过加权融合得到融合后的先验分布,计算温度试验和振动试验先验信息在融合后的先验分布中所占权重,完成先验信息的转化;
S5.将航天阀门的动作试验数据作为现场数据,利用Bayes理论,通过融合后的先验分布对现场数据的评估结果进行修正,完成航天阀门的可靠性评估。
本发明S1中,航天阀门样本进行温度试验,通过不等定时截尾获得无失效的温度试验数据;设航天阀门寿命服从两分布参数的Weibull分布,利用修正极大似然方法对温度试验中的温度试验数据进行分布参数估计,进而获得航天阀门在温度试验的对应条件下任务工作时间τ1时的任务可靠度Rτ1。
本发明S1中,航天阀门样本进行振动试验,振动试验以服从高斯分布的随机振动形式进行,航天阀门样本在不同的功率谱密度下,分别进行定时截尾试验,获得无失效的振动试验数据;设航天阀门寿命服从两分布参数的Weibull分布,给定形状参数的取值范围,利用修正极大似然方法对振动试验中的振动试验数据进行分布参数估计,进而获得航天阀门在振动试验的对应条件下任务工作时间τ2时的任务可靠度Rτ2。
本发明S1中,航天阀门样本进行动作试验,动作试验采用多组定时截尾的方式,获得无失效的动作试验数据,由Bayes定理得到形状参数和任务可靠度的联合验后,采用M-H抽样算法进行验后分布的计算,得到动作试验数据的Weibull分布两参数的估计值,进而获得航天阀门在动作试验的对应条件下工作时间τ3时的任务可靠度Rτ3。
本发明S2中,包括以下步骤:
航天阀门在任务工作时间τ时的任务可靠度Rτ的先验分布为负对数Gamma分布,取任务可靠度的先验分布为
其中a,b为负对数Gamma分布中的超参数。
分别将S1中得到的航天阀门在任务工作时间τ1时的任务可靠度Rτ1和航天阀门在任务工作时间τ2时的任务可靠度Rτ2代入上式,使用极大熵法分别计算得到温度试验数据和振动试验数据所形成的先验分布中的未知超参数。
本发明S3中,采用Bayes置信区间法对温度、振动和动作试验数据进行一致性检验,确保所有先验信息与现场数据属于同一整体,方法如下:
温度试验数据和振动试验数据分别结合现场数据进行可靠性评估,则根据MCMC抽样得到的任务可靠度大样本,显著性水平α下的任务可靠度Rτ1和Rτ2的置信区间分别为(Rτ1 (L),Rτ1 (U))和(Rτ2 (L),Rτ2 (U))。由现场数据即动作试验数据得到无信息先验下任务可靠度的Bayes估计值为Rτ3,如果Rτ3在置信区间(Rτ1 (L),Rτ1 (U))和(Rτ2 (L),Rτ2 (U))内,则三种类型试验数据无显著性差异,通过一致性检验。
本发明S4中,实现方法如下:
设航天阀门的Weibull分布的形状参数m服从上限值为md,下限值为mc的均匀分布U(mc,md),其中上下限值由专家经验给出,则形状参数m与失效率λ的联合先验分布为:
分别将S2中得到的温度试验数据所形成的先验分布中的超参数以及振动试验数据所形成的先验分布中的超参数代入上式,得到温度试验先验信息形成的先验分布π1(m,λ)以及振动试验先验信息形成的先验分布π2(m,λ)。
加权融合得到统一的先验分布
πU(m,λ)=ω1π1(m,λ)+ω2π2(m,λ)
其中,参数ω1和ω2分别是温度试验先验信息和振动试验先验信息在加权融合后的先验分布中所占权重。
进一步地,本发明S4中,采用第二类极大似然(ML-Ⅱ)法确定温度试验先验信息和振动试验先验信息在加权融合后的先验分布中所占权重。
本发明S5中根据航天阀门的动作试验数据的似然函数,利用贝叶斯原理,获得融合温度试验和振动试验先验信息后的验后分布并通过M-H算法求解,得到航天阀门寿命分布的形状参数m和失效率λ的点估计值后,计算得到其特征寿命
与现有技术相比,本发明的优点在于:
本发明提出融合多类型试验数据来评估航天阀门可靠性的方法。将温度、振动和动作试验数据通过一致性检验后,参与多源信息融合过程,利用Bayes理论,通过确定未知参数的先验分布对现场数据的评估结果进行修正,完成阀门的可靠性评估工作。
附图说明
图1为本发明的流程图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
参照图1,本实施例提供一种基于多源信息融合的航天阀门可靠性评估方法,包括:
S1.获取航天阀门参与融合的试验数据,其中参与融合的试验数据包括温度试验数据、振动试验数据、动作试验数据;对温度试验数据、振动试验数据、动作试验数据分别进行可靠性评估,分别得到温度试验数据、振动试验数据、动作试验数据下的Weibull分布参数,进而分别得到航天阀门在温度试验、振动试验以及动作试验的对应条件下任务工作一段时间时的任务可靠度。
温度试验和振动试验是航天阀门必须要进行的基础试验。由于航天阀门工作环境恶劣,航天阀门可靠性要求航天阀门在工况温度和振动环境中正常工作规定的时间,并完成规定的功能。因此,在航天阀门装备之前需要进行大量的温度和振动试验,保证航天阀门在真实工作环境中的可靠性。综上所述航天阀门用于可靠性定量分析的可靠性试验主要包括温度试验、振动试验和动作试验。航天阀门可靠性要求在正常工况条件下和规定的时间内无故障的完成规定的开闭次数。动作试验是验证航天阀门可靠性的关键试验,也是数据最为丰富的试验。因此选取温度、振动应力下的试验数据作为先验信息。将航天阀门的开闭次数处理为连续数据,作为最终的可靠性指标,即将动作试验数据作为现场数据,实现航天阀门的多源融合可靠性评估。
(1)对温度试验数据进行可靠性评估,方法如下:
多个航天阀门样本进行温度试验,通过不等定时截尾获得无失效的温度试验数据;设航天阀门寿命服从两分布参数的Weibull分布,利用修正极大似然方法对温度试验中的温度试验数据进行分布参数估计,进而获得航天阀门在任务工作时间τ1时的任务可靠度Rτ1。
对于进行温度试验的航天阀门样本,通过不等定时截尾获得航天阀门样本的温度试验数据TT=(tTi,nTi),在截尾时间tTi分钟时去掉nTi个样本,其中i=1,2,...,ξ,ξ为截尾次数,故tTi为样本的无失效温度试验数据;
设航天阀门寿命服从两参数的Weibull分布,W(m,η),对温度试验中的无温度试验数据进行分布参数估计的修正极大似然方法为
通过数值迭代得到温度试验数据下的Weibull分布参数m1和η1,进而得到航天阀门在温度试验的对应试验条件下任务工作时间τ1时的任务可靠度Rτ1,
(2)对振动试验数据进行可靠性评估,方法如下:
多个航天阀门样本进行振动试验,振动试验以服从高斯分布的随机振动形式进行,航天阀门样本在不同的功率谱密度下,分别进行定时截尾试验,获得多组恒应力加速试验数据即无失效的振动试验数据TV。
功率谱密度水平为SVk时,振动试验数据TV对应的样本量和截尾时间为(nVk,tVk),其中nVk为样本量,截尾时间为tVk,k=1,2,...,ζ。
当电应力(电压、电流、功率等)、载荷、湿度等作为加速应力时,基于逆幂率模型的加速方程为:
lntVk=lnc-dlnsvk=γ0+γ1lnsvk
其中c为***粘性阻尼常数;d为材料结构常数;γ0和γ1是加速方程系数。
已知工况环境下的功率谱密度为SV0,结合环境因子的定义,得到加速方程为逆幂律模型下的环境因子τVk,实现加速应力组截尾时间向工况水平下的折算
τVk=exp(γ1(lnSV0-lnSVk))
折算后的振动试验数据仍旧具备无失效特性。
航天阀门寿命服从两分布参数的Weibull分布,采用修正极大似然方法对振动试验数据进行Weibull分布参数的估计。给定形状参数的取值范围[mc2,md2],得到振动试验数据下的Weibull分布参数m2和η2,进而得到航天阀门在振动试验的对应试验条件下任务工作时间τ2时的任务可靠度Rτ2,
(3),对动作试验数据进行可靠性评估,方法如下:
多个航天阀门样本进行动作试验,动作试验采用多组定时截尾的方式,获得无失效的动作试验数据,由Bayes定理得到形状参数和任务可靠度的联合验后,采用M-H抽样算法进行验后分布的计算,得到动作试验数据的Weibull分布两参数的估计值,进而获得动作试验数据在工作时间τ3时的任务可靠度Rτ3。
动作试验数据TA作为现场数据,不参与先验信息融合过程,但需要对温度和振动试验数据进行一致性检验。因此,给出动作试验数据的Bayes可靠性评估过程。
已知形状参数服从均匀分布U(f,g),任务可靠度服从均匀分布U(h,l),任务工作次数为τ3。
变换任务可靠度函数Rτ3得到
由Bayes定理得到形状参数和任务可靠度的联合验后
S2.基于S1中得到的温度试验数据、振动试验数据下的任务可靠度,获取温度试验和振动试验数据所形成的先验分布中的超参数。
已知失效率λ的共轭先验分布为伽玛分布,根据变换下的不变性原则可以得到航天阀门的任务工作时间τ时的可靠度Rτ的先验分布为负对数Gamma分布。取任务可靠度的先验分布为
其中a,b为负对数Gamma分布中的超参数。
在任务时间τ时的可靠度Rτ的点估计值为R0,使用极大熵法可以确定两个超参数的值,H为信息熵,需要求取最大值的熵函数及约束条件为
进一步简化公式得
其中,
且
这样,问题就被转化为一维规划问题,有利于未知超参数a,b的求解。
分别将S1中得到的航天阀门在任务工作时间τ1时的任务可靠度Rτ1和航天阀门在任务工作时间τ2时的任务可靠度Rτ2代入上述过程,分别计算得到温度试验数据和振动试验数据所形成的先验分布中的未知超参数。
S3.温度、振动和动作试验数据进行一致性检验,若通过一致性检验则转步骤S4;若不通过则转步骤S1。
如果温度、振动和动作试验数据没有通过一致性检验,则说明试验数据存在问题,比如错误、缺失等情况,需要重新进行试验获取新的试验数据,直至获得的温度、振动和动作试验数据通过一致性检验。
Bayes置信区间法进行一致性检验,确保所有先验信息与现场数据属于同一整体。
温度试验数据和振动试验数据分别结合现场数据进行可靠性评估,则显著性水平α下任务可靠度的置信区间为(Rτ1 (L),Rτ1 (U))和(Rτ2 (L),Rτ2 (U))。由现场数据即动作试验数据得到无信息先验下任务可靠度的Bayes估计值为Rτ3,如果Rτ3在置信区间(Rτ1 (L),Rτ1 (U))和(Rτ2 (L),Rτ2 (U))内,则三种类型试验数据无显著性差异,信息源通过一致性检验。
S4.基于S2中计算得到的先验分布中的超参数,得到温度试验和振动试验先验信息形成的先验分布,并通过加权融合得到融合后的先验分布,计算温度试验和振动试验先验信息在融合后的先验分布中所占权重,完成先验信息的转化。
S4.1为了融合多源信息,需要先将任务可靠度的先验分布转化为失效率λ的先验分布。
可靠度函数定义如下:
Rτ=exp(-λτm)
关于失效率λ求导可得
上式恒小于0,可知可靠度函数是关于λ的减函数,其中λ∈[0,∞],因而有
对上式两边关于x求导可得
设航天阀门的Weibull分布的形状参数m服从上限值为md,下限值为mc的均匀分布U(mc,md),其中上下限值由专家经验给出,,则形状参数m与失效率λ的联合先验分布
分别将S2中得到的温度试验数据所形成的先验分布中的超参数以及振动试验数据所形成的先验分布中的超参数代入上式,得到温度试验先验信息形成的先验分布π1(m,λ)以及振动试验先验信息形成的先验分布π2(m,λ)。
加权融合得到统一的先验分布
πU(m,λ)=ω1π1(m,λ)+ω2π2(m,λ)
其中,参数ω1和ω2分别是温度试验先验信息和振动试验先验信息在加权融合后的先验分布中所占权重。
S4.2采用第二类极大似然(ML-Ⅱ)法进行权重值ω1和ω2的计算。
基于温度试验数据和振动试验数据,得到温度试验可靠度函数以及振动试验可靠度函数分别为:
进一步,温度试验和振动试验先验分布下的温度试验数据和振动试验数据的似然函数为:
定义权重
将计算得到的权重值代入加权融合后得到的先验分布中,即完成先验信息的转化过程。
S5.将航天阀门的动作试验数据作为现场数据,利用Bayes理论,通过融合后的先验分布对现场数据的评估结果进行修正,完成航天阀门的可靠性评估。
航天阀门的动作试验数据作为现场数据,其似然函数为
其中,
根据贝叶斯原理,融合温度试验和振动试验先验信息后的验后分布为:
在本发明一具体实施例中,获得的温度试验不等定时截尾数据、振动试验加速应力寿命试验数据、动作试验不等定时截尾数据分别如表1、表2和表3所示,运用本发明提供的基于多源信息融合的航天阀门可靠性评估方法,得到的结果如下:
表1温度试验不等定时截尾数据
表2振动试验加速应力寿命试验数据
表3动作试验不等定时截尾数据
温度试验数据可靠性评估结果:m1=3.27,η1=70.7246,Rτ1=0.9983
振动试验数据可靠性评估结果:m2=3.00,η2=154.6621,Rτ2=0.9997
动作试验数据可靠性评估结果:m3=2.29,η3=831.8189,Rτ3=0.9998
温度试验数据和振动试验数据任务可靠度作为先验信息形成的先验分布中的未知参数a,b分别是(0.99873,598.66155)和(0.99981,3698.35136)。
进行一致性检验时,计算得到(Rτ1 (L),Rτ1 (U))的值为(0.999427,0.999999),的值为(0.999705,0.999999)。由于Rτ3=0.9998落入以上两个区间内,因此多源信息通过一致性检验。
融合权重值为:ω1=ω2=0.5,给定形状参数取值区间(mc,md)为(2,3)。
M-H抽样方法得到参数估计值为:m=2.55,λ=1.595355×10-7。
最终计算得到的特征寿命为:η=466.0077。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (5)
1.基于多源信息融合的航天阀门可靠性评估方法,其特征在于,包括:
S1. 获取航天阀门参与融合的试验数据,其中参与融合的试验数据包括温度试验数据、振动试验数据、动作试验数据;对温度试验数据、振动试验数据、动作试验数据分别进行可靠性评估,分别得到温度试验数据、振动试验数据、动作试验数据下的Weibull分布参数,进而分别得到航天阀门在温度试验、振动试验以及动作试验的对应条件下任务工作一段时间时的任务可靠度;
S2. 基于S1中得到的温度试验数据、振动试验数据下的任务可靠度,分别获取温度试验数据和振动试验数据所形成的先验分布中的超参数;
S3. 温度、振动和动作试验数据进行一致性检验,若通过一致性检验则转步骤S4;若不通过则转步骤S1;
S4. 基于S2中计算得到的温度试验数据和振动试验数据所形成的先验分布中的超参数,分别得到温度试验先验信息和振动试验先验信息形成的先验分布,并通过加权融合得到融合后的先验分布,计算温度试验和振动试验先验信息在融合后的先验分布中所占权重,完成先验信息的转化;
S5. 将航天阀门的动作试验数据作为现场数据,利用Bayes理论,通过融合后的先验分布对现场数据的评估结果进行修正,完成航天阀门的可靠性评估;
S1中,航天阀门样本进行温度试验,通过不等定时截尾获得无失效的温度试验数据;设航天阀门寿命服从两分布参数的Weibull分布,利用修正极大似然方法对温度试验中的温度试验数据进行分布参数估计,进而获得航天阀门在温度试验的对应条件下任务工作时间 时的任务可靠度Rτ1;
S1中,航天阀门样本进行振动试验,振动试验以服从高斯分布的随机振动形式进行,航天阀门样本在不同的功率谱密度下,分别进行定时截尾试验,获得无失效的振动试验数据;设航天阀门寿命服从两分布参数的Weibull分布,给定形状参数的取值范围,利用修正极大似然方法对振动试验中的振动试验数据进行分布参数估计,进而获得航天阀门在振动试验的对应条件下任务工作时间 时的任务可靠度Rτ2;
S1中,航天阀门样本进行动作试验,动作试验采用多组定时截尾的方式,获得无失效的动作试验数据,由Bayes定理得到形状参数和任务可靠度的联合验后,采用M-H抽样算法进行验后分布的计算,得到动作试验数据的Weibull分布两参数的估计值,进而获得航天阀门在动作试验的对应条件下工作时间 时的任务可靠度Rτ3;
S3中一致性检验方法如下:
温度试验数据和振动试验数据分别结合现场数据进行可靠性评估,则根据MCMC抽样得到的任务可靠度大样本,显著性水平α下的任务可靠度Rτ1和Rτ2的置信区间分别为和/>;由现场数据即动作试验数据得到无信息先验下任务可靠度的Bayes估计值为Rτ3,如果Rτ3在置信区间/>和/>内,则三种类型试验数据无显著性差异,通过一致性检验;
S4中设航天阀门的Weibull分布的形状参数m服从上限值为md,下限值为mc的均匀分布U(mc,md) ,则形状参数m与失效率λ的联合先验分布为:
其中a,b为负对数Gamma分布中的超参数;
分别将S2中得到的温度试验数据所形成的先验分布中的超参数以及振动试验数据所形成的先验分布中的超参数代入上式,得到温度试验先验信息形成的先验分布π 1(m,λ)以及振动试验先验信息形成的先验分布π 2(m,λ);
加权融合得到统一的先验分布
其中,参数ω 1和ω 2分别是温度试验先验信息和振动试验先验信息在加权融合后的先验分布中所占权重。
3.根据权利要求1所述的基于多源信息融合的航天阀门可靠性评估方法,其特征在于,S3中采用 Bayes置信区间法对温度、振动和动作试验数据进行一致性检验。
4.根据权利要求1所述的基于多源信息融合的航天阀门可靠性评估方法,其特征在于,采用第二类极大似然法确定温度试验先验信息和振动试验先验信息在加权融合后的先验分布中所占权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110302609.4A CN112883497B (zh) | 2021-03-22 | 2021-03-22 | 基于多源信息融合的航天阀门可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110302609.4A CN112883497B (zh) | 2021-03-22 | 2021-03-22 | 基于多源信息融合的航天阀门可靠性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883497A CN112883497A (zh) | 2021-06-01 |
CN112883497B true CN112883497B (zh) | 2023-06-16 |
Family
ID=76041611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110302609.4A Active CN112883497B (zh) | 2021-03-22 | 2021-03-22 | 基于多源信息融合的航天阀门可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883497B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592295A (zh) * | 2021-07-29 | 2021-11-02 | 中国人民解放军海军航空大学岸防兵学院 | 产品可靠性综合评估方法与***、设备、介质 |
CN115468759B (zh) * | 2022-09-22 | 2024-01-23 | 中国核动力研究设计院 | 一种电动阀门热备寿命加速试验方法 |
CN115452358B (zh) * | 2022-09-22 | 2024-01-26 | 中国核动力研究设计院 | 一种电动阀门动作寿命加速试验方法 |
CN115563887A (zh) * | 2022-12-02 | 2023-01-03 | 中国人民解放军海军工程大学 | 基于多源信息融合的弹药可靠性评估方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104267668A (zh) * | 2014-09-02 | 2015-01-07 | 上海交通大学 | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 |
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 |
CN108053995A (zh) * | 2017-11-30 | 2018-05-18 | 重庆科技学院 | 一种航空航天用高可靠性伺服阀永磁元件的制备方法 |
CN108804813A (zh) * | 2018-06-07 | 2018-11-13 | 上海空间推进研究所 | 一种空间轨控发动机可靠性评估方法 |
CN110874502A (zh) * | 2019-11-11 | 2020-03-10 | 中国人民解放军国防科技大学 | 基于多阶段试验数据折合的航天产品可靠性评估方法 |
CN111751199A (zh) * | 2020-06-09 | 2020-10-09 | 西北工业大学 | 基于eifs分布的疲劳寿命预测方法 |
AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10678969B2 (en) * | 2017-04-21 | 2020-06-09 | General Electric Company | Usage based lifing |
CN110414553B (zh) * | 2019-06-14 | 2021-07-16 | 中国人民解放军海军工程大学 | 一种融合多源信息的备件可靠性评估方法及*** |
CN111597663B (zh) * | 2020-07-27 | 2020-10-27 | 中国人民解放军国防科技大学 | 融合剩余寿命经验数据的动量轮剩余寿命预测方法 |
CN112214880B (zh) * | 2020-09-17 | 2022-12-20 | 中国人民解放军国防科技大学 | 一种基于虚实融合的多阶段维修性评估方法 |
-
2021
- 2021-03-22 CN CN202110302609.4A patent/CN112883497B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104267668A (zh) * | 2014-09-02 | 2015-01-07 | 上海交通大学 | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 |
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 |
CN108053995A (zh) * | 2017-11-30 | 2018-05-18 | 重庆科技学院 | 一种航空航天用高可靠性伺服阀永磁元件的制备方法 |
CN108804813A (zh) * | 2018-06-07 | 2018-11-13 | 上海空间推进研究所 | 一种空间轨控发动机可靠性评估方法 |
CN110874502A (zh) * | 2019-11-11 | 2020-03-10 | 中国人民解放军国防科技大学 | 基于多阶段试验数据折合的航天产品可靠性评估方法 |
CN111751199A (zh) * | 2020-06-09 | 2020-10-09 | 西北工业大学 | 基于eifs分布的疲劳寿命预测方法 |
AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
Non-Patent Citations (6)
Title |
---|
A multi-source information fusion fault diagnosis for aviation hydraulic pump based on the new evidence similarity distance;Chuanqi Lu等;Aerospace Science and Technology;392-401 * |
A Multi-source Information Fusion Fault Diagnosis Method for Vectoring Nozzle Control System Based on Bayesian Network;Youyou Zhang等;2020 Asia-Pacific International Symposium on Advanced Reliability and Maintenance Modeling (APARM);1-6 * |
Weibull分布航天产品可靠性评估的MMLE-Bayes方法;程皖民;冯静;周经伦;孙权;;电讯技术(06);22-27 * |
某型航天器阀门研制过程中的可靠性技术;韩斐;宋笔锋;崔卫民;;机械设计与制造(06);132-134 * |
阀门产品的可靠性评估方法;崔景芝;修建生;孙法国;丁建春;;载人航天(02);59-64 * |
阀门可靠性技术研究现状和展望;韩斐;宋笔锋;喻天翔;崔卫民;;机床与液压(09);138-144 * |
Also Published As
Publication number | Publication date |
---|---|
CN112883497A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112883497B (zh) | 基于多源信息融合的航天阀门可靠性评估方法 | |
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 | |
CN106126944B (zh) | 一种电力变压器顶层油温区间预测方法及*** | |
WO2022021726A1 (zh) | 一种基于pmu的电力***状态估计性能评价方法 | |
Abdel-Nasser et al. | A novel smart grid state estimation method based on neural networks | |
CN105784556A (zh) | 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法 | |
CN111639410B (zh) | 可靠性强化试验定量评估方法、装置及存储介质 | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
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 | |
CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及*** | |
CN114897331A (zh) | 一种基于三参数区间灰数决策的电力变压器风险评估方法 | |
CN110889207B (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
CN116562121A (zh) | 基于XGBoost和FocalLoss结合的电缆老化状态评估方法 | |
CN114169128B (zh) | 一种基于Bayes分析的可靠性强化试验定量评估方法 | |
CN110850358A (zh) | 基于逐步回归算法的电能表综合检定方法及*** | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
He et al. | Inconsistency modeling of lithium-ion battery pack based on variational auto-encoder considering multi-parameter correlation | |
CN106778023A (zh) | 一种电气设备状态评估结果可信性评价方法 | |
CN116644358A (zh) | 基于贝叶斯卷积神经网络的电力***暂态稳定评估方法 | |
CN115935795A (zh) | 一种电力***暂态电压稳定评估模型构建方法及评估方法 | |
CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN115267586A (zh) | 锂电池soh评估方法 | |
Qiu et al. | Fault diagnosis of TE process using LSTM-RNN neural network and BP model | |
Wang et al. | A bent line Tobit regression model with application to household financial assets | |
WO2021051332A1 (zh) | 基于小波神经网络和支持向量机桥梁地震损伤监控方法 |
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 |