CN114091243A - 一种产品概念设计可靠性的预测方法及*** - Google Patents

一种产品概念设计可靠性的预测方法及*** Download PDF

Info

Publication number
CN114091243A
CN114091243A CN202111329969.XA CN202111329969A CN114091243A CN 114091243 A CN114091243 A CN 114091243A CN 202111329969 A CN202111329969 A CN 202111329969A CN 114091243 A CN114091243 A CN 114091243A
Authority
CN
China
Prior art keywords
target product
value
virtual test
virtual
design
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.)
Pending
Application number
CN202111329969.XA
Other languages
English (en)
Inventor
苏楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Binjiang Research Institute Of Zhejiang University
Original Assignee
Binjiang Research Institute Of Zhejiang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Binjiang Research Institute Of Zhejiang University filed Critical Binjiang Research Institute Of Zhejiang University
Priority to CN202111329969.XA priority Critical patent/CN114091243A/zh
Publication of CN114091243A publication Critical patent/CN114091243A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种产品概念设计可靠性的预测方法，包括：S1对目标产品进行结构分级，获取目标产品的关键零部件与目标产品的设计寿命值；S2根据S1中的关键零部件为所述目标产品构建虚拟测试物元模型R，所述虚拟测试物元模型R包括所述目标产品的关键零部件理论设计参数；S3基于S2中的虚拟测试物元模型R，进行迭代分析获得多组关于目标产品的累加损伤值与对应的虚拟寿命值；S4根据S3中第一次出现累加损伤值大于等于1时所对应的虚拟寿命值作为对比值，与目标产品的设计寿命进行对比，来判断目标产品的可靠性。本发明还提供了一种适用于该预测方法的***。该***操作简单，便于用户对产品概念设计方案的可靠性进行快速判断。

Description

一种产品概念设计可靠性的预测方法及***
技术领域
本发明涉及产品设计软件领域，尤其涉及一种产品概念设计方案可靠性的预测方法及***。
背景技术
在新产品开发初期，需求方对可靠性没有提出明确的要求，往往只注重开发速度、功能实现和用户交互友好等。当投入使用后，才发现大量的可靠性问题，增加了后期维修、维护的难度，甚至导致一系列的安全问题。实际上，产品概念设计对后期量产品可靠性影响很大，约有70％的产品失效都隐藏在概念设计阶段。
但是很少人关注这个方面，主要原因在于：
(一)概念设计阶段的产品缺乏较为成熟的数字模型和物理样机。对于很多企业研发部门来说，只有部分需求参数和结构参数，预测产品可靠性很困难。
很多高科技企业，如特斯拉、Waymo、百度等公司都开始通过不断简化初始产品的数字模型，采用计算机程序模拟实际工况完成虚拟测试，但对中小企业而言，短时间完成数字样机、同时进行大量算例测试的难度很大。
(二)企业不愿意将内部数字模型提供给第三方公司，因此采用现有商业软件(如ANSYS、nCode等)也很难预测概念模型的可靠性。
现阶段主要靠两种方式去完成可靠性虚拟预测，一种是以失效物理模型为基础构建寿命模型，另一种是基于数据驱动的可靠性评估方法。
学术文献概念设计产品的模糊可靠性预测及方案评价[J].机械科学与技术,2005(08):981-984.公开了一种对概念设计产品进行了模糊可靠性预测,将故障树底事件发生可能性的模糊语言描述量化为模糊集的元素，利用物理规划进行概念设计方案评价，从而为概念设计方案评价提供了新的途径，但该方案只是定义初始模糊区间，没有考虑到设计参数不断迭代进化对***可靠性的影响。
专利文献CN113094805A公开了一种结构分析参数化模型生成***及其生成方法，包括：制定模块，所述制定模块用于进行参数化建模规范制定；实现模块，所述实现模块用于进行参数化建模实现关键技术研究；开发模块，所述开发模块用于进行开发参数化建模软件，可以避免产品概念设计阶段模型不能通用的困难导致了迭代优化的低效、缺乏对应的知识而无法有效的实施优化意图的缺陷，但是该方法需要获取产品的具体物理数值才能进行预测，有一定的局限性。
目前概念设计阶段的可靠性预测都是以完整的数字模型为基础的，结合对产品结构件的仿真结果和寿命曲线，预测最薄弱位置可靠度，但概念设计阶段往往连基本数字模型都没有，无法开展可靠度评估。
可拓学是蔡文研究员提出并建立的人工智能学科，可拓关联函数是可拓学的重要组成部分。
可拓关联函数通过建立实轴上的关联函数，使描述量变与质变成为可能，它与描述Cantor集的特征函数和描述Fuzzy集的隶属函数有本质的区别。
常用的关联函数有简单关联函数、初等关联函数、区间关联函数和离散型关联函数等。采用可拓关联函数理论可以有效解决现有集合理论无法处理“同中有异”的矛盾问题。
发明内容
为了解决上述问题，本发明提供了一种运算速度快、不需要产品具体设计参数且适用于多种行业产品概念设计方案可靠性的预测方法，通过该方法预测产品概念设计方案的可靠性是否符合客户的需求。
一种产品概念设计可靠性的预测方法，包括：
S1对目标产品进行结构分级，获取目标产品的关键零部件与目标产品的设计寿命值；
S2根据S1中的关键零部件为所述目标产品构建虚拟测试物元模型R，所述虚拟测试物元模型R包含所述目标产品的关键零部件理论设计参数；
Figure RE-GDA0003441664560000031
其中M代表目标产品，Ci代表目标产品的功能，Xi代表影响功能的关键零部件，i为关键零部件的总数。
以电动汽车为例：将电动汽车进行结构分级，包括供电、动力以及控制，其中电池影响供电效果；电驱动影响动力输出；控制器影响车辆控制，根据上述分级构建电动汽车虚拟测试模型R：
电动汽车测试物元模型
Figure RE-GDA0003441664560000041
S3基于S2中的虚拟测试物元模型R，进行迭代分析获得多组关于目标产品的累加损伤值与对应的虚拟寿命值；
S4根据S3中第一次出现累加损伤值大于等于1时所对应的虚拟寿命值作为对比值，与目标产品的设计寿命进行对比，来判断目标产品的可靠性。
优选的，所述S2中虚拟测试物元模型R的构建方法具体如下：
S2.1获取目标产品的关键零部件，为每个关键零部件设置相对应的虚拟测试区间(a,b)，其中a为最小理论设计参数值，b为最大理论设计参数值：
S2.2将建虚拟测试物元模型R中的关键零部件Xi进行二次分级，包括关键零部件相关的性能、与零部件相关的设计参数以及对应的虚拟测试区间：
测试关键零部件物元模型
Figure RE-GDA0003441664560000042
其中mi代表与关键零部件相关的性能，cj代表影响性能的理论设计参数，xj代表理论设计参数的虚拟测试区间，j为理论设计参数总数。
以电动汽车的电池为例：电池性能主要包括充电效率与电量衰减，
Figure RE-GDA0003441664560000051
优选的，所述S3中迭代分析是基于关键零部件的虚拟测试点进行计算分析，所述虚拟测试点在大于零的范围内随选选取，当虚拟测试点随机选取在虚拟测试区间外时，则模拟计算低载或超载工作条件下产品的损伤值；当虚拟测试点随机选取在虚拟测试区间内时，则模拟计算理论工作条件下产品的损伤值，两种情况都要记录用于计算综合工作条件下产品的虚拟寿命值。
优选的，所述迭代分析的具体过程如下：
S3.1随机选取一组目标产品各关键零部件的虚拟测试点，根据可拓关联函数理论计算出每一个虚拟测试点对应的关联度
Figure RE-GDA0003441664560000052
Figure RE-GDA0003441664560000053
其中xmj为关键零部件的虚拟测试点。
最后计算获得该组关键零部件所有虚拟测试点所对应的一个累积关联度Pj：
S3.2基于S3.1获得的累积关联度Pj，进行一次判定：
当0≤Pj≤1时，继续重复S3.1，并记录迭代次数；
当1<Pj时，计算损伤值＝1/Pj，并记录该次损伤值与迭代次数。
S3.3基于S3.2中获得的损伤值与对应的迭代次数，计算累加损伤值即根据迭代次数的大小依次累加相对应的损伤值；
同时将该次的迭代次数记为该次累加损伤值所对应的虚拟寿命值。
优选的，当累加损伤值小于1时，记录该次累加损伤值与对应的虚拟寿命值，并继续下一轮的迭代分析；反之则终止迭代分析。
优选的，所述S4中的判断目标产品的可靠性，具体方法：当对比值大于目标产品的设计寿命值，则该方案合格；当对比值小于等于目标产品的设计寿命值，则该方案不合格。
一种用于预测产品概念设计方案可靠性的***，包括：
虚拟测试点模块，用于为关键零部件提供随机的虚拟测试点；
虚拟测试区间模块，用于将关键零部件的理论设计参数转化为虚拟测试区间；
累积关联度模块，用于关键零部件的迭代分析；
累加损伤计算模块，用于目标产品的累加损伤值与判定迭代分析是否继续；
可靠性评价模块，根据迭代分析的结果与目标产品的虚拟使用次数值进行对比，基于对比结果输出结论。
具体使用过程：对目标产品进行技术分级，获取关键零部件，通过虚拟测试区间模块将每个关键零部件的理论设计参数转化成对应的虚拟测试区间；开始迭代分析，通过虚拟测试点模块为每个关键零部件提供一个虚拟测试点；然后通过累积关联度模块对目标产品进行一轮迭代分析；通过累加损伤计算模块获得累加损伤值与对应的虚拟寿命值，当累加损伤值第一次出现大于等于1时，终止本轮的迭代分析；通过可靠性评价模块，选取本轮累加损伤值第一次出现大于等于1时所对应的虚拟寿命值作为对比值，与目标产品的使用寿命进行对比得出本轮迭代分析结果；更进一步的，需要进行三轮迭代分析并依次与目标产品的使用寿命进行对比，当三轮结果都为合格时，则输出方案合格的结论；若有一次结果为不合格，则输出方案不合格的结论，并提示设计人员进行调试。
与现有技术相比，本发明的有益效果：本发明采用可拓建模和关联函数理论，避免了多评价特征下，量纲不统一的困境，将多个评价指标归因成唯一的目标函数，大大提高了计算速度；更进一步的，本发明提供的***兼容目前主流设计软件，弥补了部分软件无法进行方案可靠性预测的不足。
附图说明
图1为本发明提供的***模块图；
图2为本发明的预测方法的流程图。
具体实施方式
如图1所示，本发明提供了一种用于预测产品概念设计方案可靠性的***，该***主要包括：
虚拟测试点模块，用于为关键零部件提供随机的虚拟测试点；
虚拟测试区间模块，用于将关键零部件的理论设计参数转化为虚拟测试区间；
累积关联度模块，用于关键零部件的迭代分析；
累加损伤计算模块，用于目标产品的累加损伤值与判定迭代分析是否继续；
可靠性评价模块，根据迭代分析的结果与目标产品的设计寿命值进行对比，基于对比结果输出结论。
将上述功能模块编译成独立的可执行程序，放置在现有技术计算机辅助设计软件(例如AutoCAD)的主程序目录下，便于设计师根据用户需求初步完成产品设计后，对设计方案进行快速的可靠性判断。
具体使用过程：
对目标产品进行结构分级，获取关键零部件，通过虚拟测试区间模块将每个关键零部件的理论设计参数转化成对应的虚拟测试区间；
开始迭代分析，通过虚拟测试点模块为随机为每个关键零部件提供一个虚拟测试点；
通过累积关联度模块对目标产品进行一轮迭代分析；通过累加损伤计算模块获得累积损伤值与对应的虚拟寿命值，当累加损伤值第一次出现大于等于1时，终止本轮的迭代分析；
通过可靠性评价模块，选取本轮累加损伤值第一次出现大于等于1时所对应的虚拟寿命值作为对比值，与目标产品的设计寿命值进行对比得出本轮迭代分析结果；
更进一步的，需要进行三轮迭代分析并依次与目标产品的使用寿命进行对比，当三轮结果都为合格时，则输出方案合格的结论；若有一次结果为不合格，则输出方案不合格的结论，并提示设计人员对设计参数进行调试。
如图2所示，以某新能源汽车开发阶段概念设计方案为例子，对新能源汽车进行分析预测：
S1基于新能源汽车的功能进行结构分级，主要包括供电、动力以及控制，其中电池影响供电性能，电驱动影响动力输出，控制器影响汽车控制性能。
根据上述技术分级，建立新能源汽车虚拟测试物元模型R：
新能源汽车虚拟测试物元模型
Figure RE-GDA0003441664560000091
根据新能源汽车虚拟测试物元模型R中的内容，建立测试关键零部件模型X。
影响电池性能的主要设计参数包括电池的充能效率与电量衰减的速率：
测试电池模型
Figure RE-GDA0003441664560000092
影响动力输出的主要设计参数包括电机的空载反电势与绝缘性，以及减速器的耐磨性：
测试电驱动模型
Figure RE-GDA0003441664560000101
测试电驱动模型X3＝|减速器性能耐磨性(50,80)|；
影响汽车控制性能的主要设计参数包括IGBT芯片的结温温度：
测试控制器模型X4＝|IGBT性能结温温度(120,125)|；
该目标产品的设计寿命，换算成运行次数值T1为16330次。
S2通过***随机生成第一组虚拟测试点：
Figure RE-GDA0003441664560000102
S3根据公式(1)计算出各个虚拟测试点xmj与虚拟测试区间的关联度
Figure RE-GDA0003441664560000103
Figure RE-GDA0003441664560000104
根据公式(2)，计算出各个关联度
Figure RE-GDA0003441664560000105
的累积关联度Pj：
Figure RE-GDA0003441664560000106
S4根据公式(1)与公式(2)计算获得每个零部件的关联度
Figure RE-GDA0003441664560000107
与目标产品对应的累积关联度Pj:
Figure RE-GDA0003441664560000111
其中N为迭代次数，依据迭代分析的原则，P1>1时需要计算损伤值D1：
Figure RE-GDA0003441664560000112
并记录该组虚拟测试点的损伤值D与迭代次数N(0.005266238,1)；
由于累加损伤值∑D1＝0+D1<1，继续进行迭代分析，并记录累加损伤值∑D1与虚拟寿命值t1＝1。
Figure RE-GDA0003441664560000113
依据迭代分析的原则，P2>1时需要计算损伤值D2：
Figure RE-GDA0003441664560000114
并记录该组虚拟测试点的损伤值D与迭代次数N(0.001756726,2)；
由于累积损伤值∑D2＝0+D1+D2<1，继续进行迭代分析,并记录累加损伤值∑D2与虚拟寿命值t2＝2次；
直至计算第一次出现累加损伤值∑D≥1时，终止本轮的迭代分析。
本轮迭代分析结果如下表所示：
虚拟寿命值t<sub>i</sub> 损伤值D<sub>i</sub> 累加损伤值∑D
1 0.005266238 0.005266238
2 0.001756726 0.007022964
101 0.034220532 0.041243496
3209 0.107964667 0.149208163
6235 0.215662388 0.364870551
8562 0.311672663 0.676543214
12642 0.209081630 0.885624844
13269 0.137373214 1.022998058
当虚拟寿命值ti为13269时，出现累加损伤值∑D>1的情况，则说明本轮迭代分析结束，并取ti＝13269为对比值。
根据对比值与目标产品的设计寿命T1进行对比，即T1>ti说明本轮迭代分析结果为不合格。
根据上述步骤重复三轮迭代分析后，通过***对三轮结果进行判定，如果三轮均为合格，则输出该方案合格的结论；如果其中一轮不合格，则输出该方案不合格的结论，并提示设计人员对设计方案进行调试。

Claims (9)

1.一种产品概念设计可靠性的预测方法，其特征在于，包括：
S1对目标产品进行结构分级，获取目标产品的关键零部件与目标产品的设计寿命值；
S2根据S1中的关键零部件为所述目标产品构建虚拟测试物元模型R，所述虚拟测试物元模型R包括所述目标产品的关键零部件理论设计参数；
S3基于S2中的虚拟测试物元模型R，进行迭代分析获得多组关于目标产品的累加损伤值与对应的虚拟寿命值；
S4根据S3中第一次出现累加损伤值大于等于1时所对应的虚拟寿命值作为对比值，与目标产品的设计寿命值进行对比，来判断目标产品的可靠性。
2.根据权利要求1所述的预测方法，其特征在于，所述S2中虚拟测试物元模型R的构建方法具体如下：
S2.1获取目标产品的关键零部件，为每个关键零部件设置相对应的虚拟测试区间(a,b)，其中a为最小理论设计参数值，b为最大理论设计参数值；
S2.2对关键零部件进行二次分级，包括关键零部件相关的性能、与零部件相关的设计参数以及对应的虚拟测试区间。
3.根据权利要求1所述的预测方法，其特征在于，所述S3中迭代分析是基于关键零部件的虚拟测试点进行计算分析，所述虚拟测试点在大于零的范围内随机选取。
4.根据权利3所述的预测方法，其特征在于，所述迭代分析的具体过程如下：
S3.1随机选取一组关键零部件的虚拟测试点，根据可拓关联函数理论计算出每一个虚拟测试点对应的关联度ρ，最后计算获得该组关键零部件所有虚拟测试点所对应的一个累积关联度Pj；
S3.2基于S3.1获得的累积关联度Pj，进行一次判定：
当0≤Pj≤1时，继续重复S3.1，并记录迭代次数；
当1<Pj时，计算损伤值，并记录该次损伤值与迭代次数；
S3.3基于S3.2中获得的损伤值与对应的迭代次数，计算累加损伤值即根据迭代次数的大小依次累加相对应的损伤值；
同时将该次的迭代次数记为该次累加损伤值所对应的虚拟寿命值。
5.根据权利要求4所述的预测方法，其特征在于，所述关联度
Figure FDA0003348417760000021
通过可拓关联函数理论计算获得：
Figure FDA0003348417760000022
其中xmj为关键零部件的虚拟测试点。
6.根据权利要求4所述的预测方式，其特征在于，当累加损伤值小于1时，记录该次累加损伤值与对应的虚拟寿命值，并继续下一轮的迭代分析；反之则终止迭代分析。
7.根据权利要求1所述的预测方法，其特征在于，所述S4中的判断目标产品的可靠性，具体方法：当对比值大于目标产品的设计寿命值，则该方案合格；当对比值小于等于目标产品的设计寿命值，则该方案不合格。
8.一种用于预测产品概念设计方案可靠性的***，其特征在于，包括：
虚拟测试点模块，用于为关键零部件提供随机的虚拟测试点；
虚拟测试区间模块，用于将关键零部件的理论设计参数转化为虚拟测试区间；
累积关联度模块，用于对关键零部件的迭代分析；
累加损伤计算模块，用于累加损伤值与判定迭代分析是否继续；
可靠性评价模块，根据迭代分析的结果与目标产品的虚拟使用次数值进行对比，基于对比结果输出结论。
9.根据权利要求8所述的***，其特征在于，所述可靠性评价模块需要对多轮迭代分析的结果，进行依次判定，如果多轮结论都合格则显示方案合格；若出现一轮不合格，则显示方案不合格并提醒设计人员进行调试。
CN202111329969.XA 2021-11-11 2021-11-11 一种产品概念设计可靠性的预测方法及*** Pending CN114091243A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111329969.XA CN114091243A (zh) 2021-11-11 2021-11-11 一种产品概念设计可靠性的预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111329969.XA CN114091243A (zh) 2021-11-11 2021-11-11 一种产品概念设计可靠性的预测方法及***

Publications (1)

Publication Number Publication Date
CN114091243A true CN114091243A (zh) 2022-02-25

Family

ID=80299743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111329969.XA Pending CN114091243A (zh) 2021-11-11 2021-11-11 一种产品概念设计可靠性的预测方法及***

Country Status (1)

Country Link
CN (1) CN114091243A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115563813A (zh) * 2022-11-10 2023-01-03 服务型制造研究院(杭州)有限公司 基于可拓关联函数和fmea的产品设计方法及***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115563813A (zh) * 2022-11-10 2023-01-03 服务型制造研究院(杭州)有限公司 基于可拓关联函数和fmea的产品设计方法及***

Similar Documents

Publication Publication Date Title
CN107967485B (zh) 用电计量设备故障分析方法及装置
CN109324291B (zh) 一种针对质子交换膜燃料电池寿命预测的预测方法
CN112684379A (zh) 一种基于数字孪生的变压器故障诊断***及其方法
CN113805064B (zh) 基于深度学习的锂离子电池组健康状态预测方法
CN110568359A (zh) 一种锂电池剩余寿命预测方法
CN106055775A (zh) 一种粒子滤波与机理模型相结合的二次电池寿命预测方法
CN111025041A (zh) 电动汽车充电桩监测方法及其***、计算机设备、介质
Ma et al. Economic operation evaluation of active distribution network based on fuzzy Borda method
CN114091243A (zh) 一种产品概念设计可靠性的预测方法及***
CN115600722A (zh) 企业电碳因子长期预测方法
CN113715629B (zh) 基于改进符号回归和XGBoost算法的剩余续驶里程预测方法
CN117330987B (zh) 基于时间的电池健康状态评估的方法、***、介质和设备
Liu et al. Surrogate-assisted many-objective optimization of building energy management
Hatherall et al. Remaining discharge energy estimation for lithium-ion batteries using pattern recognition and power prediction
CN112466416B (zh) 一种结合镍基合金先验知识的材料数据清洗方法
CN106056305A (zh) 一种基于状态聚类的发电***可靠性快速评估方法
CN116609686B (zh) 一种基于云平台大数据的电芯一致性评估方法
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN117195647A (zh) 变压器套管震后评估方法、装置、设备、介质和程序产品
Xie et al. A new solution to the spherical particle surface concentration of lithium-ion battery electrodes
CN113919162B (zh) 基于仿真与多源实测数据融合的电压暂降风险预警方法
CN115730461A (zh) 一种基于可修复动态故障树的柴油机可靠性评估方法
CN113609456A (zh) 电动汽车光伏充电站可靠性分析方法、***、介质、终端
CN112365024A (zh) 一种基于深度学习的高压直流换流站能效预测方法及***
Marchegiani et al. Li-ion battery aging model robustness: An analysis using univariate and multivariate techniques

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