威布尔分布参数获取方法及装置与流程

1.本技术涉及可靠性评估技术领域，具体涉及一种威布尔分布参数获取方法及装置。


背景技术：

2.威布尔分布是描述机械产品寿命最常用的分布模型，其中三参数威布尔分布因为可以描述样件的最小疲劳寿命而具有较强的适应性，被广泛应用于机械部件的疲劳寿命分布模型中。相关技术中，威布尔分布的参数获取主要采用右逼近估计法，其基于特定的变换方式把目标分布函数转化成线性函数，进而利用最小二乘法进行最优参数拟合，通过不断迭代计算从右侧逼近最优目标参数，可以有效改善计算不收敛问题。
3.然而，由于右逼近估计法在迭代的过程中需要利用中位秩作为寿命不可靠度的初始迭代值，而中位秩作为一种经验参数可能与真实值相差较大，容易使迭代算法求得局部最优解而非全局最优解，从而导致获取到的威布尔参数不够准确，进而影响对机械部件的可靠性评估的准确性。


技术实现要素：

4.本技术旨在至少解决相关技术中存在的技术问题之一。为此，本技术提出一种威布尔分布参数获取方法，能够提高获取到的威布尔参数的准确度。
5.本技术还提出一种威布尔分布参数获取装置。
6.本技术还提出一种电子设备。
7.本技术还提出一种计算机可读存储介质。
8.根据本技术第一方面实施例的威布尔分布参数获取方法，包括：
9.根据获取到的各机械部件的疲劳失效寿命进行参数预估计，获取初始威布尔分布参数；
10.根据所述初始威布尔分布参数，确定各所述机械部件的初始寿命不可靠度后，根据第一遗传算法对各所述初始寿命不可靠度进行优化，获取各所述机械部件的校正寿命不可靠度；
11.根据各所述校正寿命不可靠度，获取所述机械部件的目标威布尔分布参数。
12.通过各机械部件的疲劳失效寿命进行参数预估计，获取初始威布尔分布参数后，基于初始威布尔分布参数确定各机械部件的初始寿命不可靠度，并利用遗传算法对各初始寿命不可靠度进行优化，得到各机械部件的校正寿命不可靠度，以利用遗传算法的特性，使得到的各机械部件的寿命不可靠度更接近真实值，再基于更接近真实值的校正寿命不可靠度来获取机械部件的目标威布尔分布参数，从而使得到的威布尔分布参数也更接近真实值，从而提高提高获取到的威布尔参数的准确度，进而提高对机械部件的可靠性评估的准确性。
13.根据本技术的一个实施例，根据获取到的各机械部件的疲劳失效寿命进行参数预
估计，获取初始威布尔分布参数，包括：
14.根据右逼近估计法，对疲劳失效寿命进行参数预估计，获取所述初始威布尔分布参数。
15.根据本技术的一个实施例，根据所述初始威布尔分布参数，确定各所述机械部件的初始寿命不可靠度，包括：
16.将所述初始威布尔分布参数，以及各所述疲劳失效寿命输入初始疲劳寿命分布函数模型，获取各所述机械部件的初始寿命不可靠度；
17.其中，所述初始疲劳寿命分布函数模型为其中，所述初始疲劳寿命分布函数模型为
18.表示机械部件i的疲劳失效寿命ni的初始寿命不可靠度，表示所述初始威布尔分布参数的位置参数，表示所述初始威布尔分布参数的尺寸参数，表示所述初始威布尔分布参数的形状参数。
19.根据本技术的一个实施例，根据第一遗传算法对各所述初始寿命不可靠度进行优化，获取各所述机械部件的校正寿命不可靠度，包括：
20.根据所述初始寿命不可靠度的数学模型，确定各所述初始寿命不可靠度一一对应的各未知参数组；
21.根据所述第一遗传算法对所述未知参数集进行选择、交叉和变异处理，获取满足所述第一遗传算法的第一目标函数的目标未知参数组；
22.将所述目标未知参数组输入所述数学模型，确定与各所述初始寿命不可靠度对应的各校正寿命不可靠度；
23.其中，所述数学模型包括其中，所述数学模型包括
24.g(θj)表示所述第一目标函数，{ω，γ}表示未知参数组，{ωj，γj}表示与机械部件j的初始寿命不可靠度对应的未知参数组。
25.根据本技术的一个实施例，所述数学模型还包括：
[0026][0027]
根据本技术的一个实施例，根据各所述校正寿命不可靠度，获取所述机械部件的目标威布尔分布参数，包括：
[0028]
根据各所述校正寿命不可靠度输入目标疲劳寿命分布函数模型，获取与各所述校正寿命不可靠度一一对应的各未知威布尔分布参数组；
[0029]
根据所述第二遗传算法对各所述未知威布尔分布参数组进行选择、交叉和变异处理，获取满足所述第二遗传算法的第二目标函数的目标威布尔分布参数组；
[0030]
根据所述目标威布尔分布参数组确定所述目标威布尔分布参数；
[0031]
其中，目标疲劳寿命分布函数模型为其中，目标疲劳寿命分布函数模型为
[0032]
ni表示机械部件i的疲劳寿命，f(ni)表示机械部件i的校正寿命不可靠度，n0表示
未知威布尔分布参数组中的位置参数，na表示未知威布尔分布参数组中的尺寸参数，β表示未知威布尔分布参数组中的形状参数；
[0033]
所述第二目标函数包括所述目标威布尔分布参数组输入所述目标疲劳寿命分布函数模型确定的值，与各所述校正寿命不可靠度的差值的绝对值小于预设值。
[0034]
根据本技术的一个实施例，所述第二目标函数还包括所述目标威布尔分布参数组输入预设模型中确定的线性方程中因变量和自变量的线性相关度大于预设值；
[0035]
其中，线性方程为y＝ax b，所述预设模型包括
[0036]
xi表示自变量，yi表示因变量，表示所述目标威布尔分布参数组输入所述目标疲劳寿命分布函数模型得到的机械部件i的目标寿命不可靠度。
[0037]
根据本技术第二方面实施例的威布尔分布参数获取装置，包括：
[0038]
参数预估模块，用于根据获取到的各机械部件的疲劳失效寿命进行参数预估计，获取初始威布尔分布参数；
[0039]
数据处理模块，用于根据所述初始威布尔分布参数，确定各所述机械部件的初始寿命不可靠度后，根据第一遗传算法对各所述初始寿命不可靠度进行优化，获取各所述机械部件的校正寿命不可靠度；
[0040]
参数获取模块，用于根据各所述校正寿命不可靠度，获取所述机械部件的目标威布尔分布参数。
[0041]
根据本技术第三方面实施例的电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述计算机程序时实现上述任一实施例所述的威布尔分布参数获取方法。
[0042]
根据本技术第四方面实施例的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的威布尔分布参数获取方法。
[0043]
根据本技术第五方面实施例的计算机程序产品，包括：所述计算机程序被处理器执行时实现如上述任一实施例所述的威布尔分布参数获取方法。
[0044]
本技术实施例中的上述一个或多个技术方案，至少具有如下技术效果之一：
[0045]
通过各机械部件的疲劳失效寿命进行参数预估计，获取初始威布尔分布参数后，基于初始威布尔分布参数确定各机械部件的初始寿命不可靠度，并利用遗传算法对各初始寿命不可靠度进行优化，得到各机械部件的校正寿命不可靠度，以利用遗传算法的特性，使得到的各机械部件的寿命不可靠度更接近真实值，再基于更接近真实值的校正寿命不可靠度来获取机械部件的目标威布尔分布参数，从而使得到的威布尔分布参数也更接近真实值，从而提高提高获取到的威布尔参数的准确度，进而提高对机械部件的可靠性评估的准确性。
[0046]
进一步的，通过将各初始寿命不可靠度一一对应的各未知参数组，基于第一遗传算法进行选择、交叉和变异处理，获取满足第一遗传算法的第一目标函数的目标未知参数组，并将该目标未知参数组输入初始寿命不可靠度的数学模型，重新确定新的初始寿命不
可靠度作为校正寿命不可靠度，从而使新的初始寿命不可靠度能够有效地逼近真实值，进一步减少寿命不可靠度与真实值的误差，进而进一步提高后续获取到的威布尔参数的准确度。
[0047]
进一步的，通过在确定动力电池的第一充电效率小于预设充电效率时，控制惯性储能装置中的目标电机将转速提升至第二预设转速以进行能量存储，从而避免电池过充和能量浪费。
[0048]
进一步的，通过第二遗传算法对各校正寿命不可靠度进行优化，从而利用两次遗传算法来估计出机械构件的威布尔分布参数，提高获取威布尔分布参数获取过程的迭代速度，进一步提高了威布尔分布参数估算的精度。
附图说明
[0049]
为了更清楚地说明本技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0050]
图1是本技术实施例提供的威布尔分布参数获取方法的流程示意图；
[0051]
图2是本技术实施例提供的威布尔分布参数获取装置的结构示意图；
[0052]
图3是本技术实施例提供的电子设备的结构示意图。
具体实施方式
[0053]
为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0054]
下面，将通过几个具体的实施例对本技术实施例提供的威布尔分布参数获取方法及装置进行详细介绍和说明。
[0055]
在一实施例中，提供了一种威布尔分布参数获取方法，该方法应用于服务器，用于进行威布尔分布参数的获取。其中，服务器可以是独立的服务器或者是多个服务器组成的服务器集群来实现，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能采样点设备等基础云计算服务的云服务器。
[0056]
如图1所示，本实施例提供的一种威布尔分布参数获取方法包括：
[0057]
步骤101，根据获取到的各机械部件的疲劳失效寿命进行参数预估计，获取初始威布尔分布参数；
[0058]
步骤102，根据所述初始威布尔分布参数，确定各所述机械部件的初始寿命不可靠度后，根据第一遗传算法对各所述初始寿命不可靠度进行优化，获取各所述机械部件的校正寿命不可靠度；
[0059]
步骤103，根据各所述校正寿命不可靠度，获取所述机械部件的目标威布尔分布参数。
[0060]
通过各机械部件的疲劳失效寿命进行参数预估计，获取初始威布尔分布参数后，基于初始威布尔分布参数确定各机械部件的初始寿命不可靠度，并利用遗传算法对各初始寿命不可靠度进行优化，得到各机械部件的校正寿命不可靠度，以利用遗传算法的特性，使得到的各机械部件的寿命不可靠度更接近真实值，再基于更接近真实值的校正寿命不可靠度来获取机械部件的目标威布尔分布参数，从而使得到的威布尔分布参数也更接近真实值，从而提高提高获取到的威布尔参数的准确度，进而提高对机械部件的可靠性评估的准确性。
[0061]
在一实施例中，各机械部件可预先进行疲劳耐久台架试验。各机械部件的数量为i，经过疲劳耐久台架试验可得到每个机械部件的疲劳失效寿命ni后，把各零件寿命按小到大排列，组合成该批次零部件的寿命n＝{n1,n2,...,nn}，并将每个机械部件的疲劳失效寿命ni发送至服务器。服务器在获取到各机械部件的疲劳失效寿命ni后，即可根据各机械部件的疲劳失效寿命ni进行威布尔分布参数的估计，来获取初始威布尔分布参数。其中，威布尔分布参数包括形状参数、尺寸参数和位置参数。
[0062]
根据各机械部件的疲劳失效寿命ni进行威布尔分布参数的预估计，可采用统计量估计法、灰度法、极大似然估计法和右逼近估计法等。为使威布尔分布参数的预估计过程中的计算能够收敛，在一实施例中，可采用右逼近估计法对各机械部件的疲劳失效寿命进行参数预估计，以通过右逼近估计法中特定的变换方式把目标分布函数转化成线性函数，进而利用最小二乘法进行最优参数拟合，通过不断迭代计算从右侧逼近最优目标参数，从而得到初始威布尔分布参数，以有效改善计算不收敛问题。
[0063]
在一实施例中，由于机械部件的疲劳寿命分布函数为：其中f(ni)也称为寿命不可靠度，n为机械部件的疲劳寿命，β为形状参数，na为尺寸参数，n0为位置参数。因此，在采用右逼近估计法进行参数预估计时，需先将疲劳寿命分布函数转换为线性函数，即对疲劳寿命分布函数的三参数威布尔分布取两次自然对数后，可得到：
[0064][0065]
然后，采用中位秩确定初始不可靠度的取值，其表达式为：
[0066][0066]
即为初始寿命不可靠度
[0067]
在通过右逼近估计法中特定的变换方式把目标分布函数转化成线性函数时，令其中，则可通过右逼近估计法中特定的变换方式把目标分布函数转化成线性函数：y＝ax b。
[0068]
由于只需要赋予的值即可得到对应的进而基于线性函数利用最小二乘法进行直线回归，拟合的系数表达式如下：
[0069][0070]
此时xi和yi的相关系数ρ的表达式为：
[0071][0072]
其中，相关系数ρ反映了自变量和因变量之间的线性相关程度，ρ的值越大，说明xi和yi的线性相关程度越高。取n
01
＝min{ni}作为位置参数n0的初始值，选取计算步长δ＝0.05n
01
，依次用n
01
，n
02
＝n
01-δ，n
03
＝n
02-δ，
…
，n
0k
＝n
0(k-1)-δ代入上述式1和式3，即可得到对应的相关系数ρ＝{p1,p2,...,pk}。此时最大值ρj＝max{ρk|k＝1,2,...,n}所对应的n
0j
即为所求位置参数n0的估计值，即在得到位置参数估计值后，将的值代入式1和式2，即可确定尺寸参数估计值以及形状参数估计值从而得到初始威布尔分布参数
[0073]
在一实施例中，在通过右逼近估计法获取初始威布尔分布参数后，即可将初始威布尔分布参数输入由机械部件的疲劳寿命分布函数构建的初始疲劳寿命分布函数模型，从而能够准确地获取到机械部件的初始寿命不可靠度。
[0074]
具体的，根据所述初始威布尔分布参数，确定各所述机械部件的初始寿命不可靠度，包括：
[0075]
将所述初始威布尔分布参数，以及各所述疲劳失效寿命输入初始疲劳寿命分布函数模型，获取各所述机械部件的初始寿命不可靠度；
[0076]
其中，所述初始疲劳寿命分布函数模型为其中，所述初始疲劳寿命分布函数模型为
[0077]
表示机械部件i的疲劳失效寿命ni的初始寿命不可靠度，表示所述初始威布尔分布参数的位置参数，表示所述初始威布尔分布参数的尺寸参数，表示所述初始威布尔分布参数的形状参数。
[0078]
在将初始威布尔分布参数输入由机械部件的疲劳寿命分布函数构建的初始疲劳寿命分布函数模型，得到各机械部件的初始寿命不可靠度后，由于该初始寿命不可靠度是利用中位秩作为寿命不可靠度的初始迭代值，而中位秩作为一种经验参数可能与真实值相差较大，因此初始寿命不可靠度会与真实值存在较大的误差。
[0079]
此时，可利用遗传算法来对初始寿命不可靠度进行优化，以减少初始寿命不可靠度与真实值的误差，从而得到校正寿命不可靠度。为进一步减少初始寿命不可靠度与真实值的误差，在一实施例中，根据第一遗传算法对各所述初始寿命不可靠度进行优化，获取各所述机械部件的校正寿命不可靠度，包括：
[0080]
根据所述初始寿命不可靠度的数学模型，确定各所述初始寿命不可靠度一一对应的各未知参数组；
[0081]
根据所述第一遗传算法对所述未知参数集进行选择、交叉和变异处理，获取满足所述第一遗传算法的第一目标函数的目标未知参数组；
[0082]
将所述目标未知参数组输入所述数学模型，确定与各所述初始寿命不可靠度对应的各校正寿命不可靠度；
[0083]
其中，所述数学模型包括其中，所述数学模型包括
[0084]
g(θj)表示所述第一目标函数，{ω，γ}表示未知参数组，{ωj，γj}表示与机械部件j的初始寿命不可靠度对应的未知参数组。
[0085]
在一实施例中，在得到初始寿命不可靠度后，根据遗传算法，确定初始寿命不可靠度的表达式为：
[0086][0087]
其中，参数ω和γ是通过遗传算法确定的待定系数，i表示对应的机械部件。
[0088]
此时，用θj＝(ωj,γj)(j＝1,2,...,m)表示各初始寿命不可靠度中各未知参数组成的向量，建立各未知参数组{ωj,γj}，即针对任一一个初始寿命不可靠度均存在对应的未知参数组{ωj,γj}。
[0089]
然后，基于各未知参数组{ωj,γj}，建立未知参数组{ωj,γj}估计方法的数学模型为：
[0090][0091]
其中，g(θj)表示第一遗传算法的第一目标函数。
[0092]
然后，将各未知参数组{ωj,γj}通过第一遗传算法进行选择、交叉和变异处理。具体的，将各未知参数组{ωj,γj}作为初始种群p(t)，对初始种群p(t)中的每个个体进行编码后，代入第一目标函数中以评估其适应度。然后基于每个个体的适应度，进行选择运算、交叉运算和变异运算，得到下一群体p(t 1)，再将下一群体p(t 1)作为初始种群p(t)，重复执行上述操作，直至进化代数达到预设代数后，将具有最大适应度个体作为最优解输出。在第一遗传算法中，编码类型可以为双精度的实数编码，适应度尺度设置为等级，选择运算采用轮盘赌选择法对个体进行随机选择。交叉运算设置为分散式，随机生成遗传二进制向量，按0～1杂交。从而通过第一遗传算法，可找到一组最优的{ωj,γj}，使对应的第一目标函数
g(θj)的值最小，并将此时的{ωj,γj}作为目标未知参数组，然后将该目标未知参数组输入数学模型中的即可得到每个机械部件i新的初始寿命不可靠度此时新的初始寿命不可靠度即为校正寿命不可靠度。
[0093]
通过将各初始寿命不可靠度一一对应的各未知参数组，基于第一遗传算法进行选择、交叉和变异处理，获取满足第一遗传算法的第一目标函数的目标未知参数组，并将该目标未知参数组输入初始寿命不可靠度的数学模型，重新确定新的初始寿命不可靠度作为校正寿命不可靠度，从而使新的初始寿命不可靠度能够有效地逼近真实值，进一步减少寿命不可靠度与真实值的误差，进而进一步提高后续获取到的威布尔参数的准确度。
[0094]
考虑到在数学模型中，如果仅设置此时可能会导致第一遗传算法在开始时就陷入局部最优解，而且机械部件的寿命在早期就失效的概率低，即的值在1附近的数据点很少。因此，为避免第一遗传算法在开始时就陷入局部最优解，在一实施例中，数学模型还包括：
[0095][0096]
在一实施例中，在通过第一遗传算法得到各校正寿命不可靠度后，即根据各校正寿命不可靠度，来确定各机械部件的威布尔分布参数。如将任一校正寿命不可靠度作为寿命不可靠度f(ni)，代入疲劳寿命分布函数，以及三参数威布尔分布函数的概率密度函数表达式：从而得到最终的目标威布尔分布参数。
[0097]
为使最终得到的威布尔分布参数更为准确，在一实施例中，根据各所述校正寿命不可靠度，获取所述机械部件的目标威布尔分布参数，包括：
[0098]
根据各所述校正寿命不可靠度输入目标疲劳寿命分布函数模型，获取与各所述校正寿命不可靠度一一对应的各未知威布尔分布参数组；
[0099]
根据所述第二遗传算法对各所述未知威布尔分布参数组进行选择、交叉和变异处理，获取满足所述第二遗传算法的第二目标函数的目标威布尔分布参数组；
[0100]
根据所述目标威布尔分布参数组确定所述目标威布尔分布参数；
[0101]
其中，目标疲劳寿命分布函数模型为其中，目标疲劳寿命分布函数模型为
[0102]
ni表示机械部件i的疲劳寿命，f(ni)表示机械部件i的校正寿命不可靠度，n0表示未知威布尔分布参数组中的位置参数，na表示未知威布尔分布参数组中的尺寸参数，β表示未知威布尔分布参数组中的形状参数；
[0103]
所述第二目标函数包括所述目标威布尔分布参数组输入所述目标疲劳寿命分布函数模型确定的值，与各所述校正寿命不可靠度的差值的绝对值小于预设值。
[0104]
在一实施例中，得到各校正寿命不可靠度后，将任一校正寿命不可靠度作为寿命不可靠度f(ni)，代入由疲劳寿命分布函数构建的目标疲劳寿命分布函数模型确定该校正寿命不可靠度对应的未知威布尔分布参数
组其中，表示未知威布尔分布参数组中的位置参数，表示未知威布尔分布参数组中的尺寸参数，表示未知威布尔分布参数组中的形状参数。
[0105]
然后，将各校正寿命不可靠度对应的各未知威布尔分布参数组，通过第二遗传算法进行选择、交叉和变异处理。具体的，将各未知威布尔分布参数组作为初始种群p(t)，对初始种群p(t)中的每个个体进行编码后，代入第二目标函数中以评估其适应度。然后基于每个个体的适应度，进行选择运算、交叉运算和变异运算，得到下一群体p(t 1)，再将下一群体p(t 1)作为初始种群p(t)，重复执行上述操作，直至进化代数达到预设代数后，将具有最大适应度个体作为最优解输出。在第二遗传算法中，编码类型可以为双精度的实数编码，适应度尺度设置为等级，选择运算采用轮盘赌选择法对个体进行随机选择。交叉运算设置为分散式，随机生成遗传二进制向量，按0～1杂交。从而通过第一遗传算法，可找到一组最优的使其作为目标威布尔分布参数输入目标疲劳寿命分布函数模型得到的值，与各校正寿命不可靠度的差值的绝对值小于预设值，从而使通过目标威布尔分布参数得到的寿命不可靠度，尽量接近各校正寿命不可靠度，避免迭代过程发散。
[0106]
通过第二遗传算法对各校正寿命不可靠度进行优化，从而利用两次遗传算法来估计出机械构件的威布尔分布参数，提高获取威布尔分布参数获取过程的迭代速度，进一步提高了威布尔分布参数估算的精度。
[0107]
在一实施例中，第二目标函数还包括所述目标威布尔分布参数组输入预设模型中确定的线性方程中因变量和自变量的线性相关度大于预设值；
[0108]
其中，线性方程为y＝ax b，所述预设模型包括
[0109]
xi表示自变量，yi表示因变量，表示所述目标威布尔分布参数组输入所述目标疲劳寿命分布函数模型得到的机械部件i的目标寿命不可靠度。
[0110]
在一实施例中，除目标威布尔分布参数组输入目标疲劳寿命分布函数模型确定的值，与各校正寿命不可靠度的差值的绝对值小于预设值外，还需设定利用式2转化的自变量和因变量要满足高度线性相关，即即式3中的相关系数ρ的值越大越好，以进一步避免第二遗传算法的迭代过程出现发散。
[0111]
下面对本技术提供的威布尔分布参数获取装置进行描述，下文描述的威布尔分布参数获取装置与上文描述的威布尔分布参数获取方法可相互对应参照。
[0112]
在一实施例中，如图2所示，提供了一种威布尔分布参数获取装置，包括：
[0113]
参数预估模块210，用于根据获取到的各机械部件的疲劳失效寿命进行参数预估计，获取初始威布尔分布参数；
[0114]
数据处理模块220，用于根据所述初始威布尔分布参数，确定各所述机械部件的初
始寿命不可靠度后，根据第一遗传算法对各所述初始寿命不可靠度进行优化，获取各所述机械部件的校正寿命不可靠度；
[0115]
参数获取模块230，用于根据各所述校正寿命不可靠度，获取所述机械部件的目标威布尔分布参数。
[0116]
通过各机械部件的疲劳失效寿命进行参数预估计，获取初始威布尔分布参数后，基于初始威布尔分布参数确定各机械部件的初始寿命不可靠度，并利用遗传算法对各初始寿命不可靠度进行优化，得到各机械部件的校正寿命不可靠度，以利用遗传算法的特性，使得到的各机械部件的寿命不可靠度更接近真实值，再基于更接近真实值的校正寿命不可靠度来获取机械部件的目标威布尔分布参数，从而使得到的威布尔分布参数也更接近真实值，从而提高提高获取到的威布尔参数的准确度，进而提高对机械部件的可靠性评估的准确性。
[0117]
在一实施例中，参数预估模块210具体用于：
[0118]
根据右逼近估计法，对疲劳失效寿命进行参数预估计，获取所述初始威布尔分布参数。
[0119]
在一实施例中，数据处理模块220具体用于：
[0120]
将所述初始威布尔分布参数，以及各所述疲劳失效寿命输入初始疲劳寿命分布函数模型，获取各所述机械部件的初始寿命不可靠度；
[0121]
其中，所述初始疲劳寿命分布函数模型为其中，所述初始疲劳寿命分布函数模型为
[0122]
表示机械部件i的疲劳失效寿命ni的初始寿命不可靠度，表示所述初始威布尔分布参数的位置参数，表示所述初始威布尔分布参数的尺寸参数，表示所述初始威布尔分布参数的形状参数。
[0123]
在一实施例中，数据处理模块220具体用于：
[0124]
根据所述初始寿命不可靠度的数学模型，确定各所述初始寿命不可靠度一一对应的各未知参数组；
[0125]
根据所述第一遗传算法对所述未知参数集进行选择、交叉和变异处理，获取满足所述第一遗传算法的第一目标函数的目标未知参数组；
[0126]
将所述目标未知参数组输入所述数学模型，确定与各所述初始寿命不可靠度对应的各校正寿命不可靠度；
[0127]
其中，所述数学模型包括其中，所述数学模型包括
[0128]
g(θj)表示所述第一目标函数，{ω，γ}表示未知参数组，{ωj，γj}表示与机械部件j的初始寿命不可靠度对应的未知参数组。
[0129]
在一实施例中，所述数学模型还包括：
[0130][0131]
在一实施例中，参数获取模块230具体用于：
[0132]
根据各所述校正寿命不可靠度输入目标疲劳寿命分布函数模型，获取与各所述校正寿命不可靠度一一对应的各未知威布尔分布参数组；
[0133]
根据所述第二遗传算法对各所述未知威布尔分布参数组进行选择、交叉和变异处理，获取满足所述第二遗传算法的第二目标函数的目标威布尔分布参数组；
[0134]
根据所述目标威布尔分布参数组确定所述威布尔分布参数；
[0135]
其中，目标疲劳寿命分布函数模型为其中，目标疲劳寿命分布函数模型为
[0136]
ni表示机械部件i的疲劳寿命，f(ni)表示机械部件i的校正寿命不可靠度，n0表示未知威布尔分布参数组中的位置参数，na表示未知威布尔分布参数组中的尺寸参数，β表示未知威布尔分布参数组中的形状参数；
[0137]
所述第二目标函数包括所述目标威布尔分布参数组输入所述目标疲劳寿命分布函数模型确定的值，与各所述校正寿命不可靠度的差值的绝对值小于预设值。
[0138]
在一实施例中，所述第二目标函数还包括所述目标威布尔分布参数组输入预设模型中确定的线性方程中因变量和自变量的线性相关度大于预设值；
[0139]
其中，线性方程为y＝ax b，所述预设模型包括
[0140]
xi表示自变量，yi表示因变量，表示所述目标威布尔分布参数组输入所述目标疲劳寿命分布函数模型得到的机械部件i的目标寿命不可靠度。
[0141]
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)810、通信接口(communication interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的计算机程序，以执行威布尔分布参数获取方法，例如包括：
[0142]
根据获取到的各机械部件的疲劳失效寿命进行参数预估计，获取初始威布尔分布参数；
[0143]
根据所述初始威布尔分布参数，确定各所述机械部件的初始寿命不可靠度后，根据第一遗传算法对各所述初始寿命不可靠度进行优化，获取各所述机械部件的校正寿命不可靠度；
[0144]
根据各所述校正寿命不可靠度，获取所述机械部件的目标威布尔分布参数。
[0145]
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0146]
另一方面，本技术实施例还提供一种存储介质，存储介质包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，计算机程序被处理器执行时，计算机能够执行上述各实施例所提供的威布尔分布参数获取方法，例如包括：
[0147]
根据获取到的各机械部件的疲劳失效寿命进行参数预估计，获取初始威布尔分布参数；
[0148]
根据所述初始威布尔分布参数，确定各所述机械部件的初始寿命不可靠度后，根据第一遗传算法对各所述初始寿命不可靠度进行优化，获取各所述机械部件的校正寿命不可靠度；
[0149]
根据各所述校正寿命不可靠度，获取所述机械部件的目标威布尔分布参数。
[0150]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0151]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0152]
最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。