[发明专利]一种融合不完整监测序列的层次系统结构函数学习方法

说明书

本发明公开一种融合不完整监测序列的层次系统结构函数学习方法，应用于可靠性领域，针对现有技术中缺乏如何充分地利用已有系统状态监测数据指导系统结构函数的构建的有效解决方案，本发明首先基于层次系统的内部结构关系构建系统的动态贝叶斯网络结构，然后利用同类型的系统状态监测序列数据，更新所建成的动态贝叶斯网络中各节点与其父节点的联合状态概率分布；然后基于各节点与其父节点的联合状态概率分布，计算期望值，并通过期望值将不完整状态监测序列填补为各时间片下完整的监测数据，最后基于极大似然估计法估计动态贝叶斯网络各节点条件概率表中的未知参数；采用本发明的方法能够准确有效地学习出系统结构参数。

技术领域

本发明属于系统可靠性领域，特别涉及一种系统结构函数学习技术。

背景技术

随着智能制造装备产业化需求的增加和工业化进程的推进，现代系统(如：工业机器人、数控机床、反坦克导弹、远程轰炸机)的客户需求、系统组成、系统技术以及工作环境日益复杂，其系统可靠性评估日益艰难。准确把握系统及其部件之间的结构和功能关系、建立系统结构函数是系统可靠性评估、优化和维护决策的先决条件。

一方面，受部件种类和数量繁多、系统组织结构复杂、运行环境多变等多方面限制，实际工程中系统结构函数往往不能由专家直接准确给出。另一方面，由于监测费用高、试验组织困难和系统技术复杂等原因，工程人员不能对整个复杂系统开展大量可靠性试验，造成系统运行阶段的状态监测数据通常具有小子样、不完整和跨层次的特性。系统监测数据样本量小本身所具有的小子样特性会导致系统结构函数学习的精确度不高，进而无法满足可靠性评估的精度要求。此外，系统监测数据的跨层次和不完整特性会导致可利用监测信息的内部存在强相关性，简单地忽略该相关性会导致系统监测数据中所蕴含的关键信息丢失，进而降低系统结构函数学习的精度。因此，学术界和工业界非常迫切地需要一种可靠准确的系统结构函数学习方法，充分地利用已有系统状态监测数据指导系统结构函数的构建。

贝叶斯网络是用于描述变量间不确定性关系的有向无环图，其主要由网络结构和条件概率表两部分组成：网络结构定性决定变量间的依赖关系；条件概率表定量体现变量间依赖关系的强弱。动态贝叶斯网络是贝叶斯网络的一种特殊表现方式，能够有效揭示系统和其部件随时间变化的复杂失效过程与退化本质，在融合不完整状态监测序列数据上具有显著优势。值得注意的是，现代系统通常具有明显的层次结构关系，其网络结构可以直接构建得到。因此，系统结构函数的学习进一步转换为条件概率表的参数估计。然而，由于监测序列数据包含了不同时刻的系统动态监测信息，且具有小子样、不完整和跨层次特性，有效融合此类监测序列数据具有巨大的挑战。到目前为止，融合不完整监测序列的层次系统结构函数学习技术在国内外尚属空白。现有的方法，如随机场方法，只能处理内部变量连续下的层次系统结构函数学习问题。在工程实际中，系统和其部件的状态往往是离散的二值或多值，因此迫切需要发展不完整监测序列数据下的系统结构函数学习方法，为工程实际中的层次系统结构函数学习问题提供切实可行的解决思路。

发明内容

为解决上述技术问题，本发明提出一种融合不完整监测序列的层次系统结构函数学习方法，能够有效融合层次系统的不完整、跨层次、小子样状态监测数据，准确有效地学习出系统结构参数。

本发明采用的技术方案为：一种融合不完整监测序列的层次系统结构函数学习方法，包括：

S1、基于层次系统的内部结构关系构建系统的动态贝叶斯网络结构；

S2、利用不同时刻下在部件、子系统和系统层次监测到的状态信息，更新S1步骤所建成的动态贝叶斯网络中各节点与其父节点的联合状态概率分布；

S3、利用步骤S2中获得的各节点与其父节点的联合状态概率分布，基于期望最大化算法估计动态贝叶斯网络中节点条件概率表的未知参数，即系统结构函数参数。