[发明专利]基于状态监测数据自动学习系统可靠性模型的方法

摘要

本发明公开了一种基于系统、分系统和单元的状态监测数据自动学习系统可靠性模型和失效参数，并对系统进行可靠性进行评估的方法，该方法不需要利用专家经验，即可建立系统的可靠性模型，且根据新的监测数据能够更新已有的可靠性模型结构和参数，能够显著提升大规模系统的可靠性建模和评估效率。步骤如下：1收集系统、分系统和单元的状态监测数据。2基于状态监测数据自动学习系统、分系统和单元的相关关系，建立系统的整体可靠性模型。3基于学习的模型结构和状态监测数据，对模型中单元、分系统和系统的失效参数进行估计。4基于上述的结构模型、估计参数，评估系统的可靠性水平。

主权项

1.一种基于状态监测数据自动学习系统可靠性模型并进行可靠性评估的方法，其特征在于：该方法主要包含以下四个部分：第一部分：基于状态监测数据形成单元、分系统和系统的状态组合关系。对收集的状态监测数据进行清洗和处理是后续学习算法和评估模型的基础，数据处理过程包括以下两个步骤：步骤1：根据系统、分系统和单元的任务目标，定义系统、分系统和单元的降级过程，并将其具有的明显功能降级的各个状态用离散的数值进行表示，如单元的状态表示为i为单元的标识，N_i表示单元i的状态个数。c_i1表示单元i处于无法工作状态，表示单元i处于正常工作状态，其他的值表示单元i处于任一中间态。系统的状态表示为S＝(s₁，s₂，…，s_M)，即系统有M个状态，s₁表示系统处于无法工作的状态，s_M表示系统处于正常工作状态。根据系统的状态监测数据是否是连续值来决定是否需要将状态监测数据中的降级状态进行映射。若系统、分系统和单元的状态监测数据是连续值，则需要根据不同的数据范围与离散状态值建立映射关系，即用一个离散的值表示单元性能的某个区间值。若系统、分系统和单元的状态监测数据本身是离散值，则可以直接与离散状态值建立一一对应关系即可。需要注意的是，单元之间的状态不具有可比性，单元状态值只是表示了当前单元本身工作好坏的度量。步骤2：步骤1完成后，可以得到多组单元、分系统和系统的状态组合关系，将这些组合关系以表格的形式进行表示，表中的每一行表示了一种组合关系，表头为单元、分系统和系统的标识符号。第二部分：利用贝叶斯结构学习算法K2算法在状态组合数据上学习单元、分系统和系统的可靠性相关关系。K2算法是一种高效的贝叶斯结构学习算法，其通过设定结构单元的优先顺序，从而可以使用启发式的学习方式来快速建立结构单元间的相关关系模型B。该算法的学习过程主要包括如下三个步骤：步骤1：确定最终生成的结构中，每一个节点的父节点的最大个数u。u值是一个模型的调整参数，一般是根据具体的系统和单元组成进行设定，需要注意的是u值设定的越大，则结构学习耗时就会越长。而u值设置的越小，则可能会导致模型的相关关系不完整。一般u的下限应该为影响系统、分系统或单元的其他单元或分系统的个数。步骤2：遍历数据集的每一列数据，得到节点间的相关关系。设当前选定的是数据集的第i列数据，则生成节点X_i，并将其加入模型B中。令节点X_i的候选父节点集合为π_i，初始时π_i＝φ。接下来利用如下评分函数计算集合π_i中的候选父节点的评分值，比较各个评分值，选择评分值最高的节点或节点集合，即为节点X_i的父节点。上述评分函数中各符号的含义说明如下：q_i：X_i的候选父节点的状态组合的个数；d_i：X_i的状态个数；α_ijk：X_i在候选父节点状态值为第j个状态组合时，其状态为k的数据个数；ln(·)：自然对数函数Γ(·)：伽马(Gamma)函数j，k表示变量；步骤3：对每一列数据执行上述过程后，即可得到系统的结构模型B。第三部分：基于结构模型和状态监测数据，估计结构模型中各节点的概率分布参数。第二部分中建立了系统、分系统和单元的贝叶斯网络模型，但是代表系统、分系统和单元的节点间的逻辑关系却没有得到，即贝叶斯网络中的条件概率表尚不可知。因此，以下就各节点的概率分布或条件概率表的参数进行估计，其基本过程包括如下两个步骤：步骤1：首先估计无父节点的节点的状态概率分布。遍历节点X_i的状态监测数据，统计X_i各状态值出现的次数H_ij，表示单元i的在数据集里j状态出现的次数。设整个数据集的条目数为H，则可以得到节点X_i的状态概率分布如下表：表1 节点X_i的状态概率分布表步骤2：估计模型B中间节点的条件概率表参数。设节点X_i、X_j、X_k有如图1所示的结构关系，X_i、X_j可以为根节点，也可以为中间节点。其为根节点时，可直接使用其状态概率分布表，若为中间节点时，可利用其边缘概率分布表。因此，X_k的条件概率分布表可表示为P{X_k|X_i，X_j}，具体计算过程如下：H{X_k＝c_kr，X_i＝c_iw，X_j＝c_jv}表示在数据集中节点X_i、X_j、X_k分别取值为c_iw、c_jv、c_kr的数据条目的个数，同理，可求得H{X_i＝c_iw，X_j＝c_jv}。按照上述方法，可求得所有中间节点和叶节点的条件概率表，至此系统的可靠性模型构建和参数估计都已完成。第四部分：根据学习的结构模型和估计的参数，评估系统的可靠性。多状态系统的可靠性与二态系统的可靠性不同，其可靠性与当前任务对系统的性能需求有关，其可靠性用如下公式表示：R(t)＝P(S(t)≥w(t))S(t)表示系统当前时刻所处的状态；w(t)表示当前时刻任务对系统的性能需求，这里同样将连续的性能指标与离散的状态值进行映射，从而可与系统的状态进行比较，因此不再在符号上区分性能指标与状态值。由上面的模型和参数，可以得到系统如下的联合概率分布：P(S，X₁，…，X_j，…，X_m)，其中节点X_j既可表示单元，也可以表示分系统。m为系统中单元和分系统的总数。由此，可以得到系统的状态概率分布：则可知