CN104133994A - 融合多源成败型数据的可靠度评估方法 - Google Patents
融合多源成败型数据的可靠度评估方法 Download PDFInfo
- Publication number
- CN104133994A CN104133994A CN201410356603.5A CN201410356603A CN104133994A CN 104133994 A CN104133994 A CN 104133994A CN 201410356603 A CN201410356603 A CN 201410356603A CN 104133994 A CN104133994 A CN 104133994A
- Authority
- CN
- China
- Prior art keywords
- success
- product
- failure type
- distribution
- type data
- 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
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种融合多源成败型数据的可靠度评估方法,包括以下几个步骤:步骤一、搜集处理成败型数据;步骤二、设立修正因子并构建融合模型;步骤三、构建贝叶斯评估模型;步骤四、评估可靠性指标;本发明能够融合多源成败型数据,建立不同来源成败型数据间的联系,从全局的角度进行求解,对不同来源间的关系进行了量化,并评估得到产品的可靠性指标;同时本发明也能够在产品数据稀缺的情况下,融合各方面信息,提高产品可靠度评估精度并提高置信下限。
Description
技术领域
本发明是一种利用贝叶斯理论,针对多个来源的成败型数据,实现多源成败型数据融合进而扩充样本量、提高评估精度的产品可靠度评估方法,属于可靠性评估技术领域。可用于一次性使用的产品或长航时无人机等大系统的可靠度等指标的评估、考核。
背景技术
在产品可靠性指标的评估过程中,“成功”、“失败”等成败型数据被广泛采用,除用于一次性使用的导弹等成败型产品外,在考核飞机等大系统(如长航时无人机)的任务可靠度等指标时,亦将任务“成功”与“失败”的次数数据作为评估的依据,因此基于成败型数据的可靠性评估是一个重要且应用范围广阔的领域。然而它通常需要投入较大的样本量才能在可信范围内获得并验证产品的可靠性指标,而在产品的实际研制过程中,由于经费、时间、样本量等因素的限制,满足样本量要求并获得可信的可靠性指标是比较困难的。另一方面,产品有时存在着其它来源的样本量,如一个型号飞机(成败型产品)可能存在不同的状态,其间各存在一定的飞行架次,另外还有前代产品、相似产品、其它类型试验等信息。若能有效的利用上述多源样本量,将其融合于可靠性指标评估之中,那么就解决了在有限样本量及可信范围内获得并验证产品可靠性指标的问题,并节省了相应的科研资源。
在基于多源成败型数据融合的可靠性评估方面,国内外已开展了一定的研究,主要是采用考虑继承因子的Bayes方法来开展融合工作,虽然这种方法思路准确有效,但在实施过程中仍存在以下两方面的问题:一是这种方法多用于两个来源的信息融合,虽然理论上可以解决更多源信息的融合,但在计算及继承因子的分配上会存在一定的困难;二是继承因子的确定较为主观,并未在多源信息的基础上从全局上计算获取,且其取值的物理意义亦值得推敲。若要解决上述问题,则需要以新的思路在构建 多源信息的Bayes模型以及全局性计算方法上寻找突破口。
发明内容
本发明的目的是为了解决上述问题,提出一种能够有效的融合多源成败型数据、在全局上实现求解计算、在有限的样本量下具有较高评估精度及满足置信要求的基于Bayes理论的可靠性融合评估方法。
本发明的具体步骤为:
步骤一、搜集处理成败型数据;
步骤二、设立修正因子并构建融合模型;
步骤三、构建贝叶斯评估模型;
步骤四、评估可靠性指标;
本发明的优点在于:
(1)本发明能够融合多源成败型数据,评估得到产品的可靠性指标;
(2)本发明建立了不同来源成败型数据间的联系,从全局的角度进行求解,对不同来源间的关系进行了量化;
(3)本发明能够在产品数据稀缺的情况下,融合各方面信息,提高产品可靠度评估精度并提高置信下限。
附图说明
图1是本发明的流程图;
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
方法的流程图如图1所示,包括以下几个步骤:。
步骤一、搜集处理成败型数据
对产品相关的成败型数据进行搜集,除了产品正式试验得到的成败型数据(r0,n0)外,还应从不同信息源获取成败型数据,如相似产品的成败型数据,产品不同技术状态、不同环境下的成败型数据等。若有m个其它信息源,那么第i个信息源的成败型数据可表示为(ri,ni),i=1...m。其中r0、ri为“成功”的次数,n0、ni为样本数。
为了扩充数据量,对成败型进行分解细化,即细化从第1到第ni次试验中成功次数同样本次数的对应关系,也就是将(ri,ni)细化为(rij,nij),其中j为第j次试验。如对于 成败数据(4,5)而言,它在在5次试验中成功了4次失败了1次,如果是在第3次试验时失败的话,那么成败型数据可细化为(1,1)、(2,2)、(2,3)、(3,4)、(4,5)。因此对于(ri,ni)而言,其细化后的数据可表示(ri,ni),(r0,n0)可细化为(r0,n0)。
步骤二、设立修正因子并构建融合模型
对于成败型数据而言,“成功”的次数r服从二项分布(伯努利分布),即r~B(n,p)。那么在n个样本中“成功”r次的概率为:
“成功”次数小于等于r次的概率为:
其中n为已知;p为单样本“成功”发生的概率,也就是说p代表了样本产品的可靠度,因此对参数p的评估即是对可靠度R的评估。
利用多源成败型数据对参数p进行评估,描述多源成败型数据间的差异是其实现的关键。本专利采用修正因子的方法,将修正因子直接作用于模型之中,以此来构建融合模型。
对于搜集得到的成败型数据(r0,n0),(ri,ni)而言,成功次数所服从的二项分布可表示为:
r0~B(n0,p0) (1)
ri~B(ni,pi) (2)
引入修正因子ki来构建p0和pi的关系,即:
pi=kip0 (3)
也就是
ri~B(ni,kip0) (4)
在(4)表示信息源间关系的基础上,为了将样本数据(r0,n0)和m个来源的数据(ri,ni)构建到一个模型来融合表示多源信息,引入状态参数ci,i=0,...,m,构建数据融合模型:
ri~B(ni,(c0+c1k1...+cmkm)·p0) (5)
其中c0(即i=0时)为信息来源于正式试验数据(r0,n0)时的状态;当信息来源于 第i个信息源时ci=1,其它的状态参数cv=0,v≠i;用向量C来表示状态参数:
C=(c0,c1,...,cm)
用向量K来表示修正因子:
K=(1,k1,...,km)
那么(5)可表示为:
ri~B(ni,C′·K·p0) (6)
将多源数据融合到一个模型之中,从而构建了能够描述不同来源信息差异并将其整体描述的融合模型。
步骤三、构建贝叶斯评估模型
首先确定贝叶斯模型的总体分布为(6),其次将分布参数p0及修正因子k1,...,km作为贝叶斯模型中的参数,确定其先验分布:
对于二项分布而言,其分布参数p0的先验分布通常采用Beta分布,即:
p0~Beta(a,b)
其中a,b为先验分布中的超参数,超参数的先验分布可表示为π(a),π(b)。p0的先验分布可表示为π(p0|a,b)。
同时确定修正因子k1,...,km的先验分布π(k1),...,π(km)。
最终,可知未知参数的后验分布为:
进而确定(7)为贝叶斯评估模型。
步骤四、评估可靠性指标
利用马尔可夫链蒙特卡罗(Markov Chain Monte Carlo,MCMC)方法对贝叶斯模型(7)进行抽样模拟,获得未知变量的后验分布及未知变量的评估值。即获得参数p0及修正因子k1,...,km的评估值从而得到产品任务成功可靠度的评估值:
对于一次性使用的产品而言,其可靠性指标即为评估得到的可靠度值R。
对于非一次性使用的产品而言,若已知其每次任务的持续时间为T,且其可靠度函数为指数分布:
R(t)=e-λt (8)
那么产品的可靠度R可表示为R(T),进而通过(8)得到产品的失效率:
进而由失效率获得其它相应的可靠性指标。
实施例:
已知,对某成败型产品开展试验,共进行10次试验其中成功9次,将此作为评估产品任务可靠性的依据。为了提高评估精度,现利用本专利提出的方法开展相应的融合评估。
步骤一、搜集处理成败型数据
通过多个来源的搜集,得到该型产品以往3个型号的成败型数据来扩充样本量,这三个型号分别用A、B、C表示,需要评估的产品型号用D表示。其中A型试验了20次,成功了17次;B型试验了20次,成功了15次;C型试验了20次,成功了20次。
对上述四组数据进行细化,并将D型的数据表示为(r0,n0),A型的数据表示为(r1,n1),B型的数据表示为(r2,n2),C型的数据表示为(r3,n3)。
步骤二、设立修正因子并构建融合模型
引入修正因子k1,k2和k3,用以描述A,B,C型3个来源的数据(ri,ni),i=1,2,3,同D型数据(r0,n0)的差异,即K=(1,k1,k2,k3)。同时用向量C来表示状态参数:
C=(c0,c1,c2,c3)
进而构建能够描述不同来源信息差异并将其整体描述的融合模型:
rj~B(nj,C′·K·p0) (9)
其中j=0,1,2,3。
步骤三、构建贝叶斯评估模型
将(9)确定为总体分布,将分布参数p0及修正因子k1,k2,k3作为贝叶斯模型中的参数。同时选择Gamma分布作为修正因子k1,k2,k3的先验分布,将其具体形式设为:
ki~Gamma(100,100)
其中i=1,2,3。
将p0的先验分布(Beta分布)中的参数a,b的先验分布亦定为Gamma分布:
a~Gamma(1,1)
b~Gamma(1,1)
从而构建贝叶斯模型为:
步骤四、评估可靠性指标
利用马尔可夫链蒙特卡罗(Markov Chain Monte Carlo,MCMC)方法对贝叶斯模型进行抽样模拟,获得未知变量的后验分布及未知变量的评估值。即获得参数p0及修正因子k1,k2,k3的评估值如表1所示。
表1参数及修正因子评估值
从而得到产品的任务可靠度为0.897。该结果同产品的实际情况相符。
Claims (2)
1.融合多源成败型数据的可靠度评估方法,其特征在于,包括以下几个步骤:
步骤一、搜集处理成败型数据
对产品相关的成败型数据进行搜集,包括:
1)产品正式试验得到的成败型数据(r0,n0);
2)从不同信息源获取的成败型数据(ri,ni),如相似产品的成败型数据,产品不同技术状态、不同环境下的成败型数据等,若有m个其它信息源,那么第i个信息源的成败型数据可表示为(ri,ni),i=1…m。
其中r0、ri为“成功”的次数,n0、ni为样本数。
步骤二、设立修正因子并构建融合模型
已知,成败型数据“成功”的次数r服从二项分布(伯努利分布),即r~B(n,p)。其中n为已知;p为单样本“成功”发生的概率,即p代表了样本产品的可靠度,因此对参数p的评估即是对可靠度R的评估。
成败型数据(r0,n0),(ri,ni)成功次数所服从的二项分布为:
r0~B(n0,p0) (1)
ri~B(ni,pi) (2)
采用修正因子的方法,将修正因子直接作用于模型之中,以此来构建融合模型,利用多源成败型数据对参数p0进行评估。因此引入修正因子ki来构建p0和pi的关系,即:
pi=kip0 (3)
也就是
ri~B(ni,kip0) (4)
其中(4)表示了信息源间关系。为了将样本数据(r0,n0)和m个来源的数据(ri,ni)构建到一个模型来融合表示多源信息,引入状态参数ci,i=0,…,m,构建数据融合模型:
ri~B(ni,(c0+c1k1...+cmkm)·p0) (5)
其中c0(即i=0时)为信息来源于正式试验数据(r0,n0)时的状态;当信息来源于第i个信息源时ci=1,其它的状态参数cv=0,v≠i;用向量C来表示状态参数:
C=(c0,c1,...,cm)
用向量K来表示修正因子:
K=(1,k1,...,km)
那么(5)可表示为:
ri~B(ni,C′·K·p0) (6)
将多源数据融合到一个模型之中,从而构建了能够描述不同来源信息差异并将其整体描述的融合模型。
步骤三、构建贝叶斯评估模型
确定贝叶斯模型的总体分布为(6),将分布参数p0及修正因子k1,...,km作为贝叶斯模型中的参数,确定其先验分布:
对于二项分布而言,通常采用Beta分布作为其分布参数p0的先验分布,即:
p0~Beta(a,b)
其中a,b为先验分布中的超参数,超参数的先验分布可表示为π(a),π(b)。p0的先验分布可表示为π(p0|a,b)。
同时确定修正因子k1,...,km的先验分布π(k1),...,π(km)。
最终,可知未知参数的后验分布为:
进而确定(7)为贝叶斯评估模型。
步骤四、评估可靠性指标
利用马尔可夫链蒙特卡罗方法对贝叶斯模型(7)进行抽样模拟,获得未知变量的后验分布及未知变量的评估值。即获得参数p0及修正因子k1,...,km的评估值从而得到产品任务成功可靠度的评估值:
2.根据权利要求1所述的融合多源成败型数据的可靠度评估方法,其特征在于,所述的步骤四具体为:
对于一次性使用的产品而言,其可靠性指标即为评估得到的可靠度值R。
对于非一次性使用的产品而言,若已知其每次任务的持续时间为T,且其可靠度函数为指数分布:
R(t)=e-λt (8)
那么产品的可靠度R可表示为R(T),进而通过(8)得到产品的失效率:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410356603.5A CN104133994A (zh) | 2014-07-24 | 2014-07-24 | 融合多源成败型数据的可靠度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410356603.5A CN104133994A (zh) | 2014-07-24 | 2014-07-24 | 融合多源成败型数据的可靠度评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104133994A true CN104133994A (zh) | 2014-11-05 |
Family
ID=51806669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410356603.5A Pending CN104133994A (zh) | 2014-07-24 | 2014-07-24 | 融合多源成败型数据的可靠度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104133994A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933323A (zh) * | 2015-07-10 | 2015-09-23 | 北京航空航天大学 | 融合产品成败型数据和故障时间数据的可靠性评估方法 |
CN105023060A (zh) * | 2015-07-10 | 2015-11-04 | 北京航空航天大学 | 融合制造设备退化信息的生产合格率预测方法 |
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 |
CN106251044A (zh) * | 2016-07-21 | 2016-12-21 | 中国科学院数学与系统科学研究院 | 多批次成败型试验下产品贮存期评估的Buehler 方法 |
CN106250593A (zh) * | 2016-07-21 | 2016-12-21 | 中国科学院数学与系统科学研究院 | 基于相似产品信息的可靠性评估方法 |
CN106771091A (zh) * | 2016-11-21 | 2017-05-31 | 浙江大学 | 油浸式变压器在线监测数据和带电检测数据间系统误差的评价方法 |
CN107767019A (zh) * | 2017-09-11 | 2018-03-06 | 中国兵器科学研究院 | 一种产品可靠性鉴定的方法 |
CN109086290A (zh) * | 2018-06-08 | 2018-12-25 | 广东万丈金数信息技术股份有限公司 | 基于多源数据决策树的注册信息真实性判断方法及系统 |
CN109523129A (zh) * | 2018-10-22 | 2019-03-26 | 吉林大学 | 一种无人车多传感器信息实时融合的方法 |
CN109816208A (zh) * | 2018-12-28 | 2019-05-28 | 西南技术物理研究所 | 一种基于Bayes方法的半导体光电探测器可靠度评估方法 |
CN111859296A (zh) * | 2020-07-17 | 2020-10-30 | 中国人民解放军海军航空大学 | 一种基于装备使用期间的测试性指标评估方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710368B (zh) * | 2009-12-21 | 2011-09-28 | 北京航空航天大学 | 基于多源退化数据的贝叶斯可靠性综合评估方法 |
US20110276498A1 (en) * | 2010-05-04 | 2011-11-10 | Infernotions Technologies Ltd | Process and system for estimating risk and allocating responsibility for product failure |
US20120143564A1 (en) * | 2010-12-01 | 2012-06-07 | Xerox Corporation | System and method for predicting remaining useful life of device components |
CN102789543A (zh) * | 2012-07-03 | 2012-11-21 | 北京航空航天大学 | 基于多试验信息的可靠性综合评估方法 |
CN101976311B (zh) * | 2010-11-22 | 2012-12-19 | 北京航空航天大学 | 基于漂移布朗运动模型的加速退化试验贝叶斯评估方法 |
CN102207998B (zh) * | 2011-06-09 | 2014-06-25 | 河南科技大学 | 基于无失效数据的评估产品寿命及其可靠性的方法 |
-
2014
- 2014-07-24 CN CN201410356603.5A patent/CN104133994A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710368B (zh) * | 2009-12-21 | 2011-09-28 | 北京航空航天大学 | 基于多源退化数据的贝叶斯可靠性综合评估方法 |
US20110276498A1 (en) * | 2010-05-04 | 2011-11-10 | Infernotions Technologies Ltd | Process and system for estimating risk and allocating responsibility for product failure |
CN101976311B (zh) * | 2010-11-22 | 2012-12-19 | 北京航空航天大学 | 基于漂移布朗运动模型的加速退化试验贝叶斯评估方法 |
US20120143564A1 (en) * | 2010-12-01 | 2012-06-07 | Xerox Corporation | System and method for predicting remaining useful life of device components |
CN102207998B (zh) * | 2011-06-09 | 2014-06-25 | 河南科技大学 | 基于无失效数据的评估产品寿命及其可靠性的方法 |
CN102789543A (zh) * | 2012-07-03 | 2012-11-21 | 北京航空航天大学 | 基于多试验信息的可靠性综合评估方法 |
Non-Patent Citations (11)
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933323B (zh) * | 2015-07-10 | 2017-09-26 | 北京航空航天大学 | 融合产品成败型数据和故障时间数据的可靠性评估方法 |
CN105023060A (zh) * | 2015-07-10 | 2015-11-04 | 北京航空航天大学 | 融合制造设备退化信息的生产合格率预测方法 |
CN104933323A (zh) * | 2015-07-10 | 2015-09-23 | 北京航空航天大学 | 融合产品成败型数据和故障时间数据的可靠性评估方法 |
CN105023060B (zh) * | 2015-07-10 | 2018-05-25 | 北京航空航天大学 | 融合制造设备退化信息的生产合格率预测方法 |
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 |
CN106202725B (zh) * | 2016-07-12 | 2021-03-12 | 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 |
CN106250593A (zh) * | 2016-07-21 | 2016-12-21 | 中国科学院数学与系统科学研究院 | 基于相似产品信息的可靠性评估方法 |
CN106251044A (zh) * | 2016-07-21 | 2016-12-21 | 中国科学院数学与系统科学研究院 | 多批次成败型试验下产品贮存期评估的Buehler 方法 |
CN106251044B (zh) * | 2016-07-21 | 2021-09-10 | 中国科学院数学与系统科学研究院 | 多批次成败型试验下产品贮存期评估的Buehler方法 |
CN106771091A (zh) * | 2016-11-21 | 2017-05-31 | 浙江大学 | 油浸式变压器在线监测数据和带电检测数据间系统误差的评价方法 |
CN107767019A (zh) * | 2017-09-11 | 2018-03-06 | 中国兵器科学研究院 | 一种产品可靠性鉴定的方法 |
CN107767019B (zh) * | 2017-09-11 | 2021-09-24 | 中国兵器科学研究院 | 一种产品可靠性鉴定的方法 |
CN109086290A (zh) * | 2018-06-08 | 2018-12-25 | 广东万丈金数信息技术股份有限公司 | 基于多源数据决策树的注册信息真实性判断方法及系统 |
CN109523129A (zh) * | 2018-10-22 | 2019-03-26 | 吉林大学 | 一种无人车多传感器信息实时融合的方法 |
CN109523129B (zh) * | 2018-10-22 | 2021-08-13 | 吉林大学 | 一种无人车多传感器信息实时融合的方法 |
CN109816208A (zh) * | 2018-12-28 | 2019-05-28 | 西南技术物理研究所 | 一种基于Bayes方法的半导体光电探测器可靠度评估方法 |
CN111859296A (zh) * | 2020-07-17 | 2020-10-30 | 中国人民解放军海军航空大学 | 一种基于装备使用期间的测试性指标评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104133994A (zh) | 融合多源成败型数据的可靠度评估方法 | |
Ji et al. | Future runoff variation and flood disaster prediction of the yellow river basin based on CA-Markov and SWAT | |
Zheng et al. | Shifted Gamma-Generalized Pareto Distribution model to map the safety continuum and estimate crashes | |
Nusret et al. | Applying the inverse distance weighting and kriging methods of the spatial interpolation on the mapping the annual precipitation in Bosnia and Herzegovina | |
CN104461896B (zh) | 基于可信属性的航天系统关键软件评价方法 | |
CN104933323B (zh) | 融合产品成败型数据和故障时间数据的可靠性评估方法 | |
Tedla et al. | Flood mapping from dam break due to peak inflow: A coupled rainfall–runoff and hydraulic models approach | |
CN103324798B (zh) | 基于区间响应面模型的随机模型修正方法 | |
CN107423508B (zh) | 卫星导航系统试验验证与测试评估数学模型的建立方法 | |
CN111190211B (zh) | 一种gps失效位置预测定位方法 | |
Lehtinen | Derivational robustness and indirect confirmation | |
CN102411537A (zh) | 一种基于混合贝叶斯先验分布的可靠性验证测试方法 | |
Labahn et al. | Ensemble Kalman filter for assimilating experimental data into large-eddy simulations of turbulent flows | |
CN105631191A (zh) | 一种获取卫星效能的方法及系统 | |
CN105488253A (zh) | 一种确定地面沉降和区域静载荷相关性的方法 | |
Li et al. | LSTM-based model for predicting inland river runoff in arid region: a case study on Yarkant River, Northwest China | |
Wang et al. | 3D LiDAR aided GNSS/INS integration fault detection, localization and integrity assessment in urban canyons | |
Li et al. | Comparative study of regional frequency analysis and traditional at-site hydrological frequency analysis | |
Hao et al. | Integration of multinomial-logistic and Markov-chain models to derive land-use change dynamics | |
CN103984869A (zh) | 一种预测复合材料热弹性有效属性和局部场的方法 | |
CN107247831B (zh) | 一种基于迭代逐维法的多学科区间不确定性分析方法 | |
Heeg et al. | Plans for Aeroelastic Prediction Workshop | |
Camacho et al. | Bayesian Monte Carlo for evaluation of uncertainty in hydrodynamic models of coastal systems | |
Moghtader et al. | Estimating Maximum Surface Settlement Caused by EPB Shield Tunneling Utilizing an Intelligent Approach | |
CN104021311A (zh) | 一种基于Hermite函数约束的数据融合计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141105 |
|
WD01 | Invention patent application deemed withdrawn after publication |