CN110262954A - 基于状态监测数据自动学习系统可靠性模型的方法 - Google Patents
基于状态监测数据自动学习系统可靠性模型的方法 Download PDFInfo
- Publication number
- CN110262954A CN110262954A CN201910546145.4A CN201910546145A CN110262954A CN 110262954 A CN110262954 A CN 110262954A CN 201910546145 A CN201910546145 A CN 201910546145A CN 110262954 A CN110262954 A CN 110262954A
- Authority
- CN
- China
- Prior art keywords
- unit
- subsystem
- state
- node
- model
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
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。
Description
所属技术领域
本发明提供了一种基于系统、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评估的方法。它适用于具有状态监测数据的复杂系统的可靠性建模和评估。通过利用状态监测数据,该方法可以自主学习单元、分系统和系统间的相关关系,从而得到单元、分系统和系统的可靠性模型,在此基础上,利用状态监测数据可以估计单元、分系统和系统的失效参数,最终完成系统可靠性评估和单元重要度的分析。本发明属于可靠性与系统工程领域。
背景技术
现代工程系统结构日趋复杂,系统或单元的工作状态也复杂多变。系统或构成系统的分系统、单元不能仅仅使用工作、失效两种状态进行表征。如何对系统和单元的降级过程进行建模,是准确评估复杂系统可靠性的关键问题。此外,单元或分系统之间也存在着复杂的交联关系,一个单元的降级会导致与其有功能或者结构依赖的单元随之发生降级,如何发现和描述这种交互关系是建立准确的可靠性模型的难点。
当前已有多种可靠性模型应用于描述系统的多状态特征,如通用生成函数、多值决策图、马尔科夫模型、多态故障树和仿真方法等,这些方法可以分为基于组合方法和基于状态空间方法两大类。在这些多态模型的基础上,通过引入条件概率表征单元间的影响关系,得以建立单元间的可靠性模型。但是上述模型都是基于正向建模的思路,在有完整的产品功能原理图及相关设计经验的情形下完成的正向建模过程。但是该类模型的准确性依赖于明晰的功能原理和设计人员的设计经验,不同设计人员即使对于同一产品,也可能由于其对于系统的理解深浅、个人的工程经验多少以及建模方法的难易而得到不同的可靠性模型。而这给产品的可靠性模型的维护和更新带来了诸多的不便,因此,如何能够有效地建立相对一致的可靠性模型是多状态系统可靠性分析评估要解决的首要问题。
本发明与原有的正向建模方法不同,本专利通过利用系统、单元的整体的状态监测数据,从数据中学习系统的可靠性模型和模型的参数,然后再利用学习的结果对系统的可靠性进行评估和分析。该方法可以有效地自动建立复杂大规模系统的可靠性模型,且由于模型来源于数据,从而保证了模型的一致性,也使得系统模型的维护更加简单,并且可以根据系统的运行状态实时对可靠性模型进行更新,能实现对系统可靠性的实时评估。
发明内容
本发明提供一种基于系统、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。目的和解决的问题是:通过利用系统的状态监测数据,自动学习构建系统组成单元与系统的可靠性关系模型,评估系统可靠性。该方法首先收集系统和单元的状态监测数据,并将不同性能数据范围与单元的离散状态值形成映射关系,最终建立单元状态组合与系统状态的对应关系,该关系可通过表格的形式进行表示。其次,利用贝叶斯结构学习算法-K2算法和上述建立的数据关系学习出单元、分系统和系统间的可靠性影响关系;再次,在已有可靠性结构模型的情况下,利用单元、分系统的监测数据的统计分布来估计单元、分系统的分布参数,至此可靠性模型的结构和参数均以得到;最后,根据上面步骤建立的可靠性模型评估系统的可靠性,并可得到单元的重要度等信息。
本发明是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,主要包含以下四部分:
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,Ni表示单元i的状态个数。ci1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,…,sM),即系统有M个状态,s1表示系统处于无法工作的状态,sM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Xi,并将其加入模型B中。令节点Xi的候选父节点集合为πi,初始时πi=φ。接下来利用如下评分函数
计算集合πi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Xi的父节点。上述评分函数中各符号的含义说明如下:
qi:Xi的候选父节点的状态组合个数;
di:Xi的状态个数;
αijk:Xi在候选父节点状态值为第j个状态组合值时,其状态为k的数据条数;
ln(·):以10为底的对数函数
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Xi的状态监测数据,统计Xi各状态值出现的次数Hij,表示单元i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Xi的状态概率分布如下表:
表1节点Xi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Xi、Xj、Xk有如图1所示的结构关系,Xi、Xj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,Xk的条件概率分布表可表示为P{Xk|Xi,Xj},具体计算过程如下:
H{Xk=ckr,Xi=ciw,Xj=cjv}表示在数据集中节点Xi、Xj、Xk分别取值为ciw、cjv、ckr的数据条目的个数,同理,可求得H{Xi=ciw,Xj=cjv}。
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,…,Xj,…,Xm),其中节点Xj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
附图说明
图1贝叶斯网络模型示例
图2基于状态监测数据自动学习可靠性模型的方法流程
图3信息处理系统的一个计算块
图4信息处理系统的逻辑框图
图5自动学习的信息处理系统的贝叶斯网络模型
具体实施方式
实施方式说明:提供了一种基于系统、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,该方法的完整流程如图2所示,具体实施方式说明如下:
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:图3所示的为信息处理系统的一个计算块,该计算块由一个高优先级的处理单元、一个低优先级的处理单元和处理单元共享访问的数据库组成。当高优先级的处理单元访问数据库时,低优先级的单元需要等待高优先级访问完成后才可以访问数据库。因此低优先级单元的处理速度依赖于高优先级单元的状态。图4为整个信息处理系统的逻辑框图,其中单元1、单元3和单元5为高优先级处理单元,而单元2、单元4和单元6为低优先级处理单元。使用G1、G2、G3、G4、G5、G6代表单元1、2、3、4、5、6,使用G7、G8、G9代表单元1和单元2、单元3和单元4、单元5和单元6构成的分系统。各单元的处理速度与离散状态值的映射关系如表2所示:
表2单元的处理速度与离散状态映射表
根据图4,可以将整个系统划分为多个层次和模块,单元1和单元2组成的并联结构可以看做一个小的分系统,记做G7;单元3和单元4组成的并联结构可以看做是另一个小的分系统,记做G8;G7和G8构成的大的并联结构可以看做是一个大的分系统,记做G9;单元5和单元6构成的并联结构可以看做是一个小的分系统,记做G10。
G7、G8、G9和G10的信息处理速度为其下子单元或分系统的信息处理速度的总和。因此可得到如表3所示的各分系统与离散状态的映射表。
表3分系统的处理速度与离散状态映射表
表4系统的处理速度与离散状态映射表
步骤2:将信息处理系统运行过程中各单元、各分系统和系统的信息处理速度记录下来即可得到系统的监测数据。通过表2、表3和表4中的映射关系,可以将得到的处理速度的监测数据表示为如表5所示的多组单元、分系统和系统内的状态组合数据。
表5单元、分系统和系统状态监测数据
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。
本部分主要是有已有的状态监测数据构建一个表示单元、分系统和系统的可靠性关系的贝叶斯模型。为了提高结构学习的效率,K2算法中假设贝叶斯模型的节点是有序的,排在后面的节点不可能是排在前面节点的父节点,所以在将监测数据代入算法前需要令监测数据满足上述假设。整个学习过程有如下2个步骤:
步骤1:首先确定最终生成的贝叶斯模型中每一个节点的父节点的最大个数u。根据第一部分中系统的模块划分,可知每一个模块下有最多两个子单元或分系统,因此可以令u=2。
步骤2:遍历数据集的每一列数据,得到节点间的相关关系。
首先选定第一列的数据,生成节点X1,令π1=φ,由于是第一列数据,根据K2算法的假设,可知节点X1没有父节点。
接下来,选定第二列数据,生成节点X2,令π2=φ,此时q2=0,对于该种情况,评价函数将忽略外层连乘中的j。
根据表2知道单元有三个状态,则有d2=3;统计输入的状态数据,可得到如下数据α2_1=1783,α2_2=15051,α2_1=3166,则α20=20000。代入评价函数中,得到f(2,φ)=-14434.5194。
节点X1位于X2之前,因此需要判断节点X1是否为节点X2的父节点;即计算评价函数f(2,π2∪{X1})的值,若f(2,π2∪{X1})>f(2,π2),则更新节点X2的候选父节点集合,即令π2=π2∪{X1}。下面给出f(2,π2∪{X1})的计算过程。
首先统计当节点X1处于某种状态时,节点X2处于各状态的数据条数,统计结果如下:
α211=38,α212=151,α213=804
α221=51,α222=175,α223=768
α231=105,α232=1072,α233=790
α241=101,α242=1100,α243=804
α251=1077,α252=8928,α253=0
α261=411,α262=3625,α263=0
据此可以计算得到αij,结果如下:
α21=993,α22=994,α23=1967,α24=2005,α25=10005,α25=4036d2=3不变,代入评价函数,得到
f(2,π2∪{X1})=-9407.0996>f(2,φ)=-14434.5194,
因此更新节点X2的父节点,有π2={X1}。
此时不再有位于节点X2之前的节点,终止计算,可得到X2的父节点为X1。对后续的节点,重复上述的计算过程,可以得到如图5所示的系统的贝叶斯模型。
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。
根据第二部分的结构模型可知,需要估计节点X1、X3、X5的概率分布,需要估计节点X2、X4、X6、X7、X8、X9、X10、S的条件概率分布。
步骤1:遍历状态监测数据,统计X1、X3、X5各状态的出现次数,在已知数据总量的条件下,可以得到X1、X3、X5的状态概率分布估计值。
表6 X1状态统计
状态 | 1 | 2 | 3 | 4 | 5 | 6 |
统计值 | 1017 | 1084 | 1957 | 2049 | 9961 | 3932 |
P | 0.05085 | 0.0542 | 0.09785 | 0.10245 | 0.49805 | 0.1966 |
表7 X3状态统计
表8 X5状态统计
状态 | 1 | 2 | 3 |
统计值 | 1930 | 3992 | 14078 |
P | 0.0965 | 0.1996 | 0.7039 |
数据总量H=20000;
步骤2:由第二部分得到的结构模型,结合步骤1中节点概率分布,估计其他中间节点的条件概率表。
统计H(X2|X1),即X2在X1取不同值时,其各状态出现的次数,统计结果如表9所示。根据表6中X1的各状态统计结果,可得P(X2|X1),如表10所示。
表9 X2与X1相关的状态统计表
表10 X2的条件概率表
统计H(X7|X1,X2),即X7在(X1,X2)取不同值时,其各状态出现的次数,统计结果如表11所示。再统计(X1,X2)的状态组合,从而可得P(X7|X1,X2),即,X7的条件概率分布,如表12所示。其他的各节点的条件概率分布可按照同样的方法得到,这里不再赘述。
表11 X7与(X1,X2)相关的状态统计表
表12 X7的条件概率分布表
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。
为了评估系统可靠性,首先需要确定系统的状态概率分布,由上面的贝叶斯模型推断得到的节点S的边缘概率分布即为系统的状态概率分布,如表13所示。
表13系统的状态概率分布
若要求当前的系统处理速度不小于80,即w(t)=80,则可知系统可靠度为:
Claims (1)
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,Ni表示单元i的状态个数。ci1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,…,sM),即系统有M个状态,s1表示系统处于无法工作的状态,sM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Xi,并将其加入模型B中。令节点Xi的候选父节点集合为πi,初始时πi=φ。接下来利用如下评分函数
计算集合πi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Xi的父节点。上述评分函数中各符号的含义说明如下:
qi:Xi的候选父节点的状态组合的个数;
di:Xi的状态个数;
αijk:Xi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Xi的状态监测数据,统计Xi各状态值出现的次数Hij,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Xi的状态概率分布如下表:
表1 节点Xi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Xi、Xj、Xk有如图1所示的结构关系,Xi、Xj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,Xk的条件概率分布表可表示为P{Xk|Xi,Xj},具体计算过程如下:
H{Xk=ckr,Xi=ciw,Xj=cjv}表示在数据集中节点Xi、Xj、Xk分别取值为ciw、cjv、ckr的数据条目的个数,同理,可求得H{Xi=ciw,Xj=cjv}。
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,…,Xj,…,Xm),其中节点Xj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
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910546145.4A CN110262954A (zh) | 2019-06-21 | 2019-06-21 | 基于状态监测数据自动学习系统可靠性模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910546145.4A CN110262954A (zh) | 2019-06-21 | 2019-06-21 | 基于状态监测数据自动学习系统可靠性模型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110262954A true CN110262954A (zh) | 2019-09-20 |
Family
ID=67920574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910546145.4A Pending CN110262954A (zh) | 2019-06-21 | 2019-06-21 | 基于状态监测数据自动学习系统可靠性模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110262954A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110798350A (zh) * | 2019-10-29 | 2020-02-14 | 北京航空航天大学 | 一种基于不完整状态监测数据学习的系统可靠性模型构建与评估方法 |
CN110928757A (zh) * | 2019-11-25 | 2020-03-27 | 北京航空航天大学 | 一种基于贝叶斯网络定位hdfs关键低效函数的性能分析方法 |
CN111506962A (zh) * | 2020-03-30 | 2020-08-07 | 中国人民解放军军事科学院国防科技创新研究院 | 基于bn和ugf的复杂系统可靠性计算方法 |
WO2021097714A1 (zh) * | 2019-11-20 | 2021-05-27 | 阿里巴巴集团控股有限公司 | 数据处理方法、设备、系统及存储介质 |
CN113407907A (zh) * | 2021-06-04 | 2021-09-17 | 电子科技大学 | 一种融合不完整监测序列的层次系统结构函数学习方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073318A (zh) * | 2009-11-17 | 2011-05-25 | 通用汽车环球科技运作公司 | 使用诊断故障代码马尔可夫链的故障诊断和预测 |
CN105117772A (zh) * | 2015-09-02 | 2015-12-02 | 电子科技大学 | 一种多状态系统可靠性模型的参数估计方法 |
CN107491381A (zh) * | 2017-07-04 | 2017-12-19 | 广西电网有限责任公司电力科学研究院 | 一种设备状态监测数据质量评测系统 |
CN108563525A (zh) * | 2018-04-13 | 2018-09-21 | 中国人民解放军陆军装甲兵学院 | 复杂系统可靠性仿真中智能体环境任务干涉方法及系统 |
CN109767006A (zh) * | 2018-12-13 | 2019-05-17 | 北京航空航天大学 | 一种基于贝叶斯置信网络的故障预测系统及方法 |
-
2019
- 2019-06-21 CN CN201910546145.4A patent/CN110262954A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073318A (zh) * | 2009-11-17 | 2011-05-25 | 通用汽车环球科技运作公司 | 使用诊断故障代码马尔可夫链的故障诊断和预测 |
CN105117772A (zh) * | 2015-09-02 | 2015-12-02 | 电子科技大学 | 一种多状态系统可靠性模型的参数估计方法 |
CN107491381A (zh) * | 2017-07-04 | 2017-12-19 | 广西电网有限责任公司电力科学研究院 | 一种设备状态监测数据质量评测系统 |
CN108563525A (zh) * | 2018-04-13 | 2018-09-21 | 中国人民解放军陆军装甲兵学院 | 复杂系统可靠性仿真中智能体环境任务干涉方法及系统 |
CN109767006A (zh) * | 2018-12-13 | 2019-05-17 | 北京航空航天大学 | 一种基于贝叶斯置信网络的故障预测系统及方法 |
Non-Patent Citations (4)
Title |
---|
MEHMET SAVSAR: "Multi-State Reliability Modeling of A Manufacturing Cell", 《INTERNATIONAL JOURNAL OF PERFORMABILITY ENGINEERING》 * |
ZHAI SHENG: "Reliability Analysis Method Study of Multi-state System Based on Fuzzy Bayesian Network", 《THE OPEN AUTOMATION AND CONTROL SYSTEMS JOURNAL》 * |
刘林林: "基于贝叶斯网络的GO法模型算法", 《系统工程与电子技术》 * |
姜涛: "基于状态观测数据的复杂系统可靠性评估与选择性维护决策方法研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110798350A (zh) * | 2019-10-29 | 2020-02-14 | 北京航空航天大学 | 一种基于不完整状态监测数据学习的系统可靠性模型构建与评估方法 |
WO2021097714A1 (zh) * | 2019-11-20 | 2021-05-27 | 阿里巴巴集团控股有限公司 | 数据处理方法、设备、系统及存储介质 |
CN110928757A (zh) * | 2019-11-25 | 2020-03-27 | 北京航空航天大学 | 一种基于贝叶斯网络定位hdfs关键低效函数的性能分析方法 |
CN110928757B (zh) * | 2019-11-25 | 2021-03-23 | 北京航空航天大学 | 一种基于贝叶斯网络定位hdfs关键低效函数的性能分析方法 |
CN111506962A (zh) * | 2020-03-30 | 2020-08-07 | 中国人民解放军军事科学院国防科技创新研究院 | 基于bn和ugf的复杂系统可靠性计算方法 |
CN113407907A (zh) * | 2021-06-04 | 2021-09-17 | 电子科技大学 | 一种融合不完整监测序列的层次系统结构函数学习方法 |
CN113407907B (zh) * | 2021-06-04 | 2022-04-12 | 电子科技大学 | 一种融合不完整监测序列的层次系统结构函数学习方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110262954A (zh) | 基于状态监测数据自动学习系统可靠性模型的方法 | |
CN110674752B (zh) | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 | |
CN106934242B (zh) | 基于交叉熵法的多模式下设备的健康度评估方法及系统 | |
CN105574587B (zh) | 一种塑料注塑过程的在线工况过程监控方法 | |
CN107423414A (zh) | 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法 | |
CN105163326A (zh) | 一种基于无线网络话务特征的小区聚类方法和系统 | |
CN106600138A (zh) | 一种二次设备风险评估方法 | |
CN111814342B (zh) | 一种复杂设备可靠性混合模型及其构建方法 | |
CN108376286A (zh) | 一种设备故障诊断装置及系统 | |
CN104865956A (zh) | 一种基于贝叶斯网络的复杂系统中传感器故障诊断方法 | |
Mediero et al. | Probabilistic calibration of a distributed hydrological model for flood forecasting | |
CN105843733B (zh) | 一种大数据平台的性能检测方法及装置 | |
CN105825045B (zh) | 多阶段任务系统可修备件需求预测方法 | |
CN115099519B (zh) | 一种基于多机器学习模型融合的油井产量预测方法 | |
CN108985455A (zh) | 一种计算机应用神经网络预测方法及系统 | |
CN105471647A (zh) | 一种电力通信网故障定位方法 | |
CN108198268A (zh) | 一种生产设备数据标定方法 | |
CN109145951B (zh) | 一种基于贝叶斯网络的隧道衬砌结构服役状况评价方法 | |
US20210117861A1 (en) | Machine learning variable selection and root cause discovery by cumulative prediction | |
Kutschenreiter-Praszkiewicz | Application of artificial neural network for determination of standard time in machining | |
CN111914488B (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
CN111127242A (zh) | 一种基于小样本数据的电力系统可靠性动态实时评估方法 | |
CN116319378B (zh) | 基于深度学习的网络流量矩阵估计、模型训练方法和系统 | |
TWI587222B (zh) | 基於類神經網路之水庫水位預測系統及方法 | |
CN115618743B (zh) | 一种瞄准镜系统的状态评估方法及状态评估系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190920 |
|
WD01 | Invention patent application deemed withdrawn after publication |