CN111859296B - 一种基于装备使用期间的测试性指标评估方法及系统 - Google Patents
一种基于装备使用期间的测试性指标评估方法及系统 Download PDFInfo
- Publication number
- CN111859296B CN111859296B CN202010689763.7A CN202010689763A CN111859296B CN 111859296 B CN111859296 B CN 111859296B CN 202010689763 A CN202010689763 A CN 202010689763A CN 111859296 B CN111859296 B CN 111859296B
- Authority
- CN
- China
- Prior art keywords
- data
- weight
- success
- failure
- estimation type
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Abstract
本发明涉及一种基于装备使用期间的测试性指标评估方法及系统,该方法包括:获取装备的先验数据集合;采用贝叶斯方法对所述先验数据集合中的成败数据、点估计型数据和区间估计型数据分别进行转化,得到贝叶斯先验数据集合;根据所述先验数据集合确定数据权重集合;获取装备当前时刻的当前使用数据;所述当前使用数据包括当前时刻的故障样本量及当前时刻的故障检测率和故障隔离率失败的次数;根据所述贝叶斯先验数据集合、所述数据权重集合和所述当前使用数据确定装备当前时刻的测试性指标评估值。通过本发明的上述方法以解决现有技术中数据量大、周期长且准确度不高的问题。
Description
技术领域
本发明涉及装备测试分析技术领域,特别是涉及一种基于装备使用期间的测试性指标评估方法及系统。
背景技术
测试性是装备质量特性的一部分,测试性好的装备在故障检测和隔离时能够做到可信和及时。测试性指标评估可以检验装备所具有的测试性水平,贯穿于设计研制、定型和交付使用等各个阶段。
在装备交付使用后,由于整机故障注入无法有效控制,而且经济性不佳,往往需要采集产品在使用和维修中的检测数据以及维修数据来进行测试性评估。测试性使用期间的指标评估可为装备的使用、检测和维修提供管理信息,为装备改型和下一代研制确定测试性要求提供依据。
测试性也是装备的一种重要设计特性,旨在能准确地确定装备的运行状态以及能高效地实现对装备内部故障的检测/隔离,是装备通用质量特性之一。良好的测试性设计,有助于提高装备的安全性、缩短维修时间、节省保障资源,保证装备发挥最大的效能。测试性指标评估是贯穿于装备全寿命周期的,而使用期间的测试性指标评估因为更贴近真实环境,所以数据更准确。
测试性指标中关注度最高的包括故障检测率(Fault Dection Rate,FDR)和故障隔离率(Fault Isolation rate,FIR)。其中,故障检测率(FDR)是在规定的时间内,用规定的方法正确检测到的故障数与被测单元发生的故障总数之比,用百分数表示。故障隔离率(FIR)是在规定的时间内,用规定的方法正确隔离到不大于规定的可更换单元数的故障数与同一时间内检测到的故障数之比,用百分数表示。
装备使用期间的测试性评估是装备在真实环境下对故障检测、隔离情况的综合反映,一方面它比故障注入试验环境更为真实,另一方面可对某些无法在实验室进行试验的大型装备进行测试性评估和验证。使用期间的测试性指标评估往往是基于传统概率统计进行,通过收集大量数据进行估计,数据量大、周期长且准确度不高。
发明内容
本发明的目的是提供一种基于装备使用期间的测试性指标评估方法及系统,以解决现有技术中数据量大、周期长且准确度不高的问题。
为实现上述目的,本发明提供了如下方案:
一种基于装备使用期间的测试性指标评估方法,包括:
获取装备的先验数据集合;所述先验数据集合中包括成败数据、点估计型数据和区间估计型数据;所述成败数据包括装备使用时当前时刻之前的所有使用数据以及装备试验阶段的试验数据;所述点估计型数据为根据所述试验数据对故障检测率和故障隔离率进行的点估计;所述区间估计型数据为根据所述试验数据对故障检测率和故障隔离率进行的区间估计;
采用贝叶斯方法对所述先验数据集合中的成败数据、点估计型数据和区间估计型数据分别进行转化,得到贝叶斯先验数据集合;所述贝叶斯先验数据集合中包括贝叶斯成败数据、贝叶斯点估计型数据和贝叶斯区间估计型数据;
根据所述先验数据集合确定数据权重集合;所述数据权重集合包括成败数据权重、点估计型数据权重和区间估计型数据权重;
获取装备当前时刻的当前使用数据;所述当前使用数据包括当前时刻的故障样本量及当前时刻的故障检测率和故障隔离率失败的次数;
根据所述贝叶斯先验数据集合、所述数据权重集合和所述当前使用数据确定装备当前时刻的测试性指标评估值。
可选的,所述获取装备的先验数据集合之前还包括:
获取装备使用时第一个时刻的第一使用数据、以及装备试验阶段的所述试验数据、所述点估计型数据和所述区间估计型数据;
将所述第一使用数据加入到所述试验数据中,得到实际成败数据;
根据所述点估计型数据、所述区间估计型数据和所述实际成败数据确定实际成败数据权重;
判断所述实际成败数据权重是否小于预设成败数据权重,得到判断结果;
若所述判断结果表示所述实际成败数据权重小于预设成败数据权重,获取装备使用时第二个时刻的第二使用数据;
将所述第二使用数据加入到所述实际成败数据以更新实际成败数据,并返回步骤“根据所述点估计型数据、所述区间估计型数据和所述实际成败数据确定实际成败数据权重”;
若所述判断结果表示所述实际成败数据权重大于或等于预设成败数据权重,返回步骤“获取装备的先验数据集合”。
可选的,所述根据所述先验数据集合确定数据权重集合,具体包括:
其中,wπ1为成败数据权重,wπ2为点估计型数据权重,wπ3为区间估计型数据权重,n为成败数据的数据量,T为点估计型数据的数据量,S为区间估计型数据的数据量。
可选的,所述根据所述贝叶斯先验数据集合、所述数据权重集合和所述当前使用数据确定装备当前时刻的测试性指标评估值,具体包括:
根据所述贝叶斯分布先验数据集合和所述数据权重集合确定融合先验分布;
根据所述融合先验分布和所述当前使用数据确定装备当前时刻的测试性指标评估值。
一种基于装备使用期间的测试性指标评估系统,包括:
先验数据集合获取模块,用于获取装备的先验数据集合;所述先验数据集合中包括成败数据、点估计型数据和区间估计型数据;所述成败数据包括装备使用时当前时刻之前的所有使用数据以及装备试验阶段的试验数据;所述点估计型数据为根据所述试验数据对故障检测率和故障隔离率进行的点估计;所述区间估计型数据为根据所述试验数据对故障检测率和故障隔离率进行的区间估计;
贝叶斯转化模块,用于采用贝叶斯方法对所述先验数据集合中的成败数据、点估计型数据和区间估计型数据分别进行转化,得到贝叶斯先验数据集合;所述贝叶斯先验数据集合中包括贝叶斯成败数据、贝叶斯点估计型数据和贝叶斯区间估计型数据;
权值确定模块,用于根据所述先验数据集合确定数据权重集合;所述数据权重集合包括成败数据权重、点估计型数据权重和区间估计型数据权重;
当前使用数据获取模块,用于获取装备当前时刻的当前使用数据;所述当前使用数据包括当前时刻的故障样本量及当前时刻的故障检测率和故障隔离率失败的次数;
测试性指标评估值确定模块,用于根据所述贝叶斯先验数据集合、所述数据权重集合和所述当前使用数据确定装备当前时刻的测试性指标评估值。
可选的,所述基于装备使用期间的测试性指标评估系统还包括:
数据获取模块,用于获取装备使用时第一个时刻的第一使用数据、以及装备试验阶段的所述试验数据、所述点估计型数据和所述区间估计型数据;
实际成败数据获得模块,用于将所述第一使用数据加入到所述试验数据中,得到实际成败数据;
实际成败数据权重确定模块,用于根据所述点估计型数据、所述区间估计型数据和所述实际成败数据确定实际成败数据权重;
判断模块,用于判断所述实际成败数据权重是否小于预设成败数据权重,得到判断结果;
第二使用数据获取模块,用于若所述判断结果表示所述实际成败数据权重小于预设成败数据权重,获取装备使用时第二个时刻的第二使用数据;
更新模块,用于将所述第二使用数据加入到所述实际成败数据以更新实际成败数据,并返回所述实际成败数据权重确定模块;
返回模块,用于若所述判断结果表示所述实际成败数据权重大于或等于预设成败数据权重,返回所述先验数据集合获取模块。
可选的,所述权值确定模块具体包括:
其中,wπ1为成败数据权重,wπ2为点估计型数据权重,wπ3为区间估计型数据权重,n为成败数据的数据量,T为点估计型数据的数据量,S为区间估计型数据的数据量。
可选的,所述测试性指标评估值确定模块具体包括:
融合先验分布确定单元,用于根据所述贝叶斯分布先验数据集合和所述数据权重集合确定融合先验分布;
测试性指标评估值确定单元,用于根据所述融合先验分布和所述当前使用数据确定装备当前时刻的测试性指标评估值。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种基于装备使用期间的测试性指标评估方法及系统,以贝叶斯方法对先验数据集合中的数据分别进行处理,在考虑试验阶段的先验信息以及在获得足够使用数据的情况下进行指标评估,得到稳定可靠的测试性指标评估值。在此过程中所需样本量小,得到的测试性指标评估值精确度高,解决了现有技术中数据量大、周期长且准确度不高的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种基于装备使用期间的测试性指标评估方法的流程图;
图2为本发明实施例所提供的一种基于装备使用期间的测试性指标评估系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于装备使用期间的测试性指标评估方法及系统,以解决现有技术中数据量大、周期长且准确度不高的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
测试性指标评估采用单次抽样方法,以二项分布计算模型为基础,具备最低可接受值约束和双方风险约束等不同形式的故障样本量求解方法。通过给定承制方和使用方测试性指标要求值p0和p1,以及双方预期风险约束值α和β,可将基于二项分布模型的单次抽样特征函数描述为约束问题:
其中,p0为承制方给出的测试性指标,p1是使用方给出的测试性要求指标,L(·)是抽样特性函数,可通过下式求解:
其中,p表示测试性指标FDR或FIR,且满足p∈[0,1];y表示实际观测到的故障检测或隔离失败次数。
以检测率为例,L(p)是假定检测率为p,故障样本为n时,故障检测失败次数y小于等于c的概率,即L(p)=P(y≤c)。通常使用方会要求检测率不能低于一个值p1,检测失败次数y小于等于c的概率的最大值为β,称为订购方风险。而当真实检测率大于承制方设计要求值p0时,产品符合要求,此时实际出现的故障检测失败次数y大于c的概率称为承制方风险α。
在已知p0、p1、α和β以后,即可得到n和c,但是在测试性指标要求较高时,所需要的故障样本量n较大,而在装备使用阶段初期,无法收集到足够的样本。因此本发明提出了一种基于装备使用期间的测试性指标评估方法的流程图本方法,基于贝叶斯概率引入先验信息,并进行处理,可以实现在初期小样本量下的指标评估。
图1为本发明实施例所提供的一种基于装备使用期间的测试性指标评估方法的流程图,如图1所示,本发明一种基于装备使用期间的测试性指标评估方法包括:
S101,获取装备的先验数据集合;所述先验数据集合中包括成败数据、点估计型数据和区间估计型数据;所述成败数据包括装备使用时当前时刻之前的所有使用数据以及装备试验阶段的试验数据;所述点估计型数据为根据所述试验数据对故障检测率和故障隔离率进行的点估计;所述区间估计型数据为根据所述试验数据对故障检测率和故障隔离率进行的区间估计。
具体的,本发明实施例中的装备为飞机、导弹等大型装备。点估计型数据是专家根据试验数据对故障检测率或故障隔离率进行的点估计,例如“0.95”。区间估计型数据是专家根据试验数据对故障检测率或故障隔离率进行的区间估计,例如“0.93-0.97”。成败数据包括装备使用时当前时刻之前的所有使用数据以及装备试验阶段的试验数据,即随着使用时间增长,每次评估采集的当前使用数据也可作为下一次评估的先验数据即成败数据。
S102,采用贝叶斯方法对所述先验数据集合中的成败数据、点估计型数据和区间估计型数据分别进行转化,得到贝叶斯先验数据集合;所述贝叶斯先验数据集合中包括贝叶斯成败数据、贝叶斯点估计型数据和贝叶斯区间估计型数据。
具体的,Beta分布作为二项分布共轭分布,在数据处理方面具备其优越性,因此,以Beta分布作为测试性指标的先验分布形式。
(1)成败数据的转化
成败数据(n,c)转化为Beta分布形式即贝叶斯成败数据,由统计学理论可以证明式的抽样特性函数可进一步表示为:
其中,L(p)为抽样特性函数,n为成败数据的数据量,c为成败数据中故障检测率和故障隔离率失败的次数,p为故障检测率或故障隔离率。
B(n-c,c+1)表示Beta函数,其表达式为:
其中,u为故障检测率或故障隔离率的积分变量。
式(1)的证明如下:根据分部积分可得:
再次对式(3)右边第一项进行分部积分,则有:
以此类推,可得:
对式(5)右边进行重新整理以及变量替换,令y=n-j,则:
故式(1)得证。
因此,成败数据(n,c)可转化为Beta分布形式为:
π1(p)=Beta(p;a1,b1)=Beta(p;n-c,c+1) (7)
式(7)校正了当前研究中试验数据直接作为先验分布超参数的误区,确保了转化的准确性。
(2)点估计型数据的转化
假设一共有T位专家,根据专家知识度赋予相应的权重wi(i=1,2,…,T),然后通过不同形式的先验信息转化为先验分布的形式:
根据最大熵理论,可以通过以下约束问题求取来计算先验超参数a2,b2:
其中:H[π2(p)]表示π2(p)的信息熵,根据信息熵的定义:
由计算机进行仿真求解上述约束问题,得到a2,b2的最优解a2 *,b2 *,则点估计型数据可转化为Beta分布形式为:
π2(p)=Beta(p;a2,b2)=Beta(p;a2 *,b2 *) (11)
(3)区间估计型数据的转化
假设一共有S位专家,根据专家知识度赋予相应的权重wi(i=1,2,,S),然后通过不同形式的先验信息转化为先验分布的形式:
则在上式的约束条件下,进一步可以通过以下约束求解先验超参数a3 *,b3 *:
其中:H[π3(p)]表示π3(p)的信息熵,根据信息熵的定义:
由计算机进行仿真求解上述约束问题,得到a3,b3的最优解a3 *,b3 *,则区间估计型数据可转化为Beta分布形式为:
π3(p)=Beta(p;a3,b3)=Beta(p;a3 *,b3 *) (15)
S103,根据所述先验数据集合确定数据权重集合;所述数据权重集合包括成败数据权重、点估计型数据权重和区间估计型数据权重。具体的,采用基于数据量的加权融合方法,假设存在多个先验分布πi(p)=Beta(ai,bi)(i=1,2,3),根据S101可知,先验数据集合中每种数据量分别为n、T、S,为其分配不同的权重wπi(i=1,2,3)。S103具体包括:
其中,wπ1为成败数据权重,wπ2为点估计型数据权重,wπ3为区间估计型数据权重,n为成败数据的数据量,T为点估计型数据的数据量,S为区间估计型数据的数据量。
S104,获取装备当前时刻的当前使用数据;所述当前使用数据包括当前时刻的故障样本量及当前时刻的故障检测率和故障隔离率失败的次数。
S105,根据所述贝叶斯先验数据集合、所述数据权重集合和所述当前使用数据确定装备当前时刻的测试性指标评估值。S105具体包括:步骤501,根据所述贝叶斯分布先验数据集合和所述数据权重集合确定融合先验分布;步骤502,根据所述融合先验分布和所述当前使用数据确定装备当前时刻的测试性指标评估值。
具体的,将成败数据、点估计型数据和区间估计型数据分别转化为Beta分布后,进行融合得到混合先验分布(融合先验分布)为:
根据Bayes公式,可得到在当前使用数据(n′,c′)下的后验分布为:
其中
在平方误差损失函数约束条件下,当前时刻的测试性指标评估值为:
S101之前还包括:
步骤101,获取装备使用时第一个时刻的第一使用数据、以及装备试验阶段的所述试验数据、所述点估计型数据和所述区间估计型数据。
步骤102,将所述第一使用数据加入到所述试验数据中,得到实际成败数据。
步骤104,判断所述实际成败数据权重是否小于预设成败数据权重,得到判断结果。
步骤105,若所述判断结果表示所述实际成败数据权重小于预设成败数据权重,获取装备使用时第二个时刻的第二使用数据。
步骤106,将所述第二使用数据加入到所述实际成败数据以更新实际成败数据,并返回步骤103。
步骤107,若所述判断结果表示所述实际成败数据权重大于或等于预设成败数据权重,返回S101。
具体的,实际成败数据权重是一个不断更新的过程,在装备使用初期,成败数据主要是验证阶段的试验数据,数据量不大,而专家根据自己的领域知识可以提供更多的可信信息,因此专家知识将获得较高的权重。随着装备使用时间的增长,成败数据越来越多,经过不断的迭代,实际成败数据权重将越来越大,权重分配逐渐由主观转变为客观,更符合实际情况。本发明实施例中选取的预设成败数据权重为0.9,当实际成败数据权重大于0.9时,评估结果的客观性比较强,能用于实际应用中,因此返回S101,采用S101-S105确定装备当前时刻的测试性指标评估值。
本发明还提供了一种基于装备使用期间的测试性指标评估系统,如图2所示,所述测试性指标评估系统包括:
先验数据集合获取模块1,用于获取装备的先验数据集合;所述先验数据集合中包括成败数据、点估计型数据和区间估计型数据;所述成败数据包括装备使用时当前时刻之前的所有使用数据以及装备试验阶段的试验数据;所述点估计型数据为根据所述试验数据对故障检测率和故障隔离率进行的点估计;所述区间估计型数据为根据所述试验数据对故障检测率和故障隔离率进行的区间估计。
贝叶斯转化模块2,用于采用贝叶斯方法对所述先验数据集合中的成败数据、点估计型数据和区间估计型数据分别进行转化,得到贝叶斯先验数据集合;所述贝叶斯先验数据集合中包括贝叶斯成败数据、贝叶斯点估计型数据和贝叶斯区间估计型数据。
权值确定模块3,用于根据所述先验数据集合确定数据权重集合;所述数据权重集合包括成败数据权重、点估计型数据权重和区间估计型数据权重。
当前使用数据获取模块4,用于获取装备当前时刻的当前使用数据;所述当前使用数据包括当前时刻的故障样本量及当前时刻的故障检测率和故障隔离率失败的次数。
测试性指标评估值确定模块5,用于根据所述贝叶斯先验数据集合、所述数据权重集合和所述当前使用数据确定装备当前时刻的测试性指标评估值。
优选的,所述基于装备使用期间的测试性指标评估系统还包括:
数据获取模块,用于获取装备使用时第一个时刻的第一使用数据、以及装备试验阶段的所述试验数据、所述点估计型数据和所述区间估计型数据。
实际成败数据获得模块,用于将所述第一使用数据加入到所述试验数据中,得到实际成败数据。
实际成败数据权重确定模块,用于根据所述点估计型数据、所述区间估计型数据和所述实际成败数据确定实际成败数据权重。
判断模块,用于判断所述实际成败数据权重是否小于预设成败数据权重,得到判断结果。
第二使用数据获取模块,用于若所述判断结果表示所述实际成败数据权重小于预设成败数据权重,获取装备使用时第二个时刻的第二使用数据。
更新模块,用于将所述第二使用数据加入到所述实际成败数据以更新实际成败数据,并返回所述实际成败数据权重确定模块。
返回模块,用于若所述判断结果表示所述实际成败数据权重大于或等于预设成败数据权重,返回所述先验数据集合获取模块。
优选的,所述权值确定模块3具体包括:
其中,wπ1为成败数据权重,wπ2为点估计型数据权重,wπ3为区间估计型数据权重,n为成败数据的数据量,T为点估计型数据的数据量,S为区间估计型数据的数据量。
优选的,所述测试性指标评估值确定模块5具体包括:
融合先验分布确定单元,用于根据所述贝叶斯分布先验数据集合和所述数据权重集合确定融合先验分布。
测试性指标评估值确定单元,用于根据所述融合先验分布和所述当前使用数据确定装备当前时刻的测试性指标评估值。
传统的测试性指标评估基于经典概率统计模型开展,将测试性指标视为BIT或ATE成功完成的检测或隔离的频率,而只有当数据采集时间足够长,数据量相当大的情况下,频率才趋近于概率。而在装备部署初期是无法获得大量故障样本的。本发明以贝叶斯概率来进行处理,将测试性指标作为能够成功完成检测或隔离任务的可能性及专家对测试结果的信心。本发明的优势在于可以更充分利用先验信息,对样本量的需求更小,评估结果更贴合实际,在装备使用初期即可获得比较可信的结果。
本发明将使用阶段测试性指标评估通过贝叶斯方法进行处理,将验证评估阶段的信息和专家信息融合入装备使用期间的测试性指标评估中,设计了具体评估步骤,降低了使用初期指标评估的样本量需求,保证在使用初期即可获得比较可信的评估结论。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于装备使用期间的测试性指标评估方法,其特征在于,包括:
获取装备的先验数据集合;所述先验数据集合中包括成败数据、点估计型数据和区间估计型数据;所述成败数据包括装备使用时当前时刻之前的所有使用数据以及装备试验阶段的试验数据;所述点估计型数据为根据所述试验数据对故障检测率和故障隔离率进行的点估计;所述区间估计型数据为根据所述试验数据对故障检测率和故障隔离率进行的区间估计;
采用贝叶斯方法对所述先验数据集合中的成败数据、点估计型数据和区间估计型数据分别进行转化,得到贝叶斯先验数据集合;所述贝叶斯先验数据集合中包括贝叶斯成败数据、贝叶斯点估计型数据和贝叶斯区间估计型数据;
根据所述先验数据集合确定数据权重集合;所述数据权重集合包括成败数据权重、点估计型数据权重和区间估计型数据权重;
获取装备当前时刻的当前使用数据;所述当前使用数据包括当前时刻的故障样本量及当前时刻的故障检测率和故障隔离率失败的次数;
根据所述贝叶斯先验数据集合、所述数据权重集合和所述当前使用数据确定装备当前时刻的测试性指标评估值。
2.根据权利要求1所述的基于装备使用期间的测试性指标评估方法,其特征在于,所述获取装备的先验数据集合之前还包括:
获取装备使用时第一个时刻的第一使用数据、以及装备试验阶段的所述试验数据、所述点估计型数据和所述区间估计型数据;
将所述第一使用数据加入到所述试验数据中,得到实际成败数据;
根据所述点估计型数据、所述区间估计型数据和所述实际成败数据确定实际成败数据权重;
判断所述实际成败数据权重是否小于预设成败数据权重,得到判断结果;
若所述判断结果表示所述实际成败数据权重小于预设成败数据权重,获取装备使用时第二个时刻的第二使用数据;
将所述第二使用数据加入到所述实际成败数据以更新实际成败数据,并返回步骤“根据所述点估计型数据、所述区间估计型数据和所述实际成败数据确定实际成败数据权重”;
若所述判断结果表示所述实际成败数据权重大于或等于预设成败数据权重,返回步骤“获取装备的先验数据集合”。
4.根据权利要求1所述的基于装备使用期间的测试性指标评估方法,其特征在于,所述根据所述贝叶斯先验数据集合、所述数据权重集合和所述当前使用数据确定装备当前时刻的测试性指标评估值,具体包括:
根据所述贝叶斯分布先验数据集合和所述数据权重集合确定融合先验分布;
根据所述融合先验分布和所述当前使用数据确定装备当前时刻的测试性指标评估值。
5.一种基于装备使用期间的测试性指标评估系统,其特征在于,包括:
先验数据集合获取模块,用于获取装备的先验数据集合;所述先验数据集合中包括成败数据、点估计型数据和区间估计型数据;所述成败数据包括装备使用时当前时刻之前的所有使用数据以及装备试验阶段的试验数据;所述点估计型数据为根据所述试验数据对故障检测率和故障隔离率进行的点估计;所述区间估计型数据为根据所述试验数据对故障检测率和故障隔离率进行的区间估计;
贝叶斯转化模块,用于采用贝叶斯方法对所述先验数据集合中的成败数据、点估计型数据和区间估计型数据分别进行转化,得到贝叶斯先验数据集合;所述贝叶斯先验数据集合中包括贝叶斯成败数据、贝叶斯点估计型数据和贝叶斯区间估计型数据;
权值确定模块,用于根据所述先验数据集合确定数据权重集合;所述数据权重集合包括成败数据权重、点估计型数据权重和区间估计型数据权重;
当前使用数据获取模块,用于获取装备当前时刻的当前使用数据;所述当前使用数据包括当前时刻的故障样本量及当前时刻的故障检测率和故障隔离率失败的次数;
测试性指标评估值确定模块,用于根据所述贝叶斯先验数据集合、所述数据权重集合和所述当前使用数据确定装备当前时刻的测试性指标评估值。
6.根据权利要求5所述的基于装备使用期间的测试性指标评估系统,其特征在于,所述基于装备使用期间的测试性指标评估系统还包括:
数据获取模块,用于获取装备使用时第一个时刻的第一使用数据、以及装备试验阶段的所述试验数据、所述点估计型数据和所述区间估计型数据;
实际成败数据获得模块,用于将所述第一使用数据加入到所述试验数据中,得到实际成败数据;
实际成败数据权重确定模块,用于根据所述点估计型数据、所述区间估计型数据和所述实际成败数据确定实际成败数据权重;
判断模块,用于判断所述实际成败数据权重是否小于预设成败数据权重,得到判断结果;
第二使用数据获取模块,用于若所述判断结果表示所述实际成败数据权重小于预设成败数据权重,获取装备使用时第二个时刻的第二使用数据;
更新模块,用于将所述第二使用数据加入到所述实际成败数据以更新实际成败数据,并返回所述实际成败数据权重确定模块;
返回模块,用于若所述判断结果表示所述实际成败数据权重大于或等于预设成败数据权重,返回所述先验数据集合获取模块。
8.根据权利要求5所述的基于装备使用期间的测试性指标评估系统,其特征在于,所述测试性指标评估值确定模块具体包括:
融合先验分布确定单元,用于根据所述贝叶斯分布先验数据集合和所述数据权重集合确定融合先验分布;
测试性指标评估值确定单元,用于根据所述融合先验分布和所述当前使用数据确定装备当前时刻的测试性指标评估值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010689763.7A CN111859296B (zh) | 2020-07-17 | 2020-07-17 | 一种基于装备使用期间的测试性指标评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010689763.7A CN111859296B (zh) | 2020-07-17 | 2020-07-17 | 一种基于装备使用期间的测试性指标评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111859296A CN111859296A (zh) | 2020-10-30 |
CN111859296B true CN111859296B (zh) | 2022-11-22 |
Family
ID=72984596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010689763.7A Active CN111859296B (zh) | 2020-07-17 | 2020-07-17 | 一种基于装备使用期间的测试性指标评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111859296B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115165332B (zh) * | 2022-06-29 | 2023-05-12 | 中国人民解放军海军航空大学 | 一种装备机内测试与综合测试一体化设计方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133994A (zh) * | 2014-07-24 | 2014-11-05 | 北京航空航天大学 | 融合多源成败型数据的可靠度评估方法 |
CN105373688A (zh) * | 2014-08-18 | 2016-03-02 | 鲍珂 | 一种基于专家信息和贝叶斯数据融合的动力传动系统可靠性评估方法 |
CN110414552B (zh) * | 2019-06-14 | 2021-07-16 | 中国人民解放军海军工程大学 | 一种基于多源融合的备件可靠性贝叶斯评估方法及系统 |
-
2020
- 2020-07-17 CN CN202010689763.7A patent/CN111859296B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111859296A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102262191B (zh) | 一种固体钽电解电容器寿命预测方法 | |
CN107478455B (zh) | 一种适用于威布尔分布型产品的定时截尾可靠性试验方法 | |
CN110286333B (zh) | 一种锂动力电池系统故障诊断方法 | |
CN109389145B (zh) | 基于计量大数据聚类模型的电能表生产厂商评价方法 | |
CN110046453A (zh) | 一种激光雷达的寿命预测方法 | |
CN109409628A (zh) | 基于计量大数据聚类模型的采集终端生产厂商评价方法 | |
CN109543743B (zh) | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 | |
CN110738346A (zh) | 一种基于威布尔分布的批次电能表可靠度预测方法 | |
CN111426957A (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
CN114290960B (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
CN108241790A (zh) | 基于恒加试验数据的Weibull型产品可靠性估计方法 | |
CN116593896B (zh) | 一种电池储能系统的状态检测方法、系统及电子设备 | |
CN111859296B (zh) | 一种基于装备使用期间的测试性指标评估方法及系统 | |
CN115932634A (zh) | 一种对电池健康状态评估的方法、装置、设备及存储介质 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN105426647B (zh) | 基于可靠度先验信息融合的冷备系统可靠度估计方法 | |
CN108459991A (zh) | 一种获得设备可靠性数据的方法 | |
CN106646106B (zh) | 基于变点探测技术的电网故障检测方法 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN106529805B (zh) | 一种基于发电机重要度的发电系统可靠性评估方法 | |
CN116128690A (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN109389281A (zh) | 一种基于高斯混合模型的采集终端生产厂商评价方法 | |
CN111581794B (zh) | 一种新的弹性重要性的度量方法 | |
CN106788816A (zh) | 一种信道状态检测方法及装置 | |
CN107491576B (zh) | 基于性能退化数据的导弹部件可靠性分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |