CN111950850B - 一种基于证据网络的无人机系统保障能力评估方法 - Google Patents

一种基于证据网络的无人机系统保障能力评估方法 Download PDF

Info

Publication number
CN111950850B
CN111950850B CN202010663738.1A CN202010663738A CN111950850B CN 111950850 B CN111950850 B CN 111950850B CN 202010663738 A CN202010663738 A CN 202010663738A CN 111950850 B CN111950850 B CN 111950850B
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
vehicle system
guarantee capability
capability
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
Application number
CN202010663738.1A
Other languages
English (en)
Other versions
CN111950850A (zh
Inventor
杨德真
刘森
王自力
任羿
冯强
孙博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202010663738.1A priority Critical patent/CN111950850B/zh
Publication of CN111950850A publication Critical patent/CN111950850A/zh
Application granted granted Critical
Publication of CN111950850B publication Critical patent/CN111950850B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明是一种基于证据网络的无人机系统保障能力评估方法，即在传统评价方法中引入结构方程模型和证据网络，构建无人机系统保障能力结构方程，给出评价指标和计算无人机系统保障能力的评估模型。该方法主要包含以下步骤：(1)构建无人机系统评价体系；(2)构建无人机系统保障能力评价结构方程模型；(3)收集数据；(4)对所构建的结构方程模型进行分析；(5)构建基于条件证据网络的保障能力评估模型。

Description

一种基于证据网络的无人机系统保障能力评估方法
(一)技术领域
本发明提出了一种基于证据网络的无人机系统保障能力评估方法。该方法在对无人机系统的保障能力进行分解的基础上建立对应的参数模型，构建无人机系统保障能力的结构方程模型，并依据条件证据网络模型对无人机系统进行保障能力评价，以综合评估无人机系统的保障能力，为无人机系统的设计与改进提供依据，属于可靠性工程领域。
(二)背景技术
无人机系统作为网络中心战中的核心元素以及主要的节点，在现代战争中得到广泛的运用,成为执行多种作战任务的一支重要力量。无人机系统的组成、使用、维修、保障资源配套等不同于其他航空武器装备，保障模式作为保障活动的组织实施方法，是确保无人机装备完好和作战效能的必要基础。美空军长航时无人机系统采用基层级和基地级两级维修。阿联酋无人机系统也是实行基层级和基地级两级维修保障体制。因为我国对于无人机的研究起步较晚，还未形成标准的维修保障体制。因此，为准确识别无人机系统的保障能力，需要对其保障能力进行分析评价，以提供设计与改进的参考。
传统对于有人机的系统保障能力评估，常用的方法有专家打分法、层次分析法，模糊综合评价法等，国内外学者的研究也比较充分。但由于无人机“机-站-链”一体化的维修保障模式，适用于有人机的保障能力评估方法不再完全适用于无人机系统。因此，本发明引入结构方程模型和证据网络，建立一种基于证据网络的无人机系统保障能力评估方法，以综合评价无人机系统的保障能力，尤其是无人机研制早期各种试验数据缺乏时。
(三)发明内容
(1)发明目的
在传统评价方法中引入结构方程模型和证据网络，建立一种基于证据网络的无人机系统保障能力评估方法，以综合评估无人机系统的保障能力。
(2)技术方案
本发明是一种基于证据网络的无人机系统保障能力评估方法，即在传统评价方法中引入结构方程模型和证据网络，构建无人机系统保障能力结构方程，给出评价指标和计算无人机系统保障能力的评估模型。该方法主要包含以下步骤：
步骤一：构建无人机系统评价体系。它包含以下几个子步骤：
(1)基于结构方程的保障能力分解。根据无人机系统结构组成、维修保障流程将无人机系统的保障能力进行分解。
(2)构建无人机系统评价指标体系。结合无人机系统保障能力分解与指标选取原则，以无人机系统保障能力为顶层指标，可测量指标为底层指标，建立无人机系统保障能力评价指标体系。
步骤二：构建无人机系统保障能力评价结构方程模型。它包含以下几个子步骤：
(1)参数确定。根据上一步骤建立的无人机系统保障能力评价指标体系确定无人机系统保障能力评价结构方程模型中的所有参数。
(2)影响关系假设。根据上一步骤所建立的无人机系统保障能力评价指标体系对结构方程模型中选取的潜在变量的影响关系进行假设。
(3)模型构建。基于本步骤中步骤(1)和(2)确定的参数和影响关系，构建一个二阶无人机系统保障能力评价结构方程模型。
步骤三：收集数据。
通过调查问卷的形式收集数据，处理依据无人机系统保障能力评价指标体系所构建的结构方程模型。
步骤四：对所构建的结构方程模型进行分析。它包含以下几个子步骤：
(1)信度分析。对数据的信度进行分析。
(2)效度分析。对数据的效度进行分析。
(3)验证性因子分析。对模型进行验证性因子分析。
步骤五：构建基于条件证据网络的保障能力评估模型。它包含以下几个子步骤：
(1)建立无人机系统保障能力证据网络模型。根据无人机系统保障能力结构方程模型，建立无人机保障能力证据网络模型。以条件信度函数作为参数，构建基于条件证据网络的保障能力评估模型。
(2)计算底层指标能力需求满足度信度分布。根据保障能力影响因素结构特征，按照望大型、望小型两类指标分别计算各测量指标的能力实际测量值与能力需求理想值的匹配程度。
(3)计算无人机系统保障能力。根据底层指标能力满足度信度分布和证据网络模型，计算各分系统保障能力需求满足度，通过正向合成计算无人机系统保障能力。
(四)附图说明
图1是本发明中本发明中方法的算法步骤流程示意图
图2是本发明中无人机系统保障能力一级分解
图3是本发明中无人机系统保障能力二级分解
图4是本发明中无人机系统保障能力评价指标体系
图5是本发明中潜在变量与测量变量关系模型
图6是本发明中无人机系统保障能力潜在变量假设影响关系
图7是本发明中无人机系统保障能力结构方程模型
图8是本发明中基本证据网络模型
图9是本发明中无人机系统保障能力证据网络模型
(五)具体实施方案
本发明是一种基于证据网络的无人机系统保障能力评估方法，即在传统评价方法中引入结构方程模型和证据网络，构建无人机系统保障能力结构方程，给出评价指标和计算无人机系统保障能力的评估模型。为使本发明中的方法得到更好地阐述，下面结合附图，对该方法的具体实施方案作详细的说明。其中，图1为本发明中方法的算法步骤流程示意图。
步骤一：构建无人机系统评价体系。它包含以下几个子步骤：
(1)对无人机系统保障能力进行分解。根据无人机系统结构组成、维修保障流程将无人机系统的保障能力进行分解。
(2)构建无人机系统评价指标体系。结合无人机系统保障能力分解与指标选取原则，以无人机系统保障能力为顶层指标，可测量指标为底层指标，建立无人机系统保障能力评价指标体系。
【示例】本方法以某一无人机系统为例，进一步作详细的说明。
根据无人机系统的组成结构进行一级能力分解，将无人机系统保障能力分为4个一级子能力，分别是：飞机分系统持续能力，地面站分系统持续能力，数据链路分系统持续能力以及保障分系统持续能力，如图2所示。
由于在不同的任务阶段对保障能力的要求不同，结合无人机系统保障工作流程，对一级子能力进行二级分解，如图3所示。
无人机系统保障能力评价指标体系中的底层指标是对上层分系统子能力的分解，得到无人机系统保障能力评价指标体系，如图4所示。
步骤二：构建无人机系统保障能力评价结构方程模型。它包含以下几个子步骤：
(1)参数确定。根据步骤一建立的无人机系统保障能力评价指标体系确定无人机系统保障能力评价结构方程模型中的所有参数。
结构方程模型通常包括潜在变量和测量变量，潜变量通常是不可直接测量的，可以通过一个或多个可测量变量对潜变量进行描述，测量变量与潜在变量之间的路径载荷表示了它们之间的关联强度，基本潜在变量与测量变量关系模型，如图5所示。
在无人机系统中，将无人机系统保障能力选取为内生潜在变量η，一级子能力选取为外生潜在变量ξi，评价指标选取为测量变量xi。
(2)影响关系假设。根据步骤一所建立的无人机系统保障能力评价指标体系对结构方程模型中选取的潜在变量的影响关系进行假设。
(3)模型构建。基于本步骤中步骤(1)和(2)确定的参数和影响关系，构建一个二阶无人机系统保障能力评价结构方程模型。
测量方程与结构方程共同构成结构方程模型SEM的基本方程模型。测量方程用来是潜变量与测量变量之间的关系的描述，通常情况下，基本方程模型表达式，如下所示：
x＝Λxξ+ε (1)
式中：x为测量变量；ξ为外生潜在变量；Λx为测量变量与外生潜变量因子载荷矩阵；ε为测量变量误差项。
结构方程用来表示潜变量与潜变量之间的关系，其基本方程表达式，如下所示：
η＝Bη+Γξ+ζ (2)
式中：Bη为内生潜变量间的通径系数矩阵；Γ为外生潜变量间的通径系数矩阵；ζ为结构方程无法解释的残差项。
【示例】(接步骤一示例)本方法以某一无人机系统为例，进一步作详细的说明。
(1)根据步骤一建立的无人机系统保障能力评价指标体系确定结构方程模型参数，将无人机系统保障能力选取为内生潜在变量η，飞机分系统持续能力选取为外生潜在变量ξ1；地面站分系统持续能力选取为外生潜在变量ξ2；数据链路分系统持续能力选取为外生潜在变量ξ3，保障分系统保障能力选取为外生潜在变量ξ4，分别选取相应测量变量X1,X2,…,Xn对外生潜在变量进行描述，最终确定无人机系统保障能力评价结构方程模型中的所有参数，如表1所示。
表1无人机系统保障能力结构方程模型参数
Figure GDA0003768842970000051
(2)假设分系统保障能力作为4个外生潜在变量对结构方程模型中的内生潜在变量无人机系统的保障能力影响关系，如图6所示。
其中，H1、H2、H3、H4代表一阶潜在变量对二阶潜在变量的影响假设，H5、H6、H7、H8、H9、H10代表一阶潜在变量之间的相互影响假设，H1至H10具体假设如下：
H1：飞机分系统持续能力对WRJ系统保障能力具有直接正向影响。
H2：地面站分系统持续能力对WRJ系统保障能力具有直接正向影响。
H3：数据链路分系统持续能力对WRJ系统保障能力具有直接正向影响。
H4：保障分系统保障能力对WRJ系统保障能力具有直接正向影响。
H5：飞机分系统持续能力与地面站分系统持续能力存在相互影响关系。
H6：地面站分系统持续能力与数据链路分系统持续能力存在相互影响关系。
H7：数据链路分系统持续能力与保障分系统保障能力存在相互影响关系。
H8：飞机分系统持续能力与数据链路分系统持续能力存在相互影响关系。
H9：地面站分系统持续能力与保障分系统保障能力存在相互影响关系。
H10：飞机分系统持续能力与保障分系统保障能力存在相互影响关系。
(3)基于本步骤中步骤(1)和(2)确定的参数和影响关系，为无人机系统保障能力评价构建一个二阶结构方程模型，如图7所示。
测量方程
x＝Λxξ+ε (3)
在测量方程中，λ1,λ2,…λ19表示测量变量X1,X2,…X19与外生潜在变量ξ1,ξ2,ξ3,ξ4之间的因子载荷，λ的大小显示了观测变量与外生潜在变量之间的关联强度，ε1,ε2,…ε19为测量变量测量所产生的误差项。
结构方程
η＝Γξ+ζ (4)
在结构方程中，4个一阶因子作为二阶因子的标识，一阶因子在二阶因子上的载荷，称为二阶因子载荷，分别由γ1、γ2、γ3以及γ4表示，这表示了外生潜在变量对内生潜在变量的影响程度。同时，因为一阶因子的方差不能完全由二阶因子解释，所以结构方程模型中的一阶因子存在误差项，分别是ζ1、ζ2、ζ3以及ζ4。
步骤三：收集数据。
通过调查问卷的形式收集数据，处理依据无人机系统保障能力评价指标体系所构建的结构方程模型。
【示例】(接步骤二示例)问卷采用Likert 5点量表形式对结构方程中的测量变量进行度量，将对题项的认可程度分为5个等级(非常不同意、不同意、一般、同意、非常同意)，并根据接受调查对象对题项的认同程度，对该题项从1到5的五个量度进行计分，题项的得分与接受调查对象对该题项描述的认可程度成正比，如表2所示。并对回收的数问卷进行数据收集，如表3所示。
表2地面站分系统持续能力评价指标调查量表
Figure GDA0003768842970000071
表3调查问卷各题项描述性统计表
题项 均值 标准差
X1 3.64 0.68
X2 3.55 0.54
X3 3.24 0.53
X4 4.57 0.58
X5 4.36 0.61
X6 3.55 0.54
X7 3.53 0.55
X8 3.98 0.41
X9 3.86 0.35
X10 3.02 0.34
X11 3.86 0.52
X12 3.31 0.67
X13 3.31 0.71
X14 3.55 0.93
X15 3.29 1.01
X16 3.43 0.69
X17 3.02 0.71
X18 4.02 0.91
X19 3.79 0.86
步骤四：对所构建的结构方程模型进行分析。它包含以下几个子步骤：
(1)信度分析。计算所收集数据的科隆巴赫一致性系数(Cronbach’s)对模型的信度进行分析。计算表达式如下所示：
Figure GDA0003768842970000081
式中n表示对某一潜在变量测量调查问卷的题项数量；Xi表示第i项题项的得分值；Var(Xi)表示第i项题项得分的方差值；
Figure GDA0003768842970000082
表示所有题项得分总和的方差值。
其中，
Figure GDA0003768842970000083
Figure GDA0003768842970000084
Figure GDA0003768842970000085
根据Cronbach’s值判断信度是否达到可以接受的水平，Cronbach’sα值判断信度标准，如表4所示。
表4Cronbach’s值判断信度标准
Cronbach’sα值 信度水平 是否可接受
α≥0.7 高信度 可接受，不需修正
0.7>α≥0.35 信度尚可 尚可接受，可以修正
0.35>α 低信度 不可接受，必须修正
(2)效度分析。采用KMO(Kaiser-Meyer-Olkin)检验和Bartlett's球形检验对模型的效度进行分析。
KMO检验通过比较变量之间的相关系数，检查变量之间的相关性。KMO(Kaiser-Meyer-Olkin)检验计算公式如下：其中，
Figure GDA0003768842970000086
其中，rij表示第i项题项与第j项题项之间的相关系数，其计算公式如下所示：
Figure GDA0003768842970000087
根据KMO值判断信度是否达到可以接受的水平，KMO值判断效度标准，如表5所示。
表5 KMO值判断效度标准
KMO值 效度水平 是否可接受
KMO≥0.8 高效度 可接受，不需修正
0.8>KMO≥0.5 效度尚可 尚可接受，可以修正
0.5>KMO 低效度 不可接受，必须修正
Bartlett's球状检验用来检验各个变量是否各自独立，通过显著性数值(Sig.值)进行评价。由于根据相关系数矩阵计算得到的Bartlett统计量近似服从卡方分布，因此可以根据卡方值和自由度，查表卡方值表得到显著性值(Sig.值)。
近似卡方值计算公式，如下所示：
Figure GDA0003768842970000091
自由度计算公式，如下所示：
df＝p-n (12)
其中，p表示结构方程模型中所有参数的数量的总和，其计算公式如下所示：
Figure GDA0003768842970000092
式中n表示结构方程模型中所有测量变量的数量。
当Sig.<0.05时，说明各测量变量之间具有相关性，测量模型具有较好的效度。
(3)验证性因子分析。对模型进行验证性因子分析。
在进行验证性因子分析时，存在4个必需的基本假设，分别是：
a)误差项的均值为零，即E(εi)＝0；
b)误差项与公共因子之间不相关，即cov(εi,ξj)＝0；
c)误差项之间不相关，即cov(εi,εj)＝0；
d)测量变量X与因子都是中心化的，即E(xi)＝0，E(ξj)＝0。
针对无人机系统保障能力结构方程模型，仅存在测量变量x的协方差，得到待估计模型的总体协方差矩阵∑(θ)的参数表达式，如下所示：
∑(θ)＝E(XX′)＝ΛxΦΛ′x+Eε (14)
其中，
∧x为因子负载矩阵。
Figure GDA0003768842970000101
式中矩阵元素λij代表测量变量Xi在外生潜在变量ξi上的因子载荷。
Φ为潜在变量之间的协方差矩阵。
Figure GDA0003768842970000102
式中矩阵Φ为三角阵，对角线上元素是潜在变量的方差Var(ξi)，其余为潜在变量ξi与潜在变量ξj之间的协方差Cov(ξi,ξj)。
Eε为测量变量误差的协方差矩阵。
Figure GDA0003768842970000103
由于各个测量变量的误差之间不相关，因此该矩阵为对角阵，只需要对对角线上元素进行估计即可，对角线上元素是各个测量变量误差的方差值。
模型的估计是通过运用最大似然估计方法，估计出使得
Figure GDA0003768842970000104
的值最小化的模型参数
Figure GDA0003768842970000105
似然函数FML如下所示：
Figure GDA0003768842970000106
式中S表示样本协方差矩阵；
Figure GDA0003768842970000107
表示估计模型协方差矩阵；p表示外生测量变量x总数；q表示内生测量变量η总数。
由于通过估计得到的模型参数估计值是非标准化的，非标准化的因子载荷λij，不能对测量变量与因子之间进行因子载荷大小的比较，因此需要用标准化的测量变量和潜在变量，计算完全标准化估计值，标准化因子载荷估计值λ′ij，计算方法如下所示：
Figure GDA0003768842970000108
对于同一潜在变量下的不同测量变量，计算不同测量变量对公共因子的影响程度，将观测变量xi对潜在变量ξj的影响程度权重设为ωij，计算公式如下所示：
Figure GDA0003768842970000109
最后需要对模型进行评估，检验整个假设模型与样本数据拟合情况，采用绝对拟合度指标对模型拟合程度进行评价，常用绝对拟合度指标及其标准，如表6所示。
表6绝对拟合度指标及其标准
指标名称 指标含义 标准
χ<sup>2</sup>/df 卡方自由度比值 1≤χ<sup>2</sup>/df≤3
GFI 比较适配度指标 GFI＞0.9
RMSEA 渐进残差均方和平方差 RMSEA＜0.08
【示例】(接步骤三示例)本方法以某一无人机系统为例，进一步作详细的说明。
(1)根据步骤三所收集的数据，进行信度分析，各测量模型量表的Cronbach’s值如表7所示。
表7无人机系统保障能力评价量表信度分析
潜在变量 题项数 Cronbach’sα 信度水平
飞机分系统持续能力 4 0.879 高信度
地面站分系统持续能力 3 0.939 高信度
数据链路分系统持续能力 5 0.859 高信度
保障分系统保障能力 7 0.963 高信度
WRJ系统保障能力 19 0.956 高信度
从信度分析的结果可以看出，该无人机系统保障能力评价指标调查量表具有较高的可靠性和稳定性。
(2)根据步骤三所收集的数据，进行效度分析，各测量模型量表的KMO值和显著性指标，如表8所示。
表8各保障能力调查量表KMO与Bartlett检验效度分析
Figure GDA0003768842970000111
注：*表示显著性水平为0.05；**表示显著性水平为0.01；***表示显著性水平为0.001。
(3)针对WRJ系统保障能力结构方程模型，利用AMOS统计工具，对其进行验证性因子分析，得到标准化因子载荷估计结果如表9所示。
表9无人机系统保障能力结构方程标准化载荷
Figure GDA0003768842970000112
Figure GDA0003768842970000121
其中路径γ1，γ2，γ3，γ4的路径系数分别是0.706，0.768，0.568，0.894均大于0.5且有较高显著性，因此验证结构方程模型影响关系假设均可接受。
根据
Figure GDA0003768842970000122
计算无人机系统保障能力评价指标的影响权重，如表10所示。
表10无人机系统保障能力评价指标体系指标影响权重
Figure GDA0003768842970000123
Figure GDA0003768842970000131
步骤五：构建基于条件证据网络的保障能力评估模型。它包含以下几个子步骤：
(1)建立无人机系统保障能力证据网络模型。根据无人机系统保障能力结构方程模型，建立无人机保障能力证据网络模型。
无人机保障能力证据网络模型是一种有向无环图模型，由代表变量的节点、连接节点的有向连接线以及节点间影响强度相关参数组成，连接线方向表示了节点之间的因果关系，由原因节点指向结果节点，基本证据网络模型，如图8所示，其形式化表示为：
EN＝{(N,A),B}
式中N表示节点的集合N＝{(X,Y,Z}；A为节点间有向连接线集合A＝{(X,Z),(Y,Z)}；B为节点间影响强度系数集合B＝{ωXZ,ωYZ}。
以条件信度函数作为参数，构建基于条件证据网络的保障能力评估模型。
假设有识别框架为Θ，基本信度分配为m的条件信度证据网络模型，对于
Figure GDA0003768842970000132
Figure GDA0003768842970000133
条件基本可信度为：
Figure GDA0003768842970000134
那么，定义条件信度函数Bel(B|A)，条件似然函数Pl(B|A)表达式，分别如下所示：
Figure GDA0003768842970000135
Figure GDA0003768842970000136
由指标X到分系统保障能力ξ进行正向推理，若X、ξ的识别框架分别是Θx、Θξ，
Figure GDA0003768842970000137
得到指标X在x条件下到ξ的条件信度函数Belξ(ξ|x)，条件似然函数Plξ(ξ|x)，条件信度分配函数mξ(ξ|x)，计算表达式如下所示：
Figure GDA0003768842970000138
Figure GDA0003768842970000139
Figure GDA00037688429700001310
同理，由分系统保障能力ξ到系统保障能力η进行正向推理，得到：
Figure GDA00037688429700001311
Figure GDA00037688429700001312
Figure GDA0003768842970000141
如果将已知的各节点的状态或信度分布信息，记为m0(x)，
Figure GDA0003768842970000142
m0(ξ)，
Figure GDA0003768842970000143
那么对
Figure GDA0003768842970000144
信度分布如下所示：
Figure GDA0003768842970000145
Figure GDA0003768842970000146
(2)计算底层指标能力需求满足度信度分布。根据保障能力影响因素结构特征，按照望大型、望小型两类指标分别计算各测量指标的能力实际测量值与能力需求理想值的匹配程度
Figure GDA0003768842970000147
望大类指标能力实际测量值与能力需求理想值的匹配度为：
Figure GDA0003768842970000148
式中c表示测量指标实际测量值；ch表示能力需求理想值；cl表示能力需求最低值。
望小类指标能力实际测量值与能力需求理想值的匹配度为：
Figure GDA0003768842970000149
模型中各节点的状态分为满足与不满足两个状态，分别用“1”和“0”表示，以此来确定无人机系统保障能力评估模型的各层次能力识别框架。
根据能力实际测量值与能力需求理想值的匹配度，将ε(c)设为能力实际测量值的可信度，计算能力需求满足度的信度分布如下所示：
Figure GDA00037688429700001410
Figure GDA00037688429700001411
m0(Θ)＝1-ε(c) (33)
式中m0(c＝1)表示实际能力指标满足需求的信度；m0(c＝0)表示实际能力指标不满足需求的信度；m0(Θ)表示为分配给不确定认知的信度。
(3)计算无人机系统保障能力。根据底层指标能力满足度信度分布和证据网络模型，计算各分系统保障能力需求满足度，通过正向合成计算无人机系统保障能力。
【示例】(接步骤四示例)本方法以某一无人机系统为例，进一步作详细的说明。针对该无人机系统保障能力建立证据网络模型，如图9所示。其表达式为EN＝{(24,23),W1,W2,W3,W4,Wη}，其中变量节点为24个，节点间有向连接线23条，节点之间的影响强度关系分别为B＝{W1,W2,W3,W4,W}。
该无人机系统保障能力评价指标体系中的测量指标进行实际测量的实际指标情况如表11所示。其中，根据实际使用情况的人为操作、使用环境影响不同，存在不确定性，因此对不确定的测量指标设置的可信度。
表11无人机系统保障能力测量情况
Figure GDA0003768842970000151
分析计算各分系统的保障能力测量指标需求满足度的信度分布，如表12所示。
表12各分系统的保障能力测量指标需求满足度的信度分布
指标 m<sub>0</sub>(c＝1) m<sub>0</sub>(c＝0) m<sub>0</sub>(c＝Θ)
X1锂电池循环寿命 1 0 0
X2最大抵抗风速 1 0 0
X3受油充电时间 1 0 0
X4载荷装载拆卸时间 1 0 0
X5展开时间 1 0 0
X6撤收时间 0.45 0.45 0.1
X7异常报警返航响应时间 1 0 0
X8接口标准率 0.3 0.7 0
X9链路建立(恢复)时间 1 0 0
X10无遮挡传输距离 0.95 0 0.05
X11故障信息准确率 0.25 0.75 0
X12端到端最低延迟 1 0 0
X13转场质量 1 0 0
X14转场体积 1 0 0
X15基地级设施与任务地点间距离 0.6 0.4 0
X16保障设备标准率 1 0 0
X17专业保障人员数量 1 0 0
X18保障工作计划可持续时间 0.5 0.4 0.1
X19备件储备数量 1 0 0
通过条件证据网络正向推理算法，计算各分系统保障能力信度分布，计算结果如表13所示。
Eg：m(ξ1＝1)＝m0(X1＝1，X2＝1，x3＝1，X4＝1)m(ξ1＝1|X1＝1，X2＝1，X3＝1，X4＝1)＝1
m(ξ2＝1)＝m0(X5＝1，X6＝1，X7＝1)m(ξ2＝1|X5＝1，X6＝1，X7＝1)+m0(X5＝1，X6＝0，X7＝1)m(ξ2＝1|X5＝1，X6＝0，X7＝1)
＝1×0.45×1×0.9+1×0.45×1×0.585＝0.6683
表13无人机分系统保障能力需求满足度信度分布
能力 权重 m(c＝1) m(c＝0) m(c＝Θ)
ξ<sub>1</sub>飞机分系统保障能力 0.240 1 0 0
ξ<sub>2</sub>地面站分系统保障能力 0.262 0.6683 0.2317 0.1
ξ<sub>3</sub>数据链路分系统保障能力 0.193 0.6218 0.3282 0.05
ξ<sub>4</sub>保障分系统保障能力 0.304 0.7106 0.1894 0.1

Claims (1)

1.一种基于证据网络的无人机系统保障能力评估方法， 其特征在于，包括如下步骤：
步骤一：构建无人机系统评价体系，包含以下几个子步骤：
(1)基于结构方程的保障能力分解：根据无人机系统结构组成、维修保障流程将无人机系统的保障能力进行分解；
(2)构建无人机系统评价指标体系：结合无人机系统保障能力分解与指标选取原则，以无人机系统保障能力为顶层指标，可测量指标为底层指标，建立无人机系统保障能力评价指标体系；
步骤二：构建无人机系统保障能力评价结构方程模型，包含以下几个子步骤：
(1)参数确定：根据上一步骤建立的无人机系统保障能力评价指标体系确定无人机系统保障能力评价结构方程模型中的所有参数；
(2)影响关系假设：根据上一步骤所建立的无人机系统保障能力评价指标体系对结构方程模型中选取的潜在变量的影响关系进行假设；
(3)模型构建：基于本步骤中步骤(1)和(2)确定的参数和影响关系，构建一个二阶无人机系统保障能力评价结构方程模型；
步骤三：收集数据；
通过调查问卷的形式收集数据，处理依据无人机系统保障能力评价指标体系所构建的结构方程模型；
步骤四：对所构建的结构方程模型进行分析，包含以下几个子步骤：
(1)信度分析：对数据的信度进行分析；
(2)效度分析：对数据的效度进行分析；
(3)验证性因子分析：对模型进行验证性因子分析；
步骤五：构建基于条件证据网络的保障能力评估模型，包含以下几个子步骤：
(1)建立无人机系统保障能力证据网络模型：根据无人机系统保障能力结构方程模型，建立无人机保障能力证据网络模型，以条件信度函数作为参数，构建基于条件证据网络的保障能力评估模型,其具体步骤如下：
无人机保障能力证据网络模型是一种有向无环图模型，由代表变量的节点、连接节点的有向连接线以及节点间影响强度相关参数组成，连接线方向表示节点之间的因果关系，由原因节点指向结果节点，其形式化表示为：
EN＝{(N，A)，B}
式中N表示节点的集合N＝{(X，Y，Z}；A为节点间有向连接线集合A＝{(X，Z)，(Y，Z)}；B为节点间影响强度系数集合B＝{ωXZ，ωYZ}；
假设有识别框架为Θ，基本信度分配为m的条件信度证据网络模型，
Figure FDA00037688429600000216
条件基本可信度为：
Figure FDA0003768842960000021
那么，定义条件信度函数Bel(B|A)，条件似然函数Pl(B|A)表达式，分别如下所示：
Figure FDA0003768842960000022
Figure FDA0003768842960000023
由指标X到分系统保障能力ξ进行正向推理，若X、ξ的识别框架分别是Θx、Θξ，
Figure FDA0003768842960000024
得到指标X在x条件下到ξ的条件信度函数Belξ(ξ|x)，条件似然函数Plξ(ξ|x)，条件信度分配函数mξ(ξ|x)，计算表达式如下所示：
Figure FDA0003768842960000025
Figure FDA0003768842960000026
Figure FDA0003768842960000027
同理，由分系统保障能力ξ到系统保障能力η进行正向推理，得到：
Figure FDA0003768842960000028
Figure FDA0003768842960000029
Figure FDA00037688429600000210
如果将已知的各节点的状态或信度分布信息，记为m0(x)，
Figure FDA00037688429600000211
m0(ξ)，
Figure FDA00037688429600000212
那么对
Figure FDA00037688429600000213
信度分布如下所示：
Figure FDA00037688429600000214
Figure FDA00037688429600000215
(2)计算底层指标能力需求满足度信度分布：根据保障能力影响因素结构特征，按照望大型、望小型两类指标分别计算各测量指标的能力实际测量值与能力需求理想值的匹配程度；
(3)计算无人机系统保障能力：根据底层指标能力满足度信度分布和证据网络模型，计算各分系统保障能力需求满足度，通过正向合成计算无人机系统保障能力。
CN202010663738.1A 2020-07-10 2020-07-10 一种基于证据网络的无人机系统保障能力评估方法 Active CN111950850B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010663738.1A CN111950850B (zh) 2020-07-10 2020-07-10 一种基于证据网络的无人机系统保障能力评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010663738.1A CN111950850B (zh) 2020-07-10 2020-07-10 一种基于证据网络的无人机系统保障能力评估方法

Publications (2)

Publication Number Publication Date
CN111950850A CN111950850A (zh) 2020-11-17
CN111950850B true CN111950850B (zh) 2022-11-01

Family

ID=73340333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010663738.1A Active CN111950850B (zh) 2020-07-10 2020-07-10 一种基于证据网络的无人机系统保障能力评估方法

Country Status (1)

Country Link
CN (1) CN111950850B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113742928A (zh) * 2021-09-08 2021-12-03 上海对外经贸大学 基于技术接受模型的服务机器人接受度检验方法
CN114355987A (zh) * 2022-01-19 2022-04-15 北京航空航天大学 一种基于弹性重要度的无人机编队重构方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10158649B2 (en) * 2013-08-20 2018-12-18 Nokia Technologies Oy Method and apparatus for privacy-enhanced evidence evaluation
CN108830382A (zh) * 2018-05-31 2018-11-16 上海电力学院 一种基于动态证据网络的dcs可靠性评价方法
CN109523032B (zh) * 2018-12-04 2021-09-17 中国人民解放军国防科技大学 基于独立性分析与测试的设备参数监测证据网络构建方法
CN109814537B (zh) * 2019-03-01 2022-02-11 中国航空无线电电子研究所 一种无人机地面站健康评估方法

Also Published As

Publication number Publication date
CN111950850A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
KR102361343B1 (ko) 중약 생산 과정 지식 시스템 및 중약 생산 과정 제어 방법
CN107576920B (zh) 一种基于模糊多属性评价的卫星电源健康度计算方法
CN110196814B (zh) 一种软件质量评价方法
CN111950850B (zh) 一种基于证据网络的无人机系统保障能力评估方法
US20120304008A1 (en) Supervised fault learning using rule-generated samples for machine condition monitoring
CN110348752B (zh) 一种考虑环境干扰的大型工业系统结构安全性评估方法
CN104461896B (zh) 基于可信属性的航天系统关键软件评价方法
CN116150897A (zh) 一种基于数字孪生的机床主轴性能测评方法及系统
Rufo et al. Log-linear pool to combine prior distributions: A suggestion for a calibration-based approach
CN106021062A (zh) 关联故障的预测方法和系统
WO2022147853A1 (zh) 一种基于混合预测模型的复杂装备电源组故障预测方法
CN112632765B (zh) 一种加权和法与sem法结合的作战能力评估方法
CN103678886B (zh) 一种基于地面测试数据的卫星贝叶斯网络健康确定方法
CN107295537A (zh) 一种测评无线传感器网络可靠性的方法及系统
CN107025169A (zh) 一种基于贝叶斯网络推理的软件错误分层诊断方法
CN113295421A (zh) 基于改进冲突系数和信度熵的发动机故障诊断方法
CN105488270A (zh) 一种变压器结构性故障诊断多属性综合方法
CN105741184A (zh) 一种变压器状态评估方法及装置
CN115563887A (zh) 基于多源信息融合的弹药可靠性评估方法及系统
Goel et al. Empirical investigation of metrics for fault prediction on object-oriented software
CN112307648A (zh) 一种卫星通信系统可靠性模型的评估方法
CN112906746A (zh) 一种基于结构方程模型的多源航迹融合评估方法
CN112907058A (zh) 一种基于直觉模糊网络层次分析的决策评估方法
Cai et al. Research on reliability model evaluation of satellite communication system
Hao et al. Review on Verification and Validation technology in integrated health management system

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