CN111967220A - 一种基于数字孪生模型随机行为潜在问题检测方法及系统 - Google Patents
一种基于数字孪生模型随机行为潜在问题检测方法及系统 Download PDFInfo
- Publication number
- CN111967220A CN111967220A CN202010842060.3A CN202010842060A CN111967220A CN 111967220 A CN111967220 A CN 111967220A CN 202010842060 A CN202010842060 A CN 202010842060A CN 111967220 A CN111967220 A CN 111967220A
- Authority
- CN
- China
- Prior art keywords
- probability
- random behavior
- random
- connection matrix
- occurrence
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic 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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明涉及一种基于数字孪生模型随机行为潜在问题检测方法及系统,该方法包括建立电路系统的数字孪生几何模型;根据数字孪生几何模型构建连接矩阵;根据数字孪生几何模型确定存在随机行为的元器件、元器件的随机行为模式和随机行为模式发生的概率;根据元器件的随机行为模式、随机行为模式发生的概率和接矩阵构建连接矩阵集;通过深度优先算法,搜索连接矩阵集下的潜在通路;计算各潜在通路的发生概率。通过各潜在通路的发生概率,为电路系统的维修维护提供了依据。
Description
技术领域
本发明涉及可靠性分析技术领域,特别是涉及一种基于数字孪生模型随机行为潜在问题检测方法及系统。
背景技术
国内外研究表明大型复杂系统之中不可避免地普遍存在潜在问题,而且潜在问题是非设计预期的特定条件下激发的一类问题,用常规的检测方法和可靠性分析方法很难发现这类问题,具有很高的隐蔽性。潜在问题一旦被激发,其产生的后果往往是灾难性的,对系统造成很高的危害。潜在问题是系统的复杂性和设计人员有限把握能力之间矛盾斗争的必然结果。试想一下,如果在设计阶段,就能利用计算机技术与人工智能与机器学习技术对大型复杂电路系统进行仿真建模,必将可以有效识别潜在问题,避免由潜在问题被激发带来的一系列灾难性后果。
电路系统受内在机理变化、性能退化、以及环境改变等因素影响,部分元器件的功能行为表现出一定的随机性。例如:脱插元件,受其机理影响,在脱插分离过程中表现出一定的随机性,红石火箭第59次发射时点火成功而后又关机的现象就是因为控制插头比尾部插头晚脱落29m造成的,这种脱落时序的不一致也是脱插插头元器件本身的随机性造成的。再比如,设备受使用次数、使用时间的累积,其性能在运行过程中将不可避免的发生劣化,以至于导致其失效或故障发生概率存在且随之增加,这些都会加大潜在问题发生的概率。现有的潜在问题分析方法假设绝对与元器件失效无关,在特定条件下会导致系统期望功能被非预期地抑制或非期望功能被非预期的激发的一类问题,忽略了元件随机行为所带来的潜在问题。因此,建立大型复杂电路系统数字孪生模型,综合考虑元器件随机行为,给出潜在问题发生的概率估计并对其安全性进行定量评估,是装备寿命周期性能可靠控制的一个重要研究内容,是保障装备安全可靠工作的重要技术保障。
发明内容
基于此,本发明的目的是提供一种基于数字孪生模型随机行为潜在问题检测方法及系统,给出了随机行为潜在问题发生概率的计算方法,为维修维护提供了依据。
为实现上述目的,本发明提供了如下方案:
一种基于数字孪生模型随机行为潜在问题检测方法,所述方法包括:
建立电路系统的数字孪生几何模型;
根据所述数字孪生几何模型构建连接矩阵;
根据所述数字孪生几何模型确定存在随机行为的元器件、所述元器件的随机行为模式和所述随机行为模式发生的概率;
根据所述元器件的随机行为模式、所述随机行为模式发生的概率和所述连接矩阵构建连接矩阵集;
通过深度优先算法,确定所述连接矩阵集下的潜在通路;
计算各所述潜在通路的发生概率。
可选地,所述连接矩阵表示为:
可选地,所述随机行为模式发生的概率表示为:
仅存在性能退化数据的模式时:
仅存在失效数据的模式时:
同时具有失效数据与退化数据的模式时:
可选地,各所述随机行为模式组合中潜在通路的发生概率为:
本发明还提供了一种基于数字孪生模型随机行为潜在问题检测系统,所述系统包括:
数字孪生几何模型建立模块,用于建立电路系统的数字孪生几何模型;
连接矩阵构建模块,用于根据所述数字孪生几何模型构建连接矩阵;
元器件确定模块,用于根据所述数字孪生几何模型确定存在随机行为的元器件、所述元器件的随机行为模式和所述随机行为模式发生的概率;
连接矩阵集构建模块,用于根据所述元器件的随机行为模式、所述随机行为模式发生的概率和所述连接矩阵构建连接矩阵集;
潜在通路确定模块,用于通过深度优先算法,搜索所述连接矩阵集下的潜在通路;
发生概率确定模块,用于计算各所述潜在通路的发生概率。
可选地,所述连接矩阵表示为:
可选地,所述随机行为模式发生的概率表示为:
仅存在性能退化数据的模式时:
仅存在失效数据的模式时:
同时具有失效数据与退化数据的模式时:
可选地,各所述随机行为模式组合中潜在通路的发生概率为:
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:
本发明公开了一种基于数字孪生模型随机行为潜在问题检测方法及系统,该方法包括建立电路系统的数字孪生几何模型;根据数字孪生几何模型构建连接矩阵;根据数字孪生几何模型确定存在随机行为的元器件、元器件的随机行为模式和随机行为模式发生的概率;根据元器件的随机行为模式、随机行为模式发生的概率和接矩阵构建连接矩阵集;通过深度优先算法,搜索连接矩阵集下的潜在通路;计算各潜在通路的发生概率。通过各潜在通路的发生概率,为电路系统的维修维护提供了依据。
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为本发明一种基于数字孪生模型随机行为潜在问题检测方法流程示意图;
图2为本发明连接矩阵集中随机行为模式组合示意图;
图3为本发明红石火箭点火/关机电路原路图;
图4为本发明红石火箭点火/关机节点、支路与网孔集合示意图;
图5为本发明简化后的红石火箭点火/关机节点、支路与网孔集合示意图;
图6为本发明脱落插头3寿命PDF;
图7为本发明脱落插头3寿命CDF;
图8为本发明红石火箭点火/关机时序类潜在通路;
图9为本发明脱落插头提前脱落引起潜通路的安全风险;
图10为本发明一种基于数字孪生模型随机行为潜在问题检测系统结构示意图。
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数字孪生模型随机行为潜在问题检测方法及系统,给出了随机行为潜在问题发生概率的计算方法,为维修维护提供了依据。
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。
如图1所示,本发明公开了一种基于数字孪生模型随机行为潜在问题检测方法,所述方法包括:
步骤101:建立电路系统的数字孪生几何模型。
步骤102:根据所述数字孪生几何模型构建连接矩阵。
步骤103:根据所述数字孪生几何模型确定存在随机行为的元器件、所述元器件的随机行为模式和所述随机行为模式发生的概率。
步骤104:根据所述元器件的随机行为模式、所述随机行为模式发生的概率和所述连接矩阵构建连接矩阵集。
步骤105:通过深度优先算法,搜索所述连接矩阵集下的潜在通路。
步骤106:计算各所述潜在通路的发生概率。
下面结合红石火箭点火/关机电路原路图(如图3所示)对本实施例作进一步地详细说明。
其中,步骤101具体包括:
根据电路原理图获取所有元器件集合及节点集合。
按支路集合构造算法构造电路中所有的支路集合。
根据电路图最小生成树构造算法构造电路的最小生成树,并获取电路中所有的网孔集合。
根据元器件集合、节点集合、支路集合和网孔集合四种电路结构,建立电路系统数字孪生几何模型。
其中,支路是由满足以下两种条件之一的两条管脚所构成对象:①同一元件的两条不同管脚;②具有电气连通关系的两个单端元件的两条管脚。
节点是连接到同一导线的两个或多个管脚的虚拟连接点。
网孔为电路中的闭合回路。对于电路中的支路集合B与节点集合N,每个网孔都对应于(B,N)的一个子集。
对于给定的电路图,可按前述方法确定支路集合与节点集合,并可借助图论中相关方法求出网孔集合。在图论中基于生成子树的概念生成最小回路,与之相对应,定义电路图中的最小生成树如下。
若树T是n个节点的电路图G的一颗生成树,则T是G的一个生成子图且是一棵树,其中树T的描述形式可为:①T连通且无网孔;②T的任意两个节点之间有唯一的通路;③T连通且有n-1条支路;④T无网孔,且若T添加上任意一条支路后则恰有一个网孔;⑤T连通,且若T去掉任意一条支路后不连通,则T为G的最小生成树。
基于最小生成树定义求取给定电路图网孔集合算法如下:
S1:置网孔集合M为空;
S2:基于克鲁斯尔算法,由电路图所有支路集合B与节点集合N求得一个最小生成树T及与之相对应的剩余支路集合BR;
S3:依次取出BR中的支路,添加到T中构成一个网孔,并将该网孔添加到M,则M为所求。
对于任意给定的电路原理图G=(U,C),可根据C求得节点集合N,根据U与C求得支路集合B,并根据B与N求得网孔集合M。求得的节点集合N、支路集合B和网孔集合M及其相互连接关系即为电路系统数字孪生几何模型Gv。
图4为本实施例支路、节点和网孔示意图。进一步根据图4可以得到简化后的红石火箭点火/关机节点、支路与网孔集合示意图,如图5所示的电路系统。
其中,步骤102具体包括:
按照由电源到地(或从电源正极到负极),假设存在m个节点,对电路中所有的节点从1到m进行编号,那么连接矩阵A具有如下形式:
其中,aij∈[0,1],若aij=0则表示从节点i到节点j为断路,若aij=1则表示为通路。
本实施中根据图5建立即可得到红石火箭点火/关机电路的连接矩阵,如下:
其中,步骤103具体包括:
选定可能存在随机行为的薄弱元器件,并给出随机行为模式与其发生概率。根据元器件历史随机情况(例如失效模式)与专家经验知识,选定电路中薄弱件及其随机行为模式。下面以随机失效行为为例,考虑以下三类情况:
情况一:仅存在性能退化数据的情况
其中,Fi(t)表示第i个元器件随机行为概率随时间t变化的函数,μi表示漂移系数,σi表示扩展系数,ξ表示失效阈值和xi,0表示退化初值。值得注意的是,μi和σi需要通过退化数据来估计,其估计值分别为:
情况二:仅存在失效数据的情况
情况三:同时具有失效数据与退化数据的情况
值得注意的是,μi和σi可根据极大似然估计求得,其中似然函数为:
根据上述Fi(t)公式及各种情况下μi和σi的取值,计算每个薄弱元器件的失效模式与失效概率函数,假设共有N个薄弱元器件,编号分别为1到N,每个元器件分别具有M1,M2,...,MN种失效模式,那么第i个元器件第j种失效模式的发生概率随时间变化函数为Fi,j(t)。
本实施例中在红石火箭点火/关机电路中,脱落插头是其中一个主要的薄弱环节,其真实脱落时间与预期时间存在可能会一定的偏差,若某一脱落插头提前脱落,那么相当于脱落插头所在回路断开,则可能会导致潜在通路接通。在实际测试、训练以及试验中,脱落插头会随着其使用次数发生退化和劣化,最终导致发生提前脱落故障。本发明于脱落插头3为例予以说明,不妨假设若脱落插头提前5ms脱落,即认为原电路存在潜在通路如图8所示。假设脱落插头寿命试验结果如下表1所示,反映了8个脱落插头发生提前脱落故障的使用次数:
表1脱落插头退化数据
其中,步骤104具体包括:
考虑电路中所有元件的随机失效模式组合,并重新构造其所对应的电路连接矩阵。值得注意的是,若有N个薄弱元件件,且第i个元器件具有Mi种失效模式,那么一共有种组合,如图2所示。图2中,mi,j表示第i个元器件第j种工作模式,其中j=0表示正常工作状态。如前面分析可知,由于元器件工作状态的不同,一共有种组合情况,那么可定义每种组合下的连接矩阵集分别为{A1,.A2,...,AH}。
本实施例中根据陀螺插头3断路故障,重新构建连接矩阵如下:
其中,步骤105具体包括:
通过深度优先算法,按照由电源到地,以及由电源到电源,分别搜索每种连接矩阵集下潜在通路问题,即系统期望功能被非预期地抑制或非期望功能被非预期地激发的问题,具体来说主要搜索三类潜在通路:一是激发预定功能外的潜在通路;未激发系统期望功能的预定通路;三是激发已知、非期望的故障通路。
本实施例中根据深度优先算法,便可得到从电源正极到负极的所有可能路径如下:
A1={1 2 5 0 0 0},
A2={1 2 6 4 3 5},
A3={1 4 3 5 0 0},
A4={1 4 6 2 5 0},
可以发现,其中第二条路径A2是设定功能外的通路,其具体路径如图8所示。
其中,步骤106具体包括:
通过之前给出的失效概率随时间变化函数,给出每种连接矩阵集下潜在通路发生概率随时间变化函数,例如第k个故障矩阵集Ak下潜在问题概率记为:
注意到由于公式Fi(t)为时变的,那么pk也应是关于时间t的函数,记为pk(t)。
基于专家知识的潜在通路危险性评估
定义Dk表示第k个故障矩阵集Ak下潜在问题的危害程度评价等级(共计L1个等级),假设存在L2个专家进行评分,结果如下:
S(xk)={(Dk,i′,βi′,j′),i′=1,2,...,L1,j′=1,2,...L2}。
应用ER算法来融合所有的属性,获取最终的评估结果为如下信度分布形式:S(xk)={(Dk,i′,βi′),i′=1,2,...,L1}。
安全性风险评估
根据以下公式便可得到安全风险水平,任意第k条潜在通路随时间变化的的安全风险水平为:
本实施例中假设共有5位专家对此潜在通路危险性进行评估,且其权重相同,评估结果如表2:
表2潜在通路危险性结果
根据ER证据理论,便可得到融合后的结果如表3:
表3最终评估结果
危害程度 | 严重5 | 很高4 | 一般3 | 轻微2 | 无1 |
置信度 | 0.9744 | 0.0256 | 0.0 | 0.0 | 0.0 |
根据公式得到该类潜在通路安全风险水平随使用次数变化如图9所示。在图9中,曲实线表示了该潜在通路随使用次数的增加安全风险的变化情况,由图9可以发现是,随使用次数的增加,安全风险逐渐变大。若给定可接受的安全风险值等于2(如图9中虚直线所示),那么可得出,若使用次数超过1832次,安全风险超出可接受值。
以上所述,仅为本发明的具体实施案例,本发明的保护范围并不局限于此,任何熟悉本技术的技术人员在本发明所述的技术规范内,对本发明的修改或替换,都应在本发明的保护范围之内。
本发明还公开了一种基于数字孪生模型随机行为潜在问题检测系统,所述系统包括:
数字孪生几何模型建立模块201,用于建立电路系统的数字孪生几何模型;
连接矩阵构建模块202,用于根据所述数字孪生几何模型构建连接矩阵;
元器件随机行为模式及概率确定模块,用于根据所述数字孪生几何模型确定存在随机行为的元器件、所述元器件的随机行为模式和所述随机行为模式发生的概率;
连接矩阵集构建模块203,用于根据所述元器件的随机行为模式、所述随机行为模式发生的概率和所述连接矩阵构建连接矩阵集;
潜在通路确定模块,用于通过深度优先算法,确定所述连接矩阵集下的潜在通路;
发生概率确定模块204,用于计算各所述潜在通路的发生概率。
所述连接矩阵表示为:
所述随机行为模式包括:仅存在性能退化数据的模式、仅存在失效数据的模式和同时具有失效数据与退化数据的模式;
Fi(t)表示第i个元器件随机行为发生的概率随时间t变化的函数,
所述仅存在性能退化数据的模式时:
所述仅存在失效数据的模式时:
所述同时具有失效数据与退化数据的模式时:
各所述随机行为模式组合中潜在通路的发生概率为:
本发明公开了一种基于数字孪生模型随机行为潜在问题检测方法及系统,该方法包括建立电路系统的数字孪生几何模型;根据数字孪生几何模型构建连接矩阵;根据数字孪生几何模型确定存在随机行为的元器件、元器件的随机行为模式和随机行为模式发生的概率;根据元器件的随机行为模式、随机行为模式发生的概率和接矩阵构建连接矩阵集;通过深度优先算法,搜索连接矩阵集下的潜在通路;计算各潜在通路的发生概率。通过各潜在通路的发生概率,为电路系统的维修维护提供了依据。
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。
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 (10)
1.一种基于数字孪生模型随机行为潜在问题检测方法,其特征在于,所述方法包括:
建立电路系统的数字孪生几何模型;
根据所述数字孪生几何模型构建连接矩阵;
根据所述数字孪生几何模型确定存在随机行为的元器件、所述元器件的随机行为模式和所述随机行为模式发生的概率;
根据所述元器件的随机行为模式、所述随机行为模式发生的概率和所述连接矩阵构建连接矩阵集;
通过深度优先算法,确定所述连接矩阵集下的潜在通路;
计算各所述潜在通路的发生概率。
6.一种基于数字孪生模型随机行为潜在问题检测系统,其特征在于,所述系统包括:
数字孪生几何模型建立模块,用于建立电路系统的数字孪生几何模型;
连接矩阵构建模块,用于根据所述数字孪生几何模型构建连接矩阵;
元器件随机行为模式及概率确定模块,用于根据所述数字孪生几何模型确定存在随机行为的元器件、所述元器件的随机行为模式和所述随机行为模式发生的概率;
连接矩阵集构建模块,用于根据所述元器件的随机行为模式、所述随机行为模式发生的概率和所述连接矩阵构建连接矩阵集;
潜在通路确定模块,用于通过深度优先算法,确定所述连接矩阵集下的潜在通路;
发生概率确定模块,用于计算各所述潜在通路的发生概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010842060.3A CN111967220B (zh) | 2020-08-20 | 2020-08-20 | 一种基于数字孪生模型随机行为潜在问题检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010842060.3A CN111967220B (zh) | 2020-08-20 | 2020-08-20 | 一种基于数字孪生模型随机行为潜在问题检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111967220A true CN111967220A (zh) | 2020-11-20 |
CN111967220B CN111967220B (zh) | 2022-02-08 |
Family
ID=73388736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010842060.3A Active CN111967220B (zh) | 2020-08-20 | 2020-08-20 | 一种基于数字孪生模型随机行为潜在问题检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967220B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107742046A (zh) * | 2017-11-08 | 2018-02-27 | 哈尔滨工业大学 | 一种考虑继电器类单机贮存退化的潜通路分析方法 |
US20190138926A1 (en) * | 2017-12-22 | 2019-05-09 | Beihang University | Degradation modeling and lifetime prediction method considering effective shocks |
CN110276147A (zh) * | 2019-06-24 | 2019-09-24 | 广东工业大学 | 一种基于数字孪生模型的制造系统故障溯源方法、系统 |
US20190294975A1 (en) * | 2018-03-21 | 2019-09-26 | Swim.IT Inc | Predicting using digital twins |
CN111104768A (zh) * | 2019-12-23 | 2020-05-05 | 中国人民解放军火箭军工程大学 | 一种基于数字孪生模型的时序类潜在问题识别方法及系统 |
-
2020
- 2020-08-20 CN CN202010842060.3A patent/CN111967220B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107742046A (zh) * | 2017-11-08 | 2018-02-27 | 哈尔滨工业大学 | 一种考虑继电器类单机贮存退化的潜通路分析方法 |
US20190138926A1 (en) * | 2017-12-22 | 2019-05-09 | Beihang University | Degradation modeling and lifetime prediction method considering effective shocks |
US20190294975A1 (en) * | 2018-03-21 | 2019-09-26 | Swim.IT Inc | Predicting using digital twins |
CN110276147A (zh) * | 2019-06-24 | 2019-09-24 | 广东工业大学 | 一种基于数字孪生模型的制造系统故障溯源方法、系统 |
CN111104768A (zh) * | 2019-12-23 | 2020-05-05 | 中国人民解放军火箭军工程大学 | 一种基于数字孪生模型的时序类潜在问题识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
刘丙杰 等: "图论和定性仿真相结合的潜在通路分析", 《四川兵工学报》 * |
梅义 等: "基于深度优先搜索的潜在电路计算机辅助分析法", 《中国电机工程学报》 * |
黄聪 等: "基于连接矩阵的潜在通路定性分析方法", 《计算机测量与控制》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111967220B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104768B (zh) | 一种基于数字孪生模型的时序类潜在问题识别方法及系统 | |
US8577663B2 (en) | System and methods for fault-isolation and fault-mitigation based on network modeling | |
Lefebvre et al. | Stochastic Petri net identification for the fault detection and isolation of discrete event systems | |
CN106528975A (zh) | 一种应用于电路与系统的故障预测与健康管理方法 | |
CN110018390B (zh) | 基于综合变权的分层模糊petri网电网故障诊断方法 | |
CN108767848B (zh) | 一种电力系统脆弱线路辨识及连锁故障预防方法 | |
Yu et al. | Estimating defect-type distributions through volume diagnosis and defect behavior attribution | |
CN112217668B (zh) | 基于比较模型的自适应网络故障诊断方法 | |
CN112084910A (zh) | 故障诊断方法及系统 | |
CN109766281A (zh) | 一种故障检测率下降变化的不完美调试软件可靠性模型 | |
CN111967220B (zh) | 一种基于数字孪生模型随机行为潜在问题检测方法及系统 | |
Jiazi et al. | Recovery of coupled networks after cascading failures | |
CN115550144A (zh) | 分布式故障节点预测方法、装置、电子设备及存储介质 | |
Schmidt et al. | Active diagnosis of deterministic I/O automata | |
Hu et al. | Active diagnosis of Petri nets using Q-diagnoser | |
CN112084909A (zh) | 故障诊断方法、系统及计算机可读存储介质 | |
CN111191770A (zh) | 一种基于模糊神经网络的火箭系统健康状态评估方法 | |
Su et al. | Verifying the precision of diagnostic algorithms | |
Lefebvre | Diagnosis of discrete event systems with Petri nets | |
Rahaman et al. | A Deep Neural Network Guided Testing Approach for Finite State Machines | |
CN113609299B (zh) | 一种基于类蚁群算法和特征重组的故障诊断库建立方法 | |
CN111177713B (zh) | 一种基于XGBoost的硬件木马检测方法及装置 | |
Grzechca et al. | Use of neuro-fuzzy system to time domain electronic circuits fault diagnosis | |
Xing et al. | Reliability of multi-state systems subject to competing failures | |
Cabral et al. | Conditional Synchronized Diagnoser for Modular Discrete-event Systems. |
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 |