CN112001124B - 基于er规则的船舶电力推进系统关键功能单元辨识方法 - Google Patents
基于er规则的船舶电力推进系统关键功能单元辨识方法 Download PDFInfo
- Publication number
- CN112001124B CN112001124B CN202010877992.1A CN202010877992A CN112001124B CN 112001124 B CN112001124 B CN 112001124B CN 202010877992 A CN202010877992 A CN 202010877992A CN 112001124 B CN112001124 B CN 112001124B
- Authority
- CN
- China
- Prior art keywords
- evidence
- node
- importance
- network
- centrality
- 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
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种基于ER规则的船舶电力推进系统关键功能单元辨识方法。本发明首先基于复杂网络对船舶电力推进系统进行抽象化建模,构建系统级复杂网络,并将其划分成多个模块级子网络。其次,分别计算系统级网络与模块级子网络的多个节点重要度指标,并转化为证据。然后,通过计算证据之间的支持度得到证据重要性权重,利用证据源的波动计算得到证据可靠性因子,进而通过ER规则将多个证据进行融合,得到融合后的证据。最后,建立节点重要度排序评价函数,得到节点的综合重要度。本发明在复杂网络的基础上进行船舶电力推进系统关键功能单元的评估,利用多指标的证据融合与多粒度评价提高了船舶电力推进系统的关键功能单元辨识的准确性。
Description
技术领域
本发明涉及一种基于ER规则的船舶电力推进系统关键功能单元辨识方法,属于船舶电力推进系统评估领域。
背景技术
船舶电力推进系统是现代船舶最核心的系统之一,其结构复杂,功能单元众多,主要由发电机、断路器、变频器、变压器、电动机、螺旋桨、控制系统等组成;各功能单元之间通过介质耦合关系实现联动工作,原动机主要通过柴油机或燃气轮机带动发电机发电,配电板将所发出的电进行用电分配后,传输给变压器进行调压,再输送至变频器进行整流、逆变,最终将电能传送给电动机带动螺旋桨推进船舶航行。在恶劣的海况条件下,若船舶电力推进系统发生故障,船舶可能会陷入瘫痪状态,为此,通常需要对其进行状态监测。然而,对所有功能单元进行监测成本较高,采集的数据量大,实施可操作性差。一个可行的方法是对关键功能单元进行重点监测。因此,本发明致力于找出船舶电力推进系统的关键功能单元,为有效降低该类复杂系统的监测维护成本提供依据与参考。
复杂网络作为一种新兴的理论工具,能够对复杂系统进行抽象建模,并通过分析网络特性,找出关键节点。因此,采用复杂网络对船舶电力推进系统进行建模与分析,利用复杂网络节点重要度评估手段,可以找出关键功能单元。由于复杂网络节点重要度评价指标众多,如何充分利用这些指标,提高评估决策的精确性至关重要。证据推理规则能够将各类信息(指标)转化为证据,并通过一定的规则进行有效融合,提高了决策的准确性。因此,本发明提出了一种基于证据推理规则的船舶电力推进系统关键功能单元辨识方法。
发明内容
本发明针对现有技术的不足,提出了一种基于ER规则的船舶电力推进系统关键功能单元辨识方法。
本发明首先基于复杂网络对船舶电力推进系统进行抽象化建模,构建系统级复杂网络,利用Newman快速算法将其划分成多个模块级子网络。其次,分别计算系统级网络与模块级子网络的多个节点重要度指标,并转化为证据(信度函数),然后,通过计算证据之间的支持度得到证据重要性权重,利用证据源的波动计算得到证据可靠性因子,进而通过ER规则将多个证据进行融合,得到融合后的证据。最后,根据证据建立节点重要度排序评价函数,基于此得到系统级网络与模块级网络的节点重要度排序,得到节点的综合重要度。本发明在复杂网络的基础上进行船舶电力推进系统关键功能单元的评估,利用多指标的证据融合与多粒度评价提高了船舶电力推进系统的关键功能单元辨识的准确性。
本发明包括以下步骤:
(1)对船舶电力推进系统进行抽象化建模,以各功能单元为节点,功能单元之间的关系为边,构建得到系统级复杂网络Netsystem={E,V},其中,E表示边集合,V表示节点集合。
(2)利用Newman快速算法将系统级网络进行社团划分,得到C个模块级子网络Netmoudle1,Netmoudle2,…,NetmoudleC。
(3)分别计算系统级网络与模块级网络中各个节点的节点重要度指标,包括:度中心性CD、特征向量中心性CE、介数中心性CB和接近度中心性Cc,其中节点vi的各项指标计算如下所示:
度中心性计算:
其中,N为网络含有的节点总数,ki为节点vi的度;
介数中心性计算:
其中,Bi为节点vi的介数,njl为节点vj与vl之间的最短路径条数,njl(i)为节点vj与vl之间的最短路径经过节点vi的条数;
接近度中心性计算:
其中,di,j为节点vi到节点vj的距离;
特征向量中心性计算:
Ax=λx (4a)
CE(vi)=xi (4b)
其中,A为网络的邻接矩阵。
(4)分别将系统级网络与模块级网络的各项节点重要度评价指标转化为证据,具体步骤如下:
(4-1)构建节点重要度评估模型,可构建辨识框架为{重要,不重要},数学表示为Θ={H,L},其中Θ为辨识框架,H代表重要程度,L代表不重要程度。
(4-2)将节点的度中心性、介数中心性、接近度中心性与特征向量中心性视为节点属性值,并将其转换为信度函数的形式,计算如下:
其中,n为网络中节点数量,DCmax为节点度中心性的最大值,DCmin为节点度中心性的最小值,BCmax为介数中心性的最大值,BCmin为介数中心性的最小值,CCmax为接近度中心性的最大值,CCmin为接近度中心性的最小值,ECmax为特征向量中心性的最大值,ECmin为特征向量中心性的最小值。
在公式(5)基础上构建信度函数如下:
其中,δ为可调节参数,目的是为了避免最大值最小值相同时分母出现为0的情况;m(Θ)为对辨识框架的未知程度,计算如下:
m(Θ)=1-(m(H)+m(L)) (7)
第i个节点的决策信度函数计算如下:
得到的信度函数即所需的证据。
(5)分别将系统级网络得到的证据与模块级网络得到的证据进行ER规则融合,具体步骤如下:
(5-1)获取多个证据之间的相对支持度,具体计算如下:
对于辨识框架Θ,每个证据可以看做在高维空间中的一个点或者是一个向量,假设m1、m2是在辨识框架Θ上的两个证据,把证据用向量表示为和/>则m1与m2之间的Jousselme距离计算如下:
其中,D为2N×2N的矩阵,N表示辨识框架Θ中元素的个数,D中的元素为a、b分别表示辨识框架Θ的子集。
Jousselme距离的具体计算方式如下:
证据mi、mj之间的相似性测度计算如下:
sim(mi,mj)=1-dBPA(mi,mj) (11)
两个证据体之间的距离越小,他们之间的相似性测度越大;
系统对证据mi的可信度计算如下:
其中,n是证据的总条数,sup(mi)是证据mi的支持度,反映是mi被其他证据支持的程度,将其归一化之后得到证据的可信度。
(5-2)计算ER规则中第j个证据ej的重要性权重wj与可靠性因子rj,具体计算如下:
重要性权重wj是证据ej相对于其他证据的相对重要程度,本方法重要性权重可由证据的支持度确定,
wj=crd(mj) (13)
在ER规则中,证据可靠性因子是对给定问题能够提供的一种精确评估的能力,在基于ER规则的节点重要度评估模型中,证据可靠性因子rj计算如下:
Amax=max{C1,C2,...,Cn′} (14b)
其中,n′为该复杂网络中包含的节点数,Tmax为理论上由该证据源ej得出第j个属性的最大值,Amax为实际网络中由该证据源ej得出该属性的最大值,rj反映了该属性波动的大小。
(5-3)利用ER规则对多条证据进行融合,可靠性因子rj与重要性权重wj由(5-2)得出,ER规则计算如下:
mθ,j=wjpθ,j (15a)
其中,pθ,j为由(4-2)得到的证据M(i),j表示第j个信度函数,即第j个属性的信度函数得到的证据,pθ,e(K)为融合后的证据。
(5-4)利用ER规则融合即可得到系统级网络与模块级网络的节点重要度。
(6)对节点的重要度进行综合评估,具体如下:
由于是对节点的重要度进行评估,H在辨识框架中表示重要,L在辨识框架中表示不重要,可将步骤(5)中得到的系统级网络的得到的证据pθ,e(K) system与模块级网络得到的证据pθ,e(K) moudle如下进行计算,得到最终的节点vi重要度如下:
I(vi)=αIsystem(vi)+βImoudle(vi) (16c)
其中,pθ,e(K) system(H)是系统级证据pθ,e(K) system中代表重要的部分,pθ,e(K) system(L)是代表不重要的部分,pθ,e(K) system(Θ)是代表不确定的部分,pθ,e(K) moudle(H)是模块级证据pθ,e(K) moudle中代表重要的部分,pθ,e(K) moudle(L)是代表不重要的部分,pθ,e(K) moudle(Θ)是代表不确定的部分,Isystem(vi)是节点vi系统级节点重要度,Imoudle(vi)是节点vi模块级节点重要度,I(vi)为节点vi最终的节点重要度。
(7)根据节点重要度排序,即可获取船舶电力推进系统的若干关键功能单元。
本发明的有益效果:1.利用复杂网络对船舶电力推进系统进行建模,得到不同粒度网络模型;2.基于证据推理规则,分别对不同粒度网络节点重要度进行融合,并给出了证据的权重与可靠性计算方法;3.根据融合证据建立了节点综合重要度评价函数,提升了评估的准确性。
附图说明
图1是本发明方法的流程框图。
图2是船舶电力推进系统图。
图3是船舶电力推进系统复杂网络模型。
具体实施方式
本发明涉及一种基于证据推理规则的船舶电力推进系统关键功能单元辨识方法,其流程框图如图1所示,包括以下各步骤:
(1)对船舶电力推进系统进行抽象化建模,以各功能单元为节点,功能单元之间的关系为边,构建得到系统级复杂网络Netsystem={E,V},其中,E表示边集合,V表示节点集合。
(2)利用Newman快速算法将系统级网络进行社团划分,得到C个模块级子网络Netmoudle1,Netmoudle2,…,NetmoudleC。
为了便于理解,这里举例说明。如图2所示的船舶电力推进系统,通过以各功能单元为节点,功能单元之间的关系为边,构建得到系统级复杂网络Netsystem,如图3所示,系统级网络共有N=60个节点;利用Newman快速算法将系统级网络进行社团划分,得到5个模块子网络Netmoudle1,Netmoudle2,Netmoudle3,Netmoudle4,Netmoudle5。
(3)分别计算系统级网络与模块级网络中各个节点的节点重要度指标,包括:度中心性CD、特征向量中心性CE、介数中心性CB和接近度中心性Cc,其中节点vi的各项指标计算如下所示:
度中心性计算:
其中,N为网络含有的节点总数,ki为节点vi的度;
介数中心性计算:
其中,Bi为节点vi的介数,njl为节点vj与vl之间的最短路径条数,njl(i)为节点vj与vl之间的最短路径经过节点vi的条数;
接近度中心性计算:
其中,di,j为节点vi到节点vj的距离;
特征向量中心性计算:
Ax=λx (4a)
CE(vi)=xi (4b)
其中,A为网络的邻接矩阵;
为了方便理解,这里举例说明。根据步骤(1)和步骤(2)得到的系统级网络与模块级子网络,对节点v4为例进行重要度指标计算说明,利用公式(1)~(4)计算v4的度中心性为CD(v4)=0.1186,介数中心性CB(v4)=0.2152,接近度中心性CC(v4)=9.6914,特征向量中心性CE(v4)=0.0030。v4属于Netmoudle5,共有Nmoudle5=13个节点,利用公式(1)~(4)计算v4的度中心性为CD moudle5(v4)=0.2500,介数中心性CB moudle5(v4)=0,接近度中心性CC moudle5(v4)=4.0625,特征向量中心性CE moudle5(v4)=0.1405。
(4)分别将系统级网络与模块级网络的各项节点重要度评价指标转化为证据,具体步骤如下:
(4-1)构建节点重要度评估模型,可构建辨识框架为{重要,不重要},数学表示为Θ={H,L},其中Θ为辨识框架,H代表重要程度,L代表不重要程度。
(4-2)将节点的度中心性、介数中心性、接近度中心性与特征向量中心性视为节点属性值,并将其转换为信度函数的形式,计算如下:
其中,n为网络中节点数量,DCmax为节点度中心性的最大值,DCmin为节点度中心性的最小值,BCmax为介数中心性的最大值,BCmin为介数中心性的最小值,CCmax为接近度中心性的最大值,CCmin为接近度中心性的最小值,ECmax为特征向量中心性的最大值,ECmin为特征向量中心性的最小值。
在公式(5)基础上构建信度函数如下:
其中,δ为可调节参数,目的是为了避免最大值最小值相同时分母出现为0的情况;m(Θ)为对辨识框架的未知程度,计算如下:
m(Θ)=1-(m(H)+m(L)) (7)
第i个节点的决策信度函数计算如下:
得到的信度函数即所需的证据;
为了便于理解,这里举例说明。对于系统级网络共有n=60个节点,DCmax=0.1186,DCmin=0.0169,BCmax=0.2342,BCmn=0,CCmax=9.6914,CCmin=2.5503,ECmax=0.1175,ECmin=0。取δ=1,对节点v4构建信度函数为mDC4(H)=0.0923,mDC4(L)=0,mDC4(Θ)=0.9077,mBC4(H)=0.9177,mBC4(L)=0.081,mDC4(Θ)=0.0012,mCC4(H)=0.8772,mCC4(L)=0,mDC4(Θ)=0.1228,mEC4(H)=0.0027,mEC4(L)=0.1024,mDC4(Θ)=0.8949,构建决策信度函数为MDC(4)=[0.0923,0,0.9077],MBC(4)=[0.9177,0.081,0.0012],MCC(4)=[0.8772,0,0.1228],MEC(4)=[0.0027,0.1024,0.8949],对于节点v4属于Netmoudle5,共有nmoudle5=13个节点,DCmax moudle5=0.4167,DCmin moudle5==0.0833,BCmax moudle5=0.4242,BCmn moudle5=0,CCmax moudle5=4.8750,CCmin oudle5=2.3594,ECmax moudle5=0.1792,ECmin moudle5=0.0079。取δ=1,对节点v4构建信度函数为mDC4(H)moudle5=0.1250,mDC4(L)moudle5=0.1250,mDC4(Θ)moudle5=0.7500,mBC4(H)moudle5=0,mBC4(L)moudle5=0.9825,mDC4(Θ)moudle5=0.0175,mCC4(H)moudle5=0.4844,mCC4(L)moudle5=0.2311,mDC4(Θ)moudle5=0.2844,mEC4(H)moudle5=0.1132,mEC4(L)moudle5=0.0330,mDC4(Θ)moudle5=0.8537。MDC(4)moudle5=[0.1250,0.1250,0.7500],MBC(4)moudle5=[0,0.9825,0.0175],MCC(4)moudle5=[0.4844,0.2311,0.2844],MEC(4)moudle5=[0.1132,0.330,0.8537]。
(5)分别将系统级网络得到的证据与模块级网络得到的证据进行ER规则融合,具体步骤如下:
(5-1)获取多个证据之间的相对支持度,具体计算如下:
对于辨识框架Θ,每个证据可以看做在高维空间中的一个点或者是一个向量,假设m1、m2是在辨识框架Θ上的两个证据,把证据用向量表示为和/>则m1与m2之间的Jousselme距离计算如下:
其中,D为2N×2N的矩阵,N表示辨识框架Θ中元素的个数,D中的元素为a、b分别表示辨识框架Θ的子集;
Jousselme距离的具体计算方式如下:
证据mi、mj之间的相似性测度计算如下:
sim(mi,mj)=1-dBPA(mi,mj) (11)
两个证据体之间的距离越小,他们之间的相似性测度越大;
系统对证据mi的可信度计算如下:
其中,n是证据的总条数,sup(mi)是证据mi的支持度,反映是mi被其他证据支持的程度,将其归一化之后得到证据的可信度。
(5-2)计算ER规则中第j个证据ej的重要性权重wj与可靠性因子rj,具体计算如下:
重要性权重wj是证据ej相对于其他证据的相对重要程度,本方法重要性权重可由证据的支持度确定,
wj=crd(mj) (13)
在ER规则中,证据可靠性因子是对给定问题能够提供的一种精确评估的能力,在基于ER规则的节点重要度评估模型中,证据可靠性因子rj计算如下:
Amax=max{C1,C2,...,Cn′} (14b)
其中,n′为该复杂网络中包含的节点数,Tmax为理论上由该证据源ej得出第j个属性的最大值,Amax为实际网络中由该证据源ej得出该属性的最大值,rj反映了该属性波动的大小。
(5-3)利用ER规则对多条证据进行融合,可靠性因子rj与重要性权重wj由(5-2)得出,ER规则计算如下:
mθ,j=wjpθ,j (15a)
其中,pθ,j为由(4-2)得到的证据M(i),j表示第j个信度函数,即第j个属性的信度函数得到的证据,pθ,e(K)为融合后的证据。
(5-4)利用ER规则融合即可得到系统级网络与模块级网络的节点重要度;
为了方便理解,这里举例说明。对于步骤(4)得到的证据MDC(4)=[0.0923,0,0.9077],MBC(4)=[0.9177,0.081,0.0012],MCC(4)=[0.8772,0,0.1228],MEC(4)=[0.0027,0.1024,0.8949],利用公式(9)~(13)得到各个属性的证据权重w1=0.2593,w2=0.2323,w3=0.2655,w4=0.2429。利用公式(4)得到可靠性因子r1=0.8814,r2=0.7774,r3=0.9192,r4=0.8825,对各个证据进行ER规制融合得到pθ,e(K) system=[0.4208,0.0161,0.5630]。对于证据MDC(4)moudle5=[0.1250,0.1250,0.7500],MDC(4)moudle5=[0,0.9825,0.0175],MDC(4)moudle5=[0.4844,0.2311,0.2844],MDC(4)moudle5=[0.1132,0.330,0.8537],利用公式(9)~(13)得到各个属性的证据权重w1 moudle5=0.3202,w2 moudle5=0.1222,w3 moudle5=0.2706,w4 moudle5=0.2870。靠性因子r1 moudle5=0.5833,r2 moudle5=0.6686,r3 moudle5=0.8125,r4 moudle5=0.8208,对各个证据进行ER规制融合得到pθ,e(K) moudle=[0.1820,0.1663,0.6517]。
(6)对节点的重要度进行综合评估,具体如下:
由于是对节点的重要度进行评估,H在辨识框架中表示重要,L在辨识框架中表示不重要,可将步骤(5)中得到的系统级网络的得到的证据pθ,e(K) system与模块级网络得到的证据pθ,e(K) moudle如下进行计算,得到最终的节点vi重要度如下:
I(vi)=αIsystem(vi)+βImoudle(vi) (16c)
其中,pθ,e(K) system(H)是系统级证据pθ,e(K) system中代表重要的部分,pθ,e(K) system(L)是代表不重要的部分,pθ,e(K) system(Θ)是代表不确定的部分,pθ,e(K) moudle(H)是模块级证据pθ,e(K) moudle中代表重要的部分,pθ,e(K) moudle(L)是代表不重要的部分,pθ,e(K) moudle(Θ)是代表不确定的部分,Isystem(vi)是节点vi系统级节点重要度,Imoudle(vi)是节点vi模块级节点重要度,I(vi)为节点vi最终的节点重要度。
(7)根据节点重要度排序,即可获取船舶电力推进系统的若干关键功能单元。
为了方便理解,这里举例说明。对于步骤(5)得到的融合后的证据pθ,e(K) system=[0.4208,0.0161,0.5630]与pθ,e(K) moudle=[0.1820,0.1663,0.6517]利用公式(16a)与(16b)计算节点的重要度Isystem(v4)=0.7187,Imoudle5(v4)=0.0241,取α=β=0.5,为节点vi最终的节点重要度为I(vi)=0.3714。对网络中各个节点进行计算,对各个节点重要度进行排序,即可获取船舶电力推进系统的若干个关键功能单元。
以下结合附图,详细介绍本发明的实施例:
本发明方法的流程图如图1所示,核心部分是:对船舶电力推进系统进行抽象化建模,构建系统级复杂网络,进而构建多个模块级子网络,分别计算系统级网络与模块级子网络的多个节点重要度指标并转化为证据,进而通过ER规则将多个证据进行融合,根据证据建立节点重要度排序评价函数,基于此得到系统级网络与模块级网络的节点重要度排序,得到节点的综合重要度。
以下结合图2中船舶电力推进系统的最佳实施例,详细介绍本发明方法的各个步骤。
1、船舶电力推进网络的构建
以各功能单元为节点,功能单元之间的关系为边,构建得到系统级复杂网络Netsystem,如图3所示,共包含60个节点和95条边,利用Newman快速算法将系统级网络进行社团划分,得到5个模块级子网络Netmoudle1,Netmoudle2,Netmoudle3,Netmoudle4,Netmoudle5,其中Netmoudle1包含节点集合为{16,17,18,19,20,21,22,23,24,25},Netmoudle2包含节点集合为{10,11,12,13,14,15,30,31,32},Netmoudle3包含节点集合为{41,42,43,44,45,46,47,48,49,50,51,52,53},Netmoudle4包含节点集合为{26,27,28,29,33,34,35,36,37,38,39,40,54,55,56},Netmoudle5包含节点集合为{1,2,3,4,5,6,7,8,9,57,58,59,60}。
2、计算系统级网络和模块级网络节点重要度指标
对于节点v4,利用公式(1)~(4)计算v4的度中心性为CD(v4)=0.1186,介数中心性CB(v4)=0.2152,接近度中心性CC(v4)=9.6914,特征向量中心性CE(v4)=0.0030。v4属于Netmoudle5,共有Nmoudle5=13个节点,利用公式(1)~(4)计算v4的度中心性为CD moudle5(v4)=0.2500,介数中心性CB moudle5(v4)=0,接近度中心性CC moudle5(v4)=4.0625,特征向量中心性CE moudle5(v4)=0.1405。
3、将节点重要度指标转化为证据
对于节点v4,DCmax=0.1186,DCmin=0.0169,BCmax=0.2342,BCmn=0,CCmax=9.6914,CCmin=2.5503,ECmax=0.1175,ECmin=0。取δ=1,对节点v4构建信度函数为mDC4(H)=0.0923,mDC4(L)=0,mDC4(Θ)=0.9077,mBC4(H)=0.9177,mBC4(L)=0.081,mDC4(Θ)=0.0012,mCC4(H)=0.8772,mCC4(L)=0,mDC4(Θ)=0.1228,mEC4(H)=0.0027,mEC4(L)=0.1024,mDC4(Θ)=0.8949,构建决策信度函数为MDC(4)=[0.0923,0,0.9077],MBC(4)=[0.9177,0.081,0.0012],MCC(4)=[0.8772,0,0.1228],MEC(4)=[0.0027,0.1024,0.8949],对于节点v4属于Netmoudle5,共有nmoudle5=13个节点,DCmax moudle5=0.4167,DCmin moudle5==0.0833,BCmax moudle5=0.4242,BCmin moudle5=0,CCmax moudle5=4.8750,CCmin moudle5=2.3594,ECmax moudle5=0.1792,ECmin moudle5=0.0079。取δ=1,对节点v4构建信度函数为mDC4(H)moudle5=0.1250,mDC4(L)moudle5=0.1250,mDC4(Θ)moudle5=0.7500,mBC4(H)moudle5=0,mBC4(L)moudle5=0.9825,mDC4(Θ)moudle5=0.0175,mCC4(H)moudle5=0.4844,mCC4(L)moudle5=0.2311,mDC4(Θ)moudle5=0.2844,mEC4(H)moudle5=0.1132,mEC4(L)moudle5=0.0330,mDC4(Θ)moudle5=0.8537。MDC(4)moudle5=[0.1250,0.1250,0.7500],MBC(4)moudle5=[0,0.9825,0.0175],MCC(4)moudle5=[0.4844,0.2311,0.2844],MEC(4)moudle5=[0.1132,0.330,0.8537]。
4、将系统级网络得到的证据与模块级网络得到的证据进行ER规则融合,
对于步骤3得到的证据MDC(4)=[0.0923,0,0.9077],MBC(4)=[0.9177,0.081,0.0012],MCC(4)=[0.8772,0,0.1228],MEC(4)=[0.0027,0.1024,0.8949],利用公式(9)~(13)得到各个属性的证据权重w1=0.2593,w2=0.2323,w3=0.2655,w4=0.2429。利用公式(4)得到可靠性因子r1=0.8814,r2=0.7774,r3=0.9192,r4=0.8825,对各个证据进行ER规制融合得到pθ,e(K) system=[0.4208,0.0161,0.5630]。对于证据MDC(4)moudle5=[0.1250,0.1250,0.7500],MDC(4)moudle5=[0,0.9825,0.0175],MDC(4)moudle5=[0.4844,0.2311,0.2844],MDC(4)moudle5=[0.1132,0.330,0.8537],利用公式(9)~(13)得到各个属性的证据权重w1 moudle5=0.3202,w2 moudle5=0.1222,w3 moudle5=0.2706,w4 moudle5=0.2870。靠性因子r1 moudle5=0.5833,r2 moudle5=0.6686,r3 moudle5=0.8125,r4 moudle5=0.8208,对各个证据进行ER规制融合得到pθ,e(K) module=[0.1820,0.1663,0.6517]。
5、对节点的重要度进行综合评估
对于步骤4得到的融合后的证据pθ,e(K) system=[0.4208,0.0161,0.5630]与pθ,e(K) moudle=[0.1820,0.1663,0.6517]利用公式(16a)与(16b)计算节点的重要度Isystem(v4)=0.7187,Imoudle5(v4)=0.0241,取α=β=0.5,为节点vi最终的节点重要度为I(vi)=0.3714。对网络中各个节点进行计算,对各个节点重要度进行排序,即可获取船舶电力推进系统的若干个关键功能单元。
Claims (2)
1.基于ER规则的船舶电力推进系统关键功能单元辨识方法,其特征在于,
首先,基于复杂网络对船舶电力推进系统进行抽象化建模,构建系统级复杂网络,利用Newman快速算法将其划分成多个模块级子网络;
其次,分别计算系统级网络与模块级子网络的多个节点重要度指标,并转化为证据;
然后,通过计算证据之间的支持度得到证据重要性权重,利用证据源的波动计算得到证据可靠性因子,进而通过ER规则将多个证据进行融合,得到融合后的证据;
最后,根据证据建立节点重要度排序评价函数,基于此得到系统级网络与模块级网络的节点重要度排序,得到节点的综合重要度;
该方法具体包括以下步骤:
(1)对船舶电力推进系统进行抽象化建模,以各功能单元为节点,功能单元之间的关系为边,构建得到系统级复杂网络Netsystem={E,V},其中,E表示边集合,V表示节点集合;
(2)利用Newman快速算法将系统级网络进行社团划分,得到C个模块级子网络Netmoudle1,Netmoudle2,…,NetmoudleC;
(3)分别计算系统级网络与模块级网络中各个节点的节点重要度指标,包括:度中心性CD、特征向量中心性CE、介数中心性CB和接近度中心性Cc;
(4)分别将系统级网络与模块级网络的各项节点重要度评价指标转化为证据,具体步骤如下:
(4-1)构建节点重要度评估模型,构建辨识框架为{重要,不重要},数学表示为Θ={H,L},其中Θ为辨识框架,H代表重要程度,L代表不重要程度;
(4-2)将节点的度中心性、介数中心性、接近度中心性与特征向量中心性视为节点属性值,并将其转换为信度函数的形式,得到的信度函数即所需的证据;
(5)分别将系统级网络得到的证据与模块级网络得到的证据进行ER规则融合,具体步骤如下:
(5-1)获取多个证据之间的相对支持度,具体计算如下:
对于辨识框架Θ,将每个证据看做在高维空间中的一个点或者是一个向量,假设m1、m2是在辨识框架Θ上的两个证据,把证据用向量表示为和/>则m1与m2之间的Jousselme距离计算如下:
证据mi、mj之间的相似性测度计算如下:
sim(mi,mj)=1-dBPA(mi,mj)
系统对证据mi的可信度计算如下:
其中,n是证据的总条数,sup(mi)是证据mi的支持度,反映是mi被其他证据支持的程度,将其归一化之后得到证据的可信度;
(5-2)计算ER规则中第j个证据ej的重要性权重wj与可靠性因子rj,具体计算如下:
重要性权重wj是证据ej相对于其他证据的相对重要程度,重要性权重可由证据的支持度确定:
wj=crd(mj)
在ER规则中,证据可靠性因子是对给定问题能够提供的一种精确评估的能力,在基于ER规则的节点重要度评估模型中,证据可靠性因子rj计算如下:
Amax=max{C1,C2,...,Cn′}
其中,n′为复杂网络中包含的节点数,Tmax为理论上由该证据ej得出第j个属性的最大值,Amax为实际网络中由该证据ej得出该属性的最大值,rj反映了该属性波动的大小;
(5-3)利用ER规则对多条证据进行融合;
(5-4)利用ER规则融合即可得到系统级网络与模块级网络的节点重要度;
(6)对节点的重要度进行综合评估,具体如下:
将步骤(5)中得到的系统级网络得到的证据pθ,e(K) system与模块级网络得到的证据pθ,e(K) moudle如下进行计算,得到最终的节点vi重要度如下:
I(vi)=αIsystem(vi)+βImoudle(vi)
其中,pθ,e(K) system(H)是系统级证据pθ,e(K) system中代表重要的部分,pθ,e(K) system(L)是代表不重要的部分,pθ,e(K) system(Θ)是代表不确定的部分,pθ,e(K) moudle(H)是模块级证据pθ,e(K) moudle中代表重要的部分,pθ,e(K) moudle(L)是代表不重要的部分,pθ,e(K) moudle(Θ)是代表不确定的部分,Isystem(vi)是节点vi系统级节点重要度,Imoudle(vi)是节点vi模块级节点重要度,I(vi)为节点vi最终的节点重要度;
(7)根据节点重要度排序,即可获取船舶电力推进系统的若干关键功能单元。
2.根据权利要求1所述的基于ER规则的船舶电力推进系统关键功能单元辨识方法,其特征在于:以节点vi为例,其各项指标计算如下所示:
度中心性计算:
其中,N为网络含有的节点总数,ki为节点vi的度;
介数中心性计算:
其中,Bi为节点vi的介数,njl为节点vj与vl之间的最短路径条数,njl(i)为节点vj与vl之间的最短路径经过节点vi的条数;
接近度中心性计算:
其中,dij为节点vi到节点vj的距离;
特征向量中心性计算:
Ax=λx
CE(vi)=xi
其中,A为网络的邻接矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010877992.1A CN112001124B (zh) | 2020-08-27 | 2020-08-27 | 基于er规则的船舶电力推进系统关键功能单元辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010877992.1A CN112001124B (zh) | 2020-08-27 | 2020-08-27 | 基于er规则的船舶电力推进系统关键功能单元辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001124A CN112001124A (zh) | 2020-11-27 |
CN112001124B true CN112001124B (zh) | 2023-09-05 |
Family
ID=73472068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010877992.1A Active CN112001124B (zh) | 2020-08-27 | 2020-08-27 | 基于er规则的船舶电力推进系统关键功能单元辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001124B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013030137A1 (en) * | 2011-08-26 | 2013-03-07 | Philip Morris Products S.A | Systems and methods for characterizing topological network perturbations |
CN104992259A (zh) * | 2015-05-19 | 2015-10-21 | 浪潮软件集团有限公司 | 一种基于社团结构的复杂网络抗毁性和关键节点分析方法 |
CN105975984A (zh) * | 2016-04-29 | 2016-09-28 | 吉林大学 | 基于证据理论的网络质量评价方法 |
CN109115491A (zh) * | 2018-10-16 | 2019-01-01 | 杭州电子科技大学 | 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法 |
CN111428386A (zh) * | 2020-04-22 | 2020-07-17 | 杭州电子科技大学 | 基于复杂网络的电梯曳引机转子故障诊断信息融合方法 |
CN111488697A (zh) * | 2020-04-17 | 2020-08-04 | 国网四川省电力公司电力科学研究院 | 一种基于改进证据理论融合的变压器运行状态评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245409B (zh) * | 2019-06-05 | 2020-02-21 | 北京航空航天大学 | 一种基于虚拟现实与复杂网络的软件可靠性仿真分析方法 |
-
2020
- 2020-08-27 CN CN202010877992.1A patent/CN112001124B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013030137A1 (en) * | 2011-08-26 | 2013-03-07 | Philip Morris Products S.A | Systems and methods for characterizing topological network perturbations |
CN104992259A (zh) * | 2015-05-19 | 2015-10-21 | 浪潮软件集团有限公司 | 一种基于社团结构的复杂网络抗毁性和关键节点分析方法 |
CN105975984A (zh) * | 2016-04-29 | 2016-09-28 | 吉林大学 | 基于证据理论的网络质量评价方法 |
CN109115491A (zh) * | 2018-10-16 | 2019-01-01 | 杭州电子科技大学 | 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法 |
CN111488697A (zh) * | 2020-04-17 | 2020-08-04 | 国网四川省电力公司电力科学研究院 | 一种基于改进证据理论融合的变压器运行状态评估方法 |
CN111428386A (zh) * | 2020-04-22 | 2020-07-17 | 杭州电子科技大学 | 基于复杂网络的电梯曳引机转子故障诊断信息融合方法 |
Non-Patent Citations (1)
Title |
---|
Hongming Mo 等.Identifying node importance based on evidence theory in complex networks.Physica A: Statistical Mechanics and its Applications.2019,第529卷第1-11页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112001124A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
CN109670213B (zh) | 一种风电场多机等值建模方法及装置 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
Wang et al. | Quantitative evaluation of human-reliability based on fuzzy-clonal selection | |
CN114856941A (zh) | 海上风电场及机组故障诊断运维系统及其诊断运维方法 | |
CN112800682A (zh) | 一种反馈寻优的风机叶片故障监测方法 | |
CN111582740A (zh) | 一种多旋翼无人机风险评估系统 | |
CN112557826A (zh) | 一种船舶电力系统故障诊断方法 | |
CN109325553B (zh) | 一种风电齿轮箱故障检测方法、系统、设备及介质 | |
CN112001124B (zh) | 基于er规则的船舶电力推进系统关键功能单元辨识方法 | |
CN113452025B (zh) | 一种模型-数据混合驱动的电网预想故障评估方法和系统 | |
CN112818819B (zh) | 一种基于动态模型和复杂网络理论的auv状态监测方法 | |
Zhang et al. | Encoding time series as images: A robust and transferable framework for power system DIM identification combining rules and VGGNet | |
CN114004134A (zh) | 一种数字化全自动的飞机蓄电池寿命预测方法 | |
Xu et al. | Accelerated and adaptive power scheduling for more electric aircraft via hybrid learning | |
CN116933860A (zh) | 暂态稳定评估模型更新方法、装置、电子设备及存储介质 | |
CN105976127A (zh) | 综合电力推进系统风险评估方法及装置 | |
CN116432077A (zh) | 基于优化bp神经网络的智能站二次系统故障定位方法 | |
Li et al. | Research on fault diagnosis of ship generator based on GA-BP neural network | |
Liu et al. | Battery fault diagnosis scheme based on improved RBF neural network | |
CN115377999A (zh) | 一种基于宽频测量数据的次同步振荡辨识的方法 | |
CN113419172A (zh) | 基于gcn和vmd-ed的新能源汽车三相异步电机故障识别 | |
Qi et al. | A Digital Twin Approach for Fault Diagnosis in Unmanned Ships Integrated Power System | |
Mendis et al. | Intelligent situational-awareness architecture for hybrid emergency power systems in more electric aircraft | |
Mu | Research on Fault Diagnosis of Electrical System of Medium Transport Aircraft Based on Machine Learning Algorithm |
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 |