CN112395774B - 一种基于硬件结构树的设备分层健康状态评估方法和装置 - Google Patents

一种基于硬件结构树的设备分层健康状态评估方法和装置 Download PDF

Info

Publication number
CN112395774B
CN112395774B CN202011396465.5A CN202011396465A CN112395774B CN 112395774 B CN112395774 B CN 112395774B CN 202011396465 A CN202011396465 A CN 202011396465A CN 112395774 B CN112395774 B CN 112395774B
Authority
CN
China
Prior art keywords
health state
hardware
node
health
obtaining
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
CN202011396465.5A
Other languages
English (en)
Other versions
CN112395774A (zh
Inventor
张士刚
骆彦廷
沈国际
李磊
罗旭
杨拥民
葛哲学
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202011396465.5A priority Critical patent/CN112395774B/zh
Publication of CN112395774A publication Critical patent/CN112395774A/zh
Application granted granted Critical
Publication of CN112395774B publication Critical patent/CN112395774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请涉及一种基于硬件结构树的设备分层健康状态评估方法和装置。所述方法以设备的硬件结构树中的硬件为节点，根据硬件的组成关系得到节点间的有向边，根据硬件间健康状态条件概率值设置有向边的健康状态转移概率参数，根据节点和有向边得到设备的分层健康状态评估模型。将测得的节点健康状态值输入模型，根据有向边的健康状态转移概率参数逐层计算节点健康状态为健康或故障的概率值，根据各个节点的健康状态概率值得到设备的健康状态评估结果。本申请仅需设置有向边的参数就能得到设备健康评估结果，能够有效地避免设备复杂时引起的组合爆炸问题，简化设备健康状态评估过程，并提高其可行性。

Description

一种基于硬件结构树的设备分层健康状态评估方法和装置
技术领域
本申请涉及设备健康评估技术领域，特别是涉及一种基于硬件结构树的设备分层健康状态评估方法和装置。
背景技术
监控并及时获知设备的运行健康状况对规避设备运行风险和进行设备维修决策具有重要的意义，对于复杂且安全性要求较高的设备来说尤其如此。目前对于设备的故障诊断方法大多是通过传感器等方式监测低层级硬件的健康/故障状态。对于在设备中处于较高层级的硬件，由于其健康状态可能取决于多个较低层级的硬件，因此无法通过对较高层级硬件的监测数据直接判断其当前的健康状态是健康还是故障，也无法得知其健康状态为健康或故障的概率。
在实际的运维过程中，设备运维人员主要关注的是较高层级硬件以及设备整体的健康状态，并需要根据这类健康状态决定设备的使用或维修策略。因此，需要构建科学的设备硬件分层健康状态评估模型来提供上述数据。然而，由于高层级的设备硬件的健康状态与低层级硬件健康状态关联，因此计算时低层级硬件的健康状态的组合方式将呈指数级增长。例如，对于一个由n个子部件组成的硬件，如果使用子部件和其组成的硬件之间的健康状态条件概率值来建立对应的分层健康状态评估模型，需要设置2n-1个参数值。由于参数数量和设备/硬件中的子部件数量成指数级关系，在设备复杂、硬件规模较大时，在构建模型时会发生组合爆炸问题，使得分层健康状态评估模型中需要设置大量的参数，使健康状态评估过程难以实施。
发明内容
基于此，有必要针对上述技术问题，提供一种能够避免组合爆炸的一种基于硬件结构树的设备分层健康状态评估方法和装置。
一种基于硬件结构树的设备分层健康状态评估方法，包括：
获取待评估设备的硬件结构树数据，以硬件结构树数据中的硬件为节点，根据硬件的组成关系得到节点间的有向边，根据预设的硬件间健康状态条件概率值得到有向边的健康状态转移概率参数，根据节点和有向边得到待评估设备的分层健康状态评估模型。
将预设的节点健康状态值输入分层健康状态评估模型，根据有向边的健康状态转移概率参数逐层计算节点的节点健康状态概率值。节点健康状态概率值包括节点健康概率值和节点故障概率值。
根据分层健康状态评估模型中节点的节点健康状态概率值，得到待评估设备的健康状态评估结果。
其中一个实施例中，获取待评估设备的硬件结构树数据，以硬件结构树数据中的硬件为节点，根据硬件的组成关系得到节点间的有向边，根据预设的硬件间健康状态条件概率值得到有向边的健康状态转移概率参数，根据节点和有向边得到待评估设备的分层健康状态评估模型的步骤包括：
获取待评估设备的硬件结构树数据，根据硬件结构树数据中的硬件得到节点。
获取硬件结构树数据中的第n级硬件，以及组成第n级硬件的第n-1级硬件，得到从第n-1级硬件对应的节点指向第n级硬件的有向边，根据预设的硬件间健康状态条件概率值得到有向边的健康状态转移概率参数。
根据节点和有向边得到待评估设备的分层健康状态评估模型。
其中一个实施例中，将预设的节点健康状态值输入分层健康状态评估模型，根据有向边的健康状态转移概率参数逐层计算节点的节点健康状态概率值的步骤包括：
根据预设的节点健康状态值设置分层健康状态评估模型中对应节点的节点健康状态值。节点健康状态值包括健康状态和故障状态。
根据节点健康状态值，按照有向边的指向和对应的健康状态转移概率参数，逐层计算所述节点的节点健康状态概率值。
其中一个实施例中，将预设的节点健康状态值输入分层健康状态评估模型，根据有向边的健康状态转移概率参数逐层计算节点的节点健康状态概率值的步骤，其实现方式包括：
将分层健康状态评估模型转换为对应的普通贝叶斯网络。
根据预设的节点健康状态值和健康状态转移概率参数，使用贝叶斯网推理算法求解普通贝叶斯网络，按有向边的指向逐层计算节点的节点健康状态概率值。
其中一个实施例中，分层健康状态评估模型的节点和有向边对应的分层健康状态图为有向无环图。
其中一个实施例中，获取待评估设备的硬件结构树数据，以硬件结构树数据中的硬件为节点，根据硬件的组成关系得到节点间的有向边，根据预设的硬件间健康状态条件概率值得到有向边的健康状态转移概率参数，根据节点和有向边得到待评估设备的分层健康状态评估模型的步骤之前，还包括：
获取待评估设备中的硬件的集合，以及获取硬件之间的硬件组成关系。
以硬件为硬件节点，以硬件组成关系为硬件连接边，生成待评估设备的硬件结构树数据。
一种基于硬件结构树的设备分层健康状态评估装置，包括：
分层健康状态评估模型构建模块，用于获取待评估设备的硬件结构树数据，以硬件结构树数据中的硬件为节点，根据硬件的组成关系得到节点间的有向边，根据预设的硬件间健康状态条件概率值得到有向边的健康状态转移概率参数，根据节点和有向边得到待评估设备的分层健康状态评估模型。
模型求解模块，用于将预设的节点健康状态值输入分层健康状态评估模型，根据有向边的健康状态转移概率参数逐层计算节点的节点健康状态概率值；节点健康状态概率值包括节点健康概率值和节点故障概率值。
评估结果生成模块，用于根据分层健康状态评估模型中节点的节点健康状态概率值，得到待评估设备的健康状态评估结果。
其中一个实施例中，所述装置还包括硬件结构树数据生成模块，用于：
获取待评估设备中的硬件的集合，以及获取硬件之间的硬件组成关系。
以硬件为硬件节点，以硬件组成关系为硬件连接边，生成待评估设备的硬件结构树数据。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待评估设备的硬件结构树数据，以硬件结构树数据中的硬件为节点，根据硬件的组成关系得到节点间的有向边，根据预设的硬件间健康状态条件概率值得到有向边的健康状态转移概率参数，根据节点和有向边得到待评估设备的分层健康状态评估模型。
将预设的节点健康状态值输入分层健康状态评估模型，根据有向边的健康状态转移概率参数逐层计算节点的节点健康状态概率值。节点健康状态概率值包括节点健康概率值和节点故障概率值。
根据分层健康状态评估模型中节点的节点健康状态概率值，得到待评估设备的健康状态评估结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待评估设备的硬件结构树数据，以硬件结构树数据中的硬件为节点，根据硬件的组成关系得到节点间的有向边，根据预设的硬件间健康状态条件概率值得到有向边的健康状态转移概率参数，根据节点和有向边得到待评估设备的分层健康状态评估模型。
将预设的节点健康状态值输入分层健康状态评估模型，根据有向边的健康状态转移概率参数逐层计算节点的节点健康状态概率值。节点健康状态概率值包括节点健康概率值和节点故障概率值。
根据分层健康状态评估模型中节点的节点健康状态概率值，得到待评估设备的健康状态评估结果。
与现有技术相比，上述一种基于硬件结构树的设备分层健康状态评估方法、装置、计算机设备和存储介质，以待评估设备的硬件结构树数据中的硬件为节点，根据硬件间的组成关系建立有向边，根据硬件间健康状态条件概率值得到有向边的健康状态转移概率参数，得到设备的分层健康状态评估模型。评估设备健康情况时，将已知的节点健康状态值输入分层健康状态评估模型，根据有向边逐层计算各个节点为健康或故障的概率值，得到待评估设备的健康状态评估结果。本申请仅需要设置有向边的参数就可以得到对设备的健康评估结果，对于一个由n个子部件组成的硬件，利用本申请构建分层健康评估模型时，仅需设置n条有向边的参数，能够有效地避免设备复杂时引起的组合爆炸问题，简化设备健康状态评估过程，并提高其可行性。
附图说明
图1为一个实施例中一种基于硬件结构树的设备分层健康状态评估方法的应用场景图；
图2为一个实施例中一种基于硬件结构树的设备分层健康状态评估方法的步骤图；
图3为一个实施例中分层健康状态评估模型的有向边参数设置示意图；
图4为另一个实施例中分层健康状态评估模型的节点健康状态概率值计算过程示意图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的一种基于硬件结构树的设备分层健康状态评估方法，可以应用于如图1所示的应用环境中。其中，待评估设备由硬件
Figure GDA0004245811380000051
Figure GDA0004245811380000052
组成，硬件间的连接和/或组成关系用实线表示。需要说明的是，本申请提供的方法不仅可以用于单个设备，也可以用于由多个设备连接组成的系统；还可以用于由多个逻辑模块通过逻辑关系关联组成的设备或系统。
在一个实施例中，如图2所示，提供了一种基于硬件结构树的设备分层健康状态评估方法，以该方法应用于图1中的设备为例进行说明，包括以下步骤：
步骤202，获取待评估设备的硬件结构树数据，以硬件结构树数据中的硬件为节点，根据硬件的组成关系得到节点间的有向边，根据预设的硬件间健康状态条件概率值得到有向边的健康状态转移概率参数，根据节点和有向边得到待评估设备的分层健康状态评估模型。
具体地，硬件结构树是指将设备按照硬件组成关系，逐级分解该设备得到的表示设备中硬件及其组成关系的树状图。根据设备的硬件结构树得到对应的分层健康状态评估模型时，需要根据较低层级硬件和由较低层级硬件组成的较高层级硬件间的健康状态关系，设置模型中节点间的有向边的健康状态转移概率参数。较低层级硬件和较高层级硬件的健康状态关系可以通过实验等方式获得，也可以通过二者功能间的逻辑关系进行估计，健康状态关系可以采用二者间的健康状态条件概率值表示。如图3所示，以硬件
Figure GDA0004245811380000061
为例，与
Figure GDA0004245811380000062
有连线的硬件为/>
Figure GDA0004245811380000063
表示/>
Figure GDA0004245811380000064
由/>
Figure GDA0004245811380000065
组成，且/>
Figure GDA0004245811380000066
的健康状态值和
Figure GDA0004245811380000067
Figure GDA0004245811380000068
的健康状态值之间存在条件概率关系。以/>
Figure GDA0004245811380000069
和/>
Figure GDA00042458113800000610
为例，例如通过实验数据得知硬件/>
Figure GDA00042458113800000611
的状态为故障时/>
Figure GDA00042458113800000612
的状态也为故障的概率为0.9，以1表示硬件故障状态，0表示硬件的健康状态，则硬件/>
Figure GDA00042458113800000613
在分层健康状态评估模型中对应的有向边的健康状态转移概率参数可设置为/>
Figure GDA00042458113800000614
且有向边的方向与健康状态概率值的计算方向对应，即对应于根据/>
Figure GDA00042458113800000626
的健康状态得到/>
Figure GDA00042458113800000615
的健康状态值，有向边的方向为
Figure GDA00042458113800000616
类似地，可以得到/>
Figure GDA00042458113800000617
与/>
Figure GDA00042458113800000618
之间的有向边及其对应的健康状态转移概率参数。
步骤204，将预设的节点健康状态值输入分层健康状态评估模型，根据有向边的健康状态转移概率参数逐层计算节点的节点健康状态概率值。节点健康状态概率值包括节点健康概率值和节点故障概率值。
计算待评估设备的健康状态时，首先获取该设备中当前的硬件状态。一般来说，可以通过传感器等监测手段获得设备中底层的简单硬件的当前健康状态值(即1或0)，然后根据有向边对应的健康状态转移概率参数和有向边的方向，逐层计算各硬件的健康状态为健康或故障的概率值。仍然以计算硬件
Figure GDA00042458113800000619
的健康状态为例，根据健康监测数据得到/>
Figure GDA00042458113800000620
的健康状态分别为0,1,1，即/>
Figure GDA00042458113800000621
为健康状态，/>
Figure GDA00042458113800000622
和/>
Figure GDA00042458113800000623
为故障状态。此时，可以得到/>
Figure GDA00042458113800000624
为健康状态和故障状态的概率分别为：
Figure GDA00042458113800000625
Figure GDA0004245811380000071
步骤206，根据分层健康状态评估模型中节点的节点健康状态概率值，得到待评估设备的健康状态评估结果。
根据步骤204的方法，可以逐层计算节点的健康状态概率值，直到得到整个设备对应的节点的健康状态概率值。根据计算后的模型，可以知道对应于当前设备底层硬件的健康状态，其他硬件的健康状态概率，还可以根据最高层级节点的健康状态概率值得到整个设备的健康状态评估结果。
本实施例仅需设置有向边的参数(即上下层级节点间的状态条件概率值)，就可以根据硬件健康监测数据得到设备及各级硬件的健康状态概率值，对于一个由n个子部件组成的硬件，利用本申请构建分层健康评估模型时，仅需设置n条有向边的参数，能够避免构建分层健康状态评估模型时需要设置大量参数，且设备复杂时容易出现组合爆炸的问题，简化设备健康状态评估过程，并提高其可行性；且得到的健康评估结果为概率值，与仅将硬件或设备判断为健康或不健康而言，能够提供更加丰富的信息。
其中一个实施例中，提供了一种基于硬件结构树的设备分层健康状态评估方法，包括以下步骤：
步骤402，获取待评估设备中的硬件的集合，以及获取硬件之间的硬件组成关系。以硬件为硬件节点，以硬件组成关系为硬件连接边，生成待评估设备的硬件结构树数据。
具体地，将设备按照硬件的组成关系进行层级结构划分，形成设备的硬件结构树，硬件结构树中不同层级的硬件之间形成包含关系。为了表述方便，本实施例表述时将不同层级的硬件或部件统称为模块。需要说明的是，当设备中的硬件是分层的树状级联的连接关系时，也可以得到结构类似的硬件结构树，因此本实施例提供的方法也适用于这类设备。
步骤404，获取待评估设备的硬件结构树数据，根据硬件结构树数据中的硬件得到节点。获取硬件结构树数据中的第n级硬件，以及组成第n级硬件的第n-1级硬件，得到从第n-1级硬件对应的节点指向第n级硬件的有向边，根据预设的硬件间健康状态条件概率值得到有向边的健康状态转移概率参数。根据节点和有向边得到待评估设备的分层健康状态评估模型。
设备的分层健康状态指的是不同层级模块的健康状态。当前已有的健康状态诊断系统普遍能监测到低层级的模块故障状态，为此需要建立分层健康状态评估模型进行推理计算。此处采用有向无环图建立该模型。该模型结构上包括节点和有向边，每个节点表示系统中的一个模块，在低层级模块以及包含它的高层级模块之间添加有向边，方向由低层级模块指向高层级模块。
各节点的状态、状态参数以及相关性参数设置方式为：
针对每个节点，设置两个状态H＝{0,1}分别表示健康状态和故障状态。用
Figure GDA0004245811380000081
表示第j层的第i个模块。假定用/>
Figure GDA0004245811380000082
表示/>
Figure GDA0004245811380000083
包含的低一层级的模块。针对汇集到/>
Figure GDA0004245811380000084
每一个连接线，设定不确定相关性关系。即/>
Figure GDA0004245811380000085
表示
Figure GDA0004245811380000086
处在故障状态时，/>
Figure GDA0004245811380000087
处在故障状态的概率。具体而言，针对/>
Figure GDA0004245811380000088
而言，如果其有n个低一层模块，需要设置n组参数。如果某节点为最低层节点，其直接给出状态概率，即
Figure GDA0004245811380000089
由于健康状态是故障状态的补集，为此，/>
Figure GDA00042458113800000810
步骤406，根据预设的节点健康状态值设置分层健康状态评估模型中对应节点的节点健康状态值。节点健康状态值包括健康状态和故障状态。根据节点健康状态值，按照有向边的指向和对应的健康状态转移概率参数，逐层计算所述节点的节点健康状态概率值。节点健康状态值包括健康状态和故障状态，节点健康状态概率值包括节点健康概率值和节点故障概率值。
具体地，结合物理含义可以基于模型自动计算得出各组合状态的概率。针对复杂设备而言，依据健康状态评估的含义，高层级的模块为健康状态，则其所包含的底层模块应该全为健康状态。如果高层级模块为故障状态，则其底层至少有一个模块导致其为故障状态。则
Figure GDA00042458113800000811
其中Hv表示/>
Figure GDA00042458113800000812
的状态。依据全概率公式，
Figure GDA00042458113800000813
在实施步骤406时，可以将分层健康状态评估模型转换为对应的普通贝叶斯网络。根据预设的节点健康状态值和健康状态转移概率参数，使用贝叶斯网推理算法求解普通贝叶斯网络，按有向边的指向逐层计算节点的节点健康状态概率值。比如，诊断系统得出
Figure GDA0004245811380000091
为健康状态，/>
Figure GDA0004245811380000092
和/>
Figure GDA0004245811380000093
为故障，利用现有贝叶斯网推理算法(比如变量消元法)，得出结果如图4所示。其含义为模块/>
Figure GDA0004245811380000094
是健康状态的概率为0.006，/>
Figure GDA0004245811380000095
是健康状态的概率为0.015。对于其他模块组成方式，如高层级模块由更多的低层级模块组成时，通过类似的计算方式可以得到健康状态概率值。
步骤408，根据分层健康状态评估模型中节点的节点健康状态概率值，得到待评估设备的健康状态评估结果。
本实施例中，以
Figure GDA0004245811380000096
为例，需要设置的相关参数只有0.9，0.95，0.88三个有向边上的状态转移概率值。而在传统的贝叶斯网参数设置方式下，相同情况下需要设置的参数数量为23-1＝7个。可以看出，本实施例提供的方法能够大幅减少需设置的参数数量，简化设备的分层健康状态模型。这一效果随设备中模块数量的增多而更加明显。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，提供了一种基于硬件结构树的设备分层健康状态评估装置，包括：
分层健康状态评估模型构建模块，用于获取待评估设备的硬件结构树数据，以硬件结构树数据中的硬件为节点，根据硬件的组成关系得到节点间的有向边，根据预设的硬件间健康状态条件概率值得到有向边的健康状态转移概率参数，根据节点和有向边得到待评估设备的分层健康状态评估模型。
模型求解模块，用于将预设的节点健康状态值输入分层健康状态评估模型，根据有向边的健康状态转移概率参数逐层计算节点的节点健康状态概率值；节点健康状态概率值包括节点健康概率值和节点故障概率值。
评估结果生成模块，用于根据分层健康状态评估模型中节点的节点健康状态概率值，得到待评估设备的健康状态评估结果。
其中一个实施例中，所述装置还包括硬件结构树数据生成模块，用于获取待评估设备中的硬件的集合，以及获取硬件之间的硬件组成关系。以硬件为硬件节点，以硬件组成关系为硬件连接边，生成待评估设备的硬件结构树数据。
其中一个实施例中，分层健康状态评估模型构建模块用于获取待评估设备的硬件结构树数据，根据硬件结构树数据中的硬件得到节点。获取硬件结构树数据中的第n级硬件，以及组成第n级硬件的第n-1级硬件，得到从第n-1级硬件对应的节点指向第n级硬件的有向边，根据预设的硬件间健康状态条件概率值得到有向边的健康状态转移概率参数。根据节点和有向边得到待评估设备的分层健康状态评估模型。
其中一个实施例中，模型求解模块用于根据预设的节点健康状态值设置分层健康状态评估模型中对应节点的节点健康状态值。节点健康状态值包括健康状态和故障状态。根据节点健康状态值，按照有向边的指向和对应的健康状态转移概率参数，逐层计算所述节点的节点健康状态概率值。
其中一个实施例中，模型求解模块用于将分层健康状态评估模型转换为对应的普通贝叶斯网络。根据预设的节点健康状态值和健康状态转移概率参数，使用贝叶斯网推理算法求解普通贝叶斯网络，按有向边的指向逐层计算节点的节点健康状态概率值。
其中一个实施例中，分层健康状态评估模型的节点和有向边对应的分层健康状态图为有向无环图。
关于一种基于硬件结构树的设备分层健康状态评估装置的具体限定可以参见上文中对于一种基于硬件结构树的设备分层健康状态评估方法的限定，在此不再赘述。上述一种基于硬件结构树的设备分层健康状态评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种一种基于硬件结构树的设备分层健康状态评估方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待评估设备的硬件结构树数据，以硬件结构树数据中的硬件为节点，根据硬件的组成关系得到节点间的有向边，根据预设的硬件间健康状态条件概率值得到有向边的健康状态转移概率参数，根据节点和有向边得到待评估设备的分层健康状态评估模型。
将预设的节点健康状态值输入分层健康状态评估模型，根据有向边的健康状态转移概率参数逐层计算节点的节点健康状态概率值。节点健康状态概率值包括节点健康概率值和节点故障概率值。
根据分层健康状态评估模型中节点的节点健康状态概率值，得到待评估设备的健康状态评估结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取待评估设备的硬件结构树数据，根据硬件结构树数据中的硬件得到节点。获取硬件结构树数据中的第n级硬件，以及组成第n级硬件的第n-1级硬件，得到从第n-1级硬件对应的节点指向第n级硬件的有向边，根据预设的硬件间健康状态条件概率值得到有向边的健康状态转移概率参数。根据节点和有向边得到待评估设备的分层健康状态评估模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据预设的节点健康状态值设置分层健康状态评估模型中对应节点的节点健康状态值。节点健康状态值包括健康状态和故障状态。根据节点健康状态值，按照有向边的指向和对应的健康状态转移概率参数，逐层计算所述节点的节点健康状态概率值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将分层健康状态评估模型转换为对应的普通贝叶斯网络。根据预设的节点健康状态值和健康状态转移概率参数，使用贝叶斯网推理算法求解普通贝叶斯网络，按有向边的指向逐层计算节点的节点健康状态概率值。
其中一个实施例中，分层健康状态评估模型的节点和有向边对应的分层健康状态图为有向无环图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取待评估设备中的硬件的集合，以及获取硬件之间的硬件组成关系。以硬件为硬件节点，以硬件组成关系为硬件连接边，生成待评估设备的硬件结构树数据。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待评估设备的硬件结构树数据，以硬件结构树数据中的硬件为节点，根据硬件的组成关系得到节点间的有向边，根据预设的硬件间健康状态条件概率值得到有向边的健康状态转移概率参数，根据节点和有向边得到待评估设备的分层健康状态评估模型。
将预设的节点健康状态值输入分层健康状态评估模型，根据有向边的健康状态转移概率参数逐层计算节点的节点健康状态概率值。节点健康状态概率值包括节点健康概率值和节点故障概率值。
根据分层健康状态评估模型中节点的节点健康状态概率值，得到待评估设备的健康状态评估结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取待评估设备的硬件结构树数据，根据硬件结构树数据中的硬件得到节点。获取硬件结构树数据中的第n级硬件，以及组成第n级硬件的第n-1级硬件，得到从第n-1级硬件对应的节点指向第n级硬件的有向边，根据预设的硬件间健康状态条件概率值得到有向边的健康状态转移概率参数。根据节点和有向边得到待评估设备的分层健康状态评估模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据预设的节点健康状态值设置分层健康状态评估模型中对应节点的节点健康状态值。节点健康状态值包括健康状态和故障状态。根据节点健康状态值，按照有向边的指向和对应的健康状态转移概率参数，逐层计算所述节点的节点健康状态概率值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将分层健康状态评估模型转换为对应的普通贝叶斯网络。根据预设的节点健康状态值和健康状态转移概率参数，使用贝叶斯网推理算法求解普通贝叶斯网络，按有向边的指向逐层计算节点的节点健康状态概率值。
其中一个实施例中，分层健康状态评估模型的节点和有向边对应的分层健康状态图为有向无环图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取待评估设备中的硬件的集合，以及获取硬件之间的硬件组成关系。以硬件为硬件节点，以硬件组成关系为硬件连接边，生成待评估设备的硬件结构树数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于硬件结构树的设备分层健康状态评估方法，其特征在于，所述方法包括：
获取待评估设备的硬件结构树数据，以所述硬件结构树数据中的硬件为节点，根据硬件的组成关系得到所述节点间的有向边，根据预设的硬件间健康状态条件概率值得到所述有向边的健康状态转移概率参数，根据所述节点、所述有向边及所述有向边的健康状态转移概率参数采用有向无环图建立所述待评估设备的分层健康状态评估模型；预设的硬件间健康状态条件概率值通过实验数据或功能间的逻辑关系估计得到；其中，根据预设的硬件间健康状态条件概率值得到所述有向边的健康状态转移概率参数的过程包括：
获取所述硬件结构树数据中的第n级硬件，以及组成所述第n级硬件的第n-1级硬件，得到从所述第n-1级硬件对应的节点指向所述第n级硬件的有向边，根据预设的硬件间健康状态条件概率值得到所述有向边的健康状态转移概率参数；
将预设的节点健康状态值输入所述分层健康状态评估模型，根据所述有向边的健康状态转移概率参数逐层计算所述节点的节点健康状态概率值；所述节点健康状态概率值包括节点健康概率值和节点故障概率值；
根据所述分层健康状态评估模型中所述节点的所述节点健康状态概率值，得到所述待评估设备的健康状态评估结果。
2.根据权利要求1所述的方法，其特征在于，所述将预设的节点健康状态值输入所述分层健康状态评估模型，根据所述有向边的健康状态转移概率参数逐层计算所述节点的节点健康状态概率值的步骤包括：
根据预设的节点健康状态值设置所述分层健康状态评估模型中对应节点的节点健康状态值；所述节点健康状态值包括健康状态和故障状态；
根据所述节点健康状态值，按照所述有向边的指向和对应的健康状态转移概率参数，逐层计算所述节点的节点健康状态概率值。
3.根据权利要求1所述的方法，其特征在于，所述将预设的节点健康状态值输入所述分层健康状态评估模型，根据所述有向边的健康状态转移概率参数逐层计算所述节点的节点健康状态概率值的步骤，其实现方式包括：
将所述分层健康状态评估模型转换为对应的普通贝叶斯网络；
根据所述预设的节点健康状态值和所述健康状态转移概率参数，使用贝叶斯网推理算法求解所述普通贝叶斯网络，按所述有向边的指向逐层计算所述节点的节点健康状态概率值。
4.根据权利要求1所述的方法，其特征在于，所述分层健康状态评估模型的所述节点和所述有向边对应的分层健康状态图为有向无环图。
5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述获取待评估设备的硬件结构树数据，以所述硬件结构树数据中的硬件为节点，根据硬件的组成关系得到所述节点间的有向边，根据预设的硬件间健康状态条件概率值得到所述有向边的健康状态转移概率参数，根据所述节点和所述有向边得到所述待评估设备的分层健康状态评估模型的步骤之前，还包括：
获取待评估设备中的硬件的集合，以及获取所述硬件之间的硬件组成关系；
以所述硬件为硬件节点，以所述硬件组成关系为硬件连接边，生成所述待评估设备的硬件结构树数据。
6.一种基于硬件结构树的设备分层健康状态评估装置，其特征在于，所述装置包括：
分层健康状态评估模型构建模块，用于获取待评估设备的硬件结构树数据，以所述硬件结构树数据中的硬件为节点，根据硬件的组成关系得到所述节点间的有向边，根据预设的硬件间健康状态条件概率值得到所述有向边的健康状态转移概率参数，根据所述节点、所述有向边及所述有向边的健康状态转移概率参数采用有向无环图建立所述待评估设备的分层健康状态评估模型；其中，根据预设的硬件间健康状态条件概率值得到所述有向边的健康状态转移概率参数的过程包括：
获取所述硬件结构树数据中的第n级硬件，以及组成所述第n级硬件的第n-1级硬件，得到从所述第n-1级硬件对应的节点指向所述第n级硬件的有向边，根据预设的硬件间健康状态条件概率值得到所述有向边的健康状态转移概率参数；
模型求解模块，用于将预设的节点健康状态值输入所述分层健康状态评估模型，根据所述有向边的健康状态转移概率参数逐层计算所述节点的节点健康状态概率值；所述节点健康状态概率值包括节点健康概率值和节点故障概率值；
评估结果生成模块，用于根据所述分层健康状态评估模型中所述节点的所述节点健康状态概率值，得到所述待评估设备的健康状态评估结果。
7.根据权利要求6所述的装置，其特征在于，还包括硬件结构树数据生成模块，用于：
获取待评估设备中的硬件的集合，以及获取所述硬件之间的硬件组成关系；
以所述硬件为硬件节点，以所述硬件组成关系为硬件连接边，生成所述待评估设备的硬件结构树数据。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述方法的步骤。
CN202011396465.5A 2020-12-03 2020-12-03 一种基于硬件结构树的设备分层健康状态评估方法和装置 Active CN112395774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011396465.5A CN112395774B (zh) 2020-12-03 2020-12-03 一种基于硬件结构树的设备分层健康状态评估方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011396465.5A CN112395774B (zh) 2020-12-03 2020-12-03 一种基于硬件结构树的设备分层健康状态评估方法和装置

Publications (2)

Publication Number Publication Date
CN112395774A CN112395774A (zh) 2021-02-23
CN112395774B true CN112395774B (zh) 2023-06-23

Family

ID=74605781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011396465.5A Active CN112395774B (zh) 2020-12-03 2020-12-03 一种基于硬件结构树的设备分层健康状态评估方法和装置

Country Status (1)

Country Link
CN (1) CN112395774B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116501027B (zh) * 2023-06-29 2023-10-03 中南大学 分布式制动系统健康评估方法、系统、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8438129B1 (en) * 2010-05-19 2013-05-07 Hrl Laboratories, Llc Probabilistic implementation of system health prognosis
CN111260261A (zh) * 2020-03-12 2020-06-09 广州宝顺信息科技有限公司 一种系统概率风险自动评价方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7426502B2 (en) * 2001-06-14 2008-09-16 Hewlett-Packard Development Company, L.P. Assessing health of a subsystem or service within a networked system
CN104573361B (zh) * 2015-01-04 2017-08-22 深圳供电局有限公司 一种gis设备评估的方法和装置
CN105913124B (zh) * 2016-04-08 2018-08-24 北京航空航天大学 基于贝叶斯网络及基层数据的系统健康状态预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8438129B1 (en) * 2010-05-19 2013-05-07 Hrl Laboratories, Llc Probabilistic implementation of system health prognosis
CN111260261A (zh) * 2020-03-12 2020-06-09 广州宝顺信息科技有限公司 一种系统概率风险自动评价方法

Also Published As

Publication number Publication date
CN112395774A (zh) 2021-02-23

Similar Documents

Publication Publication Date Title
Beer et al. Reliability analysis with scarce information: Comparing alternative approaches in a geotechnical engineering context
US8577663B2 (en) System and methods for fault-isolation and fault-mitigation based on network modeling
Liu et al. Reliability and performance assessment for fuzzy multi-state elements
Do Van et al. Reliability importance analysis of Markovian systems at steady state using perturbation analysis
CN109948276B (zh) 失效分析方法、装置、设备和存储介质
CN110414570B (zh) 图像分类模型生成方法、装置、设备和存储介质
CN111325159A (zh) 故障诊断方法、装置、计算机设备和存储介质
CN112395774B (zh) 一种基于硬件结构树的设备分层健康状态评估方法和装置
Wu et al. Sensor deployment based on fuzzy graph considering heterogeneity and multiple-objectives to diagnose manufacturing system
CN115795928B (zh) 基于伽马过程的加速退化试验数据处理方法和装置
Liu et al. Reliability mathematical models of repairable systems with uncertain lifetimes and repair times
Eliassi et al. Application of Bayesian networks in composite power system reliability assessment and reliability‐based analysis
CN111104644A (zh) 可靠性评估方法、装置、计算机设备和存储介质
CN114528688A (zh) 可靠性数字孪生体模型构建方法、装置和计算机设备
CN115841046A (zh) 基于维纳过程的加速退化试验数据处理方法和装置
Mamdikar et al. Reliability and performance analysis of safety-critical system using transformation of UML into state space models
Kumar et al. Modelling and simulation of repairable mechanical systems reliability and availability
Leckey et al. Prediction intervals for load‐sharing systems in accelerated life testing
CN111934937B (zh) 基于重要性迭代的相依网络节点重要度评估方法和装置
CN111008311B (zh) 基于邻域弱连接的复杂网络节点重要性评估方法和装置
Anand et al. Risk assessment and optimal allocation of security measures under stealthy false data injection attacks
US20220261986A1 (en) Diagnosis pattern generation method and computer
CN113689042B (zh) 监测节点的故障源预测方法
CN115617634A (zh) 基于5g的核电设备异常诊断方法、装置和计算机设备
CN113887676A (zh) 设备故障预警方法、装置、设备、介质和计算机程序产品

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