CN112464555A - 一种基于多智能体的多态系统动态可靠性仿真评价方法 - Google Patents

一种基于多智能体的多态系统动态可靠性仿真评价方法 Download PDF

Info

Publication number
CN112464555A
CN112464555A CN202011242761.XA CN202011242761A CN112464555A CN 112464555 A CN112464555 A CN 112464555A CN 202011242761 A CN202011242761 A CN 202011242761A CN 112464555 A CN112464555 A CN 112464555A
Authority
CN
China
Prior art keywords
agent
state
fault
intelligent
intelligent agent
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.)
Pending
Application number
CN202011242761.XA
Other languages
English (en)
Inventor
冯强
郭星
任羿
杨德真
孙博
王自力
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 CN202011242761.XA priority Critical patent/CN112464555A/zh
Publication of CN112464555A publication Critical patent/CN112464555A/zh
Pending legal-status Critical Current

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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多智能体的多态系统动态可靠性仿真评价方法，尤其涉及到一种基于多智能体建模，支持描述组成单元多态功能和多态故障及其影响的动态系统动态可靠性评价方法。步骤如下：1.基于智能体的多态系统要素抽象，将多态系统及其运行过程抽象为任务类智能体与系统类智能体。2.基于功能框图对抽象后智能体的功能多态性进行描述和分析。3.基于FMEA的智能体故障多态及影响分析，通过FMEA对抽象后智能体的故障多态性进行描述和分析。4.定义智能体功能与故障多态及智能体之间的交互规则。5.在多智能体的多态系统可靠性模型基础上，根据多次仿真结果，按
Figure DDA0002768937260000011
评估系统的平均性能，R(t)＝l(t)/n计算系统可靠度。

Description

一种基于多智能体的多态系统动态可靠性仿真评价方法
所属技术领域
本发明提供一种基于多智能体的多态系统动态可靠性评价方法，尤其涉及到一种基于多智能体建模，支持描述组成单元多态功能和多态故障及其影响的系统动态可靠性仿真评价方法，属于可靠性工程技术领域。
背景技术
传统的可靠性评价方法往往把系统状态简化为“二态”，即系统处于完好的工作状态，或处于完全失效的工作状态。但很多系统在完好工作状态与完全失效状态之间往往存在多个中间状态，其中蕴含着丰富的潜在故障信息，对揭示系统故障规律和提高其可靠性具有重要作用。因此，多态系统的可靠性研究正在成为研究热点。
目前多态系统可靠性评价方法主要包括：多值决策图、多状态n中取k系统、马尔科夫模型、动态贝叶斯网络以及蒙特卡洛仿真等。但已有方法对系统及单元状态定义过于简化，对多态系统中各单元的多态功能和多态故障之间的动态行为和影响描述较少，无法准确评价多态系统的动态可靠性。此外，随着系统规模增加、结构复杂，这些方法的适用性不断下降。因此寻找一种行之有效的多态系统动态可靠性评价方法具有重要意义。
本发明基于多智能体理论研究了考虑多态系统各单元间的功能多态以及故障多态的影响，结合基于多维性能判据的多态系统动态可靠性评价标准，发明了一种新型多态系统动态可靠性评价方法，即基于多智能体的多态系统动态可靠性评价仿真方法，可为具有多态功能及多态故障的多态系统动态可靠性提供建模和仿真评价。
发明内容
本发明的目的是为多态系统提供一种基于多智能体的可靠性仿真评价方法，该方法可有效描述多态系统的多态功能与多态故障，从而满足多态系统动态可靠性评价需求。
本发明的目的是提出一种基于多智能体的多态系统可靠性仿真评价方法，主要包含以下步骤。
步骤一：基于智能体的多态系统要素抽象
基于面向智能体的分析思路，将多态系统及其运行过程抽象为任务类智能体与系统类智能体。其中，任务类智能体为虚拟类智能体，是对任务和逻辑的抽象，系统类智能体是对多态系统中实体要素的抽象，是实体类智能体，用以描述各要素在系统运行过程中的多态功能及多态故障行为。
步骤二：基于功能框图的智能体功能多态与联系分析
基于功能框图中所描述功能结构和运行逻辑，依次分析已识别智能体所包含的多个功能状态以及各状态间的时序和逻辑联系。在此基础上，对系统运行过程中智能体之间的交互关系进行分析。
步骤三：基于FMEA的智能体故障多态及影响分析
基于FMEA对多态系统发生多态故障时的现象进行描述，依次分析已识别智能体所包含的多个故障状态，从而明确单个智能体内部功能多态与故障多态的转移，以及智能体之间故障多态的影响。
步骤四：定义智能体功能与故障多态及交互规则
任务类智能体在顶层负责全局主控协同，系统类智能体处于下一层次，可通过局部自主协同完成具体任务。每个系统类智能体均具有多态功能与多态故障，可以通过状态跃迁，切换到特定的状态。智能体之间可以进行交互，包括协同完成功能以及对多态故障进行传递。其中多态故障传递的依据是FMEA中的故障影响。
步骤五：基于蒙特卡洛的多态系统动态可靠性评价
在建立基于多智能体的多态系统可靠性模型的基础上，建立基于多性能降级组合的系统多态故障判据。然后给出随机种子，进行基于多智能体模型的多态系统蒙特卡洛仿真，统计各类性能参数、性能优于故障判据的次数和总仿真次数。因为可靠性的评价依靠性能输出结果，所以需要根据性能输出来判断单次抽样后的智能体模型的成功或者失败，从而进行可靠性评价。设总仿真次数是n，系统的平均性能
Figure BDA0002768937240000031
式中Pi j为多态系统第i(1≤i≤k)项性能在第j次仿真时的输出，k为系统要求性能的个数。则多态系统的可靠性水平R(t)＝l(t)/n，式中l是性能Pi(t)优于Pi(t)lim|i＝1…k的次数，Pi(t)lim为某时刻第i项性能的临界值。
附图说明
图1为本发明中所述方法的整体架构框图
图2为某闸阀系统的功能框图
图3为考虑功能多态的基于智能体的电动装置和闸板组件模型结构
图4为考虑功能多态与故障多态的基于智能体的电动装置模型结构
图5为考虑故障多态的基于智能体的电动装置和闸板组件模型结构
图6为考虑功能与故障多态的基于智能体的闸阀系统模型结构
具体实施方式
为使本发明的技术方案、特征及优点得到更清楚的了解，以下结合附图，作详细说明。
本发明给出了一种基于多智能体的多态系统可靠性建模方法，可为具有多态功能及多态故障的多态系统可靠性提供建模，并对其进行动态可靠性评价。图1为本发明的整体架构，下面以实例进一步说明本发明的实质内容，但本发明的内容并不限于此。
步骤一：基于智能体的多态系统要素抽象
基于面向智能体的分析思路，将多态系统及其运行过程抽象为任务类智能体与系统类智能体。其中，任务类智能体为虚拟类智能体，是对任务和逻辑的抽象，系统类智能体是对多态系统中实体要素的抽象，是实体类智能体，用以描述各要素在系统运行过程中的多态功能及多态故障行为。
例1：某闸阀系统，其主要功能包括：开启动作、关闭动作、保持开启以及保持关闭。所含主要功能单元分别为电动装置、位置指示装置、滚珠丝杠副、闸板组件、阀盖组件、中口密封垫和阀体组件。
对闸阀系统的要素进行抽象，结果如表1所示。
表1闸阀系统抽象
Figure BDA0002768937240000041
步骤二：基于功能框图的智能体功能多态与联系分析
基于功能框图中所描述功能结构和运行逻辑，依次分析已识别智能体所包含的多个功能状态以及各状态间的时序和逻辑联系。在此基础上，对系统运行过程中智能体之间的交互关系进行分析。
例2，接例1。根据图2所示某闸阀系统功能框图，电控装置智能体的功能可以划分为：提供开阀扭矩、提供关阀扭矩以及装置自锁，各功能状态可以进行相互转换。闸板组件智能体的功能分别为：保持关闭状态、保持开启状态、进行开启动作和进行关闭动作。闸板组件智能体所处的功能状态取决于电控装置智能体的功能状态。例如，当电控装置智能体的功能状态处于提供开阀扭矩时，则闸板组件智能体执行相对应的功能，即进行关闭动作。模型结构如图3所示，
步骤三：基于FMEA的智能体故障多态及影响分析
基于FMEA对多态系统发生多态故障时的现象进行描述，依次分析已识别智能体所包含的多个故障状态，从而明确单个智能体内部功能多态与故障多态的转移，以及智能体之间故障多态的影响。
例3，接例1。完成某闸阀系统的故障模式及影响分析。电控装置FMEA部分结果如表2所示。
表2电控装置FMEA部分结果
Figure BDA0002768937240000051
如图4所示，抽象后的电动装置智能体存在多种故障状态，分别为动能不连续、响应延迟、无法提供开阀扭矩、无法提供关阀扭矩和开启后无法自动关闭，各故障状态间可以进行相互转换。同时，电动装置智能体内部存在正常状态与故障状态的跃迁。例如，在某时刻，电动装置智能体从装置自锁跃迁至无法自动关闭。
如图5所示，闸板组件智能体的故障状态包括闸门响应时间延长、闸门无法关闭、闸门无法打开以及闸门开关到位后无法停止。当电动装置智能体从正常状态跃迁至故障状态时，故障会传递至闸板组件智能体。例如，当电动装置智能体由提供开阀扭矩跃迁至动能不连续时，阀板组件智能体则处于相应的故障状态，即阀门的响应时间延长。
步骤四：定义智能体功能与故障多态及交互规则
任务类智能体在顶层负责全局主控协同，系统类智能体处于下一层次，可通过局部自主协同完成具体任务。每个系统类智能体均具有多态功能与多态故障，可以通过状态跃迁，切换到特定的状态。智能体之间可以进行交互，包括协同完成功能以及对多态故障进行传递。其中多态故障传递的依据是FMEA中的故障影响。
例4，接例2和例3。仍然分析某闸阀系统。将电控装置和闸板组件分别抽象为电控装置智能体和闸板组件智能体。通过步骤2和3的分析结果，得到图6所示某闸阀系统部分组件智能体模型结构。
电动装置智能体和闸板组件智能体可以在正常状态和故障状态中进行跃迁，并通过连线反应智能体内部以及智能体之间的交互关系。例如，当电控装置智能体从提供开阀扭矩跃迁至无法提供开阀扭矩时，闸板组件智能体将从工作状态跃迁至相应的故障状态，即阀门无法打开。
步骤五：基于蒙特卡洛的多态系统动态可靠性评价
在建立基于多智能体的多态系统可靠性模型的基础上，建立基于多性能降级组合的系统多态故障判据。然后给出随机种子，进行基于多智能体模型的多态系统蒙特卡洛仿真，统计各类性能参数、性能优于故障判据的次数和总仿真次数。因为可靠性的评价依靠性能输出结果，所以需要根据性能输出来判断单次抽样后的智能体模型的成功或者失败，从而进行可靠性评价。设总仿真次数是n，系统的平均性能
Figure BDA0002768937240000061
式中Pi j为多态系统第i(1≤i≤k)项性能在第j次仿真时的输出，k为系统要求性能的个数。则多态系统的可靠性水平R(t)＝l(t)/n，式中l是性能Pi(t)优于Pi(t)lim|i＝1…k的次数，Pi(t)lim为某时刻第i项性能的临界值。
例5，接例1。建立基于多智能体的闸阀系统可靠性模型，当阀门响应时间T<2.5s、阀门旋转角度偏差Ф不超过0.001rad时，则判断单次抽样后的智能体模型成功。
假设仿真n＝10000次，在t＝300h时刻，l(300)＝8930，R(300)＝8930/10000＝0.893，
Figure BDA0002768937240000062
即系统在t＝300h时刻，可靠度为0.893，阀门平均响应时间为2.43s，阀门旋转角度偏差为0.0005rad。

Claims (6)

1.一种基于多智能体的多态系统动态可靠性仿真评价方法，其特征在于：它包含以下步骤：
步骤一：基于智能体的多态系统要素抽象。基于面向智能体的分析思路，将多态系统任务和逻辑抽象为任务类智能体，实体要素抽象为系统类智能体。
步骤二：基于功能框图的智能体功能多态与联系分析。根据系统功能框图所描述的功能架构和逻辑关系，对智能体功能多态及智能体之间的交互关系进行分析。
步骤三：基于FMEA的智能体故障多态及影响分析。根据多态系统FMEA，对智能体故障多态、智能体内部的状态转移以及智能体之间的故障影响进行分析。
步骤四：定义智能体功能与故障多态及交互规则。明确系统类智能体所包含的功能多态与故障多态，并分析智能体之间的交互规则。
步骤五：基于蒙特卡洛的多态系统动态可靠性评价。在多智能体的多态系统可靠性模型基础上，建立基于多性能降级组合的系统多态故障判据，根据多次仿真结果，计算系统任意时刻的可靠度和平均性能。
2.根据权利要求1所述的一种基于多智能体的多态系统动态可靠性仿真评价方法，其特征在于：在步骤一中所述的“基于智能体的多态系统要素抽象”中，基于面向智能体的分析思路，将多态系统及其运行过程抽象为任务类智能体与系统类智能体。其中，任务类智能体为虚拟类智能体，是对任务和逻辑的抽象，系统类智能体是对多态系统中实体要素的抽象，是实体类智能体，用以描述各要素在系统运行过程中的多态功能及多态故障行为。
3.根据权利要求1所述的一种基于多智能体的多态系统动态可靠性仿真评价方法，其特征在于：在步骤二中所述的“基于功能框图的智能体功能多态与联系分析”中，基于功能框图中所描述功能结构和运行逻辑，依次分析已识别智能体所包含的多个功能状态以及各状态间的时序和逻辑联系。在此基础上，对系统运行过程中智能体之间的交互关系进行分析。
4.根据权利要求1所述的一种基于多智能体的多态系统动态可靠性仿真评价方法，其特征在于：在步骤三中所述的“基于FMEA的智能体故障多态及影响分析”中，基于FMEA对多态系统发生多态故障时的现象进行描述，依次分析已识别智能体所包含的多个故障状态，从而明确单个智能体内部功能多态与故障多态的转移，以及智能体之间故障多态的影响。
5.根据权利要求1所述的一种基于多智能体的多态系统动态可靠性仿真评价方法，其特征在于：在步骤四中所述的“定义智能体功能与故障多态及交互规则”中，任务类智能体在顶层负责全局主控协同，系统类智能体处于下一层次，可通过局部自主协同完成具体任务。每个系统类智能体均具有多态功能与多态故障，可以通过状态跃迁，切换到特定的状态。智能体之间可以进行交互，包括协同完成功能以及对多态故障进行传递。其中多态故障传递的依据是FMEA中的故障影响。
6.根据权利要求1所述的一种基于多智能体的多态系统动态可靠性仿真评价方法，其特征在于：在步骤五中所述的“基于蒙特卡洛的多态系统动态可靠性评价”中，在建立基于多智能体的多态系统可靠性模型的基础上，建立基于多性能降级组合的系统多态故障判据。然后给出随机种子，进行基于多智能体模型的多态系统蒙特卡洛仿真，统计各类性能参数、性能优于故障判据的次数和总仿真次数。因为可靠性的评价依靠性能输出结果，所以需要根据性能输出来判断单次抽样后的智能体模型的成功或者失败，从而进行可靠性评价。设总仿真次数是n，系统的平均性能
Figure FDA0002768937230000021
式中Pi j为多态系统第i(1≤i≤k)项性能在第j次仿真时的输出，k为系统要求性能的个数。则多态系统的可靠性水平R(t)＝l(t)/n，式中l是性能Pi(t)优于Pi(t)lim|i＝1…k的次数，Pi(t)lim为某时刻第i项性能的临界值。
CN202011242761.XA 2020-11-10 2020-11-10 一种基于多智能体的多态系统动态可靠性仿真评价方法 Pending CN112464555A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011242761.XA CN112464555A (zh) 2020-11-10 2020-11-10 一种基于多智能体的多态系统动态可靠性仿真评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011242761.XA CN112464555A (zh) 2020-11-10 2020-11-10 一种基于多智能体的多态系统动态可靠性仿真评价方法

Publications (1)

Publication Number Publication Date
CN112464555A true CN112464555A (zh) 2021-03-09

Family

ID=74825547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011242761.XA Pending CN112464555A (zh) 2020-11-10 2020-11-10 一种基于多智能体的多态系统动态可靠性仿真评价方法

Country Status (1)

Country Link
CN (1) CN112464555A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326573A (zh) * 2021-06-28 2021-08-31 北京航空航天大学 一种基于智能体的无人机集群综合保障效能评估方法
CN113673907A (zh) * 2021-09-02 2021-11-19 北京航空航天大学 一种基于多智能体的保障体系运行能力评价方法
CN114397907A (zh) * 2021-12-20 2022-04-26 北京航空航天大学 一种基于多智能体的集群自适应重构行为建模方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080276206A1 (en) * 2007-04-13 2008-11-06 Yogitech S.P.A. Method for performing failure mode and effects analysis of an integrated circuit and computer program product therefor
CN104656066A (zh) * 2013-11-23 2015-05-27 中国电子科技集团公司第三十八研究所 基于反演分析技术的雷达举升系统薄弱环节动态识别方法
CN108170892A (zh) * 2017-11-30 2018-06-15 中国航空综合技术研究所 一种基于事故动态推演仿真的故障模式与影响分析方法
CN108983747A (zh) * 2018-06-27 2018-12-11 北京航空航天大学 一种基于多智能体的复杂系统可靠性评估方法
CN110955227A (zh) * 2019-11-22 2020-04-03 西安电子科技大学 一种基于模糊动态贝叶斯网络的系统模糊可靠性分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080276206A1 (en) * 2007-04-13 2008-11-06 Yogitech S.P.A. Method for performing failure mode and effects analysis of an integrated circuit and computer program product therefor
CN104656066A (zh) * 2013-11-23 2015-05-27 中国电子科技集团公司第三十八研究所 基于反演分析技术的雷达举升系统薄弱环节动态识别方法
CN108170892A (zh) * 2017-11-30 2018-06-15 中国航空综合技术研究所 一种基于事故动态推演仿真的故障模式与影响分析方法
CN108983747A (zh) * 2018-06-27 2018-12-11 北京航空航天大学 一种基于多智能体的复杂系统可靠性评估方法
CN110955227A (zh) * 2019-11-22 2020-04-03 西安电子科技大学 一种基于模糊动态贝叶斯网络的系统模糊可靠性分析方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326573A (zh) * 2021-06-28 2021-08-31 北京航空航天大学 一种基于智能体的无人机集群综合保障效能评估方法
CN113673907A (zh) * 2021-09-02 2021-11-19 北京航空航天大学 一种基于多智能体的保障体系运行能力评价方法
CN114397907A (zh) * 2021-12-20 2022-04-26 北京航空航天大学 一种基于多智能体的集群自适应重构行为建模方法
CN114397907B (zh) * 2021-12-20 2024-03-26 北京航空航天大学 一种基于多智能体的集群自适应重构行为建模方法

Similar Documents

Publication Publication Date Title
CN112464555A (zh) 一种基于多智能体的多态系统动态可靠性仿真评价方法
WO2022105266A1 (zh) 电梯故障预测方法、系统、装置、计算机设备和存储介质
CN103870659B (zh) 一种数控机床故障分析方法
Zhang et al. Artificial neural network for load forecasting in smart grid
CN103426056B (zh) 基于风险评估的电力系统薄弱环节辨识方法
CN110362048A (zh) 风机关键部件状态监测方法及装置、存储介质和终端
CN103399280B (zh) 基于nsdp-ar模型的锂离子电池循环寿命预测方法
Last et al. Effective black-box testing with genetic algorithms
CN111983474A (zh) 一种基于容量衰退模型的锂离子电池寿命预测方法和系统
Pham et al. Reduced optimal power flow using graph neural network
CN116593883A (zh) 一种智能化高压开关的断路器本体故障诊断方法、装置、设备及存储介质
CN111680712A (zh) 基于日内相似时刻的变压器油温预测方法、装置及系统
Cai et al. Bayesian networks in fault diagnosis: Practice and application
Assis et al. Unsupervised machine learning techniques applied to composite reliability assessment of power systems
Luo et al. A Novel Software Reliability Growth Model Based on Generalized Imperfect Debugging NHPP Framework
CN117744501A (zh) 考虑生态流量的水网系统调蓄节点优化调度与决策方法
Che et al. Equipment systems reliability analysis based on FTA
CN111769545A (zh) 一种在相继的多重开断场景下潮流评估方法及装置
CN109754225A (zh) 一种日前发电计划制定流程的监控系统的设计方法及装置
Lobur et al. Modelling of type I and II errors of switching device for systems with hot and cold redundancy based on two-terminal dynamic fault tree
Li et al. Modeling and analysis of failure mechanism dependence based on petri net
CN115392118A (zh) 用于高压隔离开关机械故障智能诊断的调试系统
Blakely et al. Evaluation and comparison of machine learning techniques for rapid qsts simulations
Niloofar et al. Learning Temporal Truth Tables of Dynamic Fault Trees from Time Series Data on Faults
Runge et al. Introduction to risk analysis

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210309