CN112884348B - 基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法 - Google Patents

Abstract

本发明公开了基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法，主要涉及航天火工品生产领域；包括步骤：S1、提取偏差源、观测特征，确定输入、输出节点；S2、分析变量间依赖关系，确定初始网络结构；S3、确定批次状态转移概率，建立动态贝叶斯网络；S4、多次随机抽样，扩充数据集；S5、构建偏差敏感度矩阵；S6、对初始网络进行结构学习和参数学习并完成测点优化；本发明改进了传统诊断方法中经济成本高、偏差源难以定位、过度依赖专家经验的不足，提高偏差诊断的精度和可靠性，减少人力物力投入。

Description

基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法

技术领域

本发明涉及航天火工品生产领域，具体是基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法。

背景技术

随着我国国民经济水平的不断提升和航天事业的发展，航天火工品的需求也不断增加，更加高效、精确的火工品生产加工成为了亟待解决的问题。由于航天火工品制造的特殊性，火工品制造过程在保证稳定的同时，在安全性、精度等方面都高于其它行业的要求。在航天火工品起爆器的生产过程中，零件制造偏差、定位偏差、装配误差以及操作缺陷等误差源都会对起爆器制造偏差造成影响，进而对整个火工品质量乃至下游产品的功能产生很大的影响，因此起爆器质量控制技术受到学界与业界的高度重视。目前，国内航天起爆器的生产加工仍然存在一些问题：

1)、起爆器的生产处于半自动化状态，部分加工步骤需要由人工来完成生产，过多依赖于主观经验，因此产品质量的一致性难以得到保证。

2)、起爆器产品有小批量、多批次的特点，生产加工过程中参数众多、数据量大、规格复杂，观测数据存在波动性、传递性和耦合性，对产品偏差的定位和识别存在一定困难。

针对上述存在的问题，我们迫切需要找到一种分析方法使得产品在生产加工中质量的一致性能够得到保障。

发明内容

本发明的目的在于解决现有技术中存在的问题，提供一种基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法，它不依赖于具体偏差解析模型的偏差源诊断策略，其中应用了动态贝叶斯网络方法，可被应用于生产制造过程的偏差源诊断和质量一致性分析；改进了传统诊断方法中的经济成本高、偏差源难以定位、过度依赖专家经验的不足，提高了偏差诊断的精度和可靠性，减少了人力物力投入。

本发明为实现上述目的，通过以下技术方案实现：

基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法，包括步骤：

S1、提取偏差源、观测特征，确定输入、输出节点；

S2、分析变量间依赖关系，确定初始网络结构；

S3、确定批次状态转移概率，建立动态贝叶斯网络；

S4、多次随机抽样，扩充数据集；

S5、构建偏差敏感度矩阵；

S6、对初始网络进行结构学习和参数学习并完成测点优化。

进一步的，步骤S1中，确定输入节点包括零件偏差S₀、定位偏差V_f、装配偏差V_w以及其他偏差源V_q，输出节点为关键产品特征观测点S₁，S₂…，S_n。

进一步的，步骤S2中，用网络节点表示偏差源节点和观测节点，用有向边表示偏差源节点对观测节点的因果关系，用概率表示输入与输出之间的关系强度，给出条件概率表用来量化上层节点对下层节点的不确定性影响，由此确定模型初始结构。

进一步的，步骤S3中，定义P_i、P_j用以表示依赖关系，P_i表示前一批次成功的前提下下一批次成功的概率，P_j表示前一批次失败的前提下下一批次失败的概率，由此构建生产制造偏差的动态贝叶斯网络。

进一步的，步骤S4中，收集检测数据，基于标准正态分布N(0,σ²)，对比检测数据与均值状态之间的距离大小来实现检测数据的离散化，针对小数据集D，多次随机抽样取数据子集D_n＝0.5D。

进一步的，步骤S5中，定义产品质量偏差与各级偏差之间的敏感度矩阵S，描绘偏差源向量{V_u}与总成偏差{V_w}之间的线性映射关系，基于区分度指标法选取高敏感度特征参数，计算节点间的互信息大小，由此分析节点之间的依赖关系。

进一步的，步骤S6中，将先验概率与样本数据融合，推理出偏差诊断的后验概率，并依据敏感度矩阵和互信息计算结果，对初始网络进行结构学习和参数学习并完成测点优化。

进一步的，在初始网络基础上，基于条件独立性检验，对动态贝叶斯网络进行更新的算法具体工作如下：

步骤①、设定学习循环次数上限u以及判定阈值ε，给出初始网络结构X，定义观测节点S_j的潜在偏差源节点集

步骤②、计算偏差源节点F_i与第j个观测节点S_j之间的互信息大小：

I(F_i；S_j)＝H(F_i)-H(F_i|S_j)；

步骤③、将前k个与S_j具有最大互信息的偏差源节点作为S_j的潜在父节点，

步骤④、条件判定，如果或当k＝u时，确认添加从π(S_j)到S_j的有向边，删除初始结构中/>到节点S_j的有向边，同时更新网络参数；

步骤⑤、如果不满足条件，则k←k+1，进入下一轮学习；当步骤④中两个条件均无法满足时，增加S_j的潜在父节点集中偏差源节点数目，从步骤②开始重新检验，直到S_j与其他偏差源节点条件独立或者父节点数目达到u时，停止学习；

步骤⑥、依据以上流程依次对所有观测节点进行条件独立性检验，实现对网络结构和参数的更新，完成测点优化。

对比现有技术，本发明的有益效果在于：

1、本发明基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法，旨在改进当前起爆器生产加工偏差诊断过程过度依赖专家经验的不足，具有工程意义；

2、本发明针对火工品生产小数据集、多批次的特点，基于变量间依赖关系和状态转移概率分布，设计偏差源诊断方法，其在实际运用中有更高的精度和可靠性；

3、本发明针对实际系统偏差的波动性、传递性和耦合性，基于多源信息融合分析，在实际应用中具有不依赖具体、精确的偏差解析数学模型的优势。

附图说明

附图1是本发明的偏差源诊断方法实施流程图；

附图2是本发明的动态贝叶斯网络更新流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。

实施例：本发明公开了一种基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法，包括基于变量间依赖关系的模型建立，各参数耦合强度的表示，基于批次状态转移概率分布的构造，将质量诊断问题转化为依据历史数据和当前观测的后验估计。

具体的，如附图1所示，包括步骤：

S1、提取偏差源、观测特征，确定输入、输出节点；

S2、分析变量间依赖关系，确定初始网络结构；

S3、确定批次状态转移概率，建立动态贝叶斯网络；

S4、多次随机抽样，扩充数据集；

S5、构建偏差敏感度矩阵；

S6、对初始网络进行结构学习和参数学习并完成测点优化。

进一步的，步骤S1中，针对航天火工品起爆器生产制造过程中的工艺步骤和质量控制点，确定输入节点包括零件偏差S₀、定位偏差V_f、装配偏差V_w以及其他偏差源V_q，输出节点为关键产品特征观测点S₁，S₂…，S_n。

进一步的，步骤S2中，用网络节点表示偏差源节点和观测节点，用有向边表示偏差源节点对观测节点的因果关系，用概率表示输入与输出之间的关系强度，给出条件概率表用来量化上层节点对下层节点的不确定性影响，由此确定模型初始结构。

进一步的，步骤S3中，确定批次间的状态转移概率，定义P_i、P_j用以表示依赖关系，P_i表示前一批次成功的前提下下一批次成功的概率，P_j表示前一批次失败的前提下下一批次失败的概率，由此构建生产制造偏差的动态贝叶斯网络。

进一步的，步骤S4中，收集检测数据，基于标准正态分布N(0,σ²)，对比检测数据与均值状态之间的距离大小来实现检测数据的离散化，针对小数据集D，多次随机抽样取数据子集D_n＝0.5D，以此扩充数据集的容量、增加数据的多样性，从而提高学习的精度。

进一步的，步骤S5中，定义产品质量偏差与各级偏差之间的敏感度矩阵S，描绘偏差源向量{V_u}与总成偏差{V_w}之间的线性映射关系，基于区分度指标法选取高敏感度特征参数，计算节点间的互信息大小，由此分析节点之间的依赖关系。

进一步的，步骤S6中，将先验概率与样本数据融合，推理出偏差诊断的后验概率，并依据敏感度矩阵和互信息计算结果，对初始网络进行结构学习和参数学习并完成测点优化。

进一步的，在初始网络基础上，基于条件独立性检验，对动态贝叶斯网络进行更新的算法具体工作如下：

步骤①、设定学习循环次数上限u以及判定阈值ε，给出初始网络结构X，定义观测节点S_j的潜在偏差源节点集

步骤②、计算偏差源节点F_i与第j个观测节点S_j之间的互信息大小：

I(F_i；S_j)＝H(F_i)-H(F_i|S_j)；

步骤③、将前k个与S_j具有最大互信息的偏差源节点作为S_j的潜在父节点，

步骤④、条件判定，如果或当k＝u时，确认添加从π(S_j)到S_j的有向边，删除初始结构中/>到节点S_j的有向边，同时更新网络参数；

步骤⑤、如果不满足条件，则k←k+1，进入下一轮学习；当步骤④中两个条件均无法满足时，增加S_j的潜在父节点集中偏差源节点数目，从步骤②开始重新检验，直到S_j与其他偏差源节点条件独立或者父节点数目达到u时，停止学习；

步骤⑥、依据以上流程依次对所有观测节点进行条件独立性检验，实现对网络结构和参数的更新，完成测点优化。

本发明改进了传统诊断方法中的经济成本高、偏差源难以定位、过度依赖专家经验的不足，提高了偏差诊断的精度和可靠性，减少了人力物力投入。

Claims (3)

1.基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法，其特征在于，包括步骤：

S1、提取偏差源和观测特征，确定输入和输出节点；

S2、分析变量间依赖关系，确定初始网络结构；步骤S2中，用网络节点表示偏差源节点和观测节点，用有向边表示偏差源节点对观测节点的因果关系，用概率表示输入与输出之间的关系强度，给出条件概率表用来量化上层节点对下层节点的不确定性影响，由此确定模型初始结构；

S3、确定批次状态转移概率，建立动态贝叶斯网络；步骤S3中，定义P_i、P_j用以表示依赖关系，P_i表示前一批次成功的前提下下一批次成功的概率，P_j表示前一批次失败的前提下下一批次失败的概率，由此构建生产制造偏差的动态贝叶斯网络；

S4、多次随机抽样，扩充数据集；

S5、构建偏差敏感度矩阵；步骤S5中，定义产品质量偏差与各级偏差之间的敏感度矩阵S，描绘偏差源向量{V_u}与总成偏差{V_w}之间的线性映射关系，基于区分度指标法选取高敏感度特征参数，计算节点间的互信息大小，由此分析节点之间的依赖关系；

S6、对初始网络进行结构学习和参数学习并完成测点优化；步骤S6中，将先验概率与样本数据融合，推理出偏差诊断的后验概率，并依据敏感度矩阵和互信息计算结果，对初始网络进行结构学习和参数学习并完成测点优化；

在初始网络基础上，基于条件独立性检验，对动态贝叶斯网络进行更新的算法具体工作如下：

步骤①、设定学习循环次数上限u以及判定阈值ε，给出初始网络结构X，定义观测节点S_j的潜在偏差源节点集

步骤②、计算偏差源节点F_i与第j个观测节点S_j之间的互信息大小：

I(F_i；S_j)＝H(F_i)-H(F_iS_j)；

步骤③、将前k个与S_j具有最大互信息的偏差源节点作为S_j的潜在父节点，

步骤④、条件判定，如果或当k＝u时，确认添加从π(S_j)到S_j的有向边，删除初始结构中/>到节点S_j的有向边，同时更新网络参数；

步骤⑤、如果不满足条件，则k←k+1，进入下一轮学习；当步骤④中两个条件均无法满足时，增加S_j的潜在父节点集中偏差源节点数目，从步骤②开始重新检验，直到S_j与其他偏差源节点条件独立或者父节点数目达到u时，停止学习；

步骤⑥、依据以上流程依次对所有观测节点进行条件独立性检验，实现对网络结构和参数的更新，完成测点优化。

2.根据权利要求1所述的基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法，其特征在于：步骤S1中，确定输入节点包括零件偏差S₀、定位偏差V_f、装配偏差V_w以及其他偏差源V_q，输出节点为关键产品特征观测点S₁，S₂…，S_n。

3.根据权利要求1所述的基于动态贝叶斯网络的航天起爆器生产偏差源诊断方法，其特征在于：步骤S4中，收集检测数据，基于标准正态分布N(0,σ²)，对比检测数据与均值状态之间的距离大小来实现检测数据的离散化，针对小数据集D，多次随机抽样取数据子集D_n＝0.5D。