CN113094863A - 一种考虑失效传播的民机系统运行可靠性评估方法 - Google Patents
一种考虑失效传播的民机系统运行可靠性评估方法 Download PDFInfo
- Publication number
- CN113094863A CN113094863A CN201911342037.1A CN201911342037A CN113094863A CN 113094863 A CN113094863 A CN 113094863A CN 201911342037 A CN201911342037 A CN 201911342037A CN 113094863 A CN113094863 A CN 113094863A
- Authority
- CN
- China
- Prior art keywords
- failure
- propagation
- failure propagation
- aircraft system
- civil aircraft
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013526 transfer learning Methods 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 17
- 230000002860 competitive effect Effects 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 7
- 238000010206 sensitivity analysis Methods 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 6
- 238000013076 uncertainty analysis Methods 0.000 claims description 6
- 230000003111 delayed effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims 1
- 241000039077 Copula Species 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000013398 bayesian method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种针对失效传播的民机系统机运行可靠性评估方法，其步骤如下：结合民机系统失效机理，分析失效传播对民机系统运行可靠性影响；采用动态故障树方法识别可能存在的失效传播及路径，实现通过时序分析故障路径；提出针对失效传播的数据处理与分析方法，采用贝叶斯结构方法，计算失效传播的条件概率；构建单失效源、多传播路径的失效传播分析模型，采用符号有向图方法加以实现；构建多失效源、多传播路径的失效传播分析模型，采用高斯过程代理模型分析各失效源传播路径对整个失效传播的贡献；考虑失效传播的背景下，针对数据与模型进行不确定分析性；采用降噪自编码的深度学习结合迁移学习进行考虑失效传播的民机系统运行可靠性评估。
Description
技术领域
本发明涉及航空安全领域，具体是一种考虑失效传播的民机系统运行可靠性评估方法。
背景技术
失效传播是影响系统运行可靠性的重要因素之一。民机系统是典型的复杂耦合系统，由于失效传播及复杂系统自身的特点，决定其在运行过程中存在多种具有关联性的失效模式，且多失效模式之间的作用规律还会伴随着失效传播发生转换和切换，普遍存在由单失效引发多失效，由局部失效引发全局失效，由轻微的性能退化失效导致严重失效等问题，极大增加了系统运行可靠性评估的难度。因此，如何利用有限的状态监测信息及工程经验，及时感知失效传播的作用机制、演变规律及其对复杂系统运行可靠性的影响，采用面向失效传播的民机系统运行可靠性评估方法，对提高民机运行可靠性评估的系统化、精确化具有重要意义。
发明内容
本项目从有效控制民机系统运行风险，感知失效传播对运行可靠性的影响，分析失效传播机理、处理失效传播数据，构建失效传播路径模型，研究失效传播中数据与模型的不确定性，提出基于机器学习的失效传播可靠性评估方法，提高运行可靠性评估的准确度。
本发明提出的一种考虑失效传播的民机系统运行可靠性评估方法，包括以下步骤：
1)结合民机系统失效机理，分析失效传播对运行可靠性的影响；
2)采用动态故障树方法识别可能存在的失效传播及传播路径；
3)提出针对失效传播的数据处理与分析方法，利用可观测变量、不可观测变量及潜在变量，计算失效传播的条件概率；
4)构建单失效源、多传播路径的失效传播分析模型；
5)构建多失效源、多传播路径的失效传播分析模型；
6)考虑失效传播的背景下，针对数据与模型进行不确定分析，降低模型选择的不确定性；
7)针对噪音大，数据样本量小的特点，采用降噪自编码的深度学习结合迁移学习进行考虑失效传播的民机系统运行可靠性评估。
步骤1)所述的结合民机系统失效机理，分析失效传播对运行可靠性的影响，失效传播影响运行可靠性的作用形式，分别是潜在失效L和显性失效D；对运行可靠性的影响表现为，复合失效导致的运行可靠性降低r1，竞争失效导致的主导失效影响运行可靠性r2和对可靠性影响的延迟反应表示为r3。
2)采用动态故障树方法识别可能存在的失效传播及传播路径，将潜在失效L和显性失效D体现到故障树建模中，将对运行可靠性影响的r1、r2和r3融合到动态建模中，实现通过时序分析故障路径；
3)提出针对失效传播的数据处理与分析方法，利用可观测变量、不可观测变量及潜在变量，计算失效传播的条件概率；辨识失效传播过程中的失效源节点、中间结点和结果节点，采用变结构Copula模型分析失效之间的相关性，利用差分贝叶斯方法对原始数据进行处理，采用结构贝叶斯方法进行计算。
4)构建单失效源、多传播路径的失效传播分析模型，采用采用符号有向图法(Signed Directed Graph，SDG)进行描述，为降低计算的复杂度，通过计算概率最大的联合概率分布来寻找最关键失效传播路径。
5)构建多失效源、多传播路径的失效传播分析模型，是以单失效源、多传播路径计算的关键失效路径作为输入变量，采用高斯过程(Gaussian process，GP)代理模型分析各失效源传播路径对整个失效传播的贡献。
6)考虑失效传播的背景下，针对数据与模型进行不确定分析，降低模型选择的不确定性；分别采用单参数灵敏度分析和多参数灵敏度分析进行参数的不确定性分析，提出模型不确定性分析方法，采用高斯过程进行求解。
7)针对噪音大，数据样本量小的特点，采用降噪自编码的深度学习结合迁移学习进行考虑失效传播的民机系统运行可靠性评估。针对采集到的状态监测信息，采用降噪自编码器实现去噪和数据降维，并结合失效传播分析结果，采用迁移学习方法，运用朴素贝叶斯方法计算权重，进行考虑失效传播的运行可靠性评估。
与现有技术相比，本发明具有的优点和效果如下：
(1)立足于通过利用有限的监测信息，准确预测和精确把握失效传播的来源、过程和方式，实现有效控制运行风险，提出基于失效传播感知的民机系统运行可靠性监控体系，该体系对复杂系统失效机理及复杂系统运行可靠性先验信息-状态监测信息-失效传播路径-失效传播影响-运行可靠性评估之间相互关系进行充分描述和分析，使运行可靠性评估更加符合实际。
(2)解决少量观测数据与描述失效传播过程的大量数据需求之间的矛盾，设计观测变量、不可观测变量和潜在变量，利用贝叶斯结构方程模型，充分挖掘观测变量与潜在变量、潜在变量与潜在变量之间的关系，使状态监测数据立体化，实现描述复杂的失效传播过程，提高数据利用效率。
(3)研究基于失效传播的运行可靠性评估模型，以失效传播感知确定得到的失效传播路径、失效概率及状态转移条件概率为输入变量，建立与不同失效传播情况对应的运行可靠性评估模型，采用模型验证技术，降低选择模型的不确定性；获取各失效传播路径对系统运行可靠性水平的影响，可提高可靠性评估的准确度和可靠性管理的效率。
附图说明
图1为考虑失效传播的民机系统运行可靠性评估方法的流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
针对民机系统运行过程中，系统的复杂性及部件的关联性，决定系统中存在着失效传播问题，分析失效传播的影响及作用机制，通过有限数据，描述失效传播的影响，分别针对单失效源单失效路径、多失效源多失效路径进分析，进一步考虑模型的不确定性因素，采用机器学习方法，集合面向状态的思路，量化失效传播对运行可靠性的影响，避免低估或者高估运行可靠性，其实施过程可以分为以下7个步骤，如图1所示。
1.结合民机系统失效机理，分析失效传播对运行可靠性的影响
分析失效传播对运行可靠性的影响，包括三方面内容，一是基于失效传播的失效机理-监控信息-运行可靠性的监控体系；二是分析失效传播影响可靠性的机制；三是分析失效传播的表现形式。
(1)构建面向失效传播的运行可靠性评估体系
结合工程经验，分析典型民机系统的失效机制，重点关注民机系统失效之后产生的直接风险及由此触发及衍生的次生风险，构建利用状态监测信息与失效源、失效传播路径的关联与映射关系，能够实现对失效传播的及时捕捉并预测可能存在的失效源和失效传播路径，构建一个合理的基于失效传播感知的复杂系统运行可靠性监控体体系，是开展本研究的基础和出发点。
(2)分析失效传播对运行可靠性的影响机制
失效传播对运行可靠性的影响体现为潜在失效L和显性失效D，针对潜在失效L往往具有不可观测性，失效传播引发的潜在失效L与后续建模中的潜在变量发生关联，失效传播引发的显性失效D可以与状态监测参数建立关联，分解失效传播引起的不同故障之间的关联对状态监测参数的影响。
(3)分析失效传播对运行可靠性影响的表现形式
失效传播对运行可靠性的影响表现形式分为运行可靠性降低r1，r1＝f(D，α)，其中α表示复合故障对状态参数的影响；运行可靠性变化受一种主导的失效模式影响，可靠性以r2表示，r1＝f(D，β)，其中β表示竞争失效对运行可靠性的影响，和运行可靠性延迟变化，以r3表示，r3＝f(L，γ)，其中γ表示为失效传播导致的潜在失效对运行可靠性的影响。
2.采用动态故障树方法识别可能存在的失效传播及传播路径
(1)构建静态故障树，在传统的失效机理基础上，将潜在失效L和显性失效D体引入到静态故障树建模中，拓展静态故障树结构；
(2)构建动态故障树，将对运行可靠性的影响变量r1、r2和r3体现到动态建模中，因r1、r2和r3本身也是潜在失效L和显性失效D的关系，保证了静态故障树和动态故障树之间的关联性；
(3)动态故障树求解失效传播路径组合
针对静态子树，采用二元决策图(Binary decision diagram，BDD)进行求解，目标是沿着BDD图中从根节点到叶子节点的每条路径的不交化组合，采用遗传算法进行求解获得复杂系统所有的故障组合模式；将包含r1、r2和r3的动态故障树分解成若干个子状态链，利用马尔科夫状态转移链的方式分析动态故障树，采用蒙特卡洛仿真来进行求解。
3.提出针对失效传播的数据处理与分析方法，利用可观测变量、不可观测变量及潜在变量，计算失效传播的条件概率
(1)失效传播的动态性和随机性传播过程，主要体现在失效传播过程中传播参数的变化及失效传播路径变化的随机性和动态性上，针对描述失效传播过程中参数的变化，将在失效传播数据处理和分析中加以计算；
(2)针对失效传播路径的动态性和随机性，以失效机理及状态监测信息为基础，对失效传播过程中的失效源节点、中间节点和结果节点进行辨识。
(3)分析失效之间的相关性，采用变结构Copula模型进行建模，在变结构Copula建模中，分别建立两类模型，模型(i)Copula模型中变量的边缘分布模型一定，但Copula函数存在变结构适用于竞争失效，描述多个失效模式对系统行为的影响及其作用机制；(ii)Copula模型中变量的边缘分布模型和Copula函数部分均存在着变结构，其中边缘分布模型的变结构点和Copula函数部分的变结构点可以是重合的，也可以处在不同时间变点，适用于由失效传播引发的复合失效模式；
(4)采用差分贝叶斯方法对原始数据进行处理，进一步通过结构贝叶斯方法提取潜在变量与不观测变量、观测变量的关系，计算潜在变量的发生概率及发生失效传播的条件概率。
4、构建单失效源、多传播路径的失效传播分析模型
(1)采用采用符号有向图法(Signed Directed Graph，SDG)描述单失效源、多失效传播路径问题，为降低计算的复杂度，主要是通过计算概率最大的联合概率分布来寻找最关键失效传播路径；
(2)确定传播路径后，采用动态故障树方法寻找切断事故链条的割序，计算单失效源对运行可靠性的影响；
(3)分别建立面向潜在失效、复合失效和竞争失效的单失效源、多传播路径的关联关系，确定单失效源引发的主要失效表征形式。
5、构建多失效源、多传播路径的失效传播分析模型
(1)确定传播路径后，采用动态故障树方法寻找切断事故链条的割序，计算单失效源对运行可靠性的影响；
(2)针对多失效源多传播路径的分析与预测，是以单失效源多传播路径计算的关键失效路径作为输入变量，进一步采用高斯过程(Gaussian process，GP)代理模型分析各失效源传播路径对整个失效传播的贡献；
(3)分别建立面向潜在失效、复合失效和竞争失效的单失效源、多传播路径的关联关系，确定单失效源引发的主要失效表征形式。
6.考虑失效传播的背景下，针对数据与模型进行不确定分析，分别针对参数的不确定性和模型不确定进行分析，降低模型选择的不确定性
(1)分析不确定性因素，从不确定性的来源看重点考虑了数据不确定性、参数的不确定性和假设的不确定；从不确定性的性质来看有偶然不确定性和认知的不确定性；从不确定变化规律来看，包括逻辑结构的不确定性、内生不确定性和随机不确定性。
(2)进行参数灵敏度分析，包括单参数的灵敏度分析和参数多参数灵敏度分析，以及不确定性对分析失效传播的影响；
(3)建立失效传播运行可靠性评估不确定性分析模型，ur＝Pr(-ε＜Δ＜ε)，Δ＝Yo-Ym，Yo-观测值，Ym-模型预测值，ε-偏差阈值其表达式，并采用高斯过程进行求解，实现对模型不确定性分析。
7.针对噪音大，数据样本量小的特点，采用降噪自编码的深度学习结合迁移学习进行考虑失效传播的民机系统运行可靠性评估。
运用对失效传播的定性、定量分析，利用状态监测参数，采用深度学习方法，挖掘状态监测信息表征的深层次含义，计算考虑失效传播的运行可靠性水平。
(1)基于降噪自编码的考虑失效传播的民机系统运行状态评估，利用采集到的直接状态监测参数；确定网络的隐藏层数，将样本输入网络；使用贪婪逐层训练算法，将隐藏的N层DAE训练完成，提取出深层特征；将所得特征导入最后的回归层，得到初步的评估网络；用BP对网络进行微调，得到符合要求的最终网络，实现对民机系统运行状态可靠性评估。
(2)将上一步降维对运行可靠性的描述，利用分解得到的复合故障、竞争失效信息及延迟失效信息作为间接表征运行可靠性的信息，引入到运行可靠性评估模型，运用朴素贝叶斯方法进行计算，确定在失效传播下，不同失效传播机制对运行可靠性的影响，计算运行可靠性指标。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。
Claims (8)
1.一种针对失效传播的民机系统机运行可靠性评估方法，其特征在于包括以下步骤：
1)结合民机系统失效机理，分析失效传播对运行可靠性的影响；
2)采用动态故障树方法识别可能存在的失效传播及传播路径；
3)提出针对失效传播的数据处理与分析方法，利用可观测变量、不可观测变量及潜在变量，计算失效传播的条件概率；
4)构建单失效源、多传播路径的失效传播分析模型；
5)构建多失效源、多传播路径的失效传播分析模型；
6)考虑失效传播的背景下，针对数据与模型进行不确定分析，降低模型选择的不确定性；
7)针对噪音大，数据样本量小的特点，采用降噪自编码的深度学习结合迁移学习进行考虑失效传播的民机系统运行可靠性评估。
2.根据权利要求1所述的一种考虑失效传播的民机系统运行可靠性评估方法，其特征在于：步骤1)分析失效传播导致的潜在失效和显性失效，引发的复合失效、竞争失效和延迟反应失效对民机系统运行可靠性的影响。
3.根据权利要求1所述的一种考虑失效传播的民机系统运行可靠性评估方法，其特征在于：步骤2)将静态故障树建模方法与由失效传播引起的显性失效和潜在失效结合起来，将动态故障树建模方法与失效传播引起的复合失效、竞争失效和延迟反应失效结合起来，实现通过时序分析故障路径。
4.根据权利要求1所述的一种考虑失效传播的民机系统运行可靠性评估方法，其特征在于：步骤3)将运行过程中采集到的运行可靠性相关信息，采用贝叶斯结构方法，进行可观测变量、不可观测变量和潜在变量的建模，分析不同失效之间的相关性。
5.根据权利要求1所述的一种考虑失效传播的民机系统运行可靠性评估方法，其特征在于：步骤4)所述的多失效源、多传播路径的失效分析，采用符号有向图方法加以实现，通过计算概率最大的联合概率分析寻找关键失效传播路径。
6.根据权利要求1所述的一种考虑失效传播的民机系统运行可靠性评估方法，其特征在于：步骤5)所述的多失效源、多传播路径的失效分析，以单失效源、多传播路径计算的关键失效路径作为输入变量，采用高斯过程(Gaussian process，GP)代理模型分析各失效源传播路径对整个失效传播的贡献。
7.根据权利要求1所述的一种考虑失效传播的民机系统运行可靠性评估方法，其特征在于：步骤6)所述的考虑失效传播的背景下，针对数据与模型进行不确定分析，降低模型选择的不确定性；分别采用单参数灵敏度分析和多参数灵敏度分析进行参数的不确定性分析，提出模型不确定性分析方法，采用高斯过程进行求解。
8.根据权利要求1所述的一种考虑失效传播的民机系统运行可靠性评估方法，其特征在于：步骤6)所述的针对噪音大，数据样本量小的特点，采用降噪自编码的深度学习结合迁移学习进行考虑失效传播的民机系统运行可靠性评估。针对采集到的状态监测信息，采用降噪自编码器实现去噪和数据降维，并结合失效传播分析结果，采用迁移学习方法，运用朴素贝叶斯方法计算权重，进行考虑失效传播的运行可靠性评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911342037.1A CN113094863A (zh) | 2019-12-23 | 2019-12-23 | 一种考虑失效传播的民机系统运行可靠性评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911342037.1A CN113094863A (zh) | 2019-12-23 | 2019-12-23 | 一种考虑失效传播的民机系统运行可靠性评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113094863A true CN113094863A (zh) | 2021-07-09 |
Family
ID=76664006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911342037.1A Pending CN113094863A (zh) | 2019-12-23 | 2019-12-23 | 一种考虑失效传播的民机系统运行可靠性评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113094863A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113836741A (zh) * | 2021-09-30 | 2021-12-24 | 中国工程物理研究院研究生院 | 基于多功能系统退化过程的重构和可靠性评估的方法 |
| CN114091600A (zh) * | 2021-11-18 | 2022-02-25 | 南京航空航天大学 | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 |
| CN116070469A (zh) * | 2023-04-04 | 2023-05-05 | 合肥通用机械研究院有限公司 | 一种设备运行参数优化方法和风险管理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567639A (zh) * | 2011-12-30 | 2012-07-11 | 南京航空航天大学 | 一种针对竞争失效的航空发动机可靠性评估方法 |
| CN103778295A (zh) * | 2014-01-26 | 2014-05-07 | 南京航空航天大学 | 多失效模式下多模型集成航空发动机运行可靠性评估方法 |
| CN106021734A (zh) * | 2016-05-23 | 2016-10-12 | 北京航空航天大学 | 一种可重复使用飞行器前舱热防护系统多目标可靠性优化设计方法 |
| CN106529090A (zh) * | 2016-12-12 | 2017-03-22 | 中国航天标准化研究所 | 一种航天电子类产品可靠性评估方法 |
-
2019
- 2019-12-23 CN CN201911342037.1A patent/CN113094863A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567639A (zh) * | 2011-12-30 | 2012-07-11 | 南京航空航天大学 | 一种针对竞争失效的航空发动机可靠性评估方法 |
| CN103778295A (zh) * | 2014-01-26 | 2014-05-07 | 南京航空航天大学 | 多失效模式下多模型集成航空发动机运行可靠性评估方法 |
| CN106021734A (zh) * | 2016-05-23 | 2016-10-12 | 北京航空航天大学 | 一种可重复使用飞行器前舱热防护系统多目标可靠性优化设计方法 |
| CN106529090A (zh) * | 2016-12-12 | 2017-03-22 | 中国航天标准化研究所 | 一种航天电子类产品可靠性评估方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113836741A (zh) * | 2021-09-30 | 2021-12-24 | 中国工程物理研究院研究生院 | 基于多功能系统退化过程的重构和可靠性评估的方法 |
| CN113836741B (zh) * | 2021-09-30 | 2024-01-26 | 中国工程物理研究院研究生院 | 基于多功能系统退化过程的重构和可靠性评估的方法 |
| CN114091600A (zh) * | 2021-11-18 | 2022-02-25 | 南京航空航天大学 | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 |
| CN114091600B (zh) * | 2021-11-18 | 2024-01-12 | 南京航空航天大学 | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 |
| CN116070469A (zh) * | 2023-04-04 | 2023-05-05 | 合肥通用机械研究院有限公司 | 一种设备运行参数优化方法和风险管理方法 |
| CN116070469B (zh) * | 2023-04-04 | 2023-06-09 | 合肥通用机械研究院有限公司 | 一种设备运行参数优化方法和风险管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Remaining useful life prediction based on a multi-sensor data fusion model | |
| Wee et al. | A method for root cause analysis with a Bayesian belief network and fuzzy cognitive map | |
| CN101093559B (zh) | 一种基于知识发现的专家系统构造方法 | |
| Horridge et al. | Explaining inconsistencies in OWL ontologies | |
| Lee et al. | A data-driven approach to selection of critical process steps in the semiconductor manufacturing process considering missing and imbalanced data | |
| Zhou et al. | Bayesian network approach to multinomial parameter learning using data and expert judgments | |
| Hesabi et al. | A deep learning predictive model for selective maintenance optimization | |
| CN113094863A (zh) | 一种考虑失效传播的民机系统运行可靠性评估方法 | |
| Zhang et al. | Combined classifier for cross-project defect prediction: an extended empirical study | |
| CN106021062A (zh) | 关联故障的预测方法和系统 | |
| Levin et al. | The co-evolution of test maintenance and code maintenance through the lens of fine-grained semantic changes | |
| Lazarova-Molnar et al. | Data-driven fault tree modeling for reliability assessment of cyber-physical systems | |
| Li et al. | Attention-based deep survival model for time series data | |
| Zhao et al. | Probabilistic remaining useful life prediction based on deep convolutional neural network | |
| Florescu et al. | Algorithmically generating new algebraic features of polynomial systems for machine learning | |
| Waghen et al. | Multi-level interpretable logic tree analysis: A data-driven approach for hierarchical causality analysis | |
| Lazarova-Molnar et al. | Automating reliability analysis: Data-driven learning and analysis of multi-state fault trees | |
| Niloofar et al. | Fusion of data and expert knowledge for fault tree reliability analysis of cyber-physical systems | |
| Saadallah et al. | Active learning for accurate settlement prediction using numerical simulations in mechanized tunneling | |
| Mohsin | Investigating the use of an adaptive neuro-fuzzy inference system in software development effort estimation | |
| Yang et al. | Software bug number prediction based on complex network theory and panel data model | |
| Wang et al. | Reliability analysis of complex electromechanical systems: State of the art, challenges, and prospects | |
| Cohen et al. | Shapley-based explainable ai for clustering applications in fault diagnosis and prognosis | |
| Alghanim et al. | Software defect density prediction using deep learning | |
| Laqrichi et al. | Integrating uncertainty in software effort estimation using Bootstrap based Neural Networks |
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 |