CN115841049A - 一种基于多源信息融合的设备寿命可靠性评估方法及系统 - Google Patents

一种基于多源信息融合的设备寿命可靠性评估方法及系统 Download PDF

Info

Publication number
CN115841049A
CN115841049A CN202310116967.5A CN202310116967A CN115841049A CN 115841049 A CN115841049 A CN 115841049A CN 202310116967 A CN202310116967 A CN 202310116967A CN 115841049 A CN115841049 A CN 115841049A
Authority
CN
China
Prior art keywords
data
life
distribution function
data source
radar
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.)
Granted
Application number
CN202310116967.5A
Other languages
English (en)
Other versions
CN115841049B (zh
Inventor
锁斌
闫英
赵亮
杨童博
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.)
Sichuan Tianshun Micro Inspection Technology Co.,Ltd.
Original Assignee
Sichuan Zhongwu Ruilai Technology Co ltd
Southwest University of Science and 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 Sichuan Zhongwu Ruilai Technology Co ltd, Southwest University of Science and Technology filed Critical Sichuan Zhongwu Ruilai Technology Co ltd
Priority to CN202310116967.5A priority Critical patent/CN115841049B/zh
Publication of CN115841049A publication Critical patent/CN115841049A/zh
Application granted granted Critical
Publication of CN115841049B publication Critical patent/CN115841049B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种基于多源信息融合的设备寿命可靠性评估方法及系统，针对某个随机变量有多个数据源的情况，根据D‑S证据理论将多个数据源组合在一起，获得随机变量的概率包络，使得任何可能的概率分布均落在该包络里，保留了原始分布的概率信息，适用于同总体、同分布的场合，以及不同总体、分布、样本量组合的情况。本方案针对雷达设备使用数据较少的特点，对不同来源可靠性信息的可信程度进行量化，减少人为因素的影响，有效合理的融合各个雷达设备寿命数据可靠性信息源后进行可靠性评估，具有较好地估计精度，并且在进行证据融合时综合了先验权重，考虑了信息的不确定性以及可信度问题，从而得到更精确的函数形式。

Description

一种基于多源信息融合的设备寿命可靠性评估方法及系统
技术领域
本发明涉及雷达设备寿命可靠性预估技术领域，尤其涉及一种基于多源信息融合的设备寿命可靠性评估方法及系统。
背景技术
可靠性是指在规定条件下和规定的时间内完成规定功能的能力，随着可靠性工作的深入发展，可靠性数据分析工作越来越显示出其重要的价值和作用。在雷达的寿命周期中，外场数据的收集与分析伴随着各阶段可靠性工程活动而进行，可靠性评估在可靠性工程各项活动中是一项基础性的工作，始终发挥着重要作用。但是，随着科技的发展，雷达的结构趋于大型化和复杂化，雷达的可靠性水平也趋于高可靠长寿命，在实际工程中进行可靠性评估时，通常无法获得足够的外场数据来进行可靠性评估工作。因此，需要综合利用多阶段、多源试验数据得到更为准确的可靠性评估结果。
为了高效准确地对雷达进行可靠性评估，需要对不同来源的试验、外场信息进行融合。在工程实际中，由于样本量的缺失、测试环境的干扰、测试雷达设备的偏差、测试人员的波动、内外场试验条件及样本构型的不一致性等原因，可能导致相同类型的雷达获得的不同来源数据（如实验室测试、仿真实验、外场试验等）并非服从同一总体、同一分布类型。如何对异总体信息进行的融合，得到较为可信的评估结论面临挑战。D-S证据理论作为一种信息融合方法，采用信任函数和似然函数作为度量，运用具有普遍性和很大的灵活性。
D-S证据理论的核心是D-S合成规则，是在证据累积的过程中计算多个证据对假设的综合影响的方法，更具体地说就是从多角度综合多方面的证据，用对同一雷达进行信息融合的数学手段，从而对雷达的评估更加理性、可靠。它是在统一识别框架体系之内，借助D-S证据组合规则，产生新的证据体。即由组合规则将不同证据体的基本概率分配函数合并产生一个总体概率分配函数，最终得到融合结果。
对于由实验测试、外场试验等多种方式得到的多源异构数据，其样本容量可能相差很大，不同来源的数据也可能服从不同的分布类型，并且由于试验数据的来源不同，还存在数据可信度的问题。比如，外场数据由于更能反映雷达在真实工况下的可靠性水平，会比实验室数据的先验可信度更高。
针对以上问题，需要寻找一种综合考虑数据可信度问题的多源异构信息可靠性融合方法，该方法不但适用于同总体、同分布的场合，而且可以很好的适应不同总体、不同分布、不同样本量组合的情况。
发明内容
有鉴于此，本发明的主要目的之一在于提出一种基于多源信息融合的设备寿命可靠性评估方法及系统，以期至少部分地解决上述技术问题中的至少之一。
为了实现上述目的，作为本发明的一个方面，提供了一种基于多源信息融合的设备寿命可靠性评估方法，所述设备为雷达设备，所述多源信息至少包括第一数据源和第二数据源，特征在于，所述雷达设备的寿命可靠性评估方法包括：
获取所述雷达设备第一数据源和第二数据源的寿命数据，对所述寿命数据进行融合，构造所述寿命数据的焦元；
联合所述雷达设备第一数据源和第二数据源的寿命数据的分布先验可信度和所述寿命数据的焦元，构造对应的合成基本概率分配函数；
通过所述合成基本概率分配函数构造概率包络，制作概率包络图；
采用蒙特卡洛采样方法对所述概率包络进行随机抽样并对所述随机抽样的样本进行分布拟合，得到所述寿命数据的累积分布函数；
根据所述寿命数据的累积分布函数计算可靠度函数和面积度量指标，完成所述雷达设备的寿命可靠性评估结果。
进一步地，所述雷达设备的寿命可靠性评估方法包括：
所述雷达设备第一数据源和第二数据源的寿命数据服从第一分布函数和第二分布函数
Figure SMS_1
；
所述第一分布函数和第二分布函数属于不同类型分布函数。
进一步地，所述雷达设备第一数据源和第二数据源的寿命数据的分布先验可信度的集合记为
Figure SMS_2
；
所述联合所述雷达设备第一数据源和第二数据源的寿命数据的分布先验可信度和所述寿命数据的焦元，构造对应的合成基本概率分配函数，包括：
根据第一分布函数和第二分布函数
Figure SMS_3
分别计算k个寿命时长子区间的概率值基本概率分配函数；
将加权平均后的基本概率分配函数作为所述雷达设备第一数据源和第二数据源的寿命数据的新基本概率分配函数，由D-S合成规则对新基本概率分配函数进行合成操作，得到合成基本概率分配函数。
进一步地，所述概率包络图是寿命数据的概率分布图像并且是阶梯图像。
进一步地，所述采用蒙特卡洛采样方法对所述概率包络进行随机抽样并对所述随机抽样的样本进行分布拟合，得到所述寿命数据的累积分布函数，包括：
通过合成基本概率分配函数得到对应的概率值，通过接受—拒绝采样生成寿命随机数和对应的累积分布函数；
重复生成多个寿命随机数；
对所述寿命随机数进行多种分布检验。
进一步地，所述根据所述寿命数据的累积分布函数计算可靠度函数和面积度量指标，完成所述雷达设备的寿命可靠性评估结果，包括：
基于累积分布函数为计算对应的累积分布函数；
获取所述雷达设备第一数据源和第二数据源的真实寿命的可靠度函数，构造面积度量指标。
进一步地，所述获取所述雷达设备第一数据源和第二数据源的寿命数据，具体包括：
采集所述雷达设备各传感信道参数和采样参数设置，实现在线数据的实时采集并在交互界面上显示并对采集的模拟信号进行格式转换；
对雷达健康状态的剩余寿命进行预测，识别出雷达状态与对应的加工参数，对雷达剩余寿命进行预测，显示雷达剩余寿命的预测值和寿命范围。
根据本发明第二方面，本发明请求保护一种基于多源信息融合的设备寿命可靠性评估系统，所述设备为雷达设备，包括：
融合模块，获取所述雷达设备第一数据源和第二数据源的寿命数据，对所述寿命数据进行融合，构造所述寿命数据的焦元；
预处理模块，联合所述雷达设备第一数据源和第二数据源的寿命数据的分布先验可信度和所述寿命数据的焦元，构造对应的合成基本概率分配函数；
可视化模块，通过所述合成基本概率分配函数构造概率包络，制作概率包络图；
抽样分布模块，采用蒙特卡洛采样方法对所述概率包络进行随机抽样并对所述随机抽样的样本进行分布拟合，得到所述寿命数据的累积分布函数；
评估模块，根据所述寿命数据的累积分布函数计算可靠度函数和面积度量指标，完成所述雷达设备的寿命可靠性评估结果；
所述雷达设备第一数据源和第二数据源的寿命数据服从第一分布函数和第二分布函数
Figure SMS_4
；
所述第一分布函数和第二分布函数属于不同类型分布函数；
所述获取所述雷达设备第一数据源和第二数据源的寿命数据，对所述寿命数据进行融合，构造所述寿命数据的焦元，具体包括：
在寿命时长区间
Figure SMS_5
内随机获得所述雷达设备第一数据源和第二数据源的k个寿命数据，计算均值；
所述联合所述雷达设备第一数据源和第二数据源的寿命数据的分布先验可信度和所述寿命数据的焦元，构造对应的合成基本概率分配函数，包括：
根据第一分布函数和第二分布函数
Figure SMS_6
分别计算k个寿命时长子区间的概率值基本概率分配函数/>
Figure SMS_7
；
基于先验可信度
Figure SMS_8
，构造加权融合公式，得到加权平均后的基本概率分配函数；
将加权平均后的基本概率分配函数作为所述雷达设备第一数据源和第二数据源的寿命数据的新基本概率分配函数，由D-S合成规则对新基本概率分配函数进行合成操作，得到合成基本概率分配函数；
所述通过所述合成基本概率分配函数构造概率包络，制作概率包络图，包括：
得出所述雷达设备第一数据源和第二数据源的寿命数据的概率包络图，所述概率包络图是寿命数据的概率分布图像并且是阶梯图像。
本发明请求保护的一种基于多源信息融合的设备寿命可靠性评估方法，针对某个随机变量有多个数据源的情况，根据D-S证据理论将多个数据源组合在一起，从而获得随机变量的概率包络，使得该随机变量任何可能的概率分布均落在该包络里，保留了原始分布的概率信息，不但适用于同总体、同分布的场合，并很好的适应不同总体、分布、样本量组合的情况。本方案针对雷达设备使用数据较少的特点，对不同来源可靠性信息的可信程度进行量化，减少人为因素的影响，有效合理的融合各个雷达设备寿命数据可靠性信息源后进行可靠性评估，具有较好地估计精度，并且在进行证据融合时综合了先验权重，考虑了信息的不确定性以及可信度问题，从而得到更精确的函数形式。
附图说明
图1为本发明所涉及的一种基于多源信息融合的设备寿命可靠性评估方法的工作流程图；
图2为本发明所涉及的一种基于多源信息融合的设备寿命可靠性评估方法的第一实施例的概率包络图；
图3为本发明所涉及的一种基于多源信息融合的设备寿命可靠性评估方法的第一实施例的可靠度曲线对比图；
图4为本发明所涉及的一种基于多源信息融合的设备寿命可靠性评估方法的第二实施例的概率包络图；
图5为本发明所涉及的一种基于多源信息融合的设备寿命可靠性评估方法的第二实施例的可靠度曲线对比图；
图6为本发明所涉及的一种基于多源信息融合的设备寿命可靠性评估方法的第三实施例的概率包络图；
图7为本发明所涉及的一种基于多源信息融合的设备寿命可靠性评估方法的第三实施例的可靠度曲线对比图；
图8为本发明所涉及的一种基于多源信息融合的设备寿命可靠性评估系统的结构模块图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
目前，针对雷达的多源信息可靠性融合评估问题已经有了大量研究，主流方法是Bayes融合统计推断法，部分学者还研究了D-S证据理论，模糊算法等方法在这方面的应用，虽然多源信息可靠性融合评估领域已取得了较多成果，但仍然存在以下不足之处：
①一些研究中没有考虑信息先验可信度的影响，会对可靠性融合评估结果造成一定的偏差。
②当存在多个数据源时，会随着验前信息的增多推导出的验前分布形式愈加复杂，给Bayes推断带来了一定的计算困难。
③大部分研究方法只适用于同类型分布的数据融合，而对于不同类型分布的场合不适用。
④当有两组先验信息时，许多基于证据理论计算权重的研究没有工程实际意义。
因此，如何综合利用多阶段、多源试验数据得到更为准确的可靠性评估结果，仍然是一个亟待解决的关键问题。
为了解决上述问题，根据本发明的第一实施例，提供了一种基于多源信息融合的设备寿命可靠性评估方法，多源信息至少包括第一数据源和第二数据源，特征在于，方法包括：
S101:获取雷达设备第一数据源和第二数据源的寿命数据，对寿命数据进行融合，构造寿命数据的焦元；
S102:联合雷达设备第一数据源和第二数据源的寿命数据的分布先验可信度和寿命数据的焦元，构造对应的合成基本概率分配函数；
S103:通过合成基本概率分配函数构造概率包络，制作概率包络图；
S104:采用蒙特卡洛采样方法对概率包络进行随机抽样并对随机抽样的样本进行分布拟合，得到寿命数据的累积分布函数；
S105:根据寿命数据的累积分布函数计算可靠度函数和面积度量指标，完成雷达设备的寿命可靠性评估结果。
根据本发明的实施例，在同一状态下针对某一雷达设备对同一物理量采集数据，假设由M个不同数据源获得的样本为
Figure SMS_9
，/>
Figure SMS_10
为第k个数据源的样本容量。其中/>
Figure SMS_11
表示由第i个数据源收集到的第j个样本数据。M个数据源的先验可信度记为/>
Figure SMS_12
，
具体的，雷达设备第一数据源和第二数据源的寿命数据服从第一分布函数和第二分布函数
Figure SMS_13
；
第一分布函数和第二分布函数属于不同类型分布函数；
步骤101中，具体包括：
在寿命时长区间
Figure SMS_14
内随机获得雷达设备第一数据源和第二数据源的k个寿命数据/>
Figure SMS_15
，计算/>
Figure SMS_16
的均值/>
Figure SMS_17
，
将
Figure SMS_18
和/>
Figure SMS_19
由小到大进行排序得到：/>
Figure SMS_20
，将/>
Figure SMS_21
序列分成k个寿命时长子区间，变换为由k个寿命时长子区间组成的集合：
Figure SMS_22
， (1)
k个寿命时长子区间的寿命数据集合构成一系列焦元。
具体的，雷达设备第一数据源和第二数据源的寿命数据的分布先验可信度的集合记为
Figure SMS_23
；
根据本发明一实施例，某导航雷达真实寿命
Figure SMS_24
服从均值为/>
Figure SMS_25
，方差为
Figure SMS_26
的正态分布，即/>
Figure SMS_27
，由数学仿真的方式分别得到两组服从该分布的样本/>
Figure SMS_28
，样本容量分别为/>
Figure SMS_29
，具体数据如表1。
表1 不同信息源数据表一
Figure SMS_30
/>
样本
Figure SMS_31
的先验可信度（权重）分别为/>
Figure SMS_32
和/>
Figure SMS_33
，对其进行数据融合及可靠性评估，如表2。
表2 融合结果表一
Figure SMS_34
由Shapiro-Wilk检验，可以得到样本
Figure SMS_35
均服从正态分布。由极大似然估计得到样本/>
Figure SMS_36
的参数估计值为/>
Figure SMS_37
，样本/>
Figure SMS_38
的参数估计值为
Figure SMS_39
，则样本/>
Figure SMS_40
的寿命分布分别为
Figure SMS_41
下面对其中两个分布函数进行融合：
根据本实施例制作概率包络图如图2所示。由蒙特卡洛采样法生成的寿命数据通过了正态性检验，由极大似然估计得到寿命数据
Figure SMS_42
的均值/>
Figure SMS_43
，方差/>
Figure SMS_44
，将结果与贝叶斯方法比较如表2所示。进一步，画出可靠度曲线对比图如图3所示。由表2中面积度量指标/>
Figure SMS_45
可以看出，由D-S证据融合得到的可靠度曲线更接近真实曲线。
根据本发明另一实施例，某导航雷达真实寿命
Figure SMS_46
服从均值为/>
Figure SMS_47
的指数分布，即/>
Figure SMS_48
。由数学仿真的方式分别得到两组服从该分布的数据/>
Figure SMS_49
，样本容量分别为
Figure SMS_50
，具体数据如表3。
表3 不同信息源数据表二
Figure SMS_51
样本
Figure SMS_52
的先验可信度（权重）分别为/>
Figure SMS_53
和/>
Figure SMS_54
，对其进行数据融合及可靠性评估。可靠度函数
经过检验，数据
Figure SMS_56
服从指数分布，数据/>
Figure SMS_58
服从正态分布。由极大似然估计得到样本/>
Figure SMS_60
的均值为/>
Figure SMS_57
，样本/>
Figure SMS_59
均值/>
Figure SMS_61
，方差/>
Figure SMS_62
，则样本/>
Figure SMS_55
的寿命分布分别为/>
Figure SMS_63
下面对两个分布函数进行融合。
根据本实施例制作概率包络图如图4所示。由蒙特卡洛采样法生成的寿命数据通过了正态性检验，由极大似然估计得到寿命数据
Figure SMS_64
的均值/>
Figure SMS_65
，方差
Figure SMS_66
，将结果与贝叶斯方法比较如表4所示。
表4 融合结果表二
Figure SMS_67
进一步，画出可靠度曲线对比图如图5。由表4中面积度量指标
Figure SMS_68
可以看出，对于两源不同分布的情况，D-S证据融合得到的可靠度曲线更接近真实分布，此时贝叶斯方法表现出效果较差。
步骤102中，包括：
根据第一分布函数和第二分布函数
Figure SMS_69
分别计算k个寿命时长子区间的概率值基本概率分配函数/>
Figure SMS_70
；
Figure SMS_71
（2）
其中
Figure SMS_72
.记为/>
Figure SMS_73
；
基于先验可信度
Figure SMS_74
，构造加权融合公式，得到加权平均后的基本概率分配函数：
Figure SMS_75
（3）
将加权平均后的基本概率分配函数作为雷达设备第一数据源和第二数据源的寿命数据的新基本概率分配函数，由D-S合成规则对新基本概率分配函数进行合成操作，得到合成基本概率分配函数：
Figure SMS_76
（4）。
具体的，步骤103中，包括：
Figure SMS_77
（5）
Figure SMS_78
和/>
Figure SMS_79
分别表示/>
Figure SMS_80
的任何可能的概率分布均落在概率包络里，即/>
Figure SMS_81
处寿命累积分布函数值得上限和下限；由(1)式和(5)式得出雷达设备第一数据源和第二数据源的寿命数据的概率包络图，概率包络图也是寿命数据的概率分布图像并且是阶梯图像。
根据本发明另一实施例，为评估某导航雷达的可靠性，现从A、B两数据源收集到一些寿命数据，其中，数据源A为通过加速寿命试验收集到的等效贮存失效数据，数据源B为自然贮存失效数据，样本容量分别为
Figure SMS_82
，具体数据如表5，其先验可信度（权重）分别为0.4和0.6，对其进行数据融合及可靠性评估。
表5 不同信息源数据表三
Figure SMS_83
经过检验，数据
Figure SMS_84
均服从指数分布。由极大似然估计得到样本/>
Figure SMS_85
的均值为
Figure SMS_86
，样本/>
Figure SMS_87
均值/>
Figure SMS_88
，则样本/>
Figure SMS_89
的寿命分布分别为
Figure SMS_90
，
下面对两个分布函数进行融合。根据本实施例制作概率包络图如图6所示。由蒙特卡洛采样法生成的寿命数据
Figure SMS_91
的服从均值/>
Figure SMS_92
的指数分布。进一步，画出其与A\B两数据源可靠度曲线对比图如图7所示。
由(9)式计算面积度量指标为
Figure SMS_93
，可以看出融合后的曲线更接近外场数据。
具体的，步骤104中，包括：
通过合成基本概率分配函数得到了(1)式和(4)式中对应的概率值，记：
Figure SMS_94
, />
Figure SMS_95
,
Figure SMS_96
,/>
Figure SMS_97
，通过接受—拒绝采样生成寿命随机数和对应的累积分布函数，具体做法如下：
生成一个均匀分布随机数
Figure SMS_98
，设定/>
Figure SMS_99
,j=1,2...k；
生成另一个均匀分布随机数
Figure SMS_100
；
若
Figure SMS_101
， j=1,2...k则返回X，否则重复生成一个均匀分布随机数X；
重复生成多个寿命的随机数。
记生成的寿命随机数为
Figure SMS_102
，对寿命随机数进行多种分布检验，记该寿命随机数的累积分布函数为/>
Figure SMS_103
。
具体的，步骤105中，包括：
计算对应数据源的累积分布函数：
Figure SMS_104
（6）
雷达设备第一数据源和第二数据源的真实寿命的可靠度函数为
Figure SMS_105
，由(6)式中得到的累积分布函数/>
Figure SMS_106
，真实寿命X的取值范围为/>
Figure SMS_107
，构造面积度量指标：
Figure SMS_108
（7）
式中
Figure SMS_109
是一个无量纲量，由D-S证据融合得到的可靠度曲线越接近真实曲线，则/>
Figure SMS_110
越小表明雷达设备的寿命可靠性高；反之，/>
Figure SMS_111
越大，表明雷达设备的寿命可靠性低。
作为一种优选的实施方式，具体的，获取雷达设备第一数据源和第二数据源的寿命数据，具体包括：
采集雷达设备各传感信道参数和采样参数设置，实现在线数据的实时采集并在交互界面上显示并对采集的模拟信号进行格式转换；
对雷达健康状态的剩余寿命进行预测，识别出雷达状态与对应的加工参数，对雷达剩余寿命进行预测，显示雷达剩余寿命的预测值和寿命范围。
具体的，对雷达健康状态的剩余寿命进行预测，识别出雷达状态与对应的加工参数，对雷达剩余寿命进行预测，显示雷达剩余寿命的预测值和寿命范围，还包括：
输入
Figure SMS_112
，其中/>
Figure SMS_113
表示第 i 次检测后测量的雷达信道数量，N 表示训练样本使用的雷达数量；
计算雷达信道数量变化值
Figure SMS_114
；
设定雷达健康状态的预测指标属性包括
Figure SMS_115
，分别表示雷达发射信道状态值、雷达接收信道状态值、雷达收发状态值；
对雷达运行状态共检测了 t 次单位时间，检测的运行数据为：
Figure SMS_116
Figure SMS_117
，初始信道数量 />
Figure SMS_118
；
设置权重函数
Figure SMS_119
；
设置预测过程中的概率模型对数函数为：
Figure SMS_120
Figure SMS_121
（8）
分别对雷达发射信道状态值、雷达接收信道状态值、雷达收发状态值三个参数求偏导值并令偏导值为0：
Figure SMS_122
（9）；/>
Figure SMS_123
（10）；
Figure SMS_124
（11）
求解方程组(9)至(11)，得到指标属性
Figure SMS_125
的评估值/>
Figure SMS_126
；
输入在线评估的待预测雷达运行状态信息
Figure SMS_127
、最大循环预测值/>
Figure SMS_128
和雷达信道数量阈值/>
Figure SMS_129
，其中/>
Figure SMS_130
表示待预测雷达第 t 次检测后的信道数量；
设单位时间为
Figure SMS_131
，令 />
Figure SMS_132
，循环预测值 iter =1；
令剩余寿命预测值r=1；
采用随机采样方法生成服从傅里叶变换
Figure SMS_133
的随机数 />
Figure SMS_134
；
令
Figure SMS_135
；
若
Figure SMS_136
，返回采用随机采样方法生成服从傅里叶变换的随机数；
若
Figure SMS_137
，则第iter次预测的寿命预测值为 t+r，雷达剩余寿命预测值/>
Figure SMS_138
，令iter =iter + 1；
若
Figure SMS_139
，返回令剩余有效寿命次数 r=1，循环计算雷达剩余寿命；
若
Figure SMS_140
，循环结束；则雷达运行状态 yt对应的雷达剩余寿命预测值为
Figure SMS_141
的平均值/>
Figure SMS_142
，预测的剩余寿命为/>
Figure SMS_143
Figure SMS_144
，寿命范围为
Figure SMS_145
。
根据本实施例，对雷达进行寿命试验，获取寿命试验的预测指标属性，以导航雷达为例，输出数据的每一行为通行一信道的数据，其中包含的信息有：雷达型号，目前状态，每信道标识，每信道传输速度，校验码以及测量值等信息，每台雷达每一个小时的数据存放在单独的文件中；
判据则包括平均每信道传输速度：提取每信道测量传输速度，并将每台雷达设备的平均传输速度做分析，可以监测驱动转速是否平稳；
超时信道占比：将每信道测量传输速度超过一定阈值(反应可以接收的驱动转速下界)的信道数所占比例，该指标同样体现了驱动的性能；
格式错误信道占比：数据传输雷达设备存在一定误码率，该指标能反应数据在传输阶段的错误情况；
抽样偏离度最大值：抽样偏离度大小是衡量测量类雷达是否稳定的一个重要方面，该指标计算输出值中抽样偏离度的最大值，并给出一个阈值，如果抽样偏离度超出预设阈值，我们就将其当作退化数据样本；
与初始状态差异：每台性能好的雷达设备应满足长时间稳定运行，即与初始的工作状态差异不大，该指标衡量长时间运转后的同一雷达设备的状态差距程度，该指标越大说明雷达设备稳定性越差；
异常值占比：该指标衡量了测量数据的集中度是否达标，异常值占比高则说明数据散度大；
漏信道率：利用雷达输出信息中的信道标识得到该指标，如果标识不连续则说明存在漏信道现象，该指标反应了在连续工作的状态下数据传输过程的有效性；
依据超时信道占比、格式错误信道占比、抽样偏离度最大值、与初始状态差异、异常值占比、漏信道率整合获得雷达收发状态值；
具体的，预测指标属性中雷达发射信道状态值、雷达接收信道状态值的具体获取包括：
接收信道校准，相控阵状态监控模块设置发射频点及参数信息，并接收对应信道的接收回波校准数据，将发射频点和接收回波校准数据转发给内场信道校准监测模块，由内场信道校准监测模块解算对应信道的幅相值；
发射信道校准，由相控阵状态监控模块设置接收频点及参数信息，并接收对应信道的发射回波校准数据，将接收频点和发射回波校准数据转发给内场信道校准监测模块，由内场信道校准监测模块解算对应信道的幅相值；
接收信道状态标识计算，依据相控阵状态监控模块所设定的发射信道状态标识、频点及赋形参数信息对所选信道的接收信道状态标识进行实时计算和下发；
相控阵发射接收分析，根据发射信道校准和接收信道校准中获取的回波校准数据进行相控阵发射接收分析；
依据对应的发射信道状态标识和接收信道状态标识，完成雷达发射信道状态值和雷达接收信道状态值获取操作。
根据本发明的第二方面，本发明还请求保护一种基于多源信息融合的设备寿命可靠性评估系统，设备为雷达设备，多源信息至少包括第一数据源和第二数据源，特征在于，系统包括：
融合模块，获取雷达设备第一数据源和第二数据源的寿命数据，对寿命数据进行融合，构造寿命数据的焦元；
预处理模块，联合雷达设备第一数据源和第二数据源的寿命数据的分布先验可信度和寿命数据的焦元，构造对应的合成基本概率分配函数；
可视化模块，通过合成基本概率分配函数构造概率包络，制作概率包络图；
抽样分布模块，采用蒙特卡洛采样方法对概率包络进行随机抽样并对随机抽样的样本进行分布拟合，得到寿命数据的累积分布函数；
评估模块，根据寿命数据的累积分布函数计算可靠度函数和面积度量指标，完成雷达设备的寿命可靠性评估结果。
具体的，雷达设备第一数据源和第二数据源的寿命数据服从第一分布函数和第二分布函数
Figure SMS_146
；
第一分布函数和第二分布函数属于不同类型分布函数；
获取雷达设备第一数据源和第二数据源的寿命数据，对寿命数据进行融合，构造寿命数据的焦元，具体包括：
在寿命时长区间
Figure SMS_147
内随机获得雷达设备第一数据源和第二数据源的k个寿命数据/>
Figure SMS_148
，计算/>
Figure SMS_149
的均值/>
Figure SMS_150
，
将
Figure SMS_151
和/>
Figure SMS_152
由小到大进行排序得到：/>
Figure SMS_153
，
将
Figure SMS_154
序列分成k个寿命时长子区间，变换为由k个寿命时长子区间组成的集合：
Figure SMS_155
(1)
k个寿命时长子区间的寿命数据集合构成一系列焦元；
雷达设备第一数据源和第二数据源的寿命数据的分布先验可信度的集合记为
Figure SMS_156
；
联合雷达设备第一数据源和第二数据源的寿命数据的分布先验可信度和寿命数据的焦元，构造对应的合成基本概率分配函数，包括：
根据第一分布函数和第二分布函数
Figure SMS_157
分别计算k个寿命时长子区间的概率值基本概率分配函数/>
Figure SMS_158
；
Figure SMS_159
（2）
其中
Figure SMS_160
.记为/>
Figure SMS_161
；
基于先验可信度
Figure SMS_162
，构造加权融合公式，得到加权平均后的基本概率分配函数：
Figure SMS_163
（3）
将加权平均后的基本概率分配函数作为雷达设备第一数据源和第二数据源的寿命数据的新基本概率分配函数，由D-S合成规则对新基本概率分配函数进行合成操作，得到合成基本概率分配函数：
Figure SMS_164
（4）；
通过合成基本概率分配函数构造概率包络，制作概率包络图，包括：
Figure SMS_165
（5）
Figure SMS_166
和/>
Figure SMS_167
分别表示/>
Figure SMS_168
的任何可能的概率分布均落在概率包络里，即/>
Figure SMS_169
处寿命累积分布函数值得上限和下限；由(1)式和(5)式得出雷达设备第一数据源和第二数据源的寿命数据的概率包络图，概率包络图也是寿命数据的概率分布图像并且是阶梯图像。
本领域技术人员能够理解，本公开所披露的内容可以出现多种变型和改进。例如，以上所描述的各种雷达设备或组件可以通过硬件实现，也可以通过软件、固件、或者三者中的一些或全部的组合实现。
本公开中使用了流程图用来说明根据本公开的实施例的方法的步骤。应当理解的是，前面或后面的步骤不一定按照顺序来精确的进行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中。
本领域普通技术人员可以理解上述方法中的全部或部分的步骤可通过计算机程序来指令相关硬件完成，程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单位可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本公开并不限制于任何特定形式的硬件和软件的结合。
除非另有定义，这里使用的所有术语具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
以上是对本公开的说明，而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解，上面是对本公开的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种基于多源信息融合的设备寿命可靠性评估方法，所述设备为雷达设备，所述多源信息至少包括第一数据源和第二数据源，其特征在于，所述雷达设备的寿命可靠性评估方法包括：
获取所述雷达设备第一数据源和第二数据源的寿命数据，对所述寿命数据进行融合，构造所述寿命数据的焦元；
联合所述雷达设备第一数据源和第二数据源的寿命数据的分布先验可信度和所述寿命数据的焦元，构造对应的合成基本概率分配函数；
通过所述合成基本概率分配函数构造概率包络，制作概率包络图；
采用蒙特卡洛采样方法对所述概率包络进行随机抽样并对所述随机抽样的样本进行分布拟合，得到所述寿命数据的累积分布函数；
根据所述寿命数据的累积分布函数计算可靠度函数和面积度量指标，完成所述雷达设备的寿命可靠性评估结果。
2.如权利要求1所述的一种基于多源信息融合的设备寿命可靠性评估方法，其特征在于，所述雷达设备的寿命可靠性评估方法包括：
所述雷达设备第一数据源和第二数据源的寿命数据服从第一分布函数和第二分布函数
Figure QLYQS_1
；
所述第一分布函数和第二分布函数属于不同类型分布函数。
3.如权利要求1所述的一种基于多源信息融合的设备寿命可靠性评估方法，其特征在于，所述雷达设备第一数据源和第二数据源的寿命数据的分布先验可信度的集合记为
Figure QLYQS_2
；
所述联合所述雷达设备第一数据源和第二数据源的寿命数据的分布先验可信度和所述寿命数据的焦元，构造对应的合成基本概率分配函数，包括：
根据第一分布函数和第二分布函数
Figure QLYQS_3
分别计算k个寿命时长子区间的概率值基本概率分配函数；
将加权平均后的基本概率分配函数作为所述雷达设备第一数据源和第二数据源的寿命数据的新基本概率分配函数，由D-S合成规则对新基本概率分配函数进行合成操作，得到合成基本概率分配函数。
4.如权利要求1所述的一种基于多源信息融合的设备寿命可靠性评估方法，其特征在于，
所述概率包络图是寿命数据的概率分布图像并且是阶梯图像。
5.如权利要求1所述的一种基于多源信息融合的设备寿命可靠性评估方法，其特征在于：所述采用蒙特卡洛采样方法对所述概率包络进行随机抽样并对所述随机抽样的样本进行分布拟合，得到所述寿命数据的累积分布函数，包括：
通过合成基本概率分配函数得到对应的概率值，通过接受—拒绝采样生成寿命随机数和对应的累积分布函数；
重复生成多个寿命随机数；
对所述寿命随机数进行多种分布检验。
6.如权利要求1所述的一种基于多源信息融合的设备寿命可靠性评估方法，其特征在于：
所述根据所述寿命数据的累积分布函数计算可靠度函数和面积度量指标，完成所述雷达设备的寿命可靠性评估结果，包括：
计算对应数据源的累积分布函数；
获取所述雷达设备第一数据源和第二数据源的真实寿命的可靠度函数，构造面积度量指标。
7.如权利要求1所述的一种基于多源信息融合的设备寿命可靠性评估方法，其特征在于：
所述获取所述雷达设备第一数据源和第二数据源的寿命数据，具体包括：
采集所述雷达设备各传感信道参数和采样参数设置，实现在线数据的实时采集并在交互界面上显示并对采集的模拟信号进行格式转换；
对雷达健康状态的剩余寿命进行预测，识别出雷达状态与对应的加工参数，对雷达剩余寿命进行预测，显示雷达剩余寿命的预测值和寿命范围。
8.一种基于多源信息融合的设备寿命可靠性评估系统，其特征在于，采用如权利要求1-7任意一项所述的基于多源信息融合的设备寿命可靠性评估方法。
9.如权利要求8所述的一种基于多源信息融合的设备寿命可靠性评估系统，其特征在于：所述多源信息至少包括第一数据源和第二数据源。
10.如权利要求9所述的一种基于多源信息融合的设备寿命可靠性评估系统，其特征在于，包括：
融合模块，获取所述雷达设备第一数据源和第二数据源的寿命数据，对所述寿命数据进行融合，构造所述寿命数据的焦元；
预处理模块，联合所述雷达设备第一数据源和第二数据源的寿命数据的分布先验可信度和所述寿命数据的焦元，构造对应的合成基本概率分配函数；
可视化模块，通过所述合成基本概率分配函数构造概率包络，制作概率包络图；
抽样分布模块，采用蒙特卡洛采样方法对所述概率包络进行随机抽样并对所述随机抽样的样本进行分布拟合，得到所述寿命数据的累积分布函数；
评估模块，根据所述寿命数据的累积分布函数计算可靠度函数和面积度量指标，完成所述雷达设备的寿命可靠性评估结果；
所述雷达设备第一数据源和第二数据源的寿命数据服从第一分布函数和第二分布函数
Figure QLYQS_4
；
所述第一分布函数和第二分布函数属于不同类型分布函数；
所述获取所述雷达设备第一数据源和第二数据源的寿命数据，对所述寿命数据进行融合，构造所述寿命数据的焦元，具体包括：
在寿命时长区间
Figure QLYQS_5
内随机获得所述雷达设备第一数据源和第二数据源的k个寿命数据，计算均值；
所述联合所述雷达设备第一数据源和第二数据源的寿命数据的分布先验可信度和所述寿命数据的焦元，构造对应的合成基本概率分配函数，包括：
根据第一分布函数和第二分布函数
Figure QLYQS_6
分别计算k个寿命时长子区间的概率值基本概率分配函数
Figure QLYQS_7
；
基于先验可信度
Figure QLYQS_8
，构造加权融合公式，得到加权平均后的基本概率分配函数；
将加权平均后的基本概率分配函数作为所述雷达设备第一数据源和第二数据源的寿命数据的新基本概率分配函数，由D-S合成规则对新基本概率分配函数进行合成操作，得到合成基本概率分配函数；
所述通过所述合成基本概率分配函数构造概率包络，制作概率包络图，包括：
得出所述雷达设备第一数据源和第二数据源的寿命数据的概率包络图，所述概率包络图是寿命数据的概率分布图像并且是阶梯图像。
CN202310116967.5A 2023-02-15 2023-02-15 一种基于多源信息融合的设备寿命可靠性评估方法及系统 Active CN115841049B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310116967.5A CN115841049B (zh) 2023-02-15 2023-02-15 一种基于多源信息融合的设备寿命可靠性评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310116967.5A CN115841049B (zh) 2023-02-15 2023-02-15 一种基于多源信息融合的设备寿命可靠性评估方法及系统

Publications (2)

Publication Number Publication Date
CN115841049A true CN115841049A (zh) 2023-03-24
CN115841049B CN115841049B (zh) 2023-05-02

Family

ID=85579692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310116967.5A Active CN115841049B (zh) 2023-02-15 2023-02-15 一种基于多源信息融合的设备寿命可靠性评估方法及系统

Country Status (1)

Country Link
CN (1) CN115841049B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117610324A (zh) * 2024-01-24 2024-02-27 西南科技大学 一种基于最小偏差度的加速退化试验优化设计方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101710368A (zh) * 2009-12-21 2010-05-19 北京航空航天大学 基于多源退化数据的贝叶斯可靠性综合评估方法
CN110046453A (zh) * 2019-04-25 2019-07-23 苏州元联传感技术有限公司 一种激光雷达的寿命预测方法
CN110414553A (zh) * 2019-06-14 2019-11-05 中国人民解放军海军工程大学 一种融合多源信息的备件可靠性评估方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101710368A (zh) * 2009-12-21 2010-05-19 北京航空航天大学 基于多源退化数据的贝叶斯可靠性综合评估方法
CN110046453A (zh) * 2019-04-25 2019-07-23 苏州元联传感技术有限公司 一种激光雷达的寿命预测方法
CN110414553A (zh) * 2019-06-14 2019-11-05 中国人民解放军海军工程大学 一种融合多源信息的备件可靠性评估方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
QIZI HUANGPENG等: "Test design of small sample launch vehicle based on composite equivalency bayesian fusion" *
锁斌 等: "基于证据理论的异类信息统一表示与建模" *
马丽娜;肖华勇;周旷;: "多源验前信息下基于证据理论的ML-II融合方法", 火力与指挥控制 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117610324A (zh) * 2024-01-24 2024-02-27 西南科技大学 一种基于最小偏差度的加速退化试验优化设计方法
CN117610324B (zh) * 2024-01-24 2024-04-16 西南科技大学 一种基于最小偏差度的加速退化试验优化设计方法

Also Published As

Publication number Publication date
CN115841049B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN110046453B (zh) 一种激光雷达的寿命预测方法
US20220057367A1 (en) Method for evaluating pipe condition
Son et al. Evaluation and comparison of mixed effects model based prognosis for hard failure
Vanem A regional extreme value analysis of ocean waves in a changing climate
CN114611778B (zh) 一种基于入库流量的水库水位预警方法及系统
CN115841049A (zh) 一种基于多源信息融合的设备寿命可靠性评估方法及系统
CN113484813A (zh) 多环境应力下的智能电表故障率预估方法及系统
CN112329272B (zh) 综合光伏组件退化和寿命数据的剩余寿命拟合预测方法
CN111985163A (zh) 一种铷钟寿命预测方法及装置
JP3515300B2 (ja) プラント状態予測装置
CN104821854A (zh) 一种基于随机集的多主用户多维频谱感知方法
CN114048085B (zh) 一种磁盘故障分析方法、装置、设备及可读存储介质
US20160292302A1 (en) Methods and systems for inferred information propagation for aircraft prognostics
CN107083951B (zh) 油气井监测方法和装置
RU2591239C1 (ru) Системы и способы для оценивания возможности коллекторной системы
Rajabi et al. Comparison of Lars-WG and SDSM downscaling models in Kermanshah (Iran)
CN111352813A (zh) 一种分布式存储使用容量预估方法及装置
JP2011141674A (ja) ソフトウェア品質指標値管理システム、ソフトウェア品質指標値の真値を推定する推定方法及び推定プログラム
CN110824293A (zh) 一种基于狼群算法的多特征融合参数的电网故障诊断方法
Chen et al. Bayesian Analysis of Lifetime Delayed Degradation Process for Destructive/Nondestructive Inspection
GEORGESCU Indications of Chaotic Behavior in Bucharest Stock Exchange Bet Index
Douak et al. Design of a multiblock general regression neural network for wind speed prediction in Algeria
CN117629122B (zh) 一种水坝位移的监测与预警方法及系统
CN114254516B (zh) 一种删失数据下的参数概率不确定性建模方法
CN117131977B (zh) 一种基于误判风险最小准则的径流预报样本集划分方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230924

Address after: 2nd Floor, Building 7, Keda Plaza, No. 8 Qingyang East Street, Qingyi Town, Fucheng District, Mianyang City, Sichuan Province, 621002

Patentee after: Sichuan Tianshun Micro Inspection Technology Co.,Ltd.

Address before: 621000 Fucheng District, Mianyang, Sichuan

Patentee before: Southwest University of Science and Technology

Patentee before: Sichuan Zhongwu Ruilai Technology Co.,Ltd.