CN115996082B - 一种可追溯的机载总线网络健康状态评估方法及系统 - Google Patents

一种可追溯的机载总线网络健康状态评估方法及系统 Download PDF

Info

Publication number
CN115996082B
CN115996082B CN202310292759.0A CN202310292759A CN115996082B CN 115996082 B CN115996082 B CN 115996082B CN 202310292759 A CN202310292759 A CN 202310292759A CN 115996082 B CN115996082 B CN 115996082B
Authority
CN
China
Prior art keywords
health
state
bus network
representing
model
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
CN202310292759.0A
Other languages
English (en)
Other versions
CN115996082A (zh
Inventor
周志杰
胡昌华
张春潮
冯志超
周祥意
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.)
Rocket Force University of Engineering of PLA
Original Assignee
Rocket Force University of Engineering of PLA
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 Rocket Force University of Engineering of PLA filed Critical Rocket Force University of Engineering of PLA
Priority to CN202310292759.0A priority Critical patent/CN115996082B/zh
Publication of CN115996082A publication Critical patent/CN115996082A/zh
Application granted granted Critical
Publication of CN115996082B publication Critical patent/CN115996082B/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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种可追溯的机载总线网络健康状态评估方法及系统，属于机载总线网络领域。该方法包括：基于置信规则库构建机载总线网络底层节点的健康状态评估子模型；基于健康状态评估子模型评估后的机载总线网络底层节点健康状态的等级，采用证据推理规则构建机载总线网络健康状态评估模型；根据规则激活因子选择机载总线网络健康状态评估模型中的被激活参数；根据被激活参数，建立参数可追溯分析函数，并对被激活参数进行追溯，得到优化后的机载总线网络健康状态评估模型；通过优化后的机载总线网络健康状态评估模型评估机载总线网络健康状态。本发明能够跟踪机载总线网络评估中的参数变化过程，提高健康状态评估结果的可解释性。

Description

一种可追溯的机载总线网络健康状态评估方法及系统
技术领域
本发明涉及机载总线网络健康状态评估技术领域，特别涉及一种可追溯的机载总线网络健康状态评估方法及系统。
背景技术
近年来，随着以运载火箭、导弹为代表的飞行器的快速发展，对实现航电、飞控、机电等飞行器分系统之间物理互连、信息交换的基石——机载总线网络的要求越来越高。机载总线网络技术已成为飞行器、导弹信息综合化系统的关键使能技术，为保证机载总线网络产品的质量，并得到与传统专家判断方法相一致的评估结论，应对其进行可解释评估，保证评估结果的过程可追溯，结果可解释。
机载总线网络作为火箭、导弹等大型国防武器装备中的关键复杂系统，其健康状态评估过程的可追溯性、评估结果的可解释性至关重要，在已有的关于机载总线网络健康状态评估方法的研究中，典型的有基于模型的方法、数据驱动的方法、基于定性知识的方法和基于半定量信息的方法。虽然前三种方法在不同的工程实际中得到了广泛应用，但在评估结果的可解释性上仍存在一定的局限性。对于机载总线网络而言，其分系统众多，网络拓扑结构复杂，各分系统的工作机理不同且包含不确定性。因此，基于模型的方法无法建立精确的数学模型来描述各层级网络节点的健康状态。对于运载火箭、导弹这类重要的装备系统来说，受测试频率和测试次数限制，所能获取的测试数据往往较少。因此，数据驱动的方法也不能较好地实现健康状态评估。基于定性知识的方法可以合理利用专家知识，但也存在一定的主观不确定性，导致健康状态评估结果不够准确。相比于前三种方法，基于半定量信息的方法更具综合性，能够更好地处理定量数据和定性知识，采用透明的模型推理机制，保证健康状态评估过程的可追溯性，实现评估结果的可解释。
作为一种典型的基于半定量的健康状态评估方法，置信规则库(Belief rulebase，BRB)理论在国防武器系统健康评估已经得到广泛应用。然而，传统的基于BRB的方法研究中，大部分只考虑了单个部件或者分系统的健康状态，而没有对多层级拓扑结构的网络系统进行评估。此外，现有的研究忽略了参数优化对模型可解释性的影响。尤其当模型评估结果与专家的判断不一致时，模型的不可解释导致无法有效排查误差来源，导致结果的不可靠。
鉴于此，亟需一种既能综合利用半定量信息，又能匹配网络拓扑结构，且能实现机载总线网络参数可追溯的健康状态评估方法。
发明内容
本发明的目的是提供一种可追溯的机载总线网络健康状态评估方法及系统，以跟踪机载总线网络评估中的参数变化过程，提高健康状态评估结果的可解释性。
为实现上述目的，本发明提供了如下方案：
一方面，本发明提供了一种可追溯的机载总线网络健康状态评估方法，包括：
基于置信规则库构建机载总线网络底层节点的健康状态评估子模型；
基于所述健康状态评估子模型评估机载总线网络底层节点健康状态；
基于评估后的机载总线网络底层节点健康状态的等级，采用证据推理规则构建机载总线网络健康状态评估模型；
根据规则激活因子选择所述机载总线网络健康状态评估模型中的被激活参数；所述规则激活因子依据专家知识进行定义；
根据所述被激活参数，建立参数可追溯分析函数；
根据所述参数可追溯分析函数对所述被激活参数进行追溯，得到优化后的机载总线网络健康状态评估模型；
通过优化后的机载总线网络健康状态评估模型评估机载总线网络健康状态；
所述健康状态评估子模型的表达式如下：
Figure SMS_1
；
Figure SMS_2
；
其中，pn,k为第k个健康状态评估子模型处于第n个状态等级的置信度，N表示状态等级的数量，Lk表示第k个健康状态评估子模型中的置信规则的数量，
Figure SMS_3
表示第k个健康状态评估子模型中的第l条置信规则的激活权重，
Figure SMS_4
表示处于第n个状态等级时第k个健康状态评估子模型中第l条置信规则；
所述机载总线网络健康状态评估模型的表达式如下：
Figure SMS_5
；
其中，
Figure SMS_6
表示融合后的对于第n个健康状态等级Dn的基本置信度，
Figure SMS_7
表示对于第n个健康状态等级Dn的剩余基本置信度，K表示健康状态评估子模型的个数，
Figure SMS_8
表示对于第i个健康状态等级
Figure SMS_9
的组合权重；
所述规则激活因子定义为：
Figure SMS_10
；
其中，
Figure SMS_11
表示第k个健康状态评估子模型的第l条置信规则的规则激活因子，
Figure SMS_12
表示在固定的时间周期
Figure SMS_13
内，第k个健康状态评估子模型的第l条置信规则在第t条输入数据中所对应的激活权重，
Figure SMS_14
表示容忍阈值；
所述被激活参数的选择公式如下：
Figure SMS_15
；
其中，
Figure SMS_16
表示机载总线网络健康状态评估模型中的被激活参数集，
Figure SMS_17
表示第k个健康状态评估子模型中的第l条置信规则的权重，K表示健康状态评估子模型的个数；Lk表示第k个健康状态评估子模型中的置信规则的数量，
Figure SMS_18
表示第k个健康状态评估子模型中的第l条置信规则中所包含的置信度，N表示状态等级的数量，
Figure SMS_19
表示健康状态评估子模型的权重，γ表示健康状态评估子模型的权重数量，
Figure SMS_20
表示第k个健康状态评估子模型的第l条置信规则的规则激活因子。
另一方面，本发明提供了一种可追溯的机载总线网络健康状态评估系统，包括：
健康状态评估子模型构建模块，用于基于置信规则库构建机载总线网络底层节点的健康状态评估子模型；
第一健康评估模块，用于基于所述健康状态评估子模型评估机载总线网络底层节点健康状态；
机载总线网络健康状态评估模型构建模块，用于基于评估后的机载总线网络底层节点健康状态的等级，采用证据推理规则构建机载总线网络健康状态评估模型；
被激活参数选择模块，用于根据规则激活因子选择所述机载总线网络健康状态评估模型中的被激活参数；所述规则激活因子依据专家知识进行定义；
参数可追溯分析函数建立模块，用于根据所述被激活参数，建立参数可追溯分析函数；
追溯模块，用于根据所述参数可追溯分析函数对所述被激活参数进行追溯，得到优化后的机载总线网络健康状态评估模型；
第二健康评估模块，用于通过优化后的机载总线网络健康状态评估模型评估机载总线网络健康状态；
所述健康状态评估子模型的表达式如下：
Figure SMS_21
；
Figure SMS_22
；
其中，pn,k为第k个健康状态评估子模型处于第n个状态等级的置信度，N表示状态等级的数量，Lk表示第k个健康状态评估子模型中的置信规则的数量，
Figure SMS_23
表示第k个健康状态评估子模型中的第l条置信规则的激活权重，
Figure SMS_24
表示第k个健康状态评估子模型中第l条置信规则；
所述机载总线网络健康状态评估模型的表达式如下：
Figure SMS_25
；
其中，
Figure SMS_26
表示融合后的对于第n个健康状态等级Dn的基本置信度，
Figure SMS_27
表示对于第n个健康状态等级Dn的剩余基本置信度，K表示健康状态评估子模型的个数，
Figure SMS_28
表示对于第i个健康状态等级
Figure SMS_29
的组合权重；
所述规则激活因子定义为：
Figure SMS_30
；
其中，
Figure SMS_31
表示第k个健康状态评估子模型的第l条置信规则的规则激活因子，
Figure SMS_32
表示在固定的时间周期
Figure SMS_33
内，第k个健康状态评估子模型的第l条置信规则在第t条输入数 据中所对应的激活权重，
Figure SMS_34
表示容忍阈值；
所述被激活参数的选择公式如下：
Figure SMS_35
；
其中，
Figure SMS_36
表示机载总线网络健康状态评估模型中的被激活参数集，
Figure SMS_37
表示第k个健康状态评估子模型中的第l条置信规则的权重，K表示健康状态评估子模型的个数；Lk表示第k个健康状态评估子模型中的置信规则的数量，
Figure SMS_38
表示第k个健康状态评估子模型中的第l条置信规则中所包含的置信度，N表示状态等级的数量，
Figure SMS_39
表示健康状态评估子模型的权重，γ表示健康状态评估子模型的权重数量，
Figure SMS_40
表示第k个健康状态评估子模型的第l条置信规则的规则激活因子。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
针对机载总线网络健康评估存在的推理过程不透明、重要参数难追溯等问题，本发明将BRB可解释建模方法与参数分析结合，确保机载总线网络健康评估的正向推理可解释、反向参数可追溯，为实现专家与评估模型的人机交互提供可行方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的可追溯的机载总线网络健康状态评估方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种可追溯的机载总线网络健康状态评估方法及系统，以跟踪机载总线网络评估中的参数变化过程，提高健康状态评估结果的可解释性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
本发明提供了一种可追溯的机载总线网络健康状态评估方法。如图1所示，该方法包括以下步骤：
步骤101：基于置信规则库构建机载总线网络底层节点的健康状态评估子模型。
假设机载总线网络存在K个底层节点，记为
Figure SMS_41
，每个底层节点存在T个输入数据，记为
Figure SMS_42
，基于此，可建立每个机载总线网络底层节点的健康状态评估表达式如下所示：
Figure SMS_43
；
Figure SMS_44
；
其中，
Figure SMS_45
为第k个健康状态评估子模型的输出，表示该模型处于 第n个状态等级的置信度，
Figure SMS_46
是被输入数据
Figure SMS_47
所激活的模型参数，具体公式 可参见步骤1011和1012。
Figure SMS_48
表示第k个评估子模型中的第
Figure SMS_49
条置信规则，可 通过置信规则
Figure SMS_50
由专家给定，其描述形式如下所示：
Figure SMS_53
其中，
Figure SMS_56
表示第k个健康状态评估子模型中的第
Figure SMS_59
条置信规则，Lk表示置信规则的 数量，
Figure SMS_51
表示第i个输入数据，T表示输入数据的数量，
Figure SMS_55
表示第l条置信规则中第i个属性 的参考值，
Figure SMS_58
表示第k个健康状态评估子模型，即记载总线网络的第k个底层节点。
Figure SMS_60
表示 机载总线网络底层节点的第n个健康状态等级，N表示健康状态等级的数量，
Figure SMS_52
表示第n个 健康状态等级的置信度，
Figure SMS_54
表示第l条置信规则的权重；
Figure SMS_57
表示第T个属性的权重。
基于置信规则库的机载总线网络底层节点健康状态评估流程包括：
步骤1011：将定量和定性信息转化为置信分布：
Figure SMS_61
；
其中，
Figure SMS_62
表示
Figure SMS_63
的匹配度，其计算公式如下：
Figure SMS_64
；
其中，
Figure SMS_65
表示输入
Figure SMS_66
的第j个参考值。
步骤1012：计算规则激活权重如下：
Figure SMS_67
；
其中，
Figure SMS_68
为第k条规则的权重。
Figure SMS_69
是
Figure SMS_70
的标准化权重。L是规则数。
步骤1013：使用证据推理算法生成单节点的健康状态评估的置信度，如下所示：
Figure SMS_71
；
其中，
Figure SMS_72
是相对于
Figure SMS_73
的基本概率质量；
Figure SMS_74
是规则
Figure SMS_75
的剩余概率质量；其计算公式如下：
Figure SMS_76
；
其中，
Figure SMS_77
表示规则
Figure SMS_78
的不完备性；
Figure SMS_79
表示该条规则被其他规则的支持程度。
步骤1014：归一化后得到输出置信分布，可表示为：
Figure SMS_80
；
其中，
Figure SMS_81
和
Figure SMS_82
分别表示基于置信规则库所建立健康状态评估子模型的输出置信度与剩余置信度。
步骤102：基于所述健康状态评估子模型评估机载总线网络底层节点健康状态。
步骤103：基于评估后的机载总线网络底层节点健康状态的等级，采用证据推理规则构建机载总线网络健康状态评估模型。
Figure SMS_83
；
其中，
Figure SMS_84
表示融合后的对于第n个健康状态等级
Figure SMS_87
的基本置信分配，
Figure SMS_89
表示对于第n个健康状态等级
Figure SMS_86
的剩余基本置信分配，
Figure SMS_88
是被健康状态评估子模型
Figure SMS_90
的输出数据
Figure SMS_91
所激活的模型参数，表示对于第i个健康状态等级
Figure SMS_85
的组合权重，其计算公式如下：
Figure SMS_92
；
其中，
Figure SMS_93
是第k个健康状态评估子模型的权重，用于表示第k个健康状态评估子模型相对于其他模型的相对重要程度。
步骤104：根据规则激活因子选择所述机载总线网络健康状态评估模型中的被激活参数；所述规则激活因子依据专家知识进行定义。
Figure SMS_94
；
其中，
Figure SMS_95
定义规则激活因子；
Figure SMS_96
定义了由专家给定的容忍阈值，用于判断当前规则是否应被激活。
Figure SMS_97
表示在固定的时间周期
Figure SMS_98
内，第
Figure SMS_99
个子模型的第
Figure SMS_100
条规则在第
Figure SMS_101
条输入数据中所对应的激活权重。
被激活参数的选择公式如下：
Figure SMS_102
；
其中，表示所建立的机载总线网络健康状态评估模型中的可追溯参数集，即依据规则激活因子所选择的置信规则权重、置信度以及状态评估子模型的权重，
Figure SMS_103
表示第k个健康状态评估子模型中的第l条置信规则的权重，其数量为
Figure SMS_104
，
Figure SMS_105
为未被置信规则激活因子所激活的参数数量。K表示健康状态评估子模型的个数；Lk表示第k个健康状态评估子模型中的置信规则的数量，
Figure SMS_106
表示第k个健康状态评估子模型中的第l条置信规则中所包含的置信度，其激活总数为规则激活因子的N倍。N表示健康状态评估等级的数量。
Figure SMS_107
表示健康状态评估子模型的权重，γ表示健康状态评估子模型的权重数量，
Figure SMS_108
表示第k个健康状态评估子模型的第l条置信规则的规则激活因子。
步骤105：根据所述被激活参数，建立参数可追溯分析函数。
首先假设两条证据e1和e2，其权重分别为w1和w2。机载总线网络的健康状态评估等级被划分为
Figure SMS_109
两个状态下，可得：
Figure SMS_110
；
其中，e1和e2是通过健康状态评估子模型所获取的底层节点的评估结果，这里用证据e1和e2进行描述。w1和w2则代表健康状态评估子模型的权重，与步骤103描述一致。D1和D2表示机载总线网络的两个健康等级，p1,1，p1,2，p2,1，p2,2分别表示其处于当前健康状态的概率，与步骤101描述一致。根据所述的基于置信规则库的机载总线网络评估方法，可得评估结果如下：
Figure SMS_111
；
其中，
Figure SMS_112
表示融合后的对于第n个健康状态等级Dn的基本置信分配，
Figure SMS_113
。
Figure SMS_114
表示融合后的剩余置信分配，
Figure SMS_115
表示对于第n个健康状态等级Dn的组合权重，其计算公式如下：
Figure SMS_116
；
Figure SMS_117
；
其中，
Figure SMS_118
是归一化后的证据权重。假设
Figure SMS_119
作为
Figure SMS_120
的敏感性矩阵，定义如下：
Figure SMS_121
；
可以进一步推导得出：
Figure SMS_122
；
其中
Figure SMS_123
和
Figure SMS_124
均为敏感性矩阵
Figure SMS_125
分解后的一阶偏导矩阵，具体表示为：
Figure SMS_126
；
进一步的，通过对一阶偏导矩阵
Figure SMS_127
进行消元可分解为矩阵
Figure SMS_128
和
Figure SMS_129
，具体表示为：
Figure SMS_130
；
对于矩阵
Figure SMS_131
，假设：
Figure SMS_132
；
Figure SMS_133
；
那么可以得到
Figure SMS_134
的几种形式：
Figure SMS_135
；
通过统计平均敏感性系数
Figure SMS_136
，
Figure SMS_137
；
进一步的，可将其一般性的表示为：
Figure SMS_138
；
其中，N表示机载总线网络的健康状态等级的数量，K表示机载总线底层节点的数量，同样表示健康状态评估子模型的数量。基于此，通过比较平均敏感性系数可以得出参数随不同输入的波动情况，进而实现参数可追溯。
步骤106：根据所述参数可追溯分析函数对所述被激活参数进行追溯，得到优化后的机载总线网络健康状态评估模型。
步骤107：通过优化后的机载总线网络健康状态评估模型评估机载总线网络健康状态。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供了一种可追溯的机载总线网络健康状态评估系统。
该系统包括：
健康状态评估子模型构建模块，用于基于置信规则库构建机载总线网络底层节点的健康状态评估子模型；
第一健康评估模块，用于基于所述健康状态评估子模型评估机载总线网络底层节点健康状态；
机载总线网络健康状态评估模型构建模块，用于基于评估后的机载总线网络底层节点健康状态的等级，采用证据推理规则构建机载总线网络健康状态评估模型；
被激活参数选择模块，用于根据规则激活因子选择所述机载总线网络健康状态评估模型中的被激活参数；所述规则激活因子依据专家知识进行定义；
参数可追溯分析函数建立模块，用于根据所述被激活参数，建立参数可追溯分析函数；
追溯模块，用于根据所述参数可追溯分析函数对所述被激活参数进行追溯，得到优化后的机载总线网络健康状态评估模型；
第二健康评估模块，用于通过优化后的机载总线网络健康状态评估模型评估机载总线网络健康状态。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (2)

1.一种可追溯的机载总线网络健康状态评估方法，其特征在于，包括：
基于置信规则库构建机载总线网络底层节点的健康状态评估子模型；
基于所述健康状态评估子模型评估机载总线网络底层节点健康状态；
基于评估后的机载总线网络底层节点健康状态的等级，采用证据推理规则构建机载总线网络健康状态评估模型；
根据规则激活因子选择所述机载总线网络健康状态评估模型中的被激活参数；所述规则激活因子依据专家知识进行定义；
根据所述被激活参数，建立参数可追溯分析函数；
根据所述参数可追溯分析函数对所述被激活参数进行追溯，得到优化后的机载总线网络健康状态评估模型；
通过优化后的机载总线网络健康状态评估模型评估机载总线网络健康状态；
所述健康状态评估子模型的表达式如下：
Figure QLYQS_1
；
Figure QLYQS_2
；
其中，pn,k为第k个健康状态评估子模型处于第n个状态等级的置信度，N表示状态等级的数量，Lk表示第k个健康状态评估子模型中的置信规则的数量，
Figure QLYQS_3
表示第k个健康状态评估子模型中的第l条置信规则的激活权重，
Figure QLYQS_4
表示处于第n个状态等级时第k个健康状态评估子模型中第l条置信规则；
所述机载总线网络健康状态评估模型的表达式如下：
Figure QLYQS_5
；
其中，
Figure QLYQS_6
表示融合后的对于第n个健康状态等级Dn的基本置信度，
Figure QLYQS_7
表示对于第n个健康状态等级Dn的剩余基本置信度，K表示健康状态评估子模型的个数，
Figure QLYQS_8
表示对于第i个健康状态等级
Figure QLYQS_9
的组合权重；
所述规则激活因子定义为：
Figure QLYQS_10
；
其中，
Figure QLYQS_11
表示第k个健康状态评估子模型的第l条置信规则的规则激活因子，
Figure QLYQS_12
表示在固定的时间周期
Figure QLYQS_13
内，第k个健康状态评估子模型的第l条置信规则在第t条输入数据中所对应的激活权重，
Figure QLYQS_14
表示容忍阈值；
所述被激活参数的选择公式如下：
Figure QLYQS_15
；
其中，
Figure QLYQS_16
表示机载总线网络健康状态评估模型中的被激活参数集，
Figure QLYQS_17
表示第k个健康状态评估子模型中的第l条置信规则的权重，K表示健康状态评估子模型的个数；Lk表示第k个健康状态评估子模型中的置信规则的数量，
Figure QLYQS_18
表示第k个健康状态评估子模型中的第l条置信规则中所包含的置信度，N表示状态等级的数量，
Figure QLYQS_19
表示健康状态评估子模型的权重，γ表示健康状态评估子模型的权重数量，
Figure QLYQS_20
表示第k个健康状态评估子模型的第l条置信规则的规则激活因子。
2.一种可追溯的机载总线网络健康状态评估系统，其特征在于，包括：
健康状态评估子模型构建模块，用于基于置信规则库构建机载总线网络底层节点的健康状态评估子模型；
第一健康评估模块，用于基于所述健康状态评估子模型评估机载总线网络底层节点健康状态；
机载总线网络健康状态评估模型构建模块，用于基于评估后的机载总线网络底层节点健康状态的等级，采用证据推理规则构建机载总线网络健康状态评估模型；
被激活参数选择模块，用于根据规则激活因子选择所述机载总线网络健康状态评估模型中的被激活参数；所述规则激活因子依据专家知识进行定义；
参数可追溯分析函数建立模块，用于根据所述被激活参数，建立参数可追溯分析函数；
追溯模块，用于根据所述参数可追溯分析函数对所述被激活参数进行追溯，得到优化后的机载总线网络健康状态评估模型；
第二健康评估模块，用于通过优化后的机载总线网络健康状态评估模型评估机载总线网络健康状态；
所述健康状态评估子模型的表达式如下：
Figure QLYQS_21
；
Figure QLYQS_22
；
其中，pn,k为第k个健康状态评估子模型处于第n个状态等级的置信度，N表示状态等级的数量，Lk表示第k个健康状态评估子模型中的置信规则的数量，
Figure QLYQS_23
表示第k个健康状态评估子模型中的第l条置信规则的激活权重，
Figure QLYQS_24
表示第k个健康状态评估子模型中第l条置信规则；
所述机载总线网络健康状态评估模型的表达式如下：
Figure QLYQS_25
；
其中，
Figure QLYQS_26
表示融合后的对于第n个健康状态等级Dn的基本置信度，
Figure QLYQS_27
表示对于第n个健康状态等级Dn的剩余基本置信度，K表示健康状态评估子模型的个数，
Figure QLYQS_28
表示对于第i个健康状态等级
Figure QLYQS_29
的组合权重；
所述规则激活因子定义为：
Figure QLYQS_30
；
其中，
Figure QLYQS_31
表示第k个健康状态评估子模型的第l条置信规则的规则激活因子，
Figure QLYQS_32
表示在固定的时间周期
Figure QLYQS_33
内，第k个健康状态评估子模型的第l条置信规则在第t条输入数据中所对应的激活权重，
Figure QLYQS_34
表示容忍阈值；
所述被激活参数的选择公式如下：
Figure QLYQS_35
；
其中，
Figure QLYQS_36
表示机载总线网络健康状态评估模型中的被激活参数集，
Figure QLYQS_37
表示第k个健康状态评估子模型中的第l条置信规则的权重，K表示健康状态评估子模型的个数；Lk表示第k个健康状态评估子模型中的置信规则的数量，
Figure QLYQS_38
表示第k个健康状态评估子模型中的第l条置信规则中所包含的置信度，N表示状态等级的数量，
Figure QLYQS_39
表示健康状态评估子模型的权重，γ表示健康状态评估子模型的权重数量，
Figure QLYQS_40
表示第k个健康状态评估子模型的第l条置信规则的规则激活因子。
CN202310292759.0A 2023-03-24 2023-03-24 一种可追溯的机载总线网络健康状态评估方法及系统 Active CN115996082B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310292759.0A CN115996082B (zh) 2023-03-24 2023-03-24 一种可追溯的机载总线网络健康状态评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310292759.0A CN115996082B (zh) 2023-03-24 2023-03-24 一种可追溯的机载总线网络健康状态评估方法及系统

Publications (2)

Publication Number Publication Date
CN115996082A CN115996082A (zh) 2023-04-21
CN115996082B true CN115996082B (zh) 2023-05-23

Family

ID=85990586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310292759.0A Active CN115996082B (zh) 2023-03-24 2023-03-24 一种可追溯的机载总线网络健康状态评估方法及系统

Country Status (1)

Country Link
CN (1) CN115996082B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006110278A (ja) * 2004-10-14 2006-04-27 Takasaki Univ Of Health & Welfare 個人健康管理システム
CN112069685A (zh) * 2020-09-09 2020-12-11 中国人民解放军火箭军工程大学 一种考虑可解释性的复杂机电系统健康评估方法及系统
CN112729878A (zh) * 2020-10-30 2021-04-30 长春工业大学 一种用于评估crh380型走行部系统健康状态的方法
CN115330203A (zh) * 2022-08-16 2022-11-11 哈尔滨师范大学 一种基于博弈证据网络的液化天然气储罐健康状态评估方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190073615A1 (en) * 2017-09-05 2019-03-07 PagerDuty, Inc. Operations health management
CN110297141A (zh) * 2019-07-01 2019-10-01 武汉大学 基于多层评估模型的故障定位方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006110278A (ja) * 2004-10-14 2006-04-27 Takasaki Univ Of Health & Welfare 個人健康管理システム
CN112069685A (zh) * 2020-09-09 2020-12-11 中国人民解放军火箭军工程大学 一种考虑可解释性的复杂机电系统健康评估方法及系统
CN112729878A (zh) * 2020-10-30 2021-04-30 长春工业大学 一种用于评估crh380型走行部系统健康状态的方法
CN115330203A (zh) * 2022-08-16 2022-11-11 哈尔滨师范大学 一种基于博弈证据网络的液化天然气储罐健康状态评估方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
变工况下航空逆变器健康评估方法研究;左景航;《电子测量技术》;全文 *
基于MI-GA-BP和误差...的水电机组健康评估模型研究;傅质馨;《电网与清洁能源》;全文 *
基于信度规则库的惯性平台健康状态参数在线估计;胡昌华;司小胜;;航空学报(07);全文 *
基于深度置信网络的轨道电路剩余寿命预测;刘伯鸿;《铁道科学与工程学报》;全文 *
置信规则库结构识别的置信K均值聚类算法;李彬;王红卫;杨剑波;祁超;郭敏;;系统工程(05);全文 *

Also Published As

Publication number Publication date
CN115996082A (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
CN109766583B (zh) 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法
CN110807257A (zh) 航空发动机剩余寿命预测方法
CN113486078B (zh) 一种分布式配电网运行监控方法及系统
CN109887284B (zh) 一种智慧城市交通信号控制推荐方法、系统及装置
CN112327903B (zh) 一种基于深度混合密度网络的航空器轨迹生成方法
CN112257935B (zh) 一种基于lstm—rbf神经网络模型的航空安全预测方法
WO2019160138A1 (ja) 因果推定装置、因果推定方法、及びプログラム
CN113742195B (zh) 一种基于贝叶斯神经网络的系统健康状态预测方法
CN111597755A (zh) 基于门控递归单元神经网络的电子器件剩余寿命预测方法
CN112766603A (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN115114128A (zh) 一种卫星健康状态评估系统及评估方法
Peng et al. A new likelihood ratio method for training artificial neural networks
WO2023193196A1 (zh) 自动驾驶测试用例生成方法、装置、电子设备及存储介质
Li et al. Aircraft failure rate prediction method based on CEEMD and combined model
Yao et al. Model-based deep transfer learning method to fault detection and diagnosis in nuclear power plants
CN110619148A (zh) 基于区间灰数的装备adc效能评估方法
CN109684713A (zh) 基于贝叶斯的复杂系统可靠性分析方法
CN116706907B (zh) 基于模糊推理的光伏发电预测方法和相关设备
Xie et al. Estimating a civil aircraft’s development cost with a GM (1, N) model and an MLP neural network
CN115996082B (zh) 一种可追溯的机载总线网络健康状态评估方法及系统
CN115618743B (zh) 一种瞄准镜系统的状态评估方法及状态评估系统
Sun et al. Short-Term Exhaust Gas Temperature Trend Prediction of a Marine Diesel Engine Based on an Improved Slime Mold Algorithm-Optimized Bidirectional Long Short-Term Memory—Temporal Pattern Attention Ensemble Model
CN113887570B (zh) 一种基于神经网络的太阳耀斑二分类预测方法
CN104537224A (zh) 基于自适应学习算法的多状态系统可靠性分析方法及系统
He et al. NARNET-based prognostics modeling for deteriorating systems under dynamic operating conditions

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