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技术方案

本发明专利技术涉及一种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，所述方法包括：S1、建立多状态petri网模型，并分别设定所述petri网模型中的依赖度和重要度的初始值；S2、根据所述依赖度和重要度的值计算系统可靠度，然后计算系统可靠度误差值；S3、判断所述系统可靠度误差值是否小于阈值，是则结束，否则执行下一步；S4、根据粒子群算法依次调节所述依赖度和重要度，得到最优依赖度和最优重要度；S5、根据所述最优依赖度和重要度建立多状态系统的可靠性估计的状态概率表。本发明专利技术通过建立多状态系统petri网模型，并对模型的参数进行自适应地学习，从而达到准确评估多状态系统可靠性的目的。

【技术实现步骤摘要】
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
本专利技术涉及软件系统
，尤其涉及一种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。
技术介绍
在一个复杂的软件系统中，一个部件可能承担多项任务，部件对一个任务失效的同时，对其他任务可能完成的很好。所以同一个部件在同一时期的不同系统分支中，可以承担不同的任务角色，从而表现出一种多状态系统现象。在多状态系统可靠性估计中，一般需要知道部件的可靠性，从而根据系统的结构估计出系统的可靠性。但是，由于高可靠性产品失效为小概率事件或者可靠性试验时的环境和使用环境不完全相同等因素，使得获得部件可靠性具有一定的模糊性。在这些情况下，更适合通过模糊数的模糊运算对系统的可靠性进行估计。系统模糊可靠性理论是模糊数学与系统可靠性相结合产生的产物，研究的是系统可靠性分析中的模糊现象，对常规可靠性设计的一个有益的补充，也是目前占主流的处理模糊不确定性问题的方法。因此从多状态理论和模糊状态理论出发去处理大型复杂系统必将成为系统可靠性研究的重点之一，它已经成为众多学者致力研究的方向。在多状态系统可靠性方面，近年来，人们进行了大量的研究和试验，提出了多种可靠性分析方法，并将其他领域的技术引入到可靠性分析上，这些方法对于多状态系统的可靠性分析具有一定的适用性。但总的来说，多状态可靠性分析方法还有待进一步研究和完善，面对日益复杂的多状态系统与越来越精确的可靠性分析方法，多状态系统参数值的精确度成为影响多状态系统可靠性的主要因素，多状态系统动态变化状态的参数值最优化仍然是多状态系统可靠性分析的关键难点问题。基于参数评估的多状态系统可靠性分析方法是近年来提出的较新的基于参数最优值的多状态系统可靠性分析方法，它主要通过计算智能算法评估多状态系统的模糊参数值，然后通过一定的技术手段来进行多状态系统可靠性分析，但目前基于模糊参数值的多状态系统可靠性分析仍然不够成熟，主要面临如下问题：(1)由于多状态系统动态变化状态的存在,当多状态系统状态发生变化时,原有的模型的各种参数如阈值等不再适用,必须对系统参数重新在模型上标注,因此多状态系统模型的适应性有待提高，需要系统化的模型进行支撑。(2)多状态系统可靠性模型本身的参数值一般是依靠人工经验确定,这样就易将人工经验的不确定性添加在算法中,影响算法的准确性。(3)总的来说，多状态系统理论框架虽初见端倪，但是对于现实的各种多状态系统的可靠性分析还缺乏通用的模型。目前仅能采用一些特殊的技术方法解决一些类别的多状态系统。模糊可靠性理论无论在理论研究方面还是工程应用方面都还处于初始发展阶段，一般系统的模糊可靠性模型尚没有明确的物理定义。针对多状态系统的模糊可靠性更为复杂，还没有通用合理的计算分析模型。
技术实现思路
基于上述问题，本专利技术提供一种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，通过建立多状态系统petri网模型，并对模型的参数进行自适应地学习，从而达到准确评估多状态系统可靠性的目的。根据上述目的，本专利技术的一个方面提供一种基于自适应学习算法的多状态系统可靠性分析方法，其特征在于，所述方法包括：S1、建立多状态petri网模型，并分别设定所述petri网模型中的依赖度和重要度的初始值；S2、根据所述依赖度和重要度的值计算系统可靠度，然后计算系统可靠度误差值；S3、判断所述系统可靠度误差值是否小于阈值，是则结束，否则执行下一步；S4、根据粒子群算法依次调节所述依赖度和重要度，得到最优依赖度和最优重要度；S5、根据所述最优依赖度和重要度建立多状态系统的可靠性估计的状态概率表。其中，所述多状态petri网模型建立为：SMSPN＝<P,D,T,I,O,α,Th,τ>，其中，P＝{P1,P2....Pn}为库所结点的有限集合；T＝{t1,t2....tm}为变迁结点的有限集合；D表示节点命题的有限集合；I为输入矩阵，O为输出矩阵，α表示库所对应命题的重要度，Th表示状态变化过程时节点之间的依赖度；τ表示变迁的平均实施速率。其中，所述粒子群算法的公式为：Vn＝w*Vn-1+c1*rand*(pBest-Pre)+c2*rand*(gBest-Pre)Pre＝Pre+V其中，w表示调整权重，V表示调整速度；c1,c2表示学习因子，rand是[0,1]之间的随机数，用以调节调整速度的快慢；pBest表示当前依赖度；gBest表示当前重要度；Pre表示当前调整位置。其中，所述步骤S4具体包括：S41、根据上述粒子群算法调节当前节点k的依赖度，并根据调节后的依赖度计算当前系统可靠度，并计算对应的当前系统可靠性误差值fk；S42、判断fk<fk-1，是则返回步骤S41，否则执行下一步；S43、令k＝k+1，并判断是否k<n，是则返回步骤S41，否则执行下一步，其中，n为输入库所和中间库所的总个数赋值；S44、判断fk是否小于等于阈值，是则结束，得到最优依赖度，否则执行下一步；S45、判断当前调节依赖度次数是否超过设定次数，是，则执行下一步，否则返回步骤S41；S46、将当前依赖度的值代入所述粒子群算法中，调节所述重要度，并根据调节后的重要度计算当前系统可靠度，并计算对应的当前系统可靠度误差值fj；S47、判断fj<fj-1，是则返回步骤S46，否则执行下一步；S48、令j＝j+1，并判断是否j<n，是则返回步骤S46，否则执行下一步；S49、判断fj是否小于等于阈值，是则结束，得到最优依赖度，否则执行下一步；S410、判断当前调节重要度次数是否超过设定次数，是，则执行下一步，否则返回步骤S46；S411、调节所述粒子群算法中的调整速度规则，执行步骤S4。其中，所述系统可靠度误差值的计算公式为：其中，Dx表示节点x的系统可靠度，Rsk为系统可靠度的样本值。其中，所述调节所述粒子群算法中的调整速度规则包括调整所述粒子群算法中的rand的值。根据本专利技术的另一个方面，提供一种基于自适应虚席算法的多状态系统可靠性分析系统，其特征在于，所述系统包括：Petri网模型建立单元，用于建立多状态petri网模型，并分别设定所述petri网模型中的依赖度和重要度的初始值；误差值计算单元，根据所述依赖度和重要度的值计算系统可靠度，然后计算系统可靠度误差值；误差值判断单元，判断所述初始误差值是否小于阈值，是则结束，否则执行下一步；优化单元，根据粒子群算法依次调节所述依赖度和重要度，得到最优依赖度和最优重要度；可靠性估计单元，根据所述最优依赖度和重要度建立多状态系统的可靠性估计的状态概率表。本专利技术所述的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，将自适应学习算法与多状态系统petri网模型相结合，在多状态系统petri网模型中对参数重要度和依赖度的可靠性进行分析，通过多状态系统中的模糊参数重要度和依赖度建立多状态系统的可靠性估计的状态概率表，达到准确评估多状态系统可靠性的目标。本专利技术提出的多状态系统可靠性分析方法针对包含重要度和依赖度的多状态系统，特别是节点库中对象个数比较多的情况下具有比较精确的可靠性分析能力。附图说明通过参考附图会更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制，在附图中：图1示出了本本文档来自技高网...

【技术保护点】
一种基于自适应学习算法的多状态系统可靠性分析方法，其特征在于，所述方法包括：S1、建立多状态petri网模型，并分别设定所述petri网模型中的依赖度和重要度的初始值；S2、根据所述依赖度和重要度的值计算系统可靠度，然后计算系统可靠度误差值；S3、判断所述系统可靠度误差值是否小于阈值，是则结束，否则执行下一步；S4、根据粒子群算法依次调节所述依赖度和重要度，得到最优依赖度和最优重要度；S5、根据所述最优依赖度和重要度建立多状态系统的可靠性估计的状态概率表。

【技术特征摘要】
1.一种基于自适应学习算法的多状态系统可靠性分析方法，其特征在于，所述方法包括：S1、建立多状态petri网模型，并分别设定所述petri网模型中的依赖度和重要度的初始值；S2、根据所述依赖度和重要度的值计算系统可靠度，然后计算系统可靠度误差值；S3、判断所述系统可靠度误差值是否小于阈值，是则结束，否则执行下一步；S4、根据粒子群算法依次调节所述依赖度和重要度，得到最优依赖度和最优重要度；S5、根据所述最优依赖度和重要度建立多状态系统的可靠性估计的状态概率表；所述多状态petri网模型建立为：SMSPN＝<P,D,T,I,O,α,Th,τ>，其中，P＝{P1,P2....Pn}为库所结点的有限集合；T＝{t1,t2....tm}为变迁结点的有限集合；D表示节点命题的有限集合；I为输入矩阵，O为输出矩阵，α表示库所对应命题的重要度，Th表示状态变化过程时节点之间的依赖度；τ表示变迁的平均实施速率；所述粒子群算法的公式为：Vn＝w*Vn-1+c1*rand*(pBest-Pre)+c2*rand*(gBest-Pre)Pre＝Pre+V，其中，w表示调整权重，V表示调整速度；c1,c2表示学习因子，rand是[0,1]之间的随机数，用以调节调整速度的快慢；pBest表示当前依赖度；gBest表示当前重要度；Pre表示当前调整位置；所述步骤S4具体包括：S41、根据上述粒子群算法调节当前节点k的依赖度，并根据调节后的依赖度计算当前系统可靠度，并计算对应的当前系统可靠性误差值fk；S42、判断fk＜fk-1，是则返回步骤S41，否则执行下一步；S43、令k＝k+1，并判断是否k<n，是则返回步骤S41，否则执行下一步，其中，n为输入库所和中间库所的总个数赋值；S44、...

【专利技术属性】
技术研发人员：姚淑珍，张新菊，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11