多阶段任务系统冗余配置优化方法技术方案

本发明专利技术提供的一种多阶段任务系统冗余配置优化方法，包括步骤S1：建立多阶段系统的故障树和贝叶斯网络，获得多阶段系统的路集组合；S2：建立元件累积损伤模型，计算元件在各阶段的可靠度，带入多阶段系统的路集组合，得到多阶段任务系统可靠度；S3：建立多阶段任务系统冗余配置的优化数学模型；S4：代入多阶段任务系统可靠度，利用遗传算法，求解优化数学模型，获得最优元件配置基因；本发明专利技术采用遗传算法寻找系统的最优配置，采用元件冗余跨阶段共用能在不降低系统可靠性前提下显著降低造价、系统重量等性能参数，考虑失效率的不确定性获得的系统鲁棒性冗余配置结构能够显著地抵抗不确定因素的变化对系统可靠性造成的影响使系统可靠性具备稳定性。

【技术实现步骤摘要】
多阶段任务系统冗余配置优化方法
本专利技术涉及多阶段系统可靠性建模领域，具体涉及一种多阶段任务系统冗余配置优化方法。
技术介绍
现有工业设备大多是高精密、高复杂设备，其任务的完成，大多由多个不同任务阶段串联而成，如导弹的攻击任务分为发射、惯性制导、末端制导三阶段组成，这样的系统称为PMS(Phased-MissionSystems)。PMS冗余配置优化的目的是通过选择冗余元件的类型以及个数在成本，重量、体积等约束下实现系统可靠性最大化，或者在保证系统达到一定可靠性以及满足重量、体积等约束条件下实现成本最小化。PMS不同任务阶段其系统组成，元件配置，元件失效率各不相同，加之元件阶段内以及跨阶段共用造成元件失效阶段相关，使得PMS无论在可靠性求解还是冗余配置优化都较单阶段任务系统复杂的多。目前已有较多文献讨论了PMS的可靠性求解方法，大致可分为三类：静态模型法、动态模型法以及仿真抽样方法。静态模型法如PMS-BDD(BDD，二元决策图，BinaryDecisionDiagram)方法很好的解决了阶段间的相关性以及元件共用问题；贝叶斯网络(BayesianNetworks,BN)方法利用节点间的条件概率关系能很好地表示元件在阶段内以及阶段间的共用性，并有成熟的推理算法可以利用。动态模型法如Markov模型、Petri网模型等，动态模型方法能处理阶段内以及阶段间的元件共用性，但存在组合爆炸问题。基于大数定理的蒙特卡洛方法从原理上来说该方法几乎没有限制，缺点是为了获得一定精度的解必须多次重复仿真，耗时过长。单阶段任务系统冗余配置优化，无论在系统可靠性计算还是优化技术上都很成熟，而针对PMS的冗余配置优化文献尚不多。目前已有人研究了PMS冷备份冗余的优化，故障级覆盖系统的优化,PMS在随机冲击情况下的冗余优化问题，还有人利用模拟方法考虑了多失效模式的PMS冗余优化，研究了串并联PMS的优化，针对多状态PMS展开研究获得了系统的最佳冗余配置。现有的对PMS冗余优化采用的优化工具而言多为遗传算法与粒子群算法，且都是在PMS的各阶段分别进行冗余元件的配置，未考虑元件冗余阶段共享情况，元件冗余阶段共享即在i阶段a元件的冗余在i阶段结束后仍然可以在j阶段作为a元件的冗余继续使用，元件冗余各阶段共享在生产中是实际存在的，其能够充分利用冗余元件的使用寿命，在保证系统可靠性前提下显著减少各阶段并联元件的数量从而降低系统成本、重量、体积等指标。现已有人在单阶段任务系统冗余配置优化中考虑了元件失效率的不确定性，但在PMS冗余配置优化中，极少有文献考虑元件失效率的不确定性。生产实际中因技术水平的差异、加工、测量、统计误差等因素导致元件失效率不是一个确定值，若按确定值来处理，设计的系统不具有系统可靠性的鲁棒性，即元件失效率的一个小的波动很可能导致系统最优可靠性发生很大突变，即系统抗波动性差。考虑元件失效率的不确定性时，求系统可靠性的最优解显得意义不大，寻找系统抗波动性强的最优鲁棒解及其对应的系统最优冗余配置就显得很有实际意义。因此，需要提出一种考虑元件跨阶段共用、元件冗余跨阶段共享和元件失效率不确定性的多阶段任务系统冗余配置优化方法。
技术实现思路
有鉴于此，本专利技术的目的是提供一种多阶段任务系统冗余配置优化方法，采用遗传算法寻找系统的最优配置，采用元件冗余跨阶段共用能在不降低系统可靠性前提下显著降低造价、系统重量等性能参数，考虑失效率的不确定性获得的系统鲁棒性冗余配置结构能够显著地抵抗不确定因素的变化对系统可靠性造成的影响使系统可靠性具备稳定性。本专利技术提供一种多阶段任务系统冗余配置优化方法，包括步骤：S1：建立多阶段系统的故障树和贝叶斯网络，获得多阶段系统的路集组合；S2：建立元件累积损伤模型，计算元件在各阶段的可靠度，带入多阶段系统的路集组合，得到多阶段任务系统可靠度；S3：建立多阶段任务系统冗余配置的优化数学模型，具体如下：S31：确定目标函数：本方法考虑到元件跨阶段共用，元件冗余跨阶段共享和元件失效率不确定性的情况，在增大系统输出特性的均值，减小系统输出特性的方差为优化目标，建立目标函数，所述目标函数的表达式如下：其中，δ为输出特性的方差，μ为输出特性的期望；S32：确定约束条件：所述约束条件为weightk＜Mk(2)0＜xij＜Nij其中，cij、xij分别表示i类元件的j型号的价格与数量，n表示阶段数，w表示冗余元件类型的数量；weightk表示阶段k的系统的重量；Mk表示阶段k的系统重量约束上限；Nij表示i类元件的j型号的个数约束上限；C*表示多阶段任务系统造价约束的上限；所述系统输出特性即为多阶段任务系统可靠度；S4：代入多阶段任务系统可靠度，利用遗传算法，求解优化数学模型，获得最优元件配置基因。进一步，所述步骤S4具体如下：S41：编码：采用整数编码，每个基因位用0～Nij的整数表示选择该元件的个数；共有n个阶段共w种元件类型，总共用n×w个基因表示各阶段元件的选择情况，为了表示元件冗余阶段共享情况，在编码时从阶段2开始各阶段增加各元件冗余共享基因标志位其中，表示阶段k共享阶段k’的y元件冗余，即阶段k’的y冗余在阶段k也被使用；S42：初始种群的生成：个体的基因位的基因值应满足元件数量约束，基因生成方法为：若有ny个元件y供选择，在阶段1，在[0,ny]范围随机生成元件y使用个数n1，在阶段2，在[0,ny-n1]范围随机生成元件y使用个数n2，在阶段k，在[0，ny-n1-n2-…-n(k-1)]范围内随机生成元件y使用个数nk,，按此方式随机生成各元件初始种群；S43：各阶段系统重量计算：由下式计算阶段k系统重量weightk:其中，w_xij表示i类元件j型号的重量；S44：系统造价计算：由下式计算多阶段任务系统造价Z：S45：系统造价计算：采用拉丁超立方对步骤S41选择的每个冗余元件的失效率分布函数进行抽样，对各元件分别抽取m个失效率样本，每个样本包括元件在各阶段的失效率，再将每一个样本带入元件累积损伤模型求得各个样本下元件在各阶段的可靠度；S46：将步骤S45求得的各元件条件可靠度带入步骤2求得的系统路集求得m个系统可靠度样本；S47：计算m个系统可靠度样本的统计特性，即均值与方差；S48：计算种群适应度：S49：采用精英保留策略，选择、交叉、变异获得子代总群；S410：重复步骤S41至S49，达到规定迭代次数停止算法，输出最优元件配置基因。进一步，所述步骤S48具体为：采用罚函数方法获得适应度函数fit(x)：其中，Rg表示第g种结构的多阶段任务系统可靠度，所述结构即为多阶段任务系统的最小不交化路集；K表示系统可靠度约束下限，abs()表示求()中的表达式的绝对值的运算；factor表示罚因子。进一步，所述步骤S1具体如下：S11：建立多阶段系统的故障树和贝叶斯网络，具体如下：S111：建立多阶段系统的故障树；S112：按照映射规则，将各阶段故障树分别映射成相应的贝叶斯网络，使阶段内以及阶段间的共用元件用有向边连接；S113：按照映射规则，在贝叶斯网络中建立用于表示整个多阶段系统可靠度的虚拟数值节点；S12：获得多阶段系统的各个阶段的最小路集，并对最小路集进行排序，具体如下：在贝叶斯网络中分别从各本文档来自技高网...

【技术保护点】
1.一种多阶段任务系统冗余配置优化方法，其特征在于：包括步骤：S1：建立多阶段系统的故障树和贝叶斯网络，获得多阶段系统的路集组合；S2：建立元件累积损伤模型，计算元件在各阶段的可靠度，带入多阶段系统的路集组合，得到多阶段任务系统可靠度；S3：建立多阶段任务系统冗余配置的优化数学模型，具体如下：S31：确定目标函数：本方法考虑到元件跨阶段共用，元件冗余跨阶段共享和元件失效率不确定性的情况，在增大系统输出特性的均值，减小系统输出特性的方差为优化目标，建立目标函数，所述目标函数的表达式如下：

【技术特征摘要】
1.一种多阶段任务系统冗余配置优化方法，其特征在于：包括步骤：S1：建立多阶段系统的故障树和贝叶斯网络，获得多阶段系统的路集组合；S2：建立元件累积损伤模型，计算元件在各阶段的可靠度，带入多阶段系统的路集组合，得到多阶段任务系统可靠度；S3：建立多阶段任务系统冗余配置的优化数学模型，具体如下：S31：确定目标函数：本方法考虑到元件跨阶段共用，元件冗余跨阶段共享和元件失效率不确定性的情况，在增大系统输出特性的均值，减小系统输出特性的方差为优化目标，建立目标函数，所述目标函数的表达式如下：其中，δ为输出特性的方差，μ为输出特性的期望；S32：确定约束条件：所述约束条件为其中，cij、xij分别表示i类元件的j型号的价格与数量，n表示阶段数，w表示冗余元件类型的数量；weightk表示阶段k的系统的重量；Mk表示阶段k的系统重量约束上限；Nij表示i类元件的j型号的个数约束上限；C*表示多阶段任务系统造价约束的上限；所述系统输出特性即为多阶段任务系统可靠度；S4：代入多阶段任务系统可靠度，利用遗传算法，求解优化数学模型，获得最优元件配置基因。2.根据权利要求1所述多阶段任务系统冗余配置优化方法，其特征在于：所述步骤S4具体如下：S41：编码：采用整数编码，每个基因位用0～Nij的整数表示选择该元件的个数；共有n个阶段共w种元件类型，总共用n×w个基因表示各阶段元件的选择情况，为了表示元件冗余阶段共享情况，在编码时从阶段2开始各阶段增加各元件冗余共享基因标志位其中，表示阶段k共享阶段k’的y元件冗余，即阶段k’的y冗余在阶段k也被使用；S42：初始种群的生成：个体的基因位的基因值应满足元件数量约束，基因生成方法为：若有ny个元件y供选择，在阶段1，在[0,ny]范围随机生成元件y使用个数n1，在阶段2，在[0,ny-n1]范围随机生成元件y使用个数n2，在阶段k，在[0，ny-n1-n2-…-n(k-1)]范围内随机生成元件y使用个数nk,，按此方式随机生成各元件初始种群；S43：各阶段系统重量计算：由下式计算阶段k系统重量weightk:其中，w_xij表示i类元件j型号的重量；S44：系统造价计算：由下式计算多阶段任务系统造价Z：S45：系统造价计算：采用拉丁超立方对步骤S41选择的每个冗余元件的失效率分布函数进行抽样，对各元件分别抽取m个失效率样本，每个样本包括元件在各阶段的失效率，再将每一个样本带入元件累积损伤模型求得各个样本下元件在各阶段的可靠度；S46：将步骤S45求得的各元件条件可靠度带入步骤2求得的系统路集求得m个系统可靠度样本；S47：计算m个系统可靠度样本的统计特性，即均值与方差；S48：计算种群适应度：S49：采用精英保留策略，选择、交叉、变异获得子代总群；S410：重复步骤S41至S49，达到规定迭代次数停止算法，输出最优元件配置基因。3.根据权利要求1所述多阶段任务系统冗余配置优化方法，其特征在于：所述步骤S48具体为：采用罚函数方法获得适应度函数fit(x)：其中，Rg表示第g种结构的多阶段任务系统可靠度，所述结构即为多阶段任务系统的最小不交化路集；K表示系统可靠度约束下限，abs()表示求()中的表达式的绝对值的运算；factor表示罚因子。4.根据权利要求1所述多阶段任务系统冗余配置优化方法，其特征在于：所述步骤S1具体如下：S11：建立多阶段系统的故障树和贝叶斯网络，具体如下：S111：建立多阶段系统的故障树；S112：按照映射规则，将各阶段故障树分别映射成相应的贝叶斯网络，使阶段内以及阶段间的共用元件用有向边连接；S113：按照映射规则，在贝叶斯网络中建立用于表示整个多阶段系统可靠度的虚拟数值节点；S12：获得多阶段系统的各个阶段的最小路集，并对最小路集进行排序，具体如下：在贝叶斯网络中分别从各阶段根节点由下至上遍历贝叶斯网络，寻找最小路集，遇到与门则该节点上层节点相加，遇到或门则相乘，再将所有最小路集按数字顺序从小到大排列，当遇到串联节点与并联节点相乘时串联节点置于前，并联节点置于后均需由小到大排列；S13：对最小路集进行不交化处理，得到不交化后的路集，具体如下：S131:设经步骤S2获得L个经排序的最小路集，将前L-1个组合在一起作为复合节点A，第L个作为节点B；S132:对最小路集进行不交化处理，具体如下：对由A、B组合成的并联贝叶斯网络的不交化处理，具体如下：P(S＝1)＝P(A＝1)+P(A＝0)P(B＝1)(6)P(S＝0)＝P(A＝0)P(B＝0)(7)对由A...

【专利技术属性】
技术研发人员：胡启国，何金银，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：重庆,50