一种基于贝叶斯网络的元件系统可靠性优化方法技术方案

本发明专利技术公开了一种基于贝叶斯网络的元件系统可靠性优化方法，包括以下步骤：步骤1：基于贝叶斯网络，构建条件概率表；步骤2：采用混合压缩编码算法对条件概率表进行推理算法计算，获得压缩条件概率表；步骤3：引入备用冗余结构，获得延迟转换混合模型，并模拟复杂场景；步骤4：根据PSO算法和压缩条件概率表，对复杂场景下的延迟转换混合模型进行优化处理，获得分布信息；步骤5：根据分布信息，对元件系统优化后的可靠性进行评估。此发明专利技术解决了复杂系统中组件过多，而构建贝叶斯网络模型时条件概率表过大无法正常构建的问题，基于延迟转换备份技术，采用备用元件替换失效元件进行优化和可靠性分析，实现了复杂系统的可靠性分析，提升了优化效率。

【技术实现步骤摘要】
一种基于贝叶斯网络的元件系统可靠性优化方法
本专利技术涉及可靠性分析
，具体涉及一种基于贝叶斯网络的元件系统可靠性优化方法。
技术介绍
在产品的设计和生产过程中，可靠性分析能够保证产品的设计合理化，提高耐久性和耐用性。可靠性分析发展至今，已经延伸出多个分支，并在不同领域持续发光发热。在帮助人们达到预期目的的同时，其本身分析方式的发展也处于不断进步之中。分析处于工作状态的元件从而推算出系统可靠性成为当前可靠性研究的又一个重点。这项技术称为混合冗余设计技术。即通过多个备用元件确保系统顺利运行，但是这些先进技术在运行时也会造成大量的系统活跃元件损耗，即元件失效。在预防可靠性系统失效方案中，备用元件在计算机系统的使用变得更为广泛。工作方式是当出现工作的元件失效后，备用元件进入激活状态，进入系统中，替换失效元件继续工作。这些技术目前正被广泛应用在飞机的飞行起降控制、空间系统和复杂网络系统中。贝叶斯网络技术常用于不确定信息推理，属于人工智能领域中常用的方法。在可靠性工程中也可以利用贝叶斯网络技术进行前期故障诊断，在大量元器件中找出重要性较高的，结合运用延迟转换混合备份技术对系统进行优化设计。这种方式增加了系统可靠性，并大大增加了系统的可维护性。这些技术对于一般的规模较小的系统有效，但是对于具有大量元器件的复杂系统或许不能有效解决问题，或者使系统的费用达到最低水平。其具体表现如下：(1)在复杂系统的前期故障预诊断过程中，主要考虑的就是部件有没有故障存在，所以这时部件只有两种状态。但是在二态复杂系统中构建贝叶斯网络模型时常常因为系统组件过多因而条件概率表过大，导致无法正常构建的问题。即当系统中的组件数增加时条件概率表对存储容量的要求指数增长，且在获取了新的证据条件下无法进行概率更新推理。(2)传统的混合备用元件分配调度策略性能较低，研究中可能会出现顾此失彼的现象产生，如重视元件排序方式可能会导致时间复杂度增加，而重视时间复杂度可能会导致失效元件不能立即得到激活的备用元件有效替换。使用的混合冗余备份策略可以提高系统的可靠性，温备份元件的转化通常在上一个热备份模式的元件失效后立即转化替换。这种方式不能让系统达到可靠性最高且费用最低。因为立即转换增加了一些没有必要的时间使元件处于热备份状态。
技术实现思路
本专利技术的目的是提供一种基于贝叶斯网络的元件系统可靠性优化方法。此方法旨在解决复杂系统中组件过多，构建贝叶斯网络模型时条件概率表过大无法正常构建的问题，基于延迟转换备份技术，采用备用元件替换失效元件进行优化和可靠性分析，实现复杂系统的可靠性分析，提升优化效率。为达到上述目的，本专利技术提供了一种基于贝叶斯网络的元件系统可靠性优化方法，包括以下步骤：步骤1：基于贝叶斯网络，构建元件系统的条件概率表；步骤2：采用混合压缩编码算法对条件概率表进行推理算法计算，获得压缩条件概率表；步骤3：在元件系统中引入备用冗余结构，获得元件系统的延迟转换混合模型，并模拟元件复杂多态系统的复杂场景；步骤4：根据PSO算法和压缩条件概率表，对复杂场景下的延迟转换混合模型进行优化处理，获得延迟转换混合模型中备用元件的分布信息；步骤5：根据分布信息，对元件系统优化后的可靠性进行评估。最优选的，推理算法计算包括以下步骤：步骤2.1：定义元件系统中有n个组合数据和元件系统中左至右依序排序出第i个组合数据的特殊行号Ci,(i＝1,2,...n)；步骤2.2：根据第i个组合数据的特殊行号Ci，计算出条件概率表的第k(k＝1...2n)行的状态Si；步骤2.3：条件概率表的第k(k＝1...2n)行的状态Si组成元件系统中第k行的最小割集；步骤2.4：根据每一行的最小割集对元件系统状态进行推理判定；若每一行的最小割集中均处于正常状态，则元件系统处于正常状态；若每一行的最小割集中至少有一个处于失效状态，则元件系统处于失效状态；步骤2.5：根据元件系统状态，对条件概率表进行压缩编码处理，获得压缩条件概率表。最优选的，推理判定还包括以下步骤：步骤2.4.1：初始化元件系统中的组合数据n、元件系统的先验失效概率集合、条件概率表、词组词典d0、查询节点集Q和输入证据的节点集；步骤2.4.2：循环元件系统中每一行的最小割集由n到1的组合数据，得到元件系统中第i个组件，且满足：i←ndownto1,do；步骤2.4.3：判断第i个组件是否属于查询节点集Q；若不属于，则循环元件系统中第j个组件，且满足：j←1tomi+1,do根据第j个组件计算出第i个组件，并重复判断；步骤2.4.4：若属于，则停止元件系统的组件循环，并记录第i个组件的中间因子，进行压缩算法，获得每一行的最小割集的状态。最优选的，推理判定是通过整合传统的变量消除法和联合树法，对每一行的最小割集进行故障概率推理。最优选的，条件概率表的第k(k＝1...2n)行的状态Si满足：其中，ceil(x)为x四舍五入后的整数值。最优选的，可靠性计算包括以下步骤：步骤3.1：将元件系统的任务时间tM划分为m个相等时间间隔Δ，满足：Δ＝tM/m；步骤3.2：分别根据元件系统操作模式下的初始累积失效时间分布函数Fk(t)和初始元件失效概率密度pk(i),(0≤i≤m)，分别计算出将第k个元件在tH时刻从温备份模式转换为热备份模式，在tO时刻转换为操作模式下的累积失效时间分布函数Fk(t*(tH,tO,tF))和元件失效概率密度pk(iH,iO,iF)；步骤3.3：计算元件系统中第k个元件的元件系统E(k)，在操作模式下失效或在XK-1和YK-1时间段内失效的失效费用CE(k)(Xk-1,Yk-1,iF)。最优选的，累积失效时间分布函数Fk(t*(tH,tO,tF))满足：Fk(t*(tH,tO,tF))＝Fk(DW(k)τWSM+DH(k)τHSM+τOM)其中，tF为失效时间；DW为温贮备失效概率；DH为热贮备失效概率；τWSM为温贮备时间，且满足：τWSM＝min(tH,tO,tF)；τHSM为热贮备时间，且满足：τHSM＝max(0,min(tF-tH,tO-tH))；τOM为操作模型时间，且满足：τOM＝max(0,tF-tO)。最优选的，元件失效概率密度pk(iH,iO,iF)满足：pk(iH,iO,iF)＝Fk(t*(ΔiO,ΔiH,Δ(iF+1)))-Fk(t*(ΔiO,ΔiH,ΔiF))。最优选的，失效费用CE(k)(Xk-1,Yk-1,iF)满足：CE(k)(Xk-1,Yk-1,iF)＝Δ[Sw(E(k))τWSM+SH(E(k))τHSM]+S(Xk-1,Yk-1,iF)。最优选的，混合压缩编码算法包括Run-length编码算法和lempel-Ziv编本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯网络的元件系统可靠性优化方法，其特征在于，包括以下步骤：/n步骤1：基于贝叶斯网络，构建元件系统的条件概率表；/n步骤2：采用混合压缩编码算法对所述条件概率表进行推理算法计算，获得压缩条件概率表；/n步骤3：在元件系统中引入备用冗余结构，获得元件系统的延迟转换混合模型，并模拟元件复杂多态系统的复杂场景；/n步骤4：根据PSO算法和所述压缩条件概率表，对所述复杂场景下的所述延迟转换混合模型进行优化处理，获得所述延迟转换混合模型中备用元件的分布信息；/n步骤5：根据所述分布信息，对元件系统优化后的可靠性进行评估。/n

【技术特征摘要】
1.一种基于贝叶斯网络的元件系统可靠性优化方法，其特征在于，包括以下步骤：
步骤1：基于贝叶斯网络，构建元件系统的条件概率表；
步骤2：采用混合压缩编码算法对所述条件概率表进行推理算法计算，获得压缩条件概率表；
步骤3：在元件系统中引入备用冗余结构，获得元件系统的延迟转换混合模型，并模拟元件复杂多态系统的复杂场景；
步骤4：根据PSO算法和所述压缩条件概率表，对所述复杂场景下的所述延迟转换混合模型进行优化处理，获得所述延迟转换混合模型中备用元件的分布信息；
步骤5：根据所述分布信息，对元件系统优化后的可靠性进行评估。


2.如权利要求1所述的基于贝叶斯网络的元件系统可靠性优化方法，其特征在于，所述推理算法计算包括以下步骤：
步骤2.1：定义元件系统中有n个组合数据和元件系统中左至右依序排序出第i个组合数据的特殊行号Ci,(i＝1,2,...n)；
步骤2.2：根据所述第i个组合数据的特殊行号Ci，计算出所述条件概率表的第k(k＝1...2n)行的状态Si；
步骤2.3：所述条件概率表的第k(k＝1...2n)行的状态Si组成元件系统中第k行的最小割集；
步骤2.4：根据每一行的所述最小割集对元件系统状态进行推理判定；若每一行的所述最小割集中均处于正常状态，则元件系统处于正常状态；若每一行的所述最小割集中至少有一个处于失效状态，则元件系统处于失效状态；
步骤2.5：根据所述元件系统状态，对所述条件概率表进行压缩编码处理，获得所述压缩条件概率表。


3.如权利要求2所述的基于贝叶斯网络的元件系统可靠性优化方法，其特征在于，所述推理判定还包括以下步骤：
步骤2.4.1：初始化所述组合数据n、元件系统的先验失效概率集合、所述条件概率表、词组词典d0、查询节点集Q和输入证据的节点集；
步骤2.4.2：循环所述每一行的最小割集由n到1的组合数据，得到元件系统中第i个组件，且满足：
i←ndownto1,do；
步骤2.4.3：判断所述第i个组件是否属于所述查询节点集Q；若不属于，则循环元件系统中第j个组件，且满足：
j←1tomi+1,do



根据所述第j个组件计算出所述第i个组件，并重复判断；
步骤2.4.4：若属于，则停止元件系统的组件循环，并记录所述第i个组件的中间因子，进行压缩算法，获得所述每一行的最小割集的状态。


4.如权利要求3所述的基于贝叶斯网络的元件系统可靠性优化方法，其特征在于，所述推理判定是通过整合传统的变量消除法和联合树法，对所述每一行的最小割集进行故...

【专利技术属性】
技术研发人员：路文骏，史小宏，胡传福，徐浩，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海;31