基于混合诊断贝叶斯网络的测试性不确定性建模与预计

针对目前测试性预计方法缺乏对不确定性全面考虑的现象,从测试和故障两个方面分析了测试性预计过程中的不确定性问题,基于贝叶斯网络测试性模型对不确定性测试问题进行了建模与分析,基于混合诊断模型对故障不确定性问题进行了建模与分析,并最终将贝叶斯网络测试性模型与混合诊断模型相融合,给出了一种兼容IEEE Std 1522的基于混合诊断贝叶斯网络模型的测试性指标预计方法,测试性指标预计结果的可信度明显提高。     

基于贝叶斯网络的目标毁伤效果评估研究

随着现代战争节奏的加快,战场环境的复杂化,目标毁伤效果评估(BDA)对战场指挥员的作战决策影响越来越大。而现代战场的复杂性及目标毁伤信息的不确定性,给目标BDA带来了巨大挑战。贝叶斯网络是最近几十年刚流行起来的一种不确定性推理工具,它可以根据不确定或不完整信息对所研究的问题做出相对准确的推理,贝叶斯网络的这种特点正好适合在战场上根据各种不确定或不完整的目标毁伤信息对目标毁伤效果进行综合评估。通过对基于贝叶斯网络的目标BDA方法的探讨,叙述了贝叶斯网络模型的建立与更新过程,并以机场跑道为研究对象,演示了利用贝叶斯网络进行目标BDA的过程,说明了贝叶斯网络在目标BDA中应用的可行性与有效性。     

基于多状态贝叶斯网络的导弹质量状态评估

针对“是非制”导弹质量状态分类方法过于粗放、信息资源利用不充分的问题,提出了基于DS证据理论-层次分析法的条件概率赋值方法,并构建了贝叶斯网络的质量状态评估模型。在分析性能特征参数的基础上,将导弹状态划分为良好、较好、堪用、拟故障和故障5个等级。对单位不一、阈值各异的测试参数进行归一化处理,以改进的岭形分布函数确定各质量状态等级的隶属度,构建基于贝叶斯网络的导弹质量状态评估模型。鉴于各节点间为非确定性逻辑关系、数据信息相对缺乏,提出基于DS证据理论-层次分析法的多状态贝叶斯网络条件概率值确定方法。以某型导弹为例,经过验证,DS证据理论-层次分析法确定条件概率值的方法将不确定度降低到了5%左右,并通过横向对比与纵向对比确定了该模型的合理性与可信性。     

基于动态贝叶斯网络的舰艇防空作战威胁评估研究

防空作战中对空中目标的威胁评估是一个主观认识和逻辑推理相结合的过程,目标威胁评估中需要处理大量模糊性、不完整性以及不确定性的信息,为此本文采用动态贝叶斯网络的目标威胁评估模型。动态贝叶斯网络具有强大的知识表达能力以及对不确定信息的处理能力,将其运用于威胁评估,能很好的解决在数据不完备及不确定条件下的威胁评估推理问题。     

图论方法在装备测试与诊断信息建模中的应用

对框图模型、信息流模型、多信号流图模型和混合从属模型等图论模型进行了介绍。在分析它们特点和局限性的基础上,对图论方法在装备测试与诊断信息建模领域的新应用进行了探究。研究了基于信息的标准模型的使用方法,并对基于贝叶斯网络的测试与诊断信息图论建模手段进行了探讨,给出了相应的建模手段和流程。通过将“故障-测试”贝叶斯网络模型与AI-ESTATE标准相结合,贝叶斯网络为实现智能诊断和对“并行设计”的支持提供了一种新的有效解决途径。     

一种面向UUT的自动测试信息模型

根据大型复杂装备测试面,临的被测设备数量多,被测信号类型、测试需求多样的问题,建立面向UUT的自动测试信息模型,包括测试资源信息模型、测试项目信息模型和测试数据信息模型,将测试流程所需的UUT信息模型化,并在UUT、TPS、测试信息模型间建立一一对应关系,由此提高软件的模块化水平和可移植,并降低测试软件开发和维护的难度和成本。     

贝叶斯网络在鱼雷发射装置损伤定位中的应用

采用贝叶斯网络进行智能损伤定位研究,是提高损伤评估准确性和效率的有效方法．文中阐述了贝叶斯网络的优点和损伤定位的流程,并进行了基于贝叶斯网络的鱼雷发射装置损伤定位研究和案例分析．研究表明,当鱼雷发射装置发生损伤时,利用贝叶斯网络进行损伤定位,可以充分利用装备的损伤信息,提高定位速度,加快整个评估进程,提高评估效率．     

基于层次Bayesian网络及后验风险准则的故障样本量确定方法

针对现有测试性验证方法对装备系统结构考虑不足,且在双方风险约束条件下所确定的故障样本量过大问题,提出一种基于层次Bayesian网络和后验风险准则的故障样本量确定方法。根据装备系统结构建立测试性验证方法的层次Bayesian网络模型,并以故障检测率作为Bayesian网络 的传递参数;提出Bayesian网络不确定性推理算法,充分融合各层次测试性先验信息,同时基于偏度-峰度检验的拟合分布选取方法推导出系统故障检测率联合先验分布;进一步结合系统成败型数据确定其后验分布,基于后验样本数据集和Bayes后验风险准则设计故障样本量确定算法,通过实例进行分析。结果表明,与经典验证方法、传统Bayesian方法相比,所提方法在相同双方指标约束下能有效降低样本量。     

基于图论的通用测试性推理

为弥补传统测试性推理方法通用性差的缺陷,研究了基于图论的通用测试性推理技术,构建了一种通用测试性推理模型。其中,图论内核抽象了框图模型、信息流模型、多信号流图模型、混合诊断模型、贝叶斯网络模型和AI-ESTATE中的信息元素,融合了Floyd-Warshall算法、FDI算法和高阶关联关系推理算法,为测试性推理的通用化、标准化和并行化提供了一种新的解决方案。结合某装备测控系统的信号形成组合进行了推理方法验证,证明了方法的有效性和先进性。     

不确定条件下复杂系统可靠性建模与分析综述

针对复杂系统在状态划分、模式分类、参数设定等各个环节引入了以主观判断为主的不确定性信息这一问题,在阐述不确定性内涵的基础上,归纳总结了不确定条件下复杂系统可靠性建模与分析的常用方法,包括区间分析、模糊数学、贝叶斯理论、证据理论以及组合方法,并预计了今后不确定条件下可靠性建模与分析的研究重点,即考虑人因的可靠性分析和基于多源数据融合的可靠性分析。     

基于Bayes小子样理论和序贯网图检验的武器装备测试性验证试验方案设计

针对当前序贯概率比检验方法会导致测试性验证样本量无法控制,以及序贯网图检验方法未能利用先验信息使得确定的样本量仍然存在可能较大的问题,提出一种基于Bayes小子样理论和序贯网图检验相结合的测试性验证样本量确定方法。基于序贯网图检验方法,结合测试性指标的先验分布以及相关参数约束值,划分指标参数空间,并给出Bayes因子及其阈值计算方法;通过对检验点插入位置的确定,给出测试性验证所需最大样本量,同时在考虑使用方风险和承制方风险的基础上设计Bayes小子样理论下序贯网图检验的截尾策略;通过实例进行了验证,并与经典验证方法、序贯概率比检验方法、传统序贯网图方法以及验后序贯加权检验方法进行了对比分析。结果表明,该方法确定的测试性验证截尾样本量以及平均样本量均优于其他方法,同时能有效降低双方风险值。     

基于贝叶斯网络的毁伤评估模型

为提高火力毁伤评估的效率,对贝叶斯网络理论进行了研究拓展,在综合分析毁伤信息源及其相互关系的基础上,建立了基于贝叶斯网络的毁伤评估模型,包括：贝叶斯网络模型的构造、贝叶斯网络模型的概率估计、贝叶斯网络模型的更新,并对更新过程进行了探讨。结果表明,该模型可利用各种信息源较快地对毁伤效果进行系统评估,提高毁伤评估的效率。     

随机退化应力作用下设备剩余寿命预测方法

有效的剩余寿命预测对设备可靠性与安全性起着关键作用,不确定的内部老化状态和外部使用工况导致的随机退化应力会极大地影响设备的退化速率和健康状况.提出一种新的随机退化应力作用下的设备剩余寿命预测方法.将随机退化应力引入老化过程,基于维纳过程建立随机应力作用下的设备老化模型,提出融合期望最大化算法和粒子群优化算法的先验参数离...     

平均修复时间的统计分布模型研究

针对装备平均修复时间总体分布模型具有模糊性和试验具有继承性的特点,应用了贝叶斯理论和模糊数学思想,以研制性试验维修样本为验前信息,通过构建二级模糊综合评判模型获得平均修复时间分布的验后概率,进而确定了平均修复时间所属的总体分布模型.通过工程实例分析,验证了方法的有效性.     

基于Bayes方法的多学科系统不确定性分析和优化

鉴于多学科系统不确定性分析常规方法--灵敏度分析方法的大信息量要求和计算过程的约束性,基于Bayes理论,利用验前信息计算子系统输出的验后分布,使用Gibbs抽样方法获得子系统输出的不确定性统计信息,进而利用不确定性信息改进协同优化算法(CO)方法的子系统优化,得到基于不确定性的CO方法.数值算例验证了Bayes方法在有限信息量下计算准确,效率高,适用范围广;导弹设计示例说明了基于不确定性的CO方法的有效性,保障了设计结果的可用性.     

基于广义随机有色Petri网的测试性建模方法

针对现有测试性模型简化系统故障与测试之间的关系,忽略故障模式之间复杂性的问题,提出一种基于广义随机有色Petri网（CGSPN）的测试性建模方法。在Petri网的理论基础上对故障模式复杂性进行分析,并用不同颜色表示严酷度等级,完成CGSPN模型的构建。应用编码方案区分同一故障的多种故障模式,有效降低建模难度。采用可达性算法获取相关性矩阵。引入三角模糊数算法获取专家知识,将专家数据作为先验信息与后验测试数据相结合,解决数据量少和不可靠问题。以某型导弹为例建立CGSPN模型,对其进行测试性分析,得到96.8%的故障检测率和100%的故障隔离率,在满足系统测试性指标要求基础上丰富了模型的内容,为装备的测试性建模提出了一种新方法。     

基于动态贝叶斯网络推理的运动目标状态最优估计

提出基于动态贝叶斯网络推理的火炮攻击敌纵深运动目标状态估计模型。首先结合Kalman滤波理论，提出基于动态贝叶斯网络（Dynamic Bayesian Networks-DBN）的目标状态估计模型。然后应用DBN的图形模式的前向后向光滑计算方法对某一节点概率进行不确定推理，在对某一观测序列光滑的基础上，预测敌目标运行队列未来时刻的最大可能估计值，将预测信息传给火控系统并决定最优打击点。最后，通过仿真验证了整个方案的可行性。     

基于故障树的贝叶斯网络模型在装甲车辆中的应用研究

利用故障树成熟的方法,建立基于故障树的贝叶斯网络模型;根据故障诊断的一般思维,综合考虑故障特征信息量、搜索代价、故障概率等因素制定了最优故障搜索策略,并以某装甲车辆典型故障为例验证了该方法的有效性和准确性,实现了故障诊断过程的优化．