BDD算法在接触网失效风险评估中的应用

准确衡量与分析接触网系统失效的可能性与后果严重程度,并及时评估其失效风险,为制定风险控制措施提供理论依据。首先建立接触网失效故障树,然后由ITE规则生成BDD结构。通过自上而下递归访问BDD结构各结点来计算顶事件风险、基本事件的Birnbaum重要度和关键重要度。根据BDD算法编制C#程序,可得到接触网失效事故的发生概率和引发事故的关键因素。与割集方法相比,BDD方法不但能得到顶事件发生概率和基本事件重要度的精确值,而且计算速度快,过程简便。     

故障树分析中底事件排序问题的研究

基于BDD的故障树分析方法是先将故障树转换为BDD,而后进行分析.在转换的过程中,底事件的排序尤其重要,直接影响到后面的分析.研究了底事件的排序问题,将运用于数字电路的化简方法运用底事件的排序中,实例证明,可使转换后的BDD结点数比采用随机的底事件顺序产生的BDD的结点数减少一半以上,甚至可以减少到最少.     

一种基于动态故障树的SBDD方法

在分析基于Pandora的动态故障树时,SBDD方法未考虑各底事件间复杂的关系,造成生成的SBDD中存在无效分支,即计算的不交化割集中存在无效割集。针对该问题,提出了一种基于动态故障树的SBDD方法,可以动态删除无效节点,避免无效分支的产生。该方法主要包括两个方面:基于结构式排序方法的关系式排序方法和动态优化SBDD生成算法。关系式排序方法的基本思想是利用故障树的结构关系和底事件间的关系给底事件赋予不同的排序优先级。在底事件排序队列的基础上,使用动态优化SBDD生成算法来生成SBDD。在计算过程中,该算法动态删除无效的节点,使结果中不存在无效割集。实验结果表明,在相近的时间内,使用基于动态故障树的SBDD方法生成的SBDD规模更小,不交化割集数目更少且不存在无效割集。     

基于BDD的关联故障树定量分析法研究

利用二元决策图(BDD)中的B—割集和节点概率,提出了基于BDD的关联故障树定量分析新算法。推导了故障树顶事件发生概率和绝对失效强度算法公式,将故障树顶事件发生概率和绝对失效强度计算结合起来,避免了复杂的最小割集和不交化求解过程,显著地减少了布尔代数运算量,给出了算法递归步骤。大量的实例分析验证了此算法的工程实用性。     

实现非单调关联故障树PIS的联合技术

采用“非正规”二元决策图（BDD）技术获取最小形割集 (MCS)可能存在掩盖非单调底事件作用的弊端”。以“继承”关键技术为基础,提出了用统一编码的“正规”BDD技术来获取非单调关联故障树的MCS。结合Q-M算法,研究了联合获取非单调关联故障树的质蕴涵集(PIS)的完整过程。实际例证表明,所述方法不但能够准确地析出非单调关联故障树的MCS,而且能够自动地获取其PIS。     

用时序和逻辑规则形成动态故障树的紧缩Markov链

针对枚举底事件的所有时序状态来形成Markov链的弊端,借鉴静态故障树的最小割集(minimum cut set, MCS)思想,考虑形成紧缩的Markov链（即最简顺序割集）。其重要目的是剔除冗余的Markov链,在保证不影响系统失效分析的同时减小状态空间,最大限度地避免陷入组合爆炸的危险。其显著特点在于用时序规则和逻辑规则来描述动态逻辑门。以此为基础,用BDD（binary decision diagram）技术首先形成基于逻辑规则的动态系统的MCS,其次对每个MCS运用时序规则,组合成必要的Mark     

二元决策图BDD在话务故障分析中的应用①

针对移动网络通话问题日益严重,需要建立一个故障树分析（FTA）模型。利用BDD技术分析各个基本事件的结构重要度、概率重要度和临界值重要度。基本事件的排序对故障树生成的BDD节点个数有直接影响,以及节点的结构重要度和概率重要度都有影响。采用相邻底事件优先排序法,能够尽量减少BDD节点个数和对重要度的影响。利用BDD法比传统FTA法计算的重要度数值更接近,计算效率更高。     

基于故障树的电梯故障诊断专家系统设计

设计了一种基于故障树的专家系统结构,建立了电梯系统的故障树模型和专家诊断知识库,提出了一种基于故障树专家系统的电梯故障诊断方法,开发了基于该方法的电梯故障诊断实验平台.该方法通过对电梯系统故障树模型进行分析提取故障树最小割集及最小割集重要度,并作为诊断规则并存入专家系统知识库,运用基于故障树最小割集重要度的推理机实现故障树与专家系统的交互操作,最后完成诊断并输出结果.实验表明,该方法较好地解决了专家系统知识获取难和知识完整性差的问题,实现了电梯故障的快速准确诊断.     

基于故障树最小割集的故障诊断方法研究

利用故障树分析原理，对基于故障树最小割集的诊断方法进行了研究。在给出故障树顶事件和底事件概率描述的基础上，计算了故障树最小割集的重要度，并在量级上进行了分析比较，为系统的故障源搜寻提供了具体有效的测试步骤。并给出了应用实例。     

一种故障树向BDD的转化方法

针对故障树分析的关键技术—排序和置换,提出一种基于BDD的快速有效的（LNPC）方法。该方法采用制定的排序和置换策略直接完成子事件的排序与门事件的置换,一次性完成故障树到BDD的转化和优化,增加了获取最小规模BDD的排序机会,同时降低了BDD的存储空间且不需要先写出故障树的布尔函数。算法分析与实验结果表明该方法对不同的故障树转化是有效的。     

磁浮列车悬浮控制系统电磁铁故障诊断技术研究

针对磁浮列车的电磁铁的部分失效故障会导致悬浮控制系统的结构参数发生变化,影响该支撑点的稳定悬浮问题,研究了悬浮控制系统电磁铁故障诊断及其容错控制问题,提出一种将执行器故障导致的控制系统参数变化等效为控制输入变化的算法,实现了对执行器故障的量化指示,给出了执行器(电磁铁)的故障百分比.通过仿真和实验验证了算法的有效性.     

一种基于多神经树集成的分类模型

针对数据挖掘领域分类问题的特点.提出了基于多神经树集成的分类模型(CMBNTE).该模型利用改进遗传规划算法和粒子群算法,实现单个神经树模型的优化;借鉴集成学习思想,将多个神经树模型组合成最终的分类模型.在6个UCI数据集上的实验结果表明,该模型能较好地解决分类问题,尤其适用于多分类属性的复杂分类问题.     

从数据中提取生料浆配料过程运行控制的模糊规则

将减法聚类、神经网络、最相邻原则、对提取后的规则进行调整等方法相结合,从过程数据中自动提取出模糊规则,从而实现在氧化铝生料浆配料过程中将生料浆的各项质量指标控制在目标值范围内.某氧化铝厂的应用结果表明,所提取的模糊规则不仅具有良好的完备性和可解释性,同时可根据工况的变化自动调整各个控制回路的设定值,实现了该过程的优化运行.     

基于Unscented变换的强跟踪滤波器

针对强跟踪滤波器(STF)存在要求非线性函数连续可微和强非线性时滤波性能不佳等理论局限性,提出一种基于Unscented变换的强跟踪滤波器(UTSTF).UTSTF基于STF的理论框架,采用Unscented变换代替STF中的雅可比矩阵计算:UTSTF兼具STF鲁棒性强、Unscented变换精度高、实现简单的优点,有效克服了STF的理论局限性.仿真实例验证了UTSTF的有效性.     

并行分布控制网络的实时信号时序流图分析

考虑并行分布控制网络中软件过程及物理过程作用和反作用的时间度量特性,定义带时间标签的信号模型,采用广义测度函数概念建立信号间的时间关序,由控制器接口组成网络节点的信号流图拓扑结构,确定信号作用时序的组合运算,从而分析软件设计和运行的确定性.     

基于IFTPN的不确定时间知识描述和推理方法

针对现有时序逻辑在对复杂不确定时间信息描述和推理方面的局限性,构造了直觉模糊时间Petri网模型(IFTPN)及其推理方法.该Petri网模型利用直觉模糊集合对模糊时延、模糊时间片进行描述,可以表达定义在离散论域或连续论域的各种不确定时间信息,并基于直觉模糊逻辑定义了模糊时间运算法则;同时,基于线性逻辑对该模型进行描述,定义了变迁之间的各种触发规则,并给出了推理方法.将该方法应用于C4ISR系统进行决策时延分析,表明了该模型及其推理方法是比较优越的.     

基于半监督学习的启发式值约简

提出一种基于半监督学习的粗糙集知识约简算法(SLRS).SLRS基于对信息论基本概念的引申定义,描述了各条件属性的重要程度以及相互之间的依赖关系.对于数据库中某些记录属性域存在的缺失值,基于半监督学习进行启发式属性值约简,进而求取粗糙集约简决策表,即使在现有知识不足或信息不完备的情况下,也能通过半监督学习构造新的规则补充到知识库中.样例分析及在UCI数据集上的实验结果均表明了所提出算法的合理性和有效性.     

一类MISO 最小相位系统的执行器故障自适应容错控制

针对一类具有执行器卡死或/和变执行器故障的多输入单输出(MISO)非线性最小相位系统,提出一种自适应容错跟踪控制方案.采用自适应算法估计系统的不确定性,利用神经网络逼近执行器未知故障函数,以完成执行器组合故障状态下的跟踪控制.所设计的控制律不仅保证了闭环系统稳定,而且所有状态均有界,跟踪误差一致最终有界.仿真结果表明了所提出方法的有效性.     

基于细胞自动机的移动机器人路径规划算法

针对移动机器人全局最优路径规划问题,提出一种基于细胞自动机的路径规划算法.该算法首先将移动机器人的起点、目标点和空间障碍物定义为一组离散的细胞状态,建立环境的细胞自动机模型;然后由机器人移动的曼哈顿距离设计演化规则;最后根据演化后的细胞状态搜索最优路径.对简单和复杂环境下的机器人路径规划问题进行了仿真实验,实验结果验证了该算法的有效性.     

具有传递变量的动态贝叶斯网络结构学习

针对现有学习方法对完全时间不对称数据的动态贝叶斯网络学习不具有实用性,提出一种借助传递变量进行完全时间不对称数据的动态贝叶斯网络结构学习方法.首先进行相邻时间片间的传递变量序列学习;然后,基于节点排序和局部打分一搜索,进行动态贝叶斯网络局部结构学习;最后通过时序扩展得到整个动态贝叶斯网络结构.