CN115563887A - 基于多源信息融合的弹药可靠性评估方法及系统 - Google Patents
基于多源信息融合的弹药可靠性评估方法及系统 Download PDFInfo
- Publication number
- CN115563887A CN115563887A CN202211533769.0A CN202211533769A CN115563887A CN 115563887 A CN115563887 A CN 115563887A CN 202211533769 A CN202211533769 A CN 202211533769A CN 115563887 A CN115563887 A CN 115563887A
- Authority
- CN
- China
- Prior art keywords
- reliability
- data
- information fusion
- density function
- ammunition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 70
- 238000011156 evaluation Methods 0.000 title claims abstract description 36
- 238000002474 experimental method Methods 0.000 claims abstract description 92
- 238000009826 distribution Methods 0.000 claims abstract description 76
- 238000012360 testing method Methods 0.000 claims abstract description 68
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 45
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007500 overflow downdraw method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 30
- 230000008569 process Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于多源信息融合的弹药可靠性评估方法及系统，针对目标弹药，通过对历史实验数据进行分析，获取可靠性概率数据；进行全系统可靠性增长实验，得到各测试阶段成功失败情况的可靠性增长实验数据；进行分系统进行测试，获取各部件成功失败情况的部件及分系统实验数据；确定先验分布密度函数；对可靠性概率数据、可靠性增长实验数据及分系统实验数据进行预处理，进行同源信息融合；计算先验分布密度函数的超参数；基于先验分布密度函数的超参数统一数据输入格式；基于先验分布密度函数的超参数，计算继承因子；基于先验分布密度函数的超参数和继承因子，采用贝叶斯定理Bayes进行多源信息融合，得到目标弹药的可靠度。
Description
技术领域
本发明涉及可靠性多源信息融合技术领域，特别涉及一种基于多源信息融合的弹药可靠性评估方法及系统。
背景技术
可靠性是装备“好用、管用”最基础的质量特性。可靠性分析与评估平台对研究产品可靠性，特别是成本高、产量少的高精尖产品可靠性具有重要意义，具有良好的应用前景，因而受到各国的广泛重视。目前，国外的很多科研机构在可靠性分析的工具及平台研究上已经收获了大量的科研成果。他们将研究设计的可靠性论证平台用于产品可靠性研究、产品寿命预测等。国内起步相对较晚，但也在逐步加大人力物力的投入，部分可靠性分析与评估工具平台也已投入使用。
在现有技术中，韦伯分布是全球数千家公司可靠性和寿命数据分析的工具，可以实现针对所有寿命及可靠性数据类型进行一系列标准的数据分析、绘图和自动化报告，对产品进行寿命和可靠性评估；系统可靠性性平台BlockSim使用可靠性框图和故障树两种分析方法为系统和过程进行建模，实现了对相应的可修与不可修系统进行可靠性评估；JMP是一款综合性的数据分析软件平台，在可靠性方面，它整合了所有的可靠性分析功能，通过帮助用户发现数据背后的价值，被广泛应用于数据挖掘、可靠性分析等领域，裨益电子、医药、化工等各行各业。
但以上两个软件并不涉及到如何使用可靠性多源数据的方法，忽略了现有可靠性评估中多源信息的必要性，多源信息融合的方法，通过可靠性概率数据、可靠性增长信息、部件及分系统信息、相似产品信息、现场试验信息等不同的多源数据进行融合，在此过程中会存在不同类型的信息如何转化成相同分布类型数据的困难。
发明内容
本发明提供了一种基于多源信息融合的弹药可靠性评估方法及系统，通过对多源信息进行融合，将多部分问题转化为统一的问题进行处理，以解决可靠性不强，操作困难的技术问题。
为解决上述技术问题，本发明提供了一种基于多源信息融合的弹药可靠性评估方法，包括以下步骤：
步骤S1：针对目标弹药，通过对历史实验数据进行分析，将字符型影响因素进行量化处理，映射到概率区间以获取可靠性概率数据；进行全系统可靠性增长实验，得到各测试阶段成功失败情况的可靠性增长实验数据；进行分系统进行测试，获取各部件成功失败情况的部件及分系统实验数据；
步骤S2：确定先验分布密度函数；对所述可靠性概率数据、可靠性增长实验数据及分系统实验数据进行预处理，计算所述先验分布密度函数的超参数；基于所述先验分布密度函数的超参数统一数据输入格式，并进行同源信息融合；
步骤S3：基于所述先验分布密度函数的超参数，计算继承因子；
步骤S4：基于所述先验分布密度函数的超参数、继承因子，采用贝叶斯定理Bayes进行多源信息融合，得到目标弹药的可靠度。
优选地，所述先验分布密度函数的表达式为：
式中，ai，bi为先验分布密度函数的超参数，
表示求阶乘，R表示先验信息的可靠
度。
优选地，步骤S2中对所述可靠性概率数据进行预处理，计算所述先验分布密度函数的超参数的方法为：采用不确定信息融合方法D-S证据理论，对可靠性概率数据进行处理，得到可靠度区间置信水平为γ的可靠度区间为[R1，R2]，表示为：
设先验分布密度函数的信息熵为：
在满足式（2）下，式（1）取极大值，求得先验分布密度函数的超参数ai和bi。
优选地，步骤S2中对所述可靠性增长实验数据进行预处理，计算所述先验分布密度函数的超参数的方法为：
1）计算可靠性增长实验第i阶段系统可靠度Ri的验前均值:
2）根据最大熵验前分布的构建方法，通过以下公式计算Ri的验前分布 ：
式中μ为待定系数；
3）通过公式（3）和公式（4）得到：
4）计算Ri的二阶矩E（Ri 2）：
5）以共轭Beta分布（ai，bi）拟合Ri的验前分布：
根据上式可得：
优选地，步骤S2中对所述分系统实验数据进行预处理，计算所述先验分布密度函数的超参数的方法为：对所述分系统实验数据进行折算处理，得到等效实验信息（n，s，f），n表示实验总数，s表示实验成功数，f表示实验失败数，取ai=s和bi=f。
优选地，步骤S3中计算继承因子的方法为：
步骤S31：通过以下公式计算修正量Ki：
式中，x表示第i种可靠性实验信息中的实验总数，y表示第i种可靠性实验信息中的实验成功数，z表示第i种可靠性实验信息中的实验失败数，n表示系统现场试验信息中的实验总数，s表示系统现场试验信息中的实验成功数，f表示系统现场试验信息中的实验失败数；
步骤S32：基于所述修正量Ki，去除第i种可靠性信息与系统现场试验信息不属于同总体的数据；
步骤S33：基于所述修正量Ki，查卡方分布表得到拟合优度；
步骤S34：基于所述拟合优度，通过以下公式计算继承因子：
式中，Q函数表示拟合优度。
优选地，步骤S4中计算目标弹药的可靠性的方法为：通过贝叶斯定理计算后验分布：
式中，R表示可靠度，β表示贝塔分布，D表示现场试验条件，π概率分布函数， ρi表示继承因子；之后基于置信度γ，通过以下公式计算出可靠性RL：
本发明还提出了一种基于多源信息融合的弹药可靠性评估系统，包括数据获取模块、同源信息融合模块、多源信息融合模块和可靠度评定模块；
所述数据获取模块，用于获取目标弹药的可靠性概率数据、可靠性增长实验数据和部件及分系统实验数据；
所述同源信息融合模块，用于将所述靠性概率数据、可靠性增长实验数据和部件及分系统实验数据进行同源信息融合，并将融合后的数据输出至所述多源信息融合模块；
所述多源信息融合模块，用于通过贝叶斯定理进行多源信息融合，得到目标弹药的可靠信置信下限，并输出至所述可靠度评定模块；
所述可靠度评定模块，用于基于所述可靠信置信下限计算目标弹药的可靠度。
进一步地，所述同源信息融合模块确定先验分布密度函数；对所述可靠性概率数据、可靠性增长实验数据及分系统实验数据进行预处理，计算所述先验分布密度函数的超参数；基于所述先验分布密度函数的超参数统一数据输入格式，并进行同源信息融合。
再进一步地，所述系统还包括方法执行模块，所述方法执行模块，用于将Matlab函数封装为java包，以执行所述数据获取模块、同源信息融合模块、验前信息分析模块，多源信息融合模块和可靠性评定模块。
附图说明
图1为本发明方法流程图；
图2为本发明模块流程示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述。
本发明方法流程图如图1所示，包括以下步骤：
步骤S1：针对目标弹药，通过对历史实验数据进行分析，将字符型影响因素进行量化处理，映射到概率区间以获取可靠性概率数据；进行全系统可靠性增长实验，得到各测试阶段成功失败情况的可靠性增长实验数据；进行分系统进行测试，获取各部件成功失败情况的部件及分系统实验数据。
弹药作为一次消耗类产品，其可靠度指标要求较高，可靠性信息根据性质的不同，可分为主观信息和客观信息。其中，主观信息包括可靠性概率数据，可靠性概率数据通常是由参与产品研发、生产、制造和实验的人员，基于历史实验数据，依据自己的专业知识对产品的可靠性给出自己的推断结果，对于一些新研发弹药的可靠性评定，可靠性概率数据在产品的可靠性评定中起着一定的作用。
客观信息包括产品研制各阶段的可靠性增长试验信息和部件及分系统信息，可靠性增长试验信息：装备研制都会经历“试验一暴露问题、分析问题—改进—再试验TAAF的过程,可靠性随着设计改进而逐步增长,其试验信息被用以对产品的可靠性增长进行定量分析与管理，这些试验信息包括可靠性改进试验数据、可靠性验证、可靠性筛选试验数据等。可靠性增长试验信息是具有较大应用价值的系统级试验信息，在一定程度上弥补了小子样可靠性评估中系统实验数目少的缺点，故而，该类信息的获取与融合具有重要的作用。
部件及分系统信息，装备由多个部件、分系统组成，研制过程中往往会积累大量部件、分系统试验数据，对这些试验信息的收集与利用，也可以在一定程度上对小子样可靠性评定中试验次数不足的问题进行弥补。
步骤S2：确定先验分布密度函数；对所述可靠性概率数据、可靠性增长实验数据及分系统实验数据进行预处理，计算所述先验分布密度函数的超参数；基于所述先验分布密度函数的超参数统一数据输入格式，并进行同源信息融合。
具体地，可靠性概率数据根据不同的描述方法采取不同的方法进行处理与融合，可靠性概率数据融合算法一般分为行为融合和数学融合，行为融合主要是通过会议和信息交互等方法进行；数学融合主要是对通过将各历史实验数据的字符型影响因素进行量化处理，转化成的概率分布进行融合，考虑到历史实验数据的选定和分析具有的主观性和不确定性两个特征，本发明实施例采用不确定信息融合方法D-S证据理论，具有直接表达不确定和不知道的能力。D-S证据理论作为一种不确定推理方法，其所谓证据指的是专家经验和知识的一部分，使用的数据具有直观性和易获得性，故而D-S证据理论是一种较为理想的融合方法，解决了因不确定和主观带来的影响；针对可靠性增长试验信息，采用美国陆军装备系统分析中心AMSAA模型，AMSSA模型在可靠性分析中，据多阶段可靠性增长试验信息，通过增长趋势检验，增长参数估计以及拟合优度检验，实现对可靠性变化趋势进行描述，从而实现阶段性的可靠性评估；针对部件及分系统试验信息，采取信息折合度的信息熵法，部件及分系统试验信息融合的基本思想就是对信息的折合，即将各个分系统的实验信息（ni，si）折合为系统的实验信息（n，s），其中n和s为虚拟的实验总数和实验成功数，信息融合中信息量的折合对可靠性的评定起着至关重要的作用，也是部件及分系统试验信息融合过程中的难点。得到可信的等效虚拟系统实验信息后，便可利用经典的可靠性求解方法，根据给定的置信度求出系统的置信下限。
针对可靠性增长实验数据，由于弹药产品具有可靠性要求高、批量小和研制费用昂贵等特点，要求各个阶段都通过鉴定试验来评定产品的可靠性是不现实的。而在研制过程中各阶段通常都要进行性能试验、环境试验或综合性试验。因此要经济地、高效地促进产品达到预定的可靠性目标，就需要尽可能地利用研制过程中各项试验的资源和信息，把可靠性试验和非可靠性试验结合起来。据多阶段可靠性增长试验信息，通过增长趋势检验，增长参数估计以及拟合优度检验，实现对可靠性变化趋势进行描述，从而实现阶段性的可靠性评估。
针对部件及分系统实验数据，采取信息折合度的信息熵法，部件及分系统试验信息融合的基本思想就是对信息的折合，即将各个分系统的实验信息（ni，si）折合为系统的实验信息（n，s），其中n和s为虚拟的实验总数和实验成功数，信息融合中信息量的折合对可靠性的评定起着至关重要的作用，也是部件及分系统实验数据融合过程中的难点。得到可信的等效虚拟系统实验信息后，便可利用经典的可靠性求解方法，根据给定的置信度求出系统的置信下限。这种方法充分利用了样本中给定的信息,对随机与模糊的部分添加了最少的信息量,可以做到最准确地确定概率密度分布以及相关的各个参数。这就容许计算中结构响应有较大的随机性、模糊性,因此在复杂荷载作用下的可靠度计算问题有比较高的应用价值。
具体流程步骤如下：
1.确定先验分布
在可靠性工程应用中，利用Beta分布作为先验分布，其密度函数为：
式中ai，bi为各验前分布超参数，由相应的多源可靠性信息确定，即把的超参数ai，
bi看做验前试验信息，
表示求阶乘，R表示先验信息的可靠度。
可靠性概率数据，可靠性增长实验数据，部件及分系统实验数据三类可靠性数据的超参数ai，bi的求解方法如下：
（1）可靠性概率数据的超参数ai，bi求解：
可靠性概率数据如表1所示，m1和m2表示两个不同的目标弹药，
表1
可靠性概率数据经过D-S证据理论融合后，得到置信水平γ的可靠度区间为[R1，R2]，表示为：
设先验分布密度函数的信息熵为：
将可靠性概率数据转化为先验分布中超参数ai，bi的基本思路是利用最大熵原则作为约束条件，即在满足约束条件式(2)下求解使式(1)取极大值的参数值（ai，bi），针对这一问题，表2给出了常用的可靠性概率数据对应参数估计值参照表：
（2）部件及分系统实验数据的超参数ai，bi求解：
部件及分系统实验数据如表3所示
具体地，对部件及分系统可靠性信息进行同源融合，本发明实施例中采用折算处理的方法得出折算后系统等效实验信息（n，s，f）的基础上，n表示实验总数，s表示实验成功数，f表示实验失败数，可以直接取ai=s和bi=f。
（3）可靠性增长实验数据的超参数ai，bi求解：
可靠性增长实验数据如表4和表5所示：
可靠性增长实验第i阶段系统可靠度Ri的验前均值为:
Ri的验前分布可根据最大熵验前分布的构建方法得到：
式中μ为待定系数，通过上述公式得到：
Ri的二阶矩E（Ri 2）为:
以共轭Beta分布（ai，bi）拟合Ri的验前分布，两种验前分布具有相等的一、二阶矩，即有：
根据上式可得：
步骤S3：基于先验分布密度函数的超参数，计算继承因子；
步骤S31：通过以下公式计算修正量Ki：
在得到超参数ai，bi的基础上，进一步获取系统现场试验信息，在假设可靠性信息与系统现场试验信息来自同一总体的情况下，可以直接取x=ai，y=bi。
式中，x表示第i种可靠性实验信息中的实验总数，y表示第i种可靠性实验信息中的实验成功数，z表示第i种可靠性实验信息中的实验失败数，n表示系统现场试验信息中的实验总数，s表示系统现场试验信息中的实验成功数，f表示系统现场试验信息中的实验失败数；
步骤S32：基于修正量Ki，去除第i种可靠性信息与系统现场试验信息不属于同总体的数据；
具体地，基于给定的检验水平α，通过卡方分布表查出自由度为1的α分位数
，若
则表示第i种可靠性信息与系统现场试验信息不属于同总体的数
据。
步骤S33：基于修正量Ki，查卡方分布表得到拟合优度；
利用拟合优度Q（Ki）表征第i种可靠性信息与系统现场试验信息的相似程度，拟合优度越大说明两样本的相似程度越大，拟合优度Q（Ki）可以通过以下公式查卡方分布表得到：
步骤S34：基于拟合优度，通过以下公式继承因子：
式中，Q函数表示拟合优度。
步骤S4：基于先验分布密度函数的超参数和继承因子，采用贝叶斯定理Bayes进行多源信息融合，得到目标弹药的可靠度。
具体地，利用继承因子ρi与现场试验信息（n,s,f），结合贝叶斯Bayes定理推导出后验分布为：
式中，R表示可靠度，β表示贝塔分布，D表示现场试验条件，π概率分布函数，ρi表示继承因子；在给定置信度γ的情况下，可依据下式求出融合多源信息后的产品可靠信置信下限RL，即设备可靠性：
如图2所示，本发明还提出了一种基于多源信息融合的弹药可靠性评估系统，包括数据获取模块、同源信息融合模块、多源信息融合模块、可靠度评定模块和方法执行模块。
数据获取模块，用于获取目标弹药的可靠性概率数据、可靠性增长实验数据和部件及分系统实验数据；
同源信息融合模块，用于将靠性概率数据、可靠性增长实验数据和部件及分系统实验数据进行同源信息融合，并将融合后的数据输出至多源信息融合模块；
多源信息融合模块，用于通过贝叶斯定理进行多源信息融合，得到目标弹药的可靠信置信下限，并输出至可靠度评定模块；
可靠度评定模块，用于基于可靠信置信下限计算目标弹药的可靠度。
方法执行模块，用于将Matlab函数封装为java包，以执行数据获取模块、同源信息融合模块、验前信息分析模块，多源信息融合模块和可靠性评定模块。
同源信息融合模块确定先验分布密度函数；对可靠性概率数据、可靠性增长实验数据及分系统实验数据进行预处理，计算先验分布密度函数的超参数；基于先验分布密度函数的超参数统一数据输入格式，并进行同源信息融合。
由于开展可靠性分析与评估的教学科研时发现：相关知识点理论性较强，传统课堂学习难度较大；可靠性计算公式复杂，大量使用迭代的近似算法，对执行的操作较高，传统的执行方法通用性不足，成果效益难以发挥。
Java语言作为一种简单的的动态编程语言，其最大的特点就是面向对象，通过初始化具有不同属性的对象来实现具体的程序操作。基于这一特性，Java语言被广泛应用于软件平台开发中，也是目前世界上使用范围最广的编程语言，但使用Java语言进行数据分析和处理的效率很低；Matlab作为MathWorks公司出品的商业数学软件，不仅在矩阵解算、数据分析等领域具有突出的优势，而且具有较强的人机交互性，操作也相对简单。在软件平台的集成设计过程中，把不同的工作交给在相应方面具备优势的编程语言来实现，能够极大程度的降低软件设计的难度，提高软件平台的使用性能。
本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多源信息融合的弹药可靠性评估方法，其特征在于：包括以下步骤：
步骤S1：针对目标弹药，通过对历史实验数据进行分析，将字符型影响因素进行量化处理，映射到概率区间以获取可靠性概率数据；进行全系统可靠性增长实验，得到各测试阶段成功失败情况的可靠性增长实验数据；进行分系统进行测试，获取各部件成功失败情况的部件及分系统实验数据；
步骤S2：确定先验分布密度函数；对所述可靠性概率数据、可靠性增长实验数据及分系统实验数据进行预处理，计算所述先验分布密度函数的超参数；基于所述先验分布密度函数的超参数统一数据输入格式，并进行同源信息融合；
步骤S3：基于所述先验分布密度函数的超参数，计算继承因子；
步骤S4：基于所述先验分布密度函数的超参数、继承因子，采用贝叶斯定理Bayes进行多源信息融合，得到目标弹药的可靠度。
2.根据权利要求1所述的一种基于多源信息融合的弹药可靠性评估方法，其特征在于：所述先验分布密度函数的表达式为：
式中，ai，bi为先验分布密度函数的超参数，
表示求阶乘，R表示先验信息的可靠度。
3. 根据权利要求2所述的一种基于多源信息融合的弹药可靠性评估方法，其特征在于：步骤S2中对所述可靠性概率数据进行预处理，计算所述先验分布密度函数的超参数的方法为：采用不确定信息融合方法D-S证据理论，对可靠性概率数据进行处理，得到可靠度区间置信水平为γ的可靠度区间为[R1，R2]，表示为：
设先验分布密度函数的信息熵为：
在满足式（2）下，式（1）取极大值，求得先验分布密度函数的超参数ai和bi。
4.根据权利要求2所述的一种基于多源信息融合的弹药可靠性评估方法，其特征在于：步骤S2中对所述可靠性增长实验数据进行预处理，计算所述先验分布密度函数的超参数的方法为：
1）计算可靠性增长实验第i阶段系统可靠度Ri的验前均值:
2）根据最大熵验前分布的构建方法，通过以下公式计算Ri的验前分布：
式中μ为待定系数；
3）通过公式（3）和公式（4）得到：
4）计算Ri的二阶矩E（Ri 2）：
5）以共轭Beta分布（ai，bi）拟合Ri的验前分布：
根据上式可得：
5.根据权利要求2所述的一种基于多源信息融合的弹药可靠性评估方法，其特征在于：步骤S2中对所述分系统实验数据进行预处理，计算所述先验分布密度函数的超参数的方法为：对所述分系统实验数据进行折算处理，得到等效实验信息（n，s，f），n表示实验总数，s表示实验成功数，f表示实验失败数，取ai=s和bi=f。
6.根据权利要求1所述的一种基于多源信息融合的弹药可靠性评估方法，其特征在于：步骤S3中计算继承因子的方法为：
步骤S31：通过以下公式计算修正量Ki：
式中，x表示第i种可靠性实验信息中的实验总数，y表示第i种可靠性实验信息中的实验成功数，z表示第i种可靠性实验信息中的实验失败数，n表示系统现场试验信息中的实验总数，s表示系统现场试验信息中的实验成功数，f表示系统现场试验信息中的实验失败数；
步骤S32：基于所述修正量Ki，去除第i种可靠性信息与系统现场试验信息不属于同总体的数据；
步骤S33：基于所述修正量Ki，查卡方分布表得到拟合优度；
步骤S34：基于所述拟合优度，通过以下公式计算继承因子：
式中，Q函数表示拟合优度。
7.根据权利要求6所述的一种基于多源信息融合的弹药可靠性评估方法，其特征在于：步骤S4中计算目标弹药的可靠性的方法为：通过贝叶斯定理计算后验分布：
式中，R表示可靠度，β表示贝塔分布，D表示现场试验条件，π表示概率分布函数，ρi表示继承因子；之后基于置信度γ，通过以下公式计算出可靠性RL：
8.一种基于多源信息融合的弹药可靠性评估系统，其特征在于：包括数据获取模块、同源信息融合模块、多源信息融合模块和可靠度评定模块；
所述数据获取模块，用于获取目标弹药的可靠性概率数据、可靠性增长实验数据和部件及分系统实验数据；
所述同源信息融合模块，用于将所述靠性概率数据、可靠性增长实验数据和部件及分系统实验数据进行同源信息融合，并将融合后的数据输出至所述多源信息融合模块；
所述多源信息融合模块，用于通过贝叶斯定理进行多源信息融合，得到目标弹药的可靠信置信下限，并输出至所述可靠度评定模块；
所述可靠度评定模块，用于基于所述可靠信置信下限计算目标弹药的可靠度。
9.根据权利要求8所述的一种基于多源信息融合的弹药可靠性评估系统，其特征在于：所述同源信息融合模块确定先验分布密度函数，对所述可靠性概率数据、可靠性增长实验数据及分系统实验数据进行预处理，计算所述先验分布密度函数的超参数；基于所述先验分布密度函数的超参数统一数据输入格式，并进行同源信息融合。
10.根据权利要求8所述的一种基于多源信息融合的弹药可靠性评估系统，其特征在于：所述系统还包括方法执行模块，所述方法执行模块，用于将Matlab函数封装为java包，以执行所述数据获取模块、同源信息融合模块、验前信息分析模块，多源信息融合模块和可靠性评定模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211533769.0A CN115563887A (zh) | 2022-12-02 | 2022-12-02 | 基于多源信息融合的弹药可靠性评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211533769.0A CN115563887A (zh) | 2022-12-02 | 2022-12-02 | 基于多源信息融合的弹药可靠性评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115563887A true CN115563887A (zh) | 2023-01-03 |
Family
ID=84770284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211533769.0A Pending CN115563887A (zh) | 2022-12-02 | 2022-12-02 | 基于多源信息融合的弹药可靠性评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115563887A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117851266A (zh) * | 2024-03-05 | 2024-04-09 | 中国人民解放军海军工程大学 | 安全关键软件可靠性贝叶斯验证方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106777814A (zh) * | 2017-01-18 | 2017-05-31 | 电子科技大学 | 基于多源层次信息更新与故障物理的可靠性预计方法 |
| CN107808169A (zh) * | 2017-11-16 | 2018-03-16 | 中国航天标准化研究所 | 一种航天多阶段任务系统可靠性评估方法和系统 |
| CN110414552A (zh) * | 2019-06-14 | 2019-11-05 | 中国人民解放军海军工程大学 | 一种基于多源融合的备件可靠性贝叶斯评估方法及系统 |
| CN110874502A (zh) * | 2019-11-11 | 2020-03-10 | 中国人民解放军国防科技大学 | 基于多阶段试验数据折合的航天产品可靠性评估方法 |
| CN111222736A (zh) * | 2019-09-29 | 2020-06-02 | 中国人民解放军空军工程大学 | 一种基于混合相关向量机模型的弹药贮存可靠度评估方法 |
| CN112069732A (zh) * | 2020-09-03 | 2020-12-11 | 中国人民解放军陆军工程大学 | 一种火炮可靠性鉴定试验的综合评估方法 |
| CN112381456A (zh) * | 2020-12-03 | 2021-02-19 | 中国人民解放军海军工程大学 | 基于冲突数据融合的装备研制阶段测试性评估及系统 |
| CN112883497A (zh) * | 2021-03-22 | 2021-06-01 | 中国人民解放军国防科技大学 | 基于多源信息融合的航天阀门可靠性评估方法 |
| CN114326475A (zh) * | 2021-11-30 | 2022-04-12 | 安徽海博智能科技有限责任公司 | 基于竞争失效模式的无人驾驶域控制器可靠度优化方法 |
| CN114355094A (zh) * | 2022-03-18 | 2022-04-15 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 基于多源信息的产品可靠性薄弱环节综合评估方法和装置 |
-
2022
- 2022-12-02 CN CN202211533769.0A patent/CN115563887A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106777814A (zh) * | 2017-01-18 | 2017-05-31 | 电子科技大学 | 基于多源层次信息更新与故障物理的可靠性预计方法 |
| CN107808169A (zh) * | 2017-11-16 | 2018-03-16 | 中国航天标准化研究所 | 一种航天多阶段任务系统可靠性评估方法和系统 |
| CN110414552A (zh) * | 2019-06-14 | 2019-11-05 | 中国人民解放军海军工程大学 | 一种基于多源融合的备件可靠性贝叶斯评估方法及系统 |
| CN111222736A (zh) * | 2019-09-29 | 2020-06-02 | 中国人民解放军空军工程大学 | 一种基于混合相关向量机模型的弹药贮存可靠度评估方法 |
| CN110874502A (zh) * | 2019-11-11 | 2020-03-10 | 中国人民解放军国防科技大学 | 基于多阶段试验数据折合的航天产品可靠性评估方法 |
| CN112069732A (zh) * | 2020-09-03 | 2020-12-11 | 中国人民解放军陆军工程大学 | 一种火炮可靠性鉴定试验的综合评估方法 |
| CN112381456A (zh) * | 2020-12-03 | 2021-02-19 | 中国人民解放军海军工程大学 | 基于冲突数据融合的装备研制阶段测试性评估及系统 |
| CN112883497A (zh) * | 2021-03-22 | 2021-06-01 | 中国人民解放军国防科技大学 | 基于多源信息融合的航天阀门可靠性评估方法 |
| CN114326475A (zh) * | 2021-11-30 | 2022-04-12 | 安徽海博智能科技有限责任公司 | 基于竞争失效模式的无人驾驶域控制器可靠度优化方法 |
| CN114355094A (zh) * | 2022-03-18 | 2022-04-15 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 基于多源信息的产品可靠性薄弱环节综合评估方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 孔耀等: "基于信息融合的复杂系统可靠性综合评估", 《兵工自动化》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117851266A (zh) * | 2024-03-05 | 2024-04-09 | 中国人民解放军海军工程大学 | 安全关键软件可靠性贝叶斯验证方法及装置 |
| CN117851266B (zh) * | 2024-03-05 | 2024-05-28 | 中国人民解放军海军工程大学 | 安全关键软件可靠性贝叶斯验证方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113792825B (zh) | 一种用电信息采集设备故障分类模型训练方法及装置 | |
| CN106779505B (zh) | 一种基于大数据驱动的输电线路故障预警方法及系统 | |
| US5655074A (en) | Method and system for conducting statistical quality analysis of a complex system | |
| CN106780121B (zh) | 一种基于用电负荷模式分析的用电异常识别方法 | |
| CN106201871A (zh) | 基于代价敏感半监督的软件缺陷预测方法 | |
| CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
| CN106021771A (zh) | 一种故障诊断方法及装置 | |
| EP2978095A1 (en) | Power system operation | |
| CN108664700A (zh) | 基于不确定数据包络分析的加速退化信息融合建模方法 | |
| CN111738462A (zh) | 电力计量装置故障抢修主动服务预警方法 | |
| CN104008143A (zh) | 基于数据挖掘的职业能力指标体系构建方法 | |
| Singh et al. | Software fault proneness prediction using support vector machines | |
| CN111967717A (zh) | 一种基于信息熵值的数据质量评价方法 | |
| CN115563887A (zh) | 基于多源信息融合的弹药可靠性评估方法及系统 | |
| CN111950850B (zh) | 一种基于证据网络的无人机系统保障能力评估方法 | |
| CN114036654A (zh) | 一种基于损伤等效的随机多参数疲劳试验谱编制方法 | |
| Neela et al. | Modeling Software Defects as Anomalies: A Case Study on Promise Repository. | |
| CN110781959A (zh) | 基于birch算法和随机森林算法的电力客户分群方法 | |
| CN112926686B (zh) | 基于brb和lstm模型的电力大数据用电异常检测方法及装置 | |
| CN117371861B (zh) | 基于数字化的家政服务质量智能分析方法及系统 | |
| CN111539492A (zh) | 一种基于强化学习的异常用电判决系统及方法 | |
| Maharani et al. | The MFEP and MAUT methods in selecting the best employees | |
| CN105931133A (zh) | 配电变压器更换优先级评定方法和装置 | |
| CN116307242A (zh) | 落叶松林立地质量和生产力模型构建方法 | |
| CN115759263A (zh) | 一种基于因果推断的策略效果评估方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230103 |