[发明专利]一种基于贝叶斯神经网络的系统健康状态预测方法

说明书

本发明涉及一种基于贝叶斯神经网络的系统健康状态预测方法，包括：将系统结构的各节点进行划分，得到第一整合节点和第二整合节点；基于所述第一整合节点建立原始多层级系统贝叶斯网络模型，得到第一整合节点的状态分布预测结果，基于所述第二整合节点建立深度学习模型及贝叶斯网络模型，得到第二整合节点的状态分布预测结果；将所述第一整合节点的状态分布预测结果和所述第二整合节点的状态分布预测结果进行整合，实现系统整体的健康状态预测。本发明有效利用了健康状态监测数据，避免了数据重叠和耦合的情况；利用贝叶斯神经网络将系统状态进行划分并预测，有效指导后续系统的运行和维护。

技术领域

本发明属于系统建模与状态预测技术领域，特别是涉及一种基于贝叶斯神经网络的系统健康状态预测方法。

背景技术

随着系统功能需求与使用性能要求的不断提升，系统的结构功能复杂性呈现出迅猛增长的趋势，体现在系统各组成部分的规模越来越大和关联关系更加复杂，系统内部各组分结构功能存在层级化关系，形成多层级系统。多层级复杂系统广泛应用于航空、航天、航海、铁路、武器装备以及生产制造等重要的领域。多层级系统庞大的规模和复杂的内部关系会导致系统的故障在组件与子系统之间交互传递，微小的故障可能会导致系统的失效，因此，需要把握多层级系统的健康状态变化及未来变化趋势，以及时采取维护保障工作。

掌握多层级系统健康状态的前提一是合理利用系统健康状态检测数据，二是准确认知系统各组分关联关系，建立系统健康状态评估模型。多层级系统层级组成一般可划分系统、子系统、功能模块、组件等多个层级，每个层级内部包括众多的组件单元，各个层级间还存在功能交互，如此复杂的结构导致难以对其多特征数据进行有效利用。多层级系统在任务过程中由于组件退化数据间存在复杂耦合关系，同时节点间关联关系还会随着系统健康状态的退化发生动态变化，在这些情况下对系统的健康状态建模描述存在一定的困难。本发明针对上述两个问题，在常用系统状态预测模型建立方法上考虑存在多特征数据重叠与节点数据关系不明确问题，提出一种基于贝叶斯神经网络的系统健康状态预测方法。

发明内容

本发明的目的是在于提供一种基于贝叶斯神经网络的系统健康状态预测方法。能够在常用系统状态预测模型建立方法上考虑存在多特征数据重叠与节点数据关系不明确问题，有效地对多层级系统复杂节点关系进行处理，建立健康状态预测模型。实现从特征提取，建模预测到状态分布转化，最后实现系统整体的状态推断的完整过程。

为实现上述目的，本发明提供了如下方案：

一种基于贝叶斯神经网络的系统健康状态预测方法，包括：

将系统结构的各节点进行划分，得到第一整合节点和第二整合节点；

基于所述第一整合节点建立原始多层级系统贝叶斯网络模型，得到第一整合节点的状态分布预测结果，基于所述第二整合节点建立深度学习模型及贝叶斯网络模型，得到第二整合节点的状态分布预测结果；

将所述第一整合节点的状态分布预测结果和所述第二整合节点的状态分布预测结果进行整合，实现系统整体的健康状态预测。

优选的，根据所述系统的内部结构、已知的健康状态监测数据、实际使用情况对系统结构的各节点进行划分。

优选的，所述第一整合节点为节点间结构明确，相互影响关系清晰，以及与之对应的健康状态数据不存在耦合现象的数据集；所述第二整合节点为节点间相互影响关系复杂，且与之对应的健康状态数据存在重叠，耦合度高的数据集。

优选的，所述原始多层级系统贝叶斯网络模型的构建方法包括：基于故障树分析方法构建系统的故障树模型，依据系统中事件的逻辑关系选取逻辑门，将已经确定的顶事件和引起所述顶事件发生的全部直接事件连接起来，依次逐级建造；通过事件与节点的转化关系和逻辑门与贝叶斯网络概率分布的转化关系，完成所述故障树模型向贝叶斯网络模型的转化，得到所述原始多层级系统贝叶斯网络模型。