[发明专利]一种基于混合认知的动态多层级系统建模与状态预测方法

摘要

本发明公开了一种基于混合认知的动态多层级系统建模与状态预测方法，包括以下几个步骤：步骤一、利用故障树与静态贝叶斯网络方法进行系统分析；步骤二、混合认知方法对动态多层级系统分析，构建静态贝叶斯网络B＝(B1，θ)；步骤三、静态贝叶斯网络拓展为动态贝叶斯网络形成系统状态预测模型；步骤四、动态多层级系统健康状态的推理评估与预测；本发明提出了混合认知系统分析方法，可以解决故障树与静态贝叶斯网络方法对动态多层级系统认知不完全的问题，在混合认知基础上建立的静态贝叶斯网络模型对系统状态预测准确度更高；本发明建立的系统状态预测模型，能够利用基层级组件数据对系统整体的状态进行推理评估与预测，掌握系统状态变化趋势。

主权项

1.一种基于混合认知的动态多层级系统建模与状态预测方法，其特征在于，包括以下几个步骤：/n步骤二、混合认知方法对动态多层级系统分析，构建静态贝叶斯网络B＝(B₁，θ)/n本专利提出的对动态多层级系统的混合认知方法分为以下几步：/n1)动态多层级系统故障树分析，基于故障树形成静态贝叶斯网络B₀/n2)STAMP分析方法分析动态多层级系统内部交互关系R_s/n3)将交互关系R_s表示为1)中B₀网络缺少的有向边，形成B₁网络结构/n4)将基层级组件的数据集D(C,t)输入到B₁网络进行训练，得到B₁网络节点间的概率关系θ，实现网络节点关系定量化描述，构建完成构建静态贝叶斯网络B＝(B₁，θ)；/n步骤三、静态贝叶斯网络拓展为动态贝叶斯网络形成系统状态预测模型/n动态多层级系统模型构建过程，以步骤二混合认知方法得到的静态贝叶斯网络B＝(B₁，θ)为初始时刻(t₀)的网络结构，将t₀时刻的网络结构B＝(B₁，θ)按时间顺序分别复制到t₁、t₂…t_n时刻，形成动态贝叶斯网络模型，动态贝叶斯网络模型用(B,B_→)表示，其中，B表示t₀时刻网络结构，初始时刻的概率分布为P(Z₁)；B_→表示包含两个时间片(例如t₀与t₁)的贝叶斯网络，这个网络结构中两个相邻的时间片间各个节点之间的条件概率分布为：/n /n其中，是第t个时间片上的第i个节点，是的父节点，以基层级组件获取的状态数据D(C,t)作为节点的证据，利用动态贝叶斯网络模型(B,B_→)对系统节点状态进行推理评估与预测。/n