资源描述：
《testability evaluation for complex equipment based on bayesian networks》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、第23卷第5期电子测量与仪器学报Vol.23No.52009年5月JOURNALOFELECTRONICMEASUREMENTANDINSTRUMENT·17·*基于贝叶斯网络的复杂装备测试性评估王成刚周晓东王学伟(海军航空工程学院,烟台264001)摘要:针对关联模型在复杂装备测试性评估中对不确定问题描述与分析的缺陷,提出了基于贝叶斯网络的测试性评估方法。首先建立贝叶斯网络测试性评估模型,以有向边表述故障模式与测试信号之间的因果关系,利用条件概率描述系统的不确定信息。然后,将测试准备和执行时间引入贝叶斯网络,使基于贝叶斯网络的测试性评估与故障检测隔离时间相
2、关,使测试性评估结果更加全面、客观。最后通过实例分析验证了方法的有效性。关键词:关联模型；测试性评估；贝叶斯网络；复杂装备中图分类号:TP302.7;TP391文献标识码:A国家标准学科分类代码:120.40TestabilityevaluationforcomplexequipmentbasedonBayesiannetworksWangChenggangZhouXiaodongWangXuewei(NavalAeronauticalandAstronauticalUniversity,Yantai264001,China)Abstract:Aiminga
3、tthelimitationofconjunctionmodelindescriptionandanalysisofuncertainproblemfortest-abilityevaluationofcomplexequipment,atestabilityevaluationmethodispresentedbasedonBayesiannetworks.Firstly,thecausalitybetweenfailuremodesandsignalsisexpressedbydirectededges.Moreover,uncertaininforma
4、tionisdescribedbyconditionalprobabilitybasedonBayesiannetworkstestabilityevaluationmodel.Then,testpreparationandexecutiontimeisintroducedintoBayesiannetworks.Thereforethetestabilityevaluationresultismorecomprehen-siveandobjective.Finally,anexampleprovesthatthemethodiseffective.Keyw
5、ords:dependencymodel;testabilityevaluation;Bayesiannetworks;complexequipment并采用贝叶斯网络的参数学习和结构学习算法来建1引言立不确定系统的多信号模型因果依赖关系和概率依关联模型也称为推理模型,表示的是部件之间赖矩阵。文献[4]提出了基于贝叶斯网络的测试性预的因果关系,是目前测试性分析中普遍采用的一种计方法。建模技术,也是当前国内外测试性的研究热点。但是,另外,当前的测试性预计、分析、评估与验证领复杂装备常存在故障与测试之间关联关系不清楚的域主要以故障检测率(FDR)和故障隔离率(F
6、IR)作为现象。而从装备使用阶段实际测试性分析与评估的衡量测试性水平的指标,而由于故障检测时间(FDT)角度来说,由于复杂系统的结构和部件间关系复杂,和故障隔离时间(FIT)等测试性参数不易获得,往往实际测试性评估往往是小样本下的基于不确定信息忽略。而对于装备实际的使用维护而言,这些参数恰的评价决策问题[1-2]。由于这些模型不具备对不确定恰能反映故障检测与隔离的费用,所以必须予以考信息的处理能力,因此对实际测试性评估的结果可虑。尤其是对于基层级维修,FDT和FIT也很重要。信度不高,所以必须研究新的测试性分析与评估方本文将测试时间引入贝叶斯网络(Bayes
7、iannet-法。文献[3]针对航天器中依赖关系不确定的系统,提works,BN),使基于贝叶斯网络的测试性评估与故障出采用概率描述不确定系统多信号模型的依赖矩阵,检测与隔离时间相关,从而既考虑了系统的不确定本文于2009年1月收到。*基金项目:国家部委“十一五”预先研究(编号:51319040405)资助项目。·18·电子测量与仪器学报2009年信息,又能够得到系统的FDT和FIT,使测试性评估力地表达了关联模型中变量之间的关联关系;结果更加全面、客观。3)BN学习能力强、模型更新容易。在实际的维修诊断中,积累了大量的数据,这些数据包含了进2贝叶斯网络行测
8、试性评估所需要的信息。BN可以根据新的样本数据进行学
