一种可追溯的机载总线网络健康状态评估方法及系统

摘要

本发明公开了一种可追溯的机载总线网络健康状态评估方法及系统，属于机载总线网络领域。该方法包括：基于置信规则库构建机载总线网络底层节点的健康状态评估子模型；基于健康状态评估子模型评估后的机载总线网络底层节点健康状态的等级，采用证据推理规则构建机载总线网络健康状态评估模型；根据规则激活因子选择机载总线网络健康状态评估模型中的被激活参数；根据被激活参数，建立参数可追溯分析函数，并对被激活参数进行追溯，得到优化后的机载总线网络健康状态评估模型；通过优化后的机载总线网络健康状态评估模型评估机载总线网络健康状态。本发明能够跟踪机载总线网络评估中的参数变化过程，提高健康状态评估结果的可解释性。

权利要求

1.一种可追溯的机载总线网络健康状态评估方法，其特征在于，包括：基于置信规则库构建机载总线网络底层节点的健康状态评估子模型；

基于所述健康状态评估子模型评估机载总线网络底层节点健康状态；

基于评估后的机载总线网络底层节点健康状态的等级，采用证据推理规则构建机载总线网络健康状态评估模型；

根据规则激活因子选择所述机载总线网络健康状态评估模型中的被激活参数；所述规则激活因子依据专家知识进行定义；

根据所述被激活参数，建立参数可追溯分析函数；

根据所述参数可追溯分析函数对所述被激活参数进行追溯，得到优化后的机载总线网络健康状态评估模型；

通过优化后的机载总线网络健康状态评估模型评估机载总线网络健康状态；

所述健康状态评估子模型的表达式如下：

；

；

其中，pn,k为第k个健康状态评估子模型处于第n个状态等级的置信度，N表示状态等级的数量，Lk表示第k个健康状态评估子模型中的置信规则的数量， 表示第k个健康状态评估子模型中的第l条置信规则的激活权重， 表示处于第n个状态等级时第k个健康状态评估子模型中第l条置信规则；

所述机载总线网络健康状态评估模型的表达式如下：；

其中， 表示融合后的对于第n个健康状态等级Dn的基本置信度， 表示对于第n个健康状态等级Dn的剩余基本置信度，K表示健康状态评估子模型的个数， 表示对于第i个健康状态等级 的组合权重；

所述规则激活因子定义为：

；

其中， 表示第k个健康状态评估子模型的第l条置信规则的规则激活因子， 表示在固定的时间周期 内，第k个健康状态评估子模型的第l条置信规则在第t条输入数据中所对应的激活权重，表示容忍阈值；

所述被激活参数的选择公式如下：

；

其中， 表示机载总线网络健康状态评估模型中的被激活参数集， 表示第k个健康状态评估子模型中的第l条置信规则的权重，K表示健康状态评估子模型的个数；Lk表示第k个健康状态评估子模型中的置信规则的数量， 表示第k个健康状态评估子模型中的第l条置信规则中所包含的置信度，N表示状态等级的数量， 表示健康状态评估子模型的权重，γ表示健康状态评估子模型的权重数量， 表示第k个健康状态评估子模型的第l条置信规则的规则激活因子。

2.一种可追溯的机载总线网络健康状态评估系统，其特征在于，包括：健康状态评估子模型构建模块，用于基于置信规则库构建机载总线网络底层节点的健康状态评估子模型；

第一健康评估模块，用于基于所述健康状态评估子模型评估机载总线网络底层节点健康状态；

机载总线网络健康状态评估模型构建模块，用于基于评估后的机载总线网络底层节点健康状态的等级，采用证据推理规则构建机载总线网络健康状态评估模型；

被激活参数选择模块，用于根据规则激活因子选择所述机载总线网络健康状态评估模型中的被激活参数；所述规则激活因子依据专家知识进行定义；

参数可追溯分析函数建立模块，用于根据所述被激活参数，建立参数可追溯分析函数；

追溯模块，用于根据所述参数可追溯分析函数对所述被激活参数进行追溯，得到优化后的机载总线网络健康状态评估模型；

第二健康评估模块，用于通过优化后的机载总线网络健康状态评估模型评估机载总线网络健康状态；

所述健康状态评估子模型的表达式如下：

；

；

其中，pn,k为第k个健康状态评估子模型处于第n个状态等级的置信度，N表示状态等级的数量，Lk表示第k个健康状态评估子模型中的置信规则的数量， 表示第k个健康状态评估子模型中的第l条置信规则的激活权重， 表示第k个健康状态评估子模型中第l条置信规则；

所述机载总线网络健康状态评估模型的表达式如下：；

其中， 表示融合后的对于第n个健康状态等级Dn的基本置信度， 表示对于第n个健康状态等级Dn的剩余基本置信度，K表示健康状态评估子模型的个数， 表示对于第i个健康状态等级 的组合权重；

所述规则激活因子定义为：

；

其中， 表示第k个健康状态评估子模型的第l条置信规则的规则激活因子， 表示在固定的时间周期 内，第k个健康状态评估子模型的第l条置信规则在第t条输入数据中所对应的激活权重，表示容忍阈值；

所述被激活参数的选择公式如下：

；

其中， 表示机载总线网络健康状态评估模型中的被激活参数集， 表示第k个健康状态评估子模型中的第l条置信规则的权重，K表示健康状态评估子模型的个数；Lk表示第k个健康状态评估子模型中的置信规则的数量， 表示第k个健康状态评估子模型中的第l条置信规则中所包含的置信度，N表示状态等级的数量， 表示健康状态评估子模型的权重，γ表示健康状态评估子模型的权重数量， 表示第k个健康状态评估子模型的第l条置信规则的规则激活因子。

说明书

一种可追溯的机载总线网络健康状态评估方法及系统

技术领域

[0001] 本发明涉及机载总线网络健康状态评估技术领域，特别涉及一种可追溯的机载总线网络健康状态评估方法及系统。

背景技术

[0002] 近年来，随着以运载火箭、导弹为代表的飞行器的快速发展，对实现航电、飞控、机电等飞行器分系统之间物理互连、信息交换的基石——机载总线网络的要求越来越高。机载总线网络技术已成为飞行器、导弹信息综合化系统的关键使能技术，为保证机载总线网络产品的质量，并得到与传统专家判断方法相一致的评估结论，应对其进行可解释评估，保证评估结果的过程可追溯，结果可解释。

[0003] 机载总线网络作为火箭、导弹等大型国防武器装备中的关键复杂系统，其健康状态评估过程的可追溯性、评估结果的可解释性至关重要，在已有的关于机载总线网络健康状态评估方法的研究中，典型的有基于模型的方法、数据驱动的方法、基于定性知识的方法和基于半定量信息的方法。虽然前三种方法在不同的工程实际中得到了广泛应用，但在评估结果的可解释性上仍存在一定的局限性。对于机载总线网络而言，其分系统众多，网络拓扑结构复杂，各分系统的工作机理不同且包含不确定性。因此，基于模型的方法无法建立精确的数学模型来描述各层级网络节点的健康状态。对于运载火箭、导弹这类重要的装备系统来说，受测试频率和测试次数限制，所能获取的测试数据往往较少。因此，数据驱动的方法也不能较好地实现健康状态评估。基于定性知识的方法可以合理利用专家知识，但也存在一定的主观不确定性，导致健康状态评估结果不够准确。相比于前三种方法，基于半定量信息的方法更具综合性，能够更好地处理定量数据和定性知识，采用透明的模型推理机制，保证健康状态评估过程的可追溯性，实现评估结果的可解释。

[0004] 作为一种典型的基于半定量的健康状态评估方法，置信规则库(Belief rule base，BRB)理论在国防武器系统健康评估已经得到广泛应用。然而，传统的基于BRB的方法研究中，大部分只考虑了单个部件或者分系统的健康状态，而没有对多层级拓扑结构的网络系统进行评估。此外，现有的研究忽略了参数优化对模型可解释性的影响。尤其当模型评估结果与专家的判断不一致时，模型的不可解释导致无法有效排查误差来源，导致结果的不可靠。

[0005] 鉴于此，亟需一种既能综合利用半定量信息，又能匹配网络拓扑结构，且能实现机载总线网络参数可追溯的健康状态评估方法。

发明内容

[0006] 本发明的目的是提供一种可追溯的机载总线网络健康状态评估方法及系统，以跟踪机载总线网络评估中的参数变化过程，提高健康状态评估结果的可解释性。

[0007] 为实现上述目的，本发明提供了如下方案：

[0008] 一方面，本发明提供了一种可追溯的机载总线网络健康状态评估方法，包括：

[0009] 基于置信规则库构建机载总线网络底层节点的健康状态评估子模型；

[0010] 基于所述健康状态评估子模型评估机载总线网络底层节点健康状态；

[0011] 基于评估后的机载总线网络底层节点健康状态的等级，采用证据推理规则构建机载总线网络健康状态评估模型；

[0012] 根据规则激活因子选择所述机载总线网络健康状态评估模型中的被激活参数；所述规则激活因子依据专家知识进行定义；

[0013] 根据所述被激活参数，建立参数可追溯分析函数；

[0014] 根据所述参数可追溯分析函数对所述被激活参数进行追溯，得到优化后的机载总线网络健康状态评估模型；

[0015] 通过优化后的机载总线网络健康状态评估模型评估机载总线网络健康状态；

[0016] 所述健康状态评估子模型的表达式如下：

[0017] ；

[0018] ；

[0019] 其中，pn,k为第k个健康状态评估子模型处于第n个状态等级的置信度，N表示状态等级的数量，Lk表示第k个健康状态评估子模型中的置信规则的数量， 表示第k个健康状态评估子模型中的第l条置信规则的激活权重， 表示处于第n个状态等级时第k个健康状态评估子模型中第l条置信规则；

[0020] 所述机载总线网络健康状态评估模型的表达式如下：

[0021] ；

[0022] 其中， 表示融合后的对于第n个健康状态等级Dn的基本置信度， 表示对于第n个健康状态等级Dn的剩余基本置信度，K表示健康状态评估子模型的个数，表示对于第i个健康状态等级 的组合权重；

[0023] 所述规则激活因子定义为：

[0024] ；

[0025] 其中， 表示第k个健康状态评估子模型的第l条置信规则的规则激活因子，表示在固定的时间周期 内，第k个健康状态评估子模型的第l条置信规则在第t条输入数据中所对应的激活权重，表示容忍阈值；

[0026] 所述被激活参数的选择公式如下：

[0027] ；

[0028] 其中， 表示机载总线网络健康状态评估模型中的被激活参数集， 表示第k个健康状态评估子模型中的第l条置信规则的权重，K表示健康状态评估子模型的个数；Lk表示第k个健康状态评估子模型中的置信规则的数量， 表示第k个健康状态评估子模型中的第l条置信规则中所包含的置信度，N表示状态等级的数量， 表示健康状态评估子模型的权重，γ表示健康状态评估子模型的权重数量， 表示第k个健康状态评估子模型的第l条置信规则的规则激活因子。

[0029] 另一方面，本发明提供了一种可追溯的机载总线网络健康状态评估系统，包括：

[0030] 健康状态评估子模型构建模块，用于基于置信规则库构建机载总线网络底层节点的健康状态评估子模型；

[0031] 第一健康评估模块，用于基于所述健康状态评估子模型评估机载总线网络底层节点健康状态；

[0032] 机载总线网络健康状态评估模型构建模块，用于基于评估后的机载总线网络底层节点健康状态的等级，采用证据推理规则构建机载总线网络健康状态评估模型；

[0033] 被激活参数选择模块，用于根据规则激活因子选择所述机载总线网络健康状态评估模型中的被激活参数；所述规则激活因子依据专家知识进行定义；

[0034] 参数可追溯分析函数建立模块，用于根据所述被激活参数，建立参数可追溯分析函数；

[0035] 追溯模块，用于根据所述参数可追溯分析函数对所述被激活参数进行追溯，得到优化后的机载总线网络健康状态评估模型；

[0036] 第二健康评估模块，用于通过优化后的机载总线网络健康状态评估模型评估机载总线网络健康状态；

[0037] 所述健康状态评估子模型的表达式如下：

[0038] ；

[0039] ；

[0040] 其中，pn,k为第k个健康状态评估子模型处于第n个状态等级的置信度，N表示状态等级的数量，Lk表示第k个健康状态评估子模型中的置信规则的数量， 表示第k个健康状态评估子模型中的第l条置信规则的激活权重， 表示第k个健康状态评估子模型中第l条置信规则；

[0041] 所述机载总线网络健康状态评估模型的表达式如下：

[0042] ；

[0043] 其中， 表示融合后的对于第n个健康状态等级Dn的基本置信度， 表示对于第n个健康状态等级Dn的剩余基本置信度，K表示健康状态评估子模型的个数，表示对于第i个健康状态等级 的组合权重；

[0044] 所述规则激活因子定义为：

[0045] ；

[0046] 其中， 表示第k个健康状态评估子模型的第l条置信规则的规则激活因子，表示在固定的时间周期 内，第k个健康状态评估子模型的第l条置信规则在第t条输入数据中所对应的激活权重，表示容忍阈值；

[0047] 所述被激活参数的选择公式如下：

[0048] ；

[0049] 其中， 表示机载总线网络健康状态评估模型中的被激活参数集， 表示第k个健康状态评估子模型中的第l条置信规则的权重，K表示健康状态评估子模型的个数；Lk表示第k个健康状态评估子模型中的置信规则的数量， 表示第k个健康状态评估子模型中的第l条置信规则中所包含的置信度，N表示状态等级的数量， 表示健康状态评估子模型的权重，γ表示健康状态评估子模型的权重数量， 表示第k个健康状态评估子模型的第l条置信规则的规则激活因子。

[0050] 根据本发明提供的具体实施例，本发明公开了以下技术效果：

[0051] 针对机载总线网络健康评估存在的推理过程不透明、重要参数难追溯等问题，本发明将BRB可解释建模方法与参数分析结合，确保机载总线网络健康评估的正向推理可解释、反向参数可追溯，为实现专家与评估模型的人机交互提供可行方案。

附图说明

[0052] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

[0053] 图1为本发明提供的可追溯的机载总线网络健康状态评估方法的流程图。

具体实施方式

[0054] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0055] 本发明的目的是提供一种可追溯的机载总线网络健康状态评估方法及系统，以跟踪机载总线网络评估中的参数变化过程，提高健康状态评估结果的可解释性。

[0056] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

[0057] 实施例一

[0058] 本发明提供了一种可追溯的机载总线网络健康状态评估方法。如图1所示，该方法包括以下步骤：

[0059] 步骤101：基于置信规则库构建机载总线网络底层节点的健康状态评估子模型。

[0060] 假设机载总线网络存在K个底层节点，记为 ，每个底层节点存在T个输入数据，记为 ，基于此，可建立每个机载总线网络底层节点的健
康状态评估表达式如下所示：

[0061] ；

[0062] ；

[0063] 其中， 为第k个健康状态评估子模型的输出，表示该模型处于第n个状态等级的置信度， 是被输入数据 所激活的模型参数，具体公式
可参见步骤1011和1012。 表示第k个评估子模型中的第 条置信规则，可
通过置信规则 由专家给定，其描述形式如下所示：

[0064]其中， 表示第k个健康状态评估子模型中的第 条置信规则，Lk表示置信规则的数量， 表示第i个输入数据，T表示输入数据的数量， 表示第l条置信规则中第i个属性的参考值， 表示第k个健康状态评估子模型，即记载总线网络的第k个底层节点。 表示机载总线网络底层节点的第n个健康状态等级，N表示健康状态等级的数量， 表示第n个健康状态等级的置信度，表示第l条置信规则的权重； 表示第T个属性的权重。

[0065] 基于置信规则库的机载总线网络底层节点健康状态评估流程包括：

[0066] 步骤1011：将定量和定性信息转化为置信分布：

[0067] ；

[0068] 其中， 表示 的匹配度，其计算公式如下：

[0069] ；

[0070] 其中， 表示输入 的第j个参考值。

[0071] 步骤1012：计算规则激活权重如下：

[0072] ；

[0073] 其中， 为第k条规则的权重。 是 的标准化权重。L是规则数。

[0074] 步骤1013：使用证据推理算法生成单节点的健康状态评估的置信度，如下所示：

[0075] ；

[0076] 其中， 是相对于 的基本概率质量； 是规则 的剩余概率质量；其计算公式如下：

[0077] ；

[0078] 其中， 表示规则 的不完备性； 表示该条规则被其他规则的支持程度。

[0079] 步骤1014：归一化后得到输出置信分布，可表示为：

[0080] ；

[0081] 其中， 和 分别表示基于置信规则库所建立健康状态评估子模型的输出置信度与剩余置信度。

[0082] 步骤102：基于所述健康状态评估子模型评估机载总线网络底层节点健康状态。

[0083] 步骤103：基于评估后的机载总线网络底层节点健康状态的等级，采用证据推理规则构建机载总线网络健康状态评估模型。

[0084] ；

[0085] 其中， 表示融合后的对于第n个健康状态等级 的基本置信分配，表示对于第n个健康状态等级 的剩余基本置信分配， 是被健康状态评估
子模型 的输出数据 所激活的模型参
数，表示对于第i个健康状态等级 的组合权重，其计算公式如下：

[0086] ；

[0087] 其中， 是第k个健康状态评估子模型的权重，用于表示第k个健康状态评估子模型相对于其他模型的相对重要程度。

[0088] 步骤104：根据规则激活因子选择所述机载总线网络健康状态评估模型中的被激活参数；所述规则激活因子依据专家知识进行定义。

[0089] ；

[0090] 其中， 定义规则激活因子；定义了由专家给定的容忍阈值，用于判断当前规则是否应被激活。 表示在固定的时间周期 内，第 个子模型的第 条规则在第 条输入数据中所对应的激活权重。

[0091] 被激活参数的选择公式如下：

[0092] ；

[0093] 其中，表示所建立的机载总线网络健康状态评估模型中的可追溯参数集，即依据规则激活因子所选择的置信规则权重、置信度以及状态评估子模型的权重， 表示第k个健康状态评估子模型中的第l条置信规则的权重，其数量为 ，为未被置信规则激活因子所激活的参数数量。K表示健康状态评估子模型的个数；Lk表示第k个健康状态评估子模型中的置信规则的数量， 表示第k个健康状态评估子模型中的第l条置信规则中所包含的置信度，其激活总数为规则激活因子的N倍。N表示健康状态评估等级的数量。 表示健康状态评估子模型的权重，γ表示健康状态评估子模型的权重数量， 表示第k个健康状态评估子模型的第l条置信规则的规则激活因子。

[0094] 步骤105：根据所述被激活参数，建立参数可追溯分析函数。

[0095] 首先假设两条证据e1和e2，其权重分别为w1和w2。机载总线网络的健康状态评估等级被划分为 两个状态下，可得：

[0096] ；

[0097] 其中，e1和e2是通过健康状态评估子模型所获取的底层节点的评估结果，这里用证据e1和e2进行描述。w1和w2则代表健康状态评估子模型的权重，与步骤103描述一致。D1和D2表示机载总线网络的两个健康等级，p1,1，p1,2，p2,1，p2,2分别表示其处于当前健康状态的概率，与步骤101描述一致。根据所述的基于置信规则库的机载总线网络评估方法，可得评估结果如下：

[0098] ；

[0099] 其中， 表示融合后的对于第n个健康状态等级Dn的基本置信分配，。 表示融合后的剩余置信分配， 表示对于第n个健康状态等级Dn的组合权重，其计算公式如下：

[0100] ；

[0101] ；

[0102] 其中， 是归一化后的证据权重。假设 作为 的敏感性矩阵，定义如下：

[0103] ；

[0104] 可以进一步推导得出：

[0105] ；

[0106] 其中 和 均为敏感性矩阵 分解后的一阶偏导矩阵，具体表示为：

[0107] ；

[0108] 进一步的，通过对一阶偏导矩阵 进行消元可分解为矩阵 和 ，具体表示为：

[0109] ；

[0110] 对于矩阵 ，假设：

[0111] ；

[0112] ；

[0113] 那么可以得到 的几种形式：

[0114] ；

[0115] 通过统计平均敏感性系数 ，

[0116] ；

[0117] 进一步的，可将其一般性的表示为：

[0118] ；

[0119] 其中，N表示机载总线网络的健康状态等级的数量，K表示机载总线底层节点的数量，同样表示健康状态评估子模型的数量。基于此，通过比较平均敏感性系数可以得出参数随不同输入的波动情况，进而实现参数可追溯。

[0120] 步骤106：根据所述参数可追溯分析函数对所述被激活参数进行追溯，得到优化后的机载总线网络健康状态评估模型。

[0121] 步骤107：通过优化后的机载总线网络健康状态评估模型评估机载总线网络健康状态。

[0122] 实施例二

[0123] 为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供了一种可追溯的机载总线网络健康状态评估系统。

[0124] 该系统包括：

[0125] 健康状态评估子模型构建模块，用于基于置信规则库构建机载总线网络底层节点的健康状态评估子模型；

[0126] 第一健康评估模块，用于基于所述健康状态评估子模型评估机载总线网络底层节点健康状态；

[0127] 机载总线网络健康状态评估模型构建模块，用于基于评估后的机载总线网络底层节点健康状态的等级，采用证据推理规则构建机载总线网络健康状态评估模型；

[0128] 被激活参数选择模块，用于根据规则激活因子选择所述机载总线网络健康状态评估模型中的被激活参数；所述规则激活因子依据专家知识进行定义；

[0129] 参数可追溯分析函数建立模块，用于根据所述被激活参数，建立参数可追溯分析函数；

[0130] 追溯模块，用于根据所述参数可追溯分析函数对所述被激活参数进行追溯，得到优化后的机载总线网络健康状态评估模型；

[0131] 第二健康评估模块，用于通过优化后的机载总线网络健康状态评估模型评估机载总线网络健康状态。

[0132] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

[0133] 本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。