等级不对称情况下的复杂装备质量状态认证方法

摘要

本发明公开一种等级不对称情况下的复杂装备质量状态认证方法，涉及装备检测技术领域，该方法包括：根据待认证装备的结构和功能，确定质量认证指标；根据所述质量认证指标获得待认证装备的指标数据，所述指标数据包括装备测试数据和装备履历数据；对各质量认证指标对应的指标数据进行量化处理，得到各量化后的数据；将各量化后的数据转换为证据；确定所述证据的证据可靠度；采用证据推理算法，对所述指标数据、所述证据、证据权重和所述证据可靠度进行融合，确定所述待认证装备的质量状态。本发明提高了装备质量认证的准确性。

权利要求

1.一种等级不对称情况下的复杂装备质量状态认证方法，其特征在于，包括：根据待认证装备的结构和功能，确定质量认证指标；

根据所述质量认证指标获得待认证装备的指标数据，所述指标数据包括装备测试数据和装备履历数据；

对各质量认证指标对应的指标数据进行量化处理，得到各量化后的数据；

将各量化后的数据转换为证据；

确定所述证据的证据可靠度；

采用证据推理算法，对所述指标数据、所述证据、证据权重和所述证据可靠度进行融合，确定所述待认证装备的质量状态；

所述待认证装备为激光惯组，所述装备测试数据包括陀螺仪的零次项系数偏差和加速度计的零次项系数偏差，所述装备履历数据包括维修信息和运输里程；

根据所述质量认证指标获得待认证装备的指标数据，具体包括：在同一环境下，连续获得所述待认证装备的所述装备测试数据，得到第一装备测试数据；

在不同一环境下，非连续获得所述待认证装备的所述装备测试数据，得到第二装备测试数据；

对各质量认证指标对应的指标数据进行量化处理，得到各量化后的数据，具体包括：将所述第一装备测试数据的标准偏差作为第一装备测试数据量化后的数据；

将所述第二装备测试数据的均值偏差或者极差偏差作为第二装备测试数据量化后的数据；

根据装备履历数据的量化模型，得到所述装备履历数据量化后的数据。

2.根据权利要求1所述的等级不对称情况下的复杂装备质量状态认证方法，其特征在于，将各量化后的数据转换为证据，具体包括：根据预设的转换矩阵，将各量化后的数据转换为证据。

3.根据权利要求1所述的等级不对称情况下的复杂装备质量状态认证方法，其特征在于，确定所述证据的证据可靠度，具体包括：对于装备测试数据对应的证据，采用变异系数法和最小二乘法，根据证据对应的指标数据和量化后的数据，确定证据可靠度。

4.根据权利要求1所述的等级不对称情况下的复杂装备质量状态认证方法，其特征在于，确定所述证据的证据可靠度，具体包括：对于装备履历数据对应的证据，根据所述待认证装备的当前服役时间和平均失效前工作时间确定证据可靠度。

说明书

等级不对称情况下的复杂装备质量状态认证方法

技术领域

[0001] 本发明涉及装备检测技术领域，特别是涉及一种等级不对称情况下的复杂装备质量状态认证方法。

背景技术

[0002] 系统武器装备效益分析与评估不是单纯的理论研究，是面向实际的应用研究。装备质量状态直接关系系统武器装备效益，目前，研究总体上对理论研究不够深入，所建立的模型粗造，可靠性差，实用技术不多，尤其是结合前沿技术的性能分析与评估的技术不多，而装备系统往往是结构复杂的大系统，装备质量评估是多种约束下的多属性评估模型。采用多属性决策评估方法，融合各个方面的武器装备的信息，并处理这些信息用于效益分析与评估，客观地评估武器装备效益，是为采办提供技术支持、为任务规划提供辅助决策的必要前提，目前对武器装备的评估缺乏准确性和客观性。

发明内容

[0003] 本发明的目的是提供一种等级不对称情况下的复杂装备质量状态认证方法，提高了装备质量认证的准确性。

[0004] 为实现上述目的，本发明提供了如下方案：

[0005] 一种等级不对称情况下的复杂装备质量状态认证方法，包括：

[0006] 根据待认证装备的结构和功能，确定质量认证指标；

[0007] 根据所述质量认证指标获得待认证装备的指标数据，所述指标数据包括装备测试数据和装备履历数据；

[0008] 对各质量认证指标对应的指标数据进行量化处理，得到各量化后的数据；

[0009] 将各量化后的数据转换为证据；

[0010] 确定所述证据的证据可靠度；

[0011] 采用证据推理算法，对所述指标数据、所述证据、证据权重和所述证据可靠度进行融合，确定所述待认证装备的质量状态。

[0012] 可选地，根据所述质量认证指标获得待认证装备的指标数据，具体包括：

[0013] 在同一环境下，连续获得所述待认证装备的所述装备测试数据，得到第一装备测试数据；

[0014] 在不同一环境下，非连续获得所述待认证装备的所述装备测试数据，得到第二装备测试数据。

[0015] 可选地，对各质量认证指标对应的指标数据进行量化处理，得到各量化后的数据，具体包括：

[0016] 将所述第一装备测试数据的标准偏差作为第一装备测试数据量化后的数据；

[0017] 将所述第二装备测试数据的均值偏差或者极差偏差作为第二装备测试数据量化后的数据；

[0018] 根据装备履历数据的量化模型，得到所述装备履历数据量化后的数据。

[0019] 可选地，将各量化后的数据转换为证据，具体包括：

[0020] 根据预设的转换矩阵，将各量化后的数据转换为证据。

[0021] 可选地，确定所述证据的证据可靠度，具体包括：

[0022] 对于装备测试数据对应的证据，采用变异系数法和最小二乘法，根据证据对应的指标数据和量化后的数据，确定证据可靠度。

[0023] 可选地，确定所述证据的证据可靠度，具体包括：

[0024] 对于装备履历数据对应的证据，根据所述待认证装备的当前服役时间和平均失效前工作时间确定证据可靠度。

[0025] 可选地，所述待认证装备为激光惯组，所述装备测试数据包括陀螺仪的零次项系数偏差和加速度计的零次项系数偏差，所述装备履历数据包括维修信息和运输里程。

[0026] 本发明公开了一种装备质量状态认证系统，包括：

[0027] 质量认证指标确定模块，用于根据待认证装备的结构和功能，确定质量认证指标；

[0028] 指标数据获得模块，用于根据所述质量认证指标获得待认证装备的指标数据，所述指标数据包括装备测试数据和装备履历数据；

[0029] 指标数据量化模块，用于对各质量认证指标对应的指标数据进行量化处理，得到各量化后的数据；

[0030] 数据转换模块，用于将各量化后的数据转换为证据；

[0031] 证据可靠度确定模块，用于确定所述证据的证据可靠度；

[0032] 质量状态确定模块，用于采用证据推理算法，对所述指标数据、所述证据、证据权重和所述证据可靠度进行融合，确定所述待认证装备的质量状态。

[0033] 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：

[0034] 本发明根据质量认证指标获得待认证装备包括装备测试数据和装备履历数据在内的指标数据，采用证据推理算法对指标数据、证据、证据权重和证据可靠度进行融合，确定待认证装备的质量状态，得到等级不对称情况下的复杂装备质量状态认证结果，提高了装备质量认证的准确性和客观性。

附图说明

[0035] 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。

[0036] 图1为本发明实施例提供的一种等级不对称情况下的复杂装备质量状态认证方法流程示意图；

[0037] 图2为本发明实施例提供的激光惯组质量状态评估指标体系示意图；

[0038] 图3为本发明实施例提供的激光惯组质量状态认证框架；

[0039] 图4为本发明实施例提供的输入信息分布示意图；其中，图4中（a）表示一维高斯分布，图4中（b）为分段函数分布，图4中（c）为均匀分布；

[0040] 图5为本发明实施例提供的激光惯组质量状态融合结果示意图。

具体实施方式

[0041] 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。

[0042] 本发明的目的是提供一种等级不对称情况下的复杂装备质量状态认证方法，提高了装备质量认证的准确性。

[0043] 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。

[0044] 总的来说，复杂装备质量评估包括两个方面，一个是测试标定误差，一个是履历信息管理。测试标定误差通过测试设备、测试方法和软件实现共同完成。履历信息管理通过对比预设的标准管理要求给定性能评价等级。两者缺一不可、互为补充。前者为定量信息，直观地体现了装备的性能，但是存在一些隐形特征无法表征。后者为定性信息，物理意义明确，能够体现测试信息无法表征的隐形特征，但是同时存在一定的不确定性。例如，外观是装备质量检查的一项，由于没有实际检测数据，对外观的评估主要是在对其进行保养测试的时候，依靠专业操作号手和管理人员进行判断给出等级，标准为优、良、中、合格、差，一共五个等级。在预设的标准管理要求中将武器装备质量等级划分为“新品、堪用品、待修品、废品”四个等级。这就出现了预设的标准给定等级与质量评估等级不一致（等级不对称）的情况，两者之间显然存在不对称的等级关系，无法直接进行指标的信息融合，需要通过建立两者之间的联系，才能进行信息的转换与融合，从而得到评估结果。

[0045] 实施例1

[0046] 如图1所示，本实施例提供了一种等级不对称情况下的复杂装备质量状态认证方法，该方法包括：

[0047] 步骤101：根据待认证装备的结构和功能，确定质量认证指标。

[0048] 步骤102：根据所述质量认证指标获得待认证装备的指标数据，所述指标数据包括装备测试数据和装备履历数据。

[0049] 步骤103：对各质量认证指标对应的指标数据进行量化处理，得到各量化后的数据。

[0050] 步骤104：将各量化后的数据转换为证据。

[0051] 步骤105：确定所述证据的证据可靠度。

[0052] 步骤106：采用证据推理算法，对所述指标数据、所述证据、证据权重和所述证据可靠度进行融合，确定所述待认证装备的质量状态。

[0053] 装备质量评估体系一般包括装备测试数据和装备履历数据，能够更加完整评估装备整体性能。因此，步骤101中，针对激光惯组的构造特点和结构功能，确定质量认证指标，建立质量认证指标体系，能够更加贴合激光惯组的使用实际。基于此，建立如图2所示的质量状态认证指标体系。

[0054] 图2中，质量状态认证指标体系包括健康度指标和可用度指标，健康度指标包括陀螺仪的X、Y、Z、s和t轴零次项系数偏差（零次项偏差），以及加速度计的X、Y、Z、s和t轴零次项系数偏差。可用度指标包括通电时间、标定次数、贮存温度和贮存湿度。健康度指标和可用度指标均为质量认证指标。健康度指标指的是各类测试数据信息，可用度指标指的是各类履历信息。

[0055] 数据来源主要分两大方面：第一是装备履历数据，履历数据是通过记录已完成的行为和任务，间接反映装备工作状态，如运输情况和维修情况等，履历数据在较长的一段时间内保持不变；第二是装备测试数据，装备测试数据是通过测试设备直接或者间接得反映装备工作状态，如电压、电流等。装备测试数据往往反映的时装备当前的状态，并且随着时间的改变而变化。

[0056] 其中，步骤102和步骤103具体包括：分别就两种类型的信息建立量化模型。

[0057] 1）基于装备测试数据的指标量化模型。

[0058] 待认证装备由于机械磨损，往往测试条件有限，比如激光惯组的使用时间为一万小时，样本比较少，每一次测试的时间、地点、海拔等可能不同，造成数据干扰。同一环境相同对数据处理的要求高，不同环境对数据的容错能力要求高。

[0059] 1、同一环境下的连续测量。

[0060] 偏差分为绝对偏差和相对偏差、标准偏差和相对平均偏差来表示。同一时间、同一地点、同一种测试仪器，即同一环境下的测量，数据样本始于同一个起点，可视为同一个样本数据集，数据形式相同，误差起点一致，可以采用标准偏差的方法进行研究。因此，在同一环境下，连续获得所述待认证装备的所述装备测试数据，得到第一装备测试数据。将所述第一装备测试数据的标准偏差作为第一装备测试数据量化后的数据。

[0061] 测量次数有限的情况下，测量陀螺仪、加速度计零次项漂移系数需要进行6次以上，才能进行方差计算。此时零次项漂移系数的算数平均值为：

[0062]                       （1）。

[0063] 零次项漂移系数的标准差为：

[0064]              （2）。

[0065] 上式中，Xi表示第i个质量认证指标的原始数据（指标数据），当前Xi即为第一装备测试数据，n表示第i个质量认证指标对应的指标数据的样本数据， 表示第i个质量认证指标的算数平均值， 表示第i个质量认证指标的标准差，n=6；至少每6组数据算一个 ，若乘以2.7，即2.7σ准则；生成新的输入样本后，即可迭代往前计算 。

[0066] 零次项漂移系数的方差确定之后，将方差与参考值进行对比，在步骤104中通过输入转换得出基于参考值的证据输入形式。参考值指的是证据推理方法中确定证据的参数，是已知的。

[0067] 2、不同环境下的非连续测量。

[0068] 不同环境下非连续测量的数据差距较大，失去标准差的统计意义。横向对比可以使用均值偏差或者极差偏差的方式。因此，本实施例在不同一环境下，非连续获得所述待认证装备的所述装备测试数据，得到第二装备测试数据。将所述第二装备测试数据的均值偏差或者极差偏差作为第二装备测试数据量化后的数据。极差偏差即最大值与最小值的差值。

[0069] 零次项漂移系数的极差值为：

[0070]                （3）。

[0071] 其中， 表示第i个质量认证指标的原始数据中最大值， 表示第i个质量认证指标的原始数据中最小值， 表示质量认证指标的极差值。

[0072] 平均值和极差值确定之后，分别将平均值与平均值参考判据进行对比，将极值与极值参考判据进行对比，得出基于参考值的算法输入形式，从而得出评估结果（推理结果）。

[0073] 质量认证指标的标准差和质量认证指标的极差值均为质量认证指标量化后的数据。

[0074] 2）基于装备履历数据的量化模型。

[0075] 根据装备履历数据的量化模型，得到所述装备履历数据量化后的数据。

[0076] 一般情况，装备出厂时会配备产品证明书并配备管理人员等记录履历信息（履历数据）。指标（装备履历数据对应的质量认证指标）因装备而异，如装检次数、运输情况等。根据指标特点建立模型：

[0077]       （4）。

[0078] 其中，x1、x2、…、xn为装备定性指标等级；α1、α2、…、αn为xi对应系数，查阅行业标准可得。A2为其单个指标最大值或者理论极限值；A1为其最小值；x为定性知识量化表达的折算值。

[0079] 以维修信息转换为例，根据故障程度的不同，将维修情况分为小修、中修、大修三级。结合维修次数和级别建立模型：

[0080]                    （5）。

[0081] 其中，α1、α2、α3为小修、中修、大修分别对应的故障系数；x1、x2、x3为其所经历的小修、中修、大修的次数；A2为其维修折算值的最大值或者理论极限值；A1为其维修折算的最小值。

[0082] 公式（4）计算得到的x即为装备履历数据量化后的数据。

[0083] 如表1所示，得到装备维修当量折算系数，在中修和小修的当量折算系数中，可以根据单个装备具体的维修情况来定。比如换一颗螺丝和换一块芯片，当量系数（故障系数）是不一样的。

[0084] 表1装备维修当量折算系数

[0085]

[0086] 为了方便研究，分别取当量折算系数的中位数， 、 、 。假设大修2次，中修4次，小修10次，为本单机维修最大值，取维修折算值的最大值 ， ；取维修折算的最小值 ， ，此时单机装备性能优良，不曾维修。由此，得到维修情况的量化结果x的模型。

[0087]                 （6）。

[0088] 其中，步骤104具体包括：

[0089] 根据预设的转换矩阵，将各量化后的数据转换为证据。

[0090] 以参考等级“正常，不正常”转换为评估等级“新品、堪用品、待报废、废品”为例，参考等级为 ，评估等级为4个，分别为 ，。

[0091] 那么，存在转换矩阵A：

[0092]                              （7）。

[0093] 其中，K1表示第一参考等级，K2表示第二参考等级，k1表示第一参考等级的概率，k2表示第二参考等级的概率，H1表示第一评估等级，H2表示第二评估等级，H3表示第三评估等级，H4表示第四评估等级，h1表示第一评估等级的概率，h2表示第二评估等级的概率，h3表示第三评估等级的概率，h4表示第四评估等级的概率，a1、a2、a3、a4、b1、b2、b3、b4均为转换系数。

[0094] 将 形式转换成 形式，即：

[0095]       （8）。

[0096] ， ，记为 。

[0097] 更进一步，第i个质量认证指标的参考等级 ， 转化为评估等级 ， ， 为第i个质量认证指标的第M参考等
级， 为 的概率，M表示参考等级的级数，N表示评估等级的级数，HN表示第N评估等级，hN表示第N评估等级的概率。评估等级在某一概率分布中，某一概率的密度函数为 ，。  分别是 区间分界值或临界值，x为预处理后的指
标信息（量化后的数据），且 ， 分别是 区
间分界值或临界值，当 ，x落在 区间，则转换矩阵
为：

[0098]   （9）。

[0099] 本实施例一种等级不对称情况下的复杂装备质量状态认证方法还包括：确认证据权重，具体步骤如下。

[0100] 1）基于装备测试数据的证据权重。

[0101] 在同样的条件下测得的同源数据所构成的证据权重均为1。

[0102]                （10）。

[0103] 其中， 、 、 分别表示第1、2、L个装备测试数据（质量认证指标）对应证据的证据权重。

[0104] 2）基于装备履历数据的证据权重。

[0105] 对于不同条件，即不同测试设备、不同操作人员、不同一时间段测得数据构成的证据权重有所区别。例如年度定期装备维护时，所测得的惯组数据时间跨度较大，不能采用上述方法确定权重，可以采用专家直接构权的方法进行赋权。

[0106] 直接构权需要专家经验。直接构权根据定权者的直觉判断，直接分配给每一个评价指标，以重要性程度量值的一种定权方法。开始分配权重时，通常采用比例的方式，即L个加权对象的权重比值 。

[0107] 然后计算比例相对数，即为比重权数。

[0108]                （11）

[0109] 其中， 表示j个装备履历数据（质量认证指标）对应证据的给定比值， 表示第j个装备履历数据对应证据的证据权重。

[0110] 证据可靠性是证据推理规则中的另一个重要属性。

[0111] 其中，步骤105具体包括：

[0112] 1）基于测试数据的可靠度。

[0113] 对于装备测试数据对应的证据，采用变异系数法(Variation‑Based Weighting Coefficient，CVBW)和最小二乘法，根据证据对应的指标数据和量化后的数据，确定证据可靠度，具体包括：

[0114] 采用变异系数法，根据数据的波动规律确定指标可靠度。变异系数法各项指标的变异系数公式如下：

[0115]                  （12）。

[0116] 其中， 是第i项质量认证指标的变异系数，也称为标准差系数； 是第i项质量认证指标的标准差； 是第i项质量认证指标的平均数，n表示质量认证指标的项数。

[0117] 各项指标的初始可靠度为：

[0118]                         （13）。

[0119] 其中，第i项质量认证指标的初始可靠度 与该指标的单项评价值（测试数据）之间呈函数关系 时，利用最小二乘法使得这些求得的数据与实际数据之间误差的平方和为最小。

[0120]  （14）。

[0121] 是拟合后的函数，表示优化值（解算值）， 表示优化函数，m表示某一质量认证指标的数据量，那么，采用最小二乘方法拟合后的变异系数法得到的权重为：

[0122] ；

[0123] 其中，          （15）。

[0124] 表示第i项质量认证指标的最终可靠度，即第i项质量认证指标的可靠度。

[0125] 2）基于履历信息的可靠度。

[0126] 对于装备履历数据对应的证据，根据所述待认证装备的当前服役时间和平均失效前工作时间确定证据可靠度。

[0127] 对于履历数据来说，只存在单个证据，不存在数据的波动，显然不能采用基于变异系数法和最小二乘法的可靠度计算方法。在系统工程中，可靠度是产品在规定条件下和规定时间内，完成规定功能的概率。复杂装备系统履历记载同样源于维持装备功能运行，因此，可以采用基于寿命的可靠度计算方法。

[0128] 产品寿命T是随机变量，可靠度为r(t)=P(T>t)，t为当前时长。t时刻可靠度是指产品在[0,t]内完成规定功能的概率P(T>t)。不可靠度为f(t)=P(T<=t)，即t时刻不可靠度，表示产品在[0,t]内发生故障的概率P(T<=t)。显然，r(t)+f(t)=1。

[0129] 平均寿命是寿命的平均值。对于不可修复的产品，指的是产品失效前工作时间的平均值，通常记为故障前平均时间(Mean Time To Failure，MTTF)。在产品出厂前的试验鉴定过程中，测得第1、2、N0时刻寿命数据为 ，根据定义，其平均失效前工作时间的估计值为 ，当寿命是连续型随机变量时，平均失效前工作时间为。

[0130] 那么，平均失效前工作时间可以近似于有效服役时间时，可靠度如下：

[0131]              （16）。

[0132] 其中，步骤106具体包括：

[0133] 基于证据推理建立质量状态评估模型：如图3所示，将所有的质量认证指标输入的数值都描述为信度分布形式，采用基于实体‑联系（Entity‑Relationship Approach，ER）方法的聚合方案进行融合：

[0134] 已知 ，权重 和可靠度 ，那么带有可靠度的证据的加权置信分布定义为：

[0135]      （17）。

[0136] 其中， 表示第i项质量认证指标的指标数据的加权置信分布概率， 表示命题，表示分配给某一命题的平均概率质量， 表示全集， 表示分配给全集的概率质量， 表示分配给全集的平均概率质量。

[0137] 图3中u1至uL为量化后的数据。

[0138] 其中，对于命题的概念进行举例说明。

[0139] 命题A：我是好人。

[0140] 证据1：小明认为我是好人的概率为0.8。

[0141] 证据2：小红认为我是好人的概率为0.5。

[0142]    （18）。

[0143] 其中， 表示空集， 表示归一化系数， 表示第i项质量认证指标的证据权重， 表示第i项质量认证指标的证据可靠度，使 。
对于任意两条独立证据 和 ，假设其置信分布形式可由式（17）表达，则 和 对命题的联合支持 由下式确定：

[0144]   （19）。

[0145]    （20）。

[0146] 其中， 表示 和 对命题 的联合支持， 表示 和 对命题的联合概率质量，A表示全集的某一子集，B表示全集的某一子集且与A相交为空集， 表示 对命题 的概率质量， 表示 对命题 的概率质量， 表示分配给A子集的概
率质量， 表示分配给B子集的概率质量。

[0147] 不失一般性，对于L条独立证据 ，它们对命题 的联合支持可通过不断迭代下式得到：

[0148] （21）。

[0149]            （22）。

[0150]      （23）。

[0151]      （24）。

[0152] 其中， 。 反映了前k条证据组合后对命题 的联合支持程度，且有 ， 。

[0153] 假设L条独立证据组合后的总体可靠度为 ，组合权重为 ，由式（18）可得。因此， 可由下式确定：

[0154] （25）。

[0155] 在式（25）中， 的取值应该介于L条独立证据的最大权重 和1之间，故有 ， 表示通过算法融合后得到的最终
融合证据的可靠度和权重， 表示 的取值为1时得到的可靠度，
表示 的取值为L条独立证据的最大权重 时得到的可靠度。

[0156] 第一条证据和第二条证据融合结果作为新的证据，与第三条证据融合。由此迭代，经多层证据推理，得到最终融合证据 ：

[0157]    （26）。

[0158] 表示证据组合后对命题的联合支持程度。

[0159] 在评价结果的基础上，可根据基于效用的方法量化最终结果。

[0160] 假设等级H的效用为 ，评估对象的性能状态计算如下：

[0161]            （27）。

[0162] 其中，U表示待认证装备的质量状态，β表示 的集合， 表示第i项质量认证指标的融合证据。

[0163] 下面以具体示例说明本发明一种等级不对称情况下的复杂装备质量状态认证方法。

[0164] 1）根据图2所示的质量状态评估指标体系，选定质量状态评估指标为：惯组陀螺仪和加速度计的零次项系数偏差，以及惯导系统的履历参数，包括维修信息、运输里程。

[0165] 2）针对数据信息的特点选用合适的分布模型，如图4所示。

[0166] 3）指标量化与数据标准化处理：对陀螺仪和加速度计偏差数据和履历信息进行标准化处理及信度转化。

[0167] 图4中，mu、sigma均为高斯分布的基本参数，横坐标是时间，纵坐标是质量。图4中（a）表示一维高斯分布，图4中（b）为分段函数分布，图4中（c）为均匀分布。

[0168] 评估指标参考等级与参考值设置如表2所示。

[0169] 表2 评估指标参考等级与参考值设置

[0170]

[0171] 其中， 表示陀螺仪的X轴零次项系数偏差， 表示陀螺仪的Y轴零次项系数偏差， 表示陀螺仪的Z轴零次项系数偏差， 表示陀螺仪的s轴零次项系数偏差， 表示陀螺仪的t轴零次项系数偏差， 表示加速度计的X轴零次项系数偏差， 表示加速度计的Y轴零次项系数偏差， 表示加速度计的Z轴零次项系数偏差， 表示加速度计的s轴零次项系数偏差， 表示加速度计的t轴零次项系数偏差。

[0172] 根据质量状态等级描述，制定评估结果参考值如表3所示。

[0173] 表3 装备性能质量等级描述及设置

[0174]

[0175] 通过转换矩阵，可得转换后的置信分布，如表4所示。

[0176]

[0177] 4）确定指标权重：质量状态评估的关键步骤，根据指标的重要性程度确定权重；根据建立的权重计算方法，计算指标之间的相对权重。

[0178] 5）确定指标可靠度：根据建立的可靠度计算方法，计算指标可靠度。

[0179] 6）基于证据推理建立质量状态评估模型：综合标准化后的数据和对应权重，建立质量状态评估模型，得到评估结果 ，如图5所示。

[0180] 实施例2

[0181] 本实施例提供了一种装备质量状态认证系统，该系统包括：

[0182] 质量认证指标确定模块，用于根据待认证装备的结构和功能，确定质量认证指标。

[0183] 指标数据获得模块，用于根据所述质量认证指标获得待认证装备的指标数据，所述指标数据包括装备测试数据和装备履历数据。

[0184] 指标数据量化模块，用于对各质量认证指标对应的指标数据进行量化处理，得到各量化后的数据。

[0185] 数据转换模块，用于将各量化后的数据转换为证据。

[0186] 证据可靠度确定模块，用于确定所述证据的证据可靠度。

[0187] 质量状态确定模块，用于采用证据推理算法，对所述指标数据、所述证据、证据权重和所述证据可靠度进行融合，确定所述待认证装备的质量状态。

[0188] 待认证装备为激光惯组。所述装备测试数据包括陀螺仪的零次项系数偏差和加速度计的零次项系数偏差，所述装备履历数据包括维修信息和运输里程。

[0189] 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。

[0190] 本文中应用了具体个例对本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；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。