基于自适应学算法的多状态系统可靠性分析方法及系统

摘要

本发明涉及一种基于自适应学算法的多状态系统可靠性分析方法及系统，所述方法包括：S1、建立多状态petri网模型，并分别设定所述petri网模型中的依赖度和重要度的初始值；S2、根据所述依赖度和重要度的值计算系统可靠度，然后计算系统可靠度误差值；S3、判断所述系统可靠度误差值是否小于阈值，是则结束，否则执行下一步；S4、根据粒子群算法依次调节所述依赖度和重要度，得到最优依赖度和最优重要度；S5、根据所述最优依赖度和重要度建立多状态系统的可靠性估计的状态概率表。本发明通过建立多状态系统petri网模型，并对模型的参数进行自适应地学，从而达到准确评估多状态系统可靠性的目的。

主权项

一种基于自适应学习算法的多状态系统可靠性分析方法，其特征在于，所述方法包括：S1、建立多状态petri网模型，并分别设定所述petri网模型中的依赖度和重要度的初始值；S2、根据所述依赖度和重要度的值计算系统可靠度，然后计算系统可靠度误差值；S3、判断所述系统可靠度误差值是否小于阈值，是则结束，否则执行下一步；S4、根据粒子群算法依次调节所述依赖度和重要度，得到最优依赖度和最优重要度；S5、根据所述最优依赖度和重要度建立多状态系统的可靠性估计的状态概率表；所述多状态petri网模型建立为：S_MSPN＝<P,D,T,I,O,α,T_h,τ>，其中，P＝{P₁,P₂....P_n}为库所结点的有限集合；T＝{t₁,t₂....t_m}为变迁结点的有限集合；D表示节点命题的有限集合；I为输入矩阵，O为输出矩阵，α表示库所对应命题的重要度，T_h表示状态变化过程时节点之间的依赖度；τ表示变迁的平均实施速率；所述粒子群算法的公式为：V_n＝w*V_n‑1+c1*rand*(pBest‑Pre)+c2*rand*(gBest‑Pre)Pre＝Pre+V，其中，w表示调整权重，V表示调整速度；c1,c2表示学习因子，rand是[0,1]之间的随机数，用以调节调整速度的快慢；pBest表示当前依赖度；gBest表示当前重要度；Pre表示当前调整位置；所述步骤S4具体包括：S41、根据上述粒子群算法调节当前节点k的依赖度，并根据调节后的依赖度计算当前系统可靠度，并计算对应的当前系统可靠性误差值f_k；S42、判断f_k＜f_k‑1，是则返回步骤S41，否则执行下一步；S43、令k＝k+1，并判断是否k<n，是则返回步骤S41，否则执行下一步，其中，n为输入库所和中间库所的总个数赋值；S44、判断f_k是否小于等于阈值，是则结束，得到最优依赖度，否则执行下一步；S45、判断当前调节依赖度次数是否超过设定次数，是，则执行下一步，否则返回步骤S41；S46、将当前依赖度的值代入所述粒子群算法中，调节所述重要度，并根据调节后的重要度计算当前系统可靠度，并计算对应的当前系统可靠度误差值f_j；S47、判断f_j＜f_j‑1，是则返回步骤S46，否则执行下一步；S48、令j＝j+1，并判断是否j<n，是则返回步骤S46，否则执行下一步；S49、判断f_j是否小于等于阈值，是则结束，得到最优依赖度，否则执行下一步；S410、判断当前调节重要度次数是否超过设定次数，是，则执行下一步，否则返回步骤S46；S411、调节所述粒子群算法中的调整速度规则，执行步骤S4；所述系统可靠度误差值的计算公式为：$f_x=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{(D_x-R_{sk})}^2,$其中，D_x表示节点x的系统可靠度，R_sk为系统可靠度的样本值。