考虑多层级系统状态结构演化与多源动态数据重叠的健康状态预测方法

System health state prediction and estimation for multi-level system is the key to improve decision-making efficiency and avoid system failure during dynamic task process. However, in practice, problems like state structure evolution and multi-source dynamic overlap data existed in multi-level systems pose significant challenges when studying prognostics technique of such systems. Therefore, this research project aims to overcome the foregoing challenges by developing novel method considering the effective cognition of system state structure relationship, the better utilization of multi-source data and the valid construction of system prediction model. First, system analysis method and structure learning algorithm based on Hybrid Cognition theory are utilized to study the effective cognition process of dynamic space-time state structure of multi-level system. Then, a multi-source overlap data relationship construction and prediction framework which integrated Fully Bayesian Method, Deep learning algorithm and Ensemble learning algorithm is conducted. Next, the multi-level system model construction method is studied on the basis of this framework and Dynamic Bayesian Network Method. Finally, the objective of accurately predict the state of multi-level system is achieved by integrating the method above. Successful execution of this research may advance our system decision-making, provide a theoretically grounded approach for system overall efficiency and availability and hope to make a contribution to the development of related technical theories and methods.

为了提升动态任务过程中多层级系统的决策效率，避免系统失效发生，本项目针对多层级系统中存在的状态结构演化辨识与多源动态数据重叠等限制系统多层级预测技术开展的实际问题需求，重点针对系统状态结构关系的有效认知、多源数据的有效利用以及系统预测模型的构建等问题，开展创新研究工作。首先利用系统分析方法与结构学习算法基于混合认知的思想研究多层级系统动态时空状态结构的有效认知过程，其次将全贝叶斯算法、深度学习算法与集成学习算法相结合解决多源动态重叠数据的关系构建与综合预测问题，然后在此基础上利用动态贝叶斯网络研究了多层级系统模型的构建方法，最终融合多算法能力实现了系统多层级状态的准确预测评估。以期能够更好地指导系统的各项决策工作，为相关技术理论和方法的发展作出贡献。

为了提升动态任务过程中多层级系统的决策效率，避免系统失效发生，本项目针对多层级系统中存在的状态结构演化辨识与多源动态数据重叠等限制系统多层级预测技术开展的实际问题需求，重点针对系统状态结构关系的有效认知、多源数据的有效利用以及系统预测模型的构建等问题，开展创新研究工作。首先利用系统分析方法与结构学习算法基于混合认知的思想研究多层级系统动态时空状态结构的有效认知过程，其次将全贝叶斯算法、深度学习算法与集成学习算法相结合解决多源动态重叠数据的关系构建与综合预测问题，然后在此基础上利用动态贝叶斯网络研究了多层级系统模型的构建方法，最终融合多算法能力实现了系统多层级状态的准确预测评估。.本项目所提出的基于“混合认知”思想的多层级系统模型构建理论，有利于解决多层级系统内部复杂结构关系建模问题；同时，针对单组件或关联组件间所映射出的多源动态重叠数据，从多源数据动态关系的“明确”与“不明确”角度入手，基于系统贝叶斯网络模型开展多源重叠数据的利用问题，是对多层级系统状态评估与预测方法效果的进一步提升。所形成的理论方法，可用于多层级系统全寿命周期的健康状态评估与预测领域，为系统决策的优化实施提供信息依据，有效提升多层级系统的任务执行能力与可靠性水平。.相关算法已通过电池组等能源动力系统试验数据、典型无人机系统仿真数据进行了验证。后续针对应用系统及其运用场景可开展深入的应用研究，通过进一步细化相关参数与算法提高技术成熟度，同时补充试验数据、提升预测准确性与参数覆盖率，在相关装备中迭代应用后可实现成果转化与技术推广应用。