论文部分内容阅读
随着计算机技术的发展,系统朝着复杂化、多样化和集成化等方向发展,系统的功能需要复杂的硬件和软件共同完成,子系统之间相互依赖,任意一个子系统发生故障都可能导致整个系统发生故障。现阶段很多传统的方法单纯地从软件或硬件角度来考虑系统失效,忽略了软硬件之间存在的复杂交互对系统的影响,且系统失效数据呈现“大数据”的特性。本文利用深度学习在特征提取和模式识别方面的潜力和优势,研究了基于软硬件特征的系统失效预测模型,对系统中的软件失效和硬件失效进行分析,综合考虑系统软硬件之间的复杂交互及故障传播,主要内容如下:首先,软件缺陷导致软件故障发生,故障引发软件失效。针对软件缺陷预测中数据集存在分类不平衡进而影响预测性能的问题,提出基于自适应重心的加权过采样算法来处理缺陷数据集。自适应重心的加权过采样算法首先为每一个少数类样本确定适当的邻域范围和邻域样本集,然后在邻域范围,利用自适应重心和邻居样本及样本自身合成新的少数类样本。同时,根据每个少数类样本自身的分布特点,为样本计算不同的采样权重。将平衡后的数据集作为堆叠降噪自编码器的输入,进行缺陷数据的特征提取和缺陷预测。实验结果表明,所提出的模型较传统的软件缺陷预测方法具有更好的预测性能。其次,硬件故障引发硬件失效。针对硬件故障诊断中传统深度置信网络模型采用全局常数型学习率,可能造成模型迭代次数的增加、影响模型诊断精度的问题,提出一种基于自适应GBRBM的深度置信网络故障诊断模型。该模型采用自适应学习策略,使用高斯伯努利受限玻尔兹曼机来处理连续型信号数据,在模型迭代过程中,根据迭代重构误差进行学习率的调整。为防止学习率的调整导致模型过拟合,在GBRBM训练过程中加入dropout策略,以一定的概率随机删除隐含层神经元。将硬件故障信号的时域特征和小波包能量特征结合,作为改进深度置信网络模型的输入进行特征提取和故障诊断,实验结果表明所提出的模型较传统故障诊断方法具有更好的诊断性能。最后,针对复杂系统失效分析往往单纯地从软件或硬件角度考虑系统失效,提出扩展Petri网,分别对软件缺陷和硬件故障以及软硬件之间的交互进行分析。在传统Petri网的基础上,重新定义表示系统软硬件的不同库所集合、逻辑关系和托肯染色规则。并利用扩展Petri网分析复杂水下作战系统失效可能的原因和故障传播路径,验证所提复杂系统失效预测模型的有效性。