概率耦合关系下无人机系统多层级风险评估方法.pdf

《概率耦合关系下无人机系统多层级风险评估方法.pdf》由会员分享，可在线阅读，更多相关《概率耦合关系下无人机系统多层级风险评估方法.pdf（18页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010410327.1 (22)申请日 2020.05.15 (71)申请人 北京航空航天大学 地址 100191 北京市海淀区学院路37号北 京航空航天大学 (72)发明人 陶来发马永喆章文晋吕琛 孙璐璐 (74)专利代理机构 北京元本知识产权代理事务 所(普通合伙) 11308 代理人 金海荣 (51)Int.Cl. G06Q 10/06(2012.01) G06N 7/00(2006.01) (54)发明名称 一种概率耦合关系下无人机系统多层级风 险评估方法 (57)。

2、摘要 本发明实施例公开了一种概率耦合关系下 无人机系统多层级风险评估方法， 涉及无人机领 域， 所述方法包括： 根据无人机在执行飞行任务 中影响飞行安全的包括各个部件、 人为操作、 所 处环境的影响因素和各个影响因素之间的逻辑 关系， 构建所述无人机的模糊故障树； 对所述模 糊故障树中各个影响因素出现风险的专家评分 分别进行去模糊化处理， 得到无人机各个影响因 素的风险概率； 将所述模糊故障树转换为贝叶斯 网络模型； 根据各个影响因素的风险概率， 确定 所述贝叶斯网络模型的先验概率， 并根据所述贝 叶斯网络模型的先验概率， 确定无人机飞行风险 概率。 权利要求书2页 说明书9页 附图6页 CN。

3、 111680882 A 2020.09.18 CN 111680882 A 1.一种概率耦合关系下无人机系统多层级风险评估方法， 其特征在于， 所述方法包括： 根据无人机在执行飞行任务中影响飞行安全的包括各个部件、 人为操作、 所处环境的 影响因素和各个影响因素之间的逻辑关系， 构建所述无人机的模糊故障树； 对所述模糊故障树中各个影响因素出现风险的专家评分分别进行去模糊化处理， 得到 无人机各个影响因素的风险概率； 将所述模糊故障树转换为贝叶斯网络模型； 根据各个影响因素的风险概率， 确定所述贝叶斯网络模型的先验概率， 并根据所述贝 叶斯网络模型的先验概率， 确定无人机飞行风险概率。 2.根。

4、据权利要求1所述的方法， 其特征在于， 所述根据无人机在执行飞行任务中影响飞 行安全的包括各个部件、 人为操作、 所处环境的影响因素和各个影响因素之间的逻辑关系， 构建所述无人机的模糊故障树包括： 将各个部件发生风险的事件作为各个基本事件， 将由一个或多个部件发生风险的基本 事件导致的由所述一个或多个部件组成的分系统发生风险的事件以及由一个或多个分系 统发生风险的事件导致的由所述一个或多个分系统组成的整体系统发生风险的事件作为 中间事件； 将各个人为操作引起风险的事件作为各个基本事件， 将由人为操作引起风险的基本事 件导致的事件作为人为引起风险的中间事件； 将各种环境引起风险的事件作为各个基本。

5、事件， 将由环境引起风险的基本事件导致的 事件作为环境引起风险的中间事件； 将由整体系统发生风险的中间事件、 人为引起风险的中间事件、 环境引起风险的中间 事件导致的无人机发生飞行风险的事件作为顶层事件； 根据各个影响因素之间的逻辑关系， 利用逻辑门连接所述基本事件、 所述中间事件、 所 述顶层事件， 形成所述无人机的具有层级结构的模糊故障树。 3.根据权利要求2所述的方法， 其特征在于， 所述对所述模糊故障树中各个影响因素出 现风险的专家评分分别进行去模糊化处理， 得到无人机各个影响因素的风险概率包括： 对于每个影响因素， 获取每个专家对所述影响因素出现风险的专家评分； 利用模糊算法， 对所。

6、述影响因素出现风险的专家评分进行去模糊化处理， 得到去模糊 后的专家评分； 将所述去模糊后的专家评分转换为所述影响因素出现风险的风险概率。 4.根据权利要求3所述的方法， 其特征在于， 通过以下公式将所述去模糊后的专家评分 转换为所述影响因素出现风险的风险概率： 其中， S为去模糊后的专家评分， P为所述影响因素出现风险的风险概率。 5.根据权利要求2所述的方法， 其特征在于， 所述将所述模糊故障树转换为贝叶斯网络 权利要求书 1/2 页 2 CN 111680882 A 2 模型包括： 将所述模糊故障树中的基本事件转换为所述贝叶斯网络模型的根节点； 将所述模糊故障树中的中间事件转换为所述贝叶。

7、斯网络模型的子节点； 将所述模糊故障树中的顶层事件转换为所述贝叶斯网络模型的叶节点； 将所述模糊故障树中的逻辑门转换为所述贝叶斯网络模型的条件概率。 6.根据权利要求1所述的方法， 其特征在于， 所述根据各个影响因素的风险概率， 确定 所述贝叶斯网络模型的先验概率， 并根据所述贝叶斯网络模型的先验概率， 确定无人机飞 行风险概率包括： 将各个影响因素的风险概率作为所述贝叶斯网络模型中的根节点的先验概率； 根据所述贝叶斯网络模型中的各根节点的先验概率， 确定所述贝叶斯网络模型中的各 子节点的风险概率； 根据所述贝叶斯网络模型中的各根节点的先验概率和各子节点的风险概率， 确定所述 贝叶斯网络模型中。

8、的叶节点的风险概率， 并将所述叶节点的风险概率作为无人机飞行风险 概率。 7.根据权利要求1所述的方法， 其特征在于， 所述根据各个影响因素的风险概率， 确定 所述贝叶斯网络模型的先验概率， 并根据所述贝叶斯网络模型的先验概率， 确定无人机飞 行风险概率包括： 根据各个影响因素的风险概率， 确定各个影响因素未出现风险的概率， 并将其作为所 述贝叶斯网络模型中的根节点的先验概率； 根据所述贝叶斯网络模型中的各根节点的先验概率， 确定所述贝叶斯网络模型中的各 子节点的正常概率； 根据所述贝叶斯网络模型中的各根节点的先验概率和各子节点的正常概率， 确定所述 贝叶斯网络模型中的叶节点的正常概率； 根据。

9、所述贝叶斯网络模型中的叶节点的正常概率， 确定所述贝叶斯网络模型中的叶节 点的风险概率， 并将其作为无人机飞行风险概率。 8.根据权利要求1-7任意一项所述的方法， 其特征在于， 所述方法还包括: 在无人机飞行风险概率为1的情况下， 利用所述贝叶斯网络模型、 各个影响因素的风险 概率和无人机飞行风险概率， 确定各影响因素导致无人机出现飞行风险的概率。 权利要求书 2/2 页 3 CN 111680882 A 3 一种概率耦合关系下无人机系统多层级风险评估方法 技术领域 0001 本发明涉及无人机领域， 特别涉及一种概率耦合关系下无人机系 统多层级风险 评估方法。 背景技术 0002 无人机是全。

10、程 “无人驾驶飞行器” ， 是利用遥测遥控设备和自动 控制装置操纵不 载人飞机。 近年来， 无人机产业发展迅速， 在个人消 费、 农林植保、 地理测绘、 环境监测、 影 视航拍等领域应用广泛。 随 着飞行频率的升高， 无人机的飞行事故率也在逐年上升， 对于 公众安 全带来了巨大隐患。 因此如何保证无人机在飞行时的安全,就成为了 需要研究和 解决的问题。 0003 目前对无人机风险评估的技术研究有很多。 大部分研究方法都是 基于具体故障 事件， 通过模型建立和分析进行风险评估。 这些评估方 法缺少对于无人机系统中各子系统 和部件间耦合关系的考虑， 很难完 成无人机全系统的风险评估。 而且， 由于。

11、无人机飞行数 据量相对较少， 如何在有限的数据基础上完成系统风险评估成为了一个难点。 因此， 需要 一套成熟的分析方法对无人机各组成部分的逻辑关系进行梳理， 基于系统内部耦合关系 对无人机飞行风险进行评估。 发明内容 0004 本发明实施例提供的一种概率耦合关系下无人机系统多层级风 险评估方法， 解 决已有技术无法对无人机整体系统进行风险评估的问 题。 0005 本发明实施例提供的一种概率耦合关系下无人机系统多层级风 险评估方法包 括： 0006 根据无人机在执行飞行任务中影响飞行安全的包括各个部件、 人 为操作、 所处环 境的影响因素和各个影响因素之间的逻辑关系， 构建 所述无人机的模糊故障。

12、树； 0007 对所述模糊故障树中各个影响因素出现风险的专家评分分别进 行去模糊化处 理， 得到无人机各个影响因素的风险概率； 0008 将所述模糊故障树转换为贝叶斯网络模型； 0009 根据各个影响因素的风险概率， 确定所述贝叶斯网络模型的先验 概率， 并根据所 述贝叶斯网络模型的先验概率， 确定无人机飞行风险 概率。 0010 优选地， 所述根据无人机在执行飞行任务中影响飞行安全的包括 各个部件、 人为 操作、 所处环境的影响因素和各个影响因素之间的逻 辑关系， 构建所述无人机的模糊故障 树包括： 0011 将各个部件发生风险的事件作为各个基本事件， 将由一个或多个 部件发生风险 的基本事。

13、件导致的由所述一个或多个部件组成的分系 统发生风险的事件以及由一个或多 个分系统发生风险的事件导致的 由所述一个或多个分系统组成的整体系统发生风险的事 件作为中间 事件； 说明书 1/9 页 4 CN 111680882 A 4 0012 将各个人为操作引起风险的事件作为各个基本事件， 将由人为操 作引起风险的 基本事件导致的事件作为人为引起风险的中间事件； 0013 将各种环境引起风险的事件作为各个基本事件， 将由环境引起风 险的基本事件 导致的事件作为环境引起风险的中间事件； 0014 将由整体系统发生风险的中间事件、 人为引起风险的中间事件、 环境引起风险的 中间事件导致的无人机发生飞行。

14、风险的事件作为顶 层事件； 0015 根据各个影响因素之间的逻辑关系， 利用逻辑门连接所述基本事 件、 所述中间事 件、 所述顶层事件， 形成所述无人机的具有层级结构 的模糊故障树。 0016 优选地， 所述对所述模糊故障树中各个影响因素出现风险的专家 评分分别进行 去模糊化处理， 得到无人机各个影响因素的风险概率包 括： 0017 对于每个影响因素， 获取每个专家对所述影响因素出现风险的专 家评分； 0018 利用模糊算法， 对所述影响因素出现风险的专家评分进行去模糊 化处理， 得到去 模糊后的专家评分； 0019 将所述去模糊后的专家评分转换为所述影响因素出现风险的风 险概率。 0020 。

15、优选地， 通过以下公式将所述去模糊后的专家评分转换为所述影 响因素出现风 险的风险概率： 0021 0022 0023 其中， S为去模糊后的专家评分， P为所述影响因素出现风险的 风险概率。 0024 优选地， 所述将所述模糊故障树转换为贝叶斯网络模型包括： 0025 将所述模糊故障树中的基本事件转换为所述贝叶斯网络模型的 根节点； 0026 将所述模糊故障树中的中间事件转换为所述贝叶斯网络模型的 子节点； 0027 将所述模糊故障树中的顶层事件转换为所述贝叶斯网络模型的 叶节点； 0028 将所述模糊故障树中的逻辑门转换为所述贝叶斯网络模型的条 件概率。 0029 优选地， 所述根据各个影。

16、响因素的风险概率， 确定所述贝叶斯网 络模型的先验概 率， 并根据所述贝叶斯网络模型的先验概率， 确定无 人机飞行风险概率包括： 0030 将各个影响因素的风险概率作为所述贝叶斯网络模型中的根节 点的先验概率； 0031 根据所述贝叶斯网络模型中的各根节点的先验概率， 确定所述贝 叶斯网络模型 中的各子节点的风险概率； 0032 根据所述贝叶斯网络模型中的各根节点的先验概率和各子节点 的风险概率， 确 定所述贝叶斯网络模型中的叶节点的风险概率， 并将 所述叶节点的风险概率作为无人机 飞行风险概率。 0033 优选地， 所述根据各个影响因素的风险概率， 确定所述贝叶斯网 络模型的先验概 率， 并。

17、根据所述贝叶斯网络模型的先验概率， 确定无 人机飞行风险概率包括： 0034 根据各个影响因素的风险概率， 确定各个影响因素未出现风险的 概率， 并将其作 为所述贝叶斯网络模型中的根节点的先验概率； 说明书 2/9 页 5 CN 111680882 A 5 0035 根据所述贝叶斯网络模型中的各根节点的先验概率， 确定所述贝 叶斯网络模型 中的各子节点的正常概率； 0036 根据所述贝叶斯网络模型中的各根节点的先验概率和各子节点 的正常概率， 确 定所述贝叶斯网络模型中的叶节点的正常概率； 0037 根据所述贝叶斯网络模型中的叶节点的正常概率， 确定所述贝叶 斯网络模型中 的叶节点的风险概率，。

18、 并将其作为无人机飞行风险概 率。 0038 优选地， 所述方法还包括: 0039 在无人机飞行风险概率为1的情况下， 利用所述贝叶斯网络模 型、 各个影响因素 的风险概率和无人机飞行风险概率， 确定各影响因 素导致无人机出现飞行风险的概率。 0040 本发明实施例在模糊故障树的基础上， 通过贝叶斯网络将事件间 的结构关系和 概率关系有机结合， 利用正向推理算法， 对复杂无人机 系统的风险概率进行评估， 可应用 于无人机风险评估工作， 为无人机 飞行安全提供辅助决策， 为无人机的设计优化、 风险减 少和规避提供 一定帮助。 附图说明 0041 图1是本发明实施例提供的一种概率耦合关系下无人机系。

19、统多 层级风险评估方 法的示意图流程图； 0042 图2是本发明实施例提供的一种概率耦合关系下无人机系统多 层级风险评估方 法的流程框图； 0043 图3是与门和或门示意图； 0044 图4是模糊故障树示意图； 0045 图5是模糊隶属度函数的给定计算图； 0046 图6是条件概率表的示意图； 0047 图7是无人机贝叶斯网络模型示意图； 0048 图8是飞行风险为4的示意图； 0049 图9是逆向推理出的各基本事件风险概率图。 具体实施方式 0050 以下结合附图对本发明的实施例进行详细说明， 应当理解， 以下 所说明的实施例 仅用于说明和解释本发明， 并不用于限定本发明。 0051 无人机。

20、是一个集机械、 电气、 液压等为一体的复杂系统， 其特征 是子系统数目较 多， 且其间存在着强烈的耦合作用， 具有层次结构。 故障树作为产品可靠性和安全性分析 的主要方法之一， 能够严格按层 级的故障因果逻辑由上向下的进行分析。 传统的故障树分 析方法没有 考虑事件发生概率的模糊性， 不能有效解决无人机数据量不足的问 题。 因此 本发明引入模糊算法， 通过建立模糊故障树来描述无人机的 各层级事件风险概率。 在基于 模糊故障树的基础上， 通过贝叶斯网络 将事件间的结构关系和概率关系有机结合， 利用双 向推理算法， 对复 杂无人机系统的风险进行双向评估。 在进行全概率、 后验概率计算中 都 具有较。

21、大优势。 0052 图1是本发明实施例提供的一种概率耦合关系下无人机系统多 层级风险评估方 说明书 3/9 页 6 CN 111680882 A 6 法的示意图流程图， 如图1所示， 所述方法可以包括： 0053 步骤S101： 根据无人机在执行飞行任务中影响飞行安全的包括 各个部件、 人为操 作、 所处环境的影响因素和各个影响因素之间的逻 辑关系， 构建所述无人机的模糊故障 树。 0054 无人机在执行飞行任务中， 整体系统、 人为因素和环境因素是影 响飞行安全的主 要因素。 其中， 整体系统包括各个分系统， 每个分系 统包括一个或多个部件； 人为因素包括 飞行操作员的操作和飞行指挥 员的操。

22、作等； 环境因素包括自然环境因素和紧急情况等。 0055 所述步骤S101可以包括： 将各个部件发生风险的事件作为各个 基本事件， 将由一 个或多个部件发生风险的基本事件导致的由所述一 个或多个部件组成的分系统发生风险 的事件以及由一个或多个分系 统发生风险的事件导致的由所述一个或多个分系统组成的 整体系统 发生风险的事件作为中间事件； 将各个人为操作引起风险的事件作为 各个基本 事件， 将由人为操作引起风险的基本事件导致的事件作为人 为引起风险的中间事件； 将各 种环境引起风险的事件作为各个基本事 件， 将由环境引起风险的基本事件导致的事件作 为环境引起风险的中 间事件； 将由整体系统发生风。

23、险的中间事件、 人为引起风险的中间事 件、 环境引起风险的中间事件导致的无人机发生飞行风险的事件作为 顶层事件； 根据各个 影响因素之间的逻辑关系， 利用逻辑门连接所述 基本事件、 所述中间事件、 所述顶层事件， 形成所述无人机的具有层 级结构的模糊故障树。 其中所述逻辑门可以是与门、 或门。 0056 步骤S102： 对所述模糊故障树中各个影响因素出现风险的专家 评分分别进行去 模糊化处理， 得到无人机各个影响因素的风险概率。 0057 具体地说， 对于每个影响因素， 获取每个专家对所述影响因素出 现风险的专家评 分， 并利用模糊算法， 对所述影响因素出现风险的专 家评分进行去模糊化处理， 。

24、得到去模 糊后的专家评分S， 最后将所述 去模糊后的专家评分转换为所述影响因素出现风险的风险 概率。 0058 在实施时， 可以采用如下公式将所述去模糊后的专家评分转换为 所述影响因素 出现风险的风险概率P： 0059 0060 0061 步骤S103： 将所述模糊故障树转换为贝叶斯网络模型。 0062 具体地说， 将所述模糊故障树中的基本事件转换为所述贝叶斯网 络模型的根节 点； 将所述模糊故障树中的中间事件转换为所述贝叶斯 网络模型的子节点； 将所述模糊故 障树中的顶层事件转换为所述贝叶 斯网络模型的叶节点； 将所述模糊故障树中的逻辑门 转换为所述贝叶 斯网络模型的条件概率。 0063 步。

25、骤S104： 根据各个影响因素的风险概率， 确定所述贝叶斯网 络模型的先验概 率， 并根据所述贝叶斯网络模型的先验概率， 确定无 人机飞行风险概率。 0064 本实施例中， 可以将每个影响因素的风险概率作为所述贝叶斯网 络模型的对应 根节点的先验概率， 也可以将每个影响因素的未出现风 险的概率作为所述贝叶斯网络模 说明书 4/9 页 7 CN 111680882 A 7 型的对应根节点的先验概率， 还可以 同时将每个影响因素的风险概率和未出现风险的概 率作为所述贝叶 斯网络模型的对应根节点的先验概率。 实施过程中， 可以根据需要确 定 所述贝叶斯网络模型的每个根节点的先验概率。 例如， 将各个。

26、影响 因素的风险概率作为所 述贝叶斯网络模型中的根节点的先验概率， 然 后根据所述贝叶斯网络模型中的各根节点 的先验概率， 确定所述贝叶 斯网络模型中的各子节点的风险概率， 最后根据所述贝叶斯网 络模型 中的各根节点的先验概率和各子节点的风险概率， 确定所述贝叶斯网 络模型中的 叶节点的风险概率， 并将所述叶节点的风险概率作为无人 机飞行风险概率。 又例如， 根据 各个影响因素的风险概率， 确定各个 影响因素未出现风险的概率， 并将其作为所述贝叶斯 网络模型中的根 节点的先验概率； 根据所述贝叶斯网络模型中的各根节点的先验概 率， 确定所述贝叶斯网络模型中的各子节点的正常概率； 根据所述贝 叶。

27、斯网络模型中的各根 节点的先验概率和各子节点的正常概率， 确定 所述贝叶斯网络模型中的叶节点的正常概 率； 根据所述贝叶斯网络模 型中的叶节点的正常概率， 确定所述贝叶斯网络模型中的叶节 点的风 险概率， 并将其作为无人机飞行风险概率。 0065 在上述实施例的基础上， 本申请在无人机飞行风险概率为1的情 况下， 还可以利 用所述贝叶斯网络模型、 各个影响因素的风险概率和 无人机飞行风险概率， 确定各影响因 素导致无人机出现飞行风险的概 率。 0066 目前主要的无人机风险评估技术是基于具体故障事件， 从防碰撞 和航空管理的 角度进行无人机风险评估。 这些技术方法的针对性较 强， 会根据具体型。

28、号进行建模和分 析， 不具有普适性。 另外， 目前的 技术对无人机的复杂系统耦合关系考虑不足， 而且飞行数 据相对较 少， 不能有效开展风险评估工作。 本发明引入模糊故障树来应对数据 模糊和无 人机系统较为复杂的问题， 并利用贝叶斯网络的双向推理机 制进行系统风险概率推算以 及准确找到影响无人机飞行风险的关键 致因， 为提升无人机安全建立基础。 0067 图2是本发明实施例提供的一种概率耦合关系下无人机系统多 层级风险评估方 法的流程框图， 如图2所示， 本发明以无人机逻辑结 构和风险因素为基础建立故障树模型， 通过专家经验和模糊算法推算 出各因素的风险概率。 将故障树转化为贝叶斯网络模型， 。

29、并 将风险概 率作为先验概率输入到贝叶斯网络中， 通过双向推理机制分别求出飞 行风险概 率值和关键致因的风险值。 具体步骤包括： 0068 步骤一： 模糊故障树分析 0069 一般无人机可分为飞控系统、 导航系统、 电气系统、 动力系统等。 各分系统之间存 在复杂的逻辑关系， 并实时进行通信。 各分系统又由 很多部件构成。 对目标对象进行系统 分析， 理清各部件间、 部件与分 系统间、 各分系统之间的逻辑耦合关系。 0070 故障树分析(FTA)是用于评价风险、 安全和可靠性的一种层级分 析工具。 故障树 由基本事件、 顶层事件和逻辑门构成。 其中， 逻辑门 主要用于梳理无人机的逻辑结构， 形。

30、成 层级关系， 是后面构造贝叶斯 网络的基础， 其包括与门和或门。 或门中， 输入中有一个为 真， 输出 即为真。 与门中， 当所有输入均为真时， 输出才为真。 与门和或门的 图示如图3所 示。 0071 与门和或门的逻辑公式分别如下： 0072 说明书 5/9 页 8 CN 111680882 A 8 0073 0074 以部件和分系统为例， 对于与门， 当组成该分系统的部件均工作 正常， 分系统才 可正常工作， 即Pi的值均为1； 对于或门， 只有当所 有部件均故障时， 即Pi均有0， 分系统才 会故障， 否则， 只要构成分 系统的部件有一个可以正常工作， 分系统即可正常工作。 其中， P。

31、i 就是每个部件的故障状态， P(TE)是这些部件总成的分系统的故障状 态， 取值均为0或 1， 其中， 0代表故障， 1代表正常。 0075 步骤1.1： 根据无人机的构成和逻辑关系构建故障树。 构建规则 如下： 以无人机在 执行飞行任务中影响飞行安全的各个因素的发生风 险作为基本事件， 以无人机发生飞行 风险作为顶层事件， 将由基本事 件导致且构成顶层事件的事件作为中间事件， 通过逻辑门 连接各个事 件， 如图4所示。 0076 特别地， 在弱化人为因素和环境因素的情况下， 可以各部件发生 风险作为基本事 件， 无人机整体系统发生风险作为顶层事件， 各分系 统作为中间事件， 通过逻辑门将各。

32、事 件连接起来。 0077 步骤1.2： 有代表性的搜集经验丰富的专家对于故障树各基本事 件的评分， 评分 分级为Very High(VH)、 High(H)、 Fairly High(FH)、 Medium(M)、 Fairyly Low(FL)、 Low (L)、 Very Low(VL)。 综 合考量专家的背景， 对专家的打分进行权重配比。 对专家评分的计 算 采取模糊算法， 从而能够解决数据不确定性的问题。 0078 如图5所示的隶属度函数的给定计算图， 纵坐标表示模糊的程 度， 横坐标是集合 的界限。 根据风险等级分为VL/L/FL/M/FH/H/VH 七个等级， 对不同因素的风险进。

33、行评级， 对 应图中所示的三角模糊数 或梯形模糊数。 0079 其中， 当评分分级为VH、 H、 M、 L、 VL时， 采用如下公式进 行去模糊化运算。 0080 0081 以VL为例， VL级别为三角模糊数， 由图5可知， a10， a20.1， a30.2， 带入上述 公式可以求出对应的X*(模糊分数)。 0082 其中， 当评分分级为FH、 FL时， 采用如下公式进行去模糊化运 算。 0083 说明书 6/9 页 9 CN 111680882 A 9 0084 以FH为例， FH级别为梯形模糊数， 由图5可知， a10.5， a20.6， a30.7， a4 0.8。 带入上述公式可以求。

34、出对应的X*(模糊分数)。 0085 本实施例中， 假设有三个专家， 三个专家对每个影响因素的风险 评级结果如表1 所示。 0086 表1专家评定结果 0087 0088 利用三个专家对同一影响因素的风险评级对应的模糊隶属度图 的数值， 得到加 权平均分。 0089 以影响因素Y1为例， 专家E1的评级为VL， 对应模糊隶属度图 的数值为(0,0.1, 0.1,0.2)， E2的评级为L(0.1,0.2,0.2,0.3)， E3的评级为 VL(0,0.1,0.1,0.2)， 对四个数值 分别进行加权， 得到四个加权平均分 (Weighted Mean Score)， 分别为A0*0.52+0.。

35、1* 0.18+0*0.30.018， B0.1*0.52+0.2*0.18+0.1*0.30.118， C0.1*0.52+0.2*0.18+ 0.1*0.3 0.118， D0.2*0.52+0.3*0.18+0.2*0.30.218。 将四个加权平均分代入 前述 在后的去模糊化运算公式中， 得到综合数值CoA(CoA对应公 式中的S， 以及模糊化公式求得 的X*)， 再将CoA代入下面的风险 概率P的计算公式中， 从而将去模糊的结果转换为风险概 率值， 即表 2中的Probability。 0090 0091 0092 表2评分结果 说明书 7/9 页 10 CN 111680882 A。

36、 10 0093 0094 步骤二： 贝叶斯网络(BN)模型分析 0095 贝叶斯网络是一个有向无环图， 由表示变量的网络节点和节点的 有向边丞。 在BN 模型中， 有向边由节点子节点指向父节点， 每个子 节点都有在不同父节点取值组合下的条 件概率分布。 利用联合概率分 布可以求得顶事件发生的概率。 0096 0097 式中， Xi为子节点， F(Xi)为父节点， n为贝叶斯网络中节点 的数目。 0098 根据条件概率公式： 0099 0100 假设A为某个变量， 其存在n种状态， 由全概率公式可以求得 BN的后验概率P(B/ A)。 0101 P(B)P(B|Aai)P(Aai) 0102 。

37、步骤2.1、 将建立的模糊故障树转换为贝叶斯网络模型。 0103 故障树中的基本事件为BN中的根节点， 故障树中的顶事件为BN中的叶节点。 将步 骤1.2中计算出的风险概率值作为BN中根节 点的先验概率进行计算。 BN中的条件概率与故 障树中的逻辑门进行 对应， 条件概率表如图6所示。 0104 将图4转换成的贝叶斯网络模型如图7所示。 0105 步骤2.2： 通过正向推理机制， 由根节点的先验概率逐层推导， 通过条件概率公式 进行推算， 得出无人机飞行风险概率值， 如图8所 示。 0106 在实际计算过程中， 可以通过无人机正常工作的概率(即无故障 发生的概率)， 得 出无人机飞行风险概率。。

38、 例如， 对于无人机系统， 综合的T风险概率为： 0107 P(T)P(X1)P(X2)P(X3)P(X4)P(X5)P(X6)P(X7)P(Y1)P(Y2)P(Y4)P(Y6)P(Y8)P (Y9) 0108 P(Y3|X1,X2)P(Y5|X3,X4,X5)P(Y7|X6,X7)P(Z1|Y1,Y2)P(Z2Y3,Y4,Y5,Y6,Y7)P (Z3|Y8,Y9) 说明书 8/9 页 11 CN 111680882 A 11 0109 公式中的根节点X1,X2,X3,X4,X5,X6,X7,Y1,Y2,Y4,Y6,Y8,Y9的 概率是基于专家 评分运算后的结果得出的各部件无故障发生的概率 (。

39、表2中的Probability为各影响因素 的风险概率值， 相应地， 通过 1-Probability即为无故障发生的概率)。 0110 公式中的子节点Y3,Y5,Y7,Z1,Z2,Z3的概率是无故障发生的概 率， 由组成该子节 点的根节点之间的逻辑关系(与或关系)得出， 假 如子节点Y3的根节点X1和X2之间为与关 系， 那么Y3的概率为 P(Y3|X11,X21)1， P(Y3|X10,X21)0,P(Y3|X11,X20) 0， P(Y3|X10,X20)0。 假如X1和X2为或关系， 那么Y3的概率为 P(Y3|X11,X21) 1， P(Y3|X10,X21)1,P(Y3|X11,X。

40、20)1, P(Y3|X10,X20)0。 0111 为便于说明， 以逻辑关系均为 “与” 关系为例， 无人机正常工作 概率等于X1,X2, X3,X4,X5,X6,X7,Y1,Y2,Y4,Y6,Y8,Y9,Y3,Y5,Y7,Z1, Z2,Z3正常工作的概率的乘积， 即 0.963912837， 约为96， 此时无 人机飞行风险概率为1-无人机正常工作的概率， 即 0.036087163， 约 为4。 0112 步骤2.3： 通过反向推力机制， 假设无人机飞行风险概率值为1， 逆向推测出各风 险致因的发生概率值， 从而推导出各风险因素的关键 程度， 如图9和表3所示。 0113 本实施例中， 。

41、假定无人机发生故障， 反向对各影响因素进行概率 运算， 以Y1为例， 即Y1的后验概率约为0.1。 0114 表3事件后验概率 0115 0116 本发明基于无人机系统中各子系统和部件的逻辑耦合关系， 建立 模糊故障树。 通 过模糊算法， 推测出各基本事件的经验概率， 并将结 果作为先验概率输入到贝叶斯网络 中。 通过贝叶斯网络的双向推理机 制， 对无人机的飞行风险概率值和风险关键致因进行推 导。 本发明能 够有效解决数据量不足的问题， 能够对无人机的逻辑关系进行梳理， 完成层 级风险评估， 适用于复杂无人机系统的任务事件层级风险评 估。 0117 尽管上文对本发明进行了详细说明， 但是本发明。

42、不限于此， 本技 术领域技术人员 可以根据本发明的原理进行各种修改。 因此， 凡按照 本发明原理所作的修改， 都应当理解 为落入本发明的保护范围。 说明书 9/9 页 12 CN 111680882 A 12 图1 说明书附图 1/6 页 13 CN 111680882 A 13 图2 图3 说明书附图 2/6 页 14 CN 111680882 A 14 图4 说明书附图 3/6 页 15 CN 111680882 A 15 图5 图6 说明书附图 4/6 页 16 CN 111680882 A 16 图7 图8 说明书附图 5/6 页 17 CN 111680882 A 17 图9 说明书附图 6/6 页 18 CN 111680882 A 18 。