Integrated system of health management-oriented reliability prediction for a spacecraft software system with an adaptive genetic algorithm support vector machine

• Autorzy: Xu J. , Meng Z , Xu L.

Warianty tytułu

PL

Zorientowane na zintegrowane zarządzanie kondycją systemu prognozowanie niezawodności systemów oprogramowania statków kosmicznych z wykorzystaniem opartej na adaptacyjnym algorytmie genetycznym maszyny wektorów nośnych

• Języki publikacji: EN

Abstrakty

EN

Software reliability prediction is very important to minimize cost and improve software development effectiveness, especially in a spacecraft’s software system. In this paper, a new spacecraft software system reliability definition is given and a new reliability prognostics-oriented life cycle integrated system health management for a spacecraft software system is focused on. Adaptive genetic algorithms are then combined with a support vector machine to build an adaptive genetic algorithm support vector machine reliability prediction model. This model attempts to overcome the genetic algorithm weaknesses, such as the local minima and premature convergence problems, and solves the parameter selection difficulties often encountered in a support vector machine. After construction, the proposed adaptive genetic algorithm support vector machine model is employed to predict the reliability of a spacecraft software system. Finally, a numerical example is given to show how the proposed approach has a superior prediction performance compared to a standard support vector machine and artificial neural network.

PL

Przewidywanie niezawodności oprogramowania odgrywa ważną rolę w minimalizowaniu kosztów i poprawie efektywności tworzenia oprogramowania, zwłaszcza w odniesieniu do systemów oprogramowania statków kosmicznych. W niniejszej pracy, podano nową definicję niezawodności systemu oprogramowania statku kosmicznego koncentrując uwagę na opartym na prognozowaniu niezawodności oraz cyklu życia modelu zintegrowanego zarządzania kondycją systemu opracowanego dla systemu oprogramowania statku kosmicznego. Skonstruowano następnie model przewidywania niezawodności oparty na połączeniu adaptacyjnych algorytmów genetycznych oraz maszyny wektorów nośnych. Model ten stanowi próbę przezwyciężenia słabości algorytmów genetycznych, takich jak problem minimów lokalnych czy problem przedwczesnej zbieżności, a także rozwiązania trudności związanych z doborem parametrów, jakie często występują przy zastosowaniu maszyny wektorów nośnych. Skonstruowany model opartej na adaptacyjnym algorytmie genetycznym maszyny wektorów nośnych zastosowano do przewidywania niezawodności systemu oprogramowania statku kosmicznego. Wreszcie, przedstawiono przykład liczbowy, który pokazuje że opracowany model charakteryzuje się wyższą dokładnością prognozowania w porównaniu do standardowej maszyny wektorów nośnych oraz sztucznej sieci neuronowej.

Słowa kluczowe

EN

spacecraft software system; reliability; integrated system health management; adaptive genetic algorithms support vector machine

PL

system oprogramowania statku kosmicznego; niezawodność; zintegrowane zarządzanie kondycją systemu; adaptacyjne algorytmy genetyczne; maszyna wektorów nośnych

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2014
• Tom: Vol. 16, no. 4
• Strony: 571--578
• Opis fizyczny: Bibliogr. 33 poz., rys., tab.

Twórcy

autor

Xu J.

• Department of Uncertainty Decision-Making Laboratory Sichuan University, No.24 South Section 1, Yihuan Road Chengdu, China, 610065

autor

Meng Z

• Department of Uncertainty Decision-Making Laboratory Sichuan University, No.24 South Section 1, Yihuan Road Chengdu, China, 610065
• [e-mail]

autor

Xu L.

• Department of Business Management Xihua University Chengdu, China, 610039

Bibliografia

• 1. AM Aziz, An iterative method for decision fusion in multiple sensor systems. Aerospace Science and Technology 2010; 14: 487-493.
• 2. Amin A, Grunske L, A Colman, An approach to software reliability prediction based on time series modeling. Journal of Systems and Software 2013; 86(7): 1923-1932.
• 3. Bastière A, Fusion methods for multi-sensor classification of airborne targets Méthodes de fusion pour la classification multi-senseurs de cibles aériennes. Aerospace Science and Technology 1997; 1: 83-94.
• 4. Chu D, Deshpande A, Hellerstein JM, Hong W, Approximate data collection in sensor networks using probabilistic models, in proceedings of the 22nd international conference on data engineering, Atlanta 2006: 48-59.
• 5. Cristianini N, Kandola J, A Elisseeff J Shawe-Taylor, On kernel target alignment, in: Studies in Fuzziness and Soft Computing 2006; 194: 205-256.
• 6. Cherkassky V, Ma Y, Practical selection of SVM parameters and noise estimation for SVM regression. Neural Networks 2004; 17: 113-126.
• 7. Chamnanlor C, Sethanan K, Chien CF, Gen M, Re-entrant flow shop scheduling problem with time windows using hybrid genetic algorithm based on auto-tuning strategy. International Journal of Production Research 2013: 1-18.
• 8. Ding C, Xu J, Xu L, ISHM-based intelligent fusion prognostics for space avionics. Aerospace Science and Technology 2013; 29(1): 200-205.
• 9. Figueroa F, Holland R, Schmalzel J. Duncavage, D. Integrated system health management (ISHM): systematic capability implementation. In Sensors Applications Symposium, 2006. Proceedings of the 2006 IEEE: 202-206.
• 10. Garg M, Lai R, Huang SJ, Colman, When to stop testing: a study from the perspective of software reliability models. IET software 2011; 5(3): 263-273.
• 11. Guo Y, Wang X, Liu C, Zheng Y, Cai X, Electronic System Fault Diagnosis with Optimized Multi-kernel SVM by Improved CPSO.Eksploatacja i Niezawodnosc-Maintenance and Reliability 2014; 16(1):85-91.
• 12. Hsu CJ, Huang CY, An adaptive reliability analysis using path testing for complex component-based software systems. Reliability, IEEE Transactions on 2011; 60(1): 158-170.
• 13. Huang CY, Lin CT, Analysis of software reliability modeling considering testing compression factor and failure-to-fault relationship. Computers, IEEE Transactions on 2010 59(2): 283-288.
• 14. Keerthi SS, Lin CJ, Asymptotic behavior of support vector machines with Gaussian Kernel. Neural Computation 2003; 15: 1667-1689.
• 15. Liu X, Li W, Wang Y. Manned space flight launch vehicle CZ-2F rliability growth management. In Reliability, Maintainability and Safety, 2009. ICRMS 2009. 8th International Conference on. IEEE. 378-381.
• 16. Musa JD, A theory of software reliability and its application. Software Engineering, IEEE Transactions on 1975; 3: 312-327.
• 17. Martin L, Schatalov M, Hagner M, Goltz U, O Maibaum, A methodology for model-based development and automated verification of software for aerospace systems. In Aerospace Conference 2013 IEEE: 1-19.
• 18. Michael R, Lyu. Handbook of Software Reliability Engineering: Introduction. IEEE Computer Society Press and McGraw-Hill Book Company, 2005.
• 19. NASA. Remarks by the president on space exploration in the 21st century, http://www.nasa.gov/news/media/trans/obama_ksc_trans.html.
• 20. Neungmatcha W, Sethanan K, Gen M, Theerakulpisut S, Adaptive genetic algorithm for solving sugarcane loading stations with multifacility services problem. Computers and Electronics in Agriculture 2013; 98: 85-99.
• 21. Peng W, Huang, HZ, Zhang X, Liu Y, Li Y, Reliability based optimal preventive maintenance policy of series-parallel systems. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2009: 4–7.
• 22. Pietrantuono R, Russo S, Trivedi KS, Software reliability and testing time allocation: an architecture-based approach. Software Engineering, IEEE Transactions on 2010; 36(3): 323-337.
• 23. Qi F. China’s manned space development reviews and future scenarios. Spacecr Environ Eng 2011; 28: 1–4 (in Chinese).
• 24. Sun S, Multi-sensor optimal information fusion Kalman filters with applications. Aerospace Science and Technology 2004; 8: 57-62.
• 25. Sim L, Cummings ML, Smith CA. Past, present and future implications of human supervisory control in space missions. Acta Astronautica 2008; 62(10): 648-655.
• 26. Vichare N, Pecht M, Prognostics and health management of electronics. IEEE Transaction on Components and Packaging Technologies 2006; 29: 222-229.
• 27. Wang G, Cui Y, Wang S, Meng X, Design and performance test of spacecraft test and operation software. Acta Astronautica 2011; 68(11): 1774-1781.
• 28. Wang Z, Huang HZ, Du X, Reliability-based design incorporating several maintenance policies. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2009; (4): 37-44.
• 29. Xu J, Xu L, Integrated system health management-based condition assessment for manned spacecraft avionics. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering 2013; 227(1): 19-32.
• 30. Xu J, Xu L, Health management based on fusion prognostics for avionics systems, Journal of Systems Engineering and Electronics 2011; 22: 428-436.
• 31. Yu T, Cui W, Song B, Wang S, Reliability growth estimation for unmanned aerial vechicle during flight-testing phases. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2010; (2): 43-47.
• 32. YG Bagul, I Zeid, SV Kamarthi, A framework for prognostics and health management of electronic systems. IEEE Aerospace Conference 2008.
• 33. Zhang JF, Hu SS, Chaotic time series prediction based on multi-kernel learning support vector regression, Acta Phys. Sin 2008; 57: 2708-2713.