基于不确定数据的数据驱动型无人机可靠性任务

《Computers & Industrial Engineering》：Data-driven reliability drone missions based on uncertain data

　　•将任务解释为用于可靠性分析的复杂系统。
•基于不完整指定和不确定数据形式的BDD进行无人机任务评估。
•根据任务任务的完成或失败，对无人机任务的敏感性进行分析。
•从数据丢失的角度识别关键检查点或路径段。
引言
近年来，无人机（UAVs）的使用迅速扩大，因为其成本降低、操作灵活性以及在多样化的工业和科学领域的广泛适用性（Ariante和Del Core，2025；Iqbal等人，xxxx）。无人机现已常规应用于农业、运输、环境监测、地理测绘、医疗保健、石油和天然气检查以及灾害管理。随着基于无人机的系统越来越多地支持关键任务，对任务性能进行严格定量评估的需求变得尤为重要（Kumar等人，2026；Sun等人，xxxx）。无人机任务是指分配给无人机的结构化任务序列或操作目标，在给定的空间和时间约束下执行，以实现期望的结果（数据收集、监视、检查或交付）（Ariante和Del Core，2025；Zaitseva等人，2023）。
评估无人机任务的一个核心挑战是确定其有效性和可靠性。传统评估通常依赖于基于风险的方法（Sun等人，xxxx），其中任务结果以危害的可能性和后果来解释。然而，许多无人机任务，如监测、数据收集和检查任务，并非主要基于风险驱动。它们的成功反而取决于是否在指定的检查点或预定义的路径段上获取所需信息。对于这类任务，可靠性分析提供了更合适的框架来量化任务成功（Levitin等人，2024；Zaitseva等人，2023）。
大多数情况下，任务可靠性分析被解释为评估无人机完成给定路径的能力（Hong和Wu，2026；Levitin等人，2024）。然而，无人机在路径段或检查点的任务执行并未被考虑。根据无人机在各种应用中的使用情况，这种评估可能非常重要。例如，这对于监测任务尤为典型。在这些任务中，无人机仅可靠地完成飞行是不够的；它还必须获取并收集所需信息。在某些应用中，评估无人机或无人机集群的飞行可靠性以及收集所需信息可以被视为相对独立的问题。监测过程中信息收集的可靠性分析可以解释为任务的“信息”可靠性，而无人机或无人机集群的实际可靠性分析则可以被视为“技术”可靠性。这两种方法不同，因为它们研究影响任务结果的不同性质的对象。它们在主要处理的类型不确定性方面有所不同，因此所需的数学方法也不同。在“技术”可靠性分析中，影响结果的因素是充分理解的物理组件（例如，无人机的技术特性，如电池、电机、螺旋桨、飞行控制器、无人机路径和集群结构）。它们的故障是随机的。该分析的初始数据具有技术对象典型的统计或偶然不确定性，源于系统固有的随机性或自然变异性。在“信息”可靠性分析中，评估所收集的数据（图像、传感器读数）是否满足任务目标。初始数据不完整，因为来自任务观测的信息可能不完整，或者其有用性无法明确评估。在这种情况下，初始数据具有认知或认识不确定性。这是由于知识不完全、数据有限或模型不完善而导致的不确定性。可靠性分析研究通常是为偶然不确定性开发的。考虑可靠性分析中的认识不确定性推动了新方法的开发，这些方法被称为数据驱动方法。本文建议将重点从分析无人机本身的可靠性（“技术”可靠性）转向更关注其活动的结果（“信息”可靠性）：即整个任务在获取信息方面是否成功，取决于每个检查点或路径段任务的成功执行。
现有研究主要考察无人机的“技术可靠性”，包括组件级故障、子系统配置和集群可靠性（Ren等人，2026；Zhao等人，2025）。对任务可靠性研究的分析表明，使用了两种类型的数学模型：二元状态系统（BSS）和多状态系统（MSS）（Levitin，Finkelstein和Xiang，2021）。尽管MSS提供了更大的建模粒度，但其计算成本通常与获得附加信息不成比例（Zaitseva等人，2024）。因此，本研究侧重于BSS模型。我们提出使用结构函数，它仍然是可靠性分析中最基础和广泛使用的模型之一（Xu等人，2023；Zaitseva等人，2023；Zaitseva等人，2024）。结构函数作为可靠性分析中的数学模型，将系统组件的所有可能状态映射到两种系统状态之一（运行或故障）。
结构函数可以使用真值表（Schneeweiss，2009）、可靠性框图（El-Metwally，El-Shimy，Mohamed，Elshahed和Sayed，2017）、故障树（Reay和Andrews，2002）或二元决策图（BDDs）（Rauzy和Yang，2019）来表示。BDD特别适用于大规模系统，因为它们缓解了传统结构函数表示的指数增长。基于BDD的可靠性分析已经成熟，具有计算可用性和重要度量的高效算法（Ren等人，2026；Wang等人，2025；Zaitseva等人，2015；Zaitseva等人，2023）。这些研究通常假设完全指定、确定的初始数据和已知的故障概率分布。相比之下，无人机任务的可靠性评估经常遇到不完整、部分观测或认识上不确定的数据。并非所有检查点结果的组合都在实践中被观察到，专家评估可能引入模糊性而非精确概率。因此，经典可靠性分析方法不能直接应用。
本研究解决了构建数学模型（以BDD形式）来分析无人机任务可靠性的问题。根据初始数据，将三种数学模型构建变体纳入所提出的框架：（a）完全指定数据，（b）不完整指定数据（缺失关于任务结果取决于检查点或路径段任务结果的数据），（c）不完整指定且不确定数据（任务结果和检查点或路径段任务结果无法明确解释或由专家数据补充）。BDD只能直接从完全指定数据形成。为了从不完整指定数据构建BDD形式的数学模型，采用数据驱动方法。关键思想是将BDD和更一般的结构函数解释为一个分类器，将每个可能的检查点状态组合分配为成功或失败。对于不完整指定数据，使用决策树作为分类器。为了基于不完整和不确定数据构建无人机可靠性分析的数学模型，也使用数据驱动方法。然而，诱导使用模糊决策树（FDT）作为分类器。随后将得到的决策树（决策树和FDT）系统地转换为BDD，使得能够应用成熟的可靠性评估方法计算可用性和任务重要性指标。
本工作的贡献在于开发了一个统一框架，通过使用决策树和FDT诱导，从不同类型的初始数据（包括不完整指定或不确定数据）推导出无人机任务的BDD表示。将结构函数解释为分类器使我们能够将诱导的树转换为规范BDD。因此，成熟的可靠性度量，特别是可用性和重要性度量（IMs），可用于无人机任务评估。这种机器学习技术与形式化可靠性模型的集成提供了一种可解释、计算高效且可泛化的任务评估解决方案。
此外，该方法支持在概率分布未知或仅有专家置信度可用的情况下定量识别任务关键检查点。这种能力对于任务规划、资源分配和优化至关重要，并将可靠性工程的应用扩展到以前因数据稀缺而无法访问的领域。所提出的框架提供了一种统一机制，将具有不同完整性和不确定性水平的任务数据转换为适用于经典可靠性分析的基于BDD的模型。
章节片段
文献综述
无人机任务的可靠性分析方法已针对完全指定、不完整指定和不确定数据进行了研究。大多数研究考虑的是完全指定偶然（统计）不确定数据的无人机任务问题。特别是，基于此类数据，已针对以下问题提出了方法和解决方案：
?任务退化程度评估（Zhang，Qi，Ding和Zhou，2026），以及阶段任务系统（Levitin，Xing和Dai，2025）；
?使用无人机任务可靠性分析的数据
无人机任务可靠性分析方法的选择关键取决于可用数据的性质和完整性。我们识别出三种基本数据类型，每种都提出不同的挑战并需要量身定制的分析方法。理解这些类别对于选择最合适的可靠性评估技术至关重要，特别是在超越传统完整数据场景时。
出于可靠性分析的目的，任务被定义为无人机任务可靠性分析的数学模型
必须开发无人机任务的数学模型来分析和评估其可靠性。许多数学方法（马尔可夫模型、Petri网、代数逻辑等）被用于构建系统的数学模型。本文提出了一种结构函数，用于基于任务可用性和不可用性计算的无人机任务可靠性分析。选择这种数学模型是因为它可以用于表示任何结构复杂性的系统。
无人机任务分析
下面，我们讨论针对指定和不完整指定不确定数据的任务可靠性分析数学模型的构建。重要的是要注意，不完整指定的任务数据不会通过填充缺失组合来增强。相反，可用的观测值直接解释为分类任务的标记实例，其中检查点状态视为输入属性，任务结果视为输出属性。结果案例研究
所提出的方法能够对具有不同完整性和不确定性水平的数据进行无人机任务的可靠性和敏感性分析。对于完全指定数据，任务分析是典型的可靠性分析任务。对于不完整指定和不确定数据，构建可靠性分析的数学模型需要机器学习算法，特别是分类算法。因此，案例研究被选择，重点关注这些数据类型。
讨论
本研究的主要贡献是应用传统分析方法来评估无人机任务性能，通过开发一种将数据驱动机器学习与形式化可靠性分析相结合的方法。决策树（包括FDT）与BDD的结合特别有效，因为它利用了决策树和BDD之间的结构同构性。这确保了数据驱动模型构建步骤不会产生“黑箱”模型，而是结论
本研究表明，基于BDD的可靠性模型的数据驱动重建可以有效地应用于特征为不完整和认识上不确定数据的无人机任务分析。通过将任务结构重建与概率可靠性评估分离，所提出的框架能够在没有预定义任务结构或完整概率信息的情况下进行可用性和重要性分析。
呈现的案例研究说明了CRediT作者贡献声明
Elena Zaitseva：写作 – 审阅与编辑，写作 – 原稿，监督，方法论，调查，资金获取，概念化。Jan Rabcan：写作 – 原稿，软件，调查，形式分析，数据管理。Vitaly Levashenko：写作 – 审阅与编辑，写作 – 原稿，验证，方法论，资金获取，形式分析。Ravil I. Mukhamediev：写作 – 原稿，验证，软件，资源，调查，数据管理。
Elena Zaitseva|Jan Rabcan|Vitaly Levashenko|Ravil I. Mukhamediev