本发明属于强实时、高可靠控制系统设计领域,涉及一种四余度容错计算机的容错策略。
背景技术:
为保证强实时、高可靠控制系统的可靠性,可以采用多余度的容错设计方法,如飞机高升力控制、飞行控制和发动机的控制中,采用不同余度的容错设计可以提高控制系统的可靠性。容错计算机的关键技术是容错策略。容错策略的目标是确定系统中故障并重构系统,隔离故障,防止故障蔓延。
在四余度容错计算机中,传统的多数表决容错策略,在2:2表决结果下会产生不确定性,这种不确定性破坏了强实时、高可靠控制系统的强实时性,影响了关键任务的时间性。
技术实现要素:
针对强实时、高可靠控制系统的特点,提出一种四余度容错计算机的基于经验学习的容错策略。
第一方面,本技术提供一种基于经验学习的容错方法,获取n个通道的信号;
分别对所述n个通道的信号进行投票表决,获得所述n个通道的表决结果;
根据所述n个通道的表决结果,以及所述n个通道的可信度评估对所述n个通道的信号进行表决。
可选的,所述n个通道的表决结果包括:
对输入信号进行表决的表决结果、对输入信号进行处理的表决结果、对输出信号进行表决的表决结果。
可选的,若所述n为偶数时,则根据所述n个通道的表决结果以及所述n个通道的可信度评估对所述n个通道的信号进行表决,具体包括:
当出现n/2:n/2的投票数相同的表决结果时,采纳可信度高的表决结果。
可选的,若所述n为奇数时,则根据所述n个通道的表决结果以及所述n个通道的可信度评估对所述n个通道的信号进行表决,具体包括:
采纳数量多的表决结果。
可选的,若所述n个通道的不同结果的投票数相同,则根据所述n个通道的表决结果以及所述n个通道的可信度评估对所述n个通道的信号进行表决,具体包括:
采纳可信度高的表决结果。
可选的,所述n个通道的可信度评估,具体包括:
记录所述n个通道的故障频次;
根据所述故障频次,分别对所述n个信号通道进行基于经验学习的可信度评估。
可选的,所述容错方法应用于多余度容错计算机平台。
可选的,所述n为4。
综上所述,本发明可消除四余度容错架构出现2:2表决结果时的不确定性。通过经验学习,实现了对各个通道的输入级、处理级和输出级实现可信度评估,当出现2:2表决结果时,根据经验学习的可信度评估采纳可信度高的数据。提出了一种基于经验学习的可靠性评估,实现了故障隔离和非故障隔离(隔离可信度低的数据),有助于更可信数据的提取。
附图说明:
图1是本发明实施例提供的可信度评估流程图;
图2是本发明实施例提供的系统结构框图。
具体实施方式
针对强实时、高可靠控制系统和四余度容错计算机的特点,提出一种四余度容错计算机下基于经验学习的容错策略,实现强实时、高可靠控制系统和四余度容错计算机对软硬件故障的故障识别、故障隔离和低可信度隔离。
在四余度容错架构下,传统的多数表决容错策略在出现2:2表决结果时会产生不确定性,这种不确定性会破坏控制系统的强实时性。基于经验学习的容错策略,通过记录每个通道的故障频次,容错策略可选出可信度高的通道,采纳其结果。得益于经验学习,使得四余度容错计算机随着使用时间的增加,可靠性也随之提高。
实施例一
如图1所示,一种基于经验学习的容错策略,基于四余度容错计算机而实现,根据经验学习,记录每个通道的故障频次,从而评估各通道的可信度,所述容错策略包括以下步骤:
四余度容错计算机中4个通道采集离散量、模拟量和数字量等信号,对输入信号进行多数表决,采集故障对应通道在可信度列表中的记录计数加1,经过多次采集和表决,对每个信号通道进行基于经验学习的可信度评估;
四余度容错计算机中4个通道的处理单元对输入信号进行处理,处理结果通过内部通信通道交叉传输,对处理结果进行多数表决,错误处理单元对应通道在可信度列表中的记录计数加1,经过多次计算和表决,对每个处理单元进行基于经验学习的可信度评估;
四余度容错计算机中4个通道的输出信号,对结果进行多数表决,输出故障对应通道在可信度列表中的记录计数加1,经过多次输出和表决,对每个输出通道进行基于经验学习的可信度评估;
在四余度容错计算机的输入级、处理级和输出级,当出现2:2表决结果时,采纳可信度高的表决结果;
基于经验学习的容错策略的应用平台和应用时机受到限制。
优选的,基于经验学习的容错策略的应用平台和应用时机受到限制,其特征在于,该容错策略应用于四余度相似/非相似容错计算机平台,应用时机为:计算机平台积累多次经验学习之后的2:2表决情况下判别可信数据。
优选的,所述的可信度评估,其特征在于,根据四余度容错计算机的多数表决结果,记录各级(输入级、处理级和输出级)故障通道,可信度列表中计数越大的通道可信度越低,形成了基于经验学习的可信度评估。
优选的,所述的输入信号和输出信号,其特征在于,四余度容错计算机每个通道都可输入信号,每个通道都可输出信号。
实施例二
下面对本发明做进一步详细说明。
如图1所示,四余度容错计算机的典型组成包括:4个具备相同输入功能、处理功能、输出功能的通道,4个通道的软件和硬件可以是相似的或者非相似的。传统的多数表决容错策略可以在大多数情况下实现故障识别和故障隔离,但是在四余度架构下,出现的2:2表决结果产生的不确定性破坏了强实时、高可靠系统的实时性,采用基于经验学习的容错策略可根据各个通道在每一级(输入级、处理级和输出级)的可信度评估消除这种不确定性。基于经验学习的容错策略的核心部分是可信度评估。可信度评估是基于经验学习形成的,其具体流程见图1。
在多数表决比对中,对于模拟量,认定满足一定容差范围内的模拟量相等,对离散量和数字量进行一致性比对。在每一级(输入级、处理级和输出级)多数表决时,当出现3:1的表决结果时,将故障对应功能级(输入级、处理级和输出级)、对应通道在可信度列表中的记录计数加1。各通道各功能级经过多次经验学习之后,可信度列表中记录了每个通道的每一功能级的故障频次,形成基于经验学习的可信度评估表。当出现2:2(例如:a=b≠c=d)表决结果时,读取可信度列表中对应通道对应功能级的故障频次,进行比较(例如:μ1=a+b>μ2=c+d),则(a,b)对的可信度低于(c,d)对,故采纳(c,d)对的结果作为正确结果。
基于经验学习的容错策略只记录3:1表决结果下的故障,提高了可信度列表的可信性;由于可信度列表是通过经验学习形成的,因此对四余度容错计算机经验学习的时间越长,可信度列表的可信度越高。
系统实现原理见图2。