[发明专利]一种基于改进维纳过程的设备技术准备过程风险评估方法

权利要求书

1.一种基于改进维纳过程的设备技术准备过程风险评估方法，其特征在于以下步骤：

步骤S10，根据设备技术准备过程的全过程，按照影响技术准备与设备安全使用的原则，将每台设备技术准备过程中所涉及的子设备分为n个关键子设备；然后对w台设备的每个关键子设备的状态进行监测，得到状态性能监测数据，记作z_ij，其中1≤i≤w,1≤j≤n。根据关键子设备的历史统计数据与工程经验，设置基于改进维纳过程的关键子设备的状态性能均值与状态性能方差；设置关键子设备失效故障状态值，然后根据所述的状态性能均值与状态性能方差求解关键子设备状态失效故障偏差值；再进行指数变换，得到关键子设备失效故障指数衰减值；引入关键子设备的性能退化比参数，然后进一步求解在关键子设备的失效概率密度函数；最后根据时间信号进行积分，求解关键子设备累积故障时间估计值如下：

其中t表示时间信号，dt表示对时间信号积分；z_ij为i台设备第j个关键子设备的状态性能监测数据；μ_j与σ_j为基于改进维纳过程的设备第j个关键子设备状态性能均值与状态性能方差；其为常值；z_jb是第j个关键子设备失效故障状态值，其为常值参数；x_j为设备的第j个关键子设备状态失效故障偏差值；为设备的第j个关键子设备失效故障指数衰减值；exp()为指数函数、的函数构成原理与一致；f(t,z_jb)为设备的第j个关键子设备的失效概率密度函数；g(z_jb)为第j个关键子设备累积故障时间估计值；c_j为第j个关键子设备的性能退化比；其为常值参数，用于调节性能退化中指数衰减因素的比重；

步骤S20，根据所述的w台设备的每个关键子设备的状态性能监测数据与关键子设备的状态性能均值与状态性能方差，求解第i台设备第j个关键子设备的状态偏差值；再进行指数变换，得到第i台设备第j个关键子设备状态指数衰减值；引入关键子设备的性能退化比参数，然后进一步求解在关键子设备的状态失效概率密度函数；最后根据时间信号进行积分，求解第i台设备第j个关键子设备状态累积时间估计值；

其中x_ij为第i台设备第j个关键子设备的状态偏差值；为第i台设备第j个关键子设备状态指数衰减值；f(t,z_ij)为关键子设备的状态失效概率密度函数；g(z_ij)第i台设备第j个关键子设备状态累积时间估计值；

步骤S30，根据所述的第i台设备第j个关键子设备状态累积时间估计值以及第j个关键子设备累积故障时间估计值，求解第i台设备第j个关键子设备的无故障估计剩余时间；然后再引入指数模型将其转化为可靠度，得到第j个关键子设备的相对可靠度密度函数；再进行积分得到第i台设备第j个关键子设备的风险评估值；

Δ_ij＝g(z_jb)-g(z_ij)；

其中Δ_ij为第i台设备第j个关键子设备的无故障估计剩余时间；h_j(t)为第j个关键子设备的相对可靠度密度函数；其中m_j与η_j为常值模型参数，根据第j个关键子设备的可靠性经验数据选定；p_j为常值参数，用于调节关键子设备的风险评估值的分布区间大小；r_ij为第i台设备第j个关键子设备的风险评估值。

2.根据权利要求1所述的一种基于改进维纳过程的设备技术准备过程风险评估方法，其特征在于如下步骤：

步骤S40，根据所述的w台设备的所有关键子设备的风险评估值，以及w台设备技术准备过程上级专家风险总评的历史数据，选取60个网络节点中心值，建立一类线性正弦混合径向基神经网络，用于模拟各关键子设备出现风险对设备风险总评数据的复杂非线性影响，根据网络总输出数据与设备技术准备过程上级专家风险总评数据进行对比得到网络训练误差数据；并根据网络训练误差数据设计基于正弦振动调节的误差自适应权值训练规律对神经网络权值与子网络权值进行训练；通过对权值自适应规律进行积分迭代运算对神经网络权值进行更新，直至网络误差收敛到0附近的小区间，停止训练网络如下：

e_i＝y_i-u_i；

k_ajkd＝l_ajkk_1je_io_ij；

k_ajk(n+1)＝k_ajk(n+1)+k_ajkd(j＝1,2,…,7；k＝1,2,…,60)；

k_1j(n+1)＝k_1j(n)+k_1jd；

k_2j(n+1)＝k_2j(n)+k_2jd；

k_3j(n+1)＝k_3j(n)+k_3jd；

k_1jd＝l_1j(e_i+e_i sin(e_i))o_ij；

k_2jd＝l_2j(e_i+e_i sin(e_i))r_ij；

k_3jd＝l_3j(e_i+e_i sin(e_i))sin(r_ij)；

其中其中r_ajk为网络节点中心值，总共选取60个网络节点中心值；σ_aj为网络节点区间值，均为常值参数；o_ij为网络对第i台设备第j个关键子设备的径向基输出；k_ajk为神经网络的子网络权值；u_i为网络对第i台设备风险评估数据的总输出；y_i为第i台设备技术准备过程上级专家风险总评数据；e_i为网络训练误差数据；k_1j、k_2j、k_3j为神经网络权值；k_1jd、k_2jd、k_3jd为权值自适应规律；k_ajkd为子网络权值误差反向自适应调节规律；l_ajk为常值参数，用于调节神经网络子网络权值收敛速度的快慢；l_1j、l_2j、l_3j为常值参数，用于调节神经网络权值收敛速度的快慢；

步骤S50，根据待评价的第w+1台设备的状态性能监测数据，按照同样方式求解第w+1台设备第j个关键子设备状态累积时间估计值；进而求解第w+1台设备第j个关键子设备的风险评估值；然后代入训练好的神经网络，得到网络对第w+1台设备风险评估数据的总输出；作为待评价设备的技术准备过程风险评估总分值如下：

其中z_w+1,j为第w+1台设备的状态性能监测数据；为g(z_w+1,j)为第w+1台设备第j个关键子设备状态累积时间估计值；r_w+1,j为第w+1台设备第j个关键子设备的风险评估值；o_w+1,j为网络对第w+1台设备第j个关键子设备的径向基输出；u_w+1为网络对第w+1台设备风险评估数据的总输出，也就是待评价设备的技术准备过程风险评估总分值。