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技术

本发明专利技术公开了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，其通过将设备技术准备过程中所涉及的子设备分为个个关键子设备，然后对关键子设备的状态进行监测得到历史数据，并引入改进的维纳进程模型解算其故障剩余时间，并结合可靠性理论转换为关键子设备风险评估数据；然后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设计基于正弦振动调节的误差自适应规律对神经网络权值进行训练，最后根据训练好的网络，代入待评估设备的状态监测值，得到风险评估分值与结论。与结论。与结论。

【技术实现步骤摘要】
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


[0001]本专利技术涉及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，属于设备可靠性评估与安全性评价预测领域。

技术介绍

[0002]传统的基于维纳过程退化模型经常应用于缺乏或没有寿命数据的情况下的预测设备的平均故障时间，可以基于设备退化的早期数据，预测设备的故障时间，但维纳过程损伤模型和传统可靠性分析方法相同，缺乏对设备性能退化情况的具体情况信息。因此将其直接应用于设备风险评估比较困难，基于上述背景原因，本专利技术对传统维纳过程进行改进，同时结合可靠性理论，将其模型输出进一步转化为关键子设备的可靠性；同时为了解决模型中许多参数的准确测量比较困难的问题，以及设备不同关键子设备出现风险时对整体的影响的复杂耦合分析困难问题，引入了一类线性正弦混合径向基神经网络，利用神经网络的强大并行计算能力来对历史数据进行迭代运算训练网络减少误差，最终实现设备技术准备复杂过程涉及的多个关键子设备的总风险评估。上述技术使得本专利技术不仅对风险性评估具有很好的理论价值，也使得本专利技术具有很高的应用价值。

技术实现思路

[0003]本专利技术所要解决的技术问题是：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，以解决上述现有技术中存在的采用神经网络训练得到的风险评估准确性不足与网络数据训练容易发散的问题。
[0004]本专利技术采取的技术方案为：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，该方法包括以下步骤：
[0005]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。
[0006]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。
[0007]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。
[0008]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，直至网络误差收敛到0附近的小区间，停止训练网络。
[0009]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。
[0010]在本专利技术的一种示例实施例中，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包括：
[0011][0012][0013][0014][0015]其中z
ij
为i台设备第j个关键子设备的状态性能监测数据；第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。
[0016]在本专利技术的一种示例实施例中，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包括：
[0017][0018][0019][0020][0021]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。
[0022]在本专利技术的一种示例实施例中，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包括：
[0023]Δ
ij
＝g(z
jb
)
‑
g(z
ij
)；
[0024][0025]其中Δ
...

【技术保护点】

【技术特征摘要】
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：如下：如下：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；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；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...

【专利技术属性】
技术研发人员：李静，袁胜智，董海迪，李海燕，申森，王哲，张涛涛，金凯，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：