一种应急条件下复杂装备快速技术保障综合评价方法

技术领域

本发明涉及一种应急条件下复杂装备快速技术保障综合评价方法，属于装备可靠性评估与事故危险评价预测领域。

背景技术

由于突发事故如火灾、地震、洪灾、局部战争、重大突发作业事故等影响，在应急条件下，复杂装备需要进行快速技术保障，为其进行正常功能与使用作准备。其保障原则是使得技术保障过程尽量简化，条件准备尽量简单，必需性技术环节不能少，确认性技术环节根据情况减少，辅助性环节尽量减少。该技术保障评价方法与常规技术保障侧重点也有很大不同，常规技术保障侧重于整体保障的质量与安全性；而应急条件下的技术保障评价除了兼顾保障质量与安全性之外，更加侧重于保障时间，希望能够加快保障速度，使得装备能够快速投入使用。基于上述原因，本发明提出了一种基于装备保障时间偏重的专用神经网络，用于模拟复杂装备快速技术保障综合评价与装备保障质量、装备保障时间、装备保障安全三个方面的复杂非线性关系，利用神经网络的强大并行计算能力，对已有历史数据进行充分利用并训练网络误差收敛到0附近区域，从而利用待评价装备数据代入训练好的神经网络，最终得到应急条件下复杂装备快速技术保障综合评价结果。该方法不仅在理论上具有很高的创新性，而且具有较高的工程实用价值。

发明内容

本发明所要解决的技术问题是：一种应急条件下复杂装备快速技术保障综合评价方法，以解决上述现有技术中存在的综合评价方法对应急条件下保障时间要素的建模困难问题。

本发明采取的技术方案为：一种应急条件下复杂装备快速技术保障综合评价方法，该方法包括以下步骤：

步骤S10，选取多台装备的历史数据，将每台装备的应急快速保障过程评价分为装备保障质量、装备保障时间、装备保障安全三个方面；同时将装备保障质量方面分解为装备装卸质量、装备安装质量、装备测试质量、装备加注质量、装备启动准备质量五个子方面；而其中装备装卸质量子方面又分为装卸操作过程质量、装卸信息采集过程质量两个分类；装备安装质量子方面分为安装操作过程质量、安装信息采集过程质量两个分类；装备测试质量子方面分为测试操作过程质量、测试信息采集过程质量两个分类；装备加注质量子方面分为加注操作过程质量、加注信息采集过程质量两个分类；装备启动准备质量子方面分为准备操作过程质量、准备信息采集过程质量两个分类；装备保障时间方面分解为装备装载时间与装备技术准备时间两个子方面；装备保障安全分解为人员安全、装备安全、设施安全、环境安全四个子方面；其中人员安全子方面分解为人员安全措施、人员安全实施两个分类；装备安全子方面分解为装备安全措施、装备安全实施两个分类；设施安全子方面分解为设施安全措施、设施安全实施两个分类；环境安全子方面分解为环境安全措施、环境安全实施两个分类。

步骤S20，分别针对每台装备的应急快速保障过程的装备保障质量、装备保障安全2个方面9个子方面的18个分类，采用本级专家打分的方式进行综合评分，记作a

步骤S30，根据本级专家对的应急快速保障过程的第i台装备第j个方面第k个子方面第w个分类的评估分值数据，建立基于应急快速保障的专用径向基神经网络；首先根据所述的第i台装备第j个方面第k个子方面18个分类数据，分别选取100个神经网络节点中心值；然后与之比较得到网络中心点偏差数据；并设置神经网络节点敏感区间，进行绝对值线性与立方混合变换与指数变换后得到网络中心点偏差指数变换数据；最后分别叠加每个节点的神经网络指数权值、线性权值与立方权值；并对100个节点进行累积，得到神经网络对第i台装备第j个方面第k个子方面第w个分类的综合输出。

步骤S40，根据所述的神经网络对第i台装备第j个方面第k个子方面第w个分类的综合输出进行分类汇总，得到神经网络对第i台装备第j个方面第k个子方面的综合输出数据，并根据应急条件下复杂装备快速技术保障的特点，进行汇总得到神经网络对第i台装备第j个方面的综合输出数据；最后根据神经网络对第i台装备3个方面的综合输出叠加三个网络方面权值得到神经网络第i台装备的总输出数据，并与第i台装备在上级专家对装备完成任务后的后验评估分值数据进行比较得到网络误差数据；再根据网络误差数据设计相应的误差自适应权值调节规律，对神经网络的线性与立方混合比例权值系数、神经网络指数权值、神经网络线性权值、神经网络立方权值进行积分自适应迭代训练；再根据神经网络对第i台装备3个方面的综合输出设计基于装备保障时间偏重的误差自适应权值调节规律，对三个网络方面权值进行积分自适应迭代，直至网络误差数据收敛到0附近区间，停止网络训练。

步骤S50，根据本级专家对待评价装备的应急快速保障过程的装备保障质量、装备保障安全2个方面9个子方面的18个分类，采用本级专家打分的方式进行综合评分，记作a

在本发明的一种示例实施例中，根据本级专家对的应急快速保障过程的第i台装备第j个方面第k个子方面第w个分类的评估分值数据，建立基于应急快速保障的专用径向基神经网络包括：

ε

/>

其中a

在本发明的一种示例实施例中，根据所述的神经网络对第i台装备第j个方面第k个子方面第w个分类的综合输出进行分类汇总，得到神经网络对第i台装备第j个方面第k个子方面的综合输出数据，并根据应急条件下复杂装备快速技术保障的特点，进行汇总得到神经网络对第i台装备第j个方面的综合输出数据；最后根据神经网络对第i台装备3个方面的综合输出叠加三个网络方面权值得到神经网络第i台装备的总输出数据，并与第i台装备在上级专家对装备完成任务后的后验评估分值数据进行比较得到网络误差数据包括：

e

其中y

在本发明的一种示例实施例中，根据网络误差数据设计相应的误差自适应权值调节规律，对神经网络的线性与立方混合比例权值系数、神经网络指数权值、神经网络线性权值、神经网络立方权值进行积分自适应迭代训练；再根据神经网络对第i台装备3个方面的综合输出设计基于装备保障时间偏重的误差自适应权值调节规律，对三个网络方面权值进行积分自适应迭代包括：

/>

k

k

k

k

c

c

c

其中k

在本发明的一种示例实施例中，根据本级专家对待评价装备的应急快速保障过程的装备保障质量、装备保障安全2个方面9个子方面的18个分类，采用本级专家打分的方式进行综合评分；再对待评价装备保障时间方面的2个子方面，采用本级专家打分的方式进行综合评分；然后代入训练好的神经网络，得到神经网络对待评价装备的应急快速保障过程的综合评价分值包括：

ε

/>

其中a

本发明的有益效果

与现有技术相比，本发明所采用方法具有如下三大创新点。第一是根据应急条件下装备快速技术保障的背景，将其分解为装备保障质量、装备保障安全2个方面9个子方面的18个分类，建立了一种适合于应急条件背景的保障评价细分模型。第二是建立了与应急条件下装备快速技术保障相匹配的专用神经网络，使得其能够更好地贴合装备快速技术保障的背景与实际情况，从而也能加速网络的收敛，提高其模拟精度。第三是在神经网络架构中，尤其是权值收敛方式上，提出了一种基于装备保障时间偏重的权值训练规律，从而能够实现保障综合评价在应急条件下更偏好保障时间短保障速度快的特性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是一种应急条件下复杂装备快速技术保障综合评价方法的流程图；

图2是本发明实施例所提供方法的三方面十一子方面十八个分类的结构图；

图3是本发明实施例所提供方法的神经网络训练误差收敛情况图；

图4是本发明实施例所提供方法的第一个网络方面权值收敛情况图；

图5是本发明实施例所提供方法的第二个网络方面权值收敛情况图；

图6是本发明实施例所提供方法的第三个网络方面权值收敛情况图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图1，对本发明进一步详细说明。

实施例1：以仓库中储备的80台装备的应急条件下快速技术保障过程，本级专家对80台装备的应急快速保障过程的装备保障质量、装备保障安全2个方面9个子方面的18个分类、装备保障时间方面的2个子方面的综合评分数据，以及上级专家对装备完成任务后的后验评估分值数据来训练建立好的神经网络；最后利用本级专家对待评价装备的18个分类以及装备保障时间方面的2个子方面的综合评分数据来完成待评价装备应急条件下快速技术保障过程的综合评价为背景案例，说明一种应急条件下复杂装备快速技术保障综合评价方法，该方法包括以下步骤：

步骤S10，选取80台装备的历史数据，如附图2所示，将每台装备的应急快速保障过程评价分为装备保障质量、装备保障时间、装备保障安全三个方面；同时将装备保障质量方面分解为装备装卸质量、装备安装质量、装备测试质量、装备加注质量、装备启动准备质量五个子方面；而其中装备装卸质量子方面又分为装卸操作过程质量、装卸信息采集过程质量两个分类；装备安装质量子方面分为安装操作过程质量、安装信息采集过程质量两个分类；装备测试质量子方面分为测试操作过程质量、测试信息采集过程质量两个分类；装备加注质量子方面分为加注操作过程质量、加注信息采集过程质量两个分类；装备启动准备质量子方面分为准备操作过程质量、准备信息采集过程质量两个分类；装备保障时间方面分解为装备装载时间与装备技术准备时间两个子方面；装备保障安全分解为人员安全、装备安全、设施安全、环境安全四个子方面；其中人员安全子方面分解为人员安全措施、人员安全实施两个分类；装备安全子方面分解为装备安全措施、装备安全实施两个分类；设施安全子方面分解为设施安全措施、设施安全实施两个分类；环境安全子方面分解为环境安全措施、环境安全实施两个分类。

步骤S20，分别针对每台装备的应急快速保障过程的装备保障质量、装备保障安全2个方面9个子方面的18个分类，采用本级专家打分的方式进行综合评分，记作a

步骤S30，根据本级专家对的应急快速保障过程的第i台装备第j个方面第k个子方面第w个分类的评估分值数据，建立基于应急快速保障的专用径向基神经网络。具体的，可以分解为如下三小步。第一步，首先根据所述的第i台装备第j个方面第k个子方面18个分类数据，分别选取100个神经网络节点中心值；然后与之比较得到网络中心点偏差数据如下：

ε

其中a

第二步，设置神经网络节点敏感区间，进行绝对值线性与立方混合变换与指数变换后得到网络中心点偏差指数变换数据如下：

其中σ

第三步，采用网络中心点偏差指数变换数据、网络中心点偏差数据以及网络中心点偏差数据的立方分别乘以每个节点的神经网络指数权值、线性权值与立方权值进行叠加；并对100个节点进行累积，得到神经网络对第i台装备第j个方面第k个子方面第w个分类的综合输出如下：

其中u

步骤S40，具体的可以分解为如下九小步。第一步，根据所述的神经网络对第i台装备第j个方面第k个子方面第w个分类的综合输出进行分类汇总，得到神经网络对第i台装备第j个方面第k个子方面的综合输出数据如下：

其中y

第二步，根据应急条件下复杂装备快速技术保障的特点，对k个子方面的综合输出数据进行汇总得到神经网络对第i台装备第j个方面的综合输出数据如下：

其中o

第三步，最后根据神经网络对第i台装备3个方面的综合输出叠加三个网络方面权值得到神经网络第i台装备的总输出数据如下：

其中f

第四步，根据第i台装备的总输出数据与第i台装备在上级专家对装备完成任务后的后验评估分值数据进行比较得到网络误差数据如下：

e

其中e

第五步，根据网络误差数据设计相应的误差自适应权值调节规律如下：

/>

其中k

第六步，对神经网络的线性与立方混合比例权值系数、神经网络指数权值、神经网络线性权值、神经网络立方权值进行积分自适应迭代训练如下：

k

c

c

c

其中k

第七步，根据神经网络对第i台装备3个方面的综合输出设计基于装备保障时间偏重的误差自适应权值调节规律如下：

其中k

第八步，对三个网络方面权值进行积分自适应迭代如下：

k

k

k

其中k

第九步，直至网络误差数据收敛到0附近区间，停止网络训练。由图3-6可以看出，整个神经网络的训练过程误差尽管出现震荡，但整体趋势是平稳收敛，而且权值训练过程也是单方面平稳收敛，从而网络表现出了优良的收敛效果与可靠性，没有出现网络发散奔溃的不稳定现象。

步骤S50，具体的，可以分解为如下三小步。第一步，根据本级专家对待评价装备的应急快速保障过程的装备保障质量、装备保障安全2个方面9个子方面的18个分类，采用本级专家打分的方式进行综合评分，记作a

[(85,87；92,78；84,89；82,77；81,92),(82,88；79,73；82,91；93,84)]；再对待评价装备保障时间方面的2个子方面，采用本级专家打分的方式进行综合评分，记作b

第二步，根据上述分值，代入训练好的神经网络，求解神经网络对待评价装备第j个阶段第k个层面的层面总分值数据如下：

ε

其中ε

第三步，根据训练好的神经网络权值，进一步解算得到神经网络对待评价装备的应急快速保障过程的综合评价分值如下：

其中y

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。