设施设备状态评估方法和系统

技术领域

本发明涉及设施设备管理技术领域，具体地，涉及设施设备状态评估方法和系统。

背景技术

随着现代社会的发展，越来越多的大型系统及设备被运用于各方面，系统的故障预测和健康管理愈来愈受到重视，而传统的故障预测已经不能满足日益复杂的系统设备。20世纪90年代中期，PHM(故障预测和健康管理)在此背景下提出。PHM技术是运用传感器信息、专家知识和维修保障信息，以各种智能算法和推理模型来实现。PHM的发展最初主要运用于军事领域，对武器进行检测、预测、判别进行管理，实现其低故障率来提高其精度。PHM技术不仅具有科学性合理性而且其方法多样、评估过程高效、评估结果清晰明了，受到很多学者的青睐，被推广应用于很多领域，如船舶、高铁、以及社会科学等领域。

层次分析法是PHM中常用的评估方法，该方法是用模糊数学原理对只有定性而没有明确定量关系的复杂系统进行评估，适用于复杂而又多层次的系统环境，特点是逻辑简单、运算量较小，结果具有说服力。

层次分析法中一个很重要的工作就是分析整个系统的层次结构和各因素间的隶属关系，在此基础上建立合适的评估模型。通过专家评估系统给出同一层次中所有因素所占的权重和其对不同准则层的隶属关系，然后建立判断矩阵和隶属矩阵，最后对计算结果进行一致性检验，如果检验结果符合要求，则该结果可以作为一种参考标准。

但目前该方法在很多领域的应用中仅适用于层次结构多级，平均评估因素数量较少的小规模系统，比如某一系统有明确的层次机构，而每个层次中所包含的用于评估的因素较少，一般不多于六到七个。其原因是一旦同一层级的元素过多比如含有几十个因素，则其构成的判断矩阵和隶属矩阵的阶数必然随之增大，而高阶矩阵不仅计算量庞杂而且通常在构造判断矩阵和隶属矩阵之后都需根据其一致性检验的结果对其进行微调，以此来更加适应于其评估系统。这种处理方式对于低阶矩阵来说简单又高效，可矩阵的阶数一旦大大增加，这种处理方式就不再适用，其工作量将会成数量级增加，这样该过程既不符合层次分析法简洁明了的原则，又不适用于实际工作中，而且其结果准确性也得不到有效验证。因此，在遇到无法进行分级又没有明确隶属关系而影响因素又非常多的超大规模系统时，该方法就不再适用。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种设施设备状态评估方法和系统。

第一方面，本发明提供一种设施设备状态评估方法，包括：

步骤1：根据评估对象，建立层次模型；

步骤2：对所述层次模型中参与评估的因素设置权重，并对设置权重的因素进行归类和分组；

步骤3：基于分组后的因素构建判断矩阵，并通过所述判断矩阵验证同组内各个因素的一致性；若验证通过，则执行步骤4，若验证不通过，则返回执行步骤2；

步骤4：根据层次模型中各分组的权重以及各组对于准则层的隶属度，对设施设备的状态进行评估，得到评估结果。

可选地，所述步骤1中的层次模型包括：评估层、准则层、因素集合层、因素子层。

可选地，所述步骤2包括：

分别设置所有参与评估的因素所占的权重，并对权重的值进行归一化处理之后，把所有因素进行分组，每组的权重等于组内所有因素的权重之和。

可选地，所述步骤3包括：

把因素相对于准则层的重要程度通过专家系统由定性描述转换为定量的描述，并基于定量描述结果构建判断矩阵；

通过所述判断矩阵，验证同组内各个因素的一致性。

可选地，所述步骤4中评估目标最终状态的计算公式为B＝ω·R，式中ω为各分组总的权重，R为各组对于准则层的隶属度，B为状态矩阵。

可选地，还包括：

步骤5：对评估结果进行合理性和科学性验证，得到验证通过的评估结果。

可选地，所述步骤5中计算最大隶属度有效性指标的公式如下：

式中：α为有效性指标，β＝b

若α≥0.5，则评估结果验证通过；

若α＜0.5，则评估结果验证失败。

第二方面，本发明提供一种设施设备状态评估系统，包括处理器和存储器，所述存储器中存储有计算机程序，当处理器调用所述存储器中存储的计算机程序时，用以执行如第一方面中任一项所述的设施设备状态评估方法。

与现有技术相比，本发明具有如下的有益效果：

本发明提供的设施设备状态评估方法和系统，适用于超大规模设施设备的状态评估，通过对系统中同一层级中的大量因素进行再次分级，以及通过合理的分配，把难以处理的高阶矩阵转变为几个低阶子矩阵，得出更加合理的评估结果。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例提供的设施设备状态评估方法的流程图；

图2为本发明实施例提供的模糊层次分析法的模型结构示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

图1为本发明实施例提供的设施设备状态评估方法的流程图；如图1所示，本实施例中的方法可以包括：

步骤1：根据评估对象，建立层次模型。

在步骤1中，层次模型可以包括：评估层、准则层、因素集合层、因素子层。

示例性的，以某超大型系统中的一大型层级的性能质量进行评估为例。对层级的评估准则采用“优、良、中、差”四个等级作为对其性能质量的描述，该层级中对其有重要影响的因素有18个，以此18个因素为基础构成评估模型的因素层。

步骤2：对所述层次模型中参与评估的因素设置权重，并对设置权重的因素进行归类和分组。

在步骤2中，明确在评估系统中所有参与评估的因素所占的权重，进行归一化处理之后，把所有因素进行分组，每组的权重取该组所有因素的权重之和。

示例性的，以某超大型系统中的一大型层级的性能质量进行评估为例。通过专家系统给出该层次中所有因素的权重，进行归一化处理后，满足

表1

参见表1，之所以这样进行分组，主要原因是本层次所涉及到的因素较多，如果直接进行计算，将是一个十八阶的矩阵，其运算量非常大。分组的主要标准是各因素对该系统层面的功能作用，把功能和性质相近的因素放在同一组别中，其中的一个优势是在构造该组判断矩阵时这些相似的因素相互之间的比较较为直观和简单，防止出现性质完全不同的元素进行比较。除此之外，另一个重要的原因是由于系统中各因素间没有定量关系，因此判断矩阵对其描述也只是把定性关系转换成一种模糊的定量关系，用C组来代替所有的因素参与状态评估要尽可能的让C组接近其下属所有因素的模糊关系和隶属情况，因此相同属性的因素归类可以最大程度的减少最终结果与实际评估结果的误差。

步骤3：基于分组后的因素构建判断矩阵，并通过所述判断矩阵验证同组内各个因素的一致性。

在步骤3中，运用专家系统分别以每一组中的所有因素构建对应于该组的判断矩阵，然后把每一组视为一个因素构建一个总的判断矩阵，运用拟Newton辅助进行一致性检验。

示例性的，步骤3可以包括如下步骤：

步骤3.1：把因素相对于准则层的重要程度通过专家系统由定性描述转换为定量的描述，并基于定量描述结果构建判断矩阵。

具体地，将上述判断矩阵的定义为：

A＝(a

式(1)中：A表示判断矩阵，其中，a

表2

步骤3.2：通过所述判断矩阵，验证同组内各个因素的一致性。

具体地，拟Newton法进行特征值计算：

式(2)中：f(x

进一步地，计算一致性指标：

式(3)中，CI为一致性指标，λ

进一步地，计算一致性比率：

式(4)中，CR为一致性比率，RI为平均一致性指标。

一般情况下，当n≥3时，如果0≤CR≤0.10，则该矩阵符合一致性检验结果，可以用作状态评估，如果不符合一致性检验结果，则重新调整判断矩阵或另觅它法。

示例性的，以某超大型系统中的一大型层级的性能质量进行评估为例。首先对四个C组中的因素进行一致性检验。直流瞬态参数组中仅有一个元素，故其必然满足一致性要求，交流瞬态参数和直流稳态参数组均为低阶矩阵，可直接对其判断矩阵进行计算。以交流瞬态参数组为例其判断矩阵为：

最大特征值为λ

表3

同理直流稳态参数组中CR＝0.054≤0.10，同样满足一致性检验。该组的权重分配合理。

进一步地，交流稳态参数组中的因素数量明显与其他组别不同，由此组成的判断矩阵如果像低阶矩阵一样直接计算必然较为繁琐，而且在现实中如果遇到更高阶的矩阵，直接计算必然浪费大量的。此处，引入拟Newton算法对高阶矩阵进行处理，可计算其最大特征值与特征向量。

该公式中各项代表的含义在公式(2)中均有说明，此处不再赘述。此处需先把高阶判断矩阵转换为非线性方程组

步骤(1)：给定初始迭代值x

步骤(2)：计算初值

步骤(3)：开始迭代，令k＝0，根据上述公式分别计算x

步骤(4)：令k＝k+1，重复(3)中步骤，直到达到迭代次数，或者符合设定的精度要求，则停止计算。

步骤(5)：若在迭代过程中，已经达到精度要求，而迭代次数少于初始设定值，则取x

用上述方法计算交流稳态参数组中λ

经上述方法验证，每组因素归类合理，权重分配合理，因此只需检验C组数据是否符合一致性检验，能否代表其下属因素参与状态评估。同理该组λ

步骤4：根据层次模型中各分组的权重以及各组对于准则层的隶属度，对设施设备的状态进行评估，得到评估结果。

本实施例中，计算评估目标最终状态，计算公式为B＝ω·R，式中ω为各分组总的权重，R为各组对于准则层的隶属度，用最大隶属度法对评估结果进行处理。

具体地，状态评估结果的取值：

b

式(5)中，b

示例性的，以某超大型系统中的一大型层级的性能质量进行评估为例。

则根据最大隶属度原则λ

可选地，本实施例还可以包括步骤5：对评估结果进行合理性和科学性验证，得到验证通过的评估结果。

本实施例中，计算最大隶属度有效性指标：

式(6)中，α为有效性指标，β＝b

若α≥0.5，则该结果可以作为最终结果参考；

若α＜0.5，则该结果置信度较低，不适用于此系统。

1)具体地，若α＝+∞，则最大隶属度原则方法完全适用。

2)若1≤α＜+∞，则最大隶属度原则方法非常适用。

3)若0.5≤α＜1，则最大隶属度原则方法比较适用。

4)若0＜α＜0.5，则最大隶属度原则方法置信度较低。

5)若α＝0，则最大隶属度原则方法完全不适用。

根据上述原则，取β＝0.570，γ＝0.248，n＝4，计算结果α＝0.860。所以用最大隶属度原则处理评估状态结果可以作为最终评估结果。

综上所述，该层级的状态评估结果为“优”。

下面结合具体实施例对本发明提供的设施设备状态评估方法作进一步详细地说明。

今选取某系统中GIS开关的风险等级作为评估目标。对该系统的风险等级分为五个等级，分别为I级-可接受、II级-需重视、III级-严重、IV级-非常严重、V级-灾难性共5个等级。选取该系统中20个评估因素构成基本因素层。

通过专家系统给出20个因素的权重并进行归一化处理，然后把所有因素按照其特征和对GIS开关系统的作用，分为4组分别为开关参数组、运行特性组、机械特性组及其他组，按照各新的分组中所包含因素的权重可以计算组成的因素组的权重，然后重新对各组中因素的群众进行归一化处理，最终结果如下表3所示。

表4因素组及权重分配表

构造判断矩阵，并进行一致性检验。

开关参数组的判断矩阵为

运行特征组判断矩阵为

机械特征组的判断矩阵为

其他组判断矩阵为

C组判断矩阵为

本案例中因素归类整合分配较为均匀，包含评估因素最多的开关参数组也只有7个因素，因此可以直接计算其判断矩阵特征值。

通过计算开关参数组判断矩阵最大特征值为λ

同理运行特征组判断矩阵最大特征值为λ

机械特征组判断矩阵最大特征值为λ

其他判断矩阵最大特征值为λ

C组判断矩阵最大特征值为λ

终上所述，因素的归类整合分配合理，新构建的因素集可以代表所有因素参与风险评估。

根据最大隶属度原则取λ

根据最大隶属度原则对最终结果进行验证。

由最大隶属度原则可知，该结果置信度较高，可以作为最终结果。

综上所述，该GIS开关系统的分险等级为I级-可接受。

本发明实施例还提供一种设施设备状态评估系统，包括处理器和存储器，所述存储器中存储有计算机程序，当处理器调用所述存储器中存储的计算机程序时，用以执行上述的设施设备状态评估方法。

需要说明的是，本发明提供的所述设施设备状态评估方法中的步骤，可以利用所述设施设备状态评估系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照所述系统的技术方案实现所述方法的步骤流程，即，所述系统中的实施例可理解为实现所述方法的优选例，在此不予赘述。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。