本发明涉及交通安全领域,特别是涉及基于信息公理和云模型的地铁故障模式风险度识别方法。
背景技术
城市轨道车辆是乘客乘车的载体,其运行环境封闭、载客量大,车辆故障引发的非正常运营将对乘客的出行造成较大不便,一旦引发事故甚至产生较大的人员和财产损失。随着城市轨道交通线路、车辆的增多以及车辆自身的复杂性,给车辆的检修工作带来了更大的挑战。针对某类故障模式的接受度、发生概率、严重度等,尤其是对于某些关键部件,尽可能准确地衡量故障模式风险度是非常必要的。
针对故障模式风险度的评估,不少学者采用多属性决策方法进行研究,采用层次分析法(ahp)、网络分析法(anp)、灰色关联方法对故障模式风险度进行评估。文献1至文献3(文献1为davidsongg,labibaw.learningfromfailures:designimprovementsusingamultiplecriteriadecision-makingprocess[j].journalofaerospaceengineering,2003,217(4):207-216;文献2为abdelgawadm,fayekar.riskmanagementintheconstructionindustryusingcombinedfuzzyfmeaandfuzzyahp[j].journalofconstructionengineering&management,2010,136(9):1028-1036;文献3为chenjihkuang,leeyucheng.riskpriorityevaluatedbyanpinfailuremodeandeffectsanalysis[j].qualitytools&techniques,2007,11(4).1-6.)基于模糊数或灰色数表达评估值中的不确定性,但存在评估不够客观的不足,并且在ahp/anp中,由于评估专家个人认知偏好及不确定性,构造比较矩阵比较困难,而灰色关联存在评估精度低的不足。
技术实现要素:
基于此,有必要针对评估中评估值不够客观以及评估精度低的问题,提供一种地铁故障模式风险度识别方法,该方法结合了信息公理及云模型,而可提高客观性和准确性。
一种基于信息公理和云模型的地铁故障模式风险度识别方法,其包括以下步骤:
(1)q位专家对地铁的各故障模式的风险度进行评估,其中将第k位专家对地铁的第i个故障模式中第j个风险因子进行评估得到的语言评估值表示为
(2)将得到的语言评估值
(3)将q位专家的所述云评估值
(4)计算每一风险因子的权重,具体为:
首先q位专家对每一风险因子的权重进行评估,得到风险因子权重的评估值,并将风险因子权重的评估值转换为风险因子权重的云评估值,再求出q位专家对每一风险因子权重的云评估值的平均值,其中q位专家对第j个风险因子权重的云评估值的平均值表示为
然后进行归一化处理,得到每一风险因子的权重,其中第j个风险因子的权重表示为wj,wj的归一化处理过程为:
(5)计算云加权群体评估值
(6)计算各故障模式的风险因子总信息量
式中iij表示各故障模式的每一风险因子信息量,iij从效益型指标或成本型指标方面,基于信息公理的信息量计算方法计算得到;
(7)根据上述所得到各故障模式的风险因子总信息量
上述方法中,首先将专家对地铁的故障模式风险度评估得到的语言评估值转换成云评估值;然后对q位专家的云评估值进行平均得到群体云评估值;并计算每一风险因子的权重;再利用信息公理的信息量计算方法,确定地铁各故障模式的信息量
具体实施方式
本发明提供一种基于信息公理和云模型的地铁故障模式风险度识别方法。所述方法包括以下步骤:
(1)q位专家对地铁的各故障模式的风险度进行评估,其中将第k位专家对地铁的第i个故障模式中第j个风险因子进行评估得到的语言评估值表示为
(2)将得到的语言评估值
(3)将q位专家的所述云评估值
(4)计算每一风险因子的权重,具体为:
首先q位专家对每一风险因子的权重进行评估,得到风险因子权重的评估值,并将风险因子权重的评估值转换为风险因子权重的云评估值,再求出q位专家对每一风险因子权重的云评估值的平均值,其中q位专家对第j个风险因子权重的云评估值的平均值表示为
其中,
然后进行归一化处理,得到每一风险因子的权重,其中第j个风险因子的权重表示为wj,wj的归一化处理过程为:
其中s是得分函数,即
(5)计算云加权群体评估值
(6)通过公式(5)计算各故障模式的风险因子总信息量
公式(5)中iij表示各故障模式的每一风险因子信息量,iij从效益型指标或成本型指标方面,基于信息公理的信息量计算方法计算得到;
(7)根据上述所得到各故障模式的总信息量
在步骤(6)中,各故障模式的每一风险因子信息量iij,从效益型指标或成本型指标方面计算得到。从效益型指标方面,iij通过以下公式(6)得到:
其中,
从成本型指标方面,iij通过以下公式(7)得到:
其中,
以下通过一具体实施例1来说明:
实施例1
在地铁列车运营过程中发生车门系统故障是较普遍的一类故障,本实施例针对y轨道交通运营公司评估其车辆车门故障模式风险度。
步骤(1)邀请3位领域专家{t1,t2,t3}分别来自于地铁车辆保障部门管理者、生产一线班组长、科研院所专家,对地铁车辆4个故障模式:车门显示红点(fm1),车门显示系统错误(fm2),司机室门故障(fm3),障碍物监测启动(fm4)风险度进行评估。在评估车辆故障模式风险度时考虑发生度f1、严重度f2、难检度f3三个风险因子。专家tk对车辆故障模式fmi的风险因子fj进行评估得到的语言评估值表示为
步骤(2),利用表2的语言评估值与云评估值的对应关系表,将得到的语言评估值
表1专家语言评估值
表2语言评估值与云评估值的对应关系表
表3专家的云评估值
步骤(3),假定每位专家的权重是相等,利用公式
表4群体云评估值
步骤(4),计算每一风险因子的权重;
首先q位专家对每一风险因子的权重进行评估,得到风险因子权重的评估值(见表5),然后利用表6风险因子权重的评估值与云评估值对应关系表,将风险因子权重的评估值转换为风险因子权重的云评估值(见表7)。再求出该风险因子权重的云评估值的平均值,其中q位专家对第j个风险因子权重的云评估值的平均值表示为
表5风险因子权重的语言评估值
表6风险因子权重的评估值与云评估值对应关系
表7风险因子权重的云评估值
其次,运用公式
步骤(5),考虑风险因子的权重wj,由公式
表8云加权群体评估值
步骤(6),利用信息公理的信息量计算方法,计算各故障模式的风险因子总信息量
根据公式(6):
表9各故障模式的每一风险因子信息量iij
再利用公式(5),最后得到各故障模式的风险因子总信息量
步骤(7),确定各故障模式的风险度。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于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,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。