地铁车辆故障模式风险度识别方法与流程

本发明涉及交通安全领域，特别是涉及地铁车辆故障模式风险度识别方法。

背景技术

地铁作为城市公共交通重要组成部分，具有大运量、准时、速度快的特点，其为居民旅行、购物、通勤等提供运输服务。车辆是地铁运输的重要载体，车辆故障往往会造成列车晚点，影响地铁正常运营秩序。为保障地铁运营秩序与安全，评估地铁车辆部件的故障模式风险度是重要的，这有助于检测维修人员合理制定维护措施，并对风险度较高的故障模式以及所涉及的部件重点关注，同时也有助于确定车辆本身改进或设计的主要对象。因此，地铁车辆故障模式风险度评估是必要的，对提高地铁运行的可靠性具有重要意义。

目前，一般通过失效模式与影响分析方法(英文全称为failuremodeandeffectanalysis，简称fmea)来对地铁车辆故障模式风险度进行评估。目前，fmea方法研究，存在两个不足：1)假设决策者是完全理性的，建立在期望效用理论的基础之上，然而研究表明，在现实的决策过程中决策者不可能是完全理性的，所做出的决策与理性预期存在一定偏差；2)以语言信息为评估值时中，只考虑语言信息的模糊性，忽略语言信息的随机性。这些均降低了评估结果的准确性。

技术实现要素：

基于此，有必要针对以上问题，提供一种地铁车辆故障模式风险度识别方法，该方法结合了交互式多准则决策(英文全称：anacronyminportugueseofinteractiveandmulticriteriadecisionmaking，简称：todim)和云模型，而可提高评估结果的准确性。

一种地铁车辆故障模式风险度识别方法，其特征在于，包括以下步骤：

(1)q位专家对地铁的各故障模式的风险因子进行评估，其中将第k位专家对地铁车辆故障模式fmi的风险因子fj进行评估得到的语言评估值表示为k＝1,2,…,q；i＝1,2,…,m；j＝1,2,…,n；q,m,n为正整数；

(2)将得到的语言评估值转换为相应的云评估值该云评估值的云数字特征表示为其中为期望，为熵，为超熵；

(3)将q位专家的所述云评估值进行算术平均，得到群体云评估值其中，该群体云评估值的云数字特征表示为(ex′ij,en′ij,he′ij)，其中ex′ij为期望，en′ij为熵，he′ij为超熵；

(4)通过公式(1)计算风险因子fj的权重wj，具体为：

公式(1)中，gj＝1-hj，

其中，gj为风险因子fj的偏差度，hj为故障模式fmi的风险因子fj的信息熵，信息熵hj值越小，则偏差度gj越大；为根据得分函数s得到的得分值；

(5)通过公式(2)计算故障模式fmi相对于故障模式fmo的优势度δ(fmi,fmo)，

公式(2)中，o＝1,2,...,m，

表示故障模式fmi的风险因子fj相对于故障模式fmo的风险因子fj的优势度，

其中，wjr＝wj/wr，wjr为风险因子fj相对于风险因子fr的相对权重，wj表示风险因子fj的权重，

θ是损失的衰减系数，且θ＞0；

(6)通过公式(3)计算各故障模式的总体优势度其中，

(7)根据上述所得到各故障模式的总体优势度来识别各故障模式的风险度。

上述方法中，首先将q专家所给出的地铁的故障模式风险因子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todim方法，计算各故障模式的风险因子的总体优势度的大小；最后据此对各故障模式的风险因子的总体优势度进行排序，根据越大，故障模式风险度越大的原则，找出关键的故障模式，最终识别各故障模式风险度。该方法基于todim及云模型而实现，可客观且准确的确定各故障模式的风险度。

具体实施方式

本发明提供一种地铁车辆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因子进行评估，其中将第k位专家对地铁故障模式fmi的风险因子fj进行评估得到的语言评估值表示为k＝1,2,…,q；i＝1,2,…,m；j＝1,2,…,n；q,m,n为正整数；

(2)将得到的语言评估值转换为云评估值该云评估值的云数字特征表示为其中为期望，为熵，为超熵；

(3)将q位专家的所述云评估值进行算术平均，得到群体云评估值其中，该群体云评估值的云数字特征表示为(ex′ij,en′ij,he′ij)，其中ex′ij为期望，en′ij为熵，he′ij为超熵；

(4)通过公式(1)计算风险因子fj的权重wj，具体为：

公式(1)中，gj＝1-hj，

其中，gj为风险因子fj的偏差度，hj为故障模式fmi的风险因子fj的信息熵，信息熵hj值越小，则偏差度gj越大。

为根据得分函数s得到的得分值，即其中，a表示任意一个云评估值，s(a)表示a的得分值，(αl,βl)表示a的云滴，n表示云滴的个数；

(5)通过公式(2)计算故障模式fmi相对于故障模式fmo的优势度δ(fmi,fmo)，

公式(2)中，o＝1,2,...,m，

表示故障模式fmi的风险因子fj相对于故障模式fmo的风险因子fj的优势度，

其中，wjr＝wj/wr，wjr为风险因子fj相对于风险因子fr的相对权重，wj表示风险因子fj的权重，

θ是损失的衰减系数，且θ＞0；

(6)通过公式(3)计算各故障模式的总体优势度其中，

(7)根据上述所得到各故障模式的总体优势度进行识别各故障模式的风险度。

在步骤(7)中，根据故障模式的总体优势度越大，故障模式风险度越大的原则，对各个故障模式的总体优势度排序，来确定各故障模式的风险度。

以下通过实施例1来说明：

实施例1

在地铁运营过程中，地铁车辆发生车门系统故障较为普遍。据y市地铁运营公司统计：在2016年所有运营线路的平均车门故障占到车辆故障的近40％。车门故障影响地铁列车正常的运营秩序，导致列车晚点、影响后续列车运营，此外，车门系统可靠性也直接关系到乘客的人身安全。本实施例针对y市轨道交通运营公司地铁车辆车门故障模式，选取车门故障率较高的部件有“门控器edcu”、“行程开关s1”、“螺母副组件”、“携门架”，该4类部件主要有10种故障模式，车门故障模式见表1。

表1车门故障模式

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10个故障模式进行评估，在评估车辆故障模式危害度时考虑发生度、严重度、难检度三个风险因子，专家tk对故障模式fmi的风险因子fj的语言评估值表示为每位专家tk对车辆故障模式风险因子进行评估时采用的语言评语集z＝{极低(el)，很低(vl)，较低(ml)，中等(m)，较高(mh)，很高(vh)，极高(eh)}。专家给出的语言评估值，见表2。

步骤(2)，利用表3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转换为相应的云评估值得到的云评估值见表4。

表2专家语言评估值

表3语言评估值与云评估值的对应关系表

表4专家的云评估值

步骤(3)，假定每位专家的权重是相等，利用公式对云评估值进行算术平均，得到群体云评估值该群体云评估值的云数字特征表示为(ex'ij,en'ij,he'ij)，见表5。

表5群体云评估值

步骤(4)，利用公式(1)计算风险因子fj的权重wj，w1＝0.324，w2＝0.337，w2＝0.339。

步骤(5)，通过公式(2)计算故障模式fmi相对于故障模式fmo的优势度δ(fmi,fmo)。

令δ＝[δ(fmi,fmo)]m×m

步骤(6)，通过公式(3)计算各故障模式的总体优势度

得到的各故障模式的总体优势度如下：

步骤(7)，确定各故障模式的风险度。根据总体优势度越大，故障模式风险度越大的原则，因此，各个故障模式的风险度排序如下：fm2＞fm3＞fm6＞fm9＞fm5＞fm4＞fm7＞fm10＞fm8＞fm1。可知，故障模式fm2的风险度最大。

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。