一种考虑环境干扰的大型工业系统结构安全性评估方法与流程

本发明属于大型工业系统结构安全性评估
技术领域：
，尤其涉及一种考虑环境干扰的大型工业系统结构安全性评估方法。
背景技术：
：大型工业系统作为航空航天、国防军事等领域重要的运输载体，随着航天科技的不断发展，其承担的任务也越来越多，一旦发生安全事故将对国民经济造成严重的损失，因此保障其安全可靠的遂行任务成为了目前迫切需要解决的问题。对于大型工业系统结构安全性评估方面，目前我国学者开展了广泛的研究工作。例如，赵丽艳等基于概率风险评估方法对我国某型号运载火箭安全性进行了分析；徐洪平等人基于聚类分析的方法对火箭发动机的故障程度进行了评估，其评估结果满足要求。目前，在大型工业系统工作的过程中，其结构安全性评估主要受两个因素的影响。首先，在实际工作过程中，由于工作环境的复杂性，导致监测数据受到一定的干扰，监测数据中包含了部分噪声信息，且无法准确的对噪声进行滤波，降低了监测指标对系统真实工作状态的表达能力，导致监测数据存在一定不确定性；其次，由于系统承担任务的特殊性，对其安全性要求极高，内部设计采用了大量的容错控制手段，鲁棒性强，这就造成系统实际工作的过程中，虽然监测的数据量很大，但其中的故障数据很少。因此，由于大型工业系统工作的这两个特殊性，对其安全性进行准确的评估造成了很大的难度。目前开展的研究中，没有考虑监测数据存在不确定性的问题，并且对于数据驱动的建模方法而言，受系统故障数据缺乏的影响，降低了其评估精度。因此，在对大型工业系统结构进行安全性评估的过程中，需要充分考虑其故障数据缺乏和监测数据存在不确定性的问题。技术实现要素：本发明旨在解决上述问题，提供一种考虑环境干扰的大型工业系统结构安全性评估方法。本发明所述考虑环境干扰的大型工业系统结构安全性评估方法，基于监测数据平均距离的方法计算得到指标不确定度，通过指标不确定度反应监测数据中含有不确定信息的程度；再根据数据不确定性的输入匹配度计算将不确定信息分配给监测数据剩余匹配度；最后构建大型工业系统结构安全性评估模型，将输入指标信息进行融合，得到大型工业系统结构安全性评估结果。本发明所述考虑环境干扰的大型工业系统结构安全性评估方法，所述基于监测数据平均距离的方法计算得到指标不确定度的步骤为：利用指标每个监测数据之间的平均距离大小来反映指标受环境干扰的程度，通过求取平均的受干扰程度来得到指标不确定度。本发明所述考虑环境干扰的大型工业系统结构安全性评估方法，所述输入匹配度计算是通过监测数据的剩余匹配度来反应指标受环境干扰程度的大小，再基于brb构建大型工业系统结构安全性评估模型，对大型工业系统结构监测指标进行融合，得到大型工业系统结构的安全性状态。本发明所述考虑环境干扰的大型工业系统结构安全性评估方法，所述基于监测数据平均距离的方法计算得到指标不确定度的具体步骤包括：设已知的第i个监测指标数据为xi(t),t＝1,2,...,t，t为所获取的指标监测数据的个数；第t个监测值与其它值之间的平均距离可以表示为：其中，表示第i个指标监测值xi(t)和xi(t'),t'＝1,2,...,t之间的平均距离；|xi(t)-xi(t')|表示t时刻和t'时刻之间指标监测数据之间的距离；然后，在大型工业系统安全性评估过程中，环境噪声对于第i个指标监测数据的影响度可以通过下式进行计算：其中，γi(t)是在t时刻指标监测数据所受到的环境噪声的干扰程度，反映出其不确定性程度的大小；基于以上对于单个指标监测数据受干扰程度γi(t),t＝1,2,...,t的计算，监测指标不确定度可以通过下式求得：其中，ui表示指标的不确定度。指标不确定度表示大型工业系统工作过程中监测数据受环境干扰的程度，其数值大小表示监测数据中不确定性程度，是监测数据的客观方面，不受专家经验等主观知识的影响。本发明所述考虑环境干扰的大型工业系统结构安全性评估方法，所述输入匹配度计算的具体步骤包括：将监测数据输入到brb模型中后，首先通过如下的公式将其转化在统一的度量框架下：其中，为第i个指标监测数据在第k条规则中参考等级上的匹配度；aik和ai(k+1)为第j个指标在第k条和第k+1条规则中的参考等级，为第i个指标的监测数据；xi为brb中含有第i个指标的规则个数；当监测数据存在不确定性时，获得的匹配度中存在部分不确定信息；因此，在考虑指标可靠度后，监测数据的匹配度通过下式进行计算：其中，表示第i个指标监测数据在第k条规则中参考等级上考虑监测数据不确定性后的输入匹配度；在考虑指标不确定度后，监测数据剩余匹配度计算公式如下：其中，为第i个指标考虑监测数据不确定性后剩余匹配度，表示监测数据中包含不确定性信息的程度。本发明所述考虑环境干扰的大型工业系统结构安全性评估方法，所述基于brb构建大型工业系统结构安全性评估模型的具体步骤包括：通过下式对brb模型输入相对于规则的输入匹配度进行计算：其中，为指标输入相对于第k条规则输入匹配度，tk为第k条规则中包含的指标个数；为第i个指标的相对权重，表示该指标在tk个指标中相对重要程度；在监测数据输入到brb模型中后，brb中的部分规则会被相应的激活，并且每条规则的激活权重有所不同；规则的计算权重可以通过下式求得：其中，wk为第k条规则的激活权重；激活权重应该满足两个约束条件，即0≤wk≤1和当wk＝0时，表示该条规则未被激活；当brb模型中的规则被激活后，每条规则会产生相应的输出；对于每条激活的规则，可以通过证据推理(evidentialreasoning,er)算法进行融合，其解析形式可以表示为：其中，βn为融合输入指标监测数据后得到的第n个输出结果等级dn的置信度，0≤βn≤1且在融合l条规则后，brb模型最终的输出结果可以表示为：其中，为第i个指标的监测数据；s表示基于brb构建的非线性模型；对于第n个结果等级dn的评估效用可以表示为，最终输出的期望效用可以通过下式计算：其中，u(s(x*))为基于brb构建的大型工业系统安全性评估模型的最终输出结果。本发明所述考虑环境干扰的大型工业系统结构安全性评估方法，基于监测数据平均距离计算指标不确定度、建立基于置信规则库(brb)的大型工业系统结构安全状态评估方法，具有以下优点：(1)实现了环境干扰情况下大型工业系统结构的安全性评估；(2)提高了模型的精度；(3)提高了系统实际工作过程中其安全性监控的精度，保证了国之利器工作的安全性。附图说明图1为本发明所述安全性评估指标体系示意图；图2为本发明所述结构安全性评估模型工作流程示意图；图3为本发明实施例二所述大型工业系统结构安全性评估结果；图4为本发明实施例二所述安全性评估对比试验研究结果。具体实施方式下面通过附图及实施例对本发明所述考虑环境干扰的大型工业系统结构安全性评估方法进行详细说明。实施例一本发明所述考虑环境干扰的大型工业系统结构安全性评估方法是基于监测数据平均距离计算指标不确定度、建立基于置信规则库(brb)的大型工业系统结构安全状态评估方法，在本实施例中所选用的大型工业系统为石油储罐，具体包括以下步骤：步骤1:指标不确定度的求取；在监测的过程中，当石油储罐的工作状态保持不变时，指标的监测数据应该保持在一个稳定的状态。当监测数据采集的过程中，如果受到环境的干扰，指标的信噪比降低，其监测数据会出现一定的波动，导致指标监测数据之间的平均距离增大，含有的不确定信息增多，并且其不确定性随着干扰的强度变化而变化。因此，针对石油储罐结构安全性评估中的多指标监测数据存在不确定性问题，本步提出了基于监测数据平均距离的指标不确定度求取方法。假设已知的第i个监测指标数据为xi(t),t＝1,2,...,t，t为所获取的指标监测数据的个数。第t个监测值与其它值之间的平均距离可以表示为：其中，表示第i个指标监测值xi(t)和xi(t'),t'＝1,2,...,t之间的平均距离；|xi(t)-xi(t')|表示t时刻和t'时刻之间指标监测数据之间的距离；然后，在石油储罐安全性评估过程中，环境噪声对于第i个指标监测数据的影响度可以通过下式进行计算：其中，γi(t)是在t时刻指标监测数据所受到的环境噪声的干扰程度，反映出其不确定性程度的大小；基于以上对于单个指标监测数据受干扰程度γi(t),t＝1,2,...,t的计算，监测指标不确定度可以通过下式求得：其中，ui表示指标的不确定度；指标不确定度表示石油储罐工作过程中监测数据受环境干扰的程度，其数值大小表示监测数据中不确定性程度，是监测数据的客观方面，不受专家经验等主观知识的影响。步骤2：考虑指标不确定性的输入数据匹配度计算方法；受石油储罐工作环境干扰的影响，监测数据中存在部分噪声信息，使得监测数据存在一定的不确定性，降低了安全性评估模型的精度。因此，为了有效的处理监测数据中存在的不确定性问题，基于步骤1中的指标不确定度计算方法，提出了一种输入数据匹配度计算方法：在监测数据输入到brb模型中后，首先通过如下的公式将其转化在统一的度量框架下：其中，为第i个指标监测数据在第k条规则中参考等级上的匹配度；aik和ai(k+1)为第j个指标在第k条和第k+1条规则中的参考等级，为第i个指标的监测数据；xi为brb中含有第i个指标的规则个数；当监测数据存在不确定性时，获得的匹配度中存在部分不确定信息；因此，在考虑指标可靠度后，监测数据的匹配度通过下式进行计算：其中，表示第i个指标监测数据在第k条规则中参考等级上考虑监测数据不确定性后的输入匹配度；在考虑指标不确定度后，监测数据剩余匹配度计算公式如下：其中，为第i个指标考虑监测数据不确定性后剩余匹配度，表示监测数据中包含不确定性信息的程度。例如，假设某一指标不确定度为0.9，指标参考等级为{1,2,3}，当指标监测数据为2.3时，不考虑监测数据不确定性情况下，其输入匹配度为{0,0.7,0.3}；在考虑监测数据不确定性后，其输入匹配度为{0,0.63,0.21}，其中不确定性为0.16，即该指标的监测数据确定为1的置信度为0，确定为2的置信度为0.63，确定等级为3的置信度为0.21，剩余不确定性的置信度为0.16。步骤3：石油储罐结构安全性评估模型的构建；在计算得到考虑监测数据不确定性的输入匹配度后，通过下式对brb模型输入相对于规则的输入匹配度进行计算：其中，为指标输入相对于第k条规则输入匹配度，tk为第k条规则中包含的指标个数。为第i个指标的相对权重，表示该指标在tk个指标中相对重要程度。在监测数据输入到brb模型中后，brb中的部分规则会被相应的激活，并且每条规则的激活权重有所不同。规则的计算权重可以通过下式求得：其中，wk为第k条规则的激活权重。激活权重应该满足两个约束条件，即0≤wk≤1和当wk＝0时，表示该条规则未被激活。当brb模型中的规则被激活后，每条规则会产生相应的输出。对于每条激活的规则，可以通过证据推理(evidentialreasoning,er)算法进行融合，其解析形式可以表示为：其中，βn为融合输入指标监测数据后得到的第n个输出结果等级dn的置信度，0≤βn≤1且在融合l条规则后，brb模型最终的输出结果可以表示为：其中，为第i个指标的监测数据。s(·)表示基于brb构建的非线性模型。对于第n个结果等级dn的评估效用可以表示为，最终输出的期望效用可以通过下式计算：其中，u(s(x*))为基于brb构建的石油储罐安全性评估模型的最终输出结果。实施例二本发明所述考虑环境干扰的大型工业系统结构安全性评估方法的流程和指标体系如图1、图2所示，主要包括以下步骤：步骤1：石油储罐结构安全性信号的获取及处理；实验平台中主要安装了温度、湿度、震动、倾斜度传感器，分别针对石油储罐工作环境的湿度、温度、震动和倾斜四个特征进行监测，其中无线倾斜度传感器和震动传感器的型号分别为tsag-wxs433-90型和tsv-wxs433-3za型，测量精度分别为±0.5°和水平＜0.2％，无线工作频率为433mhz。本实施例中使用的检测软件共分为了5个监测部分：无线温湿度传感器、无线温度传感器、无线红外传感器、无线角度传感器和无线振动传感器，传感器通过无线数据网关进行组网通讯，工作环境干扰使用无线传感网络模拟干扰器进行模拟。步骤2：考虑环境干扰的石油储罐结构安全性评估模型的构建结合实验平台中获取的箭体振动和晃动两个关键指标，构建考虑环境干扰的安全性评估模型，其中brb中第k条规则可表示为：其中，箭体的晃动(shaking)和震动(inclining)作为安全性评估模型中两个属性，r1和r2为两个指标的不确定度，分别表示两个指标中含有的不确定性信息的程度。结合监测数据和专家知识，确定晃动和震动两个指标的参考等级和参考值，分别如表1和表2所示，其中等级低、稍低、中等、稍高和高分别表示为l、m、m、sh和h。石油储罐结构的安全性状态分为正常、中等和低，分别用h、m和l表示，如表3所示。表1石油储罐振动频率的等级和参考值参考等级lmshh参考值3.129.3831.2465.63表2石油储罐倾斜角度的等级和参考值参考等级lbmmshh参考值0.0030.030.0450.060.0944表3石油储罐结构安全性等级和参考值参考等级hml参考值10.50结合表1和表2中所给出的两个指标的参考值，构建初始置信规则库模型，其中模型中规则权重和属性权重的初始值设置为1，规则输出的初始置信度由专家给定，如表4所示。表4石油储罐结构安全性评估初始模型步骤3：石油储罐结构安全性平评估模型训练与测试在基于brb的大型工业系统结构安全性评估模型构建后，由于其初始参数由给定，受专家知识的不确定性和无知性的影响，在使用初始置信规则库模型对大型工业系统结构进行安全性评估时，会受到石油储罐工作环境、实际工作状态等因素的影响，降低模型的评估精度。因此，在使用该模型对石油储罐结构进行安全性评估，需要使用监测数据对模型的参数进行调整修正，提高模型对大型工业系统结构安全性的评估精度。在实验中，共采集得到515组监测数据，从中随机抽取250组作为训练数据，对模型的初始参数进行调整；剩余的265组作为模型的测试数据，计算模型的评估精度。基于所提出的指标不确定度求取方法，计算得到振动和倾斜两个指标的不确定度分别为0.8874和0.5631。基于所构建的考虑环境干扰的大型工业系统安全性评估模型，使用基于考虑投影算子的协方差矩阵自适应优化策略(theprojectioncovariancematrixadaptionevolutionstrategy,p-cma-es)对模型参数进行调整优化。训练后的评估模型对石油储罐结构的安全性评估结果如图3所示。表5训练后石油储罐结构安全性评估模型从图3可以看出，在对大型工业系统结构进行安全性评估时，初始评估模型的评估结果中存在一定的误差，并且在仅利用专家知识无法准确判断结构的安全性时，其安全性定义为中等状态。在使用测试数据对模型进行训练后，其输出结果可以较好的对石油储罐结构的安全性进行评估，评估效果较初始模型有了较大的提高，优化后的模型如表5所示，优化后的振动和倾斜两个指标权重分别为0.99和0.1。模型的mse为0.0044，远远小于安全性评估的均值，评估精度较高。为了对所构建的石油储罐结构安全性评估模型的效果进行评估，分别与原始brb模型、神经网络(backpropagationneuralnetwork，bp神经网络)、模糊理论进行了对比，实验结果如图4所示，各个模型的mse如表6所示。表6对比试验中的mse输出模型本章模型brbbp模糊理论mse0.00440.01690.01710.0570如图4所示，在对石油储罐结构安全性评估时，原始brb模型无法处理监测数据的不确定性问题，评估结果误差较大。在使用神经网络和模糊理论对其进行安全性评估时，受样本数量和噪声的影响，评估精度较低。相比于原始brb模型、神经网络和模糊理论，本章所构建的评估模型在石油储罐结构安全性评估的精度分别提高了73％，74.3％和92.2％。因此，通过对比试验可以得到，所构建的模型可以有效处理监测数据中存在的不确定性问题，提高了小样本情况下石油储罐结构安全性评估的精度。当前第1页12