[发明专利]地铁车辆故障模式风险度识别方法

说明书

本发明涉及一种地铁车辆故障模式风险度识别方法。该方法包括以下步骤：(1)q位专家对地铁的各故障模式的风险因子进行评估；(2)将得到的语言评估值转换为云评估值(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(4)通过计算风险因子f_j的权重w_j；(5)通过计算故障模式FM_i相对于故障模式FM_o的优势度δ(FM_i,FM_o)；(6)计算各故障模式的总体优势度(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。该方法可准确的确定各故障模式的风险度。

技术领域

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Failure Mode and EffectAnalysis，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。

发明内容

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：an acronym in Portuguese of interactive andmulticriteria decision making，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FM_i的风险因子f_j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f_j的权重w_j，具体为：

公式(1)中，G_j＝1-H_j，

其中，G_j为风险因子f_j的偏差度，H_j为故障模式FM_i的风险因子f_j的信息熵，信息熵H_j值越小，则偏差度G_j越大；为根据得分函数S得到的得分值；