[发明专利]一种设备多任务模态下的安全性分析方法

说明书

本发明公开了一种设备多任务模态下的安全性分析方法，将设备按照任务分解为多个任务模态，每个任务模态按照持续时间、占驻空间、使用频率、产生的经济价值、整体作业复杂程度、事故后果六个特征，由专家打分给出每个模态在上述六个特征上的权重系数以及每个每个模态每个阶段在设备结构、温度系统、接地设施、配电系统、消防设施、测试设备、设备操作检测人员、指挥决策人员、保障维修人员、作业环境、安全教育十一个方面的安全性分值与权重分值，再建立基于三角抗饱和基函数神经网络，设计抗饱和型权值调节规律根据历史数据对网络进行训练，最后求解得到最终的设备技术多任务模态下的安全性分析数据。

技术领域

本发明涉及设备多任务模态下的安全评估领域，具体而言，涉及一种基于抗饱和基函数神经网络估计与参数训练的设备多任务模态下的安全性评估方法。

背景技术

一种复杂的多任务模态的设备作业安全性分析其与常规的多流程的设备安全分析有显著的不同。多任务模态的特点是，每个任务模态持续的时间不一样、产生的背景、利用的空间也不一样。而对多流程的作业来说，其每个流程都是必然经历的，仅仅是环节众多而导致安全性分析比较复杂而已。但多任务模态的设备作业则有的模态会存在持续好几年，但有的模态又会仅仅作业短短的几天时间，因此每个任务模态本身可能还有很复杂的流程，总的来说其安全性分析需要采用新的方法。基于上述背景原因，本发明提出了一种利用不同任务模态的专家历史数据，构建一类抗饱和基函数神经网络，对网络进行训练，使得网络误差满足要求，再输入当前的任务模态数据求解安全性分析总数据的方法，通过实验表明了所提方法具有很好的安全性评估效果，从而本发明具有很高的实用价值。

需要说明的是，在上述背景技术部分发明的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的目的在于提供一种设备多任务模态下的安全性分析方法，进而克服由于传统评估技术的限制和缺陷而导致的安全性评估精度不高与网络评估速度过慢的问题。

根据本发明的一个方面，提供一种设备多任务模态下的安全性分析方法，包括以下步骤：

步骤S10，将设备按照任务分解为多个任务模态，每个任务模态按照持续时间、占驻空间、使用频率、产生的经济价值、整体作业复杂程度、事故后果六个特征，由专家打分给出每个模态在上述六个特征上的权重系数，通过综合求解每个模态的绝对权重系数，再通过非线性求解出每个模态的相对权重系数；

步骤S20，针对每个任务模态，按照进场准备作业、单机分测试、综合作业、总体装配、总体测试、作业返回六个阶段，每个阶段分别按照持续时间、占驻空间、使用频率、产生的经济价值、整体作业复杂程度5个维度，采用专家打分的形式，同时给出每个阶段在不同维度的维度权重系数，然后综合得到每个阶段的总维度权重系数，再对总维度权重系数进行处理得到每个阶段的相对权重系数；同时由专家打分给出每个阶段在设备结构、温度系统、接地设施、配电系统、消防设施、测试设备、设备操作检测人员、指挥决策人员、保障维修人员、作业环境、安全教育十一个方面的安全性分值与权重分值，从而求解整个任务模态的安全性分析数据；

步骤S30，根据已有的任务模态的相对权重系数过往数据、任务模态下每个阶段的相对权重系数过往数据、任务模态下十一个方面的安全性分值与权重分值过往数据、任务模态的安全性分析过往数据、设备多任务模态下的安全性分析过往总数据，建立一种基于三角抗饱和基函数神经网络，设计三角抗饱和基函数型权值调节规律对网络进行训练，达到给定的误差要求后，停止训练网络；

步骤S40，根据上述训练好的基于抗饱和基函数神经网络，输入现有的任务模态的相对权重系数、任务模态下每个阶段的相对权重系数数据、任务模态下十一个方面的安全性分值与权重分值数据、任务模态的安全性分析数据进入训练好的网络，得到最终的设备技术多任务模态下的安全性分析数据。