一种基于CREAM模型的设备技术准备过程危险评估方法

本发明涉及一种基于cream模型的设备技术准备过程危险评估方法，属于设备可靠性评估与事故危险评价预测领域。

背景技术：

1、人们很久以前就认识人为差错(human error)，知道它是一门科学问题；20世纪40年代，人们真正意识到了人为差错所带来的负面影响。在二战期间，一些复杂的、高性能的武器装备开始应用在战争中。而人为差错正是在这种人-机系统的复杂情况下频频出现，人为差错所带来的后果是非常严重的，这种情况的发生迫使人们不得不把关注点更多的放在人机系统可靠性和人为差错上来。第一代人因可靠性方法认为：人因失误的发生不仅仅是错误的动作或行为，也包括人对所处情景的错误认知和判断，或者是特定的环境致使人做出了错误的决策。人为差错具有以下七大特点：1.人为差错的随机性与重复性；2.人为差错的潜在性；3.人为差错的可修复性；4.人的行为的固有可变性；5.受情景环境的驱使人为差错；6.人具有学习能力；7.人具有容许限度。

2、认知可靠性与失误分析方法(cream)，是第二代人因可靠性方法的一种代表方法。它依赖于情景认知模型，该模型认为人的行为是有目的的，也是一种在特殊环境下的应激反应，人可以在情景背景下根据系统所反馈的信息来纠正自己的行为。保证这个人机系统的可靠性。传统的cream具有追溯和预测的双向功能，并将环境因素总结为9种共同绩效条件(cpc)，同时给出了cpc水平对人的可靠性的影响效应。除此以外，cream将人的认知功能分为观察、解释、计划、执行4种，并给出了每种认知功能的失效模型及基本值。可以根据特定环境下人的工作流程，分析工作中人的必要行为，再分析各个行为中最可能产生的失效模式，对应到各种认知功能中，再计算环境影响下各共同绩效条件的可靠性。基于上述背景原因，本发明将一种设备危险作业过程分为平台系统维护、伺服单元测试、综合测试作业、分段装配作业；然后每个阶段按照cream模型分为组织的完善性、工作条件的匹配性、技术准备流程的适用性、设备操作时间的充分性、设备培训质量与效果、技术准备小组成员动作配合的效率6个层面，每个层面按照cream模型的观察、解释、计划、执行四个4个方面，采用专家权值打分的方式对其进行危险性评估，最后建立一种专用的径向基神经网络，利用神经网络的强大并行计算功能以及已有的历史数据对网络进行训练，然后进行设备技术准备过程危险性评估，其方法不仅具有较好的理论创新性，而且具有较高的工程实用价值。

技术实现思路

1、本发明所要解决的技术问题是：一种基于cream模型的设备技术准备过程危险评估方法，以解决上述现有技术中存在的现有设备作业过程危险性评估建模困难与历史数据利用效率不高的问题。

2、本发明采取的技术方案为：一种基于cream模型的设备技术准备过程危险评估方法，该方法包括以下步骤：

3、步骤s10，选取多台设备的历史数据，将每台设备的技术准备过程分为平台系统维护阶段、伺服单元测试阶段、综合测试作业阶段、分段装配作业阶段；然后对每个阶段按照cream模型分为组织的完善性、工作条件的匹配性、技术准备流程的适用性、设备操作时间的充分性、设备培训质量与效果、技术准备小组成员动作配合的效率六个层面来评估其危险性；然后针对每个层面按照注意力观察的合理性、解释决策的准确性、计划的优劣、执行过程的完好性四个方面进行评估其危险程度。

4、步骤s20，分别针对每台设备技术过程的4个阶段6个层面的4个方面，采用专家权值打分的方式对其进行危险性评估。其中在注意力观察的合理性方面，主要分为以下以下五个子类进行评估，其中子类一为观测没有进行，子类二为观察区域不合理，子类三为观察时间分配不合理，子类四为观察目标错误，子类五为辨识目标错误；在解释决策的准确性方面，主要分为以下三个子类：子类一为诊断错误，子类二为决策错误，子类三维决策滞后；在计划的优劣方面主要分为以下两个子类：子类一为计划不合理，子类二为计划优先次序不当；在执行过程的完好性方面主要分为以下四个子类：子类一为动作时间错误，子类二为动作目标错误，子类三为动作顺序错误，子类四为动作遗漏；由本级专家对设备进行基于cream模型评估后给出两个评估数据，记作aijkwl与bijkw，其中aijkwl表示第i台设备第j个阶段第k个层面第w个方面第l个子类的分值；bijkw表示第i台设备第j个阶段第k个层面第w个方面的权值因子；同时记录第i台设备在上级专家对设备完成任务后进行的危险综合后验评估数据，记作ci。

5、步骤s30，根据所述的本级专家对设备进行基于cream模型评估后给出两个评估数据，首先对第i台设备第j个阶段第k个层面第w个方面的所有子类的分值进行叠加，得到第i台设备第j个阶段第k个层面第w个方面的绝对分值；然后根据第i台设备第j个阶段第k个层面第w个方面的权值因子，解算第i台设备第j个阶段第k个层面的层面总分值数据。

6、步骤s40，根据本级专家对设备进行基于cream模型评估后的两个评估数据以及上级专家对设备完成任务后进行的危险综合后验评估数据，建立基于cream架构的专用径向基神经网络；首先根据所述的解算第i台设备第j个阶段第k个层面的层面总分值数据，分别选取80个神经网络节点中心值；并设置神经网络节点敏感区间，然后进行分数阶组合指数幂变换乘以相应的网络指数权值，并叠加线性变换乘以相应的网络线性权值，得到网络对第i台设备第j个阶段第k个层面的危险评分估值；再对所有的6个层面进行叠加，得到网络对第i台设备第j个阶段的危险评分估值；再对所有的4个阶段进行叠加；得到网络对第i台设备的危险评分估值。

7、步骤s50，根据所述的网络对第i台设备的危险评分估值与第i台设备在上级专家对设备完成任务后进行的危险综合后验评估数据进行对比，得到网络训练误差数据；然后根据网络训练误差数据设计正余弦非线性震荡权值收敛规律；然后采用积分方式对网络指数权值与网络线性权值进行跟新，从而完成网络权值的闭环训练，直至网络误差收敛到0附近小区间，停止训练。

8、步骤s60，根据本级专家对待评价的第n+1台设备的基于cream模型评估后的两个评估数据，求解第n+1台设备第j个阶段第k个层面的层面总分值数据，然后代入训练好的神经网络，得到网络对第n+1台设备的基于cream模型的设备技术准备过程危险评估值。

9、在本发明的一种示例实施例中，根据所述的本级专家对设备进行基于cream模型评估后给出两个评估数据，对第i台设备第j个阶段第k个层面第w个方面的所有子类的分值进行叠加，得到第i台设备第j个阶段第k个层面第w个方面的绝对分值；然后根据第i台设备第j个阶段第k个层面第w个方面的权值因子，解算第i台设备第j个阶段第k个层面的层面总分值数据包括：

10、

11、

12、

13、其中a1ijkw为第i台设备第j个阶段第k个层面第w个方面的绝对分值、d表示子类个数；w为方面的次序值、b1ijk为第i台设备第j个阶段第k个层面的层面总分值数据；1≤i≤n，n为用于训练网络的设备总台数。

14、在本发明的一种示例实施例中，根据本级专家对设备进行基于cream模型评估后的两个评估数据以及上级专家对设备完成任务后进行的危险综合后验评估数据，建立基于cream架构的专用径向基神经网络包括：

15、

16、

17、

18、其中bajkp为网络节点中心值，总共选取80个网络节点中心值；p为网络节点的次序值；σjk为网络节点敏感区间，均为常值参数；u0ijk为网络对第i台设备第j个阶段第k个层面的危险评分估值；k1jkp为网络指数权值；c1jkp为网络线性权值；u1ij为网络对第i台设备第j个阶段的危险评分估值；u2i为网络对第i台设备的危险评分估值。

19、在本发明的一种示例实施例中，根据所述的网络对第i台设备的危险评分估值与第i台设备在上级专家对设备完成任务后进行的危险综合后验评估数据进行对比，得到网络训练误差数据；然后根据网络训练误差数据设计正余弦非线性震荡权值收敛规律；然后采用积分方式对网络指数权值与网络线性权值进行跟新包括：

20、ei＝ci-u2i；

21、

22、

23、k1jkp(n+1)＝k1jkp(n)+k1jkpd；

24、c1jkp(n+1)＝c1jkp(n)+c1jkpd；

25、其中ei为网络训练误差数据；k1jkpd、c1jkpd分别为网络指数权值与网络线性权值的权值收敛规律，l1jkp、c1jkp为常值参数，用于调节神经网络权值收敛速度的快慢。

26、在本发明的一种示例实施例中，根据本级专家对待评价的第n+1台设备的基于cream模型评估后的两个评估数据，求解第n+1台设备第j个阶段第k个层面的层面总分值数据，然后代入训练好的神经网络，得到网络对第n+1台设备的基于cream模型的设备技术准备过程危险评估值如下：

27、

28、

29、

30、

31、

32、其中an+1,jkwl与bn+1,jkw为本级专家对待评价的第n+1台设备的基于cream模型评估后的两个评估数据；其中an+1,jkwl表示第n+1台设备第j个阶段第k个层面第w个方面第l个子类的分值；bn+1,jkw表示第n+1台设备第j个阶段第k个层面第w个方面的权值因子；a1n+1,jkw为第n+1台设备第j个阶段第k个层面第w个方面的绝对分值；b1n+1,jk为第n+1设备第j个阶段第k个层面的层面总分值数据；u0n+1,jk为网络对第n+1台设备第j个阶段第k个层面的危险评分估值；u1n+1，j为网络对第n+1台设备第j个阶段的危险评分估值；u2,n+1为网络对第n+1台设备的基于cream模型的设备技术准备过程危险评估值。

33、本发明的有益效果

34、与现有技术相比，本发明所采用方法具有如下三大创新点。第一是根据cream模型将复杂设备技术准备过程的危险性评估问题分解为4个阶段6个层面的4个方面，每个方面再细分为多个子类；从而架构起危险评估的四级架构模型。第二是通过建立一种专用的径向基神经网络，对已有的多台设备的历史评估数据进行高效的利用，用于训练神经网络，从而利用神经网络的高效并行计算能力，从而模拟设备技术准备过程危险性评估中的复杂关系。第三是，设计了一类基于网络训练误差数据的正余弦非线性震荡权值收敛规律，对神经网络的权值进行收敛训练，其正余弦混沌的特点使得其能够加速神经网络权值的收敛，而且正余弦函数的有界性，也能降低神经网络权值发散的风险，提高其网络的稳定性。