一种复杂装备技术保障模糊综合评估方法

1.本发明涉及一种复杂装备技术保障模糊综合评估方法，属于装备可靠性评估与安全性评估预测领域。


背景技术：

2.模糊综合评价法是一种基于模糊数学的综合评价方法。该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰，系统性强的特点，能较好地解决模糊的、难以量化的问题，适合各种非确定性问题的解决。由于评价因素的复杂性、评价对象的层次性、评价标准中存在的模糊性以及评价影响因素的模糊性或不确定性、定性指标难以定量化等一系列问题，使得人们难以用绝对的“非此即彼”来准确的描述客观现实，经常存在着“亦此亦彼”的模糊现象，其描述也多用自然语言来表达，而自然语言最大的特点是它的模糊性，而这种模糊性很难用经典数学模型加以统一量度。因此，建立在模糊集合基础上的模糊综合评判方法，从多个指标对被评价事物隶属等级状况进行综合性评判，它把被评判事物的变化区间做出划分，一方面可以顾及对象的层次性，使得评价标准、影响因素的模糊性得以体现；另一方面在评价中又可以充分发挥人的经验，使评价结果更客观，符合实际情况。模糊综合评判可以做到定性和定量因素相结合，扩大信息量，使评价数度得以提高，评价结论可信。
3.复杂装备技术保障的安全性评估是一个复杂的过程，其涉及的环节多、技术含量非常高，其安全性要求也高，其受高压气体、电子器件、环境温湿度、保障装备温湿度、易爆品温湿度、易燃品温湿度、防可燃物安全、防盗安全、普通测试间的防爆设备，易爆测试间的防护装置；易燃测试间的防护装置、接地、短路插座、防爆插座、防爆空调、加注场所通风、隔离墙、隔离网、拆卸安全、运输安全、分机测试安全、安装安全、整体测试安全、技术准备安全、离场安全等受诸多因素的影响，因此其安全性评估是一件非常复杂的事情；而且各方面的层次性复杂，专家打分的模糊度较高。基于上述原因，本发明将专家对各个方面的打分进行模糊化，然后建立模糊系统，在模糊系统给出安全性分值的基础上，建立一种基于正余弦混合收敛震荡型径向基神经网络，利用已有历史数据叠加模糊系统的数据对神经网络的权值进行自适应训练，最终利用训练好的网络与模糊系统，对待评价装备技术保障安全性进行评估。该方法很好地将模糊系统与神经网络进行了结合，不仅在理论上具有很高的创新性，而且具有较高的工程实用价值。


技术实现要素：

4.本发明所要解决的技术问题是：一种复杂装备技术保障模糊综合评估方法，以解决上述现有技术中安全性采用模糊综合评价精确性不高的问题。
5.本发明采取的技术方案为：一种复杂装备技术保障模糊综合评估方法，该方法包括以下步骤：
6.步骤s10，将多台装备中每台装备的技术保障过程安全性评估分为高压气体、电子器件、环境温湿度、保障装备温湿度、易爆品温湿度、易燃品温湿度、防可燃物安全、防盗安全、普通测试间的防爆设备，易爆测试间的防护装置；易燃测试间的防护装置、接地、短路插座、防爆插座、防爆空调、加注场所通风、隔离墙、隔离网、拆卸安全、运输安全、分机测试安全、安装安全、整体测试安全、技术准备安全、离场安全25个方面，由本级专家对其百分制打分进行汇总后，得到当前装备25个方面的总安全性分值，记作a
ij
，代表第i台装备技术保障过程第j个方面的安全性分值。
7.步骤s20，定义装备25个方面安全性分值的概念以及装备安全性模糊分值的概念，定义模糊规则，建立模糊系统，运行模糊系统得到装备安全性模糊分值。
8.步骤s30，根据本级专家对n台装备技术保障过程25个方面的安全性分值，建立基于一种自适应径向基神经网络；首先根据第i台装备技术保障过程第j个方面，分别选取70个神经网络节点中心值；然后与之比较得到网络中心点偏差数据；并设置神经网络的节点敏感区间，分别进行偏差绝对值变换并进行时间衰减后，与网络中心点偏差数据的正弦变换相乘，得到收敛震荡型网络径向基系数；再与网络中心点偏差数据的绝对值指数整数分数阶混合衰减函数相乘，得到神经网络的径向基函数；然后乘以相应的神经网络权值，并进行70个节点累加，得到神经网络对第i台装备第j个方面的安全性综合输出；然后对25个方面进行累加并叠加第i台装备安全性模糊分值得到神经网络对第i台装备技术保障的安全性分值总评估数据。
9.步骤s40，根据所述的神经网络对第i台装备的安全性分值总评估数据与第i台装备在上级专家对装备完成任务后的安全性综合评估分值进行比较得到网络训练误差数据；然后根据网络训练误差数据设计基于正余弦混合收敛震荡型权值自适应调节律，并通过积分运算分别对网络权值进行自适应更新；当网络训练误差收敛到0附近区域时，停止训练与权值更新。
10.步骤s50，根据本级专家对待评价装备的技术保障过程的25个方面的安全性分值数据，代入模糊系统后再代入训练好的神经网络，得到神经网络对待评价装备技术保障的安全性分值总评估数据。
11.在本发明的一种示例实施例中，定义装备25个方面安全性分值的概念以及装备安全性模糊分值的概念，定义模糊规则，建立模糊系统，运行模糊系统得到装备安全性模糊分值包括：
12.首先定义输入变量第i台装备第j个方面的安全性分值a
ij
的模糊概念，主要分为以下五个模糊概念，即
13.a
ij
＝{h b m s o}；
14.其中h表示输入变量a
ij
很大、b表示输入变量a
ij
较大、m表示输入变量a
ij
为中等、s表示输入变量a
ij
较小、o表示输入变量a
ij
接近0；具体的如下：
15.当80≤|a
ij
|＜100,j＝1,2,3,
…
,25时，认为a
ij
很大；
16.当60≤|a
ij
|＜80,j＝1,2,3,
…
,25时，认为a
ij
较大；
17.当40≤|a
ij
|＜60,j＝1,2,3,
…
,25时，认为a
ij
中等；
18.当20≤|a
ij
|＜40,j＝1,2,3,
…
,25时，认为a
ij
较小；
19.当0≤|a
ij
|＜20,j＝1,2,3,
…
,25时，认为a
ij
接近0；
20.其次，定义输出量装备安全性模糊分值di(a
ij
)的模糊概念，同样分为以下五个模糊概念，即
21.di(a
ij
)＝{h' b' m' s' o'}
22.其中h'表示装备安全性模糊分值di(a
ij
)很大、b'表示装备安全性模糊分值di(a
ij
)为较大、m'表示装备安全性模糊分值di(a
ij
)为中等、s'表示装备安全性模糊分值di(a
ij
)为较小、o'表示装备安全性模糊分值di(a
ij
)接近0，具体的在设计中选取：
23.当0.8＜|di(a
ij
)|＜1时，认为装备安全性模糊分值di(a
ij
)很大；
24.当0.6＜|di(a
ij
)|＜0.8时，认为装备安全性模糊分值di(a
ij
)较大；
25.当0.4＜|di(a
ij
)|＜0.6时，认为装备安全性模糊分值di(a
ij
)中等；
26.当0.2＜|di(a
ij
)|＜0.4时，认为装备安全性模糊分值di(a
ij
)较小；
27.当0＜|di(a
ij
)|＜0.2时，认为装备安全性模糊分值di(a
ij
)几乎为0；
28.最后对j＝1,2,3,
…
,25的所有25个方面，每个方面定义5条模糊规则如下：
29.当输入变量a
ij
很大时，认为装备安全性模糊分值di(a
ij
)很大；
30.当输入变量a
ij
一般大时，认为装备安全性模糊分值di(a
ij
)较大；
31.当输入变量a
ij
为中等，认为装备安全性模糊分值di(a
ij
)中等；
32.当输入变量a
ij
较小时，认为装备安全性模糊分值di(a
ij
)较小；
33.当输入变量a
ij
几乎为0时，认为装备安全性模糊分值di(a
ij
)几乎为0；
34.然后运行模糊系统，得到第i台装备安全性模糊分值di(a
ij
)。
35.在本发明的一种示例实施例中，根据本级专家对n台装备技术保障过程25个方面的安全性分值，建立基于一种自适应径向基神经网络，叠加第i台装备安全性模糊分值得到神经网络对第i台装备技术保障的安全性分值总评估数据包括：
36.ε
ijk
＝a
ij-f
jk
；
[0037][0038][0039][0040][0041]
其中f
jk
为第j个方面的70个神经网络节点中心值，其为常值；其中k＝1,2,
…
,70，ε
ijk
为网络中心点偏差数据；σj为第j个方面的神经网络的节点敏感区间，为常值参数；γ
0ijk
为收敛震荡型网络径向基系数，t为时间信号；c1、c2为常值参数；γ
ijk
为神经网络的径向基函数；u
ij
为神经网络对第i台装备第j个方面的安全性综合输出，k
jk
为神经网络权值；pi为神经网络对第i台装备技术保障的安全性分值总评估数据。
[0042]
在本发明的一种示例实施例中，根据所述的神经网络对第i台装备的安全性分值总评估数据与第i台装备在上级专家对装备完成任务后的安全性综合评估分值进行比较得
到网络训练误差数据；然后根据网络训练误差数据设计基于正余弦混合收敛震荡型权值自适应调节律包括：
[0043]ei
＝p
i-bi；
[0044][0045]kjk
(n+1)＝k
jk
(n)+d
jk
；
[0046]
其中ei为网络训练误差数据，bi为上级专家对第i台装备完成任务后的安全性综合评估分值；d
jk
为基于正余弦混合收敛震荡型权值自适应调节律；l
jk
为常值参数，用于调节神经网络权值收敛速度。
[0047]
在本发明的一种示例实施例中，根据本级专家对待评价装备的技术保障过程的25个方面的安全性分值数据，代入模糊系统后再代入训练好的神经网络，得到神经网络对待评价装备技术保障的安全性分值总评估数据包括：
[0048]
ε
djk
＝a
dj-f
jk
；
[0049][0050][0051][0052][0053]
其中a
dj
为待评价装备的技术保障过程的25个方面的安全性分值数据；ε
djk
为待评价装备的网络中心点偏差数据；γ
0djk
为待评价装备的收敛震荡型网络径向基系数，γ
djk
为待评价装备的神经网络的径向基函数；u
dj
为神经网络对待评价装备第j个方面的安全性综合输出，dd(a
dj
)为待评价装备安全性模糊分值，pd为神经网络对待评价装备技术保障的安全性分值总评估数据。
[0054]
本发明的有益效果
[0055]
与现有技术相比，本发明所采用方法具有如下三大创新点。第一是根据复杂装备快速技术保障的背景特点与实际情况，将其分解为高压气体、电子器件、环境温湿度、保障装备温湿度、易爆品温湿度、易燃品温湿度、防可燃物安全、防盗安全、普通测试间的防爆设备，易爆测试间的防护装置；易燃测试间的防护装置、接地、短路插座、防爆插座、防爆空调、加注场所通风、隔离墙、隔离网、拆卸安全、运输安全、分机测试安全、安装安全、整体测试安全、技术准备安全、离场安全25个方面，并建立了模糊系统，得到专家评分与装备安全性的模糊关系。第二是在模糊系统的基础上叠加建立了一种基于正余弦混合收敛震荡型径向基神经网络，能够利用已有历史数据叠加模糊系统的数据对神经网络的权值进行自适应训练，提高了模糊系统评价的精确度。第三是提出了一种采用一种基于正余弦混合收敛震荡型的权值自适应调节律实现神经网络权值的快速收敛，从而能够加速网络训练过程，加快权值收敛速度，减少训练过程中网络权值发散的概率，同时由于引入了模糊系统的数据作
为基础，也避免了神经网络训练初始的盲目性，加快了神经网络收敛的时间。
附图说明
[0056]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0057]
图1是一种复杂装备技术保障模糊综合评估方法的流程图；
[0058]
图2是本发明实施例所提供方法的模糊系统的输入模糊隶属度函数图像；
[0059]
图3是本发明实施例所提供方法的模糊系统的输出模糊隶属度函数图像；
[0060]
图4是本发明实施例所提供方法的网络训练误差收敛情况图；
[0061]
图5是本发明实施例所提供方法的神经网络权值k
11
的收敛情况图。
具体实施方式
[0062]
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图1，对本发明进一步详细说明。
[0063]
实施例1：以仓库中储备的350台装备的快速技术保障过程，建立模糊系统，再本级专家对350台装备的快速技术保障过程的25个方面的安全性分值数据，以及上级专家对装备完成任务后的安全性综合评估分值，来训练建立好的神经网络，完成待评价装备快速技术保障过程的安全性综合评价为背景案例，说明一种复杂装备技术保障模糊综合评估方法，该方法包括以下步骤：
[0064]
步骤s10，具体的可以分解为如下两部分。第一步，将350台装备中每台装备的技术保障过程安全性评估分为高压气体、电子器件、环境温湿度、保障装备温湿度、易爆品温湿度、易燃品温湿度、防可燃物安全、防盗安全、普通测试间的防爆设备，易爆测试间的防护装置；易燃测试间的防护装置、接地、短路插座、防爆插座、防爆空调、加注场所通风、隔离墙、隔离网、拆卸安全、运输安全、分机测试安全、安装安全、整体测试安全、技术准备安全、离场安全25个方面。
[0065]
第二步，由本级专家对350台设备的上述25个方面以百分制打分进行汇总后，得到350台装备25个方面的总安全性分值，记作a
ij
，代表第i台装备技术保障过程第j个方面的安全性分值。
[0066]
步骤s20，定义装备25个方面安全性分值的概念以及装备安全性模糊分值的概念，定义模糊规则，建立模糊系统，运行模糊系统得到装备安全性模糊分值。
[0067]
具体的，可以分解为如下四小步。
[0068]
第一步，定义输入变量第i台装备第j个方面的安全性分值a
ij
的模糊概念，主要分为以下五个模糊概念，即
[0069]aij
＝{h b m s o}；
[0070]
其中h表示输入变量a
ij
很大、b表示输入变量a
ij
较大、m表示输入变量a
ij
为中等、s表示输入变量a
ij
较小、o表示输入变量a
ij
接近0；具体的如下：
[0071]
当80≤|a
ij
|＜100,j＝1,2,3,
…
,25时，认为a
ij
很大；
[0072]
当60≤|a
ij
|＜80,j＝1,2,3,
…
,25时，认为a
ij
较大；
[0073]
当40≤|a
ij
|＜60,j＝1,2,3,
…
,25时，认为a
ij
中等；
[0074]
当20≤|a
ij
|＜40,j＝1,2,3,
…
,25时，认为a
ij
较小；
[0075]
当0≤|a
ij
|＜20,j＝1,2,3,
…
,25时，认为a
ij
接近0。
[0076]
具体的，该模糊系统的输入模糊隶属度函数如图2所示。
[0077]
第二步，定义输出量装备安全性模糊分值di(a
ij
)的模糊概念，同样分为以下五个模糊概念，即
[0078]di
(a
ij
)＝{h' b' m' s' o'}；
[0079]
其中h'表示装备安全性模糊分值di(a
ij
)很大、b'表示装备安全性模糊分值di(a
ij
)为较大、m'表示装备安全性模糊分值di(a
ij
)为中等、s'表示装备安全性模糊分值di(a
ij
)为较小、o'表示装备安全性模糊分值di(a
ij
)接近0，具体的在设计中选取：
[0080]
当0.8＜|di(a
ij
)＜|1时，认为装备安全性模糊分值di(a
ij
)很大；
[0081]
当0.6＜|di(a
ij
)|＜0.8时，认为装备安全性模糊分值di(a
ij
)较大；
[0082]
当0.4＜|di(a
ij
)＜|0.6时，认为装备安全性模糊分值di(a
ij
)中等；
[0083]
当0.2＜|di(a
ij
)＜|0.4时，认为装备安全性模糊分值di(a
ij
)较小；
[0084]
当0＜|di(a
ij
)|＜0.2时，认为装备安全性模糊分值di(a
ij
)几乎为0。
[0085]
具体的，该模糊系统的输出模糊隶属度函数如图3所示。
[0086]
第三步，对j＝1,2,3,
…
,25的所有25个方面，每个方面定义5条模糊规则如下：
[0087]
当输入变量a
ij
很大时，认为装备安全性模糊分值di(a
ij
)很大；
[0088]
当输入变量a
ij
一般大时，认为装备安全性模糊分值di(a
ij
)较大；
[0089]
当输入变量a
ij
为中等，认为装备安全性模糊分值di(a
ij
)中等；
[0090]
当输入变量a
ij
较小时，认为装备安全性模糊分值di(a
ij
)较小；
[0091]
当输入变量a
ij
几乎为0时，认为装备安全性模糊分值di(a
ij
)几乎为0；
[0092]
第四步，运行模糊系统，得到第i台装备安全性模糊分值，记作di(a
ij
)。
[0093]
步骤s30，根据本级专家对n台装备技术保障过程25个方面的安全性分值，建立基于一种自适应径向基神经网络。具体的，可以分解为如下五小步。
[0094]
第一步，根据第i台装备技术保障过程第j个方面，分别选取70个神经网络节点中心值；然后与之比较得到网络中心点偏差数据如下：
[0095]
ε
ijk
＝a
ij-f
jk
；
[0096]
其中f
jk
为第j个方面的70个神经网络节点中心值，其为常值；其中k＝1,2,
…
,70，ε
ijk
为网络中心点偏差数据。
[0097]
第二步，设置神经网络的节点敏感区间，分别进行偏差绝对值变换并进行时间衰减后，与网络中心点偏差数据的正弦变换相乘，得到收敛震荡型网络径向基系数如下：
[0098][0099]
其中σj为第j个方面的神经网络的节点敏感区间，为常值参数；γ
0ijk
为收敛震荡型网络径向基系数，t为时间信号，c1为常值参数，选取为c1＝2.5。
[0100]
第三步，与网络中心点偏差数据的绝对值指数整数分数阶混合衰减函数相乘，得
到神经网络的径向基函数如下：
[0101][0102]
其中c2为常值参数，选取为c2＝0.8，γ
ijk
为神经网络的径向基函数。
[0103]
第四步，根据神经网络的径向基函数乘以相应的神经网络权值，并进行70个节点累加，得到神经网络对第i台装备第j个方面的安全性综合输出如下：
[0104][0105]
其中u
ij
为神经网络对第i台装备第j个方面的安全性综合输出，k
jk
为神经网络权值。
[0106]
第五步，对25个方面进行累加并叠加第i台装备安全性模糊分值得到神经网络对第i台装备技术保障的安全性分值总评估数据如下：
[0107][0108]
其中pi为神经网络对第i台装备技术保障的安全性分值总评估数据。
[0109]
步骤s40，具体的，可以分解为如下四小步。第一步，根据所述的神经网络对第i台装备的安全性分值总评估数据与第i台装备在上级专家对装备完成任务后的安全性综合评估分值进行比较得到网络训练误差数据如下：
[0110]ei
＝p
i-bi；
[0111]
其中ei为网络训练误差数据，bi为上级专家对第i台装备完成任务后的安全性综合评估分值。
[0112]
第二步，根据网络训练误差数据设计基于正余弦混合收敛震荡型权值自适应调节律如下：
[0113][0114]djk
为基于正余弦混合收敛震荡型权值自适应调节律；l
jk
为常值参数，选取为l
jk
＝0.05，用于调节神经网络权值收敛速度。
[0115]
第三步，通过积分运算分别对网络权值进行自适应更新如下：
[0116]kjk
(n+1)＝k
jk
(n)+d
jk
；
[0117]
其中k
jk
为神经网络权值。
[0118]
第四步，当网络训练误差收敛到0附近区域时，停止训练与权值更新。
[0119]
其中网络训练误差收敛曲线如图4所示。神经网络权值k
11
的收敛曲线如图5所示。
[0120]
步骤s50，具体的可以分解为如下六小步。第一步，根据本级专家对待评价装备的技术保障过程的25个方面的安全性分值数据a
dj
＝[92,78,83,68,87,82,73,69,87,94,96,87,74,83,89,88,76,82,85,84,82,80,85,86,97]，代入模糊系统，得到待评价装备安全性模糊分值dd(a
dj
)＝0.8465。
[0121]
第二步，将上述25个方面的安全性分值数据代入训练好的神经网络，解算待评价装备的网络中心点偏差数据如下：
[0122]
ε
djk
＝a
dj-f
jk
；
[0123]
第三步，解算待评价装备的收敛震荡型网络径向基系数如下：
[0124][0125]
第四步，解算待评价装备的神经网络的径向基函数
[0126][0127]
第五步，解算神经网络对待评价装备第j个方面的安全性综合输出
[0128][0129]
第六步，汇总模糊系统的输出，得到神经网络对待评价装备技术保障的安全性分值总评估数据如下：
[0130][0131]
其中a
dj
为待评价装备的技术保障过程的25个方面的安全性分值数据；ε
djk
为待评价装备的网络中心点偏差数据；γ
0djk
为待评价装备的收敛震荡型网络径向基系数，γ
djk
为待评价装备的神经网络的径向基函数；u
dj
为神经网络对待评价装备第j个方面的安全性综合输出，dd(a
dj
)为待评价装备安全性模糊分值，pd为神经网络对待评价装备技术保障的安全性分值总评估数据。最终得到的结果pd为87.65，因此其结论为安全性良好。
[0132]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种复杂装备技术保障模糊综合评估方法，其特征在于以下步骤：步骤s10，将多台装备中每台装备的技术保障过程安全性评估分为高压气体、电子器件、环境温湿度、保障装备温湿度、易爆品温湿度、易燃品温湿度、防可燃物安全、防盗安全、普通测试间的防爆设备，易爆测试间的防护装置；易燃测试间的防护装置、接地、短路插座、防爆插座、防爆空调、加注场所通风、隔离墙、隔离网、拆卸安全、运输安全、分机测试安全、安装安全、整体测试安全、技术准备安全、离场安全25个方面，由本级专家对其百分制打分进行汇总后，得到当前装备25个方面的总安全性分值，记作a
ij
，代表第i台装备技术保障过程第j个方面的安全性分值；步骤s20，定义装备25个方面安全性分值的概念以及装备安全性模糊分值的概念，定义模糊规则，建立模糊系统，运行模糊系统得到装备安全性模糊分值如下：首先定义输入变量第i台装备第j个方面的安全性分值a
ij
的模糊概念，主要分为以下五个模糊概念，即a
ij
＝{h b m s o}；其中h表示输入变量a
ij
很大、b表示输入变量a
ij
较大、m表示输入变量a
ij
为中等、s表示输入变量a
ij
较小、o表示输入变量a
ij
接近0；具体的如下：当80≤|a
ij
|＜100,j＝1,2,3,
…
,25时，认为a
ij
很大；当60≤|a
ij
|＜80,j＝1,2,3,
…
,25时，认为a
ij
较大；当40≤|a
ij
|＜60,j＝1,2,3,
…
,25时，认为a
ij
中等；当20≤|a
ij
|＜40,j＝1,2,3,
…
,25时，认为a
ij
较小；当0≤|a
ij
|＜20,j＝1,2,3,
…
,25时，认为a
ij
接近0；其次，定义输出量装备安全性模糊分值d
i
(a
ij
)的模糊概念，同样分为以下五个模糊概念，即d
i
(a
ij
)＝{h' b' m' s' o'}其中h'表示装备安全性模糊分值d
i
(a
ij
)很大、b'表示装备安全性模糊分值d
i
(a
ij
)为较大、m'表示装备安全性模糊分值d
i
(a
ij
)为中等、s'表示装备安全性模糊分值d
i
(a
ij
)为较小、o'表示装备安全性模糊分值d
i
(a
ij
)接近0，具体的在设计中选取：当0.8＜|d
i
(a
ij
)＜|1时，认为装备安全性模糊分值d
i
(a
ij
)很大；当0.6＜|d
i
(a
ij
)|＜0.8时，认为装备安全性模糊分值d
i
(a
ij
)较大；当0.4＜|d
i
(a
ij
)|＜0.6时，认为装备安全性模糊分值d
i
(a
ij
)中等；当0.2＜|d
i
(a
ij
)＜|0.4时，认为装备安全性模糊分值d
i
(a
ij
)较小；当0＜|d
i
(a
ij
)＜|0.2时，认为装备安全性模糊分值d
i
(a
ij
)几乎为0；最后对j＝1,2,3,
…
,25的所有25个方面，每个方面定义5条模糊规则如下：当输入变量a
ij
很大时，认为装备安全性模糊分值d
i
(a
ij
)很大；当输入变量a
ij
一般大时，认为装备安全性模糊分值d
i
(a
ij
)较大；当输入变量a
ij
为中等，认为装备安全性模糊分值d
i
(a
ij
)中等；当输入变量a
ij
较小时，认为装备安全性模糊分值d
i
(a
ij
)较小；当输入变量a
ij
几乎为0时，认为装备安全性模糊分值d
i
(a
ij
)几乎为0；然后运行模糊系统，得到第i台装备安全性模糊分值d
i
(a
ij
)；步骤s30，根据本级专家对n台装备技术保障过程25个方面的安全性分值，建立基于一
种自适应径向基神经网络；首先根据第i台装备技术保障过程第j个方面，分别选取70个神经网络节点中心值；然后与之比较得到网络中心点偏差数据；并设置神经网络的节点敏感区间，分别进行偏差绝对值变换并进行时间衰减后，与网络中心点偏差数据的正弦变换相乘，得到收敛震荡型网络径向基系数；再与网络中心点偏差数据的绝对值指数整数分数阶混合衰减函数相乘，得到神经网络的径向基函数；然后乘以相应的神经网络权值，并进行70个节点累加，得到神经网络对第i台装备第j个方面的安全性综合输出；然后对25个方面进行累加并叠加第i台装备安全性模糊分值得到神经网络对第i台装备技术保障的安全性分值总评估数据如下：ε
ijk
＝a
ij-f
jk
；；；；其中f
jk
为第j个方面的70个神经网络节点中心值，其为常值；其中k＝1,2,
…
,70，ε
ijk
为网络中心点偏差数据；σ
j
为第j个方面的神经网络的节点敏感区间，为常值参数；γ
0ijk
为收敛震荡型网络径向基系数，t为时间信号；c1、c2为常值参数；γ
ijk
为神经网络的径向基函数；u
ij
为神经网络对第i台装备第j个方面的安全性综合输出，k
jk
为神经网络权值；p
i
为神经网络对第i台装备技术保障的安全性分值总评估数据；步骤s40，根据所述的神经网络对第i台装备的安全性分值总评估数据与第i台装备在上级专家对装备完成任务后的安全性综合评估分值进行比较得到网络训练误差数据；然后根据网络训练误差数据设计基于正余弦混合收敛震荡型权值自适应调节律，并通过积分运算分别对网络权值进行自适应更新；当网络训练误差收敛到0附近区域时，停止训练与权值更新；e
i
＝p
i-b
i
；k
jk
(n+1)＝k
jk
(n)+d
jk
；其中e
i
为网络训练误差数据，b
i
为上级专家对第i台装备完成任务后的安全性综合评估分值；d
jk
为基于正余弦混合收敛震荡型权值自适应调节律；l
jk
为常值参数，用于调节神经网络权值收敛速度；步骤s50，根据本级专家对待评价装备的技术保障过程的25个方面的安全性分值数据，代入模糊系统后再代入训练好的神经网络，得到神经网络对待评价装备技术保障的安全性分值总评估数据如下：ε
djk
＝a
dj-f
jk
；
其中a
dj
为待评价装备的技术保障过程的25个方面的安全性分值数据；ε
djk
为待评价装备的网络中心点偏差数据；γ
0djk
为待评价装备的收敛震荡型网络径向基系数，γ
djk
为待评价装备的神经网络的径向基函数；u
dj
为神经网络对待评价装备第j个方面的安全性综合输出，d
d
(a
dj
)为待评价装备安全性模糊分值，p
d
为神经网络对待评价装备技术保障的安全性分值总评估数据。

技术总结
本发明公开了一种复杂装备技术保障模糊综合评估方法，其将安全性分解为25个方面，采用本级专家打分的方式进行百分制评分；然后建立模糊系统与模糊规则，得到装备安全性的模糊分值；在此基础上，根据本级专家的百分制评分数据以及上级专家对装备完成任务后的安全性综合评估分值，建立了一种基于正余弦混合收敛震荡型径向基神经网络，利用已有的历史数据叠加模糊系统的数据对神经网络的权值进行自适应训练，最终利用训练好的网络与模糊系统，对待评价装备技术保障安全性进行评估。该方法很好地将模糊系统与神经网络进行了结合，解决了单独模糊系统评价准确度不高的问题。单独模糊系统评价准确度不高的问题。单独模糊系统评价准确度不高的问题。


技术研发人员：李恒 肖支才 陈黎明 张建 秦亮 戴邵武
受保护的技术使用者：中国人民解放军海军航空大学
技术研发日：2023.03.09
技术公布日：2023/8/21