一种船舶消防系统连锁性失效的预测方法

暂无

一种船舶消防系统连锁性失效的预测方法\n技术领域\n[0001] 本发明属于复杂系统分析与决策领域，具体涉及一种基于灰色关联聚类和BP人工神经网络的船舶消防系统连锁性失效的预测方法。\n背景技术\n[0002] 船舶火灾是威胁船舶安全的最主要事故之一。消防系统则关系着控制火势和灭火，是船上极其重要的复杂系统。船舶舱室众多，运行环境独特和故障源较多，突出体现了复杂系统的脆性，具有连锁失效性。以往国内外的现有技术文献中，都是从船舶火灾动力学或者火灾风险出发，仅对消防系统失效进行了静态分析，而忽略了船舶消防系统失效的动态性能即连锁性失效的研究。为了克服上述现有技术的不足，本发明提供了一种基于灰色关联聚类和BP人工神经网络的船舶消防系统连锁性失效的预测方法，为建立我国的船舶消防系统安全评估提供了技术手段。\n发明内容\n[0003] 本发明的目的在于提出一种克服船舶消防系统各种连锁失效因素随机性、模糊性和不相关性的连锁性失效预测方法。\n[0004] 本发明的目的是这样实现的：\n[0005] 船舶消防系统连锁性失效的预测方法，包括如下步骤：\n[0006] （1）将船舶消防系统中每个舱室设为一个消防单元，根据船舶火灾事件统计得出n个消防系统连锁失效因素作为观测数据，建立1个参考数据列和N-1个比较数据列，将消防单元连锁失效限定阀值为参考数据列，比较数据序列为各消防单元的失效因素量化后的实际观测值，其中X0={x0(0)(i),(i=1,2...n)}为参考数据列，Xk={xk(0)(i),(k=1,2...N-1;i=\n1,2...n)}为比较数据列，N-1为舱室的数量，每个序列中的元素分别代表n个连锁失效因素；\n[0007] （2）建立GM(1,N-1)模型： 其中\n为 的紧邻均值生成序列， -a\n为系统发展系数，bm为驱动系数，按最小二乘法求解可得到a和bm的估计值；\n[0008] （3）确定比较序列Xk中失效因素对参考序列失效X0因素的灰关联度r0k(k=1,\n2...N-1)；\n[0009] （4）根据关联度r0k的数值大小进行数列排序，得出消防系统发生连锁失效的舱室主次排序，判断哪个舱室与系统连锁性失效关联最大，筛选处消防系统容易发生连锁性失效的舱室，确定该舱室的连锁失效因素；\n[0010] （5）计算Xm与Xj(m≤j,且m,j=0,1...N-1)的灰色关联度，进行灰色聚类将实时观测的失效因素进行归并，n个连锁失效因素可被聚为f类(f≤n)；\n[0011] （6）根据步骤（4）中的连锁失效因素，在步骤（5）的f类的每一类找出代表性失效因素，共有p个代表性失效因素(n≥p≥f)，建立BP人工神经网络的预测模型，神经网络的输入向量为p个代表性失效因素，记为H=(h1,h2,....hp)，输出量为Y=(Y1,Y2,Y3)，把输出向量划分为安全、一般安全、失效三种状态分别用(1,0,0)、(0,1,0)、(0,0,1)表示。\n[0012] （1）将船舶消防系统中每个舱室设为一个消防单元，根据船舶火灾事件统计得出n个消防系统连锁失效因素作为观测数据，建立1个参考数据列和N-1个比较数据列，将消防单元连锁失效限定阀值为参考数据列，比较数据序列为各消防单元的失效因素量化后的实(0) (0)\n际观测值，其中X0={x0 (i),(i=1,2...n)}为参考数据列，Xk={xk (i),(k=1,2...N-1;i=\n1,2...n)}为比较数据列，N-1为舱室的数量，每个序列中的元素分别代表n个连锁失效因素；\n[0013] （2）建立GM(1,N-1)模型： 其中\n为 的紧邻均值生成序列， -a为\n系统发展系数，bm为驱动系数，按最小二乘法求解可得到a和bm的估计值；\n[0014] （3）确定比较序列Xk中失效因素对参考序列失效X0因素的灰关联度r0k(k=1,\n2...N-1)；\n[0015] （4）根据关联度r0k的数值大小进行数列排序，得出消防系统发生连锁失效的舱室主次排序，判断哪个舱室与系统连锁性失效关联最大，筛选处消防系统容易发生连锁性失效的舱室，确定该舱室的连锁失效因素；\n[0016] （5）计算Xm与Xj(m≤j,且m,j=0,1...N-1)的灰色关联度，进行灰色聚类将实时观测的失效因素进行归并，n个连锁失效因素可被聚为f类(f≤n)；\n[0017] （6）根据步骤（4）中的连锁失效因素，在步骤（5）的f类的每一类找出代表性失效因素，共有p个代表性失效因素(n≥p≥f)，建立BP人工神经网络的预测模型，神经网络的输入向量为p个代表性失效因素，记为H=(h1,h2,....hp)，输出量为Y=(Y1,Y2,Y3)，把输出向量划分为安全、一般安全、失效三种状态分别用(1,0,0)、(0,1,0)、(0,0,1)表示。\n[0018] 本发明的有益效果在于：本发明提供了船舶消防系统失效的动态分析方法，弥补了现有静态分析技术的不足，考虑到了舱室之间的耦合联系，判断出主要的消防系统连锁失效舱室和失效因素，并根据船舶的实际状况判断出消防系统的安全状态。\n附图说明\n[0019] 图1是本发明的流程图。\n具体实施方式\n[0020] 下面结合附图和实施例对本发明进一步说明。\n[0021] （1）将船舶消防系统中每个舱室设为一个消防单元，从大量的船舶火灾事件统计得出n个消防系统连锁失效因素作为观测数据。建立1个参考数据列和N-1个比较数据列。将消防单元连锁失效限定阀值为参考数据列，比较序列为各消防单元的失效因素量化后的实际观测值。令X0={x0(0)(i),(i=1,2...n)}为参考数据列，Xk={xk(0)(i),(k=1,2...N-1;i=1,\n2...n)}为比较数据列(N-1为舱室的数量)，每个序列中的元素分别代表感烟传感器的烟雾浓度、感温探测器的温度、烟雾增加斜率、报警时间、线路的断路、线路的短路和人员巡检等n个连锁失效因素(n个连锁失效因素可以根据船舶类型的不同加以改变)。\n[0022] （2）建立灰色GM(1,N-1)模型： 其中\n为 的紧邻均值生成序列， -a\n为系统发展系数，bm为驱动系数。令\nT T -1 T\n则参数列A=[a,b1,b2,..,bN-1]的最小二乘估计满足A=(BB) BQ,则求解得到a和bm的值。\n[0023] （ 3）计算 出 关联 度 r0 k( k =1 ,2 . ..N - 1 )。对于 0<ε<1 ,令则\nr0k即为比较序列Xk中失效因素对参考序列失效X0因素的灰关联度,表明此因素与彼因素发展变化势态接近程度，其数值变化范围为0～1。r0k数值越接近于1,影响程度越大。\n[0024] （4）根据关联度r0k的数值大小进行数列排序，据此得出消防系统发生连锁失效的舱室主次排序，判断出哪个舱室与系统连锁性失效关联最大，筛选出哪些舱室的消防系统容易发生连锁性失效，排查出连锁失效因素。\n[0025] （5）根据步骤（3）公式计算出Xm与Xj(m≤j,且m,j=0,1...N-1)的灰色关联度，得到上三角形矩阵 取定临界值β∈（0,1），当ωmj≥β(m≠j)时，则\n视为Xm与Xj为同类，这样就将灰色聚类将实时观测的失效因素进行了归并，n个连锁失效因素可被聚为f类(f≤n)，例如可以归并为人、机、环境、管理4类。\n[0026] （6）根据步骤（4）中的连锁失效因素的排序，在步骤（5）的f类的每一类找出代表性失效因素，共有p个代表性失效因素(n≥p≥f)，建立BP人工神经网络的预测序列。根据步骤（2）的GM(1,N-1)模型所得计算数据还原值 (i)(k=1,2.....N-1,i=1,2...n)，建立残差设对{ek(0)(i)}用BP神经网络模型预测出的残差序列为\n构造灰色人工神经网络组合模型的预期序列 BP神经网络的的输入向\n量为p个代表性失效因素，记为H=(h1,h2,....hp)。输出量为Y=(Y1,Y2,Y3)，把输出向量划分为安全、一般安全、失效三种状态分别用(1,0,0)、(0,1,0)、(0,0,1)表示。\n[0027] 由于船舶消防系统的各种连锁失效因素的随机性、模糊性、各因素之间不确定的相关性以及统计资料的不完整性，因此各失效因素之间的相互关系不清晰。本发明公开了一种基于灰色关联聚类和BP人工神经网络的船舶消防系统连锁性失效的预测方法。本发明将船舶消防系统看成是一个灰色系统，将消防系统连锁失效因素作为消防系统行为特征量处理。把船舶消防系统连锁失效因素当做随机量，在一定范围内和一定时间内都是灰色量和灰过程，建立灰色GM(1,N-1)模型，其中N-1为舱室数量。利用灰关联方法进行连锁失效发展态势的量化分析，得到了失效因素对船舶消防系统安全性能影响程度的大小排序，明确了主要连锁失效因素，从而有利于消防系统防火、灭火性能的设计和检查。通过灰色聚类对n个失效因素进行归并处理为f类，并在每一类中筛选出代表性失效因素。应用BP人工神经网络对GM(1,N-1)模型进行数据序列拟合，把样本的输入输出问题转化为一个非线性优化问题，网络建立的模型经过训练后，可得到代表性失效因素及舱室之间的非线性关系，对连锁失效舱室进行了预测，为进一步采取预防控制策略提供了定量分析。该方法不仅适用于船舶消防系统，对类似结构的其他复杂系统的连锁性失效行为的预测具有普适性。\n[0028] （1）在船舶消防系统中以每个舱室为一个消防单元，共有N-1个消防单元，把每个消防单元作为观测对象，从大量的船舶火灾事件统计得出n个消防系统连锁失效因素作为观测数据，建立灰色GM(1,N-1)模型。该模型包含1个参考数据列和N-1个比较数据列。消防单元连锁失效限定阀值为参考数据列，比较序列为各消防单元的失效因素量化后的实际观测值。设X0={x0(i),(i=1,2...n)}为参考数据列，Xk={xk(i),(k=1,2...N-1;i=1,2...n)}为比较数据列。每个序列中的元素分别代表感烟传感器的烟雾浓度、感温探测器的温度、烟雾增加斜率、报警时间、线路的断路、线路的短路和人员巡检等n个连锁失效因素。建立GM(1,N-1 )模型。该模型为 其中\n为 的紧邻均值生成序列， -a\n为系统发展系数，bm为驱动系数，按最小二乘法求解可得到a和bm的估计值。\n[0029] （2）计算出关联度r0k(k=1,2...N-1)，r0k即为比较序列Xk中失效因素对参考序列失效X0因素的灰关联度,，其数值变化范围为0～1。ri数值越接近于1,影响程度越大。根据关联度r0k的数值大小进行数列排序，据此得出消防系统发生连锁失效的舱室主次排序，判断出哪个舱室与系统连锁性失效关联最大，筛选出哪些舱室的消防系统容易发生连锁性失效，排查出连锁失效因素\n[0030] （3）根据步骤（2）计算出Xm与Xj(m≤j,且m,j=0,1...N-1)的灰色关联度，进行灰色聚类将实时观测的失效因素进行归并。将n个连锁失效因素可被聚为f类(f≤n)，使得在失效评估中能用这些失效因素的综合平均指标或者其中的某一个失效因素来代表若干因素而使信息不受严重损失。这样就简洁地说明船舶消防系统连锁失效的行为，为简化连锁失效评价指标体系提供了理论依据。\n[0031] （4）结合发明步骤（2）中的主要连锁失效因素，在发明步骤（3）的f类的每一类找出代表性失效因素，共有p个代表性失效因素(n≥p≥f)，建立BP人工神经网络的预测模型。神经网络的输入向量为p个代表性失效因素，记为H=(h1,h2,....hp)。输出量为Y=(Y1,Y2,Y3)，把输出向量划分为安全、一般安全、失效三种状态分别用(1,0,0)、(0,1,0)、(0,0,1)表示，预测了舱室消防状态和消防系统连锁失效的行为，为船舶消防系统安全决策提供了参考依据。\n[0032] 本发明提供了一种基于灰色关联聚类和BP人工神经网络的船舶消防系统连锁性失效的预测方法，不仅给出了发生连锁失效舱室的主次排序和主要连锁失效因素，而且预测了船舶消防系统连锁性失效的行为，其思路和方法可推广于具有类似结构的其他复杂系统的连锁失效预测。