CN113177724B - 一种基于图形模糊集和copras的装备外场试验资源调度方法 - Google Patents

一种基于图形模糊集和copras的装备外场试验资源调度方法 Download PDF

Info

Publication number
CN113177724B
CN113177724B CN202110527823.XA CN202110527823A CN113177724B CN 113177724 B CN113177724 B CN 113177724B CN 202110527823 A CN202110527823 A CN 202110527823A CN 113177724 B CN113177724 B CN 113177724B
Authority
CN
China
Prior art keywords
risk
fuzzy set
test
evaluation
representing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110527823.XA
Other languages
English (en)
Other versions
CN113177724A (zh
Inventor
李洪升
王双青
宋敏
简大超
王春博
王春龙
莫海泉
孙勇
韦安津
李伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
95861 Unit Of Chinese Pla
Original Assignee
95861 Unit Of Chinese Pla
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 95861 Unit Of Chinese Pla filed Critical 95861 Unit Of Chinese Pla
Priority to CN202110527823.XA priority Critical patent/CN113177724B/zh
Publication of CN113177724A publication Critical patent/CN113177724A/zh
Application granted granted Critical
Publication of CN113177724B publication Critical patent/CN113177724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明公开了一种基于图形模糊集和COPRAS的装备外场试验资源调度方法，本发明包括进行试验资源调度生成外场试验方案；针对外场试验方案进行装备外场试验风险识别确定外场试验方案的潜在故障模式；基于图形模糊集和COPRAS方法进行外场试验方案的潜在故障模式的风险程度与风险排序计算；判断计算得到的风险程度是否满足要求，若满足要求则将生成的外场试验方案输出以开始外场试验并进入阶段性试验资源调度环节；否则返回重新迭代。本发明将图形模糊集和COPRAS方法结合，提高FMEA分析的有效性，能够提高装备外场试验资源调度的及时性和合理性。

Description

一种基于图形模糊集和COPRAS的装备外场试验资源调度方法
技术领域
本发明属于试验资源调度领域，具体涉及一种基于图形模糊集和COPRAS的装备外场试验资源调度方法，可利用图形模糊集和COPRAS方法实现装备外场试验风险排序和试验资源迭代调度。
背景技术
经典的试验资源调度问题，就是将一些可以分解为子任务的试验任务，满足特定的约束条件，例如试验中的设备资源、试验资料、试验人员及试验标准等，以达到完成所有任务所需的试验持续时间周期最短。但是，装备外场试验不仅仅把试验持续时间周期最短作为唯一的条件，而通常以完成所有任务遭遇到的风险最小为基本标准。因此，利用线性规划等方法来解决试验调度问题的传统解决方案不再适用，必须探讨以降低试验风险为目标的新的试验调度方法。
故障模式及影响分析(FMEA)的主要关注点不是在故障发生后寻找解决方案，而是预防问题的发生。FMEA最初由美国航空航天工业在20世纪60年代早期创建和开发，用于评估系统和设备故障对任务成功和人员或设备安全的影响。并将其应用于汽车制造业的质量改进和设计制造的风险评估。1980年，FMEA实施过程被军事标准(MIL-STD)1629A标准化。1990年，国际标准化组织(ISO)建议在ISO 9000系列中使用FMEA进行设计评审。目前，FMEA已经广泛应用于航空航天、核、汽车、电子、医疗等行业的可靠性分析中。
传统的基于FMEA的装备外场试验风险评价使用风险优先数(RPN)对故障模式风险进行排序。RPN是通过计算风险因子的乘积来确定的，即RPN＝O×S×D，其中O为故障概率，S为故障严重程度，D为未检测到故障的概率。通常，RPN值越高，故障模式越重要，应该给予更高的纠正措施优先级。虽然传统的基于FMEA的装备外场试验风险评价方法是一种系统的、高效的方法，可以提高可靠性，但其仍然存在许多缺陷，主要有以下几点：(1)基于传统FMEA的装备外场试验风险评价方法采用专家打分的方法对故障模式进行风险等级评估，但由于评估系统的复杂性以及人类思维的模糊性和不确定性，评估专家很难精确地使用具体数值对故障模式进行评级；(2)基于传统FMEA的装备外场试验风险评价方法假设所有评估专家有相同的打分权重，但在实际上，专家们打分往往基于自身的经验和知识，对评估系统均有不同的认识，这样会导致最终的RPN值和实际的风险程度有很大的差别；(3)传统RPN方法在计算装备外场试验故障模式风险程度的时候，只是对三个风险因子进行简单的相乘，忽略了风险因子之间的相对重要性，也会对最终的故障模式风险评定产生影响；(4)在不同实际应用场景下，传统的三个风险因子难以充分反映现实环境下的装备外场试验故障模式的风险程度。因此，需要对传统的风险分析模型改进以提高基于FMEA的装备外场试验风险评价方法的有效性，进而确保外场试验资源调度的及时性和合理性。
图形模糊集(Picture Fuzzy Sets，PFSs)包括正隶属度，中立隶属度以及负隶属度三种，能够更准确适当地处理专家的评价信息，适用于复杂不确定的环境。到目前为止，图形模糊集已经成功地应用于解决现实世界中的许多决策问题。综合比例评估(COmplexPRoportional ASsessment,COPRAS)方法作为一种有效的多准则决策方法，通常被应用在具有多准则并且已知它们的相对重要性的决策方案的排序与选择上。该方法在评估和排序备选方案的过程中能够考虑到不同方案的重要性和有效度，有很多优点：(1)能够同时考虑理想点和非理想点；(2)考虑了属性的相对重要性；(3)计算过程简单、易于操作。目前，它已经被广泛应用于许多领域。
发明内容
本发明要解决的技术问题：为了克服传统的基于FMEA装备外场试验风险评价方法在风险评价不精确、风险因子加权和RPN计算有问题等方面的固有缺陷，从而提高装备外场试验资源调度的效率，本发明提出了一种基于图形模糊集和COPRAS的装备外场试验资源调度方法，本发明将图形模糊集和COPRAS方法结合，提高FMEA分析的有效性，能够提高装备外场试验资源调度的及时性和合理性。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于图形模糊集和COPRAS的装备外场试验资源调度方法，包括：
S1、进行试验资源调度生成外场试验方案；
S2、针对外场试验方案进行装备外场试验风险识别确定外场试验方案的潜在故障模式；
基于图形模糊集和COPRAS方法进行外场试验方案的潜在故障模式的风险程度与风险排序计算；
S3、判断计算得到的风险程度是否满足要求，若不满足要求，则跳转执行步骤S1(大循环调度)；否则，将生成的外场试验方案输出以开始外场试验并进入阶段性试验资源调度环节(阶段性小循环调度)。
可选地，步骤S2的步骤包括：
S2.1、通过多位评价成员组成的外场试验风险评价团队，针对外场试验方案中涉及的试验设计、试验准备、试验实施及试验总结四个阶段针对指定的N种潜在故障模式进行风险评估得到汇总评价结果表，所述汇总评价结果表包括每一个评价成员对N种潜在故障模式相对指定的风险因子对应的语言术语，所述语言术语是指等级划分且带有对应的图形模糊数；
S2.2、将汇总评价结果表根据语言术语的图形模糊数转换为图形模糊集评估矩阵；
S2.3、根据评价成员的权重将图形模糊集评估矩阵生成集体图形模糊集风险评估矩阵；
S2.4、根据风险因子的权重，将集体图形模糊集风险评估矩阵计算生成加权图形模糊集风险评估矩阵；
S2.5、根据加权图形模糊集风险评估矩阵计算每种潜在故障模式的风险因子的值之和；
S2.6、根据每种潜在故障模式的风险因子的值之和作为该潜在故障模式的相对重要性；
S2.7、根据每种潜在故障模式的相对重要性计算风险程度；
S2.8、根据风险程度对所有的潜在故障模式进行风险排序。
可选地，步骤S2.3中生成集体图形模糊集风险评估矩阵为
Figure GDA0003347660500000031
其中m为集体图形模糊集风险评估矩阵的行数，n为集体图形模糊集风险评估矩阵的列数，任意第i行第j列元素
Figure GDA0003347660500000032
的计算函数表达式为：
Figure GDA0003347660500000033
上式中，PFOWA是指图形模糊集客观加权平均算子，
Figure GDA0003347660500000034
表示第1～l个评价成员的图形模糊集评估矩阵，λk表示第k个评价成员的权重，
Figure GDA0003347660500000035
表示任意潜在故障模式FMi关于风险因子j的图形模糊集评价，μij表示图形模糊集的正隶属度，vij表示图形模糊集的正隶属度，ηij表示图形模糊集的中立隶属度，i表示潜在故障模式的编号，j表示风险因子的编号，k表示评价成员编号，l表示评价成员数量。
可选地，步骤S2.4中生成的加权图形模糊集风险评估矩阵为
Figure GDA0003347660500000036
其中m为集体图形模糊集风险评估矩阵的行数，n为集体图形模糊集风险评估矩阵的列数，加权图形模糊集风险评估矩阵的计算函数表达式为：
Figure GDA0003347660500000037
上式中，wj表示第j个风险因子的权重，μij表示图形模糊集的正隶属度，vij表示图形模糊集的正隶属度，ηij表示图形模糊集的中立隶属度，i表示潜在故障模式的编号，j表示风险因子的编号。
可选地，步骤S2.5中计算每种潜在故障模式的风险因子的值之和的函数表达式为：
Figure GDA0003347660500000041
上式中，
Figure GDA0003347660500000042
表示第i种潜在故障模式的风险因子的值之和，m为集体图形模糊集风险评估矩阵的行数，n为集体图形模糊集风险评估矩阵的列数，
Figure GDA0003347660500000043
表示加权图形模糊集风险评估矩阵中的第i行第j列元素。
可选地，步骤S2.7中计算风险程度的函数表达式为：
Figure GDA0003347660500000044
上式中，Ui表示第i种潜在故障模式的风险程度，
Figure GDA0003347660500000045
表示第i种潜在故障模式的相对重要性
Figure GDA0003347660500000046
的得分，
Figure GDA0003347660500000047
为各种潜在故障模式的相对重要性
Figure GDA0003347660500000048
的最大值，
Figure GDA0003347660500000049
为各种潜在故障模式的相对重要性
Figure GDA00033476605000000410
的最大值的评分，m为集体图形模糊集风险评估矩阵的行数。
可选地，步骤S3中判断计算得到的风险程度是否满足要求的条件为风险程度的均值E(S)小于预设阈值k1、且风险程度的方差Var(S)小于预设阈值k2。
可选地，所述N种潜在故障模式包括质量计划内容不全问题FM1、外场试验与评估大纲的质量问题FM2、试验与评估方案不合理FM3、技术状态不合规FM4、装备或操控问题FM5、火工品安全问题FM6、数据采集问题FM7、数据处理问题FM8、试验结果分析与评价偏差FM9、数据分析处理评价不充分问题FM10和试验指挥问题FM11共十一种潜在故障模式；所述风险因子包括再现性RF1、重复性RF2、影响RF3、被试方参与度RF4、相关性RF5、不被探测的可能性RF6和系统探测方法RF7七种，其中再现性RF1用于表征潜在故障模式再现性，重复性RF2用于表征潜在故障模式重复性，影响RF3用于表征潜在故障模式的影响大小，被试方参与度RF4用于表征被试方参与试验流程的程度，相关性RF5用于表征各个试验流程之间的相关性，不被探测的可能性RF6用于表征装备外场试验故障模式不被探测的概率，系统探测方法RF7用于表征周期或者系统的探测方法。
此外，本发明还提供一种基于图形模糊集和COPRAS的装备外场试验资源调度系统，包括计算机设备，该计算机设备包括微处理器和存储器，所述微处理器被编程或配置以执行所述基于图形模糊集和COPRAS的装备外场试验资源调度方法的步骤，或者所述存储器中存储有被编程或配置以执行所述基于图形模糊集和COPRAS的装备外场试验资源调度方法的计算机程序。
此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行所述基于图形模糊集和COPRAS的装备外场试验资源调度方法的计算机程序。
和现有技术相比，本发明具有下述优点：本发明基于图形模糊集和COPRAS的装备外场试验资源调度方法包括进行试验资源调度生成外场试验方案；针对外场试验方案进行装备外场试验风险识别确定外场试验方案的潜在故障模式；基于图形模糊集和COPRAS方法进行外场试验方案的潜在故障模式的风险程度与风险排序计算；判断计算得到的风险程度是否满足要求，若满足要求则将生成的外场试验方案输出以开始外场试验并进入阶段性试验资源调度环节，否则继续迭代进行。本发明的有益效果是：(1)利用图形模糊集表达评估专家的评价信息，充分考虑了评价信息的不确定性和模糊性，并且使得专家能够更方便和真实地对装备外场试验故障模式和风险因子做出评价；(2)使用PFOWA算子集结各个专家的评价矩阵，减少了专家之间因知识和经验不同而导致的评定偏差对最终风险排序结果的影响；(3)使用COPRAS多准则决策方法代替原有的RPN计算方式，计算最终的装备外场试验故障模式排序，把风险因子的相对权重考虑了进来，排序结果更加准确有效，且计算过程简单；(4)采用外场试验故障模式记分函数均值和方差大小作为是否进行外场试验资源迭代调度的判据，易于实现且符合试验实际需求。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中的汇总评价结果。
图3为本发明实施例中得到的集体图形模糊集评估矩阵。
图4为本发明实施例中得到的加权图形模糊集评估矩阵。
图5为本发明实施例中得到的潜在故障模式记分函数和风险排序结果。
图6为本发明实施例中得到的专家第二次评价结果汇总。
图7为本发明实施例中得到的第二次装备外场试验故障模式记分函数和风险排序结果。
具体实施方式
下面结合具体实施例对本发明的技术方案进一步详细说明。以下所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本实施例基于图形模糊集和COPRAS的装备外场试验资源调度方法包括：
S1、进行试验资源调度生成外场试验方案；
S2、针对外场试验方案进行装备外场试验风险识别确定外场试验方案的潜在故障模式；
基于图形模糊集和COPRAS方法进行外场试验方案的潜在故障模式的风险程度与风险排序计算；
S3、判断计算得到的风险程度是否满足要求，若不满足要求，则跳转执行步骤S1(大循环调度)；否则，将生成的外场试验方案输出以开始外场试验并进入阶段性试验资源调度环节(阶段性小循环调度)。
步骤S1进行试验资源调度生成外场试验方案时，应通过科学合理地调配试验测试测量设备、陪试装备、试验文档资料、试验人员及试验规程标准等试验资源，以达到完成所有试验任务所遭遇的风险处于较小的状态，以确保整个外场试验过程中遭遇的风险较低。
本实施例中，步骤S2的步骤包括：
S2.1、通过多位评价成员组成的外场试验风险评价团队，针对外场试验方案中涉及的试验设计、试验准备、试验实施及试验总结四个阶段针对指定的N种潜在故障模式进行风险评估得到汇总评价结果表，汇总评价结果表包括每一个评价成员对N种潜在故障模式相对指定的风险因子对应的语言术语，所述语言术语是指等级划分且带有对应的图形模糊数；
S2.2、将汇总评价结果表根据语言术语的图形模糊数转换为图形模糊集评估矩阵；
S2.3、根据评价成员的权重将图形模糊集评估矩阵生成集体图形模糊集风险评估矩阵；
S2.4、根据风险因子的权重，将集体图形模糊集风险评估矩阵计算生成加权图形模糊集风险评估矩阵；
S2.5、根据加权图形模糊集风险评估矩阵计算每种潜在故障模式的风险因子的值之和；
S2.6、根据每种潜在故障模式的风险因子的值之和作为该潜在故障模式的相对重要性；
S2.7、根据每种潜在故障模式的相对重要性计算风险程度；
S2.8、根据风险程度对所有的潜在故障模式进行风险排序。
为更清楚的说明本发明的技术方案，假定根据装备外场试验筹划安排，已经进行了外场试验资源调度，并开展了试验过程风险源识别，确定了对试验过程和试验结果有较大影响的装备外场试验潜在故障模式。设外场试验风险评价团队有l个评价成员TMk(k＝1，2，…，l)，负责评估m个装备外场试验故障模式FMi(i＝1，2，…，m)关于n个风险因子RFj(j＝1，2，…，n)。外场试验风险评价团队成员的权重向量分别为：λ1，λ2，...，λl，且任意λk＞0且λ1，λ2，...，λl的总和为1，λk表示该评估人员k在评估成员中的相对重要程度。将
Figure GDA0003347660500000061
表示第k个评价成员的图形模糊集评价矩阵，其中
Figure GDA0003347660500000062
是一个图形模糊集，表示装备外场试验故障模式FMi关于风险因子RFj的评价值。本实施例方法中，评价成员的权重和风险因子权重都是已知的。作为一种可选的实施方式，本实施例中步骤2.1通过4位评价成员组成的外场试验风险评价团队，即l＝4。
潜在故障模式是指在众多识别出的外场试验风险源中，一些可能对试验过程或结果具有一定程度消极影响的故障模式。作为一种可选的实施方式，本实施例中N种潜在故障模式包括质量计划内容不全问题FM1、外场试验与评估大纲的质量问题FM2、试验与评估方案不合理FM3、技术状态不合规FM4、装备或操控问题FM5、火工品安全问题FM6、数据采集问题FM7、数据处理问题FM8、试验结果分析与评价偏差FM9、数据分析处理评价不充分问题FM10和试验指挥问题FM11共十一种潜在故障模式，具体如表1所示，表1总结了装备外场试验过程中的潜在故障模式和原因。
表1：潜在故障模式及其故障原因表。
Figure GDA0003347660500000071
在装备外场试验中，由于外场试验独有的特点，传统的风险因子O、S和D难以衡量出真实的外场试验故障模式的风险。因此，基于上文对装备外场试验故障模式的定义和文献调研中的试验风险因子维度，本实施例中确定出了一个新的、适合外场试验风险的风险因子层次结构，也就是包含3个父风险因子(O、S和D)和7个风险因子，如表2所示。
表2：父风险因子及风险因子表。
Figure GDA0003347660500000072
Figure GDA0003347660500000081
参见表2，作为一种可选的实施方式，本实施例中风险因子包括再现性RF1、重复性RF2、影响RF3、被试方参与度RF4、相关性RF5、不被探测的可能性RF6和系统探测方法RF7七种，其中再现性RF1用于表征潜在故障模式再现性，重复性RF2用于表征潜在故障模式重复性，影响RF3用于表征潜在故障模式的影响大小，被试方参与度RF4用于表征被试方参与试验流程的程度，相关性RF5用于表征各个试验流程之间的相关性，不被探测的可能性RF6用于表征装备外场试验故障模式不被探测的概率，系统探测方法RF7用于表征周期或者系统的探测方法。
本实施例中，步骤S2.1涉及的语言术语和图形模糊数如表3所示。
表3：语言术语和图形模糊数表。
语言术语 图形模糊数
很低(VL) (0.1，0.05，0.8)
较低(L) (0.3，0.05，0.60)
中等(M) (0.5，0.10，0.40)
高(H) (0.7，0.05，0.20)
很高(VH) (0.8，0.05，0.1)
外场试验风险评价团队确定7个子风险因子的相对权重分别为：0.16，0.1，0.34，0.06，0.1，0.13和0.11。根据表3语言术语，外场试验风险评价团队成员对11个装备外场试验故障模式进行风险评估，得到的汇总评价结果如图2所示。
本实施例中，步骤S2.2中将汇总评价结果表根据表3记载的语言术语的图形模糊数转换为图形模糊集评估矩阵，然后步骤S2.3中根据评价成员的权重将图形模糊集评估矩阵生成集体图形模糊集风险评估矩阵。本实施例中，评价成员的权重为：
ω＝(0.155，0.345，0.345，0.155)T
最终，步骤S2.3中生成集体图形模糊集风险评估矩阵为
Figure GDA0003347660500000082
其中m为集体图形模糊集风险评估矩阵的行数，n为集体图形模糊集风险评估矩阵的列数，可表示为：
Figure GDA0003347660500000083
任意第i行第j列元素
Figure GDA0003347660500000084
的计算函数表达式为：
Figure GDA0003347660500000091
上式中，PFOWA是指图形模糊集客观加权平均算子，
Figure GDA0003347660500000092
表示第1～l个评价成员的图形模糊集评估矩阵，λk表示第k个评价成员的权重，
Figure GDA0003347660500000093
表示任意潜在故障模式FMi关于风险因子j的图形模糊集评价，μij表示图形模糊集的正隶属度，vij表示图形模糊集的正隶属度，ηij表示图形模糊集的中立隶属度，i表示潜在故障模式的编号，j表示风险因子的编号，k表示评价成员编号，l表示评价成员数量。
Figure GDA0003347660500000094
表示潜在故障模式FMi关于风险因子RFj的图形模糊集评价。最终生成的集体图形模糊集风险评估矩阵具体如图3所示。需要说明的是，有很多方法可以确定有序加权平均(OWA)权重，上式中PFOWA算子的权重通过标准正态分布方法确定。
参见前文，本实施例中7个子风险因子的相对权重分别为：0.16，0.1，0.34，0.06，0.1，0.13和0.11。本实施例步骤S2.4根据7个风险因子的权重，将集体图形模糊集风险评估矩阵计算生成加权图形模糊集风险评估矩阵为
Figure GDA0003347660500000095
其中m为集体图形模糊集风险评估矩阵的行数，n为集体图形模糊集风险评估矩阵的列数，可表示为：
Figure GDA0003347660500000096
加权图形模糊集风险评估矩阵的计算函数表达式为：
Figure GDA0003347660500000097
上式中，wj表示第j个风险因子的权重，μij表示图形模糊集的正隶属度，vij表示图形模糊集的负隶属度，ηij表示图形模糊集的中立隶属度，i表示潜在故障模式的编号，j表示风险因子的编号。最终，生成加权图形模糊集风险评估矩阵具体如图4所示。需要说明的是，其中风险因子的权重wj(j＝1，2，...，n)可以由决策者给定或者通过相关方法确定。
本实施例步骤S2.5中计算每种潜在故障模式的风险因子的值之和的函数表达式为：
Figure GDA0003347660500000101
上式中，
Figure GDA0003347660500000102
表示第i种潜在故障模式的风险因子的值之和，m为集体图形模糊集风险评估矩阵的行数，n为集体图形模糊集风险评估矩阵的列数，
Figure GDA0003347660500000103
表示加权图形模糊集风险评估矩阵中的第i行第j列元素。
在风险评估过程中，所有风险因子都是“效益型”的，也就是说，风险因子值越大，装备外场试验故障模式风险越高。因此，本实施例步骤S2.6根据每种潜在故障模式的风险因子的值之和作为该潜在故障模式的相对重要性，其函数表达式为：
Figure GDA0003347660500000104
上式中，
Figure GDA0003347660500000105
表示第i种潜在故障模式的相对重要性，
Figure GDA0003347660500000106
表示第i种潜在故障模式的风险因子的值之和，m为集体图形模糊集风险评估矩阵的行数。
本实施例中，步骤S2.7中计算风险程度的函数表达式为：
Figure GDA0003347660500000107
上式中，Ui表示第i种潜在故障模式的风险程度，
Figure GDA0003347660500000108
表示第i种潜在故障模式的相对重要性
Figure GDA0003347660500000109
的得分，
Figure GDA00033476605000001010
为各种潜在故障模式的相对重要性
Figure GDA00033476605000001011
的最大值，
Figure GDA00033476605000001012
为各种潜在故障模式的相对重要性
Figure GDA00033476605000001013
的最大值的评分，m为集体图形模糊集风险评估矩阵的行数。其中，得分是通过记分函数来计算的，设α＝(μα，ηα，vα)为一个图形模糊数，那么它的记分函数S(α)和精确函数H(α)分别为：
S(α)＝μα-vα，S(α)∈[-1，1]
H(α)＝μα+ηα+vα，H(α)∈[0，1]
最终得到的装备外场试验故障模式记分函数和风险排序结果如图5所示。
本实施例中，步骤S2.8根据风险程度对所有的潜在故障模式进行风险排序的依据是，对于FMEA来说，Ui值越大的装备外场试验故障模式，其潜在风险越大。因此，根据Ui值的降序排序，可以确定所有装备外场试验故障模式从大到小的风险排序。本实施例中根据故障模式风险度的降序排序，可以确定所有故障模式从大到小的风险排序，风险排序结果如图6所示。因此，装备外场试验过程风险分析中，FM6(火工品安全问题)是最关键的潜在故障模式，应首先对其制定纠正措施，其余故障模式按照风险由大到小顺序依次为FM5、FM7、FM11、FM4、FM9、FM8、FM3、FM10、FM2、FM1。
本实施例中，步骤S3中判断计算得到的风险程度是否满足要求的条件为风险程度的均值E(S)小于预设阈值k1且风险程度的方差Var(S)小于预设阈值k2。其中，k1与k2的取值可以根据经验设置，例如本实施例中k1＝0.04，k2＝0.037时可得到较为满意的结果。
其中，风险程度的均值E(S)以及风险程度的方差Var(S)的函数表达式为：
Figure GDA0003347660500000111
Figure GDA0003347660500000112
上式中，
Figure GDA0003347660500000114
表示第i种潜在故障模式的相对重要性
Figure GDA0003347660500000113
的得分，m为集体图形模糊集风险评估矩阵的行数。本实施例中，计算结果是风险程度的均值E(S)为0.0729，风险程度的方差Var(S)为0.0338，因E(S)大于k1＝0.04，因此外场试验风险程度不满足要求，需返回步骤S1以根据风险排序结果，需要进行外场试验资源的再一次有针对性调配，以克服引起故障原因的不足之处，从而降低各个故障模式的风险程度。返回重新执行步骤S1～步骤S3时，最终第二次评价结果汇总见图6，第二次装备外场试验故障模式记分函数和风险排序结果见图7，最终计算结果是风险程度的均值E(S)为0.0353，风险程度的方差Var(S)为0.0361，因为E(S)小于k1且Var(S)小于k2，所以外场试验风险程度满足要求，可以进行外场试验，并进入阶段性试验资源调度环境(阶段性小循环调度)。。
步骤S3中开始外场试验并进入阶段性试验资源调度环节主要是指针对装备外场试验的试验设计阶段、试验准备阶段、试验实施阶段和试验总结阶段，在开始每一阶段的试验前采取跟前面类似的方法与步骤，对各阶段的试验资源进行调度、开展风险源识别并重新确定潜在的故障模式，同时，再次采用前述的基于图形模糊集和COPRAS的风险排序和资源调度策略，进行阶段性的试验资源迭代调度(阶段性循环调度)。针对装备外场试验的试验设计阶段、试验准备阶段、试验实施阶段和试验总结阶段，在开始每一阶段的试验前采取跟前面类似的方法与步骤，对各阶段的风险源进行调度、开展风险源识别并重新确定潜在的故障模式，同时，再次采用本实施例前述的基于图形模糊集和COPRAS的装备外场试验资源调度方法进行阶段性的试验资源迭代调度，直至完成全部试验。
终上所述，本实施例基于图形模糊集和COPRAS的装备外场试验资源调度方法，包括根据装备外场试验筹划安排和调整计划，进行试验资源调度；进行装备外场试验风险识别以确定外场试验的潜在故障模式；运用图形模糊集客观加权平均(PFOWA)算子聚合外场试验风险评价团队成员评价，计算出集体图形模糊集评价矩阵；计算加权图形模糊集评价矩阵；计算每个装备外场试验故障模式的风险因子值之和；计算每个装备外场试验故障模式的相对重要性；确定每个装备外场试验故障模式的风险程度；确定所有装备外场试验故障模式的风险排序；判断装备外场试验故障模式的风险程度是否满足要求，若不满足要求则重新开始：根据风险排序结果，按照降低风险的原则进行再一次的外场试验资源调度，并重复后续的步骤；如满足要求，则开始外场试验并进入阶段性试验资源调度环节。本实施例是将基于图形模糊集和COPRAS的试验资源调度方法应用到装备外场试验过程资源调度的实际案例中。分析和评估装备外场试验过程的潜在风险，能够识别和消除潜在的试验过程各类事故，提高装备外场试验资源调度效率和试验质量。
此外，本实施例还提供一种基于图形模糊集和COPRAS的装备外场试验资源调度系统，包括计算机设备，该计算机设备包括微处理器和存储器，所述微处理器被编程或配置以执行前述基于图形模糊集和COPRAS的装备外场试验资源调度方法的步骤，或者所述存储器中存储有被编程或配置以执行前述基于图形模糊集和COPRAS的装备外场试验资源调度方法的计算机程序。
此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行前述基于图形模糊集和COPRAS的装备外场试验资源调度方法的计算机程序。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于图形模糊集和COPRAS的装备外场试验资源调度方法，其特征在于，包括：
S1、进行试验资源调度生成外场试验方案；
S2、针对外场试验方案进行装备外场试验风险识别确定外场试验方案的潜在故障模式；基于图形模糊集和COPRAS方法进行外场试验方案的潜在故障模式的风险程度与风险排序计算；
S3、判断计算得到的风险程度是否满足要求，若不满足要求，则跳转执行步骤S1；否则，将生成的外场试验方案输出以开始外场试验并进入阶段性试验资源调度环节；
步骤S2的步骤包括：
S2.1、通过多位评价成员组成的外场试验风险评价团队，针对外场试验方案中涉及的试验设计、试验准备、试验实施及试验总结四个阶段针对指定的N种潜在故障模式进行风险评估得到汇总评价结果表，所述汇总评价结果表包括每一个评价成员对N种潜在故障模式相对指定的风险因子对应的语言术语，所述语言术语是指等级划分且带有对应的图形模糊数；所述N种潜在故障模式包括质量计划内容不全问题FM1、外场试验与评估大纲的质量问题FM2、试验与评估方案不合理FM3、技术状态不合规FM4、装备或操控问题FM5、火工品安全问题FM6、数据采集问题FM7、数据处理问题FM8、试验结果分析与评价偏差FM9、数据分析处理评价不充分问题FM10和试验指挥问题FM11共十一种潜在故障模式；所述风险因子包括再现性RF1、重复性RF2、影响RF3、被试方参与度RF4、相关性RF5、不被探测的可能性RF6和系统探测方法RF7七种，其中再现性RF1用于表征潜在故障模式再现性，重复性RF2用于表征潜在故障模式重复性，影响RF3用于表征潜在故障模式的影响大小，被试方参与度RF4用于表征被试方参与试验流程的程度，相关性RF5用于表征各个试验流程之间的相关性，不被探测的可能性RF6用于表征装备外场试验故障模式不被探测的概率，系统探测方法RF7用于表征周期或者系统的探测方法；
S2.2、将汇总评价结果表根据语言术语的图形模糊数转换为图形模糊集评估矩阵；
S2.3、根据评价成员的权重将图形模糊集评估矩阵生成集体图形模糊集风险评估矩阵；
S2.4、根据风险因子的权重，将集体图形模糊集风险评估矩阵计算生成加权图形模糊集风险评估矩阵；
S2.5、根据加权图形模糊集风险评估矩阵计算每种潜在故障模式的风险因子的值之和；
S2.6、根据每种潜在故障模式的风险因子的值之和作为该潜在故障模式的相对重要性；
S2.7、根据每种潜在故障模式的相对重要性计算风险程度；
S2.8、根据风险程度对所有的潜在故障模式进行风险排序。
2.根据权利要求1所述的基于图形模糊集和COPRAS的装备外场试验资源调度方法，其特征在于，步骤S2.3中生成集体图形模糊集风险评估矩阵为
Figure FDA0003455284040000021
其中m为集体图形模糊集风险评估矩阵的行数，n为集体图形模糊集风险评估矩阵的列数，任意第i行第j列元素
Figure FDA0003455284040000022
的计算函数表达式为：
Figure FDA0003455284040000023
上式中，PFOWA是指图形模糊集客观加权平均算子，
Figure FDA0003455284040000024
表示第1～l个评价成员的图形模糊集评估矩阵，λk表示第k个评价成员的权重，
Figure FDA0003455284040000025
表示任意潜在故障模式FMi关于风险因子j的图形模糊集评价，μij表示图形模糊集的正隶属度，vij表示图形模糊集的负隶属度，ηij表示图形模糊集的中立隶属度，i表示潜在故障模式的编号，j表示风险因子的编号，k表示评价成员编号，l表示评价成员数量。
3.根据权利要求1所述的基于图形模糊集和COPRAS的装备外场试验资源调度方法，其特征在于，步骤S2.4中生成的加权图形模糊集风险评估矩阵为
Figure FDA0003455284040000026
其中m为集体图形模糊集风险评估矩阵的行数，n为集体图形模糊集风险评估矩阵的列数，加权图形模糊集风险评估矩阵的计算函数表达式为：
Figure FDA0003455284040000027
上式中，wj表示第j个风险因子的权重，μij表示图形模糊集的正隶属度，vij表示图形模糊集的负隶属度，ηij表示图形模糊集的中立隶属度，i表示潜在故障模式的编号，j表示风险因子的编号。
4.根据权利要求1所述的基于图形模糊集和COPRAS的装备外场试验资源调度方法，其特征在于，步骤S2.5中计算每种潜在故障模式的风险因子的值之和的函数表达式为：
Figure FDA0003455284040000028
上式中，
Figure FDA0003455284040000029
表示第i种潜在故障模式的风险因子的值之和，m为集体图形模糊集风险评估矩阵的行数，n为集体图形模糊集风险评估矩阵的列数，
Figure FDA0003455284040000031
表示加权图形模糊集风险评估矩阵中的第i行第j列元素。
5.根据权利要求1所述的基于图形模糊集和COPRAS的装备外场试验资源调度方法，其特征在于，步骤S2.7中计算风险程度的函数表达式为：
Figure FDA0003455284040000032
上式中，Ui表示第i种潜在故障模式的风险程度，
Figure FDA0003455284040000033
表示第i种潜在故障模式的相对重要性
Figure FDA0003455284040000034
的得分，
Figure FDA0003455284040000035
为各种潜在故障模式的相对重要性
Figure FDA0003455284040000036
的最大值，
Figure FDA0003455284040000037
为各种潜在故障模式的相对重要性
Figure FDA0003455284040000038
的最大值的评分，m为集体图形模糊集风险评估矩阵的行数。
6.根据权利要求5所述的基于图形模糊集和COPRAS的装备外场试验资源调度方法，其特征在于，步骤S3中判断计算得到的风险程度是否满足要求的条件为风险程度的均值E(S)小于预设阈值k1、且风险程度的方差Var(S)小于预设阈值k2。
7.一种基于图形模糊集和COPRAS的装备外场试验资源调度系统，包括计算机设备，该计算机设备包括微处理器和存储器，其特征在于，所述微处理器被编程或配置以执行权利要求1～6中任意一项所述基于图形模糊集和COPRAS的装备外场试验资源调度方法的步骤，或者所述存储器中存储有被编程或配置以执行权利要求1～6中任意一项所述基于图形模糊集和COPRAS的装备外场试验资源调度方法的计算机程序。
8.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有被编程或配置以执行权利要求1～6中任意一项所述基于图形模糊集和COPRAS的装备外场试验资源调度方法的计算机程序。
CN202110527823.XA 2021-05-14 2021-05-14 一种基于图形模糊集和copras的装备外场试验资源调度方法 Active CN113177724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110527823.XA CN113177724B (zh) 2021-05-14 2021-05-14 一种基于图形模糊集和copras的装备外场试验资源调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110527823.XA CN113177724B (zh) 2021-05-14 2021-05-14 一种基于图形模糊集和copras的装备外场试验资源调度方法

Publications (2)

Publication Number Publication Date
CN113177724A CN113177724A (zh) 2021-07-27
CN113177724B true CN113177724B (zh) 2022-04-19

Family

ID=76928991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110527823.XA Active CN113177724B (zh) 2021-05-14 2021-05-14 一种基于图形模糊集和copras的装备外场试验资源调度方法

Country Status (1)

Country Link
CN (1) CN113177724B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810383A (zh) * 2014-01-27 2014-05-21 中国航天标准化研究所 一种运载火箭单点故障模式的识别与分析方法
CN105067933A (zh) * 2015-08-31 2015-11-18 中国人民解放军63908部队 用于电子装备测试性验证与评估的通用系统及测试方法
CN108985554A (zh) * 2018-06-05 2018-12-11 上海大学 一种基于区间直觉模糊集和混合多准则决策模型的改进fmea的方法
CN110458424A (zh) * 2019-07-23 2019-11-15 发贵科技（贵州）有限公司 改进的fmea法风险评估
CN110674945A (zh) * 2019-09-17 2020-01-10 安阳师范学院 一种基于图像模糊集的多属性决策系统
CN110689262A (zh) * 2019-09-25 2020-01-14 中国人民解放军战略支援部队航天工程大学 天基信息系统任务调度方法、装置和电子设备
CN111161089A (zh) * 2019-12-30 2020-05-15 哈尔滨工程大学 基于copra的重叠社区划分方法
CN112035996A (zh) * 2020-05-15 2020-12-04 中国人民解放军32181部队 一种装备测试性一体化设计与评估系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2019118128A (ru) * 2017-06-21 2021-07-21 Общество с ограниченной ответственностью «ОПТИМАЛЬНОЕ УПРАВЛЕНИЕ» Способ и устройство планирования операций с активами предприятия
CN108053036A (zh) * 2017-10-17 2018-05-18 中国人民解放军海军工程大学 一种大型复杂装备维修保障能力评估方法
CN109214140B (zh) * 2018-11-19 2020-10-09 中国航空综合技术研究所 基于AltaRica的航电系统动态重构建模方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810383A (zh) * 2014-01-27 2014-05-21 中国航天标准化研究所 一种运载火箭单点故障模式的识别与分析方法
CN105067933A (zh) * 2015-08-31 2015-11-18 中国人民解放军63908部队 用于电子装备测试性验证与评估的通用系统及测试方法
CN108985554A (zh) * 2018-06-05 2018-12-11 上海大学 一种基于区间直觉模糊集和混合多准则决策模型的改进fmea的方法
CN110458424A (zh) * 2019-07-23 2019-11-15 发贵科技（贵州）有限公司 改进的fmea法风险评估
CN110674945A (zh) * 2019-09-17 2020-01-10 安阳师范学院 一种基于图像模糊集的多属性决策系统
CN110689262A (zh) * 2019-09-25 2020-01-14 中国人民解放军战略支援部队航天工程大学 天基信息系统任务调度方法、装置和电子设备
CN111161089A (zh) * 2019-12-30 2020-05-15 哈尔滨工程大学 基于copra的重叠社区划分方法
CN112035996A (zh) * 2020-05-15 2020-12-04 中国人民解放军32181部队 一种装备测试性一体化设计与评估系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于模糊集和COPRAS的改进FMEA方法;王立恩等;《模糊系统与数学》;20170615;第31卷(第03期);第69-78页 *

Also Published As

Publication number Publication date
CN113177724A (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
US6397202B1 (en) System and method for monitoring risk in a system development program
CN106201871A (zh) 基于代价敏感半监督的软件缺陷预测方法
US20220196760A1 (en) Transformer fault diagnosis method and system using induced ordered weighted evidence reasoning
DE102007060417A1 (de) Rohchip- und Wafer-Fehlerklassifikationssystem und Verfahren dazu
EP4075281A1 (en) Ann-based program test method and test system, and application
CN108647707A (zh) 概率神经网络创建方法、故障诊断方法及装置、存储介质
Crespo Márquez et al. The maintenance management framework: A practical view to maintenance management
KR20110046091A (ko) 심각도와 발생가능도를 고려한 중요도 평가 방법
CN113177724B (zh) 一种基于图形模糊集和copras的装备外场试验资源调度方法
CN113869749A (zh) 模拟飞行器的飞行训练质量评估系统及方法
Nascimento et al. A cost-sensitive approach to enhance the use of ML classifiers in software testing efforts
Saraf et al. Effort-based fault detection and correction modelling for multi release of software
Galbraith et al. Analysis in manufacturing systems simulation: a case study
Groth A framework for using SACADA to enhance the qualitative and quantitative basis of HRA
AU2020100001A4 (en) A developed failure mode and effective analysis approach for risk prioritization in construction projects
CN113962309A (zh) 一种无人船可靠性测试与评价方法
Altuger et al. Manual assembly line operator scheduling using hierarchical preference aggregation
DE102008004219A1 (de) Verfahren zum Behandeln mindestens eines Fehlers innerhalb eines Systems
Knowles et al. Models, measures, and judgments in system design
CN110749813B (zh) 测试系统及适应性测试制法产生方法
Yang et al. A review of current human reliability assessment methods utilized in high hazard human-system interface design
Xu et al. Path to modeling dynamic performance shaping factors in nuclear power plants operation–A review
Tabe et al. Knowledge elicitation in scheduling FMS: towards a hybrid intelligent system
Yujie et al. Validation test case selection based on multifactor
Gertman INTENT: A method for calculating HEP estimates for decision based errors

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant