CN115099603A - 火箭海上回收平台动力定位系统故障风险评估方法、计算机设备和可读存储介质 - Google Patents
火箭海上回收平台动力定位系统故障风险评估方法、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN115099603A CN115099603A CN202210698158.5A CN202210698158A CN115099603A CN 115099603 A CN115099603 A CN 115099603A CN 202210698158 A CN202210698158 A CN 202210698158A CN 115099603 A CN115099603 A CN 115099603A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- event
- mcs
- positioning system
- rocket
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000011084 recovery Methods 0.000 title claims abstract description 57
- 238000012502 risk assessment Methods 0.000 title claims abstract description 26
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012546 transfer Methods 0.000 claims description 9
- 230000001149 cognitive effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000004451 qualitative analysis Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Automation & Control Theory (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Primary Health Care (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
火箭海上回收平台动力定位系统故障风险评估方法、计算机设备和可读存储介质,属于海洋工程装备风险评估技术领域,解决现有技术无法解决海洋工程装备面临的风险不确定性以及风险评估结果可信度低问题。本发明的方法首先构建系统功能树,基于故障统计数据分析进行故障树模型的构建,求得最小割集。以梯形模糊数形式对底事件发生概率进行专家打分并进行加权归一化和一致性处理。通过基于最弱T范数“与或门”模糊逻辑算子计算顶事件的发生概率的模糊数,然后进行解模糊化,求得模糊可能性分数和模糊失效概率。计算底事件的模糊临界重要度,根据重要度排序确定系统薄弱部分。本发明适用于评估火箭海上回收平台动力定位系统运行过程中潜在故障风险。
Description
技术领域
本申请涉及海洋工程装备风险评估技术领域,尤其涉及火箭海上回收平台动力定位系统故障风险评估方法、计算机设备和可读存储介质。
背景技术
与传统的陆上发射相比,海上发射是一种灵活、高效、经济的新型发射模式。为保障海上航天发射的经济性,需要对发射火箭进行回收再利用。由于海上航天发射过程中,火箭自然落点通常位于海上,因而为了避免火箭落海后的回收打捞作业,需要配备具有高可靠性动力定位系统的海上航天回收平台。
动力定位系统设计复杂且连接紧密,设备种类及功能繁多,在海上恶劣的工作环境下,极易出现不同类型的故障模式,在设备系统的失效关联性影响下,一种故障模式很可能会扩展出其他类型的故障模式,从而影响海上回收平台火箭回收任务的执行。若平台无法准确定位,火箭回落可能会给整个平台造成重大的损伤甚至人员伤亡,而针对海上回收平台动力定位系统故障风险评估方法的提出和应用可提前把握系统整体风险等级和薄弱环节,并制定应急保障方案,极大的缓解了上述问题。
动力定位系统是火箭海上回收平台的机动性的保障,精确的海上定位是火箭能够准确回落至平台甲板回落区的关键,直接关系到火箭海上回收任务的成败。动力定位系统一般由监测系统、推力系统和控制系统三大部分组成,工作原理是通过测量系统,即自身装备的传感器反馈运动状态与位置变化,以及外界波浪、风力、海流等扰动力方向与大小的信号。结合现代控制理论,在建立的数学模型中采用多种控制方法,通过计算机复杂的计算处理,使推力系统的主副推力器上产生适当的推力和力矩,抵消海洋扰动力和力矩,减少钻采平台的纵荡横荡和艏向角,保持钻采平台固定在海面某一位置。各系统协作相互传递数据,任一部分的故障都将影响整体作业任务的执行,故作为海洋平台设备故障风险评估的核心对象之一,开展火箭海上回收平台动力定位系统可靠性研究工作具有极为重要的意义。
在风险评估领域已有较多的方法被应用到实际工程中,并取得较为丰厚的成果,其中传统的失效模式及影响分析(FMEA,Failure Mode and Effect Analysis)、故障树分析(FTA,Fault Tree Analysis)、事件树分析(ETA,Event Tree Analysis)、贝叶斯网络(BN,Bayesian Network)等方法已经在海洋工程装备风险评估方面得到充分的运用。但是上述方法都存在一定的局限性,无法很好的解决海洋工程装备面临的风险不确定性,风险评估的结果缺乏较高的可信度。
发明内容
本发明目的是为了解决现有技术无法解决海洋工程装备面临的风险不确定性以及风险评估结果可信度低的问题,提供了火箭海上回收平台动力定位系统故障风险评估方法、计算机设备和可读存储介质。
本发明是通过以下技术方案实现的,本发明一方面,提供一种火箭海上回收平台动力定位系统故障风险评估方法,其特征在于,所述方法包括:
步骤1、对火箭海上回收平台动力定位系统进行结构层级划分,构建系统功能树;
步骤2、根据海洋平台动力定位系统故障数据,完成火箭海上回收平台动力定位系统故障风险辨识,确定底事件;
步骤3、以动力定位系统发生故障无法作业作为顶事件,根据所述底事件、顶事件和系统功能树,构建故障树模型;
步骤4、获取所述故障树模型的最小割集;
步骤5、获取若干个不同专家对所述故障树底事件的发生概率的打分结果,所述打分结果采用梯形模糊数对应的语言变量,对所述采用语言变量的打分结果进行加权归一化和一致性处理,得到所述底事件发生概率的模糊数;
步骤6、基于最弱T范数改进所述故障树的模糊逻辑算子,利用改进后的所述故障树的模糊逻辑算子计算顶事件的发生概率的模糊数,对其进行解模糊化,求得模糊可能性分数和模糊失效概率;
步骤7、计算底事件的模糊临界重要度,确定对顶事件影响较大的底事件。
进一步地,所述步骤4具体包括:
采用上行法获取所述故障树模型的最小割集。
进一步地,所述步骤5中,对所述打分结果进行加权归一化和一致性处理,得到所述底事件发生概率的模糊数,具体包括:
根据对打分结果影响的程度,设置专家相关的因素;
采用改进的层次分析法来计算所述专家的权重,具体公式如下:
A=[aij]
K=(kij)n×n,其中kij=lgaij
其中,A代表判断矩阵,aij代表第i个元素和第j个元素的关系,K为反对称矩阵,n为先验判断的元素数目,L为K的最优转移矩阵,A*为矩阵A的近似最优转移矩阵,WFi代表第i个因素的权重,
所述专家的加权平均分数计算公式为:
其中Si为第i个因素的分数绝对值,WSj为第j个专家的权重分数;
通过加权分数的标准化来确定所述专家的权重,公式为:
计算两位专家意见Ru=(ru1,ru2,ru3,ru4)和Rv=(rv1,rv2,rv3,rv4)的相似度,用S表示两个梯形模糊数之间的相似度,公式如下:
其中,ru1为梯形模糊数Ru的下界,ru2和ru3为Ru的最概然值,ru4为Ru的下界;rv1、rv2、rv3和rv4同理,S(Ru,Rv)的取值范围在[0,1],越接近1相似度越高;
计算专家u与其他人的平均一致度,公式如下:
其中N为专家总数;
计算专家u与其他人的相对一致度,公式如下:
结合专家的权重和相对一致度计算一致度系数,确定其意见的重要性,公式如下:
CC(Eu)=β·w(Eu)+(1-β)·RA(Eu)
其中,β为表示专家个人经验和观点重要性的松弛因子;
综合各位专家的打分结果,得到所述底事件发生概率的模糊数,公式如下:
进一步地,专家相关的因素包括职位、工作时间、学历和年龄。
进一步地,步骤5中所述梯形模糊数的定义为:设q为实数域R上的一个模糊数,定义一个隶属函数μq(x):R→(0,1),x∈R,梯形模糊数q记为q=(a,b,c,d),则μq(x)表示为:
其中a为梯形模糊数q的下界,b和c为梯形模糊数q的最概然值,d为梯形模糊数q的下界。
进一步地,步骤5中的所述梯形模糊数对应的语言变量反映专家对底事件发生概率的主观认知判断,将所述底事件发生概率的概率空间分成七个区间,分配相应的语言变量来描述,分别为很低、低、偏低、中、偏高、高、很高。
进一步地,所述步骤6,具体包括:
所述最弱T范数为一个二元函数,在模糊数进行模糊算术运算时具有保持形态的特性,表达式为:
基于Tω范数的故障树模糊逻辑算子的公式如下:
所述顶事件的发生概率的模糊数可由各最小割集经过不交和计算得到,计算公式如下:
PTE=(α,β,χ,δ)=P(MCS1∪MCS2∪···∪MCSN)
=P(MCS1)+P(MCS2)+···+P(MCSN)-(P(MCS1∩MCS2)+P(MCS1∩MCS3)+···P(MCSi∩MCSj)···)+(-1)N-1P(MCS1∩MCS2∩···∩MCSN)
其中P(MCSi)为第i个最小割集MCSi的发生概率,N为最小割集的个数;
所述解模糊化包括计算模糊可能性分数FPS和模糊失效概率FFP,顶事件发生概率的模糊数PTE=(α,β,χ,δ)的计算公式如下:
进一步地,步骤7中所述的计算底事件的模糊临界重要度的方法包括:
第二方面,本发明提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时执行如上文所述的一种火箭海上回收平台动力定位系统故障风险评估方法的步骤。
第三方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质中存储有多条计算机指令,所述多条计算机指令用于使计算机执行如上文所述的一种火箭海上回收平台动力定位系统故障风险评估方法的步骤。
本发明的有益效果:
(1)本发明建立的模糊故障树分析方法可将火箭海上回收平台动力定位系统的风险评估定量计算进行模糊化处理,有效解决了风险不确定性问题。
(2)本发明对专家打分结果加权归一化采用的是改进层次分析法,最大程度降低了判断结果的主观性,提高了模糊故障树输入数据的准确性,进而提升风险评估的可信度。
(3)本发明基于最弱T范数改进故障树“与或门”模糊逻辑算子,可有效减少梯形模糊数计算过程中产生的模糊积累,保证模糊故障树输出结果的合理性,进而提升风险评估的可信度。
(4)本发明采用模糊临界重要度分析底事件的重要性,解决了传统概率重要度评价方法只反映底事件发生概率的变化率对顶事件发生概率的影响程度而不能反映底事件自身发生概率的大小这一问题。
综上所述,本发明的方法进行了多种改进分析方法的有机融合,实现高适应性、高准确度、高可信度的火箭海上回收平台动力定位系统的风险评估,可以有效评估火箭海上回收平台动力定位系统运行过程中潜在的故障风险问题。
本发明适用于评估火箭海上回收平台动力定位系统运行过程中潜在的故障风险。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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。
图1为本发明的一种火箭海上回收平台动力定位系统故障风险评估方法的流程示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
实施方式一、一种火箭海上回收平台动力定位系统故障风险评估方法,其特征在于,所述方法包括:
需要说明的是,步骤1-4为故障树定性分析,将系统中的一种失效事件(顶事件)作为分析研究的主题对象,通过由上往下地逐步分析系统失效因果关系,去探究引发顶事件发生的最底层原因,将导致系统失效的原因事件按因果关系逐层一一列出,使用专有的逻辑门符号将上下事件连接起来,用倒立的树状图展现出来,构建出故障树模型。
步骤1、全面了解系统的构成与运行情况,对火箭海上回收平台动力定位系统进行结构层级划分,构建系统功能树;
步骤2、根据海洋平台动力定位系统故障数据,完成火箭海上回收平台动力定位系统故障风险辨识,确定底事件;
需要说明的是,步骤2是基于已有的海洋平台动力定位系统故障数据,开展数据统计分析,找出基本的失效模式作为底事件,完成火箭海上回收平台动力定位系统故障风险辨识,其中,所述底事件包括:以恶劣海洋天气的环境风险以及各子系统零部件的机械类和结构类失效模式。
步骤3、以动力定位系统发生故障无法作业作为顶事件,根据所述底事件、顶事件和系统功能树,构建故障树模型;
需要说明的是,步骤3是确定故障树顶事件,即故障发生的结果,通常选择易于发生且故障后果较为严重的事件,根据系统功能结构和风险辨识结果层层深入探究失效原因,通过逻辑门连接上下层失效事件表示失效传递关系,从而构建出完整的故障树模型。
步骤4、获取所述故障树模型的最小割集;
需要说明的是,下述的步骤5-7是模糊故障树定量分析,基于故障树的定性分析结果,结合模糊集理论对底事件发生概率进行模糊化,进而求得顶事件发生的概率模糊数以及各底事件的模糊临界重要度。
步骤5、获取若干个不同专家对所述故障树底事件的发生概率的打分结果,所述打分结果采用梯形模糊数对应的语言变量,对所述采用语言变量的打分结果进行加权归一化和一致性处理,得到所述底事件发生概率的模糊数;
需要说明的是,步骤5利用专家打分,邀请行业内不同职位拥有不同经验的专家成立评估小组,采用梯形模糊数对应的语言变量对故障树底事件的发生概率进行评判,再对打分结果进行加权归一化和一致性处理,得到底事件发生概率的模糊数。
步骤6、基于最弱T范数改进所述故障树的模糊逻辑算子,利用改进后的所述故障树的模糊逻辑算子计算顶事件的发生概率的模糊数,对其进行解模糊化,求得模糊可能性分数和模糊失效概率;
需要说明的是,步骤6,通过基于最弱T范数的“与或门”模糊逻辑算子计算顶事件的发生概率的模糊数,对其进行解模糊化,求得模糊可能性分数和模糊失效概率。
步骤7、计算底事件的模糊临界重要度,确定对顶事件影响较大的底事件,对计算的底事件模糊临界重要度进行排序从而确定系统的薄弱部分。
本实施方式中,
(1)建立的模糊故障树分析方法可将火箭海上回收平台动力定位系统的风险评估定量计算进行模糊化处理,有效解决了风险不确定性问题;
(2)对专家打分结果加权归一化采用的是改进层次分析法,最大程度降低了判断结果的主观性,提高了模糊故障树输入数据的准确性;
(3)基于最弱T范数改进故障树“与或门”模糊逻辑算子,可有效减少梯形模糊数计算过程中产生的模糊积累,保证模糊故障树输出结果的合理性;
(4)采用模糊临界重要度分析底事件的重要性,解决了传统概率重要度评价方法只反映底事件发生概率的变化率对顶事件发生概率的影响程度而不能反映底事件自身发生概率的大小这一问题。
实施方式二,本实施方式是对实施方式一所述的一种火箭海上回收平台动力定位系统故障风险评估方法的进一步限定,本实施方式中,对所述步骤4,做了进一步限定,具体包括:
所述步骤4具体包括:
采用上行法获取所述故障树模型的最小割集。
需要说明的是,本实施方式可以采用上行法(Semanderes算法)求故障树的最小割集,从故障树的最底层开始到顶事件结束,根据“与或门”逻辑运算法则,由下至上依次用底事件表示中间事件,从而得到故障树的割集,通过后续对割集的合并整理,最后获得最小割集。
实施方式三,本实施方式是对实施方式一所述的一种火箭海上回收平台动力定位系统故障风险评估方法的进一步限定,本实施方式中,对所述步骤5中,对所述打分结果进行加权归一化和一致性处理,得到所述底事件发生概率的模糊数,做了进一步限定,具体包括:
根据对打分结果影响的程度,设置专家相关的因素;
采用改进的层次分析法(AHP)来计算所述专家的权重,具体公式如下:
A=[aij]
K=(kij)n×n,其中kij=lgaij
其中,A代表判断矩阵,aij代表第i个元素和第j个元素的关系,K为反对称矩阵,n为先验判断的元素数目(矩阵大小),L为K的最优转移矩阵,A*为矩阵A的近似最优转移矩阵,WFi代表第i个因素的权重,
所述专家的加权平均分数计算公式为:
其中Si为第i个因素的分数绝对值,,WSj为第j个专家的权重分数;
通过加权分数的标准化来确定所述专家的权重,公式为:
所述一致性处理是运用相似性聚合法(SimilarityAggregationMethod)使不同专家的不同意见一致化,最终形成一个共识意见,具体步骤如下:
计算两位专家意见Ru=(ru1,ru2,ru3,ru4)和Rv=(rv1,rv2,rv3,rv4)的相似度,这两个参数都是代表专家按照语言变量打的分数,都是模糊数,是每个专家对每个底事件发生概率的打分结果。
用S表示两个梯形模糊数之间的相似度,公式如下:
其中,ru1为梯形模糊数Ru的下界,ru2和ru3为Ru的最概然值,ru4为Ru的下界;rv1、rv2、rv3和rv4同理,S(Ru,Rv)的取值范围在[0,1],越接近1相似度越高;
计算专家u与其他人的平均一致度,公式如下:
其中N为专家总数;
计算专家u与其他人的相对一致度,公式如下:
结合专家的权重和相对一致度计算一致度系数,确定其意见的重要性,公式如下:
CC(Eu)=β·w(Eu)+(1-β)·RA(Eu)
其中,β为表示专家个人经验和观点重要性的松弛因子;
需要说明的是,β值通常由决策者确定,一般取0.5。
综合各位专家的打分结果,得到所述底事件发生概率的模糊数,公式如下:
本实施方式将专家评估小组中的专家对于同一评估打分对象的判断设置不同的权重,首先设置所述打分结果的专家的影响因素,根据该因素给专家设置分数,最终权重通过加权平均分数的标准化获得所述专家的权重,然后根据该权重,通过对专家意见的一致性处理,获取底事件发生概率的模糊数。
本实施方式中,对专家打分结果加权归一化采用的是改进层次分析法,并给出了具体的分析方法,根据该分析方法获取底事件发生概率的模糊数,最大程度降低了判断结果的主观性,提高了模糊故障树输入数据的准确性。
当一致度小于或等于0.1时,一致度是相同的。如果超过0.1,则需要在判断矩阵中重复调整原始值,直到判断矩阵的一致性被认为是可接受的。这将导致复杂繁琐的计算过程和盲目的调整,并且精度不高。此外,尤其是在成对比较中,由于“依靠专家判断”这一说法所赋予的特征,也就是主观性,构成了传统AHP的主要缺点。
改进的AHP有如下四个步骤:1.构建层次结构模型;2.建立判断矩阵来表示评估对象的相对重要性;3.计算反对称矩阵K并获得其最优传递矩阵L。然后,确定近似最优传递矩阵A*到A;4.计算优先级向量,采用平方根法获取特征向量WFi。
实施方式四,本实施方式是对实施方式三所述的一种火箭海上回收平台动力定位系统故障风险评估方法的进一步限定,本实施方式中,对所述专家相关因素,做了进一步限定,具体包括:
专家相关的因素包括职位、工作时间、学历和年龄。
本实施方式给出了影响打分结果程度比较大的四个因素,以提高火箭海上回收平台动力定位系统故障风险评估的准确性,进而提升风险评估的可信度。
实施方式五,本实施方式是对实施方式一所述的一种火箭海上回收平台动力定位系统故障风险评估方法的进一步限定,本实施方式中,对步骤5中所述梯形模糊数,做了进一步限定,具体包括:
所述梯形模糊数的定义为:设q为实数域R上的一个模糊数,定义一个隶属函数μq(x):R→(0,1),x∈R,梯形模糊数q记为q=(a,b,c,d),则μq(x)表示为:
其中a为梯形模糊数q的下界,b和c为梯形模糊数q的最概然值,d为梯形模糊数q的下界。
本实施方式给出了梯形模糊数的准确定义。模糊集有多种表示方法,其中最为常用的是三角模糊数和梯形模糊数。由于梯形模糊数比三角模糊数更具普遍性,效率性高,线性模糊应用较广泛,因此本发明采用梯形模糊数进行故障树分析。
实施方式六,本实施方式是对实施方式一所述的一种火箭海上回收平台动力定位系统故障风险评估方法的进一步限定,本实施方式中,对步骤5中的所述梯形模糊数对应的语言变量,做了进一步限定,具体包括:
步骤5中的所述梯形模糊数对应的语言变量反映专家对底事件发生概率的主观认知判断,将所述底事件发生概率的概率空间被分成七个区间,分配相应的语言变量来描述,分别为很低、低、偏低、中、偏高、高、很高。
需要说明的是,所述语言变量反映专家对底事件发生概率的主观认知判断,例如将概率空间分成七个区间,分配相应的语言变量来描述,分别为很低(VL)、低(L)、偏低(ML)、中(M)、偏高(MH)、高(H)、很高(VH),为了保持形式一致性,三角模糊数可以转换为梯形模糊数,因此七个语言变量的模糊数可表示为:
MVL=(0,0,0.1,0.2)
ML=(0.1,0.2,0.2,0.3)
MML=(0.2,0.3,0.4,0.5)
MM=(0.4,0.5,0.5,0.6)
MMH=(0.5,0.6,0.7,0.8)
MH=(0.7,0.8,0.8,0.9)
MVH=(0.8,0.9,1,1)。
专家对于底事件的发生概率的判断结果将根据实际工程失效频率范围乘上相应的数量级。
实施方式七,本实施方式是对实施方式一所述的一种火箭海上回收平台动力定位系统故障风险评估方法的进一步限定,本实施方式中,对所述步骤6,做了进一步限定,具体包括:
所述步骤6,具体包括:
所述最弱T范数为一个二元函数,在模糊数进行模糊算术运算时具有保持形态的特性,表达式为:
基于Tω范数的故障树模糊逻辑算子的公式如下:
所述顶事件的发生概率的模糊数可由各最小割集经过不交和计算得到,计算公式如下:
PTE=(α,β,χ,δ)=P(MCS1∪MCS2∪···∪MCSN)
=P(MCS1)+P(MCS2)+···+P(MCSN)-(P(MCS1∩MCS2)+P(MCS1∩MCS3)+···P(MCSi∩MCSj)···)+(-1)N-1P(MCS1∩MCS2∩···∩MCSN)
其中P(MCSi)为第i个最小割集MCSi的发生概率,N为最小割集的个数;
所述解模糊化包括计算模糊可能性分数FPS和模糊失效概率FFP,顶事件发生概率的模糊数PTE=(α,β,χ,δ)的计算公式如下:
本实施方式中,基于最弱T范数改进故障树“与或门”模糊逻辑算子,可有效减少梯形模糊数计算过程中产生的模糊积累,保证模糊故障树输出结果的合理性。
实施方式八,本实施方式是对实施方式一所述的一种火箭海上回收平台动力定位系统故障风险评估方法的进一步限定,本实施方式中,对步骤7中所述的计算底事件的模糊临界重要度的方法包括,做了进一步限定,具体包括:
所述底事件的模糊临界重要度的计算方法包括:
本实施方式中,模糊临界重要度是从底事件灵敏度和发生概率两个角度综合全面地评价底事件的重要性,采用模糊临界重要度分析底事件的重要性,解决了传统概率重要度评价方法只反映底事件发生概率的变化率对顶事件发生概率的影响程度而不能反映底事件自身发生概率的大小这一问题。
实施方式九,本实施方式是基于上文所述的一种火箭海上回收平台动力定位系统故障风险评估方法的具体实施例,具体包括:
如图1所示,一种火箭海上回收平台动力定位系统故障风险评估方法包括以下七个步骤:
步骤一,全面了解系统的构成与运行情况,对火箭海上回收平台动力定位系统进行结构层级划分,构建系统功能树;
所述步骤一还包括下述过程:根据火箭海上回收平台动力定位系统组成,分为监测系统、推力系统和控制系统。监测系统由运动参照系统、垂直面参照系统、陀螺罗经、风速风向监测模块、UPS电源组成;推力系统由推进器和柴油/涡轮发电机构成;控制系统包括电机和控制主机两部分,其中电机由转轴、滚珠轴承、线圈、定子、转子和永久磁钢组成。
步骤二,基于已有的海洋平台动力定位系统故障数据,开展数据统计分析,找出基本的失效模式作为底事件,完成火箭海上回收平台动力定位系统故障风险辨识;
所述步骤二中的底事件记为E1,E2,···,EL,其中L为故障树底事件的总数。
步骤三,确定故障树顶事件,即故障发生的结果,通常选择易于发生且故障后果较为严重的事件,根据系统功能结构和风险辨识结果层层深入探究失效原因,通过逻辑门连接上下层失效事件表示失效传递关系,从而构建出完整的故障树模型;
所述步骤三中的顶事件记为TE,逻辑门记为G1,G2,···,GM,其中M为故障树逻辑门的总数。
步骤四,采用上行法(Semanderes算法)求故障树的最小割集,从故障树的最底层开始到顶事件结束,根据“与或门”逻辑运算法则,由下至上依次用底事件表示中间事件,从而得到故障树的割集,通过后续对割集的合并整理,最后获得最小割集;
所述步骤四中的最小割集记为MSC1,MSC2,···,MSCN,其中N为故障树最小割集的总数。
步骤五,专家打分,邀请行业内不同职位拥有不同经验的专家成立评估小组,采用梯形模糊数对应的语言变量对故障树底事件的发生概率进行评判,再对打分结果进行加权归一化和一致性处理,得到底事件发生概率的模糊数;
所述步骤五中专家评估小组中的专家对于同一评估打分对象的判断设置不同的权重,选择职位、工作时间、学历和年龄四个因素给专家设置分数,最终权重通过加权平均分数的标准化得到。专家权重确定准则如下表:
所述步骤五中采用改进的层次分析法(AHP)来计算各专家的权重,具体公式如下:
A=[aij]
K=(kij)n×n,其中kij=lgaij
其中A代表判断矩阵,aij代表第i个元素和第j个元素的关系;K为反对称矩阵,n为先验判断的元素数目(矩阵大小);L为K的最优转移矩阵,而A*为矩阵A的近似最优转移矩阵;WFi代表第i个因素的权重。
每个专家的加权平均分数计算公式为:
其中Si为第i个因素的分数绝对值,WSj为第j个专家的权重分数。
最后每个专家的权重通过加权分数的标准化来确定,公式为:
所述一致性处理是运用相似性聚合法(Similarity Aggregation Method)使不同专家的不同意见一致化,最终形成一个共识意见,具体步骤如下:
(1)计算两位专家意见Ru=(ru1,ru2,ru3,ru4)和Rv=(rv1,rv2,rv3,rv4)的相似度,用S表示两个梯形模糊数之间的相似度,公式如下:
其中,ru1为梯形模糊数Ru的下界,ru2和ru3为Ru的最概然值,ru4为Ru的下界;rv1、rv2、rv3和rv4同理。S(Ru,Rv)的取值范围在[0,1],越接近1相似度越高。
(2)计算专家u与其他人的平均一致度,公式如下:
其中N为专家总数。
(3)计算专家u与其他人的相对一致度,公式如下:
(4)结合专家的权重和相对一致度计算一致度系数,确定其意见的重要性,公式如下:
CC(Eu)=β·w(Eu)+(1-β)·RA(Eu)
其中β为表示专家个人经验和观点重要性的松弛因子,β值通常由决策者确定,一般取0.5。
(5)综合各位专家的打分结果,得到各底事件发生概率的模糊数,公式如下:
所述步骤五中梯形模糊数的定义为:设q为实数域R上的一个模糊数,定义一个隶属函数μq(x):R→(0,1),x∈R,梯形模糊数q记为q=(a,b,c,d),则μq(x)表示为:
其中a为梯形模糊数q的下界,b和c为梯形模糊数q的最概然值,d为梯形模糊数q的下界。
所述步骤五中语言变量反映专家对底事件发生概率的主观认知判断,概率空间被分成七个区间,分配相应的语言变量来描述,分别为很低(VL)、低(L)、偏低(ML)、中(M)、偏高(MH)、高(H)、很高(VH),为了保持形式一致性,三角模糊数可以转换为梯形模糊数,因此七个语言变量的模糊数可表示为:
MVL=(0,0,0.1,0.2)
ML=(0.1,0.2,0.2,0.3)
MML=(0.2,0.3,0.4,0.5)
MM=(0.4,0.5,0.5,0.6)
MMH=(0.5,0.6,0.7,0.8)
MH=(0.7,0.8,0.8,0.9)
MVH=(0.8,0.9,1,1)
专家对于底事件的发生概率的判断结果将根据实际工程失效频率范围乘上相应的数量级。
步骤六,通过基于最弱T范数的“与或门”模糊逻辑算子计算顶事件的发生概率的模糊数,对其进行解模糊化,求得模糊可能性分数和模糊失效概率;
所述步骤六中最弱T范数为一个二元函数,在模糊数进行模糊算术运算时具有保持形态的特性,表达式为:
所述基于Tω范数的故障树“与或门”模糊逻辑算子公式如下:
所述步骤六中顶事件的发生概率可由各最小割集经过不交和计算得到,计算公式如下:
PTE=P(MCS1∪MCS2∪···∪MCSN)
=P(MCS1)+P(MCS2)+···+P(MCSN)-(P(MCS1∩MCS2)+P(MCS1∩MCS3)+···P(MCSi∩MCSj)···)+(-1)N-1P(MCS1∩MCS2∩···∩MCSN)
其中P(MCSi)为第i个最小割集MCSi的发生概率,N为最小割集的个数。
所述步骤六中解模糊化包括计算模糊可能性分数(FPS)和模糊失效概率(FFP),梯形模糊数q=(a,b,c,d)的计算公式如下:
所述步骤六中模糊数的模糊算术运算,是在考虑最弱T范数的情况下进行的。假设两个正梯形模糊数为A=(a1,a2,a3,a4)和B=(b1,b2,b3,b4),则基于Tω范数的四种基本模糊算数运算法则如下表所示:
步骤七,计算底事件的模糊临界重要度,找出对顶事件影响较大的底事件,对计算的底事件模糊临界重要度进行排序从而确定系统的薄弱部分。
本发明中的模糊集理论在处理不确定性问题方面具有显著的应用成效,解决了定量计算中单一的失效数据无法反映实际故障的随机不确定性。结合了模糊集理论和故障树分析的模糊故障树分析方法对于火箭海上回收平台动力定位系统这一典型海洋工程装备的风险评估具有良好的适用性,可助力海上发射回收核心装备的风险评估工作朝着高准确性和高可信度的方向发展,便于工程项目负责人基于重要性分析结果关注关键的失效底事件并采取有效的解决措施。
综上,本发明公开了一种火箭海上回收平台动力定位系统故障风险评估方法,属于海洋工程装备风险评估技术领域。该方法首先构建系统功能树,基于故障统计数据分析进行故障树模型的构建,求得最小割集,完成定性分析。以梯形模糊数的形式对底事件发生概率进行专家打分并进行加权归一化和一致性处理。通过基于最弱T范数的“与或门”模糊逻辑算子计算顶事件的发生概率的模糊数,然后进行解模糊化,求得模糊可能性分数和模糊失效概率。计算底事件的模糊临界重要度,根据重要度排序从而确定系统的薄弱部分,最终实现完整的火箭海上回收平台动力定位系统故障风险评估。
Claims (10)
1.一种火箭海上回收平台动力定位系统故障风险评估方法,其特征在于,所述方法包括:
步骤1、对火箭海上回收平台动力定位系统进行结构层级划分,构建系统功能树;
步骤2、根据海洋平台动力定位系统故障数据,完成火箭海上回收平台动力定位系统故障风险辨识,确定底事件;
步骤3、以动力定位系统发生故障无法作业作为顶事件,根据所述底事件、顶事件和系统功能树,构建故障树模型;
步骤4、获取所述故障树模型的最小割集;
步骤5、获取若干个不同专家对所述故障树底事件的发生概率的打分结果,所述打分结果采用梯形模糊数对应的语言变量,对所述采用语言变量的打分结果进行加权归一化和一致性处理,得到所述底事件发生概率的模糊数;
步骤6、基于最弱T范数改进所述故障树的模糊逻辑算子,利用改进后的所述故障树的模糊逻辑算子计算顶事件的发生概率的模糊数,对其进行解模糊化,求得模糊可能性分数和模糊失效概率;
步骤7、计算底事件的模糊临界重要度,确定对顶事件影响较大的底事件。
2.根据权利要求1所述的一种火箭海上回收平台动力定位系统故障风险评估方法,其特征在于,所述步骤4具体包括:
采用上行法获取所述故障树模型的最小割集。
3.根据权利要求1所述的一种火箭海上回收平台动力定位系统故障风险评估方法,其特征在于,所述步骤5中,对所述打分结果进行加权归一化和一致性处理,得到所述底事件发生概率的模糊数,具体包括:
根据对打分结果影响的程度,设置专家相关的因素;
采用改进的层次分析法来计算所述专家的权重,具体公式如下:
A=[aij]
K=(kij)n×n,其中kij=lgaij
其中,A代表判断矩阵,aij代表第i个元素和第j个元素的关系,K为反对称矩阵,n为先验判断的元素数目,L为K的最优转移矩阵,A*为矩阵A的近似最优转移矩阵,WFi代表第i个因素的权重,
所述专家的加权平均分数计算公式为:
其中Si为第i个因素的分数绝对值,WSj为第j个专家的权重分数;
通过加权分数的标准化来确定所述专家的权重,公式为:
计算两位专家意见Ru=(ru1,ru2,ru3,ru4)和Rv=(rv1,rv2,rv3,rv4)的相似度,用S表示两个梯形模糊数之间的相似度,公式如下:
其中,ru1为梯形模糊数Ru的下界,ru2和ru3为Ru的最概然值,ru4为Ru的下界;rv1、rv2、rv3和rv4同理,S(Ru,Rv)的取值范围在[0,1],越接近1相似度越高;
计算专家u与其他人的平均一致度,公式如下:
其中N为专家总数;
计算专家u与其他人的相对一致度,公式如下:
结合专家的权重和相对一致度计算一致度系数,确定其意见的重要性,公式如下:
CC(Eu)=β·w(Eu)+(1-β)·RA(Eu)
其中,β为表示专家个人经验和观点重要性的松弛因子;
综合各位专家的打分结果,得到所述底事件发生概率的模糊数,公式如下:
4.根据权利要求3所述的一种火箭海上回收平台动力定位系统故障风险评估方法,其特征在于,专家相关的因素包括职位、工作时间、学历和年龄。
6.根据权利要求1所述的一种火箭海上回收平台动力定位系统故障风险评估方法,其特征在于,步骤5中的所述梯形模糊数对应的语言变量反映专家对底事件发生概率的主观认知判断,将所述底事件发生概率的概率空间分成七个区间,分配相应的语言变量来描述,分别为很低、低、偏低、中、偏高、高、很高。
7.根据权利要求1所述的一种火箭海上回收平台动力定位系统故障风险评估方法,其特征在于,所述步骤6,具体包括:
所述最弱T范数为一个二元函数,在模糊数进行模糊算术运算时具有保持形态的特性,表达式为:
基于Tω范数的故障树模糊逻辑算子的公式如下:
所述顶事件的发生概率的模糊数可由各最小割集经过不交和计算得到,计算公式如下:
PTE=(α,β,χ,δ)=P(MCS1∪MCS2∪···∪MCSN)
=P(MCS1)+P(MCS2)+···+P(MCSN)-(P(MCS1∩MCS2)+P(MCS1∩MCS3)+···P(MCSi∩MCSj)···)+(-1)N-1P(MCS1∩MCS2∩···∩MCSN)
其中P(MCSi)为第i个最小割集MCSi的发生概率,N为最小割集的个数;
所述解模糊化包括计算模糊可能性分数FPS和模糊失效概率FFP,顶事件发生概率的模糊数PTE=(α,β,χ,δ)的计算公式如下:
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,当所述处理器运行所述存储器存储的计算机程序时执行权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有多条计算机指令,所述多条计算机指令用于使计算机执行权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210698158.5A CN115099603A (zh) | 2022-06-20 | 2022-06-20 | 火箭海上回收平台动力定位系统故障风险评估方法、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210698158.5A CN115099603A (zh) | 2022-06-20 | 2022-06-20 | 火箭海上回收平台动力定位系统故障风险评估方法、计算机设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115099603A true CN115099603A (zh) | 2022-09-23 |
Family
ID=83290811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210698158.5A Pending CN115099603A (zh) | 2022-06-20 | 2022-06-20 | 火箭海上回收平台动力定位系统故障风险评估方法、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099603A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796589A (zh) * | 2022-12-05 | 2023-03-14 | 三亚学院 | 纯电动汽车三电系统风险隐患灵敏度分析方法 |
CN116911594A (zh) * | 2023-06-05 | 2023-10-20 | 北京市燃气集团有限责任公司 | 一种燃气管道泄漏抢修风险评价方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163756A (zh) * | 2020-11-10 | 2021-01-01 | 内蒙古工业大学 | 海上平台设施坍塌风险评估方法和装置 |
-
2022
- 2022-06-20 CN CN202210698158.5A patent/CN115099603A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163756A (zh) * | 2020-11-10 | 2021-01-01 | 内蒙古工业大学 | 海上平台设施坍塌风险评估方法和装置 |
Non-Patent Citations (3)
Title |
---|
YU JIANXING等: "A weakest t-norm based fuzzy fault tree approach for leakage risk assessment of submarine pipeline", 《JOURNAL OF LOSS PREVENTION IN THE PROCESS INDUSTRIES》, 23 September 2019 (2019-09-23), pages 1 - 8 * |
刘英等: "基于梯形模糊数的数控磨床砂轮架系统故障树分析", 《工程设计学报》, vol. 25, no. 4, 31 August 2018 (2018-08-31), pages 394 - 400 * |
康济川: "考虑相关性和动态性的海洋工程设备风险评估方法研究", 《中国博士学位论文全文数据库基础科学辑》, 15 February 2019 (2019-02-15), pages 11 - 37 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796589A (zh) * | 2022-12-05 | 2023-03-14 | 三亚学院 | 纯电动汽车三电系统风险隐患灵敏度分析方法 |
CN115796589B (zh) * | 2022-12-05 | 2023-09-29 | 三亚学院 | 纯电动汽车三电系统风险隐患灵敏度分析方法 |
CN116911594A (zh) * | 2023-06-05 | 2023-10-20 | 北京市燃气集团有限责任公司 | 一种燃气管道泄漏抢修风险评价方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
CN115099603A (zh) | 火箭海上回收平台动力定位系统故障风险评估方法、计算机设备和可读存储介质 | |
CN111709490B (zh) | 一种基于gru神经网络的风机健康状态评估方法 | |
CN111159924B (zh) | 用于预测漂移轨迹的方法和装置 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN114021441A (zh) | 一种基于CNN-BiLSTM的船舶运动姿态预测方法 | |
CN113792758A (zh) | 一种基于自监督学习和聚类的滚动轴承故障诊断方法 | |
CN114810100B (zh) | 一种基于深度神经网络的盾构掘进姿态预测方法 | |
CN110737267A (zh) | 一种无人船多目标优化方法及无人船智能综合管控系统 | |
CN109471049B (zh) | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 | |
CN113051817A (zh) | 一种基于深度学习的海浪高度预测方法及其应用 | |
CN115419558A (zh) | 一种风电机组运行状态评估方法及装置 | |
CN112434948A (zh) | 一种海上打捞作业海气环境风险评估系统 | |
Cheng et al. | Simplifying neural network based model for ship motion prediction: a comparative study of sensitivity analysis | |
CN113705094A (zh) | 一种基于pso-gru的船舶燃油管道故障预测方法 | |
Mao et al. | A DNN-based approach to predict dynamic mooring tensions for semi-submersible platform under a mooring line failure condition | |
CN114997296A (zh) | 一种基于gru-vae模型的无监督航迹异常检测方法及系统 | |
Deng et al. | Abnormal data detection for structural health monitoring: State-of-the-art review | |
Hazra et al. | A Reliability-Based Optimization Framework for Planning Operational Profiles for Unmanned Systems | |
Gupta et al. | Big data analytics as a tool to monitor hydrodynamic performance of a ship | |
CN114841063A (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 | |
Yao et al. | Extreme motion prediction and early-warning assessment of semisubmersible platform based on deep learning method | |
Luo et al. | A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories | |
CN110826290B (zh) | 一种海上浮式系统安全预警方法 | |
Lu et al. | Physics guided neural network: Remaining useful life prediction of rolling bearings using long short-term memory network through dynamic weighting of degradation process |
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 |