基于质量问题数据和反向传导神经网络的复杂装备质量风险评估方法

摘要

本发明涉及基于质量问题数据和反向传导神经网络的复杂装备质量风险评估方法，步骤如下：步骤1：分解复杂装备结构。步骤2：明确质量风险构成。步骤3：收集与整理历史质量问题数据。步骤4：构建与训练BpNN装备质量风险评估模型。步骤5：收集与整理待评估装备的待分析数据。步骤6：评估复杂装备质量风险。本发明方法运用质量问题数据作为风险评估的输入，能更加客观真实地反映当前装备质量存在的风险概率，为管理决策提供更加科学有效的依据。反向传导神经网络实质上实现了一个从输入到输出的映射功能，具有自学习能力，不用人为赋予指标权重，能够通过训练自动实现各项指标的权重赋值，极大降低人为主观因素对装备质量风险评估结果造成的干扰。

权利要求

1.一种基于质量问题数据和反向传导神经网络的复杂装备质量风险评估方法，其具体步骤如下：步骤1、分解复杂装备结构：根据复杂装备的集成程度，将其分解到能够度量的最低系统级，确定系统结构组成；

步骤2、明确质量风险构成：基于造价和质量问题发生概率，明确质量风险的内涵及构成；

步骤3、收集与整理历史质量问题数据：基于装备技术原理，运用故障模式及影响分析、故障树分析的质量分析方法，识别低层级系统的关键性能指标及质量风险源，形成的质量问题数据样本集；

步骤4、构建与训练BpNN装备质量风险评估模型：根据低层级系统的关键性能指标数量及质量风险源数量，确定BpNN装备质量风险评估模型的输入节点数量和输出节点数量，构建BpNN装备质量风险评估模型；基于质量问题数据样本集数据，运用Matlab编程，对BpNN装备质量风险评估模型进行训练；

步骤5、收集与整理待评估装备的待分析数据：根据已识别的关键性能指标，对待评估装备的各低层级系统进行测试，收集整理低层级系统关键性能指标数据；

步骤6、评估复杂装备质量风险：运用步骤4训练成熟的BpNN装备质量风险评估模型，将步骤5收集整理的待评估关键性能指标数据作为模型输入数据，运用Matlab编程，对装备质量风险进行评估。

2.根据权利要求1所述的基于质量问题数据和反向传导神经网络的复杂装备质量风险评估方法，其特征在于：步骤2中所述的明确质量风险构成，其具体实现过程如下：(1)质量风险T由预期损失C和质量问题发生概率P构成，其关系如下：其中i为低层级系统的个数；

(2)根据装备造价，分摊各低层级系统发生质量问题带来的预期损失Ci；

(3)根据性能指标，评估低层级系统发生质量问题的概率Pi。

3.根据权利要求1所述的基于质量问题数据和反向传导神经网络的复杂装备质量风险评估方法，其特征在于：步骤3中所述的收集与整理历史质量问题数据，其具体实现过程如下：(1)收集历史质量问题信息，运用故障模式及影响分析、故障树分析，分析装备质量故障模式及机理；

(2)收集对应问题发生时，各低层级系统的性能指标及参数；

(3)运用专家打分法，结合装备质量风险源，对诱发质量问题的原因进行归类、打分；

(4)将各低层级系统的性能指标数据与专家打分结果结合，形成质量问题数据样本集。

4.根据权利要求1所述的基于质量问题数据和反向传导神经网络的复杂装备质量风险评估方法，其特征在于：步骤4中所述的构建与训练BpNN装备质量风险评估模型，其具体实现过程如下：(1)根据低层级系统的关键性能指标数量及质量风险源数量，确定BpNN装备质量风险评估模型的输入节点数量和输出节点数量；

(2)运用公式 确定BpNN模型隐含层节点数，r为隐含层节点数，n为输入层节点数，m为输出层节点数，a为经验判别常数，形成BpNN装备质量风险评估模型；

(3)基于质量问题数据样本集数据，运用Matlab编程，对BpNN装备质量风险评估模型进行训练，当模型训练误差下降至0.001时，模型训练成熟，可以用于装备质量风险评估。

说明书

基于质量问题数据和反向传导神经网络的复杂装备质量风险

评估方法

【技术领域】

[0001] 本发明提供一种基于质量问题数据(Data of Quality Problems，DoQP)和反向传导神经网络(Bp Neural Network，BpNN)的复杂装备质量风险评估方法，即一种基于DoQP-BpNN(“-”表示“和”，将DoQP与BpNN联立结合)的复杂装备质量风险评估方法，属于质量工程技术领域。【背景技术】

[0002] 现代武器装备的具有高度复杂性特征，本质上是由各种不同功能系统通过“中间件”集成的成体系系统(System of System，SoS)，其研制、生产过程也颇为复杂。同时，大型复杂武器装备造价高，一旦发生质量风险不仅将造成不可估量的经济损失，甚者将导致人身伤亡，可能威胁国家安全。因此，为了实现对复杂装备质量风险的清晰认识从而开展装备质量风险控制、提升、改进等工作，就必须对复杂装备质量风险进行系统分析、测量及评估。

[0003] 本发明在深入研究了各种度量与分解方法后，基于质量问题数据(Data of Quality Problems，DoQP)和反向传导神经网络(Bp Neural Network，BpNN)方法的基础上加以改进，发明了一种针对复杂装备质量特性的度量与分解的方法，即DoQP-BpNN的复杂装备质量特性的度量与分解方法。【发明内容】

[0004] (一)目的

[0005] 本发明的目的是提供一种基于质量问题数据和反向传导神经网络(DoQP-BpNN)的复杂装备质量风险评估方法，它是针对复杂装备质量风险评估定性分析的不足，在总结分析历史质量问题信息的基础上，对复杂装备进行分解，对低层级系统质量问题发生的不确定程度进行判别，提供一种通用性、可操作性较强的复杂装备质量风险评估方法，为复杂装备质量风险评估提供解决方案。

[0006] (二)技术方案

[0007] 本发明是基于质量问题数据和反向传导神经网络(DoQP-BpNN)的复杂装备质量风险评估方法，其具体步骤如下：

[0008] 步骤1：分解复杂装备结构。根据复杂装备的集成程度，将其分解到能够度量的最低系统级，确定较为详细的系统结构组成。

[0009] 步骤2：明确质量风险构成。基于造价和质量问题发生概率，明确质量风险的内涵及构成。

[0010] 步骤3：收集与整理历史质量问题数据。基于装备技术原理，运用故障模式及影响分析(FMEA)、故障树分析(FTA)等质量分析方法，识别低层级系统的关键性能指标及质量风险源，形成的质量问题数据样本集。

[0011] 步骤4：构建与训练BpNN装备质量风险评估模型。根据低层级系统的关键性能指标数量及质量风险源数量，确定BpNN装备质量风险评估模型的输入节点数量和输出节点数量，构建BpNN装备质量风险评估模型；基于质量问题数据样本集数据，运用Matlab编程，对BpNN装备质量风险评估模型进行训练。

[0012] 步骤5：收集与整理待评估装备的待分析数据。根据已识别的关键性能指标，对待评估装备的各低层级系统进行测试，收集整理低层级系统关键性能指标数据。

[0013] 步骤6：评估复杂装备质量风险。运用步骤4训练成熟的BpNN装备质量风险评估模型，将步骤5收集整理的待评估关键性能指标数据作为模型输入数据，运用Matlab编程，对装备质量风险进行评估。

[0014] 其中，步骤1中的复杂装备结构分解，是通过充分调研，从结构上对复杂装备进行分解，确定装备的最低层级的系统级，即最低层级系统分解后无法测度或丧失结构性功能。

[0015] 其中，步骤2中所述的明确质量风险构成，其具体实现过程如下：

[0016] (1)质量风险T由预期损失C和质量问题发生概率P构成，其关系如下：

[0017] (i为低层级系统的个数)

[0018] (2)根据装备造价，分摊各低层级系统发生质量问题带来的预期损失Ci；

[0019] (3)根据性能指标，评估低层级系统发生质量问题的概率Pi；

[0020] 其中，步骤3中所述的收集与整理历史质量问题数据，其具体实现过程如下：

[0021] (1)收集历史质量问题信息，运用故障模式及影响分析(FMEA)、故障树分析(FTA)，分析装备质量故障模式及机理；

[0022] (2)收集对应问题发生时，各低层级系统的性能指标及参数；

[0023] (3)运用专家打分法，结合装备质量风险源，“人(Man)、机(Machine)、料(Material)、法(Method)、环(Environment)”(4M1E)，对诱发质量问题的原因进行归类、打分；

[0024] (4)将各低层级系统的性能指标数据与专家打分结果结合，形成质量问题数据样本集。

[0025] 其中，步骤4中所述的构建与训练BpNN装备质量风险评估模型，其具体实现过程如下：

[0026] (1)根据低层级系统的关键性能指标数量及质量风险源数量，确定BpNN装备质量风险评估模型的输入节点数量和输出节点数量；

[0027] (2)运用公式 确定BpNN模型隐含层节点数，r为隐含层节点数，n为输入层节点数，m为输出层节点数，a为经验判别常数，形成BpNN装备质量风险评估模型；

[0028] (3)基于质量问题数据样本集数据，运用Matlab编程，对BpNN装备质量风险评估模型进行训练，当模型训练误差下降至0.001时，模型训练成熟，可以用于装备质量风险评估。

[0029] (三)有益效果

[0030] 本发明的一种基于质量问题数据和反向传导神经网络的复杂装备质量风险评估方法，其优点及功效在于：

[0031] (1)较以往的风险评估方法，本发明运用质量问题数据作为风险评估的输入，能够更加客观真实地反映当前装备质量存在的风险概率，为管理决策提供更加科学有效的依据。

[0032] (2)反向传导神经网络实质上实现了一个从输入到输出的映射功能，具有自学习能力，不用人为赋予指标权重，能够通过训练自动实现各项指标的权重赋值，极大降低了人为主观因素对装备质量风险评估结果造成的干扰。【附图说明】

[0033] 图1基于DoQP-BpNN的复杂装备质量风险评估流程示意图。

[0034] 图2完备的装备质量问题发生概率框架图。

[0035] 图3BpNN装备质量风险评估模型。【具体实施方式】

[0036] 本发明是一种基于DoQP-BpNN的复杂装备质量风险评估方法，根据图1给出的评估流程示意图，对具体实施步骤进行进一步说明：

[0037] 步骤1：分解复杂装备结构。进行充分的调查研究，从复杂装备设计层面入手，从结构上对复杂装备逐层进行分解，确定装备模块化系统构成，直至最低层级系统可测度且结构性功能未丧失。

[0038] 步骤2：明确质量风险构成。沿原材料、零部件供给的供应链低端追溯最低层级系统的制造成本，同时，收集整理“人、机、料、法、环”等风险源引致的质量问题发生概率，运用上述公式T＝ΣCi·Pi，计算质量风险的具体数值。

[0039] 步骤3：收集与整理历史质量问题数据。基于装备技术原理，运用故障模式及影响分析(FMEA)、故障树分析(FTA)等质量分析方法，识别低层级系统的关键性能指标及质量风险源，形成的质量问题数据样本集。

[0040] (1)最低层级系统关键功能性能指标数值识别、获取。

[0041] 根据装备的功能设计原理图、特性设计框架图或质量形成流程框架图将长辈顶层的功能、性能进行结构分解，结合设计参数，识别、获取最低层级系统的关键功能性能参数指标数值，得到训练BpNN装备质量风险评估模型的输入数据。

[0042] (2)风险源数据获取。

[0043] 运用故障模式及影响分析(FMEA)、故障树分析(FTA)等质量分析方法，探索质量问题发生的风险源，运用专家打分法，依据完备的装备质量问题发生概率框架图(如图2)，分别对“人、机、料、法、环”等风险源的质量问题发生情况进行打分，获取装备质量风险源数据，得到训练BpNN装备质量风险评估模型的输出数据。

[0044] 其中，完备的质量安全风险级别框架(图2)的描述性定义是：由有限、确定事件构成的事件集状态(是否发生质量安全问题)仅具有确定性特征，即装备质量问题发生的概率为0，质量风险级别为0；在已知事件空间下且具有稳定的概率关系的事件集具有一阶不确定性特征，质量风险级别由低到高分别是1、2、3；在已知事件空间下且具有不稳定的概率关系的事件集状态具有二阶不确定性特征，质量风险级别由低到高分别是4、5、6；在未知事件空间下的事件集状态具有三阶不确定性特征，质量风险级别由低到高分别是7、8、9。

[0045] (3)BpNN装备质量风险评估模型的质量问题数据样本集获取。

[0046] 按一定逻辑规则将最低层级系统关键功能性能指标数值与风险源数据一一对应，形成独立的样本数据；鉴于不同渠道获取的数据量纲不统一，进而运用Spss对这些数据进行归一化处理，统一最低层级系统关键功能性能指标数值和风险源数据的量纲，导出文本格式文件，形成BpNN装备质量风险评估模型的质量问题数据样本集。

[0047] 步骤4：构建与训练BpNN装备质量风险评估模型。根据低层级系统的关键性能指标数量及质量风险源数量，确定BpNN装备质量风险评估模型的输入节点数量和输出节点数量，构建BpNN装备质量风险评估模型；基于质量问题数据样本集数据，运用Matlab编程，对BpNN装备质量风险评估模型进行训练。

[0048] (1)确定BpNN装备质量风险评估模型的输入节点数量。

[0049] 根据最低层级系统关键功能性能指标数量，可以确定BpNN装备质量风险评估模型的输入层神经元数目，如图3所示，将指标数量中的各最低层级系统测量指标个数作为模型的输入节点。

[0050] (2)确定BpNN装备质量风险评估模型的输出节点数量。

[0051] 输出节点一般由评估结果的期望输出确定。在以往的风险评估中，一般仅设置一个期望输出。但是，本发明不仅需要评估复杂装备质量风险，而且还要进一步分析风险源。因此，本发明对照“人、机、料、法、环”等5个风险源，确定BpNN装备质量风险评估模型的输出节点数量为5个。

[0052] (3)确定BpNN装备质量风险评估模型的隐含层节点数量。

[0053] BpNN装备质量风险评估模型的隐含层神经元数目的选择不仅与输入输出层的节点数有关，更与待解决问题的复杂程度和转换函数的形式以及样本数据的特性等因素有关，是一个十分复杂的问题。若隐含层神经元过少，模型可能根本不能训练或模型性能很差；若隐含层神经元太多，虽然可使模型的系统误差减小，但增加了模型训练时间，还容易导致训练陷入局部极小点，也是训练出现“过拟合”的内在原因。为尽可能避免训练时出现“过拟合”现象，同时保证足够高的网络性能和泛化能力，确定隐含层神经元数目的基本原则是：在满足精度要求的前提下取尽可能紧凑的结构，即在能够解决问题的前提下，加上1到2个神经元以加快误差的下降速度即可。因此，本发明运用隐含层节点计算公确定BpNN模型隐含层节点数，r为隐含层节点数，n为输入层节点数，m为输出层节点数，a为2。

[0054] 最终，通过计算，确定了BpNN装备质量风险评估模型，如图3所示。

[0055] (3)基于Matlab的BpNN装备质量风险评估模型训练

[0056] 本文发明选择质量问题数据样本集的三分之二样本作为模型的训练样本，其余样本作为模型的检验样本；随后，运用Matlab编程对模型进行训练，初始化连接权值和阈值，运用newff函数自动初始化BpNN装备质量风险评估模型，调用traingdx训练模型的命令如下：

[0057] 训练间隔net.trainParam.show＝25；

[0058] 网络学习速率net.trainParam.lr＝0.05；

[0059] 动量系数net.trainParam.mc＝25；

[0060] 网络的最大训练次数net.trainParam.epochs＝1000；

[0061] 网络训练精度目标值net.trainParam.goal＝0.001。

[0062] 当Matlab界面显示“TRAINGDX,Performance goal met.”字样，表明模型训练完成，BpNN装备质量风险评估模型可以用于实际复杂装备质量风险评估。

[0063] 步骤5：收集与整理待评估装备的待分析数据。根据已识别的关键性能指标，对照质量问题数据样本集的数据结构，对待评估装备的各最低层级系统进行测试，收集低层级系统关键性能指标数据，做归一化处理，统一待评估装备的各最低层级系统的关键性能指标数值量纲，形成待评估装备数据。

[0064] 其中，归一化处理的方法按如下算法进行操作。

[0065] 当指标值越大，质量风险越高时，x*的数值按照公式(1)计算：

[0066]

[0067] 当指标值越小，质量风险越高时，x*的数值按照公式(2)计算：

[0068]

[0069] 其中，x*表示指标xi经过归一化处理后的标准化值，ximin表示第i个指标的最小值，ximax是指第i个指标的最大值。

[0070] 步骤6：评估复杂装备质量风险。运用步骤(4)中训练成熟的BpNN装备质量风险评估模型，将步骤(5)中收集整理的待评估关键性能指标数据作为模型输入数据，运用Matlab编程，对装备质量风险进行评估，模型输出结果即为装备质量风险的评估值。

[0071] 其中，Matlab编程的具体操作步骤如下：

[0072] (1)定义训练样本的输入矢量为P和目标矢量T；

[0073] (2)创建一个新的BpNN装备质量风险评估模型：

[0074] net＝newff(minmax(P),[3,1],{'tansig','purelin'},'traingdx')

[0075] (3)设置输入层权值和阈值：

[0076] inputWeights＝net.IW{1,1}；

[0077] inputbias＝net.b{1}

[0078] (4)设置网络层权值和阈值：

[0079] layerWeights＝net.LW{2,1}；

[0080] layerbias＝net.b{2}

[0081] (5)设置训练参数：

[0082] net.trainParam.show＝50；

[0083] net.trainParam.lr＝0.05；

[0084] net.trainParam.mc＝0.9；

[0085] net.trainParam.epochs＝1000；

[0086] net.trainParam.goal＝1e-3；

[0087] (6)调用traingdx算法训练BpNN装备质量风险评估模型：

[0088] [net,tr]＝train(net,P,T)

[0089] (7)对BpNN装备质量风险评估模型进行仿真：

[0090] A＝sim(net,P)。