一种FMECA风险评估模型自主优化方法及装置与流程

摘要: 本发明涉及智能制造与工业物联网,特别是涉及一种基于深度q网络的fmeca风险评估模型自主优化方法及装置。背景技术:1、在智能制造与工业物联网领域,生产设备之间高...
一种FMECA风险评估模型自主优化方法及装置与流程

本发明涉及智能制造与工业物联网,特别是涉及一种基于深度q网络的fmeca 风险评估模型自主优化方法及装置。

背景技术:

1、在智能制造与工业物联网领域,生产设备之间高度互联,其运行状态动态变化,故障影响相互传播,准确识别设备失效模式并及时开展风险评估与预警,对保障系统可靠运行和生产安全具有重要意义。

2、现有技术中,使用fmeca进行风险评估已被广泛应用,例如通过识别失效模式、分析失效原因及影响,并依据严重度、发生度和可探测度计算风险优先数或划分风险等级;部分技术还结合故障传播图分析失效在设备或功能模块之间的传播路径。

3、与本发明技术最接近的已有技术为《一种基于扩展fmeca和故障传播图的单粒子故障发生概率计算方法》(申请号:202110028127.4,公开号:cn112782549a)。该发明通过分析机载电子设备的系统组成及单粒子效应,开展扩展fmeca分析,构建故障传播图,并结合故障传播路径计算单粒子故障发生概率;但是,该发明主要依据预先建立的fmeca结果和故障传播关系进行静态概率计算,未考虑故障随时间变化的动态特性,缺乏实时优化和在线学习能力,难以随设备状态、工艺参数及生产环境变化持续优化风险评估模型。

4、然而,现有技术在实际应用中面临关键挑战:首先,风险参数通常依据历史数据确定,或者直接依赖专家经验,难以适应设备老化、工艺参数调整及生产节拍变化,其次,失效传播权重通常固定,不能及时反映不同运行状态下故障关联强度及传播路径的变化,此外,风险预警阈值主要依靠人工设定,难以动态平衡预警准确率、召回率、误报率和漏报率,最后,现有模型缺少利用实际预警结果和新增生产数据进行反馈学习的闭环自主优化机制,导致风险评估性能可能随生产环境变化而下降。

技术实现思路

1、鉴于上述问题,本发明提供用于克服上述问题或者至少部分地解决上述问题的一种fmeca 风险评估模型自主优化方法及装置, 通过将深度q网络和fmeca风险评估结合,解决现有技术在动态生产环境和自主优化机制方面的不足。

2、本发明提供了如下方案:

3、一种fmeca 风险评估模型自主优化方法,包括:

4、确定fmeca风险评估模型,所述fmeca风险评估模型包括失效传播网络,所述失效传播网络以设备单元、关键部件或失效模式为节点,以失效影响关系为传播边,每条所述传播边设置有可调的失效传播边权重和风险预警阈值;

5、将所述fmeca风险评估模型的优化过程建模为马尔可夫决策过程,定义状态空间、动作空间和奖励函数;所述状态空间包括历史风险事件记录、设备状态参数、通信状态和环境上下文;所述动作空间包括对所述失效传播边权重、所述风险预警阈值、严重度权重、发生度权重、可检测度权重和危害度权重的调整策略;所述奖励函数根据风险预警精确率、召回率、误报惩罚项、漏报惩罚项和风险处置成本计算;

6、构建包含策略网络和目标网络的双重深度q网络,基于经验回放缓存区进行预训练和在线更新;

7、获取目标系统的实时运行数据、历史失效数据、风险事件记录和环境上下文数据以构建当前状态,将所述当前状态输入所述策略网络以输出优化动作,根据所述优化动作调整所述fmeca风险评估模型参数,基于调整后的所述fmeca风险评估模型输出风险等级、关键失效模式、关键失效传播链和风险处置优先级;

8、根据实际风险事件、预警命中情况、误报情况、漏报情况和处置成本计算即时奖励,并生成经验样本存入所述经验回放缓存区,当经验样本数量达到预设批量规模时启动在线学习流程对所述策略网络和所述目标网络进行更新。

9、优选地:所述历史风险事件记录包括风险类型、风险等级、严重程度、发生频率和处置结果;所述设备状态参数包括健康指数、性能退化趋势、故障历史和关键部件状态;所述通信状态包括时延、丢包率、带宽利用率和通信异常记录;所述环境上下文包括生产任务类型、工艺参数、环境条件和运行负载。

10、优选地:所述调整策略包括失效传播边权重上调、失效传播边权重下调、风险预警阈值上调、风险预警阈值下调、严重度权重调整、发生度权重调整、可检测度权重调整和维持当前参数不变。

11、优选地:所述动作空间中的各调整策略对应所述策略网络的离散动作输出,且所述调整策略的执行受限于风险优先数rpn=严重度×发生度×可检测度的数学关系约束,当所述调整策略改变严重度权重或发生度权重时,同步更新风险优先数。

12、优选地:所述即时奖励通过下式计算获得:

13、

14、式中:表示第次运行中风险预警的精确率;表示风险预警的召回率;表示误报惩罚项;表示漏报惩罚项;表示风险处置成本;为奖励权重系数,用于平衡不同评价指标的重要性。

15、优选地:所述奖励权重系数根据风险等级动态调整,其中高风险等级失效模式对应的召回率权重大于低风险等级失效模式对应的召回率权重。

16、优选地:所述基于经验回放缓存区进行预训练和在线更新包括:

17、从所述经验回放缓存区中随机采样小批量样本;通过所述策略网络计算当前状态动作值,并通过所述策略网络选择下一状态下的最优动作;通过所述目标网络计算目标q值;根据损失函数更新所述策略网络参数,并按照软更新方式更新所述目标网络参数。

18、优选地:所述启动在线学习流程包括:

19、当经验样本数量达到预设批量规模时,从所述经验回放缓存区中随机采样小批量样本对所述策略网络和所述目标网络进行更新;

20、当达到预设重训练周期时,利用所述经验回放缓存区中的历史样本对所述深度q网络进行周期性重训练,并根据重训练结果更新所述fmeca风险评估模型。

21、优选地:所述构建当前状态包括:

22、将历史风险事件记录、设备状态参数、通信状态按历史数据有效步长进行排列,并与当前环境上下文组合形成状态向量;当历史数据长度小于所述历史数据有效步长时,采用补零方式使状态向量维度保持一致。

23、一种fmeca 风险评估模型自主优化装置,用于执行上述的所述fmeca 风险评估模型自主优化方法,所述装置包括:

24、fmeca风险评估模型确定单元,用于确定fmeca风险评估模型,所述fmeca风险评估模型包括失效传播网络,所述失效传播网络以设备单元、关键部件或失效模式为节点,以失效影响关系为传播边,每条所述传播边设置有可调的失效传播边权重和风险预警阈值;

25、风险分析评估建模单元,用于将所述fmeca风险评估模型的优化过程建模为马尔可夫决策过程,定义状态空间、动作空间和奖励函数;所述状态空间包括历史风险事件记录、设备状态参数、通信状态和环境上下文;所述动作空间包括对所述失效传播边权重、所述风险预警阈值、严重度权重、发生度权重、可检测度权重和危害度权重的调整策略;所述奖励函数根据风险预警精确率、召回率、误报惩罚项、漏报惩罚项和风险处置成本计算;

26、深度q网络预训练单元,用于构建包含策略网络和目标网络的双重深度q网络,基于经验回放缓存区进行预训练和在线更新;

27、风险评估模型在线优化单元,用于获取目标系统的实时运行数据、历史失效数据、风险事件记录和环境上下文数据以构建当前状态,将所述当前状态输入所述策略网络以输出优化动作,根据所述优化动作调整所述fmeca风险评估模型参数,基于调整后的所述fmeca风险评估模型输出风险等级、关键失效模式、关键失效传播链和风险处置优先级;

28、网络更新单元,用于根据实际风险事件、预警命中情况、误报情况、漏报情况和处置成本计算即时奖励,并生成经验样本存入所述经验回放缓存区,当经验样本数量达到预设批量规模时启动在线学习流程对所述策略网络和所述目标网络进行更新。

29、根据本发明提供的具体实施例,本发明公开了以下技术效果:

30、本发明实施例提供的一种fmeca 风险评估模型自主优化方法及装置,该方法将fmeca 风险评估模型的参数优化过程转化为强化学习问题,通过深度 q 网络对失效传播边权重、风险预警阈值、严重度权重、发生度权重、可检测度权重和危害度权重进行自适应调整,能够减少人工经验依赖,提高风险评估结果与实际失效结果的一致性。通过经验回放、目标网络和在线学习机制,系统能够在动态运行环境下持续修正风险评估策略,从而提升风险预警准确性、降低误报和漏报,并提高 fmeca 风险评估模型对复杂工况变化的适应能力。

31、当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。