一种基于历史数据的辐射剂量预测方法与流程

1.本发明属于核电运维技术领域，具体涉及一种基于历史数据的辐射剂量预测方法。


背景技术：

2.核电厂日常维护和每次大修前需建立切实可行且具有挑战性的辐射防护业绩指标，通过这些指标充分评价公司的辐射防护管理水平，并通过与之适应全面、有效地辐射防护管理措施，以保障核电厂工作人员的健康和安全。与个人剂量相关的辐射防护指标主要有累计集体剂量、总工时等。目前，核电厂对累计集体辐射剂量等辐射防护指标的制定，主要通过参考历史指标值及历史经验数据进行人工估算，无数据模型，无法自动对个人辐射剂量相关的辐射防护指标进行预测。目前，核电厂主要通过人工以及经验制定大修个人剂量相关的辐射防护指标，各个核电厂使用方法各不相同，并且经常发生大修累计集体剂量突破预测指标的情况。因此，需要一种基于历史剂量数据模型的辐射剂量预测模型，以实现核电厂剂量相关辐射防护指标制定的自动化、信息化。


技术实现要素：

3.本发明的目的在于针对核电厂剂量相关辐射防护指标制定困难、无数据模型、无信息化手段的现状，依托中国核电标准化管理流程，基于核电厂安全生产平台，提供了一种基于历史数据的辐射剂量预测方法，能够实现核电厂多标签组合自动对大修个人剂量相关的辐射防护指标的预测。
4.本发明的技术方案如下：
5.一种基于历史数据的辐射剂量预测方法，依次包括如下步骤：
6.s1.获取历史数据作为预测初始数据
7.选择参考机组、大修类型和参考大修，然后从核电厂获取各参考机组在历次参考大修期间的辐射剂量相关历史数据，对获得的历史数据进行识别分析，确定用于进行预测的标签以及各标签相关的辐射剂量的历史数据，作为预测初始数据；
8.s2.修正预测初始数据
9.核电厂在开展辐射剂量预测工作前，根据数据规范化情况，对获取的预测初始数据进行标准化配置，作为预测输入数据；
10.s3.选取预测模型相关标签
11.从s1识别出来的各标签中选择单个或多个标签；
12.s4.选择预测模型
13.根据s3选择的单个或多个标签组合成的标签集，对s2得到的预测输入数据进行分类汇总，统计得到预测输入数据中包含n次参考大修和m个标签集，得到c(1)，c(2)，...c(m)标签集，其中c(m)标签集对应的历次参考大修的集体辐射剂量为{e
c(m)，1
，e
c(m)，2
，...，e
c(m)，i
，...，e
c(m)，n
}，采用算数平均数法、四分位法、一元线性函数、一元多项式回归法或组
合权重法，计算得到集体辐射剂量预测值pe。
14.进一步地，所述s1的预测初始数据包括各机组在不同大修阶段，各项辐射工作许可证相关的辐射剂量历史数据。
15.进一步地，所述用于进行预测的标签包括包括处室、单位、大修阶段或大修里程碑区间、大修类型、专业、工作类别和工作大类。
16.进一步地，所述标准化配置过程包括对预测初始数据中的工作类别和大修阶段的标准化配置，以及对历次参考大修的集体辐射剂量、中子剂量和内照射剂量的修正。
17.进一步地，所述对预测初始数据中的“工作类别”的标准化配置通过以下方式实现：建立通用的“工作类别清单”，通过将预测初始数据中的“工作类别”统一为清单中给出的工作类别名称。
18.进一步地，所述对预测初始数据中的“大修阶段”的标准化配置通过以下方式实现：在预测初始数据中的“大修里程碑”基础上，得到大修里程碑区间，设置为更高一级“大修阶段”标签。
19.进一步地，所述对历次参考大修集体辐射剂量的修正通过以下方式实现：对完成工作类别和大修阶段配置的预测初始数据进行分析，对于存在历史专项工作和异常情况的预测初始数据，通过对预测初始数据中“工作类别”标签下的集体辐射剂量数据录入带正负号的修正值的方式，对集体辐射剂量的数值进行修正。
20.进一步地，所述对历次参考大修集体辐射剂量的修正通过以下方式实现：对完成工作类别和大修阶段配置的预测初始数据进行分析，根据目标大修的专项工作安排，对于与目标大修不同的专项工作相关预测初始数据，对其中“工作类别”标签下的集体辐射剂量数据通过录入正负号的修正值的方式进行修正。
21.进一步地，所述对中子剂量的修正通过以下方式实现：对每次参考大修的预测初始数据进行计算得到相应的中子剂量，作为该次参考大修的中子剂量修正值。
22.进一步地，所述对内照射剂量的修正通过以下方式实现：对每次参考大修的预测初始数据进行计算得到相应的内照射剂量，作为该次参考大修的内照射剂量修正值。
23.进一步地，所述s2中，对预测初始数据或预测输入数据根据
±
3σ判断准则进行分析，剔除其中的异常值。
24.进一步地，所述s4中中子剂量修正值和内照射剂量修正值，通过大数据分析给出最佳标签集、中子剂量预测值pe
中子
和内照射剂量预测值pe
内
。
25.进一步地，所述s5中，当预测输入数据中的参考大修次数＜5次时，采用算数平均数法作为预测模型，得到集体辐射剂量预测值pe；当预测输入数据中的参考大修次数≥5次时，采用四分位法、一元线性函数法、一元多项式回归法或组合权重法中的一种或多种方法计算结果的算数平均值作为预测模型，得到集体辐射剂量预测值pe。
26.进一步地，所述算数平均数法计算步骤如下：
27.s5.1.1计算c(m)标签集对应的集体辐射剂量预测值
[0028][0029]
式中，e
c(m)，i
表示第i个的大修集体辐射剂量数；
[0030]
s5.1.2对s5.1.1计算得到的各标签对应的集体辐射剂量预测值进行求和，从而得到集体辐射剂量预测值pe，其计算公式如下：
[0031][0032]
进一步地，所述s5.2.1四分位法的具体计算步骤如下：
[0033]
s5.2.1.1将c(m)标签集历次参考大修的集体辐射剂量按照从小到大排序为{e
c(m)，1
，e
c(m)，2
，...，e
c(m)，i
，...，e
c(m)，n
}，其中e
c(m)，i
表示排序后数值大小位列第n个的大修集体辐射剂量数；
[0034]
s5.2.1.2将处在50％或75％位置上的数值，作为集体辐射剂量预测值pe，其所在顺序位置计算公式如下：
[0035]
np(0.5)＝[n
×
0.5] 1
[0036]
np(0.75)＝[n
×
0.75] 1
[0037]
式中，np(0.5)为集体辐射剂量预测值pe
c(m)
使用中位数时，在 {e
c(m)，1
，e
c(m)，2
，...，e
c(m)，i
，...，e
c(m)，n
}中的排序位置；
[0038]
np(0.75)为集体辐射剂量预测值pe
c(m)
使用上四分位数时，在 {e
c(m)，1
，e
c(m)，2
，...，e
c(m)，i
，...，e
c(m)，n
}中的排序位置；
[0039]
s5.2.1.3异常值检验
[0040]
根据以下公式计算下四分位数所在顺序位置：
[0041]
np(0.25)＝[n
×
0.25] 1
[0042]
式中，np(0.25)为集体辐射剂量预测值pe
c(m)
使用中位数时，在 {e
c(m)，1
，e
c(m)，2
，...，e
c(m)，i
，...，e
c(m)，n
}中的排序位置；
[0043]
q1、q3分别为下分位数、上分位数，iqr为两者之间距离，若预测输入数据中的参考大修集体辐射剂量小于(q1-1.5iqr)或大于(q3 1.5iqr)，则认为它是疑似异常值，予以剔除，并重新进行中位数后下分位数计算。
[0044]
进一步地，所述一元线性函数法的具体计算步骤如下：
[0045]
s5.2.2.1假设用户选择n次大修、多个标签进行工时预测，对各标签集的大修集体辐射剂量进行分类汇总，共有c(1)，c(2)，...c(m)个标签集，其中c(m) 标签集历次大修集体辐射剂量及总工时组成的样本组为 {e
c(m)，1
，h
c(m)，1
}，{e
c(m)，2
，h
c(m)，2
}...，{e
c(m)，i
，h
c(m)，i
}，...，{e
c(m)，n
，h
c(m)，n
}。其中e
c(m)，i
、h
c(m)，i
表示第i 个的大修集体辐射剂量和总工时；
[0046]
s5.2.2.2根据一元线性函数计算：
[0047]
pe
c(m)
＝a b
×
ph
c(m)
ꢀꢀꢀ
(1)
[0048][0049][0050]
[0051][0052]
式中，ph
c(m)
为大修总工时预测值，需先通过算术平均数、四分位法得到预测值，pe
c(m)
为大修集体辐射剂量预测值，a和b分别为线性拟合后直线的截距和斜率。
[0053]
进一步地，所述组合权重法的具体计算步骤如下：
[0054]
s5.2.3.1针对历次大修的集体辐射剂量{e
c(m)，1
，e
c(m)，2
，...，e
c(m)，i
，...，e
c(m)，n
}，子数据集中的每条记录，利用第a次参考大修的数据，计算每个类别的平均集体辐射剂量
[0055][0056]
式中，m代表工作类别，ot-n代表大修编号，tn代表大修阶段，a代表存在数据的大修次数；
[0057]
s5.2.3.2对该工作类别的所有子数据集的平均集体辐射剂量求和，得到此工作类别的平均总集体辐射剂量
[0058]
式中，m代表工作类别，tn代表大修阶段；
[0059]
s5.2.3.3计算子数据集的所有记录中，各个大修阶段类别占此工作类别总集体辐射剂量的比例，得到对应大修阶段类别的比例系数
[0060][0061]
式中，m代表工作类别，tn代表大修阶段；
[0062]
s5.2.3.4预测子数据集的下一次大修的集体辐射剂量
[0063][0064]
进一步地，所述一元多项式回归的具体计算步骤如下：
[0065]
s5.2.4.1假设用户选择n次大修、多个关键标签进行工时预测，对各标签集的大修集体辐射剂量进行分类汇总，共有c(1)，c(2)，...c(m)个标签集，其中 c(m)标签集历次大修集体辐射剂量按照大修发生的时间次序为 {e
c(m)，1
，e
c(m)，2
，...，e
c(m)，1
，...，e
c(m)，n
}。其中e
c(m)，i
表示第i次的大修集体辐射剂量数。
[0066]
s5.2.4.2可根据样本数组计算一元多项式的系数矩阵：
[0067][0068]
s5.2.4.3写出第n 1次大修集体辐射剂量数预测表达式，并计算得到最终结果
[0069]
pe
c(m)，n 1
＝a0 a1(n 1)
…
ak(n 1)k[0070]
pe
c(m)，n 1
为c(m)标签集的集体辐射剂量预测值，a0，a1，...，ak分别为拟合后多项式函数的系数；
[0071]
s5.2.4.4各标签所取得的集体辐射剂量预测值pe进行求和：
[0072][0073]
pe
c(m)，n 1
为各标签集c(m)的集体辐射剂量预测值
[0074]
s5.2.4.5应对一元多项式函数模型进行必要的检测，模型评价指标如下所示：
[0075]
解释方差：
[0076][0077]
绝对平均误差：
[0078][0079]
均方误差：
[0080][0081]
决定系数：
[0082][0083]
式中，表示每次大修剂量的真实值，表示一元多项式拟合的预测值，var{y}表示真实值的方差，表示真实值与预测值之间差值的方差，表示预测值的平均值，n
samplies
表示输入模型的大修剂量的次数。
[0084]
进一步地，所述总预测集体剂量pe
总
的计算公式为：
[0085]
pe
总
＝(pe pe
中子
pe
内
)
×k工期
。
[0086]
进一步地，所述s5.2.2.2对一元线性函数模型进行检测，检查可决系数r2及f检验。
[0087]
本发明的有益效果在于：
[0088]
本发明的基于历史剂量数据模型的集体剂量预测模型，主要通过识别核电厂大修累计集体剂量、总工时两个辐射防护指标相关的标签，以历次大修个人剂量、工单、辐射工作许可等相关数据作为数据源并开放组合方式，通过大数据分析技术，对历史数据通过模型分析，输出不同标签组合的预测累计集体剂量、总工时，并支持人工修正数据引入，最终实现核电厂大修个人剂量相关的辐射防护指标预测。该方法适用核电厂辐射防护领域大修期间或日常维护中个人剂量管理，能够满足核电厂辐射防护部门制定与个人剂量相关的辐射防护指标需求；可以节约指标制定的人力和时间，减轻管理工程师的负担，并提供标签自由组合功能，以实现尽可能准确对核电厂个人剂量相关的辐射防护指标进行预测。
附图说明
[0089]
图1为本发明的流程示意图；
[0090]
图2为本发明的预测模型关联数据关系图。
具体实施方式
[0091]
下面结合附图及具体实施例对本发明作进一步详细说明。
[0092]
本实施例提供了一种基于历史数据的辐射剂量预测方法，主要用于核电厂大修或日常维护中个人辐射剂量、集体辐射剂量和工时相关的辐射防护指标的自动化推演和预测。该方法的主要流程如图1所示，依次包括如下步骤：
[0093]
s1.获取历史数据作为预测初始数据
[0094]
根据预测目的和历史数据完备性，选择本次预测参考的一台或多台参考机组、各种大修类型和多次参考大修，然后从核电厂各个系统、模块间获取各个参考机组在历次参考大修期间的辐射剂量和工时相关历史数据，作为预测初始数据；本实施例的预测初始数据包括各机组在不同大修阶段，各项辐射工作许可证(简称“rwp”)相关的辐射剂量和工时的历史数据，rwp中包含了处室、单位、专业描述和工作类别描述等信息，如图2所示；具体过程如下：
[0095]
s1.1选择机组
[0096]
由于各个核电厂数据准备完整度有差异，并且该模型投用初期大修样本数据较少，支持用户选择单机组或多机组的历史数据作为预测模型输入数据；可由用户设置偏好组合情况，作为默认选项；
[0097]
s1.2选择大修类型
[0098]
由于大修工期及大修项目安排差异较大，核电厂对大修进行分类，主要包括常规大修、非常规大修、五年大修、十年大修，支持用户选择单个大修类型或所有大修类型作为预测模型输入；可由用户设置偏好组合情况，作为默认选项；
[0099]
s1.3选择参考大修
[0100]
可根据选择的机组、大修类型，推荐满足条件的大修，支持用户自由选择大修编号作为预测模型输入；可由用户设置偏好组合情况，作为默认选项；
[0101]
s1.4从核电厂各个系统、模块间获取各个参考机组在历次参考大修期间的辐射剂量和工时相关历史数据，根据管理经验及数据关联性，通过语义识别和自动化分析方法或人工分析方式，对获得的大修阶段和辐射工作许可证(简称“rwp”)等相关的历史数据进行识别分析，确定用于进行集体辐射剂量预测的多个标签，以及各标签相关的辐射剂量和工时的历史数据作为预测初始数据；本实施例的识别分析过程如图2所示，确定了7个用于剂量预测的标签，包括处室、单位、大修阶段(或大修里程碑区间)、大修类型、专业、工作类别和工作大类。
[0102]
s2.修正预测初始数据
[0103]
核电厂在开展辐射剂量预测工作前，根据历史数据的规范化情况，可以对各机组在运行和大修的不同期间产生的各项rwp相关的预测初始数据进行标准化配置，作为预测输入数据；
[0104]
s2.1对工作进行分类设置
[0105]
对预测初始数据中的“工作类别”进行标准化配置，即建立通用的“工作类别清单”，通过将历史数据中的对工作类别的文字描述统一为清单中给出的工作类别；可以允许
核电厂在进行标准化配置过程中，根据实际情况和工作需要，在“工作类别”基础上设置更高一级“工作大类”；“工作大类”与“工作类别”关系为一对多；
[0106]
s2.2对大修阶段进行设置
[0107]
核电厂对“大修里程碑”进行标准化配置，允许辐射防护部门在此基础上设置更高一级“大修阶段”，可由电厂自行配置；“大修阶段”与“大修里程碑”关系为一对多；
[0108]
s2.3对历次大修集体剂量进行修正
[0109]
核电厂辐射防护部门或负责本次辐射剂量预测工作的工作人员，对预测初始数据进行分析，对于存在历史专项工作和异常情况的预测初始数据，通过对“工作类别”标签下的预测初始数据录入带符号的修正值的方式对其数值进行修正，以降低历史专项工作、异常情况对此次大修剂量、工时预测造成的影响。
[0110]
也可根据目标大修专项工作安排，对目标大修“工作类别”下的预测初始数据进行修正，仅对于与目标大修不同的专项工作相关预测初始数据进行修正，以进一步降低目标大修专项工作对目标大修剂量、工时预测造成的影响，提高预测准确性；
[0111]
s2.4计算历次大修中子剂量修正值
[0112]
大修集体剂量指标制定时，除考虑epd剂量，还应考虑历次大修中子剂量。因此，核电厂辐射防护部门或负责本次辐射剂量预测工作的工作人员，对每次参考大修的预测初始数据进行计算得到相应的中子剂量，作为该次参考大修的中子剂量修正值，用于后续修正预测结果。
[0113]
s2.5计算历次大修内照射剂量修正值
[0114]
大修集体剂量指标制定时，除考虑epd剂量，还应考虑历次大修内照射剂量，尤其是重水堆核电厂，大修期间氚内照射占较大比重。因此，核电厂辐射防护部门或负责本次辐射剂量预测工作的工作人员，对每次参考大修的预测初始数据进行计算得到相应的内照射剂量，作为该次参考大修的内照射剂量修正值，用于后续修正预测结果；
[0115]
s2.6剔除异常值
[0116]
核电厂辐射防护部门或负责本次辐射剂量预测工作的工作人员可以根据分析结果，选择是否需剔除预测输入数据中的异常值，异常值检验方法通常采用现有技术中的
±
3σ判断准则；
[0117]
s3.选取预测模型相关标签
[0118]
为进一步提高预测模型的适用场合，可以从s1.4识别出来的各类标签中选择预测模型更加密切相关的标签；通过对标签的自由组合作为预测模型的变量，开展预测前直接选取变量，可以实现对预测模型的快速调整，可组合标签主要有：单位、处室、大修阶段、大修阶段(或者大修里程碑区间)、专业、工作类别、工作大类等；可由进行预测的部门或人员设置标签选择的偏好组合情况，作为默认选项，以进一步提高工作效率；
[0119]
s4.根据s3选择的单个或多个标签组合成的标签集，对预测输入数据分类汇总，并根据s2.4确定的中子剂量修正值和s2.5确定的内照射剂量修正值，采用但不限于趋势外推法、回归预测法、卡尔曼滤波预测模型或组合预测模型等算法通过大数据分析，给出最佳的标签集、中子剂量预测值和内照射剂量预测值；
[0120]
s5.选择预测模型
[0121]
预测输入数据中包含n次大修和m个标签集，对各标签集的大修集体剂量进行分类
汇总得到c(1)，c(2)，...c(m)个标签集，其中c(m)标签集对应的历次大修的集体剂量为{e
c(m)，1
，e
c(m)2
，...，e
c(m)，i
，...，e
c(m)，n
}，可以采用算数平均数法、四分位法、一元线性函数、一元多项式回归法或组合权重法，计算得到集体剂量预测值；
[0122]
s5.1当预测输入数据中的参考大修次数＜5次时，采用算数平均数法作为预测模型，得到集体剂量预测值，具体计算步骤如下：
[0123]
s5.1.1计算c(m)标签集对应的集体剂量预测值
[0124][0125]
式中，e
c(m)，i
表示第i个的大修集体剂量数；
[0126]
s5.1.2对s5.1.1计算得到的各标签对应的集体剂量预测值进行求和，从而得到集体剂量预测值pe，其计算公式如下：
[0127][0128]
s5.2当预测输入数据中的参考大修次数≥5次时，可以采用四分位法、一元线性函数法、一元多项式回归法或组合权重法中的一种或多种方法计算结果的算数平均值作为预测模型，得到集体剂量预测值；本实施例当大修次数＞5次，采用中位数或上四分位数作为各统计项预测值；当大修次数为5次时，采用中位数作为各统计项预测值。
[0129]
s5.2.1四分位法的具体计算步骤如下：
[0130]
s5.2.1.1将c(m)标签集历次参考大修的集体辐射剂量按照从小到大排序为 {e
c(m)，1
，e
c(m)，2
，...，e
c(m)，i
，...，e
c(m)，n
}，其中e
c(m)，i
表示排序后数值大小位列第n个的大修集体剂量数；
[0131]
s5.2.1.2将处在50％或75％位置上的数值，作为集体剂量预测值pe，其所在顺序位置计算公式如下：
[0132]
np(0.5)＝[n
×
0.5] 1
[0133]
np(0.75)＝[n
×
0.75] 1
[0134]
式中，np(0.5)为集体剂量预测值pe
c(m)
使用中位数时，在 {e
c(m)，1
，e
c(m)，2
，...，e
c(m)，i
，...，e
c(m)，n
}中的排序位置；
[0135]
np(0.75)为集体剂量预测值pe
c(m)
使用上四分位数时，在 {e
c(m)，1
，e
c(m)，2
，...，e
c(m)，i
，...，e
c(m)，n
}中的排序位置；
[0136]
s5.2.1.3异常值检验
[0137]
根据以下公式计算下四分位数所在顺序位置：
[0138]
np(0.25)＝[n
×
0.25] 1
[0139]
式中，np(0.25)为集体剂量预测值pe
c(m)
使用中位数时，在 {e
c(m)，1
，e
c(m)，2
，...，e
c(m)，i
，...，e
c(m)，n
}中的排序位置；
[0140]
q1、q3分别为下分位数、上分位数，iqr为两者之间距离，若预测输入数据中的参考大修集体剂量小于(q1-1.5iqr)或大于(q3 1.5iqr)，则认为它是疑似异常值，予以剔除，并重新进行中位数后下分位数计算；
[0141]
s5.2.1.4对各标签集所取得的集体剂量预测值pe进行求和：
[0142][0143]
式中，pe
c(m)
为各标签集c(m)的集体剂量预测值；
[0144]
s5.2.2一元线性函数法的具体计算步骤如下：
[0145]
因为集体剂量与总工时具有较强的正相关性，当参考大修次数较多时，通过历次参考大修的集体剂量及总工时散点图进行线性拟合，也可以获得较为准确的集体剂量预测值，具体步骤如下：
[0146]
s5.2.2.1假设用户选择n次大修、多个标签进行工时预测，对各标签集的大修集体剂量进行分类汇总，共有c(1)，c(2)，...c(m)个标签集，其中c(m)标签集历次大修集体剂量及总工时组成的样本组为 {e
c(m)，1
，h
c(m)，1
}，{e
c(m)，2
，h
c(m)，2
}...，{e
c(m)，i
，h
c(m)，i
}，...，{e
c(m)，n
，h
c(m)，n
}。其中e
c(m)，i
、h
c(m)，i
表示第i 个的大修集体剂量和总工时；
[0147]
s5.2.2.2根据一元线性函数计算：
[0148]
pe
c(m)
＝a b
×
ph
c(m)
ꢀꢀꢀ
(1)
[0149][0150][0151][0152][0153]
式中，ph
c(m)
为大修总工时预测值，需先通过算术平均数、四分位法得到预测值，pe
c(m)
为大修集体剂量预测值，a和b分别为线性拟合后直线的截距和斜率；
[0154]
s5.2.2.3一元线性模型假设进行必要验证，以证明合理性，检查可绝系数 r2和显著性f值；
[0155]
s5.2.3组合权重法的具体计算步骤如下：
[0156]
s5.2.3.1针对历次大修的集体辐射剂量{e
c(m)，1
，e
c(m)，2
，...，e
c(m)，i
，...，e
c(m)，n
}，子数据集中的每条记录，利用第a次参考大修的数据，计算每个类别的平均集体辐射剂量
[0157][0158]
式中，m代表工作类别，ot-n代表大修编号，tn代表大修阶段，a代表存在数据的大修次数；
[0159]
s5.2.3.2对该工作类别的所有子数据集的平均集体辐射剂量求和，得到此工作类别的平均总集体辐射剂量
[0160]
式中，m代表工作类别，tn代表大修阶段
[0161]
s5.2.3.3计算子数据集的所有记录中，各个大修阶段类别占此工作类别总集体辐
射剂量的比例，得到对应大修阶段类别的比例系数
[0162][0163]
式中，m代表工作类别，tn代表大修阶段；
[0164]
s5.2.3.4预测子数据集的下一次大修的集体辐射剂量
[0165][0166]
当组合权重法用于预测总工时，其计算步骤如下：
[0167]
s5.2.3.1针对历次大修的集体剂量{e
c(m)，1
，e
c(m)，2
，...，e
c(m)，i
，...，e
c(m)，n
}，子数据集中的每条记录，利用第a次参考大修的数据，计算每个类别的平均工时
[0168][0169]
m代表工作类别，ot-n代表大修编号，tn代表大修阶段，a代表存在数据的大修次数。
[0170]
s5.2.3.2对该工作类别的所有子数据集的平均工时求和，得到此工作类别的平均总工时
[0171][0172]
m代表工作类别，tn代表大修阶段
[0173]
s5.2.3.3计算子数据集的所有记录中，各个大修阶段类别占此工作类别总工时的比例，得到对应大修阶段类别的比例系数
[0174][0175]
m代表工作类别，tn代表大修阶段
[0176]
s5.2.3.4预测子数据集的下一次大修的工时
[0177][0178]
s5.2.4一元多项式回归的具体计算步骤如下：
[0179]
当参考大修的次数较多时，可以采用用一元多项式函数拟合大修时间次序与历次大修集体剂量，步骤如下：
[0180]
s5.2.4.1假设用户选择n次大修、多个关键标签进行工时预测，对各标签集的大修集体剂量进行分类汇总，共有c(1)，c(2)，...c(m)个标签集，其中c(m) 标签集历次大修集体剂量按照大修发生的时间次序为 {e
c(m)，1
，e
c(m)，2
，...，e
c(m)，i
，...，e
c(m)，n
}。其中e
c(m)，i
表示第i次的大修集体剂量数。
[0181]
s5.2.4.2可根据样本数组计算一元多项式的系数矩阵：
[0182]
[0183]
s5.2.4.3写出第n 1次大修集体剂量数预测表达式，并计算得到最终结果
[0184]
pe
c(m)，n 1
＝a0 a1(n 1)
…
ak(n 1)k[0185]
pe
c(m)，n 1
为c(m)标签集的集体剂量预测值，a0，a1，...，ak分别为拟合后多项式函数的系数；
[0186]
s5.2.4.4各标签所取得的集体剂量预测值pe进行求和：
[0187][0188]
pe
c(m)，n 1
为各标签集c(m)的集体剂量预测值
[0189]
s5.2.4.5应对一元多项式函数模型进行必要的检测，模型评价指标如下所示：
[0190]
解释方差：
[0191][0192]
绝对平均误差：
[0193][0194]
均方误差：
[0195][0196]
决定系数：
[0197][0198]
式中，表示每次大修剂量的真实值，表示一元多项式拟合的预测值，var{y}表示真实值的方差，表示真实值与预测值之间差值的方差，表示预测值的平均值，n
samplies
表示输入模型的大修剂量的次数。
[0199]
s5.3多种预测方法预测结果拟合：使用算术平均数、四分位法进行数据拟合。
[0200]
假设用户选择n次大修、m个标签进行工时预测，对各标签集的大修集体剂量进行分类汇总，共有c(1)，c(2)，...c(m)个标签集，h
c(m)，i
表示第i个的参考大修的总工时，总人次、中子剂量、内照射剂量等，也可以采用5.2.1.1-5.2.1.4 的方法进行预测。
[0201]
s6.计算最终的各标签集的总预测集体剂量pe
总
、总预测工时ph
总
；
[0202]
pe
总
＝(pe pe
中子
pe
内
)
×k工期
[0203][0204]
其中，pe为基于历次大修epd剂量及rwp进行预测的大修集体剂量，pe
中子
为目标大修中子剂量预测值，pe
内
为目标大修内照射剂量预测值；k
工期
为大修工期修正因子。
[0205]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。倘若这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明
也意图包含这些改动和变型在内。