论文摘要
裕度与不确定性（QMU）评估技术是一项新兴的安全性评估技术，它主要基于“裕度设计”的理念，注重区间分析，考虑系统性能参数实际的变化范围来分析系统安全性。但QMU方法本质上是静态评估方法，一般通过收集系统固有信息或静态数据来进行评估，对动态系统的适应性较差；此外它只提供了评估方法，并未涉及系统性能数据的处理，而这部分恰恰是QMU评估的输入部分，对评估结果有决定性影响。对于运行中的系统来说，掌握实时安全状态很重要，如能利用状态监测与预测技术实时获取系统性能参数的时序信息，将其代入QMU评估模型，就能得到系统实时的安全性评估结果并预测未来一段时间内的安全状况，这是对QMU评估的一个重要补充。获取实时评估结果后可以提前对可能发生的事故采取相应措施，降低系统发生故障的可能性或减轻事故对系统的损坏，这对提高系统的安全性与可用性均有重要意义。按照这个思路，本文运用相关向量机(RVM)与粒子滤波(PF)模型对性能数据进行分析并预测其趋势。第二章阐述了经典RVM模型的原理以及噪声项的改进，通过引入方差修正超参数来对每个点的噪声方差进行修正，使得RVM模型对噪声有更好的适应性。本章还对RVM模型进行了回归性能分析，讨论了核函数带宽与改进噪声项对回归性能的影响，并给出了建立RVM回归数据库的流程。第三章提出了基于RVM回归数据库的粒子滤波预测模型，利用RVM回归数据库推导计算粒子滤波模型中的粒子采样建议分布、粒子权重和运动方程，较好地满足了粒子滤波模型对数据的要求。本章还对模型预测效果进行了评估，通过调整各相关参数值分析了预测长度、平滑系数、权重更新速率等对预测结果的影响，并将本章模型与一般的曲线拟合趋势外推方法进行了对比。针对传统QMU方法事后分析以及仅用优良系数是否大于1来评价系统是否安全等局限性，第四章提出动态安全裕度与不确定性评估模型，能在系统运行过程中通过监测性能参数来评估安全裕度，并基于预测结果进行动态优良系数计算。此外还改进了传统QMU的评估规则，解决了动态系统中非单调退化部件的评估问题，可通过调整预测长度与判断阈值来控制评估结果中弃真与采伪的误判率，从而适应不同系统对安全性评估的信度要求。最后，针对船用堆一回路冷却剂管道（奥氏钢管道）进行了动态安全裕度与不确定性评估的案例分析。