本发明涉及评估模型预测性能的数智分析方法及数智分析器，属于数据自动分析领域。
背景技术：
1、评估模型(am)是确保结构完整性和安全性的一种有效方法。目前，已有多种针对结构安全的评估模型被建立和提出，例如常用来评估裂纹管道的安全评估am，如battelle、corlas、sintap、bs 7910:2019、api rp 579、r6和gb/t 2019等。am种类繁多，因此选择合适的am就尤为重要。近年来，许多学者对am的性能进行了分析和研究，polasik等人和yan等人基于am计算误差的均值、方差或变异系数，建立实验数据库分析了am预测效果。这些研究通常基于一阶矩和二阶矩对am的评估结果进行分析，评估过程简单易懂，但并未完全提取am预测性能的概率分布特征，导致评估效果容易存在偏差。2022年，guo等人提出了一个可以有效评估am预测性能的gn模型。但是，其计算过程过于理论化，不利于理解及推广，参考度和推广度较低。
技术实现思路
1、发明目的：为了克服现有技术中存在的不足，本发明提供一种评估模型预测性能的数智分析方法及数智分析器，能够有效输出预测模型的特征参数和综合评估得分，为用户提供参考和建议。
2、技术方案：为解决上述技术问题，本发明的一种评估模型预测性能的数智分析方法，包括以下步骤：
3、(1)输入评估模型的预测精度pa和实际失效值p，pa为预测值与实际值之比；
4、(2)采用特征参数提取器cpe对输入数据组进行处理，根据内置智能算法计算评估模型am的稳定性和分布位置性能，其中，稳定性预测性能的计算包含am的预测精度的相关性c1、多峰性c2、分散性c3；分布位置性能的计算包含风险性c4、保守性c5、鲁棒性c6和准确性c7；
5、(3)根据步骤(2)中提取的am预测性能特征参数，结合最优最差方法bwm，采用四种多标准决策方法swm、topsis、vikor和promethee ii方法，综合计算am的预测性能；
6、(4)输出预测模型的特征参数和综合评估得分。
7、作为优选，所述步骤(2)中相关性c1是pa和实验结果fexp之间的关系，其c1的上限值为0.2；
8、
9、其中，n是所有样本的观察总数；(x,y)是来自不同随机向量x∈rn×p和y∈rn×p的所观察的随机样本；vn(x,y)是经验距离协方差。
10、作为优选，所述步骤(2)中多峰性c2分为三类，采用假设检验和拟合优度指标来确定：当最优拟合分布为单峰分布时，c2＝1；当最优拟合分布是高斯混合物模型，但有单峰分布通过了假设检验，c2＝2；当只有高斯混合模型gmm通过假设检验时，c2＝3。
11、作为优选，所述步骤(2)中分散性c3通过pa的cov来量化(cov＝std/e)，采用50％作为c3的极限值。
12、作为优选，所述步骤(2)中风险性c4为预测值fpre大于实验值fexp的概率，即pa>1的概率，采用式(2)或式(3)进行计算，50％作为c4的限值。
13、
14、
15、式中，pdf(·)为pa分布的概率密度函数；npa>1为pa大于1的实验个数；n为数据库中的实验总数。
16、作为优选，所述步骤(2)中保守性c5表示“过度保守”，采用pa≤0.5的概率，即fpre不超过fexp一半的概率，来量化保守性c5，其计算采用式(4)和(5)：
17、
18、
19、式中，n0<pa<0.5为pa介于0和0.5之间的实验个数。
20、作为优选，所述步骤(2)中鲁棒性c6是指fpre介于0.5和1.0倍fexp之间的概率，计算式为，
21、
22、
23、式中，n0<pa<0.5为pa介于0.5到1之间的实验个数。
24、作为优选，所述步骤(2)中准确性c7是pa的均值和1之间的绝对差值，采用下式计算：
25、c7＝|e(pa)-1|
26、式中，e(pa)为pa的均值。
27、作为优选，所述步骤(3)中最优最差方法包含以下步骤：
28、(31)根据九级标度法，建立bo和ow向量
29、bo＝(ab1,ab2,...,ab7)
30、ow＝(a1w,a2w,...,a7w)t
31、式中，abj，j＝1,2,...,7表示最重要的标准对第j个标准的相对偏好；ajw表示第j个标准对最不重要的标准的相对偏好；
32、表1九级标度法
33、 分数 定义 1 两个因素相比，同等重要 2 介于同等重要和稍微重要之间 3 两个因素相比，一个因素比另一个因素稍微重要 4 介于稍微重要和重要之间 5 两个因素相比，一个因素比另一个因素重要 6 介于重要和很重要之间 7 两个因素相比，一个因素比另一个因素很重要 8 介于很重要和极端重要之间 9 两个因素相比，一个因素比另一个因素极端重要
34、(32)计算最佳权重w1，w2，...，w7，理想的权重应满足wb/wj＝abj，wj/ww＝ajw：
35、
36、其中，wj表示第j个标准的权重；wb和ww分别表示最重要和最不重要标准的权重；ξl是寻找目标解的参数，ξl越接近于0，一致性水平就越高。
37、一种上述的评估模型预测性能的数智分析器，包含特征参数提取器和性能得分计算器，所述特征参数提取器包含稳定性能计算器和分布位置性能计算器，所述性能等分计数器包含最优最差模块和多标准决策模块，数据输入到特征参数提取器中，进行预测性能特征参数计算，通过性能等分计数器计算出综合评估得分。
38、在本发明中，正向理想方案(pis)和负向理想方案(nis)设定如下：pis＝{c1,c2,c3,c4,c5,c6,c7}＝{0,1,0,0,0,1,0}，nis＝{c1,c2,c3,c4,c5,c6,c7}＝{>0.2,3,>50％,>50％,>50％,0,>0.5}。正向理想方案是预测值恒等于实验值的方案，即所有实验的pa恒等于1；负向理想方案各指标超过可接受的范围的方案。
39、性能得分计算器(psc)包含两个部分：最优最差方法(bwm)和多标准决策(mcdm)方法。
40、1)最优最差方法
41、最优最差方法(best worst method,bwm)确定cpe中特征参数的权重，计算步骤如下：
42、第1步：确定比较矩阵。确定评价指标体系(c1…c7)中最重要和最不重要的标准，并根据九级标度法，见表(1)，建立bo和ow向量，见式(9)和(10)。
43、bo＝(ab1,ab2,...,ab7) (9)
44、ow＝(a1w,a2w,...,a7w)t (10)
45、式中，abj(j＝1,2,...,7)表示最重要的标准对第j个标准的相对偏好；ajw表示第j个标准对最不重要的标准的相对偏好。
46、表1九级标度法
47、
48、第2步：采用式(11)计算最佳权重(w1，w2，...，w7)。理想的权重应满足wb/wj＝abj，wj/ww＝ajw。
49、
50、其中，wj表示第j个标准的权重；wb和ww分别表示最重要和最不重要标准的权重；ξl是寻找目标解的参数，ξl越接近于0，一致性水平就越高。
51、2)多标准决策方法mcdm
52、本发明采用四种mcdm方法来评估am，即swm、topsis、vikor和promethee ii。mcdm方法通过决策矩阵来评估am的性能，决策矩阵记为：
53、
54、式中，x为决策矩阵dm；m为评估对象，即am；cj为相应评价指标性能值；pisj和nisj分别为评估对象在同一指标的最大值和最小值。
55、①总和权重法(swm)
56、总和权重法(swm)计算am最终得分，步骤如下：
57、第1步：通过式(13)对决策矩阵进行归一化。
58、
59、式中nj为归一化后的性能值；效益指标为指标值越大越好的指标，成本指标为指标值越小越好的指标。
60、第2步：用式(14)计算评估对象m的最终得分s1：
61、
62、②类比理想解法(topsis)
63、topsis是基于欧氏距离来计算评估对象最终得分，计算步骤为：
64、第1步：通过式(15)对决策矩阵进行归一化；
65、
66、第2步：使用式(16)计算加权归一化决策矩阵，得到vij；
67、vj＝rjwj＝[v1 v2 v3 v4 v5 v6 v7] (16)
68、第3步：计算m与pis和nis的距离di+和di-。
69、
70、
71、第4步：用式(19)计算m的最终得分s2。
72、
73、③折中排序法(vikor)
74、vikor是一种优化决策过程的评估得分计算方法，步骤如下：
75、第1步：通过式(20)和(21)计算si和ri。其中，i＝1代表评估对象m，i＝2代表pis；i＝3代表nis。
76、
77、
78、其中zi代表第i个评估对象的效用测量；ri代表第i个评估对象的遗憾测量。
79、第2步：用式(22)计算m的最终得分s3。
80、
81、其中，v是指大多数指标(群体效用最大)的决策策略的权重；(1-v)是个体遗憾权重，v＝0.5。
82、第3步：如果满足以下两个条件，按qi的递减顺序对评估对象进行排序。
83、c1：可接受的优势；
84、q(a2)-q(a1)≥1/(n-1) (23)
85、其中，评估对象a1和a2分别代表在q的排名中处于第一和第二位置的评估对象；n为评价指标的数量。
86、c2：可接受的决策稳定性：评估对象a1必须是z或r的排名中最佳。
87、第4步：如果以下其中一个条件没有得到满足，则提出一组折中的解决方案：
88、(1)仅c2不被满足的评估对象a1和a2；
89、(2)如果c1条件不被满足，则评估对象a1,a2,…,am中的am由式(24)确定最大m(评估对象位置‘接近’)。
90、q(am)-q(a1)＜1/(n-1) (24)
91、④优先排名组织法(promethee)
92、promethee ii计算m的最终得分的步骤如下：
93、第1步：与swm方法一样，用式(13)对决策矩阵进行归一化。
94、第2步：基于式(25)成对比较，确定偏差。
95、dj(a,b)＝gj(a)-gj(b) (25)
96、式中，a和b表示任意两个评估对象，gj(a)和gj(b)分别表示a和b的第j个指标的性能值；dj(a,b)表示a和b在每个指标上的差异。
97、第3步：用式(26)定义偏好函数pj(a,b)。
98、
99、第4步：用式(27)计算多指标偏好指数π(a,b)。
100、
101、第5步：用式(28)和(29)计算参考指数π(a,b)的正向和反向排名流。
102、正向排名流ф+(a)：
103、
104、负向排名流ф-(a)：
105、
106、第6步：基于式(30)确定所有评估对象(m、pis和nis)的净超限流ф(a)。
107、φ(a)＝φ+(a)-φ-(a) (30)
108、注意：m、pis和nis的净超限流ф(a)分别为s4、spis和snis。
109、⑤综合指标得分
110、综合上述四种mcdm的计算结果，采用式(31)计算最终得分。
111、
112、有益效果：本发明的评估模型预测性能的数智分析方法，主要通过特征参数提取器(cpe)和性能得分计算器(psc)对评估模型am的预测性能进行分析。其中，cpe设置智能算法分为两个方面全面量化am的预测性能：稳定性(相关性c1、多峰性c2、分散性c3)和分布位置性能(风险性c4、保守性c5、鲁棒性c6和准确性c7)；cpe可以全面的量化模型的预测效果，避免仅从特征参数分析带来的片面性；psc基于cpe所提取的特征参数，根据用户需求，结合决策理论，智能分析预测效果，并输出最终计算得分，有效地降低用户的使用难度，同时提高发明推广度。
1.一种评估模型预测性能的数智分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的评估模型预测性能的数智分析方法，其特征在于，所述步骤(2)中相关性c1是pa和实际失效值fexp之间的关系，其c1的上限值为0.2；
3.根据权利要求1所述的评估模型预测性能的数智分析方法，其特征在于，所述步骤(2)中多峰性c2分为三类，采用假设检验和拟合优度指标来确定：当最优拟合分布为单峰分布时，c2＝1；当最优拟合分布是高斯混合物模型，但有单峰分布通过了假设检验，c2＝2；当只有高斯混合模型gmm通过假设检验时，c2＝3。
4.根据权利要求1所述的评估模型预测性能的数智分析方法，其特征在于，所述步骤(2)中分散性c3通过pa的cov来量化，cov(pa)＝std(pa)/e(pa)，其中，std(pa)为pa的标准差，e(pa)为pa的均值，采用50％作为c3的极限值。
5.根据权利要求1所述的评估模型预测性能的数智分析方法，其特征在于，所述步骤(2)中风险性c4为预测值fpre大于实验值fexp的概率，即pa>1的概率，采用下式进行计算，50％作为c4的限值；
6.根据权利要求1所述的评估模型预测性能的数智分析方法，其特征在于，所述步骤(2)中保守性c5表示“过度保守”，采用pa≤0.5的概率，即fpre不超过fexp一半的概率，来量化保守性c5，其计算采用下式计算：
7.根据权利要求1所述的评估模型预测性能的数智分析方法，其特征在于，所述步骤(2)中鲁棒性c6是指fpre介于0.5和1.0倍fexp之间的概率，采用下式计算，
8.根据权利要求1所述的评估模型预测性能的数智分析方法，其特征在于，所述步骤(2)中准确性c7是pa的均值和1之间的绝对差值，采用下式计算：
9.根据权利要求1所述的评估模型预测性能的数智分析方法，其特征在于，所述步骤(3)中最优最差方法包含以下步骤：
10.一种如权利要求1至9任意一项所述的评估模型预测性能的数智分析器，其特征在于：包含特征参数提取器和性能得分计算器，所述特征参数提取器包含稳定性能计算器和分布位置性能计算器，所述性能等分计数器包含最优最差模块和多标准决策模块，数据输入到特征参数提取器中，进行预测性能特征参数计算，通过性能等分计数器计算出综合评估得分。
