CN104657613B - 一种复杂机电系统使用寿命评估方法 - Google Patents

Abstract

本发明公开一种复杂机电系统使用寿命评估方法，本发明的方法从系统结构的角度入手，首先建立“系统成功完成作业”事件的成功树模型。在较少部件的数据信息情况下，充分结合现场实践数据，确定系统基本部件及其寿命分布。并且根据工程数据，应用变异系数法得到各个部件的寿命分布参数。本方法克服了传统方法对大量数据的依赖性，并充分利用并结合了试验数据、设计数据、现场数据和工程人员经验数据，是一种较为全面且有效的方法；在得到系统部件寿命分布及分布参数的基础上，应用贝叶斯网络和蒙特卡洛仿真两种方法分别从不同的角度评估并验证系统的平均寿命，进而推算整个复杂机电系统的使用寿命。

Description

一种复杂机电系统使用寿命评估方法

技术领域

本发明属于系统可靠性分析及寿命评估技术领域，具体涉及一种复杂机电系统可靠性分析及使用寿命评估方法。

背景技术

现代机电装备是集机、电、光、液、气等多类技术于一体的多功能复杂机电系统，系统内部关系复杂，由成百上千个子系统，以及上万个零部件等组成，而且系统性能将直接影响整个产品的工作效率。复杂机电系统具有不确定性、非线性等系统特性；其中非线性即系统特性不能用属性线性模型描述，这是系统复杂性产生的根本原因。复杂机电系统对可靠性要求较为严苛，如航空、航天、电力系统等，系统故障将造成重大的经济损失以及严重的社会影响。复杂机电系统工作环境严酷，主要受冲击、振动、高温、低温、等因素的影响。如，一些水下工作机电装备受压变形，应力过大将会引起工作部件及支承损坏等；长期贮存，受潮、盐雾、霉菌及积尘等，容易导致绝缘下降和短路过载。对于复杂机电系统，某些关键部件一旦失效，将直接导致整个产品装置无法工作，从而影响整个复杂系统的使用寿命。

目前基于现场数据和加速寿命试验，从数据处理角度，对复杂系统零部件或子系统可靠度或寿命进行估计的方法已经成熟，但对整个系统的平均寿命及使用寿命进行评估和验证还处于空白。由于复杂系统可靠度完全由组成设备的可靠度决定，而系统的平均寿命却没有这种直接的关系，进而利用常规的可靠度计算方法来估计系统平均寿命是不合理的。

系统的可靠性刻画了产品的寿命特征，并包涵可靠度、平均寿命、失效率、可靠寿命等指标。工程上关心的可靠性指标常为装备系统的使用寿命。根据GJB451A-2005的定义，使用寿命是“产品使用到无论从技术上还是经济上考虑都不宜再使用，从而必须大修或报废时的寿命单位数”。对于寿命服从不同分布的产品，其平均寿命、特征寿命定义也不相同。指数分布产品其平均寿命也称为特征寿命，是产品失效率的倒数；而威布尔分布产品，其尺度参数即为特征寿命，是产品失效概率为63.21％时的百分寿命，而平均寿命是与形状参数和尺度参数相关的一个量。产品使用寿命的度量前提是对产品经济性以及大修或报废适时性进行一个度量。因此，平均寿命与使用寿命是不相同的两个概念。当对产品信息数据掌握不够充分的情况下，往往较难直接得到产品确切的使用寿命，但可以通过一定的方法对产品平均寿命进行初略估计，再通过外推估计使用寿命。

一些大型的复杂系统，由于其系统结构复杂，制造成本高，往往不具备全系统试验的条件，因此，对其可靠性指标的评定不能像对元器件那样进行长时间、大批量的统计试验。实际工程中，通常很难获得对整个系统的寿命数据或者仅能获得极少的寿命试验数据，但往往能够获得部分构成系统的部件设备寿命试验数据。针对此，本发明结合试验数据、设计数据和工程经验数据对复杂机电系统使用寿命进行评估和验证，研究其相应的评估方法。

发明内容

本发明为解决现有技术中的上述问题，提供一种复杂机电系统使用寿命评估方法。

本发明采用的技术方案为：一种复杂机电系统使用寿命评估方法，包括以下步骤：

A：对系统进行结构功能分析，确定复杂机电系统关键部件及重要部件，建立系统任务功能原理图，并根据系统特有结构属性，对系统使用寿命分析建模做出假设；

B：根据步骤A得到的系统任务功能原理图，以及系统动态特性，建立系统的动态成功树模型；

C：将步骤B得到的系统的动态成功树模型转换成相应的贝叶斯网络模型，根据步骤A中的假设，简化贝叶斯网络模型；

D：根据系统各部件寿命分布及寿命范围，利用变异系数法，得到各部件寿命分布及分布参数值；

E：将步骤D中所得各部件寿命分布及分布参数值带入步骤C建立的简化的贝叶斯网络模型，推理分析出整个系统的寿命分布情况及平均寿命值。

进一步地，所述步骤A中对系统使用寿命分析建模做出假设，具体包括：

(1)假设系统各部件与其内部关键有寿零组件同分布，且同寿命；

(2)忽略在系统运行过程中，没有出现过故障或出现故障次数与设备总开机年数之比小于或等于设定阈值的零部件；

(3)系统各部件进行定期维修或更换时，视其为修复如新。

进一步地，所述步骤D具体为：

D1：根据各部件寿命区间数[T₁,T₂]，得到区间数的均值和离差T^r分别为：

从而得到寿命T的变异系数如下式所示：

D2：根据步骤D1得到的各个部件的寿命区间数，由公式以及各部件寿命分布，通过估计得到各部件寿命分布的分布参数。

更进一步地，还包括步骤E`：

在步骤D的基础上，根据蒙特卡洛仿真方法评估系统的寿命，具体包括以下分步骤：

E`1：根据步骤B建立的系统动态成功树模型，得到系统最小顺序路集；

E`2：建立系统最小顺序路集与系统任务成功事件之间的关系模型，对应建立起系统寿命与部件寿命之间的关系；

E`3：根据步骤D得到的分布及分布参数值，采用蒙特卡洛方法，对各部件寿命进行抽样，生成各部件的伪失效时间；

E、4：根据步骤E`2中建立的系统寿命与部件寿命之间的关系以及步骤E`3得到的各部件的伪失效时间，确定整个系统的伪失效时间；

E`5：重复步骤E`3到步骤E`4的过程N次，得到N个系统伪失效时间，取其均值为整个系统平均寿命；

E`6：对步骤E`5中的N个系统伪失效时间进行从小到大排序，进而得到在指定可靠度下的系统使用寿命。

本发明的有益效果：本发明的一种复杂机电系统使用寿命评估方法，针对现有技术中能够用于可靠性分析及整机寿命评估的可用数据较少，从而造成其从数据分析的角度对整个系统进行寿命评估几乎不能实现的问题，从系统结构的角度入手，首先建立“系统成功完成作业”事件的成功树模型；在较少部件的数据信息情况下，充分结合工程人员实践经验，确定系统基本部件(成功树底事件)及其寿命分布；并且根据工程数据，应用变异系数法得到各个部件的寿命分布参数。本方法克服了传统方法对大量数据的依赖性，并充分利用并结合了试验数据、设计数据、现场数据和工程人员经验数据，是一种较为全面且有效的方法。在得到的系统部件寿命分布及分布参数的基础上，应用贝叶斯网络和蒙特卡洛仿真两种方法分别从不同的角度评估并验证系统的平均寿命，进而推算整个复杂机电系统的使用寿命。将两种不同方法的结果进行对比分析，不仅对系统的寿命进行了全面的评估验证，同时还验证了方法的正确性，并且对系统可靠性评估提供了支撑。

附图说明

图1为本发明的复杂机电系统使用寿命评估方法的流程图。

图2为本发明实施例提供的某复杂机电系统建立的任务功能原理图。

图3为本发明实施例提供的某复杂机电系统建立的系统动态成功树模型图。

图4为本发明实施例提供的某复杂机电系统建立的简化的系统贝叶斯网络模型图。

图5为本发明实施例提供的某复杂机电系统任务成功事件贝叶斯网络模型图。

图6为本发明实施例提供的某复杂机电系统节点Y₃事件贝叶斯网络模型图。

具体实施方式

为了便于本领域技术人员理解本发明的技术内容，现结合附图及具体实施例，对本发明进行进一步阐释。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示为本发明的复杂机电系统使用寿命评估方法的流程图，具体包括如下步骤：

A：对系统进行结构功能分析，确定系统关键部件及重要部件，建立系统任务功能原理图，并根据系统特有结构属性，对系统使用寿命分析建模做出假设；

B：根据步骤A得到的系统任务功能原理图，以及系统动态特性，建立系统的动态成功树模型；

C：将步骤B得到的系统的动态成功树模型转换成相应的贝叶斯网络模型，根据步骤A中的假设，简化贝叶斯网络模型；

D：根据系统各部件寿命分布及寿命范围，利用变异系数法，得到各部件寿命分布及分布参数值；

E：将步骤D中所得各部件寿命分布及分布参数值带入步骤C建立的简化的贝叶斯网络模型，推理分析出整个系统的寿命分布情况及平均寿命值。

所述步骤A具体为：理清某复杂机电系统的组成构件及子系统，对某复杂机电系统进行结构功能分析。根据各部件在系统任务过程中所完成的功能，依据系统的故障模式及其影响分析(FMEA)，划分关键子系统并确定该系统关键及重要部件，建立该系统任务功能原理图，如图2所示。进一步获取该系统特有结构属性，对该系统使用寿命分析建模做出合理假设。

分析某复杂机电系统的特有结构功能属性，在进行该系统使用寿命分析建模时，做出如下假设：

(1)由于系统是由若干个部件、组件和零件等组成；其中，各个部件又分别由多个组件及零件构成；而组件又是由多个零件组装而成。考虑系统完成其功能过程中部件的重要度，根据国军标GJB1391-2006故障模式、影响及危害性分析程序，可以将部件分为关键部件、重要部件和一般部件三类。假设该系统部件寿命与其内部关键有寿零组件同分布，且同寿命；

(2)忽略在该系统运行过程中，基本没有出现过故障或出现故障次数与设备总开机年数之比小于或等于设定阈值的零组件，例如在本实施例中设定阈值为0.01；

(3)该系统各部件进行定期维修或更换时，视其为修复如新。

所述步骤B具体为：根据步骤A得到的某复杂机电系统任务功能原理图，考虑该系统动态特性，建立该系统的动态成功树模型，如图3所示，图中代号HSP和CSP分别表示动态逻辑门中的热备件门和冷备件门；

例如某复杂机电系统动态成功树中事件编号及事件描述如表1所示。

表1

所述步骤C具体为：将步骤B得到的某复杂机电系统的动态成功树模型转换成相应的贝叶斯网络模型。其中，贝叶斯网络模型中的根节点、中间节点和叶节点分别对应成功树中底事件、中间事件和顶事件；有向弧对应成功树中的事件逻辑关系，可对应参考图3和图4。结合步骤A的假设，对贝叶斯网络模型进行简化；例如，忽略X₀其他机械附件、X₆其他零组件等没有出现过的事件。得到简化后的贝叶斯网络如图4所示。

所述步骤D具体为：根据某复杂机电系统部件的关键有寿零组件的加速寿命试验统计数据，结合该系统设计方提供的设计寿命数据以及该系统使用方收集的现场数据，将其进行汇总和分析，确定各部件寿命范围；接着由各部件的机械或电气特性，以及文献调研的类似产品部件寿命服从的分布形式，合理假设各部件分别服从不同的常用寿命分布；然后应用变异系数法，求得各部件寿命分布参数值。

在工程中，往往很难获取系统及部件准确的寿命数据，但根据关键有寿零组件加速寿命试验统计数据、该系统设计方提供的设计寿命数据、现场数据等，通常都能够对某些关键及重要部件给定一个大致的寿命范围，即寿命可以表示为一个区间数[T₁,T₂]。例如，控制系统中的控制模块，取一定数量进行加速寿命试验，接着对试验数据收集整理，应用加速寿命预测方法折算其寿命约为13.15年。根据生产方数据获知其设计寿命约为15年。在收集到的现场数据中，由于控制模块失效导致系统失效约为30年。因此，取试验寿命数据、设计寿命数据和现场数据这三者中最小值为部件寿命下限，最大值为寿命数据上限，从而得到其寿命区间为[13.15,30]。使用过程中，由于环境、载荷等因素影响，其实际寿命往往会高于较为保守的加速寿命试验寿命。但由于使用极端条件的影响，也可能其寿命超出此范围，此种超常情况不予考虑。本领域普通技术人员应注意，此方法简单可行，但确定部件寿命区间的方法不只局限于此。

寿命区间数[T₁,T₂]的均值和离差T^r分别为：

从而得寿命T的变异系数如下式所示：

根据寿命试验数据得到的部件关键有寿零组件的寿命数据，结合部件设计寿命值以及现场数据给定其他各部件寿命范围，即可利用式(1)、(2)确定各部件的寿命变异系数取值。最终可得到本实施例所提供的某复杂机电系统各部件寿命分布及寿命范围，如表2所示，本实施例取其给定寿命范围下限作为部件可靠度为0.95时的可靠寿命取值。

表2

应用变异系数法在给定各个部件可靠寿命时，估计各部件寿命分布的分布参数。在表2中Exp(.)表示指数分布，Wb(.)表示威布尔分布，Logn(.)表示对数正态分布。

寿命服从指数分布的部件，其均值为E(t)＝θ，方差D(t)＝θ²，从而得到变异系数v_Exp：

寿命服从威布尔分布的部件，其均值和方差分别为E(t)＝ηΓ(1+1/β)和

D(t)＝σ²＝η²[Γ(1+2/β)-Γ²(1+1/β)]，变异系数v_Wb为：

其中，β和η分别为威布尔分布的形状参数和尺度参数。威布尔分布参数与可靠度为R时的可靠寿命t_R之间存在式(5)的关系：

寿命服从对数正态分布的部件，其均值为E(t)＝exp(μ+σ²/2)和方差为D(T)＝(exp(σ²)-1)exp(2μ+σ²)，其变异系数v_Logn为：

其中，μ和σ分别为对数正态分布的位置参数和形状参数。对数正态分布参数与可靠度为R时的可靠寿命t_R之间存在式(7)的关系：

其中，z_R是标准正态分布N(0,1)的R分位数。根据表2中的数据以及式(4)-(7)，求得各个部件寿命分布以及分布参数估计值汇总，如表3中所示。

表3

所述步骤E具体为：将步骤D中所得各部件寿命分布及分布参数带入步骤C建立的简化的贝叶斯网络模型，应用贝叶斯网络推理软件进行推理分析，建立如图5的整个系统的贝叶斯网络结构图，图6为图5的一个子图，即节点Y₃事件贝叶斯网络模型图。例如当控制系统寿命假设服从指数分布时，得到整个系统的平均寿命约为26.994年；当控制系统寿命服从威布尔分布时，得到整个系统平均寿命为29.236年。

E`：在步骤D的基础上，应用蒙特卡洛仿真方法评估某复杂机电系统的寿命。包括如下步骤：

E`1：根据步骤B建立的装置动态成功树模型，先将动态成功树进行简化并转换为静态成功树模型，运用下行法求得装置静态成功树的全部最小路集，这里最小路集中的一个基本事件对应系统中的一个部件。在将最小路集顺序化，得到系统4个最小顺序路集为：

(1)S₁：X₁,X₃,X₄,X₅,(Y₂→X₁₁)；

(2)S₂：X₁,X₃,X₄,X₅,X₉,X₁₀,Y₂；

(3)S₃：X₂,X₃,X₄,X₅,(Y₂→X₁₁)；

(4)S₄：X₂,X₃,X₄,X₅,X₉,X₁₀,Y₂；

其中，“→”表示事件Y₂，X₁₁按照先Y₂后X₁₁的顺序发生。

E`2：建立装置系统最小路集与系统任务成功事件之间的关系模型，亦建立起了系统寿命与各部件寿命之间的关系模型；

系统有4个最小路集S₁，S₂，S₃和S₄，其中，最小路集S_i包含m个基本事件，例如最小路集S₁中包含5个基本事件，最小路集S₂中包含7个基本事件，最小路集S₃中包含5个基本事件，最小路集S₄中包含7个基本事件，从而系统正常事件S表示为各单元正常事件x_v的积之和：

因此，对最小路集中各单元正常事件所对应的部件进行寿命抽样，再利用式(8)即可建立如步骤E`4中最小路集与部件寿命之间的关系，从而计算系统寿命。

E`3：根据步骤D得到的各部件分布及分布参数值，应用蒙特卡洛方法，对各部件寿命进行抽样，任意第k次生成n个部件单次抽样的伪失效时间若考虑部分关键部件定期更换时，先确定其更换周期，将生成的关键部件伪失效时间与更换周期T_zx作比较：当伪失效时间小于或等于更换周期时，更换周期内关键部件已失效；当伪失效时间大于更换周期时，说明在此更换周期内，该关键部件未失效，进入下一个周期，重新生成该关键部件的伪失效时间；

E`4：根据步骤E`2中建立的部件伪失效时间与某复杂机电系统任务成功事件之间关系模型，确定系统的伪失效时间；

某复杂机电系统的一个最小路集代表系统的一个正常工作状态。由于最小路集中一个底事件发生失效将会导致最小路集失效，即只有最小路集中所有事件都正常工作，最小路集才正常工作。根据步骤E`3中得到的部件伪失效时间，得到各个最小路集的伪失效时间。第k次寿命抽样，最小路集S_i的寿命为：

式中，上标k表示第k次寿命抽样，下标j表示单元或底事件的序号。

系统能够正常工作的前提是，系统中至少存在一个最小路集。因此，第k次寿命抽样时，某复杂机电系统的寿命T_k为：

E`5：重复步骤E`3到步骤E`4的过程N次，得到N个系统伪失效时间，取其均值为整个系统平均寿命；

最终得到系统在不同状况下的平均寿命情况，如表4所示。

表4

不考虑部件更换时，应用蒙特卡洛仿真方法得到两种情况下系统平均寿命值分别为26.9589(控制模块寿命服从指数分布)和29.1758(控制模块寿命服从威布尔分布)年，这与应用贝叶斯网络推理得到的结果非常接近。同时考虑这三种部件更换情况下，系统平均寿命分别为28.5677和30.3523年。蒙特卡洛仿真方法一方面验证了贝叶斯网络方法的正确性，另一方面由于其自身的灵活性，还可以进行考虑更换等复杂情况下的系统平均寿命评估。因此，在不考虑各种更换及维修等复杂情况时，应用贝叶斯网络方法能够简单快捷的对系统平均寿命进行估计。

E`6：对步骤E`5中的N个系统伪失效时间进行从小到大排序，进而得到在指定可靠度下对应的某复杂机电系统使用寿命。

根据GJB451A-2005对产品使用寿命的定义，从经济性和可行性角度考虑，对于某复杂机电系统进行大修或报废的度量，采用系统中值可靠度为一个度量系统使用寿命的标准。根据基于现场使用的某大型复杂机电系统使用寿命验证技术工作得到，在置信度为0.8时，系统的使用寿命约为33.52年。

本发明的方法，从系统结构的角度入手，首先建立“系统成功完成作业”事件的成功树模型。在较少部件的数据信息情况下，充分结合工程人员实践经验，确定系统基本部件及其寿命分布。并且根据工程数据，应用变异系数法得到各个部件的寿命分布参数。本方法克服了传统方法对大量数据的依赖性，并充分利用并结合了试验数据、设计数据和工程人员经验数据，是一种较为全面且有效的方法；在得到系统部件寿命分布及分布参数的基础上，应用贝叶斯网络和蒙特卡洛仿真两种方法分别从不同的角度评估并验证系统的平均寿命，进而推算整个复杂机电系统的使用寿命。其中，考虑到贝叶斯网络的直观的知识表达能力以及直接对问题域建模的优点，将系统成功树模型转换为贝叶斯网络，只需要进行简单的逻辑推理，即可得到系统的平均寿命估计值，具有较高的计算效率。而应用蒙特卡洛抽样方法对系统寿命进行评估，具有更加灵活的变异能力，能够较容易将系统特有属性，如动态特性、可更换性、可维修性等特征简单的考虑进去，具有更广更全面更符合实际情况的复杂系统寿命评估能力。将两种不同方法的结果进行对比分析，不仅对系统的寿命进行了全面的评估验证，同时还验证了方法的正确性，并且对系统可靠性评估提供了支撑。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.一种复杂机电系统使用寿命评估方法，其特征在于，包括以下步骤：

A：对系统进行结构功能分析，确定系统关键部件及重要部件，建立系统任务功能原理图，并根据系统特有结构属性，对系统使用寿命分析建模做出假设；对系统使用寿命分析建模做出假设，具体包括：

(1)假设系统各部件与其内部关键有寿零组件同分布，且同寿命；

(2)忽略在系统运行过程中，没有出现过故障或出现故障次数与设备总开机年数之比小于或等于设定阈值的零部件；

(3)系统各部件进行定期维修或更换时，视其为修复如新

B：根据步骤A得到的系统任务功能原理图，以及系统动态特性，建立系统的动态成功树模型；

C：将步骤B得到的系统的动态成功树模型转换成相应的贝叶斯网络模型，根据步骤A中的假设，简化贝叶斯网络模型；

D：根据系统各部件寿命分布及寿命范围，利用变异系数法，得到各部件寿命分布及分布参数值；所述步骤D具体为：

D1：根据各部件寿命区间数[T₁,T₂]，得到区间数的均值和离差T^r分别为：

<mrow> <mover> <mi>T</mi> <mo>&amp;OverBar;</mo> </mover> <mo>=</mo> <mfrac> <mrow> <msub> <mi>T</mi> <mn>1</mn> </msub> <mo>+</mo> <msub> <mi>T</mi> <mn>2</mn> </msub> </mrow> <mn>2</mn> </mfrac> <mo>,</mo> <msup> <mi>T</mi> <mi>r</mi> </msup> <mo>=</mo> <mfrac> <mrow> <msub> <mi>T</mi> <mn>2</mn> </msub> <mo>-</mo> <msub> <mi>T</mi> <mn>1</mn> </msub> </mrow> <mn>2</mn> </mfrac> </mrow>

从而得到寿命T的变异系数如下式所示：

<mrow> <mover> <mi>v</mi> <mo>~</mo> </mover> <mo>=</mo> <mfrac> <msup> <mi>T</mi> <mi>r</mi> </msup> <mover> <mi>T</mi> <mo>&amp;OverBar;</mo> </mover> </mfrac> <mfrac> <mrow> <msub> <mi>T</mi> <mn>2</mn> </msub> <mo>-</mo> <msub> <mi>T</mi> <mn>1</mn> </msub> </mrow> <mrow> <msub> <mi>T</mi> <mn>1</mn> </msub> <mo>+</mo> <msub> <mi>T</mi> <mn>2</mn> </msub> </mrow> </mfrac> <mo>;</mo> </mrow>

D2：根据步骤D1得到的各部件的寿命区间数，由公式以及各部件寿命分布，通过估计得到各部件寿命分布的分布参数；

E：将步骤D中所得各部件寿命分布及分布参数值带入步骤C建立的简化的贝叶斯网络模型，推理分析出整个系统的寿命分布情况及平均寿命值。

2.根据权利要求1所述的方法，其特征在于，还包括步骤E`：在步骤D的基础上，根据蒙特卡洛仿真方法评估系统的寿命，具体包括以下分步骤：

E`1：根据步骤B建立的系统动态成功树模型，得到系统最小顺序路集；

E`2：建立系统最小顺序路集与系统任务成功事件之间的关系模型，对应建立起系统寿命与部件寿命之间的关系；

E`3：根据步骤D得到的分布及分布参数值，采用蒙特卡洛方法，对各部件寿命进行抽样，生成各部件的伪失效时间；

E、4：根据步骤E`2中建立的系统寿命与部件寿命之间的关系以及步骤E`3得到的各部件的伪失效时间，确定整个系统的伪失效时间；

E`5：重复步骤E`3到步骤E`4的过程N次，得到N个系统伪失效时间，取其均值为整个系统平均寿命；

E`6：对步骤E`5中的N个系统伪失效时间进行从小到大排序，进而得到在指定可靠度下的复杂机电系统使用寿命。