CN106844877A - 多状态多阶段任务系统可靠性参数的分析方法 - Google Patents
多状态多阶段任务系统可靠性参数的分析方法 Download PDFInfo
- Publication number
- CN106844877A CN106844877A CN201611236773.5A CN201611236773A CN106844877A CN 106844877 A CN106844877 A CN 106844877A CN 201611236773 A CN201611236773 A CN 201611236773A CN 106844877 A CN106844877 A CN 106844877A
- Authority
- CN
- China
- Prior art keywords
- event
- node
- state
- unit
- multimode
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明公开了一种多状态多任务系统可靠性参数的分析方法。该方法利用AS树描述多阶段任务系统每个阶段的逻辑结构关系，依据离散事件仿真思想，给出了多状态多阶段任务系统的仿真算法，该仿真算法可以对多状态PMS系统可靠性等多种参数进行计算，且所需输入参数较少，编程实现简单，该仿真算法可以很好地描述多阶段任务系统复杂行为，可以获得多种了解系统运行规律的可靠性参数，具有很强的通用性与实用性。
Description
技术领域
本发明属于系统可靠性分析算法领域，具体涉及一种多状态多阶段任务系统可靠性参数的分析方法。
背景技术
随着现代系统变得越来越复杂和智能化，系统的运行不再是单一过程，而是包括了多个功能流程的转换，或者在不同阶段通过对单元重组形成新系统的过程，这样的系统称之为多阶段任务系统(phased-mission system,PMS)，多阶段任务系统是指可以根据系统配置、任务成功标准、子系统行为的差异将系统的任务周期分成一系列连续不相交的独立时间段的系统。而这些连续不相交的独立时间段则被定义为阶段。
现在的PMS任务可靠性分析方法大致可分为2类：解析法和仿真法。解析法主要包括基于Markov的方法和基于BDD(Binary Decision Diagrams)的方法。前一种方法基于随机过程的理论进行分析，可能存在状态空间爆炸的问题，限制了其实际应用。后一种方法只适用于不可修的PMS。由于解析法描述和求解能力存在不足，仿真法得到了更多青睐，得到了广泛的应用。按照开发层次，仿真可以分为仿真模型、一次开发仿真程序和二次开发仿真程序。仿真模型是仿真程序的概念模型；一次开发仿真程序较为灵活，工作量较大；二次开发仿真程序工作量较少，但受第三方仿真工具在建模能力方面的限制。
根据很多文献的论述，PMS有两个基本特点：系统功能的实现依赖于时间连续且不重叠的多个任务阶段；任务成败标准具有阶段依赖性。PMS经常被配置到关键应用中，特别是航天和军用装备领域，如巡航导弹系统，防空武器系统及航天测控系统等，这些系统中对于任务可靠性都具有很高的要求。同时，PMS任务可靠性分析对于发现系统薄弱环节、改进设计、合理分配可靠性指标等都具有重要的作用。因此，基于PMS的可靠性建模与分析也逐渐成为研究的热点。
每个任务阶段系统可靠性关系，即任务成败标准是建模重点。但是目前的分析方法主要用BDD、最小路集、最小割集、故障树来描述系统可靠性关系，这种描述方法很难反映单元状态的相关性和多样性，并不适用于冷储备这种状态相关的可靠性逻辑关系，限制了其应用范围。
发明内容
本发明需要解决的技术问题是提供一种能够描述多阶段任务系统每个阶段的逻辑结构关系的模型以及利用该模型的多状态多阶段任务系统可靠性参数的分析方法。
为解决上述技术问题，本发明所采用的技术方案是：
一种多状态多阶段任务系统可靠性参数的分析方法，具体包括以下步骤：
A、建立多状态多阶段任务系统的AS树模型；
对于多状态多阶段任务系统，由于其行为总是由单元的事件引起的，单元故障或修好事件都会影响到上层关系的状态，并间接影响到兄弟单元的状态，为反映单元状态的相关性和多样性，采用AS树来表示任一任务阶段系统可靠性关系，以表示具有冷储备状态—即待用状态的多状态多阶段任务系统；
所述AS树包括一个根节点、若干叶节点和零个以上阶度的若干非叶节点，其中阶度表示树的第几代，根节点为第一代，阶度为1，根节点用于表示表决关系或者冷储备关系，若干叶节点为最后一代，阶度为大于等于2的自然数，叶节点用于表示单元状态，非叶节点为第一代和最后一代之间的若干代，阶度为大于等于2的自然数，非叶节点用于表示单元状态、表决关系和冷储备关系之一或者其任意组合；
B、根据步骤A建立的多状态多阶段任务系统模型，采用离散事件仿真算法进行仿真，仿真的单元事件包括单元故障、单元修好以及任务开始事件，仿真算法的步骤如下：
第1步：初始化仿真变量，即仿真时钟与统计变量，所述统计变量包括需要初始化的各类输入参数和输出参数，
第2步：初始化事件表，即安排第一个任务阶段开始事件，
第3步：确定下一个事件的类型，发生时间，如果是故障事件和修好事件则确定发生部位，
第4步，判断事件是故障，是修好，还是阶段开始；若是故障事件，则采用故障事件操作；若是修好事件，则采用修好事件操作；若是阶段开始事件，则采用阶段开始事件操作；
第5步，更新系统状态、统计变量，推进仿真时钟，
第6步：重复步骤3到步骤5，直到达到仿真时间，
第7步：记录单次仿真数据，
第8步：重复步骤1到步骤7，直到满足仿真次数要求，
所述输入参数主要包括：
1)仿真次数；2)仿真时间；3)单元数量；4)单元故障分布函数；5)单元维修时间分布函数；6)任务阶段数量；7)每个任务阶段持续时间；8)每阶段任务系统结构，以AS树表示；
所述输出参数主要包括：
1)任务可靠性R
2)平均可用度A0
3)战备完好性(RED)
4)可用与可靠概率(PAR)PAR＝平均使用可用度×可靠度 (4)
5)平均首次任务失效间隔时间(MTBMF)
其中，yi为每i次仿真中，系统第一次失效前的工作时间，如果任务没有失效，则yi等于任务的时间长度。
6)系统的平均可用工作时间(MUT)和系统的平均不可用故障时间(MDT)
进一步的，所述AS树在进行仿真编程时采用父指针数组表示法，AS树种的每个节点均包含类型值和标记值，以及一个指向父节点的指针。
进一步的，确定系统状态是一个“自下而上”的过程，确定系统状态的流程如下：首先根据描述AS树的数组来获得宽度搜索向量，所述宽度搜索向量是AS树中所有节点的个数，然后根据获得的搜索向量确定AS树中每个节点的状态，确定过程是以搜索向量为循环变量采用循环判断程序从最底层的叶子节点到最顶层的根节点逐个确定节点的状态。
进一步的，当单元事件发生时，单元状态发生转移，确定单元转移状态是一个“自上而下”的过程，若系统状态为故障，则所有处于工作状态的单元进入待用状态，只有系统状态为工作的情况下才需要确定单元转移状态，单元转移状态的确定流程如下：首先根据描述AS树的数组来获得宽度搜索向量并赋值，所述宽度搜索向量是AS树中所有节点的个数，然后以搜索向量为循环变量采用循环判断程序从最顶层的根节点向下到最底层的叶子节点逐个节点去判断是否是叶子节点并确定叶子节点的转移状态，如果是叶子节点，则直接确定该叶子节点的转移状态，如果是非叶子节点，则依据处于故障、工作状态的子节点不可能转移状态，待用状态的子节点可能转移状态的策略进一步判断叶子节点的转移状态。
由于采用了上述技术方案，本发明取得的技术进步是：本发明针对现有PMS可靠性仿真只考虑单元状态0或1的情况，不能适应于存在冷储备关系的情况，不能处理单元可能存在故障、正常(工作与待用)三种特殊状态且状态相关的情况，利用AS树状结构来描述任务阶段系统可靠性关系；依据离散事件仿真思想，给出了PMS可靠性仿真算法，该仿真算法可以对多状态PMS系统可靠性等多种参数进行计算，且所需输入参数较少，编程实现简单，对任务阶段系统可靠性关系具有良好的描述能力，具有很强的通用性与实用性。
附图说明
图1是本发明AS树状图示例；
图2是本发明2单元串联系统状态图示例；
图3是本发明并联系统状态图示例；
图4是本发明冷储备系统状态图示例；
图5是本发明PMS可靠性仿真算法流程图；
图6是本发明故障事件响应操作流程图；
图7是本发明修好事件响应操作流程图；
图8是本发明任务开始事件响应操作流程图；
图9是本发明AS树的父指针数组表示法；
图10是本发明确定系统状态流程图；
图11是本发明确定单元转移状态流程图；
图12是本发明策略2流程图；
图13是本发明优先启动流程图；
图14是本发明3个任务阶段的系统AS树状图；
图15是本发明系统可用时间统计分析图；
图16是本发明系统不可用时间统计分析图；
图17是本发明平均首次任务失效间隔时间统计分析图；
图18是本发明维修时间与次数直方图；
图19是本发明故障次数统计分析图。
具体实施方式
下面结合实施例对本发明做进一步详细说明：
多阶段任务系统(Phased-Mission Systems,PMS)是指可以根据系统配置、任务成功标准、子系统行为的差异将系统的任务周期分成一系列连续不相交的独立时间段的系统。而这些连续不相交的独立时间段则被定义为阶段。它自1975年由Esary和Ziehms提出以来，引起了许多学者的关注和研究。现在的PMS任务可靠性分析方法大致可分为2类：解析法和仿真法。解析法主要包括基于Markov的方法和基于BDD(Binary Decision Diagrams)的方法。前一种方法基于随机过程的理论进行分析，可能存在状态空间爆炸的问题，限制了其实际应用。后一种方法只适用于不可修的PMS。由于解析法描述和求解能力存在不足，仿真法得到了更多青睐，得到了广泛的应用。按照开发层次，仿真可以分为仿真模型、一次开发仿真程序和二次开发仿真程序。聂成龙等建立了基于Petri网的多阶段任务系统任务效能多层仿真模型。一次开发仿真主要是指在编程语言基础上开发的仿真程序，如Murphy等开发的Raptor仿真工具可完成对PMS可靠性仿真。二次开发仿真是指在第三方仿真工具基础上开发的仿真程序。杨建军等提出基于Extend的多态PMS仿真模型。杨春辉等应用着色Petri网(CPN,Colored Petri Net)Tools建立PMS的多层通用仿真模型。仿真模型是仿真程序的概念模型；一次开发仿真程序较为灵活，工作量较大；二次开发仿真程序工作量较少，但受第三方仿真工具在建模能力方面的限制。现有的仿真法仍在建模能力方面存在局限，表现为只描述两状态单元，任务阶段系统可靠性关系不能涵盖冷储备关系，这影响了其应用范围。本发明主要针对现有仿真法存在的问题，提出解决方法。
本发明多状态多阶段任务系统可靠性参数的分析方法，具体包括以下步骤：
A、建立多状态多阶段任务系统的AS树模型；
B、根据步骤A建立的多状态多阶段任务系统模型，采用离散事件仿真算法进行仿真，仿真的单元事件包括单元故障、单元修好以及任务开始事件。
其中，对于多状态多阶段任务系统，由于其行为总是由单元的事件引起的，单元故障或修好事件都会影响到上层关系的状态，并间接影响到兄弟单元的状态，为反映单元状态的相关性和多样性，采用AS树来表示任一任务阶段系统可靠性关系，以表示具有冷储备状态—即待用状态的多状态多阶段任务系统；
所述AS树包括一个根节点、若干叶节点和零个以上阶度的若干非叶节点，其中阶度表示树的第几代，根节点为第一代，阶度为1，根节点用于表示表决关系或者冷储备关系，若干叶节点为最后一代，阶度为大于等于2的自然数，叶节点用于表示单元状态，非叶节点为第一代和最后一代之间的若干代，阶度为大于等于2的自然数，非叶节点用于表示单元状态、表决关系和冷储备关系之一或者其任意组合；
AS树状图的一个示例如图1，在图1中，有两种图形，分别为矩形和圆形。矩形表示下层单元的关系，矩形中的“A”表示表决关系，“S”表示冷储备关系。如果是表决关系，矩形中数字表示k/n(G)表决系统中的k。如果是冷储备关系，矩形中数字表示冷储备系统n-k/n(S)中正常工作单元数k。圆形表示下层单元，按数字顺序进行编号。在图1中，单元1、2、3组成1/3(G)表决系统，单元4、5、6组成有2/3(S)冷储备系统(3个单元中有2个备件)，1/3(G)表决系统与2/3(S)冷储备系统又构成1/2(S)冷储备系统。使用AS树描述任务阶段可靠性关系有以下几个优势：1)容易建立，很容易从扩展可靠性框图转化为AS树。2)建模能力强，可以描述串联、并联、表决、冷储备等关系组成的复杂可靠性关系。3)可以很容易描述系统配置，PMS中，每个阶段工作的单元可能是不同的，AS树含有工作的单元的信息，即系统配置信息。4)利于编写仿真算法，在具体介绍算法时，我们将会看到这种建模方法在确定系统状态和单元转移状态方面的优势。
在分析PMS可靠性时，为了简单起见通常假设单元有工作和故障两个状态。但是当我们要考虑冷储备关系时，就必须考虑单元的待用状态。此外，当系统故障时，单元也没有必要处于工作状态，需要进入待用状态。为了分析PMS行为，我们首先分析一下典型的2单元串、并联系统与2单元冷储备系统的行为。图2是2单元串联系统状态图，图中x1与x2分别表示两个单元，sys表示系统。x1、x2有3个状态：work(工作)、down(故障)、wait(待用)；sys有2个状态：work(工作)、down(故障)。x1、x2与sys的初始状态为工作状态；当x1、x2任一单元故障之后，系统故障。f1、f2分别表示x1、x2的故障事件；g1、g2分别表示x1、x2的修好事件。当单元x1或x2处于work状态，sys进入down状态，即en(sys.down)，则x1、x2进入wait状态。当单元x1或x2处于wait状态，sys进入work状态，即en(sys.work)，则x1或x2进入work状态。当发生故障事件后，x1或x2由work状态转变为down状态。当发生修好时间后，x1或x2由down状态转变为wait状态。图3是2单元并联系统状态图。图2和图3的区别主要是sys的状态转换条件不同。图4是2单元冷储备系统状态图。x2是备件，x1、sys的初始状态为工作状态，x2初始状态为待用状态；当x1故障之后，x2进入工作状态；当x2与x1都故障时，系统故障。通过比较图5和图3、4，可知冗余系统中，单元状态是相关的。当系统故障时，可以正常工作的单元也将进入待用状态。当系统正常工作时，处于待用状态的单元也将进入正常工作状态。此外，在冷储备系统中，由于某些单元是备用的，所以单元之间状态是相互影响的。
我们以图1所示的任务系统对具有两层嵌套结构的冗余系统行为进行分析。假设单元1、2、3、4、5、6初始状态为工作，处于第2层的1/3(G)表决系统处于工作状态，2/3(S)冷储备系统处于工作状态，则顶层的1/2(S)冷储备系统处于工作状态。顶层系统状态处于工作状态，由于其关系是冷储备，所以处于第2层的1/3(G)表决系统、2/3(S)冷储备系统必有一个处于待用状态，我们选择2/3(S)冷储备系统处于待用状态，则其下属单元4、5、6处于待用状态。若单元1、2、3都故障且没有修好，第2层的1/3(G)表决系统进入故障状态，2/3(S)冷储备系统处于待用状态，启动2/3(S)冷储备系统后顶层的1/2(S)冷储备系统仍处于正常工作状态，我们选择2/3(S)冷储备系统下属单元4处于工作状态，单元5、6处于待用状态。
通过以上分析，我们可以得出以下结论。对于PMS的某个任务阶段，其行为总是由单元的事件引起的，单元故障或修好事件再影响到上层关系的状态，间接影响到兄弟单元状态。这样的行为变化具体来讲分为两个过程，一个过程是“自下而上”确定系统状态的过程，另一个过程是“自上而下”确定单元转移状态的过程。以上的分析是建立仿真算法的基础。
在设计仿真算法时，需要对多状态多阶段任务系统的一些具体的参数和变量进行确定，并确定仿真的基础条件。
仿真基础条件有：1)系统功能的实现依赖于时间连续且不重叠的多个任务阶段。2)单元三状态：单元有三个状态，即工作、故障、待用。3)系统两状态：在任一时间，系统或者故障或者工作。4)单调关联系统：所分析的系统认为是单调关联系统，也就是说，如果每个单元处于工作状态，系统必定处于工作状态，如果没有单元处于工作状态，系统必定处于不工作状态，单元从不工作状态向工作状态转变不会导致系统从工作状态向不工作状态转变。5)单元之间状态相关。6)任务阶段系统结构：每个任务阶段系统的逻辑结构(AS树形式)已知。7)单元的故障分布函数与维修时间分布函数：每个单元的故障分布函数与维修时间分布函数已知，即分布类型与分布参数已知。8)维修策略：对于每个单元采用连续状态监视策略，以及事后维修策略，不考虑维修资源有限性。9)单元修复后如新：当单元故障后经过维修，或用新单元更换之后，单元如同新的一样。
输入参数主要包括：1)仿真次数：增加仿真次数一方面可以提高结果的精确性，另一方面也将消耗更多的计算时间与内存资源；2)仿真时间：每次仿真的逻辑时间；3)单元数量；4)单元故障分布函数；5)单元维修时间分布函数；6)任务阶段数量；7)每个任务阶段持续时间；8)任务阶段系统结构，以AS树形式表示。
输出参数主要包括：
1)任务可靠性R
2)平均可用度A0
3)战备完好性(RED)
4)可用与可靠概率(PAR)PAR＝平均使用可用度×可靠度 (4)
5)平均首次任务失效间隔时间(MTBMF)
其中，yi为每i次仿真中，系统第一次失效前的工作时间，如果任务没有失效，则yi等于任务的时间长度。
6)系统的平均可用工作时间(MUT)和系统的平均不可用故障时间(MDT)
基于上述条件，本发明的仿真算法采用离散事件仿真(Discrete EventSimulation，DES)方法，仿真事件主要包括单元故障、单元修好、任务开始事件。
本发明的仿真算法的步骤如下(其流程图如图5所示)：
第1步：初始化仿真变量，即仿真时钟与统计变量，所述统计变量包括需要初始化的各类输入参数和输出参数，
第2步：初始化事件表，即安排第一个任务阶段开始事件，
第3步：确定下一个事件的类型，发生时间，如果是故障事件和修好事件则确定发生部位，
第4步，判断事件是故障，是修好，还是阶段开始；若是故障事件，则采用故障事件操作；若是修好事件，则采用修好事件操作；若是阶段开始事件，则采用阶段开始事件操作；
第5步，更新系统状态、统计变量，推进仿真时钟，
第6步：重复步骤3到步骤5，直到达到仿真时间，
第7步：记录单次仿真数据，
第8步：重复步骤1到步骤7，直到满足仿真次数要求，
本发明的图6是故障事件响应操作流程图，首先，根据维修时间分布函数生成维修时间，安排单元未来事件为修好事件(可以理解为维修结束时刻，单元修好)，然后确定系统新状态st(1)，若有st(1)为正常工作，则确定单元状态，更新单元事件表，更新单元状态；否则，所有处于工作状态单元处于备用状态，更新事件表，记录单元剩余寿命。图7是修好事件响应操作流程图。首先，单元处于备用状态，更新事件表，单元剩余寿命为0，然后确定系统新状态st(1)，若st(1)为正常工作，则确定单元状态，更新单元事件表，更新单元状态。图8是任务开始事件响应操作流程图，主要是根据任务阶段的可靠性关系初始化系统状态、单元状态和事件表，安排下一任务开始事件。以上介绍了仿真算法框架，接下来介绍算法中的一些细节问题。
在进行仿真程序设计时，要考虑AS树的描述方法以及应该采用何种数据结构，很显然，AS树可以用树来描述。树有两种主要表示方法，一种是左子节点/右兄弟节点法，另一种是父指针表示法。这里采用后一种表示法--父指针表示法。
本发明图1所示的AS树可以表示为图9中的3维数组形式。在父指针表示法中，每个节点包含类型值和标记值，以及一个指向父节点的指针。为简明起见，父指针表示为父节点在数组中位置的下标值。类型值可以取1、2、3，取1表示节点为表决关系节点，取2表示节点为冷储备关系节点，取3表示节点为单元。标记值对于不同类型节点有不同含义。对于表决关系节点，标记值为k/n(G)表决系统中的k。对于冷储备关系节点，标记值为n-k/n(S)冷储备系统中的k。对于单元节点，标记值为单元编号。在具体仿真计算过程中，用类来描述树，并定义树的方法。这些方法主要包括判断节点i是否是叶子isleaf(i)，得到宽度搜索向量breadthfirstiterator，得到节点的子节点向量getchildren(i)，得到节点类型值gettype(i)，得到节点标记值getmark(i)。
正如前面的分析，确定系统状态是一个“自下而上”的过程，确定系统状态的流程如下：首先根据描述AS树的数组来获得宽度搜索向量，所述宽度搜索向量是AS树中所有节点的个数，然后根据获得的搜索向量确定AS树中每个节点的状态，确定过程是以搜索向量为循环变量采用循环判断程序从最底层的叶子节点到最顶层的根节点逐个确定节点的状态。
如图10所示，本发明给出了确定系统状态的详细流程图，在该流程图中，sign()是一个函数，当x＝0时，sign(x)＝0；当x非0时，sign(x)＝x/|x|。I为AS树的宽度搜索向量，i为宽度搜索向量的迭代下标，k为AS树的节点Ii的标记值，C为AS树的节点Ii的子节点向量，j为C的迭代下标，T为用于累计的中间变量，st(1)表示AS树的根节点状态，即系统状态。该流程的输入参数包括t(描述AS树结构的数组)，sc(描述单元状态的向量，sc(Ii)表示单元Ii的状态)，输出参数是st(描述节点的状态向量，st(Ii)表示AS树节点Ii的状态)。
如图11所示，当单元事件发生时，单元状态发生转移，确定单元转移状态是一个“自上而下”的过程，若系统状态为故障，则所有处于工作状态的单元进入待用状态，只有系统状态为工作的情况下才需要确定单元转移状态，单元转移状态的确定流程如下：首先根据描述AS树的数组来获得宽度搜索向量并赋值，所述宽度搜索向量是AS树中所有节点的个数，然后以搜索向量为循环变量采用循环判断程序从最顶层的根节点向下到最底层的叶子节点逐个节点去判断是否是叶子节点并确定叶子节点的转移状态，如果是叶子节点，则直接确定该叶子节点的转移状态，如果是非叶子节点，则依据处于故障、工作状态的子节点不可能转移状态，待用状态的子节点可能转移状态的策略进一步判断非叶子节点的转移状态。该流程的输＇入参数包括t(描述AS树结构的数组)，sc(描述单元状态的向量，sc(Ii)表示单元Ii的状态)，输出参数是sc′(描述单元转移状态的向量，sc′(Ii)表示单元Ii的转移状态)。st′(描述所有AS树节点转移状态的向量，st′(Ii)表示AS树节点Ii的转移状态)。st′(1)表示AS树根节点的转移状态，即系统的转移状态。I为AS树的宽度搜索向量。i为宽度搜索向量的迭代下标。k为AS树的节点Ii的标记值。C为AS树的节点Ii的子节点向量。L为AS树的节点Ii的类型值。j为C的迭代下标。T为用于累计的中间变量。Set表示向量C中可能转移状态的节点集合。Set′表示向量C中转移状态为1的节点集合。Set″表示向量C中转移状态为2的节点集合。C′表示向量C中状态不发生变化的集合。
对于类型是冷储备关系且转移状态为工作(即等于1)的节点，可以称其为“A型”节点，确定其子节点的转移状态较为复杂(流程图从上向下第3个“判定”符号左下部分)。首先，对于“A型”节点的子节点，按照转移状态可以分为两类：一是不可能转移状态的子节点，主要是处于故障状态的子节点；二是可能转移状态的子节点，包括处于工作状态、待用状态的子节点。
在图11中，内容为“1≤j≤|C|&sign(st(Cj))＝1”,“Set＝Set∪Cj”三个框图部分是“确定待转移状态子节点集合”。这里采用的策略1，即处于故障状态的子节点不可能转移状态，而处于工作、待用状态的子节点可能转移状态。当然，也可能采用策略2，即处于故障、工作状态的子节点不可能转移状态，而处于待用状态的子节点可能转移状态。采用策略2确定待转移状态集合的算法如图12所示。在具体编程时可以将这两种策略用“分支结构(switch)”组合在一起。之后，从待转移状态子节点集合中确定哪些子节点处于工作状态，哪些子节点处于待用状态，可称该过程为“启动方式”。在图11中，内容为“p＝randperm(|set|)set＇＝set(p(1:m))；j＝1”的框图描述了该过程。这里采用策略1，即随机启动方式。当然，也可能采用策略2，优先启动方式。这种方式按照某种优先顺序启动子节点，如图13所示。对于不是“A型”节点的节点，可将其称为“B型”节点。对于“B型”节点，确定其子节点的转移状态较简单(图11，从上向下第3个“判定”符号右下部分)。如果节点转移状态为1，则所属子节点中处于待用状态的子节点进入工作状态。如果节点转移状态为0，则所属子节点中处于工作状态的子节点进入待用状态。
以下是一个具体的多状态多阶段任务系统的仿真实例：
该系统由8个相同单元组成，其故障分布函数均为e-0.01t,t≥0，修理时间分布函数均为1-e-0.1t,t≥0。时间单位为小时。PMS有3个任务阶段，3个任务阶段持续时间分别为10、15、20，不同任务阶段系统的结构用AS树表示，如图14所示。根据本文所提出的算法设计用Matlab进行了编程，评估PMS的可靠度。可靠度仿真的次数1000次。任务可靠性R为0.8030。平均可用度A0为0.9839。平均可用时间MUT为162.7983小时，平均不可用时间为2.9005小时。每次仿真可用时间和不可用时间直方图与累积概率分布曲线如图15、16。如果没有任务时间的限制，可用时间和不可用时间通常会近似服从正态分布，而有了任务时间限制后，可用时间和不可用时间服从“截断的”正态分布。每次仿真首次任务失效间隔时间直方图与累积概率分布区域如图17。原理同上，首次任务失效间隔时间也服从“截断的”正态分布。平均任务首次失效间隔时间MTBMF为211.7207小时。战备完好性RED为0.9269。每次仿真维修时间与维修次数的直方图如图19，维修时间呈指数分布，而维修次数呈泊松分布，平均维修时间MTTR为9.8003小时。故障次数直方图与累积概率分布曲线如图19，呈泊松分布，平均故障次数为0.263。
Claims (4)
1.一种多状态多阶段任务系统可靠性参数的分析方法，具体包括以下步骤：
A、建立多状态多阶段任务系统的AS树模型；
对于多状态多阶段任务系统，由于其行为总是由单元的事件引起的，单元故障或修好事件都会影响到上层关系的状态，并间接影响到兄弟单元的状态，为反映单元状态的相关性和多样性，采用AS树来表示任一任务阶段系统可靠性关系，以表示具有冷储备状态—即待用状态的多状态多阶段任务系统；
所述AS树包括一个根节点、若干叶节点和零个以上阶度的若干非叶节点，其中阶度表示树的第几代，根节点为第一代，阶度为1，根节点用于表示表决关系或者冷储备关系，若干叶节点为最后一代，阶度为大于等于2的自然数，叶节点用于表示单元状态，非叶节点为第一代和最后一代之间的若干代，阶度为大于等于2的自然数，非叶节点用于表示单元状态、表决关系和冷储备关系之一或者其任意组合；
B、根据步骤A建立的多状态多阶段任务系统模型，采用离散事件仿真算法进行仿真，仿真的单元事件包括单元故障、单元修好以及任务开始事件，仿真算法的步骤如下：
第1步：初始化仿真变量，即仿真时钟与统计变量，所述统计变量包括需要初始化的各类输入参数和输出参数，
第2步：初始化事件表，即安排第一个任务阶段开始事件，
第3步：确定下一个事件的类型，发生时间，如果是故障事件和修好事件则确定发生部位，
第4步，判断事件是故障，是修好，还是阶段开始；若是故障事件，则采用故障事件操作；若是修好事件，则采用修好事件操作；若是阶段开始事件，则采用阶段开始事件操作；
第5步，更新系统状态、统计变量，推进仿真时钟，
第6步：重复步骤3到步骤5，直到达到仿真时间，
第7步：记录单次仿真数据，
第8步：重复步骤1到步骤7，直到满足仿真次数要求，
所述输入参数主要包括：
1)仿真次数；2)仿真时间；3)单元数量；4)单元故障分布函数；5)单元维修时间分布函数；6)任务阶段数量；7)每个任务阶段持续时间；8)每阶段任务系统结构，以AS树表示；
所述输出参数主要包括：
1)任务可靠性R
2)平均可用度A0
3)战备完好性(RED)
4)可用与可靠概率(PAR) PAR＝平均使用可用度×可靠度 (4)
5)平均首次任务失效间隔时间(MTBMF)
其中，yi为每i次仿真中，系统第一次失效前的工作时间，如果任务没有失效，则yi等于任务的时间长度。
6)系统的平均可用工作时间(MUT)和系统的平均不可用故障时间(MDT)
2.根据权利要求1所述的多状态多阶段任务系统可靠性参数的分析方法，其特征在于所述AS树在进行仿真编程时采用父指针数组表示法，AS树种的每个节点均包含类型值和标记值，以及一个指向父节点的指针。
3.根据权利要求1或2所述的多状态多阶段任务系统可靠性参数的分析方法，其特征在于确定系统状态是一个“自下而上”的过程，确定系统状态的流程如下：首先根据描述AS树的数组来获得宽度搜索向量，所述宽度搜索向量确定了横向遍历AS树中所有节点的顺序，然后根据获得的搜索向量确定AS树中每个节点的状态，确定过程是以宽度搜索向量为循环变量采用循环判断程序从最底层的叶子节点到最顶层的根节点逐个确定节点的状态。
4.根据权利要求3所述的多状态多阶段任务系统可靠性参数的分析方法，其特征在于当单元事件发生时，单元状态发生转移，确定单元转移状态是一个“自上而下”的过程，若系统状态为故障，则所有处于工作状态的单元进入待用状态，只有系统状态为工作的情况下才需要确定单元转移状态，单元转移状态的确定流程如下：首先根据描述AS树的数组来获得宽度搜索向量并赋值，所述宽度搜索向量确定了横向遍历AS树中所有节点的顺序，然后以宽度搜索向量为循环变量采用循环判断程序从最顶层的根节点向下到最底层的叶子节点逐个节点确定转移状态，如果是叶子节点，则直接确定该叶子节点的转移状态，如果是非叶子节点，则依据处于故障、工作状态的子节点不可能转移状态，待用状态的子节点可能转移状态的策略进一步判断叶子节点的转移状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611236773.5A CN106844877A (zh) | 2016-12-28 | 2016-12-28 | 多状态多阶段任务系统可靠性参数的分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611236773.5A CN106844877A (zh) | 2016-12-28 | 2016-12-28 | 多状态多阶段任务系统可靠性参数的分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106844877A true CN106844877A (zh) | 2017-06-13 |
Family
ID=59112623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611236773.5A Pending CN106844877A (zh) | 2016-12-28 | 2016-12-28 | 多状态多阶段任务系统可靠性参数的分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106844877A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229049A (zh) * | 2018-01-17 | 2018-06-29 | 中国航空综合技术研究所 | 基于性能模型进行多状态系统任务可靠性建模的方法 |
| CN108460177A (zh) * | 2018-01-04 | 2018-08-28 | 浙江大学 | 一种大规模多状态串并联系统的可靠性近似计算方法 |
| CN108491250A (zh) * | 2018-04-13 | 2018-09-04 | 中国人民解放军陆军装甲兵学院 | 复杂系统可靠性仿真的自适应智能体通信方法及系统 |
| CN109002656A (zh) * | 2018-08-29 | 2018-12-14 | 重庆交通大学 | 多阶段任务系统冗余配置优化方法 |
| CN109344461A (zh) * | 2018-09-14 | 2019-02-15 | 北京航空航天大学 | 一种多状态多阶段任务系统的故障场景树建模方法 |
| CN112597643A (zh) * | 2020-12-15 | 2021-04-02 | 中国人民解放军63921部队 | 航天测控系统的可靠性建模方法和装置 |
| CN112765833A (zh) * | 2021-02-05 | 2021-05-07 | 中国人民解放军国防科技大学 | 冗余多阶段任务系统动态任务的可靠性建模与评估方法 |
| CN112788971A (zh) * | 2018-10-03 | 2021-05-11 | 索尼公司 | 信息处理装置、调度方法以及程序 |
| CN113590348A (zh) * | 2021-07-26 | 2021-11-02 | 京东科技控股股份有限公司 | 基于树状结构的参数传递方法、装置、设备及介质 |
| CN113590348B (zh) * | 2021-07-26 | 2024-05-17 | 京东科技控股股份有限公司 | 基于树状结构的参数传递方法、装置、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663226A (zh) * | 2012-03-07 | 2012-09-12 | 北京航空航天大学 | 具有表决功能的可修混合公共贮备系统模型及可靠性仿真算法 |
| US8453102B1 (en) * | 2010-03-12 | 2013-05-28 | Worldwide Pro Ltd. | Hierarchical variation analysis of integrated circuits |
| US8832497B2 (en) * | 2012-02-07 | 2014-09-09 | A.L.D. Advanced Logistics Development Ltd | Methods, apparatus and systems for performing dynamic fault tree analysis |
| CN104317990A (zh) * | 2014-10-09 | 2015-01-28 | 中国运载火箭技术研究院 | 一种基于风险的多阶段任务航天器可靠性改进方法 |
| CN105825045A (zh) * | 2016-03-11 | 2016-08-03 | 西北工业大学 | 多阶段任务系统可修备件需求预测方法 |
-
2016
- 2016-12-28 CN CN201611236773.5A patent/CN106844877A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8453102B1 (en) * | 2010-03-12 | 2013-05-28 | Worldwide Pro Ltd. | Hierarchical variation analysis of integrated circuits |
| US8832497B2 (en) * | 2012-02-07 | 2014-09-09 | A.L.D. Advanced Logistics Development Ltd | Methods, apparatus and systems for performing dynamic fault tree analysis |
| CN102663226A (zh) * | 2012-03-07 | 2012-09-12 | 北京航空航天大学 | 具有表决功能的可修混合公共贮备系统模型及可靠性仿真算法 |
| CN104317990A (zh) * | 2014-10-09 | 2015-01-28 | 中国运载火箭技术研究院 | 一种基于风险的多阶段任务航天器可靠性改进方法 |
| CN105825045A (zh) * | 2016-03-11 | 2016-08-03 | 西北工业大学 | 多阶段任务系统可修备件需求预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吕学志等: "基于事件的系统可靠性参数仿真算法", 《火力与指挥控制》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460177A (zh) * | 2018-01-04 | 2018-08-28 | 浙江大学 | 一种大规模多状态串并联系统的可靠性近似计算方法 |
| CN108460177B (zh) * | 2018-01-04 | 2020-06-23 | 浙江大学 | 一种大规模多状态串并联系统的可靠性近似计算方法 |
| CN108229049A (zh) * | 2018-01-17 | 2018-06-29 | 中国航空综合技术研究所 | 基于性能模型进行多状态系统任务可靠性建模的方法 |
| CN108229049B (zh) * | 2018-01-17 | 2021-04-09 | 中国航空综合技术研究所 | 基于性能模型进行多状态系统任务可靠性建模的方法 |
| CN108491250A (zh) * | 2018-04-13 | 2018-09-04 | 中国人民解放军陆军装甲兵学院 | 复杂系统可靠性仿真的自适应智能体通信方法及系统 |
| CN109002656A (zh) * | 2018-08-29 | 2018-12-14 | 重庆交通大学 | 多阶段任务系统冗余配置优化方法 |
| CN109002656B (zh) * | 2018-08-29 | 2022-06-24 | 重庆交通大学 | 多阶段任务系统冗余配置优化方法 |
| CN109344461A (zh) * | 2018-09-14 | 2019-02-15 | 北京航空航天大学 | 一种多状态多阶段任务系统的故障场景树建模方法 |
| CN112788971A (zh) * | 2018-10-03 | 2021-05-11 | 索尼公司 | 信息处理装置、调度方法以及程序 |
| US11926036B2 (en) | 2018-10-03 | 2024-03-12 | Sony Corporation | Information processing device and scheduling method |
| CN112597643A (zh) * | 2020-12-15 | 2021-04-02 | 中国人民解放军63921部队 | 航天测控系统的可靠性建模方法和装置 |
| CN112597643B (zh) * | 2020-12-15 | 2024-04-26 | 中国人民解放军63921部队 | 航天测控系统的可靠性建模方法和装置 |
| CN112765833A (zh) * | 2021-02-05 | 2021-05-07 | 中国人民解放军国防科技大学 | 冗余多阶段任务系统动态任务的可靠性建模与评估方法 |
| CN113590348A (zh) * | 2021-07-26 | 2021-11-02 | 京东科技控股股份有限公司 | 基于树状结构的参数传递方法、装置、设备及介质 |
| CN113590348B (zh) * | 2021-07-26 | 2024-05-17 | 京东科技控股股份有限公司 | 基于树状结构的参数传递方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106844877A (zh) | 多状态多阶段任务系统可靠性参数的分析方法 | |
| Marinai et al. | Prospects for aero gas-turbine diagnostics: a review | |
| Tu et al. | Rollout strategies for sequential fault diagnosis | |
| CN106250631B (zh) | 一种基于故障-测试相关矩阵的故障诊断方法 | |
| CN105205271B (zh) | 一种基于动态特性的飞行器任务可靠性建模方法 | |
| CN101615265A (zh) | 一种基于多Agent技术的智能决策仿真实验系统 | |
| CN108764551A (zh) | 基于系统级寿命信息的成组维修决策方法 | |
| CN113435033B (zh) | 基于多分辨率的复杂体系运行流程仿真方法和系统 | |
| Wu et al. | A framework of dynamic data driven digital twin for complex engineering products: the example of aircraft engine health management | |
| CN106295803A (zh) | 深度神经网络的构建方法 | |
| CN104734870A (zh) | 一种基于元胞自动机的软件故障传播方法 | |
| CN105005697B (zh) | 一种对修复有时间约束的系统动态故障树分析方法 | |
| Wu et al. | Availability Modeling of Generalized $ k $-Out-of-$ n $: G Warm Standby Systems With PEPA | |
| Sampath et al. | Engine-fault diagnostics: an optimisation procedure | |
| Xiong et al. | Remaining useful life prognostics of aircraft engines based on damage propagation modeling and data analysis | |
| CN106155822A (zh) | 一种处理能力评估方法及装置 | |
| WO2017106293A2 (en) | Dynamic design of complex system-of-systems for planning and adaptation to unplanned scenarios | |
| CN103631714A (zh) | 基于矩阵重复度的最小组合测试用例生成方法 | |
| Thanos et al. | A DDDAMS framework for real-time load dispatching in power networks | |
| CN107358046A (zh) | 考虑结构相关性的多寿命件更换策略搜索算法 | |
| Mu et al. | On the structural controllability of distributed systems with local structure changes | |
| Arsene et al. | Decision support system for water distribution systems based on neural networks and graphs | |
| CN102788955A (zh) | 基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法 | |
| Wichmann et al. | System architecture optimization with runtime reconfiguration of simulation models | |
| CN105893332A (zh) | 一种适用于组合状态空间模型转移率矩阵的计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170613 |