CN109145518B

CN109145518B - 一种大型复杂装备可靠性决策图模型构造方法

Info

Publication number: CN109145518B
Application number: CN201811183103.0A
Authority: CN
Inventors: 莫毓昌; 丁一
Original assignee: Individual
Current assignee: Individual
Priority date: 2018-10-11
Filing date: 2018-10-11
Publication date: 2022-10-04
Anticipated expiration: 2038-10-11
Also published as: CN109145518A

Abstract

本发明提供了一种大型复杂装备可靠性决策图模型构造方法，该方法包括以下步骤：S1、针对大型复杂装备建立故障树模型；S2、采用均值MEAN策略生成故障树变量排序。在大量随机生成的复杂装备故障树样本基础上进行可靠性决策图模型构造的性能比较实验中，本发明提供的基于均值MEAN策略的决策图构造方法性能远优于现有的基于DC策略的决策图构造方法。

Description

一种大型复杂装备可靠性决策图模型构造方法

技术领域

本发明属于可靠性评估技术领域，尤其涉及一种大型复杂装备可靠性决策图模型构造方法。

背景技术

随着微电子技术、信息技术的迅猛发展，人类社会的各种关键应用领域（如航天运载、核能控制、武器装备、空间探测、电信交换、交通控制、医疗器械等）中逐渐涌现出一类大型复杂装备，这类装备具有很明显的阶段性，即系统运行可以分成多个不同阶段，各个阶段完成不同的作业。装备如“神舟六号”飞船系统（该系统整个运行过程分为上升段，在轨运行段和返回段三个大阶段）和长征2F火箭系统（该系统整个运行过程分为点火、升空、拐弯、抛掉逃逸塔、助推器分离、一二级分离、整流罩分离、箭船分离八个阶段）；又如很多承担科学计算和信息处理实时任务的分布式网络计算系统，他们的运行通常包括数据准备，数据预处理，科学计算，结果后处理几大阶段，每个阶段的计算量和需要的资源都是不同的；还包括大规模军用指挥自动化系统。

在一般装备可靠性评估研究中，利用故障树进行可靠性评估是一种非常重要的方法，而基于决策图进行故障树分析是一种通用技术。

基于决策图的故障树分析包括三个基本步骤：变量排序，决策图构造转换和决策图评价三个部分。其中决策图构造和决策图评价的计算复杂度和决策图大小线性相关，而决策图大小取决于变量排序。为此，故障树的变量排序问题是决策图分析方法研究的核心问题。

故障树变量排序生成框架包含两步：首先把故障树中所有的元变量（不带阶段参数的变量），按照一定的方法生成一个排序，然后通过用实变量（带阶段参数的变量）替换元变量的方法，前向或后向扩展元变量排序得到实变量排序。

在“元变量—实变量”框架中核心问题是“如何生成元变量排序”，已有的策略是DontCare（DC）策略。这种策略性能还存在不足，仅适用于小型的简单装备，对大型复杂装备的故障树生成的可靠性决策图模型太大，评估较为困难，难以获得精确的可靠度指标。

发明内容

本发明的目的在于提供一种大型复杂装备可靠性决策图模型构造方法，旨在解决现有DC策略性能不足，生成的决策图较大，仅适用于小型的简单装备，难以评估大型复杂装备的故障树可靠性的问题。

本发明是这样实现的，一种大型复杂装备可靠性决策图模型构造方法，该方法包括以下步骤：

S1、针对大型复杂装备建立故障树模型；

S2、采用均值MEAN策略生成故障树变量排序。

优选地，在步骤S1中，所述大型复杂装备的故障树建模过程具体为：根据大型复杂装备的阶段化执行特征，为其建立两类故障树模型：阶段级故障树模型（阶段故障树）和系统级故障树模型（系统故障树）。阶段级故障树模型刻画了部件失效和阶段失效之间的因果关系。系统级故障树模型用于刻画阶段失效和系统/任务失效之间的因果关系。优选地，在步骤S2中，所述MEAN策略生成排序的过程具体为：

（1）对复杂装备的各棵阶段故障树分别应用一般故障树变量排序策略得到各阶段排序；

（2）计算每个元变量在阶段排序中序号的均值，并按照均值从小到大进行元变量排序；

（3）后向扩展所生成的元变量排序得到MEAN排序。

相比于现有技术的缺点和不足，本发明具有以下有益效果：装备在大量随机生成的复杂装备故障树样本基础上进行可靠性决策图模型构造的性能比较实验中，本发明提供的基于均值MEAN策略的决策图构造方法性能远优于现有的基于DC策略的决策图构造方法，即生成的决策图要更小，可靠性评估更快更节省资源。

附图说明

图1是装备A故障树模型；

图2是装备B故障树模型。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。

本发明提供了一种大型复杂装备可靠性决策图模型构造方法，包括以下步骤：

S1、针对大型复杂装备建立故障树模型；

根据大型复杂装备的阶段化执行特征，需要为其建立两类故障树模型：阶段级故障树模型（阶段故障树）和系统级故障树模型（系统故障树）。阶段级故障树模型刻画了部件失效和阶段失效之间的因果关系。如果一个装备具有n个阶段，对应的就具有n棵阶段故障树。系统级故障树模型用于刻画阶段失效和系统/任务失效之间的因果关系。

以两个3阶段装备（即装备A和装备B）为例。

装备A包含3个并行工作的同类型部件X、Y和Z。根据不同的外部环境和工作负载需求，阶段1要求至少有2个部件能够同时正常工作，阶段2仅需要1个部件能够正常工作即可，阶段3要求3个部件都能够正常工作，图1给出了装备A的故障树模型。

装备B包含3个并行工作的同类型部件X、Y和Z。根据不同的阶段作业功能需求，阶段1要求X和Y互为冗余并和C同时正常工作，阶段2要求X和Z互为冗余并和Y同时正常工作，阶段3仅要求X和Y同时正常工作。图2给出了装备B的故障树模型。

在本发明实施例中，表1给出了比装备A和装备B更为复杂的装备C的故障树模型。

表1实例复杂装备C的三棵阶段故障树

S2、采用均值MEAN策略生成故障树变量排序。

在步骤S2中，均值MEAN策略是一种启发式排序策略。MEAN策略生成排序的过程如下所述：

（1）首先，对复杂装备的各棵阶段故障树分别应用一般故障树变量排序策略得到各阶段排序。

对表1中复杂装备C的3棵阶段故障树，应用自左向右深度优先遍历策略得到阶段排序。

阶段1排序为：X0< X1< X2< X3< X4< X5< X6< X7< X8。

阶段2排序为：X0< X8< X9< X1< X10< X11< X2< X3< X4< X5< X6< X7。

阶段3排序为： X0< X7< X11< X12< X1< X8< X9< X2< X3< X4< X10< X13< X14<X5< X6。

（2）计算每个元变量在阶段排序中序号的均值，并按照均值从小到大进行元变量排序。

对于上面的3个阶段排序，每个变量在阶段排序中的序号及其均值如表2所示。

表2 变量在阶段排序中的序号及其均值

按照均值从小到大得到元变量排序为：

X0< X1< X12< X11< X9< X8< X2< X3< X7< X4< X10 < X5< X6< X13< X14。

（3）后向扩展所生成的元变量排序得到MEAN排序。

对元变量排序进行后向扩展得到：

MEAN排序为：X0₃ <X0₂ <X0₁ <X1₃ <X1₂ <X1₁ <X12₃ <X12₂ <X12₁ <……。

根据上述实施例记载的构造方法进行效果实施，具体过程如下所示：

在本发明中，基于决策图模型进行大型复杂装备可靠性评估时，需要解决的核心问题是如何快速生成尽可能小的决策图模型。已有研究表明：变量排序对决策图模型的大小有极其重要的影响。

1、比较对象：DC策略

已有的Dontcare（DC）策略广泛用于复杂装备可靠性评估。DC策略生成变量排序的过程如下所述：首先，对系统故障树进行dontcare处理，即忽略系统故障树中的阶段序号；

然后，利用一般故障树变量排序策略得到元变量排序；

最后，后向扩展所生成的元变量排序得到DC排序。

下面通过实例复杂装备C说明DC策略的应用。该复杂装备的各阶段故障树如表1所示。复杂装备C的系统故障树为：FT =ROOT1∨ROOT2∨ROOT3。

对FT应用自左向右深度优先遍历策略（得到元变量排序都为：

X0< X1< X2< X3< X4 < X5< X6< X7< X8< X9< X10< X11< X12< X13< X14。

对得到的元变量排序分别进行后向扩展得到：

DC排序为：X0₃ <X0₂ <X0₁ <X1₃ <X1₂ <X1₁ <X2₃ <X2₂ <X2₁ <……。

2、比较指标：排序所对应的决策图模型的大小

3、比较结果

所获得的决策图模型的大小如表3所示。

表3 两种排序下决策图模型的大小

	FT
		DC	298
MEAN	218

为了进一步说明本发明的MEAN策略的性能优势，在效果实施中基于大量随机生成的复杂装备故障树样本进行更全面的策略性能比较实验。

实验过程如下所述：

随机生成100个不同的复杂装备故障树样本；

（1）针对每个故障树样本，利用MEAN和DC生成相应的变量排序；

（2）利用2种排序生成决策图模型，获得各种排序所对应的决策图模型大小数据，记为mean，dc；记min{mean， dc}= m。

（3）m=mean，则MEAnBest增1，否则DC Best增1。

四次实验获得的数据如表4所示，分析数据可以得到如下结论：MEAN策略取得最小BDD概率≥80%，即MEAN策略性能远优于DC策略。

表4 MEAN策略和DC策略性能比较

综上所述，本发明提供的基于均值MEAN策略的决策图构造方法性能远优于现有的基于DC策略的决策图构造方法，即生成的决策图要更小，可靠性评估更快更节省资源。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种大型复杂装备可靠性决策图模型构造方法，其特征在于，该方法包括以下步骤：

S1、针对大型复杂装备建立故障树模型；

S2、采用均值MEAN策略生成故障树变量排序，并基于该排序构造可靠性决策图模型,

（1）对复杂装备的各棵阶段故障树分别应用常规故障树变量排序策略得到各阶段排序；

（3）后向扩展所生成的元变量排序得到MEAN排序。

2.如权利要求1所述的大型复杂装备可靠性决策图模型构造方法，其特征在于，在步骤S1中，针对大型复杂装备的阶段化运行特征建立相应的故障树模型，包括阶段级故障树模型和系统级故障树模型。