CN114462788B - 一种基于半马尔科夫过程的多状态元件可靠性评估方法 - Google Patents
一种基于半马尔科夫过程的多状态元件可靠性评估方法 Download PDFInfo
- Publication number
- CN114462788B CN114462788B CN202111663895.3A CN202111663895A CN114462788B CN 114462788 B CN114462788 B CN 114462788B CN 202111663895 A CN202111663895 A CN 202111663895A CN 114462788 B CN114462788 B CN 114462788B
- Authority
- CN
- China
- Prior art keywords
- state
- maintenance
- states
- time
- distribution
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000008569 process Effects 0.000 title claims abstract description 36
- 238000012423 maintenance Methods 0.000 claims abstract description 83
- 230000007704 transition Effects 0.000 claims abstract description 56
- 238000009826 distribution Methods 0.000 claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 238000005315 distribution function Methods 0.000 claims description 14
- 230000008439 repair process Effects 0.000 claims description 12
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 22
- 230000006870 function Effects 0.000 abstract description 22
- 238000004458 analytical method Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008689 nuclear function Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于半马尔科夫过程的多状态元件可靠性评估方法,包括,根据元件的维修标准判断元件的维修程度,构造相应的状态转移图;确定元件的初始条件以及各状态转移时间服从的分布类型,计算各状态转移对应的核函数以获得元件的核函数矩阵;构造描述元件半马尔科夫过程的积分方程组,求解所述积分方程组获得元件状态的概率分布,以对不同维修程度下的元件进行可靠性评估;本发明方法考虑了元件的中间性能,利用多状态元件来进行可靠性评估;元件各状态间的转移时间不再局限于指数分布,而可以是任意分布;还考虑了在不同维修程度下,状态转移时间服从任意分布的多状态元件的可靠性评估问题,以对元件在维修程度和维修成本之间进行权衡。
Description
技术领域
本发明涉及多状态元件可靠性评估技术领域,尤其是一种基于半马尔科夫过程的多状态元件可靠性评估方法。
背景技术
随着现代工业技术的迅猛发展,精密化、复杂化是设备的主流趋势,产品寿命、通讯系统工作等离不开对元件可靠性问题的研究。因此,对元件可靠性进行准确、高效地评估,具有不可估量的工程价值和社会影响。
在传统的可靠性分析中,认为元件只有两个状态,即“正常工作”状态和“完全故障”状态。然而随着元件的复杂化,如果只按照元件具有两个状态进行可靠性评估,评估结果与实际模型相差甚远,无法用于后续研究。因此有必要将元件运行状态分为多个状态,即受元件的内部因素或外部环境等影响,元件性能可以介于“正常工作”和“完全故障”之间,存在其他工作状态,这类元件也被称为多状态元件。
多状态元件可靠性指标的获得依赖于各状态的概率分布。由于在工程实践中,指数分布的应用最广,常用来描述元件的状态转移时间分布,因此传统的多状态元件往往是利用马尔科夫过程进行建模。然而并非所有的元件状态转移时间都服从指数分布,例如,在机械产品寿命分析中,威布尔分布就是对此类元件进行建模的最适合的统计模型。另外,正态分布、对数正态分布等也是常见的用于建立多状态元件的统计模型。因此,有必要对状态转移时间服从任意分布的多状态元件的可靠性评估方法进行深入研究,进而在更多工程元件中获得更准确的的可靠性分析结论。
另外,元件的维修程度越高,相应的可靠性越高,可以更好地胜任任务,但是维修程度的提高带来了维修成本的提高。考虑到高维修程度和低维修成本之间的矛盾,有必要研究元件在不同维修程度下的可靠性,从而在维修程度和维修成本之间进行权衡。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例,在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有技术中所存在的问题,提出了本发明。
因此,本发明所要解决的技术问题是在传统的可靠性分析中,认为元件只有两个状态,即“正常工作”状态和“完全故障”状态,然而随着元件的复杂化,如果只按照元件具有两个状态进行可靠性评估,评估结果与实际模型相差甚远的问题。
为解决上述技术问题,本发明提供如下技术方案:一种基于半马尔科夫过程的多状态元件可靠性评估方法,包括,
根据元件的维修标准判断元件的维修程度,构造相应的状态转移图;
确定元件的初始条件以及各状态转移时间服从的分布类型,计算各状态转移对应的核函数以获得元件的核函数矩阵;
构造描述元件半马尔科夫过程的积分方程组,求解所述积分方程组获得元件状态的概率分布,以对不同维修程度下的元件进行可靠性评估。
作为本发明所述基于半马尔科夫过程的多状态元件可靠性评估方法的一种优选方案,其中:所述元件的维修程度包括完全维修、不完全维修和视情维修。
作为本发明所述基于半马尔科夫过程的多状态元件可靠性评估方法的一种优选方案,其中:包括,
定义元件的性能空间G={g1,g2,…,gn},其中n为状态总数,定义状态性能关系为g1<g2<…<gn,gi为元件处于状态i的性能。
作为本发明所述基于半马尔科夫过程的多状态元件可靠性评估方法的一种优选方案,其中:还包括,
如果元件只有在进入完全故障状态1时才进行维修,并且只存在最大维修1→n,则称为完全维修;
如果元件只有在进入完全故障状态1时才进行维修,但维修可使元件恢复到任一性能不为0的状态,即存在最小维修和较大维修,则称为不完全维修;
如果元件进入任一性能非最优的状态1,2,…,n-1时,均可进行维修,且维修存在最小维修和较大维修,则称为视情维修。
作为本发明所述基于半马尔科夫过程的多状态元件可靠性评估方法的一种优选方案,其中:具体包括,
计算不同维修程度下元件的状态概率分布,对比元件在不同维修程度下的可靠性,判断元件在规定时间内能否可靠完成任务。
作为本发明所述基于半马尔科夫过程的多状态元件可靠性评估方法的一种优选方案,其中:包括,
定义元件的状态数为n,其中,状态n为最优运行状态,状态1为完全故障状态,状态n-1、…、2为退化状态,且从状态n-1到状态2,元件性能降低;
元件的初始条件根据实际情况给出,定义初始时刻元件的状态为n,则初始条件为θn(0)=1,θn-1(0)=…=θi+1(0)=θi(0)=θi-1(0)=…=θ1(0)=0。
作为本发明所述基于半马尔科夫过程的多状态元件可靠性评估方法的一种优选方案,其中:包括,
当元件由状态n转向状态n-1时,定义两状态间的状态转移时间为Tn,n-1,其分布函数为Fn,n-1(t);
当元件由状态n转向状态i时,定义两状态间的状态转移时间为Tn,i,其分布函数为Fn,i(t)。
作为本发明所述基于半马尔科夫过程的多状态元件可靠性评估方法的一种优选方案,其中:包括,
定义初始时刻t=0,则在时刻t之前从状态n转移到状态i能够发生需保证:
当前状态为n,下一状态为i时,在状态n的驻留时间不超过t;
当前状态为n,下一状态为状态n可转移到达的其他状态(此处为n-1、…、i+1、i-1、…、1)时,在状态n的驻留时间大于t;
作为本发明所述基于半马尔科夫过程的多状态元件可靠性评估方法的一种优选方案,其中:还包括
概率Qn,i(t)需满足以下条件:
Tn,n-1>t,…,Tn,i+1>t,Tn,i≤t,Tn,i-1>t,…,Tn,1>t
作为本发明所述基于半马尔科夫过程的多状态元件可靠性评估方法的一种优选方案,其中:具体包括,
Qn,i(t)的表达式如下:
其中:gi:元件处于状态i的性能
θi(t):在时刻t,元件处于状态i的概率
Ti,j:元件从状态i转移到状态j的时间
Fi,j(t):元件从状态i转移到状态j的时间服从的分布函数
Pr(事件i):事件i发生的概率
Qi,j(t):在时间段[0,t]内,元件从状态i转移到状态j的概率
Q(t):元件的核函数矩阵
qi,j(t):核函数Qi,j(t)对时间t的导数
Fi(t):元件在状态i的驻留时间的累积分布函数
δij:指示函数
λ:故障时间的指数分布参数
η:修复时间的威布尔分布的尺度参数
β:修复时间的威布尔分布的形状参数
本发明的有益效果:本发明方法考虑了元件的中间性能,利用多状态元件来进行可靠性评估;元件各状态间的转移时间不再局限于指数分布,而可以是任意分布;还考虑了在不同维修程度下,状态转移时间服从任意分布的多状态元件的可靠性评估问题,以对元件在维修程度和维修成本之间进行权衡。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1是本发明方法的逻辑框图。
图2是不同维修程度下的状态转移图。
图3是n状态元件的状态转移图。
图4是三状态元件在不同维修程度下的状态转移图。
图5是不同维修程度下部件的最优运行状态概率分布图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
再其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1~4,本实施例提供了一种基于半马尔科夫过程的多状态元件可靠性评估方法,包括,
S1:根据元件的维修标准判断元件的维修程度,构造相应的状态转移图。该步骤需要说明的是,
元件的状态用来描述元件不同的性能,最优运行状态指的是元件以最优性能工作,完全故障状态指的是元件完全故障、不可以工作。
多状态元件指的是:元件在运行过程中由于设备老化等原因,在“正常工作”和“完全故障”两种状态之间,还存在一系列不完全正常工作状态或不完全故障状态等中间状态。
元件的初始条件是元件在初始时刻的性能,即所处的状态,一般用概率表示。
元件的状态转移图指是用来描述元件各状态之间是否存在转移关系的结构框图。
元件的状态转移时间服从的分布函数用来描述元件的状态转移时间这一随机变量的分布规律。
元件在某一状态的驻留时间指的是元件在到达该状态后,转移到下一状态前所停留的时间。
半马尔科夫过程是一个随机过程,用于描述多状态元件的动态行为,元件各状态间的转移时间分布服从任意分布,根据元件的初始状态和核函数矩阵来确定元件的状态概率分布。
核函数指的是在整个时段内,元件从某一状态不经过其他任何中间状态,直接转移到另一状态的概率。核函数矩阵由元件所有状态间的核函数组成。
最大维修指的是从完全故障状态维修至最优运行状态,最小维修指的是从非最优运行状态维修至相邻的更优状态,较大维修指的是从非最优运行状态维修至非相邻的更优状态。
具体为:
根据元件维修程度的不同可分为完全维修、不完全维修和视情维修。
设元件的性能空间G={g1,g2,…,gn},其中n为状态总数。假定状态性能关系为g1<g2<…<gn,gi:元件处于状态i的性能。
如果元件只有在进入完全故障状态1时才进行维修,并且只存在最大维修1→n,则称为完全维修;
如果元件只有在进入完全故障状态1时才进行维修,但维修可使元件恢复到任一性能不为0的状态,即存在最小维修和较大维修,则称为不完全维修;
如果元件进入任一性能非最优的状态1,2,…,n-1时,均可进行维修,且维修存在最小维修和较大维修,则称为视情维修。
三类维修的状态转移图见图2。
根据上述步骤,可以计算出不同维修程度下元件的状态概率分布,进一步对比元件在不同维修程度下的可靠性,来判断元件在规定时间内能否可靠完成任务。
具体的:
S2:确定元件的初始条件以及各状态转移时间服从的分布类型,计算各状态转移对应的核函数以获得元件的核函数矩阵。该步骤需要说明的是,
定义元件的状态数为n,其中,状态n为最优运行状态,状态1为完全故障状态,状态n-1、…、2为退化状态,且从状态n-1到状态2,元件性能降低。元件的初始条件根据实际情况给出,假设初始时刻元件的状态为n,则初始条件为θn(0)=1,θn-1(0)=…=θi+1(0)=θi(0)=θi-1(0)=…=θ1(0)=0。
由元件的状态转移图(见图3)可知,从初始时刻的状态n可以分别转向状态n-1、…、i+1、i、i-1、…、1。当元件由状态n转向状态n-1时,定义两状态间的状态转移时间为Tn,n-1,其分布函数为Fn,n-1(t)。同理可知,当元件由状态n转向状态i时,定义两状态间的状态转移时间为Tn,i,其分布函数为Fn,i(t)。
定义初始时刻t=0,则在时刻t之前从状态n转移到状态i能够发生需保证:
当前状态为n,下一状态为i时,在状态n的驻留时间不超过t。当前状态为n,下一状态为状态n可转移到达的其他状态(此处为n-1、…、i+1、i-1、…、1)时,在状态n的驻留时间大于t。因此概率Qn,i(t)需满足以下条件:
Tn,n-1>t,…,Tn,i+1>t,Tn,i≤t,Tn,i-1>t,…,Tn,1>t
由此可以获得Qn,i(t)的表达式如下:
其中:gi:元件处于状态i的性能
θi(t):在时刻t,元件处于状态i的概率
Ti,j:元件从状态i转移到状态j的时间
Fi,j(t):元件从状态i转移到状态j的时间服从的分布函数
Pr(事件i):事件i发生的概率
Qi,j(t):在时间段[0,t]内,元件从状态i转移到状态j的概率
Q(t):元件的核函数矩阵
qi,j(t):核函数Qi,j(t)对时间t的导数
Fi(t):元件在状态i的驻留时间的累积分布函数
δij:指示函数
λ:故障时间的指数分布参数
η:修复时间的威布尔分布的尺度参数
β:修复时间的威布尔分布的形状参数
其他状态间的转移概率用同样方法可以求得。
S3:构造描述元件半马尔科夫过程的积分方程组,求解所述积分方程组获得元件状态的概率分布,以对不同维修程度下的元件进行可靠性评估。该步骤需要说明的是,
定义元件状态的半马尔科夫过程的核函数矩阵为Q(t)=[Qij(t)],i,j=1,2,…,n,其中n为状态总数。设θij(t)为t=0时状态为i,在时刻t时状态为j的概率,θij(t)可由下式求得。
其中
式(*)为描述半马尔科夫过程的积分方程组,在已知初始条件和核函数矩阵时,求解此积分方程组来获得状态的概率分布,以对元件进行可靠性评估。
施例2
参照图5,本实施将根据实际应用情况仿真验证本发明是否满足应用需求,具体的:
考虑某控制系统的一个机械部件,共有三个状态,即最优运行状态3、功能退化状态2、完全故障状态1。且该部件的故障时间均服从指数分布,修复时间均服从威布尔分布。故障时间分布参数为λ32=0.02,λ21=0.01,λ31=0.001,修复时间分布的尺度参数为η12=0.5,η23=1,η13=3,形状参数为β12=β23=β13=2。不同维修程度下的状态转移图如图4。
要求在控制系统工作的前2个月内,该部件运行在最优状态时的概率不低于0.97,下面将分析不同维修程度下的部件能否满足控制系统的工作要求。
2.假设三类维修程度下,系统开始时刻均处于最优运行状态3,即初始条件为θi,3(0)=1,θi,1(0)=θi,2(0)=0,i=1,2,3,记θi(0)=[θi,1(0),θi,2(0),θi,3(0)]。
完全维修下的部件状态转移图如图4(a)所示,修复仅发生在状态1、3之间,则相应的核函数矩阵为:
其中的核函数按下式获得:
由式(*)建立积分方程组,结合初始条件θ1(0),求解各状态概率分布,作出完全维修下部件的最优运行状态概率分布见图5。
不完全维修下的部件状态转移图如图4(b)所示,修复发生在状态1、3与状态1、2之间,则相应的核函数矩阵为:
其中的核函数按下式获得:
由式(*)建立积分方程组,结合初始条件θ2(0),求解各状态概率分布,作出不完全维修下部件的最优运行状态概率分布见图5。
视情维修下的部件状态转移图如图4(c)所示,修复发生在任意两状态之间,则相应的核函数矩阵为:
其中的核函数按下式获得:
由式(*)建立积分方程组,结合初始条件θ3(0),求解各状态概率分布,作出视情维修下部件的最优运行状态概率分布见图5。
观察图线可知,视情维修下机械部件处于最优运行状态的概率始终稳定在很高的水平,且在较短时间内趋于稳定值0.9811。而完全维修和不完全维修下部件的性能退化较快,处于最优状态的概率几乎呈现直线下降趋势,可靠性明显低于视情维修。另外,完全维修下的可靠性比不完全维修的可靠性高,符合工程经验。
t=2时,完全维修和不完全维修下处于最优运行状态的概率均为0.959左右,明显低于0.97,无法满足控制系统工作要求。而视情维修下,处于最优运行状态的概率始终大于0.98,可以完全胜任。
如果要求的概率门限值降到0.95,那么三类维修情况均可满足要求。但如果控制系统工作周期延长,完全维修和不完全维修下的部件仍面临一定的危险。因此在不考虑维修成本的情况下,应采用视情维修的元件维护方式,保证运行的高可靠性。当维修成本有一定限制时,应限制系统工作周期,确保完全或不完全维修下的部件在工作时间内有较高的可靠性。
将用来描述元件状态的模型从两状态扩展到多状态,可以更准确地刻画元件性能;元件状态间的转移时间所服从的分布函数不必是指数分布,可以是任意类型的分布函数,并且可以利用半马尔科夫过程对元件的状态概率分布进行求解;利用基于半马尔科夫过程的多状态元件状态概率分布的求解方法,对不同维修程度下的元件进行可靠性评估,给出解决高维修程度和低维修成本之间的矛盾的可行性建议。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
传统的技术方案认为所有的元件状态转移时间都服从指数分布,直接采用马尔科夫过程对元件状态进行建模,并利用微分方程组进行求解。但是并非所有的元件状态转移时间都服从指数分布,当元件状态转移时间服从非指数分布时,若采用指数分布进行建模,对模型的刻画是不合理的。
由于马尔科夫过程无法对非指数分布的元件状态转移时间进行建模,无法解决此类问题,因此才引入半马尔科夫过程来对元件进行建模和求解。
Claims (3)
1.一种基于半马尔科夫过程的多状态元件可靠性评估方法,其特征在于:包括,
根据元件的维修标准判断元件的维修程度,构造相应的状态转移图;
所述元件的维修程度包括,完全维修、不完全维修和视情维修;
确定元件的初始条件以及各状态转移时间服从的分布类型,计算各状态转移对应的核函数以获得元件的核函数矩阵,包括:
定义元件的性能空间G={g1,g2,…,gn},其中n为状态总数,定义状态性能关系为g1<g2<…<gn,gi为元件处于状态i的性能;
如果元件只有在进入完全故障状态1时才进行维修,并且只存在最大维修1→n,则称为完全维修;
如果元件只有在进入完全故障状态1时才进行维修,但维修可使元件恢复到任一性能不为0的状态,即存在最小维修和较大维修,则称为不完全维修;
如果元件进入任一性能非最优的状态1,2,…,n-1时,均可进行维修,且维修存在最小维修和较大维修,则称为视情维修;
计算不同维修程度下元件的状态概率分布,对比元件在不同维修程度下的可靠性,判断元件在规定时间内能否可靠完成任务,包括:
定义元件的状态数为n,其中,状态n为最优运行状态,状态1为完全故障状态,状态n-1、…、2为退化状态,且从状态n-1到状态2,元件性能降低;
元件的初始条件根据实际情况给出,定义初始时刻元件的状态为n,则初始条件为θn(0)=1,θn-1(0)=…=θi+1(0)=θi(0)=θi-1(0)=…=θ1(0)=0;
当元件由状态n转向状态n-1时,定义两状态间的状态转移时间为Tn,n-1,其分布函数为Fn,n-1(t);
当元件由状态n转向状态i时,定义两状态间的状态转移时间为Tn,i,其分布函数为Fn,i(t);
定义初始时刻t=0,则在时刻t之前从状态n转移到状态i能够发生需保证:
当前状态为n,下一状态为i时,在状态n的驻留时间不超过t;
当前状态为n,下一状态为状态n可转移到达的其他状态时,在状态n的驻留时间大于t;
构造描述元件半马尔科夫过程的积分方程组,求解所述积分方程组获得元件状态的概率分布,以对不同维修程度下的元件进行可靠性评估,包括:
定义元件状态的半马尔科夫过程的核函数矩阵为Q(t)=[Qij(t)],i,j=1,2,…,n,其中n为状态总数;
设θij(t)为t=0时状态为i,在时刻t时状态为j的概率,θij(t)可由下式求得:
其中
θij(t)为描述半马尔科夫过程的积分方程组;
其中,θi(t):在时刻t,元件处于状态i的概率;gi:元件处于状态i的性能;Q(t):元件的核函数矩阵;qi,j(t):核函数Qi,j(t)对时间t的导数;Qi,j(t):在时间段[0,t]内,元件从状态i转移到状态j的概率;δij:指示函数。
2.根据权利要求1所述的基于半马尔科夫过程的多状态元件可靠性评估方法,其特征在于:构造描述元件半马尔科夫过程的积分方程组,求解所述积分方程组获得元件状态的概率分布,以对不同维修程度下的元件进行可靠性评估,包括:
概率Qn,i(t)需满足以下条件:
Tn,n-1>t,…,Tn,i+1>t,Tn,i≤t,Tn,i-1>t,…,Tn,1>t。
3.根据权利要求2所述的基于半马尔科夫过程的多状态元件可靠性评估方法,其特征在于,还包括:
Qn,i(t)的表达式如下:
其中,Ti,j:元件从状态i转移到状态j的时间;Fi,j(t):元件从状态i转移到状态j的时间服从的分布函数;Pr(事件i):事件i发生的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111663895.3A CN114462788B (zh) | 2021-12-31 | 2021-12-31 | 一种基于半马尔科夫过程的多状态元件可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111663895.3A CN114462788B (zh) | 2021-12-31 | 2021-12-31 | 一种基于半马尔科夫过程的多状态元件可靠性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114462788A CN114462788A (zh) | 2022-05-10 |
CN114462788B true CN114462788B (zh) | 2023-10-31 |
Family
ID=81408058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111663895.3A Active CN114462788B (zh) | 2021-12-31 | 2021-12-31 | 一种基于半马尔科夫过程的多状态元件可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114462788B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117875947A (zh) * | 2024-03-11 | 2024-04-12 | 浙江大学 | k/n负载均担系统的可靠性评估和维修决策方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323707A (zh) * | 2013-06-05 | 2013-09-25 | 清华大学 | 基于半马尔科夫过程的变压器故障率预测方法 |
CN108763654A (zh) * | 2018-05-03 | 2018-11-06 | 国网江西省电力有限公司信息通信分公司 | 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法 |
CN110757216A (zh) * | 2019-11-04 | 2020-02-07 | 吉林大学 | 一种基于半马尔科夫过程的刀库机械手可靠性试验方法 |
CN111209954A (zh) * | 2020-01-03 | 2020-05-29 | 国网能源研究院有限公司 | 一种基于半马尔科夫过程的电力设备可靠性评估方法 |
CN112836304A (zh) * | 2020-12-30 | 2021-05-25 | 清华大学 | 考虑多维耦合退化过程的动态可靠性评估方法及装置 |
KR20210151510A (ko) * | 2020-06-05 | 2021-12-14 | 한국전력공사 | 발전 설비 부품의 고장 확률 예측 장치 및 방법 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239694B (zh) * | 2014-08-28 | 2016-11-23 | 北京交通大学 | 一种城轨列车转向架的故障预测与视情维修方法 |
CN106444703B (zh) * | 2016-09-20 | 2018-12-07 | 西南石油大学 | 基于故障模式发生概率的动设备运行状态模糊评价及预测方法 |
JP7145821B2 (ja) * | 2019-07-05 | 2022-10-03 | 株式会社日立製作所 | 故障確率評価システムおよびその方法 |
-
2021
- 2021-12-31 CN CN202111663895.3A patent/CN114462788B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323707A (zh) * | 2013-06-05 | 2013-09-25 | 清华大学 | 基于半马尔科夫过程的变压器故障率预测方法 |
CN108763654A (zh) * | 2018-05-03 | 2018-11-06 | 国网江西省电力有限公司信息通信分公司 | 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法 |
CN110757216A (zh) * | 2019-11-04 | 2020-02-07 | 吉林大学 | 一种基于半马尔科夫过程的刀库机械手可靠性试验方法 |
CN111209954A (zh) * | 2020-01-03 | 2020-05-29 | 国网能源研究院有限公司 | 一种基于半马尔科夫过程的电力设备可靠性评估方法 |
KR20210151510A (ko) * | 2020-06-05 | 2021-12-14 | 한국전력공사 | 발전 설비 부품의 고장 확률 예측 장치 및 방법 |
CN112836304A (zh) * | 2020-12-30 | 2021-05-25 | 清华大学 | 考虑多维耦合退化过程的动态可靠性评估方法及装置 |
Non-Patent Citations (3)
Title |
---|
Integrated Energy System Load Forecast Based ob Information Entropy and Stacked Auto-Encoders;Qingsheng Li等;《2021IEEE/IAS Industrial and Commerical Power System Asia(I&CPS Asia)》;第1-15页 * |
基于Markov过程的风电机组预防性维护与可靠性研究;苏德;《https://d.wanfangdata.com.cn/thesis/ChJUaGVzaXNOZXdTMjAyMzAxMTASCUQwMjQ1NTQ0OBoIeHU5aDZ6ZXk%3D》;第1-16页 * |
非指数分布下多阶段任务系统可靠性建模与优化;李翔宇;《中国博士学位论文全文数据库 基础科学辑(月刊)》(第01期);第A002-195页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114462788A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
Liu et al. | Dynamic reliability assessment for nonrepairable multistate systems by aggregating multilevel imperfect inspection data | |
CN103310051B (zh) | 一种全寿命周期内的车载信息终端故障率预测方法 | |
CN102208028A (zh) | 一种适用于动态复杂系统的故障预测和诊断方法 | |
CN114462788B (zh) | 一种基于半马尔科夫过程的多状态元件可靠性评估方法 | |
CN103914386B (zh) | 基于输入参数特征谱的软件缺陷定位方法 | |
CN112765827B (zh) | 一种功能相关系统的可靠性分析方法 | |
CN111581831A (zh) | 一种失效相关多状态系统可靠性评估方法 | |
CN109684713B (zh) | 基于贝叶斯的复杂系统可靠性分析方法 | |
Duan et al. | Health prediction of partially observable failing systems under varying environments | |
CN113919204B (zh) | 一种多状态制造系统可用性综合重要度分析方法 | |
CN113919225B (zh) | 环境试验箱可靠性评估方法和系统 | |
CN112685912B (zh) | 一种多元广义Wiener过程性能退化可靠性分析方法 | |
CN116087780A (zh) | 一种锂电池寿命预测方法及系统 | |
CN113821419A (zh) | 一种基于svr和高斯函数的云服务器老化预测方法 | |
Hsu et al. | Reliability analysis based on nonhomogeneous continuous-Time Markov modeling with application to repairable pumps of a power plant | |
CN108345730B (zh) | 大坝安全度多源融合诊断方法 | |
Wang et al. | Health indicator forecasting for improving remaining useful life estimation | |
CN112966368A (zh) | 一种考虑共因失效pms的可靠性评估方法 | |
Chen et al. | Decentralized maintenance for multistate systems with heterogeneous components | |
Zhang et al. | Key fault propagation path identification of CNC machine tools based on maximum occurrence probability | |
Xiao et al. | Metric learning‐based whole health indicator model for industrial robots | |
Zhang et al. | Calculating method of MTBF for integrated circuit | |
CN110687899A (zh) | 一种基于模糊集的机电产品故障模式危害度评估方法 | |
LU501526B1 (en) | A small sample data life prediction method |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |