工业可靠系统中CCF数据处理方法的研究及应用.docVIP

工业可靠系统中CCF数据处理方法的研究及应用 【摘要】 在工业可靠系统中，由于共因失效事件（CCF）相对比较少，造成数据普遍不足，因此需要借助已有的系统数据。但是在使用已有系统数据时，由于不同系统冗余组件（CCCG）的数目不同，需要对源系统数据进行一定的变换，才能使用。本文将基于两种共因失效的原理，对不同数目冗余组件系统数据之间的向上映射和向下映射公式进行推导，并对向下映射时，数据的不确定性进行分析。最后通过某工业企业冗余系统的实例，验证该方法是一种解决非线性的共因失效数据处理的可行性方法。 【关键词】 共因失效 数据处理 工业可靠系统 一、引言 在工业可靠性系统中，冗余技术被广泛地应用于高安全性系统设计过程，它可以有效地提高系统的可靠性，而共因失效（CCF）会导致冗余系统中一个或多个组件同时发生失效，因此是影响冗余系统可靠性的主要因素。在IEC61511（2003）中，将CCF定义为由一个共同的原因造成多通道冗余系统内的两个或两个以上冗余组件同时发生失效的事件。近几年来，针对共因失效分析的许多参数模型被提出。但是这些模型主要是以系统出现过的共因失效事件为依据而提出来的，也就是假设被分析系统的失效数据是已知的。但是，一个普遍性的问题是，对于基本参数的估计，由于特定目标系统发生过的CCF事件十分稀少，致使共因失效数据普遍不足。为了弥补这种不足，分析人员不得不借用其他同类系统的事件报告或数据，但在引用时，必须考虑提供数据的系统与要进行分析的目标系统之间的规模、设计、冗余度等差别。如果不考虑这种差别的存在，而直接把已知的共因失效数据用于要分析的系统中，将会产生严重的不确定性。它的复杂性主要是由于其它系统与目标系统的冗余组件（CCCG）的数目不同，即n≠n所造成的，因此，比较安全的共因失效数据处理方法就是，在利用数据的时候，最好使源系统数据的冗余度与目标系统的冗余度相一致，但是，实际情况是，这种要求很难得到满足，因此本文将重点讨论，在冗余组件组规模不一致情况下，如何利用贝叶斯以及影响向量的方法，对共因失效的数据进行处理。 二、理论综述 1、贝叶斯定理 对于连续分布的函数，贝叶斯定理可以以公式（1）的形式表示： （X|E） （1） 从公式（1）中我们可以看出，在进行贝叶斯分析时，需要先验分布和似然函数来建立后验分布函数，先验分布表示出X的概率分布情况，似然函数指出每一个可能的X值的概率。先验分布和似然函数需要同时使用，才能得到正确的后验分布函数。也就是说，后验分布可以通过先验分布函数和似然函数的参数来决定。 为了便于分析多种情况，本文将以常见的多种分布情况，作为可能的先验分布。如果将不同的先验分布与特定的似然函数相结合，后验分布函数就与先验分布函数具有相同的特性。 2、先验分布 大多数情况下，先验分布可以通过均值和标准差来表示，均值表示X的可能取值，方差表示数据的集中程度。先验分布函数可以准确地表示出数据的分布情况。 先验分布常见的的有三种情况： （1）项分布（Binomial distribution） 二项分布的概率值是一个连续的取值，取值范围在0到1之间，在贝叶斯分析中，一般用分布来表示。公式如下所示： B（X；，） ?x-1?（1-x）--1 （2） 它的均值和方差以下公式表示： E（X；，） （3） Var（X；，） ?x-1?e- ?x （4） （2）数分布（Exponential distribution） 在很多情况下，系统的失效行为可以用指数分布来建模，也就是说，失效率相对是稳定的，失效的时间分布一般遵循泊松过程，失效率可以用？酌分布来建模。 G（X；，） （5） 下面公式分布表示G（X；，）的均值和方差： E（X；，） （6） Var（X；，） （7） （3）威布尔分布（Weibull distribution） 在许多情况下，假设稳定的失效率并不成立，也就是说指数分布不完全正确，在这种情况下，可靠性分析时需要采用威布尔分布来反映增加或减少的失效率。 W（t；？姿，？孜） ？姿?？孜?t?e （8） 下面公式表示出威布尔分布的求平均值的公式： E（t；？姿，？孜） ？姿?？祝（1+） （9） 3、似然函数 先验分布确定之后，可以根据一定的条件更新它。这些条件必须有较广的来源，可以来自：经典的可靠性验证方法、仿真、系统中其他的操作者或者是其它相似系统的经验等。 似然函数将由以上几种条件来建立，可靠性分析中常用的两种分布为：二项式分布和泊松分布。带有权重的似然过程，可以将上述公式改变为： （X|E） （10） 三、共因失效数据处理的过程 一个综合的共因失效过程如图1所示。首先始于数据的收集。因为共因失效 是稀少事件，因此我们可以利用其它系统的数据来改进分析，但这并不意谓着把其它系统的数据简单地累加在一起。一般情