评估失效（共6篇）
评估失效 篇1
油气输送管道长时间服役后, 因外部干扰、腐蚀和施工质量及材质的原因会造成发生失效事故, 导致火灾、爆炸、中毒, 造成重大的经济损失、人员伤亡和环境污染。因而, 在事故发生后, 及时对失效模式、机理和原因进行分析和诊断, 建立相应的风险评估预案, 对于减少管道失效事故, 防止类似事故的重演具有重要的意义。
1. 油气管道失效分析
1.1 油气管道失效的分类
油气管道失效模式主要有断裂、变形、表面损伤, 其中以表面损伤为多见, 包括管道的裂纹、腐蚀坑等。表1为主要失效模式一览表。
1.2 引起埋地油气管道失效的主要因素
影响管道安全的主要因素有设计、制造、施工、腐蚀、运行管理维护、第三方破坏。设计因素主要包括管道强度的安全裕度、允许最大操作压力与实际操作压力的裕度、管道应力变化与频率、管道沉降等方面;制造因素包括管材的内部和表面缺陷、焊缝缺陷、制管偏差与质量控制;施工因素包括管道的敷设、焊接、补口、检验、回填、试压、监理、施工队伍资质等;腐蚀因素为与管内介质腐蚀性强弱和防腐措施有关的内腐蚀和与阴极保护、外防腐层质量、土壤腐蚀性、电流干扰、应力腐蚀等因素有关的外腐蚀;运行管理维护因素包括由于管理水平、技术水平、员工素质和监督机制不健全引起的错误操作带来的破坏;第三方破坏即管道附近区域人为活动造成的管道结构或性能的破坏, 主要因素有管道最小埋深、人群活动水平、公众教育状况、管道地面设施等。具体可分为以下几类:
(1) 腐蚀, 包括内腐蚀、外腐蚀和应力腐蚀开裂 (SCC) 。
(2) 管体缺陷, 包括制管缺陷和施工期间造成的缺陷。
(3) 第三方破坏。
(4) 误操作。
(5) 设备缺陷。
(6) 自然与地质灾害, 包括滑坡、泥石流、崩塌、地表沉陷等。
(7) 疲劳。
根据对国内外大量的管道事故统计资料分析, 影响管道安全的因素在形成的管道事故中所占的比例不同 (见图1) , 从中要可以看出腐蚀、第三方破坏是最主要的因素。
2. 埋地油气管道失效后果影响分析 (略)
3. 基于模糊神经网络的埋地油气管道失效分析
3.1 模糊神经网络理论
模糊系统理论自1965年由美国控制论专家L.A.Zadeh教授创立以来, 已广泛应用于许多不同的领域, 模糊神经网络 (Fuzzy Neural Network, FNN) 吸取了模糊逻辑和神经网络的优点, 避免了两者的缺点, 已经成为当今智能控制研究的热点之一。FNN在本质上就是将常规的神经网络 (如前向反馈神经网络, Hopfield神经网络) 赋予模糊输入信号和模糊权值。
3.2 基于模糊神经网络的埋地油气管道失效分析
我们将埋地输油管道失效后果的主要影响因素作为模糊神经网络的输入参数, 将某管道公司的直接经济损失作为模糊神经网络的输出参数。由于缺乏埋地输油管道失效后果的实际数据, 根据失效后果计算公式, 对于社会及公众的危害, 采用定性评分的方法, 对于管道公司的直接经济损失, 根据3.2节的方法 (式 (1) ~ (3) ) , 构造14个输入样本和输出样本, 如表2~3所示。假设管道修复费用为5, 000元, 不考虑管道公司的市值损失和无形资产损失。
根据模糊理论, 对输入参数进行模糊划分, 每个输入参数有5个语言变量, 并对定性输入参数进行离散化处理, 如表4所示。
由于样本数据变化较大, 故先对样本数据进行归一化处理, 将处理后的11个参数作为模糊神经网络的输入, 则模糊规则数有511个, 若全部采用, 则网络规模将会非常庞大, 降低网络的学习速度, 本文采用K-means方法对样本聚类, 得到有效模糊规则数为7个, 构造一个11×55×55×7×2的5层正规化模糊神经网络, 利用构造的前12个输入输出样本对模糊神经网络进行训练, 然后利用训练好的模糊神经网络进行预测, 预测结果如表5所示。
从表5中可以看出, 正规化模糊神经网络的预测精度较高, 最大相对误差为2.83%, 满足工程应用的要求, 因此, 利用模糊神经网络预测埋地输油管道的失效后果是可行的。
4. 结论
通过对埋地油气管道失效性分析, 探讨了失效模式和影响因素, 并对失效后产生后果的主要影响因素进行了分析, 最后根据实例, 利用模糊神经网络预测埋地输油管道的失效后果进行了模糊评估, 验证了该方法的可行性。结论可知, 与实际效果是基本可行的, 从而可以为其后进行油气管道失效后的风险评价, 并制定相应的防范预案提供一种良好的途径。
评估失效 篇2
随着网络信息技术的发展,采用无线网络通信技术进行数据传输和信号通信成为未来保密通信传输的重点发展趋势,在无线网络通信中,由于网络的自组织特征和分布性特点,导致网络容易遭到外界非法入侵和攻击,产生网络失效和通信中断。无线网络采用以太网接口支持网关以10 Mb/s,100 Mb/s自适应信号传输和通信数据调度,这一过程中由于受到网络的攻击,导致网络失效,需要通过网络中节点的可通信性能评估方法,实现对网络通信系统的优化设计,提高网络的安全性能,研究相关的系统设计方法受到人们的重视。
传统方法中,对失效网络中节点的通信性能优化评估方法有基于BP神经网络控制的失效网络中节点自组织定位方法、基于RS 232接口调试和VIX总线数据调度的通信性能评估和系统设计方法、基于嵌入式网关ARM处理的无线网络通信系统设计方法等[1,2,3],上述方法在进行无线网络的通信系统设计过程中,由于没有采用失效节点的优化定位模块设计,导致在网络遭到入侵的情况下对失效节点的评估性能不好,网络的安全性和鲁棒性不佳。对此,相关文献进行了系统的改进设计,其中,文献[4]提出一种基于三端线性稳压控制的失效网络节点通信性能评估模型,进行了无线网络通信系统的优化设计,提高了网络传输的吞吐量,导致该设计方法需要的存储开销过大,系统的集成度不高,性能不好。文献[5]提出一种基于频谱混叠分离的失效网络中节点可通信性能评估方法,对网络系统中的抽样信号进行频谱混叠失真抑制处理,实现对失效网络节点的准确定位和挖掘,在此基础上进行通信系统优化设计,提高了系统的安全性和兼容性,但是该系统在混叠谱处存在零点的时候,符号间隔均衡器将放大该频率点处的噪声,影响通信的信道均衡性[6]。针对上述问题,本文提出一种基于VXI总线交互式动态配置的失效网络中节点可通信性能评估系统设计方法,构建无线网络的实体对象模型,进行通信系统的总体设计,采用分数间隔均衡匹配滤波检测方法进行网络失效节点的检测设计,提高网络的抗干扰性能,在此基础上对失效网络中节点定位模块进行硬件电路设计,实现了失效网络中节点可通信性能评估。最后通过仿真实验进行了性能验证,展示了本文设计系统的优越性能。
1 无线网络通信的实体对象模型及系统总体设计描述
1.1 无线网络通信的实体对象模型
为了实现对失效网络中节点可通信性能评估,进行无线网络通信系统的优化设计,首先需要构建无线网络通信的实体对象模型。无线通信网络包括4类基本实体对象:目标、观测节点、信道均衡模块和数据感知节点,通过远程任务管理单元构建自组织网络结构[7,8,9,10]。传感节点与观测节点进行交互,获取无线通信网络感兴趣的对象及其属性。网络通过观测节点发布查询请求,部署在监测区域的应用支撑层采用异构节点组成,实现远程访问和网络查询、管理。无线通信网络的体系结构设计如图1所示。
无线通信网络应用支撑层、网络基础设施和网络应用业务层构成了无线通信网络的实体模型结构。网络适配层部署在无线通信网络节点中,完成无线通信网络接入服务。配置中间件完成无线通信网络的各种配置工作,例如路由配置,拓扑结构的调整等。无线通信网络中间件和平台软件采用层次化、模块化的自组织网络技术,提高了无线通信网络数据管理能力。无线通信网络中的节点数目众多,在受到网络攻击的时候,容易导致通信节点失效,由于节点高密度部署,网络需要根据用户通信协议层进行节点定位,在链路层、网络层、传输层中进行数据传输和通信的移动性管理和任务管理。无线通信网络的传输介质可以是无线、红外或者光介质。数据链路层通过媒体访问控制(MAC)层协议提供有效的通信链路,在网络发送节点和接收节点之间进行路由设计。文件级CDP工作在代理端,数据链路层标记数据并发送到原CDP系统模型中,进行通信系统的功能切换和数据存储及组织管理。
无线通信网络系统通过应用感知技术对数据进行监控,EBRS(Event Based CDP Restore System)是以原CDP系统模型为基础,插入事件标签来完成数据的一致性控制,进行失效网络中节点的可通信能力评估,并对日志进行存储和管理。综上分析,得到无线网络通信的实体对象模型框图描述如图2所示。
1.2 无线网络通信系统的总体设计描述
在上述构建的无线通信网络总体结构模型设计的基础上,进行无线网络通信系统设计,无线网络通信系统的总体结构模型由下面几个部分组成:
(1)计算元件(CE):代表无线通信网络网格的计算资源。
(2)存储元件(SE):对原始通信数据进行特征采集,对本地信息进行UNIX内核的写入。
(3)MANTIS OS调度器(RB):获取足够的堆栈空间,根据选择的任务进行动态重编程,内核使用事件驱动,分配给每个任务适当的站点。
副本管理器在无线通信网络系统设计中,为了满足网络失效状态下的程序动态下载功能,对每个节点进行程序与服务的动态加载,控制数据的传输,设计事件驱动机制,为访问副本目录在内核中提供可装载程序。
根据上述总体设计方案,在Tiny OS的体系结构的基础上构建无线通信网络系统,采用嵌入式无线通信网络设计方法,系统由一个调度器和EBRS Server组件组成。通过Time Marker构建硬件抽象组件。Tiny OS的组件层次采用网络协议栈负责数据打包和路由的分发,在无线通信网络系统中,失效网络节点的路由和传输数据的资源体系结构如图3所示。
图3中,Tiny OS组件库通过NCC编译器的编译进行软件设计,为了保证每一个节点的通信性能,调用runNext Task(TRUE)进行task或者post关键词声明,自动完成连线工作,通过Task Basic的接口定义,进行Task Basic接口的通信协议设计和调度,得到无线通信网络nes C编译的调度程序如下:
根据上述接口程序设计,基于VXI总线交互式动态配置方法,运行Run Task事件进入无限循环任务,实现无线通信网络的均衡滤波处理,提高通信网络的信道均衡性能。综上分析,得到本文设计的无线网络通信系统的Tiny OS通信架构如图4所示。
在上述进行了系统的实体模型分析和系统总体设计的基础上,进行系统的模块化设计和软件设计,为实现失效网络节点的可通信性能评估提供模型基础。
2 系统的硬件设计与实现
2.1 无线通信网络系统的通信信道均衡器设计
构建无线网络的实体对象模型,进行通信系统的总体设计描述,采用分数间隔均衡匹配滤波检测方法进行网络失效节点的检测设计,提高网络的抗干扰性能,在此基础上对失效网络中节点定位模块进行硬件电路设计,为了提高无线通信网络的抗干扰性能,避免网络攻击带来的节点失效,首先进行信道均衡滤波处理,设计自适应均衡器进行无线网络通信的信道均衡,基于VXI总线交互式动态配置,得到滤波器框图描述如图5所示。
均衡器通常是用滤波器来实现的,使用滤波器来滤除因为网络节点失效带来的失真脉冲。自适应均衡器一般包含两种工作模式,即训练模式和跟踪模式。在本文设计中,采用训练模式进行幅度均衡,对失效网络节点的通信信道进行自适应均衡,设计相位均衡器,用以校正相-频特性,得到失效节点的时延-频率特性结果。在信道均衡过程中,自适应算法所采用的最优准则有最小均方误差(LMS)准则,在动态调整滤波器的阶数的时候补偿信道的深度零点,实现对失效网络的恶劣信道判决,提高节点的横向均衡性能,无线网络信道均衡算法设计过程描述如下:
(1)设置参数
L为抽头参量(即滤波器长度);m为非平稳性迭代步长,0<m<2(LSmax),其中Smax是抽头输入x(n)的平方误差。
(2)初始化系数设置
通常,令权重系数ŵ(0)=0。
(3)计算方程及递推公式
增益向量矢量为:
在n时刻均衡器的收敛速度为L×1抽头输入向量。
计算时变系统的跟踪速度ŵ(n+1):n+1时刻抽头权向量估计对n=0,1,2,⋯,得到自适应信道均衡的递推公式为:
在上述算法设计和框图设计的基础上,采用总线模块,结合SCPI驱动仪器,得到本文设计的无线通信网络的失效网络节点通信信道均衡器的硬件电路如图6所示。
2.2 失效网络中节点可通信性能评估控制器设计
在上述均衡器模块设计的基础上,进行失效网络节点的通信性能评估的控制器设计,主控制器是整个系统的核心,为了达到高性能、低功耗网络通信控制的目的,采用以ARM920T为核心的32位RISC微处理器构建失效网络中节点可通信性能评估控制器电路。无线通信系统的供电电压为DC 3.3 V和1.25 V,为了减小杂波干扰,在LM1117芯片加上128 MB的FLASH芯片进行信号存储和波形抑制,对ARM处理器和无线通信网络模块进行Linux内核映像处理,使用前面提到的调度和网络节点定位策略,采用层次化的网格结构进行通信性能的评估,对连通性差的节点定位调制。在此基础上,采用2片SDRAM芯片UART0并联构建32位的Cross BowRAM存储器,失效网络中节点可通信性能评估控制器的电路设计图如图7所示。
由图7可知,失效网络中节点可通信性能评估控制器的电路集成有LCD控制器,另接DM9000网络变压器,进行以太网通信的接口电路的串口通信,在Linux操作系统中进行时序信号分析和数据显示,实现对失效网络节点的可通信性能的评估和网络通信优化设计。
3 系统仿真实验与性能测试
为了测试本文设计的无线通信网络系统在网络失效时节点的可通信性能优化控制和评估中的应用,进行仿真实验。实验中,系统软件的开发平台采用开放源码的Linux操作系统,系统主程序的编写采用Linux内置TCP/IP协议设计并实现数据通信,失效网络节点从telos B节点到本机TCP端口的转发过程中以fpacket.cpp为数据包写入指定长度的数据,读写进程之间采用TCPComm类函数完成控制程序的加载,系统仿真的软件实现流程如图8所示。
根据上述仿真环境和参数设定,进行失效网络节点的通信性能测试和评估,通过Internet/Intranet对通信数据进行实时监测和采样,得到失效网络节点通信数据的时域采样波形如图9所示。
根据上述对失效网络节点的通信数据采样,以此为训练集,进行通信性能评估,以节点通信的误码率和吞吐性能为测试指标,得到仿真结果如图10所示,从图10可知,采用该设计方法进行失效网络中节点可通信性能评估,能提高网络的抗干扰性能,节点通信的误码率降低到最小,提高网络数据传输的吞吐量,提高网络安全性,展示了较好的应用价值。
4 结语
评估失效 篇3
电压暂降因其给用户和社会经济造成的巨大损失[1,2]已被国内外专家认为是最严重的电能质量问题。采取有效措施,降低损失的关键在于准确评估电压暂降可能引起的敏感负荷失效率。为此,国内外开展了大量研究[3,4,5,6,7,8]。
现有方法着重对负荷故障概率或频次进行研究,主要包括:实测统计法[4]、概率评估法[6,7]和模糊评估法[8]。实测法通过实际测量判定负荷状态,监测时间长且成本高,难以广泛采用;概率评估法和模糊评估法分别从因果律和排他律缺失的角度,根据样本建立负荷电压耐受能力的随机和模糊评估模型,具有预测性和推广性,已受到国内外重视。学者Milanovic提出用划分敏感度等级的方法确定耐受能力分布[6],但等级划分和概率密度函数选取带有主观性,不同的假设对结果影响很大;文献[7]和文献[8]分别用最大熵方法和最佳平方逼近法得出负荷失效的概率;文献[9]利用模糊变量描述负荷耐受能力特性,提出了敏感度评估的随机模糊方法。上述方法中的评估指标大多仍然采用负荷故障或中断指标,而实际中往往因非正常运行所造成的损失更大[10],因此本文以失效率作为评估指标更具合理性。
此外,实际评估中,样本或资料的不足将导致传统统计分析法不能对负荷运行环境或状态进行有效估计。文献[4-10]以点值概率来度量负荷的失效可能性,未考虑到实际中由于已知信息的不足难以得到负荷点值失效率。本文基于可靠性原理,提出区间概率评估方法,用区间概率代替现有点值概率,更好地反映实际情况。
区间概率同时具有清晰事件和模糊概率的特性,主要由概率密度函数的模糊性引起,属第二类随机模糊问题[11]。本文对敏感负荷电压暂降失效率评估的区间密度函数、区间概率随机变量及其分布函数等进行了研究,并以PC机为例,用作者所在实验室实际试验获得的样本数据进行仿真,获得PC机的电压耐受能力区间概率分布函数,并以IEEE-30节点标准测试系统随机产生电压暂降,仿真结果与随机评估方法进行比较,证明本文方法更符合实际。
1 敏感负荷电压暂降区间概率评估原理
引入区间概率、区间概率密度函数、区间概率随机变量及分布函数定义[11,12]:
定义1:n个实数区间[Li,Ui],i=1,2,…,n,若满足:0≤Li≤Ui≤1,i=1,2,…,n,则可用来描述概率空间中基本事件相应的概率,称[Li,Ui]为事件的区间概率。
定义2:设ξ是随机变量,f(x)是ξ的概率密度函数,I(x)=[I1(x),I2(x)]是ξ取值范围的区间值函数,且I(x)≥0,f(x)∈I(x),则称I(x)是ξ的区间概率密度函数,简称IPD(Interval Probability Density)函数,ξ为具有区间密度的区间概率随机变量。
由于概率密度函数f(x)满足:
如有:
称I(x)为ξ上合理的IPD函数。
实际中,事件概率值大于1没有意义,因而(2)中区间概率应取1为上限,即
定义3:设ξ是区间概率随机变量,I(x)是ξ上合理的IPD函数,假设ξ的分布函数可表示为:
式中,F(x)称为ξ的区间值分布函数。本文中为便于区别,概率密度函数和分布函数特指点值函数。
以失效率为负荷敏感度测度函数,考虑了负荷在电压暂降时可能的多种运行状态,能更好反映电压暂降对负荷造成的影响。负荷电压耐受曲线(voltage tolerance curve,VTC)具有不确定性及矩形特征[6],如图1所示。其中A为正常运行区域;B为故障区域;C为不确定性区域。因此,确定VTC在不确定性区域内的分布规律是进行准确评估的关键。在样本数较小,数据不充分,耐受能力概率分布函数不能完全确定的情况下,用区间概率分布函数来描述其分布规律,进一步得到失效率的区间概率值,更具有实际意义。
以U、T分别代表敏感负荷电压暂降耐受能力在不确定区域内的电压幅值和持续时间。VTC区间分布函数可通过求取置信区间的方法来确定。以电压暂降幅值为例,求解具体步骤如下:
1)根据实测数据,利用最大熵方法[7],得出电压暂降幅值概率密度函数和分布函数为
2)对任取的U0∈[Umin,Umax],事件U≤U0(下文用事件X表示)发生的概率可看作是0-1分布[13]。X满足:
3)由0-1分布区间估计方法[13],可得:
式中:n为样本总数;u1-α/2为置信度1-α对应的标准正态分布随机变量取值。由式(5)、(6)求解不等式可得Fu1(U0)
4)对[Umin,Umax]内每一个U0求解,得到负荷电压暂降幅值耐受能力区间概率分布函数[11]。由于最大熵方法本身精度较高,相应置信度可设置较小,获得的区间估计也能够很好地覆盖真值。本文通过仿真试验表明,置信度为60%~80%能完全包括真值。
图2为电压暂降幅值耐受能力区间概率分布函数示意图。由图可知,与点值概率函数不同,F(U=0.46)表示电压耐受能力曲线出现在U≤0.46区域内的概率为[0,a]。由于考虑了试验统计误差,得出的区间值结果比点值更具可信度[14]。同样,F(U=0.63)表示电压耐受能力曲线出现在U≤0.63区域内的概率为[b,1]。
同理可得电压暂降持续时间耐受能力区间概率分布函数。
2 区间概率评估模型与算法
根据可靠性设计中的应力强度干涉理论,当系统产生的电压暂降强度大于设备耐受能力时,设备处于失效状态[15]。考虑U和T的独立性[6],负荷故障概率p评估模型为:
其中:
式中:fsu(U)和fst(T)为系统产生电压暂降幅值和持续时间概率密度函数;fu(U)和ft(T)为负荷电压暂降幅值耐受能力和持续时间耐受能力概率密度函数,Fu(U)和Ft(T)为其分布函数。
根据网络拓扑结构、线路故障点分布和故障率等参数,由最大熵原理得出负荷处电压暂降幅值U的概率密度函数fsu(U)。电压暂降持续时间主要取决于系统保护的整定值[16],考虑到保护动作时操作机构动作时间误差的影响,可以认为T服从参数为(μt,σt)的正态分布[9,17],即:
式中,μt和σt分别为T的均值和方差。本文测试中由T的分布范围,根据3σ原则可得出μt及σt的值[9]。
应用上节方法,得出负荷VTC区间概率分布函数:
结合式(7)、(8)、(9)、(10)以及fsu(U),分别得出随机变量U和T的概率:
其中:
根据区间运算乘法公式,得到负荷失效率区间概率
3 区间概率评估方法
基于上述评估模型和算法,敏感负荷电压暂降区间失效率评估过程如下,流程如图3。
1)根据实验测得敏感负荷耐受能力样本值,利用最大熵方法求得耐受能力点值概率分布函数。
2)将点值分布函数样本观测值代入式(5)、(6),求得其区间概率分布函数。
3)由系统侧电压暂降评估方法,得出敏感负荷供电母线处系统电压暂降概率密度函数。
4)根据可靠性评估原理,将负荷耐受能力区间分布函数和系统电压暂降概率密度函数代入式(8)和式(9)中,结合式(12)、(13)及式(18)得到负荷失效率区间概率,以此表示负荷的敏感程度。
4 仿真分析
本文以IEEE-30节点标准测试系统[18]为例(图4),并以PC机作敏感负荷接入系统仿真。
该系统有30条母线、41条线路,PC机连接到母线29上。为简化计算,任意选取一条线路并随机产生三相短路故障。假设线路上共发生40次故障,且故障点位置服从均匀分布。根据电压暂降幅值的解析算法,得到不同故障点位置对应母线29上暂降幅值样本数据,以此得出概率密度函数fsu(u)。电压暂降持续时间的概率密度函数fst(t)由式(10)得到。
在PC机测试试验中,利用电能质量扰动源(6100A)产生电压暂降,经功率放大器放大后接至PC机。所用PC机为普通商用机型,结构和性能与一般常用PC机相同,能作为PC机的典型测试实例,其具体型号及参数如表1。实测得到PC机对电压暂降幅值和持续时间耐受能力60组样本。由第3节提出的方法,得出耐受能力区间概率分布函数,如图5、6所示。
由图6可知,暂降时间耐受能力有两个峰值(对应分布函数中斜率最大的区域),分别出现在100 ms和190 ms前后。这是由于PC机分别在低CPU使用率状态和满CPU使用率状态下测试,两种不同运行状态对应不同的电压暂降时间耐受能力峰值。
本文选择不同的故障线路和主保护动作时间,以分析电压暂降分布特征量改变引起设备失效率的变化规律。将失效率区间评估结果,与点值随机评估比较,结果如表2。其中μu表示当线路发生故障时,母线29上产生的电压暂降样本均值。由表2知,点值评估方法得出的失效率都落在区间失效率内,而区间值不仅能反映出失效率的精确程度,而且将可能出现的误差考虑进去,能更好地反映耐受能力的不确定性,比一个单独的点值更为可信。此外,供电点处电压暂降特征量发生变化时,敏感设备失效率也会发生变化。电压暂降幅值偏小时,负荷失效率增大;持续时间偏小时,负荷失效率减小,正确反映了系统扰动对敏感设备的影响。除PC机外,该方法也可用于评估其他类型敏感负荷的电压暂降敏感度。
5 结论
采用区间概率函数描述敏感设备在不确定区域内电压暂降耐受能力,考虑了样本资料不完备及统计中的误差,更好地表现了设备敏感性的真实程度。
与点值评估方法得出的结果比较,失效率的区间值更能反映实际情况,且能很好地覆盖评估点值,并且区间范围不大,说明本文方法正确反映了系统暂降特征和敏感设备耐受能力对设备敏感度的影响。
摘要：敏感负荷电压耐受能力分布规律具有不确定性,现有基于确定的点值估计法在实际样本较少时难以得出准确结果。提出估计敏感负荷电压耐受能力不确定性分布的区间概率评估法,用区间概率分布描述负荷耐受能力的不确定性,得出设备失效可能性区间概率值。利用实验测得的PC机电压耐受能力样本,以IEEE-30节点系统为例进行仿真,证明该方法较点值评估法更好地反映了实际情况,结果可信度和精确性较高,可应用于工程实际。
评估失效 篇4
关键词：软件可靠性,失效数据,评估,分析工具
随着现代经济发展的节奏不断加快,对信息技术产业的发展要求也不断提高,现代计算机软件的应用过程中,传统的计算机软件已经不能够满足当前社会发展的需求,因此需要开发出更多、更好的计算机软件,以便不断改进和完善软件工程中出现的不足。对于衡量和判断软件质量的指标,最为重要的是软件的可靠性。通过从国内外的多项统计报告中分析可知,各类计算机系统出现故障的主要原因都是由于软件发生错误,而其中软件故障的概率占到了计算机系统整体的65%。因此,为了切实改善和提高软件的使用质量和可靠性,需要规范对软件质量的管理。另外,在对计算机软件进行评估的工作中,不可缺少软件测试的环节,其中最为关键的步骤和流程是对软件可靠性的测试。但是,在一般情况下,还需要考虑到计算机系统实际运行的情况,以便满足计算机用户的工作需求。
1 软件可靠性的理论概述
1.1 软件可靠性的概念
通常情况下,软件可靠性是指在规定的条件下、规定的时间范围内,计算机软件产品完成所设定的功能和工作的能力。其中,所谓的规定条件,即指在计算机系统中能够满足直接应用该软件产品或者是各个软件能够相互联系运行应用的系统状态和输入条件,也称之为软件运行时所需的外部条件。所谓的规定时间,即指计算机系统中的软件实际运行的时间长度。所谓的规定功能,即指该软件能够满足使用者所需要的特定服务,这是软件产品应当具有的功能。
1.2 软件可靠性的特征量
软件可靠性特征量,也称之为软件可靠性度量,主要是指对软件产品的可靠性程度进行定量的分析和评价,通常是从用户的角度出发来设定产品的可靠性参数,而其参数一般需要结合几个软件可靠性变量来作为参考。但是,对于不同的计算机软件,由于其实际的作用不同,所以对其设定的可靠性参数也会有所差别。
2 软件可靠性的模型
在软件可靠性的评估过程中,最为关键的是软件可靠性模型。然而,在一般的工程应用中,大致采用的是可靠性结构模型和可靠性预计模型两大类型。其中,可靠性结构模型主要是通过利用对软件可靠性的特征及其变化规律来反映出计算机系统中存在的数学方程;可靠性预计模型主要是通过可靠性特征来分析软件失效与错误的联系,并对其作出相应的预计和评估,以此来反映两者关系的数学方程。
3 基于失效数据的软件可靠性评估
进行软件可靠性分析和评估的基础和前提是收集到软件的失效数据,其在整个计算机软件可靠性评估过程中的作用是至关重要的。同时,判别软件可靠性模型的假设是否存在合理性,也需要通过软件失效数据来对此进行验证;对于软件可靠性模型的设定是否精准,以及其测算的数据结果是否精确等,都是通过对软件失效数据来进行检测的。此外,由于对软件可靠性的评估是建立在可靠性增长模型的基础上的,所以需要通过利用已经收集和分析好的软件失效数据来构建增长模型。同时,还要结合利用软件可靠性评估方法,并且依据一定的原则来对软件评估的模型进行质量分析。
通过对不同的失效数据集进行分析和探讨可以发现,现实描述中的失效数据曲线图通常不是按照某个特定的轨迹和原则来绘制的,而其曲线的波动却是比较明显的。但正是由于这一因素的存在,制约了软件可靠性模型的建立和选取。通常情况下,通过对软件的失效数据采用不完整数据的处理方法,即对其进行预处理,结合在实际过程中的假设模型,来判断失效数据的分布情况,并以此获取的数据集来逐层分解,以便降低软件可靠性参数在估算过程中的失误率,从而实现提高软件可靠性评估准确性的目的。
另一方面,通过采用趋势分析方法可以有效地测试出计算机系统的可靠性程度,而该测试的方法主要有图形测试和分析测试两种类型。
4 软件可靠性分析工具SRAT的设计及实现
在对软件可靠性进行分析时,都需要采用一种分析工具来处理、整合所收集到的失效数据,并根据实际的需求选取出合适的模型,来辅助完成对软件可靠性评估、分析的工作。为此,需要设计出一套对软件可靠性评估的工具。而对于该工具的具体设计情况如下:(1)首先,需要依据软件可靠性的基本概念来选择适合其运行的操作系统,以此来实现数据界面的联结。(2)其次,用户通过将之前所有的数据录入到电脑的数据库中,再利用数据库的导入功能来将其转移到计算机的系统中,以此来为以后的软件可靠性评估提供理论依据。(3)接着,计算机系统将导入的数据,按照系统程序中的相关算法来进行计算、整合、转换,并结合相应的数据模型来实现对软件可靠性的预测。(4)最后,经过一系列的步骤之后,将得到的预测结果以及对其的评估结果展示给相关的软件工作人员。
5 结语
随着现代社会信息化程度的不断深化,软件工程的项目变得越来越多,软件管理工作的难度也进一步加大。该文从软件可靠性的基本理论出发,构建出一个系统、完整,且全面的计算机软件可靠性的评估框架,并且在该理论框架下设计和开发出了一套对软件可靠性评估的工具。具体来说,首先,需要收集所有相关的数据资料,利用其中的失效数据来实现对计算机软件的基础管理功能,并且将经过预先处理和分析过的失效数据,结合可靠性模型的假设来估计出该模型的相关参数。其次,在对该模型的相关参数进行估算后,结合一定的计算方法和分析原则,并根据计算结果进一步确保模型参数值的可靠性和合理性。此外,由于在实际数据收集和整理的过程中,对于具体的失效数据的准确判断存在一定的困难,为此,其所采取的分析方法和计算公式可能存在偏差,最终影响了对软件可靠性的评估结果。综上所述,虽然该文设计和实现了软件可靠性评估工具,但是在实际的应用中仍然存在不足之处,还需要更多的学者来其进行改善和探索。
参考文献
[1]林睦炎.基于失效数据的软件可靠性模型的选择与预测研究及实现[D].昆明理工大学,2013.
评估失效 篇5
继电保护作为电力系统的第一道防线, 其自身的高可靠性是电力系统正常运行的基本保证[1,2]。目前对于继电保护的可靠性评估主要从保护的原理失效、软硬件失效、人为因素等角度出发进行分类分析[3,4]。常用的评估方法如Markov模型法[5]、故障树法[6]、GO法[7]及可靠性工程数据分析方法[8]等对于失效数据量都有一定要求。微机保护和全数字化保护系统的应用极大提高了继电保护运行的可靠性, 极少的运行失效数据也给保护可靠性评估增加了难度。在高可靠性继电保护系统中直接应用上述方法, 可能会出现较大误差, 难以正确反映保护的实际运行状况, 若作为检修及改进设计的依据可能会造成更大损失。本文基于保护系统实际运行数据, 针对高可靠性继电保护系统特性, 研究适用于小样本失效数据的可靠性评估方法, 在反映保护系统各种失效模式的同时有利于进一步提高评估的精度。
对于继电保护小样本数据的可靠性评估, 可从扩大样本容量和采用适合小样本数据的分析方法两方面着手。目前, 国内外已开展了一系列适合小样本的分析方法研究, 如文献[9]提出一种贝叶斯方法, 可结合小样本下多种来源、多种形式的先验信息, 得到较完整的后验信息, 不需很大的子样也能得到较好的概率估计值。但在贝叶斯统计推断方法中, 不同形式的验前分布将引起不同的统计分析后果, 对于贝叶斯估计将产生不同的风险。而且由于继电保护运行的特殊性, 其先验信息非常少, 这也给评估带来很大难度。文献[10]利用Bootstrap方法将小样本问题转化为大样本问题来估计负荷模型参数的近似分布, 该方法对于经验分布的选取和样本数量的大小存在一定依赖。文献[11]通过实例说明了小子样下Bootstrap方法仿真可能带来很大偏差。文献[12]对蒙特卡罗方法进行了阐述, 该方法是基于概率统计理论的一种随机抽样方法, 比较简单且容易实现, 但方法的有效性取决于所建立的数学模型及输入信息。加之以上方法对于原始数据的分布模型有较大依赖, 若选取的分布模型有误, 可能无法进行正确、有效的后续评估。根据小样本数据无法确定可靠性数据的分布模型, 也成为影响可靠性评估效果的重要因素。此外, 支持向量机 (SVM) 理论在小样本数据的回归估计和可靠预测等研究中也得到越来越多的应用, 它是一种基于结构风险最小化原则的机器学习方法, 在解决小样本情况下的回归问题方面展现了良好的学习性能。例如文献[13]采用SVM回归代替最小二乘法进行数据拟合, 进而通过威布尔分布进行可靠性分析, 在小样本数据情况下, 得到了较好的曲线拟合结果。但SVM对噪声或野值敏感的问题仍待进一步解决, 其用于继电保护可靠性分析时, 需要考虑小样本数据存在的分散性、核函数选取对SVM方法回归精度和泛化能力的影响。神经网络具有较好的自学习、自组织和自适应性能力, 且其结构特征决定了它具有较强的容错能力, 允许输入样本中带有较大的误差甚至个别错误, 对于扩充数据样本能够实现较好的仿真[14], 有利于减小本文所提方法的误差。
综上, 结合高可靠性继电保护系统运行的特点, 提出一种基于BP神经网络的小样本失效数据下继电保护可靠性评估方法。该方法通过已有的小样本失效数据, 根据经验公式计算其可靠度作为BP神经网络的输入, 将失效数据作为输出, 对BP神经网络进行学习训练, 并用训练后的模型对小样本数据进行扩充。利用扩充的数据样本进行可靠性评估, 较好地解决了分布模型的选取问题, 且能有效提高评估效果和精度, 为解决小样本数据下继电保护系统可靠性评估提供了新的思路。
1 继电保护可靠性分布模型
对于继电保护装置的可靠性评估, 目前采用的失效分布模型主要包括指数分布模型和威布尔分布模型等连续型分布模型。
指数分布可分为单参数指数分布和双参数指数分布, 双参数指数分布比单参数指数分布多一个位置参数γ, 下面给出其分布函数。
故障概率密度函数:
可靠度函数:
其中, t为时间;λ为指数分布的失效率, 是一个与时间无关的常数, 可用来描述设备的偶然失效, 对应“浴盆曲线”的盆底段;位置参数γ表示分布函数的起始时刻。
威布尔分布近年来在可靠性设备寿命分析中得到了广泛应用, 它对各种类型的数据拟合能力较强, 可较全面地描述产品不同失效期的失效过程与特征。且当威布尔分布的形状参数m=1时, 它退化为指数分布;当参数m[3, 4]时, 其分布接近于正态分布。威布尔分布有两参数威布尔分布和三参数威布尔分布, 这2种分布在失效率函数、故障概率密度函数、可靠度函数等方面具有相似性。一般在可靠性分析过程中两参数威布尔分布模型应用较多, 下面给出其函数[15]。
故障概率密度函数:
失效率函数:
可靠度函数:
其中, t为时间;m为形状参数;η为刻度参数。
由于在继电保护可靠性评估过程中, 选取的设备失效分布模型在很大程度上决定了评估效果[16], 因此有必要科学地确定其失效分布模型。对于小样本失效数据, 由于其特征不明显, 不论采用指数分布还是威布尔分布都能得到较好的拟合结果[17], 却可能无法真实反映继电保护失效本身的特性。本文在扩充失效样本的基础上通过最小二乘法拟合中的相关系数区分和确定哪种分布更适合待分析继电保护系统的失效特征。
2 BP神经网络模型
2.1 神经网络原理
神经网络是对人的神经系统的模拟, 由于BP神经网络具有较好的函数逼近能力[18,19], 本文采用BP神经网络对高可靠性继电保护小样本失效数据进行模拟仿真完成数据扩充。
BP神经网络基本结构见图1。BP神经网络由输入层、隐层和输出层构成, 每个神经元将加权后的输入与阈值 (偏移) 向量代数求和后得到各自的输出。
利用BP神经网络仿真主要分为以下几个步骤。
a.构造网络模型, 包括确定输入/输出数据形式、网络层次及传递函数形式。
b.网络学习训练, 确定权系数和阈值参数。
c.利用网络进行仿真。
2.2 BP神经网络模型及学习训练
BP神经网络的传递函数必须可微, 为了尽量减少仿真误差, 本文采用2层模型, 输入层神经元采用log-sigmoid型传递函数logsig, 输出层采用线性传递函数purelin。
BP神经网络的训练利用误差反传原理, 不断调整网络的权值使网络模型输出值与已知的训练样本输出值之间的误差平方和达到最小或小于某一期望值。本文采用梯度下降动量BP算法进行BP神经网络的学习训练, 该算法的学习速率是自适应的, 且网络训练误差较小, 能得到较好的数据仿真结果。
3 基于BP神经网络的继电保护可靠性评估
BP神经网络方法用于小样本数据的可靠性评估, 一方面能减小对分布模型的依赖, 从而达到减小评估误差和不确定性的效果;另一方面可通过扩大数据样本更准确地判别分布模型。基于BP神经网络的可靠性评估过程如图2所示。
3.1 基于BP神经网络的继电保护可靠性数据样本扩充
设有N台继电保护装置的失效数据t1、t2、…、tr (r
在未知数据样本的分布模型的情况下, 可以通过经验分布函数估计出经验可靠度作为BP神经网络的输入。但经验分布函数在样本容量较小时会有较大的计算误差, 为减小误差, 在小样本情况下, 可采用下列公式计算经验可靠度[14]。
海森公式:
近似中位秩公式:
数学期望公式:
式 (6) — (8) 各有其适用性, 对不同分布模型的参数估计, 其误差不同。因此有必要在使用经验公式时对其进行误差校验, 力求挑选出最适合数据样本分布模型的经验公式, 以减小评估误差, 提高评估效果。本文将通过算例说明当分布模型选取为威布尔模型时, 近似中位秩公式误差最小;当分布模型选取为指数分布时, 数学期望公式误差最小。
对于原始小样本失效数据, 按经验公式可计算出其对应的可靠度值R (ti) , 并将向量{R (t1) , R (t2) , …, R (tr) }作为BP神经网络的输入, 将{t1, t2, …, tr}作为BP神经网络的输出, 对BP神经网络进行学习训练, 以优化确定网络内部的结构参数, 即权参数和阈值参数, 一旦参数得到确定, 即可应用该网络模拟生成新的可靠性数据。训练样本少会对BP神经网络的训练产生一定影响, 因此本文未直接使用BP神经网络对可靠度或失效时间等指标进行预测, 而是首先针对原始数据样本, 利用BP神经网络仿真得到与原始数据样本变化规律近似的扩充数据, 然后采用基于最小二乘法的威布尔分布模型进行参数估计, 较直接进行可靠性指标计算而言, 拟合误差要小。
由BP神经网络的特性可知, 网络模拟生成的新的可靠性数据与原始数据有近似的规律和特性, 且样本量的扩大减小了偶然因素, 一定程度上避免了因对分布模型的依赖而造成的误差, 甚至错误评估。
3.2 基于扩充数据样本的保护可靠性评估
由于BP神经网络仿真模拟生成的扩充数据样本与原始数据样本具有相同的变化规律, 可利用BP神经网络模拟生成的可靠性数据及其对应的可靠度, 分别对指数分布和威布尔分布模型进行最小二乘法参数估计, 计算出各模型的参数值;并根据最小二乘法的相关系数ρ确定扩大的数据样本的分布模型, 即相关系数ρ的绝对值越接近于1, 这组数据越符合该分布模型。
通过比较指数分布和威布尔分布模型的相关系数ρ的绝对值与1的接近程度, 对该样本数据的分布模型进行区分和确定, 解决了因数据样本少而无法选择最适合的分布模型的问题, 也间接提高了参数估计的精度。
确定分布模型并得到各参数后, 即可利用第1节所示各分布模型的可靠度函数计算可靠性指标。
4 算例分析
选取某一型号的继电保护装置50台, 在同样的操作水平和工况下, 记录它们各自的投入运行时间和发生故障的时间, 如表1所示, 选取装置最后的故障时刻2007-12-25T09-00为截止时刻。
将正确动作的数据滤除, 然后按照设备运行的时间长短排序得到失效数据样本, 即:t1=4 399 h, t2=5 862 h, t3=9 582 h, t4=9 606 h, t5=13 327 h, t6=16158 h, t7=17 622 h, t8=20 407 h。分别采用海森公式、数学期望公式、近似中位秩公式计算其对应的经验可靠度值如表2所示。
分别将海森公式、数学期望公式、近似中位秩公式对应的向量R1 (ti) 、R2 (ti) 、R3 (ti) 作为BP神经网络的原始输入, 将失效时间组成的向量T作为其各自的输出, 通过MATLAB程序实现BP神经网络的学习、训练, 训练误差小于0.001时, 训练结束。向量R1 (ti) 、R2 (ti) 、R3 (ti) 和T分别为:
为了获得较好的仿真估计效果, 可根据原始输入可靠度值的范围大致确定仿真输入的范围, 扩充数据样本量也可以根据实际需要确定。本算例为了得到样本量为50的扩充数据样本, 将0.8~1范围内的50个随机数按从大到小的顺序排列成向量, 输入已经训练完成的BP神经网络进行仿真, 得到50个新的失效数据, 作为原始数据的扩充样本。
对扩大数据样本, 分别采用最小二乘法进行指数分布和威布尔分布参数估计, 其结果如表3所示。
分析各经验公式下的各分布模型参数估计结果可得以下结论。
a.最小二乘法曲线拟合的相关系数ρ反映了原始数据与所拟合分布模型的符合程度, 整体比较指数分布和威布尔分布模型的曲线拟合相关系数可知, 指数分布最符合该原始失效数据的失效分布模型, 威布尔分布其次。
b.比较指数分布和威布尔分布模型的参数估计曲线拟合结果可知, 其原始数据样本与扩充数据样本之间的参数估计误差都较小。但指数分布模型和威布尔分布模型在不同的经验公式下, 其参数估计误差大小略有差异。威布尔分布模型在近似中位秩公式下, 其扩充数据样本与原始样本的参数估计最接近, 而指数分布在数学期望公式下的扩充数据样本与原始样本参数估计的误差最小。
c.比较近似中位秩公式下的威布尔分布模型和数学期望公式下的指数分布模型参数估计的原始数据与扩充数据样本的曲线拟合相关系数可知, 扩充数据样本的相关系数相比原始数据的相关系数更接近于1, 说明扩充数据样本比原始数据样本能得到更好的曲线拟合效果, 参数估计也更精确, 可靠性评估效果更好。
5 结论
本文结合高可靠性继电保护装置失效数据的小样本特点, 采用BP神经网络对原始数据样本进行扩充, 并根据扩充数据样本进行可靠性评估, 既在一定程度上克服了因原始数据样本过小而影响评估效果的问题, 也能减少对分布模型的依赖和评估的偶然性, 从而达到对小样本数据进行有效评估的目的, 算例分析结果验证了其有效性。本文研究可得出如下结论。
a.指数分布和威布尔分布可以作为继电保护可靠性评估的分布模型, 这与继电保护装置的失效特性曲线——浴盆曲线是相符的, 且对于分布模型的判别和选取, 可以根据各分布模型的最小二乘法曲线拟合的相关系数来实现。
b.为了尽量减少扩充数据样本的误差, 选择合适的经验公式很有必要。分布模型选取为威布尔模型时, 近似中位秩公式误差最小;分布模型选取为指数分布模型时, 数学期望公式误差最小。
c.BP神经网络模型仿真方法作为小样本数据扩充数据样本的方法有其优势, 这是由BP神经网络模型本身的特性决定的。一方面BP神经网络能避免失效数据分散性、分布模型选取失误导致的评估误差;另一方面, 扩充数据样本与原始数据样本的变化规律基本相同, 可作为可靠性指标参数估计的参考数据。
摘要：失效数据样本过少会影响对高可靠性继电保护系统的可靠性评估, 因此提出一种基于BP神经网络的继电保护系统可靠性评估方法。分析了可用于继电保护装置可靠性评估的分布模型及其特点;利用原始小样本失效数据训练BP神经网络, 得到与原始数据样本规律相近的扩充数据样本;利用最小二乘法对扩充数据样本的分布模型进行参数估计。算例分析表明:利用扩充数据样本进行可靠性评估效果更好, 在对继电保护装置进行可靠性评估时应根据选择的分布模型选择合适的经验公式。
评估失效 篇6
关键词：航空安全,可靠性评估,无失效数据,E-bayes估计,故障树分析,稳健性
0 引言
电脉冲除冰技术[1] (electro-impulse de-ic-ing, EIDI) 利用机翼内部线圈产生的电脉冲激励机翼蒙皮高频振荡除冰, 在多电、全电飞机的发展过程中具有良好的应用前景。目前针对于电脉冲除冰技术研究较少, 将其按冗余设备来进行设计, 取其失效率为10-6数量级。因失效率较低, 故在有限的试验过程中常会出现无失效数据的情况。因此, 在无失效数据情况下研究电脉冲除冰电源的的可靠性评估具有重要意义。
无失效数据的可靠性研究受到了国内外学者的广泛关注, 并取得了较大的进展[2,3,4]。近年来航空航天领域的可靠性分析取得了一些明显的进展, 尤其是小子样理论[5]、极少失效数据[6,7]和无失效数据分析[8,9,13,14,15]。傅惠民等[6]、邱金水等[7]提出运用Weibull-Bayes方法进行可靠性评估, 解算给定置信水平和可靠度时的平均寿命。
现有无失效数据bayes分析方法主要包括E-bayes (expected-bayes) 方法[10,11,12]、综合E-bayes (synthetic expected-bayes, SEB) 方法[12]。E-bayes方法是bayes方法和经典方法的组合, 避免了bayes方法依赖验前数据的争议点, 有效利用历史数据, 且减少了迭代, 降低解算复杂程度, 但实际使用时可能出现“冒进”, 使得估算结果偏离实际较大。为了解决该问题, 综合E-bayes方法人为引入失效数据, 校正估算结果, 在一定程度上优化了贝叶斯估算;但该方法引入的失效数据由验前数据给出, 与系统的实际历史及当前信息关联性不是很强, 可能影响校正估算结果的有效性。
为解决引入失效数据有效性的问题, 提出基于FTA失效评估的E-bayes分析方法, 在E-bayes基础上, 引入电脉冲除冰电源故障树分析解算的脉冲电源装置理论失效率, 并结合无失效试验数据对除冰电源进行可靠性分析。最后分析比较了传统的E-bayes方法、综合E-bayes方法和基于FTA失效评估的E-bayes分析方法得到的脉冲电源平均寿命估计的稳健性。
1 电脉冲除冰电源系统主要功能及FTA分析
1.1 除冰电源功能分析
图1所示为电脉冲除冰电源电路, 主要包括以下2个组成部分:①储能电容器组充电, 储能电容器组恒流充电至800V, 充电电路主要由单相全桥逆变电路、串联谐振环节、高频升压和整流单元组成;②脉冲放电, 当储能电容器组恒流充电至800V时控制晶闸管导通使储能电容通过脉冲线圈放电。放电过程脉冲线圈中流过瞬间大电流, 并在周围空间形成瞬态磁场, 进而使铝板蒙皮表面产生感应涡流, 最终使铝板蒙皮受到脉冲电磁力的冲击产生小幅振动以实现除冰效果。
图2为电脉冲除冰电源系统的相关实验波形。由图2 (a) 可知, 储能电容器组的充电电源线性上升到800V;图2 (b) ~ (c) 是脉冲放电过程中电容端电压和脉冲电流实验波形, 其中脉冲电流IR是通过采样在脉冲放电回路中串联的小电阻两端电压得到的 (采样电阻为2个0.1Ω 的功率电阻并联得到) , 由图可知流过脉冲线圈的峰值电流大概为800A。
1.2 除冰电源FTA分析
故障树分析 (fault tree analysis, FTA) 方法是一种自上而下的图形演绎方法, 它从系统到部件, 再到零件, 通过逻辑符号绘制出1个逐渐展开成树状的分枝图, 来分析故障事件 (又称顶事件) 发生的概率。利用FTA可以估算分析对象的失效率寿命。
图3给出了脉冲电源充电功能丧失的相关故障树模型。表1为与FTA相对应的失效模式与故障编号, 并利用失效模式影响分析 (failure mode and effects analysis, FMEA) 的方法及FTA的布尔简化运算, 解算出充电功能模块的理论预计失效率为λcharging=3.99×10-7/h;并利用同样的分析方法得到脉冲放电功能模块的失效率为λdischarging=2.56×10-7/h。由此可知电脉冲除冰电源系统的充放电电路均满足失效率等级要求, 即电源装置的寿命T≥1×106h。
注:*为各失效模式的理论计算失效率。
2 基于FTA失效评估的E-bayes算法
2.1 综合E-bayes估计
一般认为机载设备的寿命符合指数分布, 其概率密度函数为
式中:λ为失效率, 0<λ<∞;θ=1/λ为除冰用脉冲电源的平均寿命。
取θ的先验分布为逆 Γ 分布, 则θ的先验密度函数为
式中:0<θ<∞;a, b为超参数, a>0, b>0;为Gamma函数。
结合Bayes估计的稳健性使π (θ|a, b) 为θ的增函数, 即通过求解π (θ|a, b) 对θ 的一阶导数。
因此应选取较大的b和较小的a , 取b =T0, T0> T, T为产品的实际寿命, 1<a<c (c>0为常数, c的具体确定见后面实例) 。
根据及L (0|θ) 与h (θ|N) 求解可得
定理1。对寿命服从指数分布的脉冲电源进行k次定时截尾试验, 获得无失效数据 (ni, ti) , 记。若θ的先验密度函数由式 (2) 给出, 取a在D上的先验分布为 (1, c) 的均匀分布, 则θ的E-bayes估计为
E-bayes方法可能会出现“冒进”现象, 因此需人为引入失效数据, 对脉冲电源的寿命及失效率进行综合E-bayes估计。
已知前k次定时截尾试验中所有样品无一失效, 获得的无失效数据为 (ni, ti) , i=1, 2, …, k。假设再进行第k+1次定时截尾试验, 以tk+1, nk+1分别表示第k+1次定时截尾试验的截尾时间和相应的产品数。由于第k+1次定时截尾试验实际上并没有进行, tk+1, nk+1是基于前k次试验数据确定的, 见式 (5) 。
定理2。对寿命服从指数分布的脉冲电源进行k次定时截尾试验, 获得无失效数据 (ni, ti) , 而在第k+1次定时截尾试验中, 失效的产品数为r (r=0, 1, …, nk+1) , 记。θ的先验密度函数如式 (2) , 取a在D上的先验分布为 (1, c) 的均匀分布, 则θ的E-bayes估计为
脉冲电源平均寿命θ的综合E-bayes估计为
2.2 引入FTA失效率的E-bayes估计
式 (5) 中tk+1的确定依赖于前k次定时截尾试验的数据, 在试验样本数目较大且试验时间较长的情况下具有参考价值。现代航空航天产品可靠性要求高, 产品的实际寿命远远大于试验时间, 采用式 (5) 确定的tk+1与产品的实际寿命相差太大, 不能准确地描述设备的寿命, 笔者采用FTA分析计算得到的产品理论寿命值作为第k+1次定时截尾试验的截尾时间, 见式 (8) 。
在该引入时间下, 发生失效的概率较大, 进行综合计算时的权重w增加。
定理3。对寿命服从指数分布的产品进行k+1次定时截尾试验, 前k次试验所有样品无一失效, 获得无失效数据数据 (ni, ti) , 而在第k+1次定时截尾试验中, tk+1、nk+1分别表示试验的截尾时间和相应的产品数, 若θ 的先验密度函数由式 (2) 给出, 取a在D上的先验分布为 (1, c) 的均匀分布, 则θ 的E-bayes估计为
θ 的基于FTA的E-bayes估计为
式中:, 由于tk+1处发生1个产品失效的可能性较大, 发生2次和不发生失效的可能性相当且小于前者, 发生3个以上失效的可能性递减, 因此构建函数使得ωr>0, 且, 求得如下的wr满足上述条件。
3 基于FTA失效评估的电脉冲除冰电源可靠性分析
对电脉冲除冰系统的脉冲电源实验样机持续进行定时截尾试验, 得到的无失效数据表见表2。
由表2可知, 。
由1.2的故障树模型分析可知, 储能电容充电和脉冲放电的失效率分别为:λcharging=3.99×10-7/h, λdischarging=2.56×10-7/h, 则对应的寿命分别为:θcharging=2.51×106h, θdischarging=3.91×106h。对于除冰脉冲电源而言, 任何一个功能电路失效即代表系统出现故障, 则有
由于T0>T, 故在此选取T0分别为2.0×106, 2.2×106, 2.4×106, 2.6×106, 2.8×106, 3.0×106;同时由于1<a <c , 即c>1, 且c不宜过大, 此处选择c =2.0, 2.5, 3.0, 3.5, 4.0, 4.5 分别求解, 见表3。
4 可靠性评估方法的分析比较
利用E-Bayes和综合E-Bayes估计方法对电脉冲除冰用脉冲电源平均寿命进行了贝叶斯分析, 并比较研究这3种方法下脉冲电源平均寿命估计的稳健性。
根据定理1和无失效数据表可以得到, 见表4。
根据定理2和无失效数据, 并引入传统综合E-bayes分析方法所得的第k+1次定时截尾试验数据, 即
则有
表5为综合E-bayes估计下脉冲电源的平均寿命。
结合表3~5, 分析可得:
1) 分析表3可得, 基于FTA的贝叶斯平均寿命估算值均为106数量级, 而表4~5给出的E-bayes、SEB估计下的平均寿命估算值有少量小于106h。说明基于FTA失效评估的E-bayes估计与脉冲电源平均寿命的理论计算值 (2.51×106h) 一致性较好。
2) 根据表3~5中的极差可以得到如表6所列的除冰脉冲电源平均寿命的极差变化情况。方法在引入了失效数据后, 相比于E-bayes估计方法, 其极差变化区间有所减小, 提高了稳健性, 但改进有限;而引入FTA失效数据后, 极差变化区间明显减小, 增加了估计的稳健性, 从而证明了基于FTA失效评估的E-bayes估计方法优于前2种传统方法。
为了更加直观地表示3 种估计方法的稳健性, 图4给出了用E-bayes, SEB和基于FTA失效评估E-bayes3种方法求解时, 除冰脉冲电源平均寿命极差随参数c和T0变化时的曲线。
由图4可见, 不论是c变化还是T0变化, 基于FTA失效评估的E-bayes分析方法的极差变化范围相对于E-bayes, SEB2种方法明显减小。
图5所示为E-bayes, SEB和基于FTA失效评估E-bayes3种估计方法求解得到的除冰脉冲电源平均寿命随参数c和T0变化时的三维图。由图可知基于FTA失效评估的E-bayes分析方法得到的平均寿命与脉冲电源平均寿命的理论计算值 (2.51×106h) 的一致性较好。
5 结束语