一深水鉆機集成監(jiān)控系統(tǒng)可靠性冗余優(yōu)化

王鴻雁, 肖文生,2, 劉 健, 王逢德, 侯 超, 崔俊國

(1.中國石油大學機電工程學院,山東青島 266580; 2.中國石油勘探開發(fā)研究院,北京 100083)

一深水鉆機集成監(jiān)控系統(tǒng)可靠性冗余優(yōu)化

王鴻雁1, 肖文生1,2, 劉 健1, 王逢德1, 侯 超1, 崔俊國1

(1.中國石油大學機電工程學院,山東青島 266580; 2.中國石油勘探開發(fā)研究院,北京 100083)

深水平臺鉆機集成監(jiān)控系統(tǒng)(DSDR-IMCS)采用冗余方法提高可靠性,但存在費用、重量、體積等增加的問題。對DSDR-IMCS進行分析,建立一種適于DSDR-IMCS的可靠性冗余優(yōu)化配置模型,提出一種基于模擬退火算法的PSO-GA混合算法對模型進行求解,該方法將PSO算法收斂快和GA算法全局收斂性好的優(yōu)點相結(jié)合,引入模擬退火優(yōu)化機制,并對PSO算法產(chǎn)生的新粒子群進行修正。結(jié)果表明,本文算法既可加快運算速度,降低計算強度,提高搜索效率,又可避免收斂過快陷入局部極大而降低全局搜索能力,且得到的優(yōu)化結(jié)果更好,為DSDR-IMCS可靠性分析和設計提供參考。

集成監(jiān)控系統(tǒng); 可靠性; 冗余; 優(yōu)化配置; 模擬退火; PSO-GA

深水平臺鉆機集成監(jiān)控系統(tǒng)(integrated monitoring and control system of DSDR, DSDR-IMCS)控制要求高、規(guī)模大、邏輯復雜、平臺空間有限,且故障或維護工作引起的停機代價是陸地鉆機的數(shù)十倍,因此其安全可靠性要求更高。DSDR子系統(tǒng)往往來自不同的廠家,進行 DSDR-IMCS冗余優(yōu)化配置研究對優(yōu)化總體設計、提高集成監(jiān)控效能、系統(tǒng)可靠性和經(jīng)濟性有重要意義。現(xiàn)代設計中通常采用高可靠性的產(chǎn)品或者冗余技術提高系統(tǒng)的可靠性。然而,高可靠性的產(chǎn)品受技術水平的限制,冗余技術卻增加了系統(tǒng)的成本、重量、體積等資源[1-3]。筆者提出一種基于模擬退火算法的 PSO-GA 混合算法求解 DSDR-IMCS 可靠性冗余優(yōu)化配置問題。

1 模 型

1.1 DSDR-IMCS分析

DSDR-IMCS的總體結(jié)構如圖1所示。從上到下依次為遠程監(jiān)控層、司鉆集中監(jiān)控層、本地控制層和遠程I/O層,各層設備的功能各有側(cè)重,互相協(xié)調(diào)配合,完成DSDR-IMCS的全部功能。為了簡化DSDR-IMCS的可靠性模型,僅考慮是否能完成DSDR-IMCS功能,并與實時數(shù)據(jù)相關系統(tǒng)組件,如實時服務器、操控臺、控制器、交換機的可靠性,而不考慮打印機、攝像頭、歷史服務器等設備的可靠性。

圖1 DSDR-IMCS的總體結(jié)構Fig.1 Overall structure of DSDR-IMCS

將DSDR-IMCS簡化如下:遠程監(jiān)控層的各個監(jiān)控子站和司鉆集中監(jiān)控室的數(shù)據(jù)服務器均通過選用更高可靠度的元件來提高其可靠性,不必進行冗余設計;但一級交換機-1、一級交換機-2、服務器、操控臺、控制器、二級交換機采用冗余設計,可將這些組件看作并聯(lián)冗余后串聯(lián)構成,6種組件冗余個數(shù)分別為y1、y2、y3、y4、y5、y6;本地控制層和遠程I/O層由多個子系統(tǒng)組成,任何一個子系統(tǒng)的失效都會使整套鉆機無法正常工作,因此,可以將這些子系統(tǒng)看作串聯(lián)結(jié)構,假設子系統(tǒng)個數(shù)為j,每個子系統(tǒng)分別包含二級交換機、控制器、遠程I/O,冗余個數(shù)分別為y3j+4、y3j+5、y3j+6,簡化后的結(jié)構簡圖如圖2所示。

圖2 DSDR-IMCS簡化結(jié)構Fig.2 Simplified structure of DSDR-IMCS

1.2 模型假設

采用增加組件的冗余數(shù)提高系統(tǒng)的可靠度,在進行可靠性冗余優(yōu)化設計之前先對系統(tǒng)進行假設:①采用的冗余均為主動冗余,且冗余組件與原組件完全相同;②每個子系統(tǒng)相互獨立,且不可維修;③每個子系統(tǒng)有兩個狀態(tài),即工作和失效2個狀態(tài);④每個子系統(tǒng)的可靠度為常數(shù),且相互獨立、互不影響;⑤每個組件的資源占有量對總資源來說是可分離的;⑥每個組件至少有兩種不同參數(shù)可供選擇。

1.3 數(shù)學模型建立

DSDR-IMCS的冗余配置方案采用可靠度高的并串聯(lián)結(jié)構。并串聯(lián)結(jié)構系統(tǒng)的可靠性冗余優(yōu)化問題可以描述為:一個由n個子系統(tǒng)串聯(lián)構成的系統(tǒng),在滿足總造價、總質(zhì)量、總體積的約束條件下,尋找最優(yōu)的組件x1,x2,…,xn及其冗余數(shù)yx1,yx2,…,yxn使其可靠度Rs最高。

假設第i個子系統(tǒng)單個組件編號為xi的可靠度為ri,第i個子系統(tǒng)冗余組件的數(shù)目為yxi,第i個系統(tǒng)的可靠度記為Ri(yxi)(i=1,2,…,n)。由于采用并聯(lián)冗余,故Ri(yxi)=1-(1-ri)yxi,則該并串聯(lián)結(jié)構系統(tǒng)的可靠度為

(1)

該并串聯(lián)系統(tǒng)的可靠性冗余優(yōu)化模型為

Y=max(Rs).

(2)

li≤yxi≤ui,i=1,2,…,n.

式中,gik(yxi)為yxi個組件在第i階段所消耗的資源k的量;bk為資源k的最大量。

此問題轉(zhuǎn)化為求一個有2n個變量、k個約束條件的目標函數(shù)值最大的解。

2 基于模擬退火的PSO-GA混合算法

2.1 算法策略

上述模型是一個帶非線性約束的非線性多參數(shù)多極值整數(shù)規(guī)劃的復雜問題[4-5]。采用GA算法求解該問題則搜索效率低,采用PSO算法則局部早熟或死循環(huán)問題嚴重[6]。鑒于PSO算法和GA算法有互補的優(yōu)勢,將兩者結(jié)合起來,研究出性能更優(yōu)的算法[7]。

目前兩者結(jié)合的方式主要有兩種:一種是將GA算法的基本操作引入PSO算法,改善PSO算法的性能。Angeline等[8-9]引入選擇機制改進PSO算法,能夠加速收斂速度,但搜索能力下降。Arumugam等[8,10]在PSO算法中引入了變異操作,一定程度上提高了收斂性能,但不能改變PSO算法的本質(zhì)特征。

另一種方式則是將兩種算法以同等地位進行混合[8,11-15]。目前從已提出的一些混合算法中可以總結(jié)出串聯(lián)[8,16-17]和并聯(lián)[8,11-12,15]兩種主要的混合方式。若采用相同的種群規(guī)模和迭代次數(shù),串聯(lián)的計算量比并聯(lián)多一倍;在搜索能力方面,無論是串聯(lián)還是并聯(lián),都比單一的PSO算法或者GA算法要強。但PSO算法和GA算法處于同等地位,兩者之間分工不明確,各自的優(yōu)勢沒能得到充分發(fā)揮。

為此,本文中提出了一種基于模擬退火的PSO-GA的混合算法。采用PSO算法提高個體性能,采用GA算法得到更優(yōu)秀的個體,利用模擬退火的優(yōu)化機制,通過賦予搜索過程一種時變和最終趨于零的概率突變性來避免陷入局部極大而達到快速收斂到全局最優(yōu)解的目的[7]。

2.2 算法設計

2.2.1 混合編碼

DSDR-IMCS組件的屬性包括組件的編號x、冗余個數(shù)y、價格C、質(zhì)量W、體積P五個方面?；蚪Mi可表示為(xi,yi,Ci,Wi,Pi)。則整個DSDR-IMCS組件的染色體可表示為

X=[(x1,y1,C1,W1,P1),(x2,y2,C2,W2,P2),…,(xn,yn,Cn,Wn,Pn)].

(3)

式中,n為組件的總個數(shù)。

2.2.2 適應度函數(shù)

目標函數(shù)是求最大值,所以DSDR-IMCS的可靠性的適應度函數(shù)定義為

(4)

約束條件

式中,Csum、Wsum、Psum分別為DSDR-IMCS各組件的總價格、總質(zhì)量、總體積;gi1(X)、gi2(X)、gi2(X)分別為第i個組件的總價格、總質(zhì)量、總體積。

2.2.3PSO優(yōu)化參數(shù)

PSO算法采用常數(shù)學習因子c1和c2及常慣性權重w更新自己的速度和位置。

vi,j(t+1)=wvi,j(t)+c1r1[pi,j-xi,j(t)]+c2r2[qi,j-

xi,j(t)].

(5)

xi,j(t+1)=xi,j(t)+vi,j(t+1),j=1,2,…,d.

(6)

式中,t為迭代次數(shù);r1和r2為0～1的隨機數(shù);pi,j為當代第i個粒子的最優(yōu)解;qi,j為全局最優(yōu)解;d為搜索空間的維數(shù)。

2.2.4GA優(yōu)化參數(shù)

GA算法一般按照一定的交叉概率Pc和變異概率Pm產(chǎn)生新的個體。由于每個組件位置的選擇和冗余個數(shù)影響整個IMCS的價格、質(zhì)量、體積,因此對組件位置和冗余個數(shù)進行選擇、交叉和變異。

(1)選擇。采用輪盤賭方法,選擇用于保留的最優(yōu)個體,個體適應度值越大,被選擇的概率越大。

(2)交叉。采用單點交叉法。

(3)變異。采用實值變異法。

2.2.5 模擬退火算法優(yōu)化參數(shù)

采用模擬退火算法中的Boltzmann生存機制,在不增加群體數(shù)量的基礎上,保持群體的多樣性。模擬退火算法先設定初始溫度T0和降溫速率q,根據(jù)結(jié)束溫度Tend進行終止。設新產(chǎn)生個體的適應度值為f,變動的閾值為fv,當f>fv時,接受新個體;否則,以一定概率P=exp((f-fv)/T0)接受新個體。

算法收斂準則:①迭代次數(shù)達到設定值。②連續(xù)多次迭代的適應度值無明顯變化。

迭代滿足收斂準則時,認為結(jié)果已收斂,停止迭代。

2.2.6 優(yōu)化算法流程

求解過程如圖3所示。

圖3 基于模擬退火的PSO-GA混合算法流程Fig.3 Procedure of PSO-GA with SA

包括以下步驟:

①初始化基本參數(shù),置群體代數(shù)Gen=1;

②判斷是否滿足終止條件,若滿足,則轉(zhuǎn)步驟⑥,否則,產(chǎn)生規(guī)模為N的初始粒子群,計算每個個體的適應度fit;

③采用PSO算法對粒子群進行優(yōu)化并經(jīng)修正操作后產(chǎn)生的新粒子群作為GA的初始種群;

④利用GA算法和模擬退火算法對種群進行優(yōu)化,產(chǎn)生新的種群;

⑤判斷是否滿足收斂條件,若滿足,則轉(zhuǎn)步驟⑥,否則,Gen=Gen+1,進行新一輪迭代,轉(zhuǎn)步驟②;

⑥計算并輸出最優(yōu)解,結(jié)束。

3 算例分析

假設子系統(tǒng)個數(shù)為8,則DSDR-IMCS的可靠性冗余優(yōu)化問題簡化為30階段并串聯(lián)系統(tǒng)的冗余分配問題,最大可靠度的適應度函數(shù)為

(7)

假設DSDR-IMCS設備的體積、成本、質(zhì)量分別滿足以下約束條件:

(8)

式(8)最早由Tillman提出[16-18],并在可靠性優(yōu)化問題中被廣泛采用[19-21]。

假設每個階段的組件均有4種可供選擇,并且組件的冗余個數(shù)最大值為4,DSDR-IMCS設備的總體積、總成本、總質(zhì)量的最大值為560、730、960。

參照文獻[4]中設計數(shù)據(jù),DSDR-IMCS冗余單元的設計數(shù)據(jù)如表1所示。

分別利用本文算法、PSO算法、GA算法及PSO-GA算法對DSDR-IMCS的可靠性冗余優(yōu)化分配問題進行測試,計算在IntelCorei5-2400CPU3.10 GHz,內(nèi)存4.00 GB的計算機上執(zhí)行。利用Matlab軟件編程,經(jīng)過大量的運算,各算法的參數(shù)設置如表2所示。為避免PSO算法早熟或進入死循環(huán),對PSO算法產(chǎn)生的新粒子群進行修正,本文的修正方法是:先對產(chǎn)生的冗余個數(shù)進行四舍五入取整,若yi>5,則令yi=5;若yi<1,則令yi=1。

每種算法分別隨機運行300次,運算得到各算法的平均可靠度值Rs,最大可靠度值Rmaxs,最小可靠度值Rmins,可靠度方差S,每次運算時間t,收斂代數(shù)Gen,早熟或死循環(huán)的概率,結(jié)果性能對比如表3所示,優(yōu)化結(jié)果如表4所示。

表1 冗余單元設計數(shù)據(jù)

表2 算法參數(shù)設置

表3 算法結(jié)果對比

表4 算法優(yōu)化結(jié)果

表5 帶附加約束條件1的算法結(jié)果對比

表6 帶附加約束條件1算法的優(yōu)化結(jié)果

表7 帶附加約束條件2的算法結(jié)果對比

表8 帶附加約束條件2算法的優(yōu)化結(jié)果

由表3、5、7可以看出:PSO算法得到的平均可靠度值最大、可靠度方差最小,但運算時間是本文算法的2～7倍,并且易早熟或進入死循環(huán);GA算法的運算速度最快,但搜索效率低;PSO-GA算法比PSO算法的運算速度快,但仍沒有解決PSO算法易陷入局部早熟或死循環(huán)的問題,也未解決GA算法的后期搜索效率低的問題;本文算法解決了早熟或死循環(huán)問題;本文算法的可靠度方差比PSO-GA略大,運算時間比PSO-GA算法略大,收斂代數(shù)比PSO-GA算法略慢,這都是由于本文算法以一定的概率接受差解,使得搜索范圍更廣,從而進化代數(shù)增加造成的。本文算法的收斂代數(shù)比PSO-GA算法大,表明PSO-GA算法結(jié)束進化后,本文算法的適應度函數(shù)值還在繼續(xù)變化,不斷尋求更優(yōu)解;雖然本文算法的迭代次數(shù)有所增加,但在時間上的體現(xiàn)并不明顯,相對來說求解效率依然很高;添加附加約束條件使早熟或死循環(huán)的概率增大,這是因為附加條件使得初始種群的適應度值更優(yōu),經(jīng)過PSO算法和GA算法運算后不易得到滿足約束條件的適應度值更高的個體。

從表4、6、8可以看出:每種算法優(yōu)化得到的結(jié)果中元件的位置不能完全確定,這是由于該問題屬于多極值問題,優(yōu)化得到的結(jié)果不是唯一的;冗余個數(shù)是可以確定的,可靠度低的元件的冗余個數(shù)為3,例如控制器、操控臺,而可靠度較高的控制器的冗余個數(shù)為2;這種優(yōu)化結(jié)果是實際工程上需要的,同時也說明了本文優(yōu)化算法的合理性和有效性。

表3、5、7對應的各種算法迭代300代,每種算法分別隨機運行100次,得到的最優(yōu)解如表4、6、8所示,得到的平均適應度函數(shù)曲線如圖4所示。

圖4 各算法的適應度函數(shù)收斂曲線對比Fig.4 Convergence curves comparison of fitness functions

由圖4可知,PSO算法收斂速度最快,得到的適應度函數(shù)值最大;GA算法后期搜索效率低;PSO-GA算法仍沒有解決GA算法的后期搜索效率低的問題;本文算法對PSO算法產(chǎn)生的新粒子群進行修正,解決了早熟或死循環(huán)問題,后期搜索效率得到了改善。添加了附加條件的適應度函數(shù)值的初始值更大,收斂速度更快,可靠度方差小,運算結(jié)果更優(yōu)。

4 結(jié)束語

針對DSDR-IMCS的可靠性冗余優(yōu)化分配問題,建立了一個較完整的冗余優(yōu)化分配模型,提出了一種基于模擬退火算法的PSO-GA混合算法。該方法既可加快運算速度,避免早熟和進入死循環(huán),又可以避免收斂過快陷入局部極大而降低全局搜索能力。本文算法在得到近似最優(yōu)解的同時,大大縮短了計算周期,降低了計算強度,提高了搜索效率,可以有效地解決DSDR-IMCS可靠性冗余優(yōu)化配置問題。

[1] 任慶生,葉中行,曾進.基于實數(shù)型遺傳算法的電子系統(tǒng)可靠性最優(yōu)分配[J].通信學報,2000,21(3):43-46. REN Qingsheng, YE Zhongxing, ZENG Jin. Reliability computation of electronics system by real-valued genetic algorithm [J]. Journal of China Institute of Communications, 2000,21(3):43-46.

[2] DAVID W C, ALICE E S. Reliability optimization of series-parallel systems using a genetic algorithm [J]. IEEE Transactions on Reliability, 1996,45(2):254-260.

[3] 廖雯竹,潘爾順,奚立峰.基于Tabu搜索和螞蟻算法的系統(tǒng)可靠性分析[J].上海交通大學學報,2008,42(8):1291-1295. LIAO Wenzhu, PAN Ershun, XI Lifeng. Reliability analysis of system based on Tabu search and ant algorithm [J]. Journal of Shanghai Jiaotong University, 2008,42(8):1291-1295.

[4] TAVAKKOLI-MOGHADDAM R, SAFARI J, SASSANI F. Reliability optimization of series-parallel systems with a choice of redundancy strategies using a genetic algorithm [J]. Reliability Engineering and System Safety, 2008,93(4):550-556.

[5] 戴永壽,?；?彭星，等.基于自回歸滑動平均模型和粒子群算法的地震子波提取[J].中國石油大學學報:自然科學版,2011,35(3):47-50. DAI Yongshou, NIU Hui, PENG Xing, et al. Seismic wavelet extraction based on auto-regressive and moving average model and particle swarm optimization [J]. Journal of China University of Petroleum (Edition of Natural Science), 2011,35(3):47-50.

[6] 史玉才,管志川,朱寬亮，等.大型叢式井組井口分配模型及其自適應遺傳算法[J].中國石油大學學報:自然科學版,2012,36(6):70-73. SHI Yucai, GUAN Zhichuan, ZHU Kuanliang,et al. Wellhead allocation model for large scale cluster well and its self-adaptive genetic algorithm [J]. Journal of China University of Petroleum (Edition of Natural Science), 2012,36(6):70-73.

[7] 李敬花,余峰,樊付見.基于遺傳模擬退火融合算法的船舶分段裝配序列優(yōu)化[J].計算機集成制造系統(tǒng),2013,19(1):39-45. LI Jinghua, YU Feng, FAN Fujian. Ship block assembly sequence optimization based on genetic simulated annealing algorithm [J]. Computer Integrated Manufacturing Systems, 2013,19(1):39-45.

[8] 金敏,魯華祥.一種遺傳算法與粒子群優(yōu)化的多子群分層混合算法[J].控制理論與應用,2013,30(10):1231-1238. JIN Min, LU Huaxiang. A multi-subgroup hierarchical hybrid of genetic algorithm and particle swarm optimization [J]. Control Theory & Applications, 2013,30(10):1231-1238.

[9] ANGELINE P J. Using selection to improve particle swarm optimization: IEEE International Conference on Evolutionary Computation-Proceedings[C]. New York: IEEE, c1998:84-89.[10] SENTHIL A M, CHANDRAMOHAN A, RAO M V C. Competitive approaches to PSO algorithms via new acceleration co-efficient variant with mutation operators [C].Los Alamitos: IEEE, c2005:225-230.

[11] JUANG C F. A hybrid of genetic algorithm and particle swarm optimization for recurrent network design [J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, 2004,34(2):997- 1006.

[12] KAO Y T, ZAHARA E. A hybrid genetic algorithm and particle swarm optimization for multimodal functions [J]. Applied Soft Computing, 2008,8(2):849-857.

[13] LI Shutao, WU Xixian, TAN Mingkui. Gene selection using hybrid particle swarm optimization and genetic algorithm [J]. Soft Computing, 2008,12(11):1039-1048.

[14] MARINAKIS Y, MARINAKI M. A hybrid genetic-particle swarm optimization algorithm for the vehicle routing problem [J]. Expert Systems with Applications, 2010,37:1446 -1455.

[15] KUO R J, SYU Y J, CHEN Z Y, TIEN F C. Integration of particle swarm optimization and genetic algorithm for dynamic clustering [J]. Information Sciences, 2012,195:124-140.

[16] 郭威,等.最優(yōu)可靠性設計:基礎與應用[M].郭進利,閻春寧,譯.北京:科學出版社,2011.

[17] 蒂爾曼,黃清萊,郭威.系統(tǒng)可靠性最優(yōu)化[M].劉炳章,譯.北京:國防工業(yè)出版社,1988.

[18] 黎放,朱承,王威.冗余系統(tǒng)費用模型及優(yōu)化[J].系統(tǒng)工程與電子技術,2000,22(9):84-89. LI Fang, ZHU Cheng, WANG Wei. Cost models and optimization of redundant system [J]. Systems Engineering and Electronic, 2000,22(9):84-89.

[19] ZHANG Enze, WUN Yifei, CHEN Qingwei. A practical approach for solving multi-objective reliability redundancy allocation problems using extended bare-bones particle swarm optimization [J]. Reliability Engineering and System Safety, 2014,127:65-76.

[20] SHEIKHALISHAHI M, EBRAHIMIPOUR V, SHIRI H, et al. A hybrid GA-PSO approach for reliability optimization in redundancy allocation problem [J]. Int J Adv Manuf Technol, 2013,68:317-338.

[21] dos SANTOS COELHO L. An efficient particle swarm approach for mixed-integer programming in reliability-redundancy optimization applications [J]. Reliability Engineering and System Safety, 2009,94:830-837.

(編輯 沈玉英)

Reliability redundancy optimization allocation of integrated monitoring and control system of deep-sea drilling rig

WANG Hongyan1, XIAO Wensheng1,2, LIU Jian1, WANG Fengde1, HOU Chao1, CUI Junguo1

(1.CollegeofMechanicalandElectronicEngineeringinChinaUniversityofPetroleum,Qingdao266580,China;2.ResearchInstituteofPetroleumExplorationandDevelopment,PetroChina,Beijing100083,China)

The techniques of redundancy can be used to enhance the reliability of the integrated monitoring and control system of deep-sea drilling rig (DSDR-IMCS) ), which results in cost, weight and volume increasing. A mathematical model of reliability redundancy optimization allocation (RROA) was developed based on the analysis of DSDR-IMCS. A hybrid algorithm was proposed to solve the mathematical model, which combines particle swarm optimization(PSO) algorithm, genetic algorithm (GA) with simulated annealing (SA). Using the fast convergence rate of PSO and good global convergence of GA integrating SA, the new particles of PSO were modified. The numerical simulation results show that the proposed method can not only accelerate calculation speed, reduce the calculation intensity, improve the search efficiency, but also avoid the problem of reducing the capability of global search resulting from rapid convergence. This hybrid algorithm can generate better optimization results, so it can provide a reference for the analysis and design of DSDR-IMCS reliability optimization.

integrated monitoring and control system(IMCS); reliability; redundancy; optimization allocation; simulated annealing; PSO-GA method

2014-10-09

國家“863”高技術研究發(fā)展計劃(2012AA09A203)

王鴻雁(1980-)，女，博士研究生，主要從事海洋石油鉆采裝備的研究。E-mail：wanghy0546@163.com。

1673-5005(2015)01-0128-08

10.3969/j.issn.1673-5005.2015.01.019

TE 52;TP 336

A

王鴻雁,肖文生,劉健，等. 深水鉆機集成監(jiān)控系統(tǒng)可靠性冗余優(yōu)化[J].中國石油大學學報:自然科學版, 2015,39(1):128-135.

WANG Hongyan, XIAO Wensheng, LIU Jian,et al. Reliability redundancy optimization allocation of integrated monitoring and control system of deep-sea drilling rig[J]. Journal of China University of Petroleum (Edition of Natural Science), 2015,39(1):128-135.