考慮多失效模式的復雜系統(tǒng)運行可靠性評估

高 軍，王華偉

（1.軍械工程學院 裝備指揮與管理系，河北 石家莊 050003；2.南京航空航天大學 民航學院，江蘇 南京 210016）

0 引言

運行可靠性是近年來可靠性工程領(lǐng)域重點關(guān)注的問題之一。復雜系統(tǒng)在運行過程中的可靠性往往動態(tài)變化，退化與突發(fā)失效共存，尤其是退化失效積累到一定程度后往往會引起突發(fā)失效的現(xiàn)象，從而顯著增加了復雜系統(tǒng)的運行風險。在工程實踐中，復雜系統(tǒng)往往通過加裝狀態(tài)監(jiān)測系統(tǒng)，及時了解復雜系統(tǒng)的狀態(tài)和可靠性，為在故障發(fā)生之前及時采取措施提供條件。因此，通過狀態(tài)監(jiān)測提取有價值的可靠性信息，是進行運行可靠性評估的關(guān)鍵。當前，針對復雜系統(tǒng)運行可靠性的研究，主要集中在利用在線監(jiān)測數(shù)據(jù)、人工智能等方法進行可靠性預測方面。例如Chinnam［1］利用部件在線監(jiān)測信息，結(jié)合系統(tǒng)結(jié)構(gòu)構(gòu)建通用復合模型，實現(xiàn)對復雜系統(tǒng)的在線監(jiān)測；Li等［2］采用灰色模型預測在線可靠性，并通過在機械系統(tǒng)中的應(yīng)用驗證了模型的有效性；Lolas等［3］利用專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)方法，對不同階段的信息進行實時更新，實現(xiàn)了對可靠性的預測；Bosnic等［4］采用不同的回歸模型進行可靠性預測，得到組合模型有助于改進預測結(jié)果的結(jié)論。另外，還有學者從復雜系統(tǒng)結(jié)構(gòu)特點的角度，進一步探討了運行可靠性評估問題。例如：Li等［5］研究了多態(tài)關(guān)聯(lián)系統(tǒng)運行可靠性評估問題；Lu等［6］利用卡爾曼濾波模型處理多源狀態(tài)監(jiān)測信息，研究了基于多失效模式的復雜系統(tǒng)可靠性動態(tài)評估；吳軍等［7］綜合應(yīng)用Bootstrap和支持向量機等方法建立了小樣本條件下的可靠性評估模型。

復雜系統(tǒng)運行階段突發(fā)失效和退化失效的失效機理及對可靠性的影響各不相同，直接決定著運行可靠性評估的準確度和可信性。Xiao等［8］針對多故障模式系統(tǒng)，研究了故障模式與影響分析（Failure Model and Effect Analysis，F(xiàn)MEA）方法，并優(yōu)化了風險系統(tǒng)的權(quán)重因子；Boutsikas等［9］針對一類多失效模式系統(tǒng)研究了可靠性分析方法；Pickard等［10］提出一種將多失效模式進行組合分析的方法；Yang等［11］針對復雜可修的多失效模式系統(tǒng)，采用極大似然方法進行了故障剖面分析；Zhang等［12］結(jié)合分層抽樣和重要性抽樣方法的優(yōu)點，提出采用分層重要度分析多失效模式結(jié)構(gòu)的方法；Milienos等［13］采用隨機序方法建立了多失效模式系統(tǒng)的可靠性函數(shù)模型，計算了多故障模式系統(tǒng)可靠性置信下限；Wang等［14］針對多部件系統(tǒng)和多失效模式系統(tǒng)建立了基于延遲時間的檢查模型；胡劍波等［15］分析了多失效模式競爭發(fā)生的情況，研究了多失效模式系統(tǒng)的退化變遷模型，并以此為基礎(chǔ)制定了維修決策。綜上所述，可以發(fā)現(xiàn)這些研究多是在設(shè)計階段進行可靠性分析與評估，而從多失效模式的角度進行系統(tǒng)運行可靠性評估的文獻還很少見。

本文結(jié)合當前復雜系統(tǒng)運行可靠性評估和多失效模式分析研究的相關(guān)成果，研究考慮了多失效模式的復雜系統(tǒng)運行可靠性評估方法。

1 復雜系統(tǒng)運行可靠性評估體系設(shè)計

退化失效和突發(fā)失效是復雜系統(tǒng)運行階段的兩大類失效模式，對復雜系統(tǒng)運行可靠性的影響有著各自的特點，主要體現(xiàn)在以下幾個方面：

（1）從作用機理來看，性能退化失效主要是由摩擦、磨損等因素導致的，而突發(fā)失效可以由意外沖擊、工作條件的突然變化引起，也可能是退化失效累積到一定程度后引起的系統(tǒng)狀態(tài)突變，以突發(fā)失效的形式表現(xiàn)出來。

（2）從表現(xiàn)形式來看，退化失效往往表現(xiàn)出漸進性，可以通過加裝監(jiān)測系統(tǒng)實現(xiàn)對退化失效的監(jiān)測，而突發(fā)失效則往往是在沒有任何征兆的情況下突然發(fā)生的，具有小樣本的特征。

（3）從定量分析的角度來看，退化失效貫穿于復雜系統(tǒng)運行的全過程，在各階段主要體現(xiàn)為退化失效速率大小的變化，且退化失效不可逆，而突發(fā)失效在系統(tǒng)運行階段可能發(fā)生也可能不發(fā)生，其失效率大多符合傳統(tǒng)的可靠性分析中的浴盆曲線。

因此，復雜系統(tǒng)運行可靠性評估可以分解為3個問題：①對退化失效的可靠性評估，其關(guān)鍵是從狀態(tài)監(jiān)測中提取有價值的可靠性信息并用于退化評估；②對于突發(fā)失效評估，既要考慮失效本身形成的機理，還要兼顧退化失效積累到一定程度后以突發(fā)失效的形式表現(xiàn)的問題；③分析以上兩種失效對運行可靠性的影響，采用競爭風險分析方法，以T＝min｛T退化，T失效｝作為系統(tǒng)剩余壽命，分別測算復雜系統(tǒng)的退化失效可靠度和突發(fā)失效可靠度，并在假設(shè)兩者串聯(lián)的情況下計算系統(tǒng)的運行可靠性。但實際上，在系統(tǒng)運行的不同階段，往往是退化失效和突發(fā)失效中的一種占主導地位，而不是兩者同時起作用，故有必要分析兩者對系統(tǒng)運行可靠性影響的權(quán)重，避免出現(xiàn)低估可靠性的現(xiàn)象。為此，本文構(gòu)造了復雜系統(tǒng)運行可靠性的評估框架，如圖1所示。

2 復雜系統(tǒng)運行可靠性評估模型

2.1 考慮退化失效的運行可靠性評估模型

針對復雜系統(tǒng)運行過程具有的失效漸進和不可逆等特點，選擇Gamma分布建立退化失效的可靠性評估模型，可表示隨使用時間增加而單調(diào)下降的變化特性，比其他隨機過程更能滿足運行過程中關(guān)于復雜系統(tǒng)運行退化失效的假設(shè)。在實際使用中，針對采集到的使用數(shù)據(jù)，應(yīng)預先檢驗是否符合Gamma過程假設(shè)。假設(shè)t時刻復雜系統(tǒng)的性能退化量為d（t），失效閾值為l，即當D（t）≥l時，復雜系統(tǒng)發(fā)生退化失效。假設(shè)復雜系統(tǒng)的初始性能退化記為D0，則w（t）＝D（t）－D（t0）表示到t時刻復雜系統(tǒng)累積的退化量。由于退化量單調(diào)上升，對于任意的ti和tj，如果tj＞ti，則必有w（tj）－w（ti）＞0。假設(shè)退化量w（t）服從Ga（a，b），其密度函數(shù)為

式中a和b分別為形狀參數(shù)和尺度參數(shù)。

性能退化失效的可靠性

式中ε為復雜系統(tǒng)的性能失效閾值。

由式（1）和式（2），性能退化失效的復雜系統(tǒng)可靠度

在系統(tǒng)退化可靠性評估中，估計性能退化量是計算的核心，綜合利用多源狀態(tài)監(jiān)測信息將顯著提高退化量的估計結(jié)果，本文采用貝葉斯線性模型［16］進行估計。

假設(shè)復雜系統(tǒng)的退化可以通過以下性能監(jiān)測參數(shù)來表征：監(jiān)測參數(shù)矩陣X＝［X1，X2，…，Xk］，其中：k為監(jiān)測參數(shù)的個數(shù)，Xk為n行列向量，n為觀測的次數(shù)。性能退化與狀態(tài)監(jiān)測參數(shù)之間的關(guān)系，可以用隨機方程表示為

通過監(jiān)測參數(shù)，可計算，均值為E（θ），協(xié)方差矩陣為C（θ）。

假設(shè)監(jiān)測參數(shù)符合逆Gaussian分布，狀態(tài)監(jiān)測的參數(shù)量越多，描述系統(tǒng)退化的精度和準確度就越高。上述監(jiān)測參數(shù)采用貝葉斯線性模型［16］進行融合計算，后驗均值和協(xié)方差可表示為：

在給定觀測集X后，通過θ先驗期望計算后驗期望，計算方法是使貝葉斯 MSE（mean square error）矩陣（）最小，

按照上述方式可得到線性最小均方差（Linear Minimum Mean Square Error，LMMSE）估計量。

2.2 考慮突發(fā)失效的復雜系統(tǒng)運行可靠性評估模型

Weibull分布是工程領(lǐng)域廣泛使用的一種方法，可以通過對其參數(shù)的不同取值，近似接近其他分布形式，具有良好的適應(yīng)性，本文采用Weibull建立的針對突發(fā)失效的復雜系統(tǒng)運行可靠性評估模型。本文針對復雜系統(tǒng)突發(fā)失效的假設(shè)，可體現(xiàn)突發(fā)失效自身的機理及由退化失效到一定程度后引發(fā)的突發(fā)失效表現(xiàn)形式，反映了退化失效對壽命變化規(guī)律的影響，因此在一定程度上可以描述出性能退化失效和突發(fā)失效之間的相互關(guān)系。

假設(shè)復雜系統(tǒng)突發(fā)失效的壽命變化規(guī)律符合Weibull分布，其概率密度函數(shù)表達式為

式中α＞0，β＞0分別表示尺度參數(shù)和形狀參數(shù)。

形狀參數(shù)一般反映退化失效對突發(fā)失效的影響，可以通過退化量w進行描述。在形狀參數(shù)已知的情況下，系統(tǒng)突發(fā)失效的可靠性評估可以轉(zhuǎn)化為對尺度參數(shù)α的計算。假設(shè)尺度參數(shù)具有共軛Gamma先驗分布，即

式中c和d是尺度參數(shù)的共軛先驗的超參數(shù)。通過采集尺度參數(shù)的先驗均值和方差，可得到超參數(shù)c和d的取值，進一步可計算出尺度參數(shù)的后驗均值和方差，實現(xiàn)突發(fā)失效的可靠性評估。

針對更加普遍的情況，通過數(shù)據(jù)學習可確定突發(fā)失效關(guān)于退化量的條件概率，用來分析退化失效對突發(fā)失效的影響?？紤]到退化量的特征分布是時間函數(shù)，上述過程可以簡化。通過基于退化量突發(fā)失效的條件概率和突發(fā)失效概率分布的聯(lián)合分布函數(shù)計算可靠度，相關(guān)求解方法可用蒙特卡洛仿真實現(xiàn)。

突發(fā)失效可靠度

2.3 基于貝葉斯模型平均的復雜系統(tǒng)運行可靠性評估模型

貝葉斯模型平均（Bayesian Model Averaging，BMA）是一個結(jié)合多個統(tǒng)計模型進行聯(lián)合推斷和預測的統(tǒng)計后處理方法［17］。令f＝｛f1，f2｝表示復雜系統(tǒng)運行可靠性的評估模型，f1表示退化失效可靠性評估模型，用Gamma過程描述，f2表示突發(fā)失效可靠性評估模型，用 Weibull分布描述。傳統(tǒng)的BMA模型是針對多個正態(tài)分布模型進行平均的，本文的兩個可靠性評估模型分布形式不一致，考慮到Weibull分布本身具有很大的適應(yīng)性，本文假設(shè)運行可靠性符合Weibull分布。系統(tǒng)運行可靠性評估的表達式為：

經(jīng)貝葉斯模型平均后，后驗的期望值和期望可以表示為：

其中為模型Mj基于數(shù)據(jù)集D的預測方差。由式（14），BMA的預報方差包括兩項：①評估集合內(nèi)的離散程度；②預測模型本身的方差。

3 復雜系統(tǒng)運行可靠性評估算法

復雜系統(tǒng)運行可靠性評估的算法步驟如下：

（1）融合狀態(tài)監(jiān)測信息，評估退化水平

利用2.1節(jié)的貝葉斯線性模型，融合多種來源的狀態(tài)監(jiān)測信息，運用式（5）和式（6）計算狀態(tài)監(jiān)測參數(shù)與累計退化量函數(shù)關(guān)系的期望和方差值；建立多元狀態(tài)監(jiān)測信息與累計退化量的關(guān)系；在輸入新的監(jiān)測信息后，利用式（4）評估復雜系統(tǒng)的退化水平。

（2）計算復雜系統(tǒng)退化失效可靠度

利用預測的退化期望值，按照式（3），采用Monte－Carlo仿真方法計算復雜系統(tǒng)退化失效的可靠性。

（3）計算突發(fā)失效Weibull分布的尺度參數(shù)

假設(shè)復雜系統(tǒng)突發(fā)失效的尺度參數(shù)服從逆Gamma分布，其先驗分布參數(shù)為Ga（γ，η），則需要進一步確定逆Ga（γ，η）的超參數(shù)，即通過首先確定先驗參數(shù)，再進行參數(shù)的學習來計算。

假設(shè)在系統(tǒng)運行初期已知時刻的突發(fā)失效可靠度和方差，則尺度參數(shù)

已知參數(shù)α的均值和方差，則超參數(shù)a和b可以通過式（15）和式16）計算得到：

采集 突 發(fā) 失 效 觀 測 數(shù) 據(jù) ｛（t1，n1），…，（tm，nm）｝，其中ti表示突發(fā)失效的發(fā)生時間，ni表示突發(fā)失效樣本數(shù)，經(jīng)學習后的后驗參數(shù)γ′和η′可表示為：

需要說明的是，如果在系統(tǒng)運行過程中采集到檢查信息和維修信息，則應(yīng)采用貝葉斯信息融合方法，修正先驗信息并調(diào)整相關(guān)參數(shù)。

（4）計算突發(fā)失效可靠度

結(jié)合步驟（1）計算的退化期望值和步驟（3）計算的突發(fā)失效尺度參數(shù)，利用預測的退化期望值，應(yīng)用式（10），采用馬爾可夫鏈蒙特卡洛（Markov Chain Monte Carlo，MCMC）仿真方法計算復雜系統(tǒng)突發(fā)失效的可靠性。

（5）采用BMA方法計算運行可靠度

2）計算候選點θ＊的接受概率

經(jīng)過充分的迭代后，M－H算法使Markov鏈收斂于目標分布π（ρi）。

4 數(shù)值算例

為說明本文所提方法的應(yīng)用過程，選擇某型航空發(fā)動機作為研究對象。該研究對象滿足前文對復雜系統(tǒng)運行可靠性評估的基本假設(shè)：①該發(fā)動機在運行過程中同時存在退化失效和突發(fā)失效；②該發(fā)動機的退化是不可逆轉(zhuǎn)的，體現(xiàn)為若未經(jīng)維修，則只能表現(xiàn)為可靠性逐漸降低；③該發(fā)動機具有完善的在線狀態(tài)監(jiān)測系統(tǒng)，便于提取和采集監(jiān)測信息，跟蹤性能退化過程；④航空發(fā)動機直接涉及到飛行安全，突發(fā)失效發(fā)生頻率低。

采集某機隊已經(jīng)發(fā)生更換的35個發(fā)動機樣本，監(jiān)測如下6個參數(shù)：DEGT（渦輪后燃氣溫度偏差）、GWFM（燃油消耗量偏差）、GPCN25（高壓轉(zhuǎn)子轉(zhuǎn)速偏差）、DPOIL（滑油壓力）、ZVBIF（低壓轉(zhuǎn)子振動值偏差）和ZVB2R（高壓轉(zhuǎn)子振動值偏差），發(fā)動機在翼時間TSI（time since installation）的單位是飛行小時（Fight Hour，F(xiàn)H）。采集已經(jīng)發(fā)生更換和拆卸的發(fā)動機機隊信息，提取發(fā)生拆卸時的狀態(tài)監(jiān)測參數(shù)和在翼壽命，采用Gamma過程計算性能的退化程度，計算狀態(tài)監(jiān)測參數(shù)與性能退化之間的關(guān)系；跟蹤某臺發(fā)動機從開始投入使用到發(fā)生更換拆卸的壽命周期過程，獲取9個監(jiān)測點的信息和使用時間，根據(jù)航空發(fā)動機的實際在翼壽命，逆向計算各監(jiān)測點的實際可靠度，并與模型計算結(jié)果進行對比。本算例的計算流程如圖2所示。

35個經(jīng)無量綱化的狀態(tài)監(jiān)測參數(shù)如圖3所示，貝葉斯線性模型融合計算結(jié)果與性能退化程度的對比如圖4所示。進一步，本文跟蹤了某發(fā)動機在線監(jiān)測的9個樣本，分別對其進行性能退化可靠性評估和突發(fā)失效可靠性評估，相關(guān)參數(shù)及可靠性評估結(jié)果如表1所示。

由圖4可見，融合的狀態(tài)監(jiān)測參數(shù)與實際的性能退化值有較好的擬合度，可以利用上述提取的關(guān)系跟蹤在線監(jiān)測樣本。

圖5和圖6分別表示突發(fā)失效與退化失效的概率密度函數(shù)曲線?？梢钥闯觯嘶Ь哂袧u進性，而突發(fā)失效則具有較大的波動性，符合退化失效和突發(fā)失效的工程特點。

表1 某型航空發(fā)動機退化失效及突發(fā)失效可靠性評估

進一步結(jié)合已經(jīng)采集到的該發(fā)動機在各拆卸時刻點的可靠度信息，采用BMA方法，對退化失效和突發(fā)失效模型進行訓練，相關(guān)結(jié)果如表2所示。

表2 某型航空發(fā)動機失效權(quán)重及運行可靠性評估

續(xù)表2

運行可靠性失效概率的密度曲線如圖7所示，可靠度變化曲線如圖8所示，退化失效和突發(fā)失效的權(quán)重概率密度函數(shù)曲線如圖9和圖10所示。由圖7和圖8可以看出，運行可靠性曲線較好地平均了退化失效和突發(fā)失效可靠性曲線，體現(xiàn)了復雜系統(tǒng)運行過程中的平穩(wěn)性和可靠性降低的漸進性。

由圖9和圖10可以看出，退化失效的權(quán)重在對整個運行可靠性影響中占主導地位，尤其是在系統(tǒng)運行的前期，退化失效是復雜系統(tǒng)的主要失效模式；而在系統(tǒng)運行后期，突發(fā)失效的可能性將逐步提高。

表3給出了退化失效可靠度、突發(fā)失效可靠度、運行可靠度與實際可靠度水平的對比值，其中實際可靠度根據(jù)該發(fā)動機實際在翼壽命逆向計算得到。由表3可知，運行可靠性評估值在總體上優(yōu)于退化失效可靠性評估值和突發(fā)失效可靠性評估值。

表3 某型航空發(fā)動機運行可靠性評估誤差分析

續(xù)表3

5 結(jié)束語

本文針對復雜系統(tǒng)運行中退化失效和突發(fā)失效同時存在的實際，利用其運行過程采集的狀態(tài)監(jiān)測信息、專家信息、維修信息和檢查信息，分別針對退化失效和突發(fā)失效建立相應(yīng)的可靠性評估模型，利用貝葉斯模型平均技術(shù)，分析退化失效和突發(fā)失效對系統(tǒng)運行可靠性的影響，評估復雜系統(tǒng)運行的可靠性。采集了某型航空發(fā)動機的運行數(shù)據(jù)，說明了本文提出的方法對算例是有效的。本文將狀態(tài)監(jiān)測的研究成果與基于貝葉斯的小樣本可靠性評估成果有機結(jié)合起來，通過狀態(tài)監(jiān)測數(shù)據(jù)提取有價值的可靠性信息，進一步通過數(shù)據(jù)分析不同失效對運行可靠性的影響，目標是通過模型描述復雜系統(tǒng)運行階段失效的轉(zhuǎn)換與切換，提高運行可靠性評估的準確度。今后在有足夠數(shù)據(jù)支撐的條件下，對退化失效和突發(fā)失效還可以進一步細化，分析影響復雜系統(tǒng)運行可靠性的關(guān)鍵因素和重要失效模式，為提高運行可靠性水平提供有力支持。

［1］ CHINNAM R B.On－line reliability estimation for individual components using statistical degradation signal models［J］.Quality and Reliability Engineering International，2002，18（1）：53－73.

［2］ LI G D，MASUDA S.A new reliability prediction model in manufacturing systems［J］.IEEE Transactions on Reliability，2010，59（1）：170－177.

［3］ LOLAS S，OLATUNBOSUN O A.Prediction of vehicle reliability performance using artificial neural networks［J］.Expert Systems with Applications，2008，34（4）：2360－2369.

［4］ BOSNIC Z，KONONENKO I.Comparison of approaches for estimating reliability of individual regression predictions［J］.Data ＆ Knowledge Engineering，2008，67（3）：504－516.

［5］ LI J A，WU Y，LAI K K，et al.Reliability estimation and prediction of multi－state components and coherent systems［J］.Reliability Engineering ＆ System Safety，2005，88（1）：93－98.

［6］ LU H T，KOLARIK W J，LU S S.Real time performance reliability prediction［J］.IEEE Transactions on Reliability，2001，50（4）：353－357.

［7］ WU Jun，DENG Chao，XIONG Qiangqiang，et al.Reliability assessment method based on bootstrap and SVM［J］.Computer Integrated Manufacturing Systems，2013，19（5）：1058－1063（in Chinese）.［吳 軍，鄧 超，熊強強，等.基于 Bootstrap與SVM集成的可靠性評估方法［J］.計算機集成制造系統(tǒng)，2013，19（5）：1058－1063.］

［8］ XIAO N C，HUANG H Z，LI Y F，et al.Multiple failure mode analysis and weighted risk priority number evaluation in FMEA ［J］.Engineering Failure Analysis，2011，18（4）：1162－1170.

［9］ BOUTSIKAS M V，KOUTRAS M V.On a class of multiple failure mode systems［J］.Naval Research Logistics，2002，49（2）：167－185.

［10］ PICKARD K，MüLLER P，BERTSCHE B.Multiple failure mode and effects analysis：an approach to risk assessment of multiple failures with FMEA［C］//Proceedings of Reliability and Maintainability Symposium.Washington，D.C.，USA：IEEE，2005：457－462.

［11］ YANG Q Y，HONG Y L，CHEN Y，et al.Failure profile analysis of complex repairable systems with multiple failure modes［J］.IEEE Transactions on Reliability，2012，61（1）：180－191.

［12］ ZHANG F，LU Z Z，CUI L J.Reliability sensitivity algorithm based on stratified importance sampling method for multiple failure modes systems［J］.Chinese Journal of Aeronautics，2010，23（6）：660－669.

［13］ MILIENOS F S，KOUTRAS M V.A lower bound for the reliability function of multiple failure mode systems［J］.Statistics ＆ Probability Letters，2008，78（12）：1639－1648.

［14］ WANG W B，BANJEVIC D，PECHT M.A multi－component and multi－failure mode inspection model based on the delay time concept［J］.Reliability Engineering ＆System Safety，2010，95（8）：912－920.

［15］ HU Jianbo，GE Xiaokai，ZHANG Liang，et al.Degradation shift modeling and condition maintenance descsion optimization of multi－failure system［J］.Computer Integrated Manufacturing Systems，2014，20（1）：165－172（in Chinese）.［胡劍波，葛小凱，張 亮，等.多失效系統(tǒng)退化變遷建模與狀態(tài)維修決策 優(yōu) 化 ［J］.計 算 機 集 成 制 造 系 統(tǒng)，2014，20（1）：165－172.］

［16］ GOLDSTEIN M，WOOFF D.Bayes Linear statistics，theory＆ methods［M］.New York，N.Y.，USA：John Wiley ＆Sons，2007.

［17］ RAFTERY A E，GNEITING T，BALABDAOUI F，et al.Using Bayesian model averaging to calibrate forecast ensembles［J］. Monthly Weather Review，2005，133 （5）：1155－1174.