故障樹分析法的現(xiàn)狀與發(fā)展*

□ 郭濟鳴 □ 齊金平 ，3 □ 李興運

1.蘭州交通大學 機電技術研究所 蘭州 730070

2.甘肅省物流及運輸裝備信息化工程技術研究中心 蘭州 730070

3.甘肅省物流與信息技術研究院 蘭州 730070

1 研究背景

故障樹分析法將所要分析的系統(tǒng)問題以圖形的形式進行表達處理，在分析步驟中，將所分析的系統(tǒng)發(fā)生故障設為頂事件，將無法再細分的事件稱為底事件，將其余剩下的所有事件稱為中間事件。故障樹分析法將整個系統(tǒng)的最終故障及形成每一級故障的原因通過一個倒置的樹形圖來表達，對于系統(tǒng)處理計算，找出影響較大的環(huán)節(jié)進行分析，為系統(tǒng)運行和維修提供信息參考，在可靠性處理研究方法中所占的比重逐漸增大。由于該方法對于可靠性分析所具有的很多優(yōu)勢，因此近幾年國內(nèi)外各領域不斷對其進行研究，促成其繼續(xù)發(fā)展。

2 國內(nèi)外發(fā)展歷程

1961年，貝爾實驗室最初以系統(tǒng)可靠性分析方法推出發(fā)表了故障樹分析法，自此故障樹分析法被許多學者認可應用，也因此得到了深入發(fā)展?，F(xiàn)如今，該方法已經(jīng)與多種其它學科和理論結(jié)合，非常廣泛地應用于不同學科和區(qū)域。

1989年，Esary和Smotherman等通過故障樹和馬爾可夫模型結(jié)合，對階段性動態(tài)進行了建模，以限制系統(tǒng)的靈活性，將相位變化通過分布函數(shù)表示，提高了求解速度。1992年，Dugan等以空間站和空中交通管理等系統(tǒng)為研究背景，將馬爾可夫理論與組合數(shù)學應用到一起，研發(fā)了動態(tài)故障樹模型，推算出了三種應用于動態(tài)故障樹的模塊化算法，解決了動態(tài)故障樹計算速率慢的問題，并為解決關鍵應用程序中容錯計算機程序的可靠性問題，給出了容錯并行處理器、任務航空電子系統(tǒng)和容錯多維數(shù)據(jù)集三種先進的容錯計算機系統(tǒng)[1]。1996年，Pullum等對硬件、軟件繁雜的計算機系統(tǒng)進行可靠性分析，得出了一種對動態(tài)和靜態(tài)都可計算的Shade樹方法。1997年，Gulati等通過計算獨立子樹得到的數(shù)據(jù)，歸納整合處理得出一種混合模塊化方法，對于靜態(tài)故障樹應用二元決策圖方案，對于動態(tài)故障樹應用馬爾可夫模型方案，同時，采用獨立模塊的獨立解，再將方法結(jié)合進行整體處理[2]。

Ragavan為了簡化動態(tài)故障樹結(jié)構構建系統(tǒng)的表達，推算出更加精準的動態(tài)故障樹計算應用算法，增強了針對系統(tǒng)故障問題的動態(tài)故障樹框架的有效性，以更加嚴謹?shù)卮_認故障樹的構成和基本事件，使故障樹得到更準確的表達，分析馬爾可夫模型，提出數(shù)值解決方案。2003年，Ou等基于之前已經(jīng)得出的成果又推理出了計算近似重要度無環(huán)馬爾可夫可靠性結(jié)構的研究算法，對馬爾可夫鏈計算問題結(jié)果進一步化簡，針對非維護關鍵性計算機程序的可靠性，提出一種適用于任何非循環(huán)的馬爾可夫鏈可靠性分析模型，通過近似計算來解決動態(tài)故障問題[3]。2007年，Boudali等以交互式馬爾可夫鏈為背景，對于輸入和輸出端口進行模塊化，以應對組合過大時計算爆炸和非模塊化的問題，使用輸入輸出交互式馬爾可夫鏈形式來分析動態(tài)故障樹。使用這一形式，解決了模塊分析的局限性對于狀態(tài)空間爆炸問題的脆弱性問題，以及模塊構建不成熟的問題[4]。

2008年，Marquez等將混合貝葉斯網(wǎng)絡框架用于處理動態(tài)故障樹的靈敏性、模糊性和故障率等問題。對于動態(tài)離散變量域的近似推理算法，獲得了靜態(tài)和動態(tài)故障樹結(jié)構的故障分布準確逼近。對于已有的最初故障數(shù)據(jù)和專家判斷先驗信息，得到了參數(shù)化的邊緣失效分布后驗估計，得出了混合貝葉斯網(wǎng)絡框架[5]。Duan等針對傳統(tǒng)動態(tài)馬爾可夫鏈方法的缺陷，結(jié)合線性時間算法，將整個大系統(tǒng)整體劃分為獨立子樹，應用二元決策圖對靜態(tài)子樹進行處理，同時用貝葉斯網(wǎng)絡對動態(tài)子樹進行分析計算[6]。Kolek等提出了動態(tài)故障樹分析法、馬爾可夫鏈和可靠性塊圖，并介紹了一個塊庫，以解決復雜可靠性結(jié)構、多種形式軟件和硬件冗余，以及熱冷備份系統(tǒng)等問題。采用蒙特卡羅模擬法，提出了一種基于工業(yè)的案例研究，通過故障模式和效果分析，對冗余可編程邏輯控制器系統(tǒng)的關鍵故障進行了識別[7]。

季會媛將動態(tài)故障樹處理分為單獨的靜態(tài)子樹和動態(tài)子樹，再對其進行二元決斷圖法和馬爾可夫過程計算處理。當動態(tài)子樹規(guī)模比較小時，系統(tǒng)計算效率會提高。應用馬爾可夫鏈法來得出動態(tài)子樹的頂事件發(fā)生概率，利用馬爾可夫狀態(tài)轉(zhuǎn)移圖得到故障模式和對整體結(jié)構影響最大的事件，使整個系統(tǒng)的處理分析更加容易便捷[8]。朱正福等在狀態(tài)轉(zhuǎn)移圖的基礎上將馬爾可夫鏈劃分為幾個狀態(tài)轉(zhuǎn)移鏈，由于鏈的長度不一樣，因此計算出適用于不同鏈長的失效概率計算公式，避免對于難度較大的方程計算，使現(xiàn)實的案例分析更加可行[9]。李彥鋒應用三角模糊數(shù)賦值零部件和系統(tǒng)的故障發(fā)生概率，將事先建立的動態(tài)故障樹結(jié)構用來獲得模糊馬爾可夫結(jié)構。結(jié)合模糊數(shù)學中擴展定理和拉普拉斯-斯蒂爾切斯變換計算處理獲得的結(jié)構，獲取系統(tǒng)在特定時間的模糊故障率和模糊可靠度圖像。同時應用貝葉斯網(wǎng)絡和動態(tài)故障樹對系統(tǒng)可靠性進行建模，將無效的動態(tài)故障樹模型變換為貝葉斯網(wǎng)絡模型，以此將模型求解的復雜度大大化簡[10]。房丙午等通過已知的函數(shù)對條件概率表進行描述，解決了組合爆炸問題。由已獲得的備件門故障原因和相應的貝葉斯網(wǎng)絡結(jié)構特點,結(jié)合指數(shù)分布的備件節(jié)點故障時間特性，推理出基于動態(tài)故障樹的貝葉斯網(wǎng)絡精確算法，應用該算法提出了系統(tǒng)失效分布、部件重要度等概率公式[11]。孫麗娜等將傳統(tǒng)二態(tài)性故障樹變形為多態(tài)的Takagi-Sugeno模糊故障樹系統(tǒng)，通過結(jié)合統(tǒng)計學期望來處理系統(tǒng)多態(tài)故障問題，并對底事件和中間事件處理得到多態(tài)系統(tǒng)可靠性的分析方法[12]。

3 貝葉期網(wǎng)絡法

貝葉斯網(wǎng)絡最開始是為了解決人工智能存在的因素無法確定的問題。貝葉斯網(wǎng)絡通過圖形表達系統(tǒng)故障間的聯(lián)系，能夠得出事件概率。如今,貝葉斯網(wǎng)絡的問題主要在于如何創(chuàng)建、推算貝葉斯網(wǎng)絡，以及學習功能方面。貝葉斯網(wǎng)絡的主要建模方法如下：①根據(jù)相關領域?qū)＜业慕?jīng)驗直接建模；②根據(jù)對網(wǎng)絡訓練數(shù)據(jù)進行學習來建模；③將專家知識庫和網(wǎng)絡數(shù)據(jù)學習組合利用后建模。對于系統(tǒng)的特點和條件差異，應用不同的建模方法。建造貝葉斯網(wǎng)絡主要應用的是概率推理，特別是后驗概率的分析。

貝葉斯網(wǎng)絡為有向無環(huán)圖，由節(jié)點和邊構成。隨機變量通過節(jié)點來代替，變量和變量的相互關系通過有向邊來表達。貝葉斯網(wǎng)絡賦予了有向圖中全部變量的特定聯(lián)合概率分布，通過獲得節(jié)點的聯(lián)合概率分布來獲取某一事件的概率。貝葉斯網(wǎng)絡結(jié)構成立的前提是隨機變量相對獨立。

貝葉斯網(wǎng)絡中變量的聯(lián)合概率分布為：

式中：Pa（Xi）為節(jié)點Xi的所有父節(jié)點變量集。

聯(lián)合概率分布的連續(xù)函數(shù)形式為：

要想得到指定變量的邊緣概率分布，需要得到聯(lián)合概率分布。例如，假設有兩個離散隨機變量X和 Y，X 有 m 個狀態(tài)，X={a1，a2，…am}，Y 有 n 個狀態(tài)，Y={b1，b2，…，bn}，得到聯(lián)合概率分布 P（X，Y），則能計算出X的邊緣概率分布P（X）：

式（3）的連續(xù)形式為：

4 動態(tài)邏輯門的貝葉斯網(wǎng)絡表示

4.1 優(yōu)先與門

如果節(jié)點事件A在節(jié)點事件B前失效，那么節(jié)點事件X與節(jié)點事件B同時失效。如果節(jié)點事件B在節(jié)點事件A前失效，那么節(jié)點事件X在將來無窮遠的時間失效，如圖1、圖2所示。

圖1 優(yōu)先與門

圖2 優(yōu)先與門貝葉斯網(wǎng)絡圖

優(yōu)先與門輸出的條件概率密度函數(shù)為：

節(jié)點的故障概率分布函數(shù)為：

考慮 x＜∞，δ(x-∞)=0，則 X 在時間段[0，t]的故障發(fā)生概率為：

有n個輸入事件的故障樹與門，則X在時間段[0，t]的故障發(fā)生概率為：

4.2 優(yōu)先或門

優(yōu)先或門表示只有當?shù)谝粋€輸入門，也就是故障樹最左邊輸入門失效時，整個門才輸出失效，如圖3、圖4所示。由圖2、圖4可見，優(yōu)先與門和優(yōu)先或門的貝葉斯網(wǎng)絡圖一致。

圖3 優(yōu)先或門

圖4 優(yōu)先或門貝葉斯網(wǎng)絡圖

優(yōu)先或門輸出的條件概率密度函數(shù)為：

優(yōu)先或門輸出的邊緣概率分布函數(shù)為：

δ（x-∞）=0，則 X 在時間段[0，t]的故障發(fā)生概率為：

有n個輸入事件的故障樹或門，則X在[0，t]時間段的故障發(fā)生概率為：

5 馬爾可夫鏈法

由于真實工程系統(tǒng)中零部件故障的形成很復雜，彼此間有很多聯(lián)系，有的是靜態(tài)的，有的是動態(tài)的，而且部件故障還存在發(fā)生順序的問題，因此傳統(tǒng)的靜態(tài)故障樹是無法準確表達零部件失效的原因和結(jié)果的，需要馬爾可夫模型方法來解決這些問題。應用馬爾可夫鏈法處理動態(tài)子樹，先要將動態(tài)子樹處理為對應的馬爾可夫鏈，繼而根據(jù)動態(tài)故障樹狀態(tài)轉(zhuǎn)移圖，獲得故障模式和傳遞線路。對于狀態(tài)轉(zhuǎn)移圖，若馬爾可夫鏈最后的狀態(tài)為系統(tǒng)故障，那么該鏈上的全部事件故障的轉(zhuǎn)移關系稱為系統(tǒng)的一種故障。從系統(tǒng)故障的狀態(tài)開始，順著馬爾可夫鏈返回追蹤，能夠得到動態(tài)故障樹系統(tǒng)的全部故障狀態(tài)。

一條鏈在Δt時段內(nèi)，事件發(fā)生概率為λij，狀態(tài)i轉(zhuǎn)移到狀態(tài)j的轉(zhuǎn)移概率為：

狀態(tài)i的自身轉(zhuǎn)移概率Pij（Δt）為：

鏈長為1的狀態(tài)轉(zhuǎn)移鏈如圖5所示。

圖5 鏈長為1狀態(tài)轉(zhuǎn)移鏈

令Pj（t）是該轉(zhuǎn)移鏈使系統(tǒng)在時刻t處于鏈長為1狀態(tài)的概率，那么，P（t）=（P0（t），P1（t））符合下列微分方程組及初始條件：

對于系統(tǒng)的狀態(tài)轉(zhuǎn)移鏈，由0到j若有鏈長為1的狀態(tài)轉(zhuǎn)移鏈T1，則Pj（t）在T1上的分量為：

式中：λ00＞0；λjj≥0。

鏈長為2的狀態(tài)轉(zhuǎn)移鏈如圖6所示。

圖6 鏈長為2狀態(tài)轉(zhuǎn)移鏈

由0到j若有鏈長為2的狀態(tài)轉(zhuǎn)移鏈T2，則Pj（t）在T2上的分量為：

鏈長為n的狀態(tài)轉(zhuǎn)移過程如圖7所示。

圖7 鏈長為n狀態(tài)轉(zhuǎn)移鏈

式中：j=1，2，…n；λkk＞0；λjj≥0。

當 j=n 時，λnn=0，則有：

6 優(yōu)缺點比較

6.1 貝葉斯網(wǎng)絡法

貝葉斯網(wǎng)絡所具有的條件獨立的特性可以降低系統(tǒng)計算的難度，尤其適用于分析擁有隨機性質(zhì)的不確定動態(tài)時序系統(tǒng)。在計算的過程中，避開了組合爆炸，且所求得的計算結(jié)果精度會有所提高。同樣也可以應用于對動態(tài)復雜系統(tǒng)備件節(jié)點失效的處理，因為可以表達系統(tǒng)的多態(tài)性和不確定性。

在應用貝葉斯網(wǎng)絡時，會因為其固有的不確定性事件之間因果關系的缺陷，而需要確定事件間的關聯(lián)概率，因此增大了網(wǎng)絡構成的難度。對于建模的過程，需要相關科研人員不斷進行改進，但處理過程可能反而變得麻煩。

6.2 馬爾可夫鏈法

馬爾可夫鏈法是利用狀態(tài)空間矩陣的方法來描述系統(tǒng)中各個狀態(tài)轉(zhuǎn)移的隨機過程，可以充分描述系統(tǒng)故障的順序相關性、功能相關性、優(yōu)先性等動態(tài)特點，具有對不確定性進行推理的能力。

應用馬爾可夫鏈法處理分析較大的動態(tài)故障系統(tǒng)時，隨著底事件及中間事件數(shù)量的增加，計算量會變得很大，而且應用馬爾可夫鏈法是需要一定前提的，只有組成系統(tǒng)的所有部件的壽命和維修時間都滿足指數(shù)分布時，才可以對其進行分析和處理。因此，馬爾可夫鏈法無法在實際系統(tǒng)中得以廣泛推廣應用。

7 結(jié)束語

將故障樹分析法應用于分析故障系統(tǒng)時，僅僅對系統(tǒng)總體采用了故障樹建模，而未對系統(tǒng)每一個部分進行定性定量分析，因此還需要細化延伸對各模塊分別處理。對于智能化分析的要求，也沒有特定完善的故障樹分析軟件。

對于兼顧分析模糊不確定性和動態(tài)失效特性等條件下的故障樹處理，現(xiàn)有成果仍然欠缺，因此導致應用現(xiàn)有研究手段來處理獲得的數(shù)據(jù)與現(xiàn)實情況不匹配，甚至有很大的出入。于是，針對結(jié)合零部件動態(tài)故障特征和模糊無法確定的系統(tǒng)可靠性處理方法，其發(fā)展有很大空間。

針對上述有待改進的問題，相關學者提出可以從模塊化的思維入手來對系統(tǒng)故障樹建模，使所建立的故障樹模型結(jié)構更加符合實際要求。將過于巨大的系統(tǒng)進一步細化分解，最終重新將故障樹各個模塊子樹組合成整體進行分析。此外，對于分析處理某些效率較低的算法，出現(xiàn)計算機系統(tǒng)處理無法匹配的現(xiàn)象，算法設計者可以應用多線程并行處理計算的方法來攻克這些問題。

目前我國對于應用計算機作為輔助來建立故障樹和計算機自行處理計算的研究還不是十分完善，普遍只是應用于試驗階段的單一制圖，尚無法直接對故障樹定性和定量處理。個別研究領域的學者開發(fā)出的軟件只能應用于自身所在領域所特定的故障樹定性和定量處理，尚無法隨著系統(tǒng)條件的改變而隨意更改故障樹。由于存在諸多尚未解決的問題，因此故障樹分析法還無法突破領域間的界限。

無論是馬爾可夫鏈法，還是貝葉斯網(wǎng)絡法，都是用于處理不確定問題的方法，可以在此基礎上考慮研究結(jié)合其它不確定理論及處理方法，從而在多種類別問題上構造出更為適合不確定問題，且可以應用于更大范圍的通用解決方法。

[1]DUGAN J B，BAVUSO S J，BOYD M A.Dynamic Fault-tree Models for Fault-tolerant Computer Systems[J].IEEE Transactions on Reliability，1992，41（3）：363-377.

[2]GULATI R，DUGAN J B.A Modular Approach for Analyzing Static and Dynamic Fault Trees[C].Reliability and Maintainability Symposium.1997 Proceedings,Annual,Philadelphia,1997.

[3]OU Y，DUGAN J B.Approximate Sensitivity Analysis for Acyclic Markov Reliability Models[J].IEEE Transactions on Reliability，2003，52（2）：220-230.

[4]BOUDALI H，CROUZEN P，STOELINGA M.Dynamic Fault Tree Analysis Using Input/Output Interactive Markov Chains[C].Dependable Systems and Networks，2007.DSN’07.37th Annual IEEE/IFIP International Conference on，Edinburgh，2007.

[5]MARQUEZ D，NEIL M，F(xiàn)ENTON N.Solving Dynamic Fault Trees Using A New Hybrid Bayesian Network Inference Algorithm[C].Control and Automation，2008 16th MediterraneanConference on，Ajaccio，2008.

[6]DUAN R X，WAN G C，DONG D C.A New Assessment Method for System Reliability Based on Dynamic Fault Tree[C].Intelligent Computation Technology and Automation（ICICTA），2010 International Conference on，Changsha，2010.

[7]KOLEK L，IBRAHIM M Y，GUNAWAN I，et al.Evaluation of Control System Reliability Using Combined Dynamic Fault Treesand MarkovModels[C].Industrial Informatics（INDIN），2015 IEEE 13th International Conference on,Cambridge,2015.

[8]季會媛.動態(tài)故障樹分析方法研究[D].哈爾濱：國防科學技術大學，2002.

[9]朱正福，李長福，何恩山，等.基于馬爾可夫鏈的動態(tài)故障樹分析方法[J].兵工學報.2008，29（9）：1104-1107.

[10]李彥鋒.復雜系統(tǒng)動態(tài)故障樹分析的新方法及其應用研究[D].成都：電子科技大學,2013.

[11]房丙午，黃志球，李勇，等.基于貝葉斯網(wǎng)絡的復雜系統(tǒng)動態(tài)故障樹定量分析方法[J].電子學報，2016，44（5）：1234-1239.

[12]孫利娜，黃寧，仵偉強，等.基于T-S模糊故障樹的多態(tài)系統(tǒng)性能可靠性[J].機械工程學報，2016，52（10）：191-198.

[13]王雪飛，李青，馮力.基于模型和故障樹的飛機故障診斷方法[J].科學技術與工程，2017，17（20）：308-313.

[14]張佳，賈向陽.基于故障樹與Rete算法的電泵井工況診斷方法研究[J].現(xiàn)代電子技術，2017，40（2）：34-38.

[15]陳衛(wèi)東，張昌衛(wèi)，琚選擇，等.水下生產(chǎn)系統(tǒng)管匯的故障樹分析[J].哈爾濱工程大學學報，2016，37（8）：1022-1026.

[16]王煒俊.基于故障樹法的城市軌道交通受電弓可靠性分析[J].科技創(chuàng)新導報，2016，13（1）：59-61.

[17]張國喜，李曉鐘.基于灰色關聯(lián)故障樹的運營期隧道病害風險研究[J].工程管理學報，2016，30（1）：77-81.

[18]寇海霞，安宗文，劉波，等.基于貝葉斯網(wǎng)絡的風電齒輪箱可靠性分析[J].蘭州理工大學學報，2016，42（1）：40-45.

[19]張軍.故障樹最小割集法在S76直升機故障診斷中的應用[J].航空維修與工程，2015（12）：79-80.

[20]陳德道，安虎平，胡宗政.基于模糊理論的數(shù)控刀架故障診斷方法研究[J].組合機床與自動化加工技術，2015（10）：84-87，90.