ности: логико-вероятностные, марковские, асимптотические, статистическое моделирование.
• Агрегирование моделей и показателей частей в общесистемные показатели осуществляется на моделях вышеуказанного пункта 2, в том числе по выражению (4) и, при необходимости, в обобщенной модели (2).
ЛИТЕРАТУРА
1. Степанянц А. С. Вычисление параметра потока отказов в логико-вероятностных моделях методом рекурсивного наращивания переменных // Автоматика и Телемеханика. — 2007. — № 9. — С. 161—175.
2. Викторова В. С., Степанянц А. С. Анализ программного обеспечения моделирования надежности и безопасности систем // Надежность. — 2006. — № 4 (19). — С. 46—57.
3. Викторова В. С., Степанянц А. С. Модели и методы расчета надежности технических систем. — М.: URSS, 2014. — 256 c.
4. Можаев А. С., Громов В. Н. Теоретические основы общего логико-вероятностного метода автоматизированного моделирования систем. — СПб.: ВИТУ, 2000. — 144 с.
5. Kumamoto H., Henley E. J. Probabilistic risk assessment and management for engineers and scientists. Second edition, N. Y. // IEEE Press. - 1996. - Р. 522.
6. Рябинин И. А. Надежность и безопасность структурно-сложных систем. — СПб.: СПбГУ, 2007. — 276 с.
7. Викторова В. С., Степанянц А. С. Динамические деревья отказов // Надежность. — 2011. — № 3. — С. 20—32.
8. Можаев А. С. Общий логико-вероятностный метод анализа надежности сложных систем: уч. пособие. — Л.: ВМА, 1988. — 68 с.
9. Рябинин И. А. Основы теории и расчета судовых электроэнергетических систем. — Л.: Судостроение, 1971. — 456 с.
10. Методы анализа и синтеза структур управляющих систем / Под ред. Б. Г. Волика. — М.: Энергоатомиздат, 1988. — 296 с.
Валентина Сергеевна Викторова — д-р техн. наук, зав. лабораторией;
® 8 (495) 334-79-61
E-mail: ray@ipu.ru
Армен Суренович Степанянц — ст. научн. сотрудник.
® 8 (495) 334-79-61
E-mail: lfvrk@ipu.ru □
УДК 621.3.019
ОСОБЕННОСТИ ПРОГНОЗИРОВАНИЯ НАДЕЖНОСТИ СИСТЕМ И УСТРОЙСТВ ПО МЕТОДИКЕ 217 PLUS™ Ч. I. МОДЕЛИ ИНТЕНСИВНОСТИ ОТКАЗОВ КОМПОНЕНТ
Б. П. Петрухин
Рассмотрены наиболее существенные отличия моделей методики 217Plus™ прогнозирования безотказности элементов технических средств от используемых в традиционных методиках (MIL 217, RDF 2000 и т. п.). Показаны ее достоинства и недостатки.
Ключевые слова: надежность технических средств, модели оценки безотказности.
ВВЕДЕНИЕ
Методика 217Р1ш™ [1] разработана Информационным аналитическим центром анализа надежности (Я1АС), работающим под эгидой Технического Информационного центра Министерства обороны США. ЫАС занимается сбором, анализом и распространением информации о безотказности, ремонтопригодности, качестве, возможности поддержки и совместимости (RMQSI) технических средств, распространяет сведения о системах и продуктах, а также компонентах, используемых в них.
RIAC касается как военных, так и коммерческих применений. Данные, содержащиеся в базах RIAC, собираются на постоянной основе, используя широкий спектр источников, в том числе это испытательные лаборатории, производители устройств и оборудования, государственные лаборатории и оборудование пользователей.
217Plus™ — это методика и программный инструмент следующего поколения программного инструмента PRISM®, первоначально выпущенного в 1999 г. аналитическим центром "Надежность" (RAC) (который стал RIAC в 2005 г.) и содержит в два раза больше моделей, чем оригинальные PRISM® инструменты.
В методике 217Р1ш™ есть две основных группы моделей — модели прогнозирования надежности компонентов и модели оценки надежности систем. Оценка интенсивности отказов системы начинается с оценки интенсивности отказов каждого компонента. Затем эти интенсивности отказов суммируются для оценки интенсивности отказа системы. Это традиционный процесс, используемый в большинстве методик прогнозирования надежности. Полученная оценка изменяется с помощью поправочных коэффициентов, которые учитывают некомпонентные эффекты системного уровня. Целью модели является оценка "частоты возникновения отказа" и ускорителей механизмов отказов основных компонентов в рамках приемлемой степени точности.
Модели должны быть адекватно чувствительны к условиям работы и нагрузкам и давать возможность пользователю выполнять сравнительный анализ между этими переменными. Например, отличительной особенностью моделей 217Р1ш™ является то, что они прогнозируют интенсивность отказов для периодов непрерывной работы, нерабочих периодов и при циклической работе.
В результате пользователь может выполнять компромиссный анализ между длительностью цикла, скоростью и другими переменными. Например, часто возникает вопрос, будет ли система иметь более высокую интенсивность отказов, если питание постоянно приложено, или, если питание полностью отключено во время периодов неиспользования. Модели в 217Р1ш™ предназначены для облегчения поиска компромисса.
МОДЕЛИ ПРОГНОЗИРОВАНИЯ НАДЕЖНОСТИ В217PLUS™
На рисунке представлена схема определения интенсивности отказа системы (устройства, блока, компонента), которую предлагает методика 217Р1ш™.
Конкретный подход, который можно использовать, зависит от нескольких факторов, в том числе:
— если существует информация об элементе-предшественнике;
— имеются доступные эмпирические данные о надежности элементов;
— используют ли проектанты при разработке системы опыт эксплуатации элемента-предшественника и может ли быть использован анализ эволюции элемента-предшественника.
Элемент-предшественник определяется как система или продукт, который основан на аналогичной технологии и использует схожую конструкцию и процессы производства. В этом случае новое изделие является развитием своего предшественника. Прогнозирование интенсивности отказа выполняется на обоих элементах — предшественнике и анализе нового элемента. Эти два прогноза используют как основное соотношение для коррекции наблюдаемой интенсивности отказов системы предшественника. Результат анализа предшественника Х1 представлен на рисунке.
Если имеется достаточное количество эмпирических данных (эксплуатация, тест или и то, и другое), доступных при анализе новой системы, то они могут быть объединены с прогнозированием надежности новой
Корректировка интенсивности отказов в методике 217Р1ш™
38
вепвогв & Эувгетв • № 6.2014
системы для формирования лучшей оценки интенсивности отказов. Для этого используется Байесовский подход — комбинация, которая объединяет прогнозирование надежности при имеющихся данных. Поскольку количество эмпирических данных увеличивается, то в интенсивности отказов с использованием байесовской комбинации будут больше доминировать эмпирические данные. Результат байесовской комбинации X2 представлен на рисунке.
Минимальное количество анализов, необходимое для получения результата в прогнозировании интенсивности отказов системы или изделия, представляет собой сумму оценок интенсивностей отказов компонентов. Интенсивности отказов конструктивных элементов определяются из моделей, представленных далее. В результате этого на основе прогнозирования получаем Xja компонента-новое. Это значение может быть дополнительно уточнено с помощью дополнительного анализа и таким образом в результате получаем X прогноз-новую.
Все методы анализа требуют, чтобы прогнозирование нового изделия выполнялось в соответствии с методикой прогнозирования компонента. Прогнозы, основанные исключительно на анализе этого компонента, используются только в тех случаях, когда нет эксплуатационных данных или данных истории испытаний на надежность элемента и когда нет предшественника с историей эксплуатации. После того, как система или продукт запущены в эксплуатацию и проработали значительное количество времени, то лучшие данные, на основе которых проводится оценка интенсивности отказов, — это наблюдаемые данные или комбинации прогнозируемых и наблюдаемых отказов.
• Xja, предшественник — начальная оценка предшествующего элемента; это сумма прогнозируемых ин-тенсивностей отказов компонент, рассчитанных по моделям 217Plus™, данные берут из базы данных RIAC или из других источников.
• X наблюдаемый, предшественник — наблюдаемая интенсивность отказов предшествующей системы; это точечная оценка интенсивности отказа, которая равна числу отказов, деленому на суммарную наработку. Дополнительные данные используются для повышения точности прогноза отказов за счет добавления новых подробных данных, относящиеся к воздействиям окружающей среды, действующих рабочих нагрузок и результатов процесса сертификации. 217Plus™ содержит значения по умолчанию для условий эксплуатации и рабочих нагрузок. В случае, если фактические значения этих параметров известны либо определены с помощью анализа или измерений, то они должны быть использованы вместо значений по умолчанию.
Приложение результатов процесса классификации также является необязательным, в то время как пользователь имеет возможность получить оценки конкрет-
ных процессов, используемых в разработке и самообеспечении системы. Если данные сертификации не используются, значения по умолчанию предоставляются для каждого процесса (причины отказа), так что пользователь может оценить любой или все процессы.
• X прогнозируемое предшественника — прогнозируемая интенсивность отказов предшественника после объединения первоначальной оценки с дополнительными данными, если они используются.
• Xja новая является первоначальной оценкой новой системы; Х^д — это сумма прогнозируемых интен-сивностей отказов компонентов. Для ее нахождения используют модели отказа компонентов 217Plus™, данные из базы данных RIAC и другие данные, которые могут быть доступны для анализа. Прогнозирование надежности этим способом является минимальным уровнем анализа, который приведет к прогнозируемому значению надежности. Применяя дополнительные данные можно улучшить это значение.
• X прогнозируемая новая является прогнозируемой интенсивностью отказов новой системы после объединения первоначальной оценки с дополнительными данными, если они используются. Если дополнительные данные не используется, то X прогноз-новая равна Xja новой. А Xj^ новая — это оценка инте
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.