高斯混合重要性采样法在认知不确定性条件下对依赖退化系统的可靠性评估

《RELIABILITY ENGINEERING & SYSTEM SAFETY》:Gaussian-mixture importance sampling for reliability evaluation of dependent degradation systems under epistemic uncertainty

【字体: 大 中 小 】 时间:2026年09月19日 来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 13.7

编辑推荐:

  •我们提出了一种新型的可靠性评估框架,用于在认知不确定性下分析依赖性多状态退化系统。•我们开发了一种基于故障模式的高斯混合重要性采样方法,用于捕捉多模态故障域。•我们设计了一种防御性混合策略,并通过CTCS3-300T案例研究验证了其提高的准确性和效率。引言随着工业自动化和系统集

  
  • •
    我们提出了一种新型的可靠性评估框架,用于在认知不确定性下分析依赖性多状态退化系统。
  • •
    我们开发了一种基于故障模式的高斯混合重要性采样方法,用于捕捉多模态故障域。
  • •
    我们设计了一种防御性混合策略,并通过CTCS3-300T案例研究验证了其提高的准确性和效率。

引言

随着工业自动化和系统集成的不断进步,现代工程系统变得越来越大规模、功能耦合性强且结构复杂。这些系统通常由多个组件或子系统组成,其性能退化可能导致服务中断、安全风险或重大的经济损失。因此,可靠性评估已成为系统设计、运营管理和维护决策的重要基础[1]、[2]。
在文献中,传统的可靠性模型通常将每个组件或系统描述为处于运行状态或故障状态。尽管这种二态表示简单方便,但对于组件在完全失效前会逐渐退化的实际系统来说往往不够充分[3]。在许多工程场景中,组件可能仍在降低的性能水平上执行其功能,只要系统的整体性能满足需求,系统就可以保持可用。为了描述这种中间性能水平,多状态系统(MSSs)被广泛用作复杂工程系统的更现实建模框架[4]、[5]、[6]。在过去几十年中,已经开发了多种MSS可靠性评估方法,如通用生成函数及其扩展[7]、基于决策图的方法[8]和基于随机过程的方法[3]。此外,基于模拟的方法因其在处理复杂结构、异构组件行为和非线性系统性能函数方面的灵活性而受到越来越多的关注[9]。非线性混合效应功能回归也被研究用于建模异构动态数据[10]。可靠性评估不仅受到单个组件多状态退化行为的影响,还受到组件退化过程之间的依赖性和退化模型参数不确定性的影响[11]、[12]。
组件退化过程之间的依赖性是复杂化MSSs联合状态演化的一个关键因素。在多组件系统中,由于共享的操作环境、功能交互或故障传播机制,组件退化可能是相关的[13]、[14]。这种依赖性意味着一个组件的退化或故障可以改变其他组件的操作条件或退化趋势,从而改变系统级的故障行为。忽略组件间的依赖性可能导致可靠性估计偏差,特别是当系统故障由多个组件的联合退化状态控制时[15]。为了建模这种依赖性,已经开发了几种方法,包括动态贝叶斯网络[16]、基于马尔可夫的交互模型[17]、负载共享模型[18]和基于copula的模型[11]。在这些方法中,copula模型特别适用于异构退化系统,因为它们允许分别建模每个组件的边际退化行为和组件之间的依赖结构[19]、[20]。
除了退化依赖性之外,认知不确定性也是MSS可靠性评估中另一个重要的复杂因素[21]。在实际应用中,退化参数通常是根据有限的现场观察、历史维护记录、加速寿命测试或专家知识推断出来的。这些信息来源经常受到不完整观察、测量噪声、运行条件变化和统计估计误差的影响[2]、[22]。因此,边际退化参数和依赖参数可能包含认知不确定性,而不是固定的确定性量[23]。最近的研究进一步探讨了在认知不确定性、退化不确定性、依赖性故障过程和参数信息不精确情况下的可靠性建模和决策[24]、[25]、[26]。在可靠性评估中忽略这种不确定性可能导致系统风险的可变性被低估,并产生过度自信的结果[27]、[28]。
然而,将退化依赖性和认知不确定性纳入MSS可靠性模型使得评估问题在计算上具有挑战性。具体来说,这种困难源于系统可靠性被表述为一个涉及边际退化分布、依赖结构、不确定参数和系统结构函数的高维概率或积分。因此,对于具有许多组件和多种性能状态的系统,精确的解析评估或穷尽的状态枚举很快就变得难以处理[29]。粗略的蒙特卡洛模拟提供了一种通用且灵活的替代方法,但当故障概率较小时,其效率会显著降低,因为只有少量样本能够到达故障区域[30]。重要性采样是一种广泛使用的方差减少技术,可以通过从分配更多概率质量的故障相关区域进行采样并通过似然比校正采样偏差来提高估计效率,同时保持统计一致性[31]、[32]。然而,重要性采样的有效性严重依赖于提议分布的质量。对于在认知不确定性下的依赖性多状态退化系统,故障域可能由不同组合的退化组件和不确定的依赖实现引起,导致采样空间中存在多个单独的故障相关区域。因此,构建一个能够有效覆盖这些区域的提议分布是实现高效和稳健可靠性评估的关键[33]、[34]。
为了克服上述挑战,本文提出了一种针对在认知不确定性下依赖性多状态退化系统的新型可靠性评估框架。具体来说,首先开发了一个统一的组件级多状态退化模型,该模型结合了边际退化行为、组件间依赖性和参数不确定性。然后通过将组件状态演化与系统结构函数结合起来确定系统可靠性。为了提高罕见事件可靠性评估的计算效率,我们开发了一种基于故障模式的高斯混合重要性采样(GMIS)方法。使用CTCS3-300T车载设备系统进行了实际案例研究,以说明所提出的模型并展示其相对性能。
具体来说,所提出的方法使用从试点样本中提取的故障模式信息在潜在空间中构建高斯混合提议分布,从而有效覆盖多个故障相关区域。本文的主要贡献总结如下。
(1) 为在认知不确定性下的依赖性多状态退化系统开发了一种可靠性评估框架。该框架将组件级退化、组件间退化依赖性和参数不确定性纳入统一的可靠性建模过程中。
(2) 提出了一种基于故障模式的高斯混合重要性采样(GMIS)方法,用于高效的罕见事件可靠性评估。通过根据组件级故障模式划分精英样本并构建相应的局部高斯组件,所提出的方法保留了异质故障机制并更好地表示了多模态故障域。
(3) 通过CTCS3-300T车载设备案例研究开发并验证了高斯混合提议策略。通过引入防御性混合组件,所提出的方法保持了潜在采样空间的全局覆盖,并降低了不稳定的似然权重的风险。比较结果表明,GMIS实现了更低的估计不确定性和误差以及更高的模拟效率。
本文的其余部分组织如下。在第2节中,我们提出了一种考虑认知不确定性的依赖性多状态退化系统的新型可靠性框架。第3节使用CTCS3-300T车载设备系统实施了一个实际案例研究,以演示所提出方法的性能。第4节提供了结论并讨论了未来的研究主题。

部分摘要

方法论

在本节中,我们提出了一种针对考虑认知不确定性的依赖性多状态退化系统的新型可靠性评估方法。具体来说,第2.1节首先制定了包含参数不确定性的集成系统可靠性模型。为了高效解决该模型,我们在第2.2节提出了一种基于故障模式的GMIS方法。

案例研究

使用CTCS3-300T车载设备作为案例研究,以评估所提出的GMIS算法的性能。我们将其与四种代表性的基于采样的基线方法进行了比较,包括CMC[30]、单高斯重要性采样(SGIS)[35]、子集采样(SS)[36]和交叉熵高斯混合重要性采样(CEGM)[37]。由于所考虑的高维系统的确切故障概率无法通过分析获得,因此进行了大样本CMC模拟,其中5×106

结论

本文研究了在认知不确定性下依赖性多状态退化系统的可靠性评估。通过整合多状态退化、基于copula的依赖性和参数不确定性,以及一种基于故障模式的GMIS方法进行了可靠性建模,实现了高效的罕见事件估计。CTCS3-300T案例研究表明,GMIS显著降低了估计方差和绝对误差,并实现了最高的成本调整

CRediT作者贡献声明

Cong Peng:写作 – 审稿与编辑,撰写 – 原稿,验证,方法论,调查,形式分析,数据整理,概念化。Jiali Peng:撰写 – 原稿,验证,资源。Zongyao Wang:撰写 – 原稿,验证,监管,资源。Xiuli Wu:撰写 – 原稿,验证,监管,资源。Yunfei Shao:撰写 – 审稿与编辑,撰写 – 原稿,验证,监管,资源,方法论,概念化。

利益冲突声明

通讯作者确认,本手稿的任何作者目前或以前都没有任何财务或非财务利益冲突,包括在我们提交的期刊中担任编辑职务。
Cong Peng|Jiali Peng|Zongyao Wang|Xiuli Wu|Yunfei Shao
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号