Разработка моделей и методики оценки эксплуатационной надёжности многокомпонентных технических систем на основе нейро-нечётких технологий тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Косинский, Михаил Юрьевич

• Косинский, Михаил Юрьевич
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Косинский, Михаил Юрьевич

ВВЕДЕНИЕ

ГЛАВА 1. ИССЛЕДОВАНИЕ, СИСТЕМАТИЗАЦИЯ И МАТЕМАТИЧЕСКАЯ ФОРМАЛИЗАЦИЯ ФАКТОРОВ, ВЛИЯЮЩИХ НА НАДЁЖНОСТЬ МНОГОКОМПОНЕНТНЫХ ТЕХНИЧЕСКИХ СИСТЕМ

1 Л. Основные проблемы современного надёжностного анализа

1.2. Проблемы анализа и учёта внешних воздействий при построении моделей надёжности

1.3. Проблема учёта фактора времени в моделях надёжности

1.4. Обзор современных методов решения задач анализа надёжности многокомпонентных технических систем

1.4.1. Расчётно-аналитические методы анализа надёжности

1.4.2. Оценка показателей надёжности по экспериментальным данным

1.5. Выводы по главе 1

ГЛАВА 2. РАЗРАБОТКА НЕЧЁТКОЙ МОДЕЛИ НАДЁЖНОСТИ

2.1. Краткий обзор основных понятий теории нечётких множеств

2.2. Формализация задачи анализа надёжности в терминах теории нечётких множеств

2.3. Определение списка входных и выходных лингвистических переменных и формирование множества их термов

2.4. Формирование множества термов и функций принадлежности

2.5. Синтез базы решающих правил

2.6. Формирование нечёткого логического вывода и решение задачи дефаззификации

2.7. Модель анализа надёжности с применением аппарата теории нечётких множеств

2.8. Выводы по главе 2

ГЛАВА 3. РАЗРАБОТКА НЕЙРО-НЕЧЁТКОЙ МОДЕЛИ НАДЁЖНОСТИ

3.1. Формализация задачи

3.2. Формирование термов лингвистических переменных и базы решающих правил на основе кластеризации данных

3.3. Определение начальных параметров функций принадлежности термов входных и выходных переменных на основе потенциалов выделенных кластеров

3.4. Определение начальных параметров функций принадлежности термов выходной переменной

3.5. Формирование нечёткого логического вывода и решение задачи дефаззификации по алгоритму Сугено-Такаги

3.6. Настройка параметров модели на основе нейро-нечёткого подхода66

3.7. Модель анализа надёжности с применением аппарата нейро-нечётких систем

3.8. Исследование возможности сокращения структуры нейро-нечёткой модели

3.9. Сравнительный анализ нечёткой и нейро-нечёткой моделей

3.10. Построение гибридной модели надёжности

3.11. Реализация модели в среде МАТЬАВ

3.12. Выводы по главе 3

ГЛАВА 4. ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ РАЗРАБОТАННОЙ МЕТОДИКИ

4.1. Анализ структуры, составных элементов АИИС КУЭ и предъявляемых требований по надёжности

4.2. Нормативные требования по надежности АИИС КУЭ

4.3. Адаптация разработанной модели для задачи анализа надёжности ИВКЭ АИИС КУЭ

4.4. Расчёт оценок параметров надёжности

4.5. Анализ структуры, составных элементов БСУ КА и предъявляемых требований по надёжности

4.6. Результаты использования модели в задачах анализа надёжности БСУ КА

4.7. Выводы по главе IV

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩЕНИЙ

ПРИЛОЖЕНИЕ 1. ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ НАДЁЖНОСТИ

ПРИЛОЖЕНИЕ 2. ЛИСТИНГИ РАЗРАБОТАННЫХ ФУНКЦИЙ

ПРИЛОЖЕНИЕ 3. РЕЗУЛЬТАТЫ РАСЧЁТОВ НАДЁЖНОСТИ ДЛЯ ОБЪЕКТОВ ОАО «МН «ДРУЖБА»

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

Введение диссертации (часть автореферата) на тему «Разработка моделей и методики оценки эксплуатационной надёжности многокомпонентных технических систем на основе нейро-нечётких технологий»

ВВЕДЕНИЕ

Использование многокомпонентных технических систем на крупных промышленных объектах, в т. ч. и для выполнения высокоответственных и опасных операций, возрастает с каждым годом. Соответственно, возникает необходимость оперативного контроля их характеристик и анализа состояния в процессе эксплуатации. Надёжность является одной из важнейших характеристик технической системы. Согласно ГОСТ, под надёжностью принято понимать свойство объекта сохранять во времени в установленных пределах значения всех параметров, характеризующих способность выполнять требуемые функции в заданных режимах и условиях эксплуатации, технического обслуживания, ремонта, хранения и транспортирования [9]. Поскольку современные многокомпонентные технические системы имеют сложную структуру (а, следовательно, и характер взаимосвязей между отдельными компонентами) усложняется и сам процесс получения численных значений показателей надёжности.

На этапе проектирования расчёт надёжности осуществляется, как правило, классическими методами на основе составления структурных схем и использования паспортных значений показателей надёжности отдельных элементов [43]. Однако, в процессе эксплуатации происходят не только временные процессы старения, но и слабо предсказуемые внешние воздействия, что делает использование паспортных данных недостаточным для получения обоснованных оценок показателей надёжности, тем самым снижается качество прогнозирования или оно вообще становится невозможным. Таким образом, применение классических подходов к расчёту оценок надёжности многокомпонентных технических систем, находящихся на этапе эксплуатации, оказывается малоэффективным если рассматривать весь период жизнедеятельности системы.

г

Вышесказанное делает актуальным разработку новых универсальных подходов, к оценке надёжности многокомпонентных технических систем, находящихся в постоянной промышленной эксплуатации.

Целью диссертационной работы является разработка новых математических моделей для анализа надёжности многокомпонентных технических систем, находящихся в промышленной эксплуатации, основываясь на современных интеллектуальных технологиях, таких как теория нечётких множеств и искусственные нейронные сети.

Для достижения поставленной цели решаются следующие задачи диссертации:

- обзор существующих проблем в задачах анализа надёжности технических систем и обоснование необходимости разработки новых подходов к их решению;

- формулировка и систематизация факторов, оказывающих влияние на надёжность систем, выделение наиболее значимых, поиск возможных источников информации;

- формулировка задачи анализа надёжности в терминах теории нечётких множеств и построение нечёткой, а в дальнейшем и нейро-нечёткой модели надёжности;

- гибридизация разработанных моделей для максимального использования достоинств каждой из них и, как результат, получение методики оценки надёжности, основанной на интеллектуальных технологиях;

- апробация разработанной методики на примере решения практических

задач;

Научная новизна проведённых исследований:

- исследована новая область применения аппаратов нечёткой логики и ИНС: применение в задачах анализа надёжности многокомпонентных технических систем;

- разработаны нечёткая и нейро-нечёткая модели, описывающие надёжность технических систем, предложены алгоритмы упрощения нейро-нечёткой модели;

- разработаны процедуры, позволяющие сократить структуру нейро-нечёткой модели надёжности за счёт сокращения решающих правил и объединения функций принадлежности;

- на основе комбинирования достоинств нечёткой и нейро-нечёткой моделей предложена гибридная модель надёжности и разработана методика её применения;

предложена методика оперативного оценивания надёжности многокомпонентных технических систем, учитывающая внешние факторы, способная использовать как экспертные суждения, так и информацию, поступающую в ходе эксплуатации;

Практическая ценность:

Разработанная методика запрограммирована в ППП МаЙаЪ. В результате получен гибкий инструмент, позволивший решать задачи анализа надёжности технических систем, в условиях, когда использование классических подходов затруднено или малоэффективно. В настоящее время методика внедрена для сопровождения в процессе эксплуатации АИИС КУЭ и БСУ КА разработки МОКБ «Марс».

Диссертационная работа состоит из четырёх глав, введения, заключения и приложений

В первой главе проводится обзор и анализ основных понятий теории надёжности, её показателей. Определяются и анализируются факторы, влияющие на надёжность систем, характер их влияния. Рассматриваются существующие методы решения задач анализа надёжности, их слабые и сильные стороны, проблемы, возникающие при их решении.

Во второй главе на основе выделенных ранее факторов предлагается проводить анализ надёжности на основе аппарата теории нечётких множеств. С учётом выделенных факторов производится формализация задачи в терминах теории нечётких множеств, определяются используемые переменные, решающие правила и как результат представляется разработанная нечёткая модель надёжности системы.

В третьей главе рассматривается использование нейро-нечёткого подхода в модели надёжности с целью возможности учёта информации, накапливаемой в ходе эксплуатации системы, для настройки модели надёжности. Проводится сравнение нечёткой и нейро-нечёткой моделей. В результате предлагается синтезировать гибридную модель надёжности, которая с одной стороны, имеет достоинства нечёткой модели, а, с другой стороны, перенастраиваться без повторного привлечения экспертов.

Четвёртая глава посвящена практическому применению разработанной методики анализа надёжности, основанной на гибридной нейро-нечёткой модели. Рассматриваются два технических объекта: автоматизированная система коммерческого учёта электроэнергии (АИИС КУЭ) и бортовой комплекс управления космического аппарата (БКУ КА). Рассмотрены особенности каждого из объектов, условия, в которых они эксплуатируются, предъявляемые к ним требования по надёжности. На основе разработанной методики проводится расчёт оценок параметров надёжности, демонстрирующий достоинства проведённых разработок.

ГЛАВА X. ИССЛЕДОВАНИЕ, СИСТЕМАТИЗАЦИЯ И МАТЕМАТИЧЕСКАЯ ФОРМАЛИЗАЦИЯ ФАКТОРОВ,

ВЛИЯЮЩИХ НА НАДЁЖНОСТЬ МНОГОКОМПОНЕНТНЫХ ТЕХНИЧЕСКИХ СИСТЕМ

1.1. Основные проблемы современного надёжностного анализа

Теория надёжности оформилась как отдельная научная дисциплина в середине прошлого века, и в настоящее время представляет собой сложившийся стройный аппарат. Большую роль в развитии данной дисциплины сыграли исследования И. Базовского, Р.Барлоу, Ф.Прошана, Б.В. Гнеденко, И.А.Ушакова, Б.А. Козлова, A.M. Половко. В основе аппарата классической теории надёжности лежат такие дисциплины, как теория вероятностей, математическая статистика, теория графов.

В известных работах вышеуказанных учёных при решении задачи анализа надёжности многокомпонентных систем используется априорная (паспортные данные, теоретически рассчитанные показатели) и/или апостериорная (статистические данные эксплуатации) информация об объекте. К качеству априорной информации предъявляются высокие требования (в меньшей степени -к апостериорной информации). Однако на практике, исходная информация о надёжности отдельных элементов не всегда является точной или относится только к конкретному режиму. В условиях реальной эксплуатации, особенно при существенных изменениях в структуре и составе системы после существенных внешних воздействий, таких как модернизация и реконструкция, ранее разработанные для неё модели надёжности становятся неработоспособными и требуют адаптации. Перенастройка классических моделей требует наличия формализованных данных по эксплуатации, которые могут отсутствовать в начальный период, или проведения дополнительных испытаний с целью получения показателей надёжности отдельных элементов. В случае многокомпонентных систем, задача ещё больше усложняется. Использование

существующих подходов при большом количестве компонент системы требует проведения сложного анализа взаимосвязей и влияния отдельных элементов на надёжность всей системы. Использование статистического анализа для построения моделей надёжности уязвимо к выполнению предпосылок о характере распределения исходных данных. Вышеизложенные факты делают актуальным разработку новых методов анализа надёжности многокомпонентных систем, инвариантных к закону распределения исходных данных, способных работать в условиях нехватки или неточности исходной информации о надёжности элементов системы, способных переобучаться при изменениях в системе (как на основе экспертных оценок, так и поступающих данных), но при этом не обладающих усложнённой процедурой работы и способных работать в режимах, близких к реальному времени.

В последнее время появился ряд работ и попытки создать альтернативные модели надёжности на базе интеллектуальных технологий. Например, в работах [20, 75, 68] рассматриваются нечёткие и нейро-нечёткие модели надёжности, в том числе и в работах соискателя [25-36].

Как в классической теории надёжности, так и практически во всех указанных публикациях и монографиях предлагается оперировать со следующими показателями надёжности: 1. Интенсивность отказов АД)

Характеризует степень надёжности элемента в каждый момент времени. Статистической оценкой данного показателя является отношение числа элементов, отказавших в единицу времени, к общему числу элементов, исправно

работающих в данный момент времени, т.е. >44) = (1.1)

где п(Д1:)- число устройств, отказавших в интервале времени А1. мср = 2 ' число элементов, сохранивших работоспособность к моменту, попадающему в середину интервала Аг.

С вероятностной точки зрения, интенсивность отказов есть отношение скорости изменения вероятности отказа рассматриваемого устройства к вероятности его безотказной работы в данный момент времени:

цг) = -Ж- (1.2)

Функция интенсивности отказов является показательной характеристикой для описания распределения отказов.

2. Интенсивность восстановления ¡л(1)

Статистической оценкой данного показателя является отношение числа элементов, восстановленных в единицу времени, к общему числу вышедших на данный момент времени устройств.

= (1-3)

где п(Д1) - число устройств, восстановленных в интервале времени Д1;

хт _ ^р^)+кср.в.а+А1)

ср.в. ~ 2 " - число элементов, оставшихся в

неработоспособном состоянии к моменту, попадающему в середину интервала .

3. Средняя наработка на отказ Тоср

Определяется как отношение суммарной наработки восстанавливаемого объекта к математическому ожиданию числа его отказов в течение этой наработки:

2Х,

Тоср = (1.4)

п

4. Среднее время восстановления Твср

Определяется как математическое ожидание времени восстановления работоспособного состояния объекта после отказа.

5. Коэффициент готовности Кг

Согласно ГОСТ коэффициент готовности определяется как вероятность того, что объект окажется в работоспособном состоянии в произвольный момент

времени, кроме планируемых периодов, в течение которых применение объекта по назначению не предусматривается [9].

Коэффициент готовности определяется, как вероятность того, что восстанавливаемое устройство (система) будет работоспособно в произвольный момент времени в стационарном процессе функционирования. Он определяется через функцию готовности ГД) - вероятность застать объект работоспособным (готовым к применению) в момент времени I следующим образом:

Здесь гп1 и ш1в - математические ожидания интервалов безотказной работы I и восстановления 1В соответственно. Обычно полагают, что случайные величины и 1:в имеют одинаковые распределения.

Согласно (1.5) коэффициент готовности можно понимать как долю времени, в течение которого объект работоспособен, от общего времени эксплуатации объекта. [19]:

где ^ - суммарное время исправной работы устройства, 1:п- суммарное

время вынужденного простоя.

Вышеперечисленные пять показателей можно рассматривать как вероятностные модели надёжности.

Опыт эксплуатации промышленных систем и объектов характеризуется тремя «периодами жизни»: [39]

- приработка

- нормальная эксплуатация

- износ

Для периода приработки характерно монотонное уменьшение интенсивности отказов. Проявляются дефекты, обусловленные, главным образом, технологическими причинами и конструктивными решениями.

(1.5)

В период нормальной эксплуатации интенсивность отказов остаётся приблизительно постоянной. В этот период возникают, главным образом, внезапные отказы.

Интенсивность отказов монотонно возрастает, что свидетельствует о наступлении периода износа, вызванного процессами старения. В этом периоде превалируют постепенные отказы. Графически это представлено на рис. 1.1:

РисЛ.1. Зависимость интенсивности отказов от времени

1.2. Проблемы анализа и учёта внешних воздействий при построении моделей надёжности

Как указывалось выше, реальные условия эксплуатации могут существенно отличаться от принятых на этапе проектирования системы (априорной информации при расчёте проектной надёжности). Так это относится к априорной предпосылке о постоянстве интенсивности отказов. Покажем, что реальные условия эксплуатации весьма многообразны и трудно поддаются формализованным в рамках классических вероятностных моделей надёжности оценкам.

Интенсивность отказов существенно зависит от электрических нагрузок и нагрузок, обусловленных вредными воздействиями (тепловые нагрузки, вибрации и т.п.), которые испытывают технические объекты в процессе эксплуатации. Эти воздействия можно разделить на субъективные и объективные

Субъективные воздействия происходят из-за неправильных действий персонала. Любое, даже полностью автоматизированное устройство требует периодического осмотра и ремонта, т.е. обязано подвергаться, как минимум, периодическому обслуживанию. При этом возможны приводящие к отказам неправильные действия человека, обусловленные недостатком знания, опыта, невнимательностью, а также плохой организацией работы (человеческий фактор). К субъективным воздействиям также можно отнести:

• Несоблюдения требований эксплуатации, чрезмерно высокая интенсивность эксплуатации;

• Невыполнение требуемого объема ремонта;

• Отсутствие технологического оборудования и приспособлений;

• Слабое крепление деталей;

Постановка нестандартных деталей;

• Отклонение от установленных размеров;

• Отступление от технологических требований;

Неудовлетворительный осмотр;

• Личные качества исполнителей.

Объективные воздействия можно разделить на две группы:

a) общие воздействия, которым подвергаются все объекты данного типа;

b) частные воздействия, которым могут подвергаться отдельные конкретные образцы.

Как общие, так и частные воздействия могут быть постоянными или переменными.

К объективным воздействиям относятся:

a) специальные условия работы;

b) климатические воздействия;

c) биологические воздействия.

Специальные условия работы определяются назначением и типом технического объекта. Примеры специальных условий работы: тяжелый

температурный режим, агрессивная химическая среда, тяжелый ударно-вибрационный режим, радиационное излучение и т.д.

Надежность всех объектов сильно зависит от температурного режима их работы. Особенно вреден тяжелый температурный режим с ударными нагрузками и вибрациями. Эти первые два вида условий работы являются основными факторами, определяющими снижение надежности устройств. Воздействие солнечных лучей повышение приводит к повышению температуры и, как следствие, к повышению коэффициентов нагрузки эксплуатируемых систем, особенно в открытом космосе. Неблагоприятное воздействие на надежность оказывают как отрицательные, так и положительные температуры внутри корпуса аппаратуры. Особенно возрастает интенсивность отказов при воздействии положительных температур. Так, например, при увеличении температуры с +20 до +85°С интенсивность отказов германиевых транзисторов и интегральных микросхем увеличивается в 3 раза. [81]

Повышенная температура способствует распаду органических материалов, перегреву и выходу из строя электровакуумных и полупроводниковых приборов, ухудшает изоляционные свойства полимеров, а также может привести к деформации деталей и выходу их из строя.

Периодические смены низких и высоких температур быстро приводят к разрушению обмоток трансформаторов, катушек индуктивностей, дросселей и др.

При отрицательных температурах пластмассы теряют прочность, резиновые изделия становятся хрупкими, металлы делаются ломкими. Могут разрушаться соединения пластмасс с металлами, сплавы металлов со стеклом, нарушаться пайка, падать емкость электролитических конденсаторов, уменьшаться коэффициент усиления транзисторов. В образовавшиеся трещины изоляции попадает влага, снижая электрическую прочность изоляции.

Воздействие влаги и атмосферных осадков возможно посредством поглощения водяных паров из воздуха, конденсации водяных паров на поверхности аппаратуры, смачивания брызгами, погружения в воду.

Повышенная влажность приводит к ухудшению электрических характеристик диэлектриков: падают удельное объемное и поверхностное сопротивления, уменьшается электрическая прочность. При повышенной влажности разрушается структура резисторов, увеличивается их сопротивление и снижается их стойкость, увеличиваются потери в контурных катушках. В герметизированные конденсаторы влага не проникает, но резко снижает поверхностное сопротивление изоляции и способствует к разрушению выводов. Под воздействием влаги окисляются контакты, уменьшается сопротивление между выводами радиокомпонентов. Указанные факторы способствуют ухудшению стабильности частоты гетеродинов, увеличению потерь в линиях передачи данных и др. В результате повышенная влажность заметно снижает надёжность.

Тепло к техническому объекту может поступать двумя путями:

a) Извне - по отношению к рассматриваемому устройству источников

тепла;

b) Изнутри — за счет внутренних источников тепла, например при трении механических деталей или из-за нагревания элементов электронных схем.

Увеличение сложности и стремление к уменьшению размеров технических устройств ведет к концентрации высоких температур.

Существенное влияние на надежность электронной аппаратуры оказывает радиоактивное излучение. Повреждения, вызванные радиацией, могут быть косвенными, т.е. радиация может создавать такие условия, при которых повреждения будут вызываться другими причинами. Например, конденсатор может повредиться при нагревании, если утечка усилилась вследствие ядерной реакции.

Биологические факторы, также приводят к ухудшению эксплуатационных свойств объекта. К биологическим факторам относятся воздействия животных и растительных организмов, наносящих вред объекту (грибок, плесень, насекомые и грызуны).

Таким образом, на надёжность системы влияет большое количество разнородных факторов. Характер влияния этих факторов тоже различен и в некоторых случаях формально не определён. Всё это усложняет оценивание надёжности технических систем. Используемые на практике методы, как правило, пренебрегают частью факторов для упрощения расчётов. Поэтому требуется разработать новый подход, который, с одной стороны, учитывает как можно больше факторов, а с другой стороны был бы достаточно прост для практического применения.

1.3. Проблема учёта фактора времени в моделях надёжности

Указанные ранее виды зависимостей интенсивности отказов от времени можно получить, используя для вероятностного описания случайной наработки до отказа двухпараметрическое распределение Вейбулла [3]. С помощью изменения параметров ш и к, можно настроить кривую распределения таким образом, чтобы она соответствовала различным фактическим законам. Данный факт способствует широкому применению данного закона распределения на практике. Согласно ему, вероятность безотказной работы на интервале (0; ^ равна

р{1) = ехр(——1к), 1 >0,т>0,к>0 (1.7)

т

Графически данная зависимость представлена на рис. 1.2

Р(9

, к=2

\

к=0.5

к=1

✓ к=5

Рис. 1.2. Качественные графики функций р(1) для распределения Вейбулла при

ш=1

Среднее время безотказной работы, согласно распределению Вейбулла,

равно:

Тср = |ехр(-1^)й = (1)*га + 7) ,

п т т к

к' '

(1.8)

где Г(1 + —) - полная гамма-функция.

к

А выражение для вычисления интенсивности отказов примет следующий

Из формулы вероятности безотказной работы (1.7) следует, что при к<1 интенсивность отказов монотонно убывает, а при к>1 монотонно возрастает. Случай к = 1 является экспоненциальным законом распределения вероятности безотказной работы. Экспоненциальное распределение применяется чаще других при анализе надёжности элементов систем. Это связано с тем, что при его использовании получаются очень простые формулы для расчёта, а само распределение позволяет с приемлемой точностью оценить надёжность в случае постоянной (установившейся) эксплуатации системы в нормальных условиях.

/?(/) = ехр(-Л/),/>0Д >0 (1-10)

График зависимости вероятности безотказной работы от времени для данного типа распределения представлен на рис. 1.3

Рис. 1.3. Экспоненциальный закон распределения вероятности При этом из формулы (1.9) видно, что интенсивность отказов будет

т

а среднее время безотказной работы при экспоненциальном законе распределения интервала безотказной работы рассчитывается следующим

(1.9)

постоянной Л(0 = — = Л,

1

(1.11)

образом

о

(1.12)

Приняв закон восстановления и интенсивности отказов экспоненциальным, коэффициент готовности можно рассчитать следующим

образом: = ——— (1.13)

М+Л Твср+Тоср

Априорные предпосылки о поведении факторов, принимаемых во внимание на этапе построения модели надёжности, могут значительно расходиться с реальными изменениями факторов во времени. Например, анализ автором надёжности автоматизированной информационно-измерительной системы коммерческого учёта электроэнергии одного из магистральных нефтепроводов показал, что расхождение результатов проектных расчётов от показателей, имевших место на практике, достигало 20% (Табл. 1.1). В связи с чем, необходимо проводить сопоставление априорных и апостериорных данных.

Таблица 1.1. Результаты проектного и статистического расчёта надёжности

объектов АИИС КУЭ

Наименование производственной Кг Кг

единицы (проектный) (статистический)

НПС «Сыия» 0,995 0.990

НПС «Микунь» 0,996 0.994

НПС «Уса» 0,982 0.971

НПС «Чикшино» 0,993 0.886

НПС «Грязовец» 0,997 0.804

НПС «Зеленоборск» 0,994 0.985

НПС «Синдор» 0,986 0.994

НПС «Ухта» 0,992 0.982

НПС «Погорелово» 0,989 0.993

Отметим также, что модель экспоненциального распределения, не учитывает процесс старения элементов, а только с некоторым приближением

19

отражает процесс появления внезапных отказов. Однако она часто используется на практике для априорного анализа надёжности систем. При этом на стадии апостериорного анализа должна проводиться проверка соответствия экспоненциальной модели результатам испытаний.

1.4. Обзор современных методов решения задач анализа надёжности многокомпонентных технических систем

Количественные вероятностные показатели надежности определяются в результате расчетов. Они проводятся и при проектировании, и на заключительном этапе испытаний, и при анализе результатов эксплуатации. Расчеты обычно делят на две группы [43]. К первой относятся расчеты, основанные на анализе структуры изделия и заданных условий работы. Их принято называть расчетно-аналитическими. Вторую группу составляют расчеты, связанные с обработкой результатов эксперимента или реальной эксплуатации. Они называются расчетно-экспериментальными.

Аналитические расчеты надежности связаны с предварительным выявлением закономерностей, которым подчиняются изменения действующих факторов, а именно: характер процесса возникновения отказов и процесса восстановления работоспособности, связь между набором входных величин и действием отказов элементов объекта, предполагаемый закон распределения входных величин, влияние используемого способа резервирования, внешних факторов и т.д.

Расчетно-экспериментальные методы основаны на вычислении показателей по данным, получаемым экспериментальным путём. Исходными для расчетно-экспериментальных методов будут данные эксплуатации, технических обслуживании и ремонтов, результаты специализированных испытаний.

1.4.1.Расчётно-аналитические методы анализа надёжности

Структурный метод анализа надёжности В настоящее время среди расчетно-аналитических методов наиболее распространены структурные методы расчёта надёжности, основанные на расчёте показателей надёжности всей системы через показатели надёжности отдельных её элементов. Таким образом, надёжностью всей системы является её результирующая надёжность при заданной структуре, т.е. при известном порядке соединения и известных значениях надёжности (безотказности) всех входящих в неё элементов. Исходя из логического анализа работоспособности системы, строят структурные схемы безотказности, на которых изображены соединения элементов этой системы. Различают три простейших способа соединения элементов: последовательное, параллельное и смешанное.

Список литературы диссертационного исследования кандидат наук Косинский, Михаил Юрьевич, 2013 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Анисимов Д. Н., Надежность систем автоматизации: Учебное пособие по курсу "Надежность систем автоматизации" по специальности "Управление и информатика в технических системах", Моск. энерг. ин-т (МЭИ ТУ) . — М. : Изд-во МЭИ, 2003.-96 с.

2. Анисимов Д. Н., Нечеткие алгоритмы управления: Учебное пособие по курсу "Нечеткие алгоритмы управления" по направлению "Автоматизация и управление", Моск. энерг. ин-т (МЭИ ТУ). - М. : Изд-во МЭИ, 2004 . - 80 с.

3. Барлоу Р., Прошан Ф. Математическая теория надёжности. - М., Советское радио, 1969. - 487 с.

4. Беляев Ю.К., Богатырев В.А., Болотин В.В. и др. Надёжность технических систем. Справочник. Под ред. И.А.Ушакова, М.: Радио и связь, 1985, с. 608.

5. Борисов В.В., Круглов В.В., Федулов A.C. Нечеткие модели и сети,- М.: Горячая линия -Телеком, 2007.

6. Бровкин А.Г., Бурдыгов Б.Г., Гордийко C.B. и др. Под редакцией A.C. Сырова, Бортовые системы управления космическими аппаратами: Учебное пособие - М.: Изд-во МАИ-ПРИНТ, 2010. - 304 с.

7. Ветошкин А.Г. Надежность технических систем и техногенный риск. -Пенза: Изд-во ПГУАиС, 2003

8. Виноградова Н. А., Филаретов Г. Ф., Анализ стохастических процессов: учебное пособие по курсам "Анализ стохастических процессов" и "Методы анализа данных" по направлению "Автоматизация и управление", Моск. энерг. ин-т (МЭИ ТУ). - М.: Изд. дом МЭИ, 2007 .-116с.

9. ГОСТ 27.002-89 «Надежность в технике. Основные понятия. Термины и определения»

10. ГОСТ 1983-2001 «Трансформаторы напряжения. Общие технические требования»

11. ГОСТ 7746-2001 «Трансформаторы тока. Общие технические условия»

12. ГОСТ 27.003-90 Надежность в технике. Состав и общие правила задания требований по надежности

13. ГОСТ 27.310-95 Надежность в технике. Анализ видов, последствий и критичности отказов. Основные положения

14. ГОСТ 27.301-95 Надежность в технике. Расчет надежности. Основные положения

15. ГОСТ Р 52070-2003. Интерфейс магистральный последовательный системы электронных модулей. Общие требования; введ. 01.01.2004. - М.:Изд-во стандартов, 2003. - 27 с.

16. Гривастов Д.А., Кондаков В.В., Кузовников В.Г., Шейнин Э.К.. Особенности поверки АИИС КУЭ. Существующие методики требуют доработки. Информационно-справочное издание «Новости электротехники» №2(32) 2005.

17. Демиденко Е.З., Линейная и нелинейная регрессии, Москва, «Финансы и статистика», 1981.

18. Дмитриевский Е.С., Конструкторско-технологическое обеспечение эксплуатационной надёжности авиационного радиоэлектрического оборудования. Учеб. пособие/ - СПбГУАП СПб., 2001, 88 с.

19. Дружинин Г.В., Надежность автоматизированных систем. Изд.З, перераб., Москва, «Энергия», 1977., 536 с.

20. Жданович А. А., Контроль и мониторинг эксплуатационного состояния гидроагрегатов на основе теории нечетких множеств, Новосибирск: Издательство НГТУ, 2010. - 23 с.

21. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: «Мир», 1976.

22. Зорин В.В., Тисленко В.В., Клеппель Ф., Адлер Г. - Киев, Высшая Школа, 1984, -192 с.

23. Капустин Н.М., Васильева Г.Н. Автоматизация конструкторского и технологического проектирования. - М.: Высш.шк., 1986. - 191 с.

24. Карабутов Н. Н., Структурная идентификация систем. Анализ информационных структур, Эдиториал УРСС, 2009 г., 176 с.

25. Косинский М.Ю., Шихин В.А. Методика оперативного оценивания показателей надежности систем учета электроэнергии. // Автоматизация в промышленности - 2010. - №5. - С. 59 - 63.

26. Косинский М.Ю. Разработка метода расчёта надёжности информационно-измерительной системы на основе теории нечётких множеств. II Сборник тезисов XV международной научно-технической конференции студентов и аспирантов «Радиоэлектроника, электротехника и энергетика», Москва, 2009 г. - М.: Издательский дом МЭИ, 2009, - С. 332-334.

27. Косинский М.Ю., Шихин В.А. Исследование возможностей нечетких моделей для оценивания эксплуатационной надежности автоматизированных систем. // Мехатроника, автоматизация, управление - 2009. - №8. - С. 35-42.

28. Косинский М.Ю., Шихин В.А. Разработка нечётких моделей для оценивания эксплуатационной надёжности информационно-измерительных систем. // Современные технологии в задачах управления, автоматики и обработки информации:: Труды XVIII Международного научно-технического семинара. Сентябрь 2009 г., Алушта. - М.:МИРЭА, 2009. С.48.

29. Косинский М.Ю., Шихин В.А., Шатский М.А. Элемент системы поддержки принятия решений при оценке эксплуатационной надёжности многокомпонентных технических систем на основе теории нечётких множеств. // Интеллектуальные системы: Труды Девятого международного симпозиума / Под. ред. К.А. Пупкова. -М.: РУСАКИ, 2010. - С.494 - 496.

30. Косинский М.Ю., Шихин В.А. Сравнительный анализ нечётких моделей надёжности // Современные технологии в задачах управления, автоматики и обработки информации: Труды XIX Международного научно-технического семинара. Сентябрь 2010 г., Алушта. - М.:Издательский дом МЭИ, 2010. С.104-105.

31. Косинский М.Ю., Шатский М.А., Шихин В.А. Методика оперативного оценивания эксплуатационной надёжности БСУ КА // Сборник трудов XVII

164

Международной научно-технической конференции «Информационные системы и технологии» ИСТ-2011, 2011 г. Нижний Новгород, - Нижегородский государственный технический университет им. P.E. Алексеева, 2011 - С.325.

32. Косинский М.Ю., Шатский М.А., Шихин В.А. Методика анализа эксплуатационной надёжности БСУ КА на основе каскадных нечётких моделей // Современные технологии в задачах управления, автоматики и обработки информации: Труды XX Международного научно-технического семинара. Сентябрь 2011 г., Алушта. - Пенза.:Издательство ПенГУ, 2011 - C.340-34I.

33. Косинский М.Ю., Шатский М.А., Шихин В.А. Методика с элементами адаптации для анализа технического состояния системы информационного обеспечения бортового комплекса управления космического аппарата // Интеллектуальные системы: Труды Десятого международного симпозиума / Под. ред. К.А. Пулкова. -М.: РУСАКИ, 2012,- С. 364-366.

34. Косинский М.Ю., Шатский М.А., Шихин В.А. Разработка и оптимизация нейро-нечётких моделей для анализа и прогнозирования надёжности многокомпонентного комплекса управления ответственным объектом // Современные технологии в задачах управления, автоматики и обработки информации: Труды XXI Международного научно-технического семинара. Сентябрь 2012 г., Алушта - М.: МАИ ,2012 , С.82-83.

35. Косинский М.Ю., Шихин В.А. Разработка нейро-нечеткой модели для задач анализа эксплуатационной надежности автоматизированных систем. // Мехатроника, автоматизация, управление - 2012. - №6 - С. 16-21.

36. Косинский М.Ю., Шатский М.А., Шихин В.А. Разработка и оптимизация нейро-нечётких моделей для анализа и прогнозирования надёжности многокомпонентного комплекса управления ответственным объектом // Современные технологии в задачах управления, автоматики и обработки информации: Труды XXI Международного научно-технического семинара. Сентябрь 2012 г., Алушта. -М.: МАИ ,2012 , С.82-83.

37. Косинский М.Ю., Шатский М.А., Шихин В.А. Интеллектуальная

методика контроля технического состояния системы информационного

165

обеспечения бортового комплекса управления космического аппарата //Тр. IX Всеросс науч.-техн. конф. «Проблемы совершенствования робототехнических и интеллектуальных систем летательных аппаратов», июнь 2012 г., г. Москва. - М.: МАИ, 2012-С. 213-216.

38. Косинский М.Ю., Шатский М.А., Шихин В.А. Методика анализа надёжности технической системы на основе интеллектуальных технологий. // Труды VI Международной научно-практической конференции «Инженерные системы - 2013», посвящённой 100-летнему юбилею первого ректора РУДН профессора C.B. Румянцева. Москва, 24-26 апреля 2013 г. - М.: РУДН, 2013 - С. 256-258.

39. Левин Б.Р. Теория надёжности радиотехнических систем. - М., Советское радио, 1978. -264 с.

40. Леоненков A.B., Нечеткое моделирование в среде MATLAB и fuzzyTECH.- СПб.: БХВ-Петербург, 2003.

41. Макаров И.М., Лохин В.М., Интеллектуальные системы автоматического управления, М.: ФИЗМАТЛИТ, 2001. — 576 стр.

42. Макаров И. М., Лохин В. М., Манько С. В., Романов М. П., Технологии обработки командной информации и управления поведением в интеллектуальных робототехнических системах. //Приложение к журналу "Информационные технологии" 2005. №7.

43. Мубаракшин Ф.Х. Надежность в электроэнергетике. Часть 1. -М.: Челябинск, 1977. - 81 с.

44. Паклин Н. Нечеткая логика - математические основы. - Интернет-ресурс http://www.basegroup.ru/library/analysis/fuzzylogic/math/

45. Пегат А. Нечеткое моделирование и управление. М.: БИНОМ. Лаборатория знаний, 2009.

46. Приложение 11.1 к Положению о порядке получения статуса субъекта

оптового рынка и ведения реестра субъектов оптового рынка

«Автоматизированные информационно-измерительные системы коммерческого

учета электрической энергии (мощности). Технические требования»

166

47. Проектирование и испытание бортовых систем управления: Учебное пособие, Под редакцией A.C. Сырова. - М.: Изд-во МАИ-ПРИНТ, 2011. - 344 с.

48. Разыграев А.П. Основы управления полетом космических аппаратов: Учеб. пособие для втузов. - 2-е изд., перераб. и доп. -М.: Машиностроение, 1990.

49. Розанов М.Н. Надёжность электроэнергетических систем. - 2-е изд. перераб. и доп. -М.: Энергоатомиздат, 1984, с. 200.

50. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польского И. Д. Рудинского. М.: Горячая линия — Телеком, 2004.

51.Рыбалко В.В. Математические модели контроля надёжности объектов энергетики - ГОУВПО СПбГТУРП, СПб, 2010 - 151 с.

52. Рыжов А.П. Элементы теории нечётких множеств и её приложений — М.,2003 - 76 с.

53. Современные проблемы надежности систем энергетики: модели, рыночные отношения, управление реконструкцией и развитием. Под ред. М.Г. Сухарева, Москва, издательство «Нефть и газ», 2000 г.

54. Счётчик электрической энергии многофункциональный СЭТ-4ТМ.03. Руководство по эксплуатации. ИЛГШ.411152.124 РЭ.

55. Сыров A.C., Косинский М.Ю., Шатский М.А., Шихин В.А. Нейро-нечёткие модели анализа и прогнозирования надёжности многокомпонентных бортовых систем управления // Труды XXXV Академических чтений по космонавтике. Москва, январь 2011 г./ Под общей редакцией А.К. Медведевой -М.:Комиссия РАН по разработке научного наследия пионеров освоения космического пространства 2011. С.478-479.

56. Тимашев С.А. Надёжность больших механических систем, М.: Наука, 1982, с.182.

57. Толчеев В. О., Ягодкина Т. В., Методы идентификации одномерных линейных динамических систем: Учебное пособие по курсу "Идентификация динамических систем", Моск. энерг. ин-т (МЭИ ТУ) . - М. : Изд-во МЭИ, 1997 . -108 с.

58. Фомин Г. А., Сбор, обработка и анализ данных в системах поддержки принятия решений; учебное пособие по курсу "Системы поддержки принятия решений" по направлению "Автоматизация и управление" / Моск. энерг. ин-т (МЭИ ТУ). - М.: Изд. дом МЭИ, 2009,-116 с.

59. Чуличков А.И., Математические модели нелинейной динамики, М.: ФИЗМАТЛИТ, 2003. 296 стр. 2-е изд., испр.

60. Chang-Hytm Kim and Ju-Jang Lee, "Adaptive Network-based Fuzzy Inference System with Pruning", SICE Annual Conference, Serial. 35, Fukui, Japan, PP. 2751-2754, 2003.

61. Chiu S., "Fuzzy Model Identification Based on Cluster Estimation", Journal of Intelligent &. Fuzzy Systems, Vol. 2, No. 3, Spet. 1994.

62. Claudio M. Held, Jaime E. Heiss, Pablo A. Estevez, Claudio A. Perez, Marcelo Garrido, Cecilia Algarin, Patricio Peirano. Extracting Fuzzy Rules From Polysomnography Recordings for Infant Sleep Classification, IEEE Transactions on Biomedical Engineering, Vol. 53, pp. 1954-1962, 2006.

63. CP306 3U CompactPCI Pentium® M Based CPU Board User Guide. -Manual ID: 26799, Revision Index: 03, Issue Date: February 9,2006, 196 p.

64. D. Chakraborty, N.R. Pal, A Neuro-Fuzzy Scheme for Simultaneous Feature Selection and Fuzzy Rule-Based Classification, IEEE Transactions on Neural Networks, vol. 15, no. 1, January 2004.

65. Fuzzy Logic Toolbox™ 2 User's Guide. - The Math Works, Inc. 1995-2008,

323 p.

66. Israel Koren, C. Mani Krishna. Fault Tolerant Systems, Elsevier, Inc, 2007,

p.378.

67. Jang, J.-S. R., Structure determination in fuzzy modeling: A fuzzy CART approach, Proceedings of International Conference on Fuzzy Systems, Orlando, Florida, June, pp. 480-485,1994.

68. Jing-Shing Yao, Jin-Shieh Su, Teng-San Shih, Fuzzy System Reliability Analysis Using Triangular Fuzzy, Institute of Information Science and

Engineering/Institute of Information and Computing Machinery, Taiwan Journal of Information Science and Engineering 24, pp 1521-1535 (2008)

69. John Yen, Liang Wang. Simplifying Fuzzy Rule-Based Models Using Orthogonal Transformation Methods, IEEE Transactions On Systems, Man, And Cybernetics—Part B: Cybernetics, Vol. 29, No. 1, 1999, p. 13-24.

70. Jyh-Shing Roger Jang, ANFIS: Adaptive-Network-Based Fuzzy Inference System, IEEE Transactions On Systems, Man, And Cybernetics, VOL. 23, NO. 3, pp. 665-685, MAY/JUNE 1993.

71. Kasabov, N. K., Q. Song. DENFIS: Dynamic Evolving Neural-Fuzzy Inference System and its application for time-series prediction. IEEE Transactions on Fuzzy Systems, 2002, 10(2), 144-154

72. K. Kolowrocki, J. Soszynska-Budny. Reliability and Safety of Complex Technical Systems and Processes Modelling - Identification - Prediction -Optimization. Springer, 2011, 405 p.

73. Mamdani E.H. and Assilian S. An experiment in linguistic synthesis with a fuzzy logic controller. International Journal of Man-Machine Studies, 7:1-13, 1975.

74. McNeill F.M., Thro E. Fuzzy Logic. -Academic Press, Cambridge, MA, 1994. -293p.

75. Minghua Jiang, Wuhan Ming Hu; Tao Peng; Yixiang Ding Fuzzy Reliability Analysis of a Multi-sensor Fusion System, Fuzzy Systems and Knowledge Discovery, 2008. FSKD '08. Fifth International Conference on, Volume: 3 Page(s): 8184

76. Mogens Blanke, Michel Kinnaert, Jan Lunze, Marcel Staroswiecki, Diagnosis and Fault-Tolerant Control, Springer-Verlag Berlin Heidelberg 2006, 672 p.

77. M. Kosinskiy, V. Shikhin, Fuzzy models based operating reliability analysis method, Proceedings of 11th IF AC/IEEE International Conference on Programmable Devices and Embedded Systems, Brno, 2012, pp. 160-164.

78. S. Nakkrasae, P. Sophatsathit, W. R. Edwards, Jr., Fuzzy Subtractive

Clustering Based Indexing Approach For Software Components Classification ,

International Journal of Computer & Information Science^ VoL. 5,- No. 1, March 2004

169

i *

79. Space Systems Failures. Disasters and Rescues of Satellites and Space Probes. David MHarald , Ralph D. Lorenz Springer, Berlin Heidelberg, New York, 2006

80. Sugeno, M., Industrial applications of fuzzy control, Elsevier Science Pub. Co., 1985

81. Vitezlav Benda, John Gowar, Duncan A. Grant, "Power semiconductor devices: theory and applications", John Wiley & Sons Ltd, Chichester, England, 419 p., 1999

82. Wang L.-X., Adaptive fuzzy systems and control: design and stability analysis, Prentice Hall, 1994.

83. Yager, R and D. Filev, "Generation of Fuzzy Rules by Mountain Clustering," Journal of Intelligent & Fuzzy Systems, Vol. 2, No. 3, pp.209-219, 1994