MOST CITED
Update: 2021-07-01
Task „Implementation of procedures ensuring the originality of scientific papers published in the quarterly „Eksploatacja i Niezawodność – Maintenance and Reliability” financed under contract 532/P-DUN/2018 from the funds of the Minister of Science and Higher Education for science dissemination activities.
Ning-Cong Xiao
Teoria niezawodności oparta na pojęciu podkraty wypukłej
Klasyczna teoria prawdopodobieństwa ma szerokie zastosowanie w analizie niezawodności, jednak trudno jest się nią posługiwać, kiedy brak jest wystarczających i odpowiednich danych na temat systemu. Obecnie, proponuje się alternatywne podejścia, takie jak teoria możliwości czy teoria zbiorów rozmytych, za pomocą których można analizować niepewność epistemiczną oraz nieostrość w odniesieniu do aspektów niezawodności złożonych i dużych systemów. Model przedstawiony w niniejszym artykule oparto na teorii możliwości oraz na założeniu wielostanowości. Podkratę wklęsłą opisano na relacji kongruencji, odnoszącej się do całej kraty funkcji struktury. Ustalono relacje pomiędzy klasami równoważności na relacji kongruencji a zbiorem wszystkich funkcji struktury. Ponadto posługując się pojęciem podkraty wypukłej można wyprowadzać istotne kresy niezawodności. Wyniki zilustrowano przykładem numerycznym.
Convex sublattice based reliability theory
Classical probability theory has been widely used in reliability analysis; however, it is hard to handle when the system is lack of` adequate and sufficient data. Nowadays, alternative approaches such as possibility theory and fuzzy set theory have also been proposed to analyze vagueness and epistemic uncertainty regarding reliability aspects of complex and large systems. The model presented in this paper is based upon possibility theory and multistate assumption. Convex sublattice is addressed on congruence relation regarding the complete lattice of structure functions. The relations between the equivalence classes on the congruence relation and the set of all structure functions are established. Furthermore, important reliability bounds can be derived under the notion of convex sublattice. Finally, a numerical example is given to illustrate the results.
Metoda analizy niepewności oparta na połączeniu zasady maksymalnej entropii i metody oceny punktowej
Niepewność jest nieodłącznym elementem procesów projektowania produktu. Dlatego też podejmowanie niezawodnych decyzji wymaga analizy niepewności, która uwzględniałaby wszystkie rodzaje niepewności. W praktyce inżynierskiej, z powodu niepełnej wiedzy, wyznaczenie rozkładu niektórych zmiennych projektowych nie jest możliwe. Co więcej, funkcja stanu granicznego jest wysoce nieliniowa, co sprawia, że do poprawnego obliczenia prawdopodobieństwa uszkodzenia potrzebna jest znajomość momentów wyższych rzędów tej funkcji. W niniejszej pracy zaproponowano metodę analizy niepewności łączącą zasadę maksymalnej entropii z metodą bootstrapową. W pierwszej części pracy wykorzystano metodę bootstrapową do obliczenia przedziałów ufności czterech pierwszych momentów dla zmiennych losowych typu mieszanego oraz zmiennych z próby. Następnie, wyznaczono momenty wyższych rzędów funkcji stanu granicznego przy użyciu metody redukcji wymiarów. Po trzecie, w celu obliczenia funkcji gęstości prawdopodobieństwa (PDF) oraz dystrybuanty (CDF) funkcji stanu granicznego, sformułowano model optymalizacji oparty na zasadzie maksymalnej entropii. Proponowana metoda nie wymaga założenia znajomości rozkładów zmiennych losowych ani obliczania wrażliwości dla funkcji stanu granicznego w odniesieniu do najbardziej prawdopodobnego punktu awarii. W końcowej części artykułu porównano na podstawie przykładów numerycznych wyniki otrzymane za pomocą proponowanej metody oraz symulacji Monte Carlo (MCS).
Uncertainty analysis method based on a combination of the maximum entropy principle and the point estimation metod
Uncertainty is inevitable in product design processes. Therefore, to make reliable decisions, uncertainty analysis incorporating all kinds of uncertainty is needed. In engineering practice, due to the incomplete knowledge, the distribution of some design variables can not be determined. Furthermore, the performance function is highly nonlinear, therefore, the high order moments of the performance function are needed to calculate the probability of failure accurately. In this paper, an uncertainty analysis method combining the maximum entropy principle and the bootstrapping method is proposed. Firstly, the bootstrapping method is used to calculate the confidence intervals of the first four moments for mixed random variables and sample variables. Secondly, the high order moments of limit state functions are estimated using the reduced dimension method. Thirdly, to calculate the probability density function (PDF) and cumulative distribution function (CDF) of the limit state functions, an optimization model based on the maximum entropy principle is formulated. In the proposed method, the assumptions that the distribution of the random variables are known and the calculation of the sensitivity for limit state function with respect to the Most Probable Point (MPP) are avoided. Finally, comparisons of results from the proposed methods and the MCS method are presented and discussed with numerical examples.
Posybilistyczna analiza niezawodnościowa systemu naprawialnego z pominiętym lub opóźnionym efektem uszkodzenia
Przy rozwiązywaniu problemów praktycznych w inżynierii przemysłowej można czasami pominąć bądź opóźnić efekt uszkodzenia jeśli ma on niewielki wpływ na system. Ściślej, wiodące cechy systemu można opisać w następujący sposób: 1) jeżeli czas naprawy jest wystarczająco krótki (krótszy niż pewna wartość progowa), tak iż nie ma on wpływu na działanie systemu, to można pominąć negatywny efekt uszkodzenia systemu. Przy takim czasie naprawy można uznać że system nie przerwał działania. Nazywa się go wtedy systemem z pominięciem czasu naprawy (pominięty efekt uszkodzenia). 2) Jeżeli czas naprawy jest dłuższy niż dana wartość progowa i efekt uszkodzenia staje się w końcu odczuwalny, to uznajemy, że system pozostawał aktywny od początkowego etapu naprawy aż do momentu, w którym został przekroczony próg czasu naprawy. Nazywa się go wtedy systemem z opóźnionym efektem uszkodzenia. W oparciu o powyższe dwie charakterystyki, wprowadzono w prezentowanej pracy model systemu naprawialnego. Omówiono dwa scenariusze, w których, odpowiednio, przyjęto, że wartość progowa jest wartością stałą lub nieujemną zmienną losową. Sformułowano wskaźniki niezawodnościowe, takie jak posybilistyczna gotowość chwilowa, dla systemu z pominiętym lub opóźnionym efektem uszkodzenia.
Possibilistic reliability analysis of repairable system with omitted or delayed failure effects
Within the practical problems in industrial engineering, the failure effect sometimes can be omitted or delayed if it has less effect on the system. In detail, the prominent features of the system can be described as follows: 1) if a repair time is sufficiently short (less than some threshold value) that does not affect the system operation, i.e. the pessimistic effect of system failure could be ignored. The system can be considered as operating during this repair time. It is called the system with repair time omission (failure effect omitted). 2) if a repair time is longer than the given threshold value and the failure effect is finally suffered. Then the system can be considered to remain operating from the initial stage of the repair till the end of the repair threshold. It is called the system with delayed failure effect. Based on the above two characteristics, model for the related repairable system is introduced in this paper. Two scenarios are discussed where the threshold value is regarded as a constant and non-negative random variable, respectively. Reliability indices such as instantaneous possibilistic availability are formulated for the system with failure effect omitted or delayed.
Modelowanie i ocena niezawodności systemu w oparciu o sieci bayesowskie na przykładzie układu napędu paneli słonecznych
Wraz ze wzrostem złożoności w systemach technicznych, pojawia się wiele charakterystyk dynamicznych w ramach procesu awarii systemu, takich jak zależność sekwencyjna, zależność funkcjonalna czy zabezpieczające elementy zapasowe. Oparte na koncepcjach Markowa dynamiczne drzewa uszkodzeń mogą posłużyć do modelowania systemów z powyższymi charakterystykami. Jednak w konfrontacji z problemem eksplozji stanów wynikającym ze wzrostu złożoności systemu, podejście oparte na teoriach Markowa nie jest już skuteczne. W niniejszej pracy łączymy sieci bayesowskie z dynamicznymi drzewami uszkodzeń w celu modelowania niezawodności tego typu systemów. Technikę wnioskowania sieci bayesowskiej wykorzystano do oceny niezawodności i prawdopodobieństwa wystąpienia uszkodzenia. Skuteczność niniejszej metody wykazano na przykładzie układu napędu paneli słonecznych.
System reliability modeling and assessment for solar array drive assembly based on bayesian networks
Along with the increase of complexity in engineering systems, there exist many dynamic characteristics within the system failure process, such as sequence dependency, functional dependency and spares. Markov-based dynamic fault trees can figure out the modeling of systems with these characteristics. However, when confronted with the issue of state space explosion resulted from the growth of system complexity, the Markov-based approach is no longer efficient. In this paper, we combine the Bayesian networks with the dynamic fault trees to model the reliability of such types of systems. The inference technique of Bayesian network is utilized for reliability assessment and fault probability estimation. The solar array drive assembly is used to demonstrate the effectiveness of this method.
An efficient method for calculating system non-probabilistic reliability index
Collecting enough samples is difficult in real applications. Several interval-based non-probabilistic reliability methods have been reported. The key of these methods is to estimate system non-probabilistic reliability index. In this paper, a new method is proposed to calculate system non-probabilistic reliability index. Kriging model is used to replace time-consuming simulations, and the efficient global optimization is used to determine the new training samples. A refinement learning function is proposed to determine the best component (or performance function) during the iterative process. The proposed refinement learning function has considered two important factors: (1) the contributions of components to system nonprobabilistic reliability index, and (2) the accuracy of the Kriging model at current iteration. Two stopping criteria are given to terminate the algorithm. The system non-probabilistic index is finally calculated based on the Kriging model and Monte Carlo simulation. Two numerical examples are given to show the applicability of the proposed method.
Global non-probabilistic reliability sensitivity analysis based on surrogate model
Sensitivity analysis is used to find the key variables which have significant effect on system reliability. For a product in early design stage, it is impossible to collect sufficient samples. Thus, the probabilistic-based reliability sensitivity analysis methods are difficult to use due to the requirement of probability distribution. As an alternative, interval can be used because it only requires few samples. In this study, an effective global non-probabilistic sensitivity analysis based on adaptive Kriging model is proposed. The global accuracy Kriging model is constructed to reduce overall computational cost. Subsequently, the global non-probabilistic sensitivity analysis method is developed. Compared to existing non-probabilistic sensitivity analysis methods, the proposed method is a global non-probabilistic reliability sensitivity analysis method. The proposed method is easy to use and does not require probability distribution of the input variables. The applicability of proposed method is demonstrated via two examples.