故障树分析 - 事件概率模型

英文标题: Fault Tree Analysis - Event Data Model

故障树分析最关键的一步就是为基本事件设置概率失效模型。

电子器件的物理失效的概率模型一般符合指数分布,比如电阻的短路、开路。指数分布又细分为恒定失效率指数分布周期性检测的潜在故障

如果故障不能被用户感知到,也不能被检测机制及时地检测到,那么它就是一个潜在的故障。这个故障会一直潜伏着,直到特定条件下才会暴露出来(比如维保检修)。对于潜在故障,应该使用周期性检测的潜在故障模型。

表1 恒定失效率指数分布和周期性检测的潜在故障的比较

故障感知/故障检测 可被用户感知 不可被用户感知
能被检测机制及时检测到 恒定失效率指数分布 恒定失效率指数分布
不能被检测机制及时检测到,或没有检测机制 恒定失效率指数分布 周期性检测的潜在故障

单点故障不可能时潜在故障。因为单点故障会直接导致顶事件失效,一旦失效可以被用户感知到。

不能在FTTI内被检测到的多点故障应该用周期性检测的潜在模型。

恒定失效率指数分布

对于满足恒定失效率指数分布的元器件,其不可用度和失效频率可用下面的公式计算。

\[ Q(t) = 1 - e^{-\lambda t} \]

\[ w(t) = \lambda (1-Q(t)) \]

其中:
\(Q(t)\) 是不可用度
\(w(t)\) 是失效频率
\(\lambda\) 是失效率

指数分布描述独立事件时间间隔的概率分布。\(Q(t)\) 表示在 \(t\) 时间内元器件发生失效的概率,也是元器件在 \(t\) 时刻不可用的概率。

能在FTTI内被检测到的故障才能使用恒定失效率指数分布。

如果想进一步理解指数分布,建议查看 泊松分布和指数分布:10分钟教程

周期性检测的潜在故障

潜在故障 是不会直接导致系统失效,并且未被及时检测到的故障。

如果一个故障可以直接导致系统失效,那么它会被立刻感知到,不可能潜伏着。
如果有检测机制可以及时地检测到故障,检测机制检测到故障后都会提醒用户故障,那么故障也就不会潜伏着。

比如,一个备用供电系统。当电网断电时,电源管理模块会检测到电网不可用,并启动备用电源,但没有模块检查备用电源的故障。备用电源的故障只有在电网断电时才能被发现,在这之前都是潜在的故障。

备用电源的故障就是潜在故障。因为:
1) 备用电源故障不会直接导致系统失效
2)备用电源故障不能被及时检测到。

如何评估故障是否被及时检测到?
当故障在故障容许时间内被检测到,就认为没有潜伏着,就不是潜伏故障。

故障容许时间一般是从上层系统得到。比一个使用备用供电系统的医疗设备,它内部也自带一个能源存储器,但是只能维持系统在外部电源中断情况下继续工作1分钟。那么给这个医疗设备供电的备用供电系统的故障容许时间就是1分钟或更短。

周期性检测的潜在故障的不可用度

假设检测周期为 \(\tau\) 。如果没有没有任何检测,\(\tau\) 就是产品的生命周期时间。

潜在故障的最大概率为:
\[ Q_{max} = 1 - e^{-\lambda \tau} \]
因为潜在故障在 \(\tau\) 时刻会被检测,超过 \(\tau\) 时刻,潜在故障的概率又会从0开始。

下图中红色线就是检测周期为 \(\tau\) 的潜在故障的不可用度的曲线。

减小检测周期 \(\tau\) 可以有效地降低潜在故障最大概率 \(Q_{max}\) ,也能有效地降低 PMHFP。

下图中紫线是检测周期 \(\tau'\) 的不可用度曲线,其中 \(\tau'\) 小于 \(\tau\)

固定不可用性模型表示

对于安全机制得诊断率,用固定不可用性模型表示。比如我们设计了一个检测电阻短路的机制,但是这个机制不完美,只有90%的可能性检测到电阻短路。我们可以用固定不可用度为0.1(10%)的模型表示这个检测机制。

定义

不可用度 unavailability
失效频率 failure frequency
失效率 failure rate

版权声明: 本文为博主原创,未经许可禁止转载。原文地址: https://www.cnblogs.com/byronsh/p/fault-tree-analysis-event-data-model.html


本文的数字签名如下:
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
------End Signature------2019-7-14
数字签名验证方法

猜你喜欢

转载自www.cnblogs.com/byronsh/p/fault-tree-analysis-event-data-model.html