Математические модели теории надежности

Общие понятия о моделях надежности

Для решения задач по оценке надежности и прогнозированию работоспособности объекта необходимо иметь математическую модель, которая представлена аналитическими выражениями одного из показателей P(t) или f(t) или (t). Основной путь для получения модели состоит в проведении испытаний, вычислении статистических оценок и их аппроксимации аналитическими функциями.

Выясним, как изменяется безотказность объектов при их эксплуатации, что позволит классифицировать модели и определить возможности их применения.

Опыт эксплуатации показывает, что изменение интенсивности отказов (t) подавляющего большинства объектов описывается U – образной кривой (рис. 1).

Рис. 1

Кривую можно условно разделить на три характерных участка: первый – период приработки, второй – период нормальной эксплуатации, третий – период старения объекта. Период приработкиобъекта имеет повышенную интенсивность отказов ИО, вызванную приработочными отказами, обусловленными дефектами производства, монтажа, наладки. В период нормальной эксплуатации ИО уменьшается и практически остается постоянной, при этом отказы носят случайный характер и появляются внезапно, прежде всего из-за несоблюдения условий эксплуатации, случайных изменений нагрузки, неблагоприятных внешних факторов и т. п. Именно этот период соответствует основному времени эксплуатации объекта. Возрастание ИО относится к периоду старения объекта и вызвано увеличением числа отказов от износа, старения и других причин, связанных с длительной эксплуатацией.

Вид аналитической функции, описывающей изменение показателей надежности P(t), f(t) или (t), определяет закон распределения случайной величины, который выбирается в зависимости от свойств объекта, его условий работы и характера отказов.

Выбор закона распределения

Выбор закона распределения состоит в подборе аналитической функции наилучшим образом аппроксимирующей эмпирические функции надежности.

Выбор, в значительной мере, процедура неопределенная и во многом субъективная, при этом многое зависит от априорных знаний об объекте и его свойствах, условиях работы, а также анализа вида графиков (t), (t), (t).

Очевидно, что выбор распределения будет зависеть, прежде всего, от вида эмпирической функции ПРО (t), а также от вида - (t). Так коэффициентИтак, выбор закона распределения носит характер принятия той или иной гипотезы.

Предположим, что по тем или иным соображениям, выбран гипотетический закон распределения, заданный теоретической ПРО

где a, b, c, … - неизвестные параметры распределения.

Требуется подобрать эти параметры так, чтобы функция f(t) наилучшим образом сглаживала ступенчатый график (t). При этом используется следующий прием: параметры a, b, c, … выбираются с таким расчетом, чтобы несколько важнейших числовых характеристик теоретического распределения были равны соответствующим статистическим оценкам.

На графике вместе с (t) строится теоретическая ПРО f(t), что позволяет визуально оценить результаты аппроксимации (расхождения между (t) и f(t). Поскольку эти расхождения неизбежны, то возникает вопрос: объясняются ли они случайными обстоятельствами, связанными с тем, что теоретическое распределение выбрано ошибочным? Ответ на этот вопрос дает расчет критерия согласия.

Расчет критерия согласия

Критерий согласия – это критерий проверки гипотезы о том, что случайная величина T, представленная своей выборкой, имеет распределение предполагаемого типа.

Проверка состоит в следующем. Рассчитывается критерий, как некоторая мера расхождения теоретического и эмпирического распределений, причем эта мера является случайной величиной.

Чем больше мера расхождения, тем хуже согласованность эмпирического распределения с теоретическим, т. е. меньше мала, то гипотезу о выборе закона распределения следует отвергнуть, как мало правдоподобную.

В противном случае – экспериментальные данные не противоречат принятому распределению.

Из известных критериев наиболее применяемый критерий согласия ² (хи-квадрат) Пирсона. Проверка согласованности распределений по критерию ² производится следующим образом:

- рассчитывается критерий ² (мера расхождения)

где – теоретическая частота (вероятность) попадания случайной величины в интервал [t_i, t_i + t];

- определяется число степеней свободы R = k – L ,

где L – число независимых условий, наложенных на частоты _i , например:

а) условие ;

б) условие совпадения ;

в) условие совпадения = D и т. д.

Чаще всего L = 3. Чем больше число степеней свободы, тем больше случайная величина ² подчиняется распределению Пирсона;

- по рассчитанным ² и R определяется вероятность P того, что величина, имеющая распределение Пирсона с R степенями свободы, превзойдет рассчитанное значение ².

Ответ на вопрос: насколько мала должна быть вероятность P, чтобы отбросить гипотезу о выборе того или иного закона распределения – во многом неопределенный.

На практике, если P < 0,1, то рекомендуется подыскать другой закон распределения.

В целом, с помощью критерия согласия, можно опровергнуть выбранную гипотезу, если же P достаточно велика, то это не может служить доказательством правильности гипотезы, а указывает лишь на то, что гипотеза не противоречит данным эксперимента.

1. Классическое нормальное распределение

Нормальное распределение или распределение Гаусса является наиболее универсальным, удобным и широко применяемым.

Считается, что наработка подчинена нормальному распределению (нормально распределена), если плотность распределения отказов (ПРО) описывается выражением:

где a и b – параметры распределения, соответственно, МО и СКО, которые по результатам испытаний принимаются:

где ₀ , - оценки средней наработки и дисперсии.

Графики изменения показателей безотказности при нормальном распределении приведены на рис. 2.

Выясним смысл параметров Т₀ и S нормального распределения. Из графика f(t) видно, чтоТ₀ является центром симметрии распределения, поскольку при изменении знака разности (t - T₀) выражение (1) не меняется. При t = Т₀ ПРО достигает своего максимума

Рис. 2

При сдвиге Т₀ влево/вправо по оси абсцисс, кривая f(t) смещается в ту же сторону, не изменяя своей формы. Таким образом, Т₀ является центром рассеивания случайной величины T, т. е. МО.

Параметр S характеризует форму кривой f(t), т. е. рассеивание случайной величины T. Кривая ПРО f(t) тем выше и острее, чем меньше S.

Изменение графиков P(t) и (t) при различных СКО наработок (S1 < S2 < S3) и Т₀ = const приведено на рис. 3.

Рис. 2

Используя полученные ранее соотношения между показателями надежности, можно было бы записать выражения для P(t); Q(t) и (t) по известному выражению (1) для f(t). Не надо обладать богатой фантазией, чтобы представить громоздкость этих интегральных выражений, поэтому для практического расчета показателей надежности вычисление интегралов заменим использованием таблиц. С этой целью перейдем от случайной величины T к некоей случайной величине

распределенной нормально с параметрами, соответственно, МО и СКО M{X} = 0 и S{X}=1 и плотностью распределения

Выражение описывает плотность так называемого нормированного нормального распределения (рис. 3).

Рис. 3

Функция распределения случайной величины X запишется

а из симметрии кривой f(x) относительно МО M{X} = 0, следует, что f(-x) = f(x), откуда F(-x) = 1 - F(x) .

В справочной литературе приведены расчетные значения функций f(x) и F(x) для различных x = (t - Т₀)/S.

Показатели безотказности объекта через табличные значения f(x) и F(x) определяются по выражениям:

	f(t) = f(x)/S;	(5)
	Q(t) = F(x);	(6)
	P(t) = 1 - F(x);	(7)
	(t) = f(x)/S(1 - F(x)).	(8)

В практических расчетах часто вместо функции F(x) пользуются функцией Лапласа, представляющей распределение положительных значений случайной величины X в виде:

В литературе могут встретиться и другие выражения для (x), поэтому, какой записью (x) пользоваться – это дело вкуса.

Показатели надежности объекта можно определить через (x), используя выражения (5) – (8) и (10):

	Q(t) = 0,5 + (x) ;	(11)
	P(t) = 0,5 - (x) ;	(12)
	(t) = f(x)/S(0,5 - (x)) .	(13)

Чаще всего при оценке надежности объекта приходится решать прямую задачу – при заданных параметрах Т₀ и S нормально распределенной наработки до отказа определяется тот или иной показатель безотказности (например, ВБР) к интересующему значению наработки t.

Но в ходе проектных работ приходится решать и обратную задачу – определение наработки, требуемой по техническому заданию, ВБР объекта.

Для решения подобных задач используют квантили нормированного нормального распределения.

Квантиль – значение случайной величины, соответствующее заданной вероятности.

Обозначим:

t_p– значение наработки, соответствующее ВБР P;

x_p – значение случайной величины X, соответствующее вероятности P.

Тогда из уравнения связи x и t:

при x = x_p ; t = t_p, получаем

t_p= Т₀ + x_p S.

t_p, x_p – ненормированные и нормированные квантили нормального распределения, соответствующие вероятности P.

Значения квантилей x_p приводятся в справочной литературе для P 0,5.

При заданной вероятности P < 0,5 используется соотношение

x_p = - x_1-p .

Например, при P = 0,3

x_0,3 = - x_{1- 0,3} = - x_{0, 7}

2. Экспоненциальное распределение

Экспоненциальное распределение описывает наработку до отказа объектов, у которых в результате сдаточных испытаний отсутствует период приработки, а назначенный ресурс установлен до окончания периода нормальной эксплуатации. Эти объекты можно отнести к «не стареющим», поскольку они работают только на участке с (t) = = const. Круг таких объектов широк: сложные технические системы с множеством компонентов, средства вычислительной техники и системы автоматического регулирования и т. п. Экспоненциальное распределение широко применяется для оценки надежности энергетических объектов. Считается, что случайная величина наработки объекта до отказа подчинена экспоненциальному распределению, если ПРО описывается выражением:

f(t) = exp( - t),

где – параметр распределения, который по результатам испытаний принимается равным 1 / ₀, где ₀ – оценка средней наработки до отказа.

2. Логарифмически нормальное (логнормальное) распределение

При логарифмически нормальном распределении нормально распределенным является логарифм (lg t) случайной величины T, а не сама эта величина. Логарифмически нормальное распределение во многом более точно, чем нормальное описывает наработку до отказа тех объектов, у которых отказ возникает вследствие усталости, например, подшипников качения, электронных ламп и пр. Если величина lg t имеет нормальное распределение с параметрами: МО U и СКО V, то величина T считается логарифмически нормально распределенной с ПРО, описываемой:

Параметры U и V по результатам испытаний принимаются:

где и - оценки параметров U и V.

Показатели надежности можно рассчитать по приведенным в лекции 6 выражениям, пользуясь табулированными функциями f(x) и, соответственно, F(x) и (x) для нормального распределения при x = (lg t - U) / V. Графики изменения показателей надежности при логарифмически нормальном распределении приведены на рис. 4.

Рис. 4

3. Гамма–распределение

Случайная величина наработки до отказа T имеет гамма-распределение с параметрами (масштабный параметр) и (параметр формы), где , > 0, причем – целое число, если ее ПРО описывается выражением:

где Г( ) = ( - 1)! – гамма-функция Эйлера. Очевидно, что при = 1 выражение (12) упрощается до вида (1), соответствующего экспоненциальному распределению. Гамма-распределение наиболее хорошо описывает распределение суммы независимых случайных величин, каждая из которых распределена по экспоненциальному закону. При больших гамма-распределение сходится к нормальному распределению с параметрами: a = · , b = · ².

Графики изменения показателей надежности при гамма-распределении приведены на рис. 5.

Рис. 5

Кроме рассмотренных законов распределения, в качестве моделей надежности объектов могут использоваться и другие, например: распределение Вейбулла, хорошо описывающее наработку объектов до отказа по усталостным разрушениям, распределение Релея, распределение Эрланга и т. п.