相关性失效下的零部件重要度统计评价

重要度评价在可靠性工程中有着举足轻重的地位,是产品可靠性设计的基础.分别研究了在相依部件系统中的部件可靠性重要度与结构重要度.采用多维Copula函数拟合多部件之间的相依结构,从各类型重要度的刻画角度,经过一系列的数学处理,建立相应的相关性失效下零部件重要度评价模型.对于复杂且实用的k/n(G)系统,运用可靠度计算与结构函数表征之间的等效映射来对相关性失效下的三类重要度评价进行建模.     

线形(n,f,k)系统和系统的可靠度计算新方法

本文应用两端同时进行的有限马尔可夫链嵌入法给出了具有复合失效准则的(n,f,k)系统和系统可靠度计算公式及公式中连接矩阵的结构特点。数值计算结果表明,随着构成系统的单元个数的增加,应用两端同时进行的有限马尔可夫链嵌入法比应用传统的有限马尔可夫链嵌入法计算可靠度能节省大量运算时间,特别是对于具有对称结构的(n,f,k)和系统效果更加明显。     

离散时间冲击下的k/n(G)系统的可靠性分析

研究了一类离散时间冲击下的k/n(G)系统.冲击到达间隔服从几何发布,冲击的量服从一般发布,每次冲击对系统中工作的部件独立产生影响.假设每一部件受冲击后以一定的概率发生故障,各次冲击独立地对系统造成损失,直到工作部件数少于k系统故障为止.基于上述假设,我们求得了系统的离散时间寿命的分布,进而得到系统的可靠度、平均寿命等可靠性指标.作为k/n(G)系统在k=n和k=1时的特例,还得到n部件串联、并联系统在离散时间冲击下的可靠性指标.最后,给出了数值算例.     

弧k/n(G)与节点k/n(G)网络模型可靠性估计的对偶变量蒙特罗洛方法

针对弧k/n(G)网络无法刻画网络节点对上游节点输入需求的问题,提出了节点k/n(G)网络模型.在节点k/n(G)网络中,通过设定网络节点工作条件为接收工作输入点集中n个节点里的至少k个输入,节点k/n(G)性质被进一步延伸至对上游任意节点.为采用蒙特卡洛方法对弧与节点k/n(G)网络的可靠性进行估计,分别对两类k/n(G)网络设计了基于随机邻接矩阵的网络连通性算法.并结合k/n(G)网络结构函数的单调性,将对偶变量方差缩减技术应用于两类k/n(G)网络的蒙特卡洛方法,仿真实验表明:所设计的仿真方案能够有效地对两类k/n(G)网络的可靠性进行估计,对偶变量方法提高了蒙特卡洛方法的计算精度并减少了计算时间.     

逐步增加Ⅱ型截尾下n中取m串连续k失效系统的可靠性评估

在逐步增加Ⅱ型截尾样本下,研究不可修n中取m串连续k失效系统(简记为k(m)/n系统)的可靠性评估问题.利用Bayes方法与极大似然估计法,得到了部件失效率、系统可靠度及平均寿命等可靠性指标的经验Bayes估计.最后利用随机模拟例子说明了本文方法的正确性和可行性.     

故障相关的表决可修系统可用度计算

为解决k/n(F)表决可修系统中零部件的故障相关干涉问题,根据零部件工作寿命之间的正相关结构,运用Copula函数的相关性理论,提出微时间差t→t+Δt内系统一步状态转移矩阵概念,建立了故障相关的表决可修系统可靠性模型.模型全面考虑了共因故障、零件工作寿命和修复时间分布的一般性,从而突破传统独立指数型可修系统可靠性模型的三类局限性.验证了k/n(F)可修系统相关性模型的通用性,给出了Copula模型选择和估计相关程度参数的方法.     

图的k符号边控制数

设G=(V,E)是一个图,一个函数f:E→{-1,+1},如果对于G中至少k条边e有sum from e'∈N[e]f(e')≥1成立,则称f为图G的一个k符号边控制函数.一个图的k符号边控制数定义为γ_(ks)^/(G)=min{∑_(e∈E(G))f(e)|f为图G的一个k符号边控制函数}.主要给出了一个图G的k符号边控制数γ_(ks)/(G)=min{∑_(e∈E(G))f(e)|f为图G的一个k符号边控制函数}.主要给出了一个图G的k符号边控制数γ_(ks)^/(G)的若干新下限,并确定了路和圈的k符号边控制数.     

修理设备可更换的k/n(G)表决可修系统

研究了修理设备可更换的k/n(G)表决可修系统,其中修理设备在修理故障部件时可能发生失效.假定部件和修理设备的寿命服从负指数分布,故障部件的修理时间和修理设备的更换时间服从一般分布的条件下,利用马尔可夫更新过程理论和拉普拉斯变换(Laplace-Stieltjes变换),分别讨论了系统首次故障前的平均时间,可用度,故障频度及修理设备的不可用度和失效频度,获得了相关指标的递推表达式.在此基础上,给出了1/2(G)表决可修系统和(n-1)/n(G)表决可修系统相关可靠性指标的表达式.     

无失效数据失效概率的Bayes估计

本文对无失效数据(ti,ni)在ti 时刻的失效概率pi= P｛T< ti｝的先验密度的核为(1- pi)k时,给出了pi 的Bayes估计和多层Bayes估计,由此可以得到无失效数据可靠度的估计.最后,结合实际问题进行了计算.     

Hamiltonian[k,k+1]-因子

本文考虑n/2-临界图中Hamiltonian[k,k+1]-因子的存在性。Hamiltonian[k,k+1]-因子是指包含Hamiltonian圈的[k,k+1]-因子;给定阶数为n的简单图G,若δ(G)≥n/2而δ(G\e)相似文献