主权项 |
一种基于贝叶斯理论的石化设备失效率推断方法,其特征在于包括如下步骤:步骤一、确定样本似然函数;假定所研究的石化设备具有恒定的失效率,其寿命分布满足指数分布,则所抽取样本的似然函数为: <mrow> <mi>P</mi> <mrow> <mo>(</mo> <mi>X</mi> <mo>=</mo> <msub> <mi>K</mi> <mi>d</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <msup> <mrow> <mo>(</mo> <mi>W</mi> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mi>T</mi> <mo>)</mo> </mrow> <msub> <mi>K</mi> <mi>d</mi> </msub> </msup> <mrow> <msub> <mi>K</mi> <mi>d</mi> </msub> <mo>!</mo> </mrow> </mfrac> <mi>exp</mi> <mo>{</mo> <mo>-</mo> <mi>W</mi> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mi>T</mi> <mo>}</mo> <mtext></mtext> </mrow> (1.0)样本似然函数中各参数的意义为:W:同一设备样本总数;d:失效模式;λd:失效模式d的失效率;T:观察间隔时间;Kd:W个样本失效模式d在T时间内出现次数,为非负整数;Kd!:Kd的阶乘;P(X=Kd):失效模式d出现Kd次的概率;步骤二、确定先验分布密度函数;因为样本似然函数是参数为λd的泊松分布,根据泊松分布均值λd的共轭先验分布为伽马分布,故确定先验分布密度函数为: <mrow> <mi>π</mi> <mrow> <mo>(</mo> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <msup> <mi>β</mi> <mi>α</mi> </msup> <mrow> <mi>Γ</mi> <mrow> <mo>(</mo> <mi>α</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <msup> <mrow> <mo>(</mo> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mo>)</mo> </mrow> <mrow> <mi>α</mi> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mi>exp</mi> <mo>{</mo> <mo>-</mo> <mi>β</mi> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mo>}</mo> </mrow> (2.0)先验分布函数中各参数的意义为:α:伽马分布中形状参数;β:伽马分布中尺度参数;Г(α):伽马函数;π(λd):λd的先验分布密度;步骤三、确定设备技术差距系数;当使用国外可靠性数据库作为先验信息时,为先验信息补充一个技术差距系数c以调整时间差对设备失效带来的影响,使用模糊综合估计法得到当前国内与国外设备技术差距的年限,即:y=a1z1+a2z2+···+anzn (3.0)其中各参数的意义为:n:第n个专家;an:专家n的权重,由从业年数和业务能力确定,0<an<1;zn:专家n估计的落后年数;将综合估计落后年数y与设备数据获得的时间差比值作为技术差距系数c的近似估计,即: <mrow> <mi>c</mi> <mo>=</mo> <mfrac> <mi>y</mi> <mrow> <msub> <mi>y</mi> <mn>2</mn> </msub> <mo>-</mo> <msub> <mi>y</mi> <mn>1</mn> </msub> </mrow> </mfrac> </mrow> (3.1)其中,c>0,y表示综合估计落后年数,y1为获得先验数据的年限中值,y2表示样本获得年限中值;步骤四、确定先验分布超参数;伽马先验分布Ga(α,β)中有两个超参数,选择先验矩法确定超参数,可得伽马先验分布Ga(α,β)的期望和方差,即: <mfenced open='{' close=''> <mtable> <mtr> <mtd> <mfrac> <mi>α</mi> <mi>β</mi> </mfrac> <mo>=</mo> <msub> <mi>cλ</mi> <mi>d</mi> </msub> </mtd> </mtr> <mtr> <mtd> <mfrac> <mi>α</mi> <msup> <mi>β</mi> <mn>2</mn> </msup> </mfrac> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>cS</mi> <mi>d</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mtd> </mtr> </mtable> </mfenced> (4.0)解之,可得超参数α与β的估计为: <mfenced open='{' close=''> <mtable> <mtr> <mtd> <mi>α</mi> <mo>=</mo> <mfrac> <mrow> <msup> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mn>2</mn> </msup> <mi></mi> </mrow> <msubsup> <mi>S</mi> <mi>d</mi> <mn>2</mn> </msubsup> </mfrac> </mtd> </mtr> <mtr> <mtd> <mi>β</mi> <mo>=</mo> <mfrac> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mrow> <mi>c</mi> <msup> <msub> <mi>S</mi> <mi>d</mi> </msub> <mn>2</mn> </msup> </mrow> </mfrac> </mtd> </mtr> </mtable> </mfenced> (4.1)其中各参数意义为:λd:先验分布中失效模式d的失效率;Sd:先验分布中失效模式d的标准差;步骤五、确定后验分布密度函数;由样本似然函数式(1.0)和先验分布密度函数式(2.0)可以写出W个样本和参数λd的联合密度函数为: <mfenced open='' close=''> <mtable> <mtr> <mtd> <mi>h</mi> <mrow> <mo>(</mo> <msub> <mi>K</mi> <mi>d</mi> </msub> <mo>,</mo> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>π</mi> <mrow> <mo>(</mo> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mo>)</mo> </mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>K</mi> <mi>d</mi> </msub> <mo>|</mo> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> </mtd> </mtr> <mtr> <mtd> <mo>=</mo> <mfrac> <mrow> <msup> <mi>β</mi> <mi>α</mi> </msup> <msup> <mrow> <mo>(</mo> <mi>WT</mi> <mo>)</mo> </mrow> <msub> <mi>K</mi> <mi>d</mi> </msub> </msup> </mrow> <mrow> <mi>Γ</mi> <mrow> <mo>(</mo> <mi>α</mi> <mo>)</mo> </mrow> <msub> <mi>K</mi> <mi>d</mi> </msub> <mo>!</mo> </mrow> </mfrac> <msup> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mrow> <mi>α</mi> <mo>+</mo> <msub> <mi>K</mi> <mi>d</mi> </msub> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mi>exp</mi> <mo>{</mo> <mo>-</mo> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mrow> <mo>(</mo> <mi>β</mi> <mo>+</mo> <mi>WT</mi> <mo>)</mo> </mrow> <mo>}</mo> </mtd> </mtr> </mtable> </mfenced> (5.0)由贝叶斯公式可得λd的后验分布密度函数为: <mrow> <mi>π</mi> <mrow> <mo>(</mo> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mo>|</mo> <msub> <mi>K</mi> <mi>d</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>h</mi> <mrow> <mo>(</mo> <msub> <mi>K</mi> <mi>d</mi> </msub> <mo>,</mo> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <mi>m</mi> <mrow> <mo>(</mo> <msub> <mi>K</mi> <mi>d</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>∝</mo> <msup> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mrow> <mi>α</mi> <mo>+</mo> <msub> <mi>K</mi> <mi>d</mi> </msub> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mi>exp</mi> <mo>{</mo> <mo>-</mo> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mrow> <mo>(</mo> <mi>β</mi> <mo>+</mo> <mi>WT</mi> <mo>)</mo> </mrow> </mrow> (5.1)其中,m(Kd)是W个样本的边缘密度函数,与λd无关,∝表示式子两边只差一个不依赖于λd的常数因子,由后验分布可知失效率λd的后验分布服从伽马分布,即Ga(α+Kd,β+WT),故此W个样本出现同一失效模式次数的后验密度为: <mrow> <mi>π</mi> <mrow> <mo>(</mo> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mo>|</mo> <msub> <mi>K</mi> <mi>d</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <msup> <mrow> <mo>(</mo> <mi>β</mi> <mo>+</mo> <mi>WT</mi> <mo>)</mo> </mrow> <mrow> <mi>α</mi> <mo>+</mo> <msub> <mi>K</mi> <mi>d</mi> </msub> </mrow> </msup> <mrow> <mi>Γ</mi> <mrow> <mo>(</mo> <mi>α</mi> <mo>+</mo> <msub> <mi>K</mi> <mi>d</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <msup> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mrow> <mi>α</mi> <mo>+</mo> <msub> <mi>K</mi> <mi>d</mi> </msub> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mi>exp</mi> <mo>{</mo> <mo>-</mo> <msub> <mi>λ</mi> <mi>d</mi> </msub> <mrow> <mo>(</mo> <mi>β</mi> <mo>+</mo> <mi>WT</mi> <mo>)</mo> </mrow> <mo>}</mo> </mrow> (5.2)由后验分布密度函数可得样本后验分布期望和标准差分别为: <mfenced open='{' close=''> <mtable> <mtr> <mtd> <msub> <mi>Eλ</mi> <mi>d</mi> </msub> <mo>=</mo> <mfrac> <mrow> <mi>α</mi> <mo>+</mo> <msub> <mi>K</mi> <mi>d</mi> </msub> </mrow> <mrow> <mi>β</mi> <mo>+</mo> <mi>WT</mi> </mrow> </mfrac> </mtd> </mtr> <mtr> <mtd> <msub> <mi>Dλ</mi> <mi>d</mi> </msub> <mo>=</mo> <mfrac> <msqrt> <mi>α</mi> <mo>+</mo> <msub> <mi>K</mi> <mi>d</mi> </msub> </msqrt> <mrow> <mi>β</mi> <mo>+</mo> <mi>WT</mi> </mrow> </mfrac> </mtd> </mtr> </mtable> </mfenced> (5.3)其中,WT表示W个样本的累计观察日历时间或累计观察工作时间,将公式(4.1)带入(5.3)可得经过贝叶斯方法调整后的设备失效率。 |