浅谈Petri网的地铁信号系统可靠性分析论文（精选3篇）
篇1：浅谈Petri网的地铁信号系统可靠性分析论文
Petri网(Petri nets,PN)是一种分布式系统的建模和分析工具,特别适合于描述系统中各进程或部件之间的顺序、并发、冲突及同步等结构关系。它不仅可以描述系统的结构,而且可以模拟系统的动态行为[6]。PN采用直观的图形化语言建模,同时引入概率论、随机过程、人工智能等多种数学方法,在许多领域中显示出很强的建模和分析能力[7,8,9,10,11]。
车门系统包含了多种机械和电气装置,机械和电气事件之间各因素相互作用,存在异步、并发、资源共享以及不确定性等特点,且系统大多数故障都具随机性,因此,采用广义随机Petri网建立轨道车辆车门系统工作过程可靠性模型,描述系统的静态结构及动态运行过程,对该模型进行Monte-Carlo仿真计算,获得系统在各时间段内的可靠性指标,为车门系统设计及维保安排提供指导。
1 广义随机Petri网理论
PN由一系列库所P (place)、变迁T (transition)和有向弧A (directed arc)组成,库所中可能包含若干标识(token),其定义为:
式(1)中,P={P1,P2,…,Pn}表示库所的集合;
T={t1,t2,…,tm}表示变迁的集合;
表示有向弧的集合。
图1为这些元素在PN图像化语言中的表示。
PN的状态由包含在每个库所中的标识数来确定。当PN的某变迁满足激活条件,则该变迁输入库所的标识将沿着有向弧的方向转移至该变迁的输出库所,变迁的激活,改变了库所标识的分布,生成新的PN状态。PN状态的变化模拟了系统的运行。
当PN的变迁激活概率服从指数分布,就得到了随机Petri网(Stochastic Petri Nets,SPN),可以定义为:
式(2)中,P,T,A的含义与式(1)中一致。
R={r1,r2,…,rm}表示PN中变迁激活概率的集合。
指数分布的一个重要性质是无记忆性,因此SPN同构于连续时间的马尔可夫链(Markov chain),可以很方便地借助马尔可夫链对其性能进行求解。但是,工程实际中概率分布有多种形式,例如大部分机械零部件,特别是受变载荷作用的零部件疲劳寿命服从威布尔分布(Weibull distribution),因而SPN的适用范围受到限制。
广义随机Petri网(Generalized Stochastic Petri Nets,GSPN)包含瞬时和时延两类变迁。瞬时变迁的激活时延为零,表示一旦满足激发条件,变迁将立即实施,一般表示控制或逻辑选择;时延变迁的发生需一定时间,表示某些事件的发生或进行某些操作和处理。时延变迁服从一定激活规律,可以是任何关于时间的随机分布,包括正态分布、泊松分布、威布尔分布等,并不拘泥于指数分布。系统的激活概率只与时延变迁相关。
GSPN的表达式与公式(2)一致,不同点是R表示系统中时延变迁的集合[12]。很明显,GSPN更适合应用于工程实际。
2 采用Monte Carlo模拟的可靠性分析
由于GSPN中包含多种分布形式,不能采用马尔可夫状态转移概率矩阵进行求解,这就使基于GSPN的可靠性分析难以采用解析方法求解。蒙特卡罗(Monte Carlo)方法是一种以概率和统计理论为基础的计算方法,其实质是通过大量随机试验,使用随机数和概率来解决问题。复杂系统,特别是具有非线性或涉及多参数的系统,可以采用Monte Carlo仿真计算,将所求解的问题同一定的概率模型相联系,采用随机数集作为输入,对建立的模型进行迭代模拟计算,获得问题的近似解[13,14]。因此,Monte Carlo仿真是一种有效的可靠性分析方法,仿真结果的统计特性与实际系统运行或现场测试结果相符合。
现采用Monte Carlo方法对系统进行仿真计算,模拟系统运行过程,得到各项可靠性指标。
3 轨道车辆门系统的可靠性分析
3.1 车门系统的结构及工作原理
车门系统的总体结构一般包括三大部分:控制单元,机构装置和门扇。机构装置包括驱动传动机构和承载机构。驱动传动机构和承载机构做成一体式模块式组件,有电机组件、传动组件、承载导向装置(包括长导柱、携门架部件、运动导向)、制动机构和锁紧机构,如图2所示。
车辆电源为门系统设备供电。每个门由电子门控器(EDCU)控制,EDCU经由MVB总线连到车辆控制单元。车辆控制单元通过MVB通讯总线信号,EDCU驱动电机动作,带动丝杆螺母副传动机构,螺母副带动门扇运动,实现自动开关门。制动机构实现门扇运动速度调节。
3.2 车门系统的GSPN模型
建立车门系统可靠性模型时,作以下假设:
(1)系统与系统组成部分只有正常和故障两种状态;
(2)系统各组成部分之间状态互相独立,故障无相关性;
(3)系统任一组成部分发生故障,系统即失效。
根据上述假设及系统工作原理可知车门系统实质上是一串联系统。建立车门系统可靠性GSPN模型,如图3。库所p1～p11分别表示车辆控制单元、电源、EDCU、电机组件、传动组件、承载导向装置、锁紧机构、车门制动机构、门扇、车门位置传感器、车门状态指示灯;库所p12～p22分别表示相应总成故障状态。t1～t11为时延变迁,表示系统各总成正常工作,激发速率为一确定值,表示系统连续工作的次数;t12～t22为时延变迁,表示系统各总成发生故障,变迁的激发概率为该总成的失效率;t23～t33为瞬时变迁,表示各故障信号向车辆控制单元反馈。
P1中设置一个标识,该标识将通过激活的变迁进入到下一个库所,依次在网路中运行。当车门正常工作时,P1中的标识经过t1-t10进入各表示正常状态的库所,最后,经过t11将车门状态和位置正常的信号传递到车辆控制单元;当车门任一组成部分出现故障,则相应故障变迁激活,故障信号传递到车辆控制单元。
根据故障率的相关标准,在应用中,当走行距离或工作周期数比时间对故障率更加相关时,时间单位可由相应的距离单位或周期的单位来替代。因此,车门系统故障率统计以开关门次数为单位。根据南京地铁某线路的运行日报及可靠性常用概率分布理论,确定各总成故障率分布函数,见表1。
3.3 车门系统可靠性计算
根据可靠性定义,基于GSPN的可靠性模型中,可靠度函数R(t)可采用系统正常和故障变迁发生次数来计算,表示为:
式(3)中,TIup表示正常工作变迁发生的次数;
TIdown表示故障变迁发生的次数;
t表示系统工作次数。
采用Monte Carlo方法对车门系统GSPN模型进行仿真计算,具体步骤如下:
Step 1:生成随机输入xi1,xi2,…,xit;
Step2:对图3中车门系统可靠性GSPN模型进行模拟计算,记录各时延变迁的激活时间TIup和TIdown;
Step3:重复Step1和Step2,直到满足设定的迭代次数或精度要求,此处设置的精度为1%;
Step4:采用公式(3)计算系统可靠性,此时,TIup为变迁t11发生的次数,TIdown为故障变迁t12-t22发生的次数之和。
设定t1～t11不同的时延,可以得到车门系统在不同工作次数下的可靠性,见表2。连续工作超过9千次,车门系统的可靠性开始低于0.8;工作次数达到2万次,系统可靠性低于0.6。根据分析结果,维修人员可以进行有计划的预防性维修,设定理想的保养时间间隔,最小化使用费用的同时,保证系统可靠性满足国家或企业标准。
4 结论
本文对采用丝杆螺母副传动机构的车门系统建立了GSPN模型,模拟系统工作过程,根据其各总成的故障率分布函数计算了不同工作次数下系统的可靠度,为系统设计、使用及维护方案的确定提供依据。
应用GSPN建立的车门系统可靠性模型结构清晰,通过修改模型库所的含义及问题组件的故障率函数,可以很容易扩展到其他结构形式或故障率的门系统,具有一定通用性。基于GSPN的可靠性分析便于仿真实现,为轨道车辆车门系统可靠性分析提供了一种新方法。
摘要：轨道车辆车门系统的安全性和可靠性极为重要。采用广义随机Petri网建立轨道车辆车门系统工作过程的可靠性模型,描述系统的静态结构及动态运行过程。对该模型进行Monte-Carlo仿真计算,计算系统在各时间段的可靠性指标。研究表明,应用Petri网建立的车门系统可靠性模型结构清晰、拓展性强、便于仿真实现,能够为车门系统设计及维保安排提供指导。
篇2：浅谈Petri网的地铁信号系统可靠性分析论文
城市地铁车辆车门是复杂的机械和电气相结合的系统。由于地铁列车运营线路站距短,车门高频次地开启和关闭,极易导致车门的门控电气元件和机械零部件损坏,造成正线运营时列车车门故障频发,故障程度较轻的情形则需要切除该车门,故障较重则会导致列车的掉线、停运给正常的生活和城市的有序运转带来不利影响。对此,进行了车门可靠性研究。
近年国内外学者对车门系统可靠性进行了一些研究,朱小娟[1]、周俊龙[2]等通过建立地铁车门系统的故障树,分析得到导致车门故障的薄弱环节,以此给出了提高车门可靠性的建议。周黎明[3]提出用基于蒙特卡罗仿真和故障树分析的方法进行地铁车门可靠性分析。由于缺乏有效的数学表达方法,FTA方法不容易自动进行进一步的定量分析[4],无法有效地描述故障的传播。Petri网是对离散事件动态系统建模和分析的重要工具,而故障的产生和传播是一个典型的动态过程,利用Petri网可以很好地描述故障的产生和传播过程[5,6,7]。模糊推理Petri网的形式化推理算法,能很好地表示和处理模糊知识和模糊故障信息,可实现智能推理,准确有效地控制故障传播[8]。
在对地铁车辆进行故障模式分析的基础上,采用基于故障树和模糊推理Petri网的形式化推理算法,建立地铁车辆车门FRPN分析模型,定量分析车门系统的可靠性,据此给出提高系统可靠性的建议。
1 FRPN及推理算法
1.1 FRPN基本概念
模糊推理Petri网(FRPN,Fuzzy Reasoning Petri Net)是一个在Petri网基础上扩展而来的图形化的数学建模工具,非常适合于人类知识的表示和人工智能领域,被广泛应用于通信、制造、运输等领域。文中将模糊Petri网应用于更具一般性的推理过程中,运用矩阵运算来实现形式化推理,使模糊推理过程更加简单和易于实现。在一个FR-PN模型中,在库所中标识的token的值与一个0到1之间的真实值关联,变迁与一个0到1之间的CF关联,CF表示变迁为真的置信度;而规则推理过程用推理Petri网中变迁的触发表示。FRPN定义为一个八元组:
其中,P={p1,p2,…,pn}是库所(命题)的有限集合;T={t1,t2,…,tm}是变迁(规则)的有限集合;I:P×T→{0,1}是n×m输入矩阵,定义命题到规则的有向弧;O:P×T→{0,1}是n×m输出矩阵,定义从规则到命题的有向弧;H:P×T→{0,1}是n×m矩阵,定义从命题到规则的互补弧。θ是库所(命题)的真度向量,θ={θ1,θ2,…,θn}T,θ∈[0,1];γ:P→{0,1}是标示向量;γ={γ1,γ2,…,γn}T,若pi中有一个托肯则γi=1;C=diag{c1,c2,…,cm}是变迁(规则)的置信度向量,cj是tj的置信度,取值在0到1之间。
1.2 FRPN的构建
在知识表达的模糊推理Petri网中,网的框架代表基于产生式规则的知识结构,故障树分析法(Fault Tree A-nalysis,简称FTA)是一种将系统故障原因按树枝状逐级细化的图形演绎方法。从推理机制与故障描述来看,FR-PN与故障树分析法[9]很相似,根据已发展成熟的故障树进行FRPN映射建模[10]。
a)一般地,故障树与petri网之间的转换规则如下:
1)故障树中的事件可转换为Petri网中的库所;故障树中的基本事件对应petri网中的初始库所,故障树的顶事件对应petri网中的目标库所。
2)故障树中事件发生的因果关系可转换为Petri网中的变迁;
3)故障树中的逻辑门,应根据不同含义进行转换,其中与门和或门可以按照图1中所示,转换成Petri网中的符号。特别是故障树中的复合逻辑门,可用若干个基本逻辑门描述。为方便起见,故障树中的复合逻辑门经过简化后再转化为Petri网模型。
b)故障树中的逻辑门转化为Petri网表示时,运算规则需要同时更新,如图1所示。主要的规则如下:
图1 与/或门对应的Petri网表示
1)如果一个变迁被触发,库所中的托肯将会被送入上一级库所中。
2)如有变迁结构类似与门结构,上一级库所的真度值由输入库所的最小值真度值确定;如果变迁结构类似或门机构,则上一级库所的真度值由输入库所的最大真度值确定。
1.3 FRPN的推理算法
采用一种实用的不确定推理方法,即MYCIN置信度方法[11]来进行正向推理。该方法被广泛的应用与不确定推理,它的主要思路是模糊命题合取式的真值取各子式真值的最小值,模糊命题析取式的真值取各子式真值的最大值。引入极大代数中的两个算子:
1)其中A,B,D是m×n维矩阵,有
2)其中A,B,D分别是m×p,p×n,m×n维矩阵,有
FRPN的推理规则包括使能规则和激发规则[4],为了更好地表示FRPN的推理规则,文中使用了上述运算符计算得到控制向量ρ和激发向量μ。
其中,采用“neg”算子得到变迁的多个输入库所中托肯的最小值(即对应命题为真的可信度)。
当一组规则被激发后,FRPN的真度向量和标识向量变为
由此,可以得到推理算法如下所示:
步骤1,根据FEPN模型得到I,O,H,C,θ0,γ0;
步骤2,令k=0;
步骤3,根据式(1)~(3),由θk计算得到θk+1;
步骤4,如果θk+1≠θk,令k=k+1,重复步骤3;如果θk+1=θk,推理结束。
2 车门系统的故障树模型
地铁车门主要有开门、关门、警示灯/蜂鸣器、障碍物探测(关门防夹、开门时障碍物探测)、车门退出服务、紧急解锁等功能。地铁车辆自动塞拉门系统由门扇、机构和控制系统组成;门扇包括门板、玻璃、胶条和其它零件等;机构包括基础部件、驱动锁闭装置、承载导向装置、内外操作开关等;控制系统包括电子门控器(EDCU)、执行器件、检测器件等。其中承载导向机构由短导柱、挂架、长导柱、携门架、导向滚轮、上下导轨构成;驱动锁闭装置包括车门电机、丝杆螺母副和锁闭装置。车门系统示意图如图2所示。
图2 车门系统原理图
车门故障可以分为机械故障和电器故障,通过分析列车运行历史数据可得到,电器故障主要表现为EDCU、车门电机、继电器、限位开关等引起的开、关门问题等;机械故障主要是车门尺寸变形、解锁装置、传动部件卡滞、丝杆螺母磨损开裂、螺丝松动松脱等引起的车门品质减弱问题。
针对车门故障进行详细、系统的分析,通过对影响车门功能的各个中间事件进行分析,逐步分解引起故障的原因,建立车门故障树。图3为车门系统失效故障树,其中标识对应的事件见表1。
图3 地铁车门系统的故障树模型
表1 FTA和FRPN中标识所对应的事件
根据故障树布尔运算规则车门系统顶事件发生概率为:
3 基于FRPN的车门可靠性分析
3.1 车门系统的FRPN模型
车门系统的FRPN模型由上一章节中的故障树模型转换得到,如图4所示。其中的初始库所为P1,P2,P3,P4,P5,P6,P7,P8,P9,P10,P11,P14,P15,P16,P17,P18。其中故障树的事件“解锁信号错误”依据吸收原则[12]在FRPN模型中省略。车门系统FRPN模型包含有23个库所和22个变迁,FR-PN模型中库所对应的事件如表1所示。
3.2 基于FRPN的车门可靠性分析
对地铁车门系统进行事故诊断,由图4可得该Petri网的输入矩阵I、输出矩阵O、互补矩阵H:
图4 车门系统的FRPN模型
给定各事件传播关系(规则)的可信度为C22×22=diag(0.9,0.8,0.7,0.7,0.95,0.7,0.9,0.8,0.85,0.7,0.7,0.85,0.95,0.8,0.7,0.7,0.8,0.75,0.8,0.9,0.85,0.75)。
初始的标识矩阵为γ0=[1,1,…,1]23×1,初始库所的真度值矩阵为θi0(i=1,…,11,14,…,18),根据车门系统特性、历史运营数据及工程经验,得到真度值为θ0=(i=1,…,11,14,…,18)=(0.8,0.7,0.4,0.7,0.3,0.3,0.9,0.4,0.6,0.6,0.4,0.1,0.6,0.6,0.7,0.6)。
则由推理算法得到:
由于θ4=θ3,推理过程结束。在初始条件θ0下,系统真度值为θ4(θi,i=12,13,19,20,21,22,23)=(0.72,0.82,0.51,0.28,0.42,0.56,0.692 5)。则系统目标事件发生的最大可信度为0.692 55。
为了评估基本事件对系统整体性能的影响,定义当只有一个故障发生时,通过FRPN推理算法计算得到的目标事件的真度值为基本事件重要度指标Iotd。底事件重要度计算结果如表2所示。计算结果表明,p7,p1,p2,p17的重要度值最大,表明事件“EDCU模块故障”、“锁闭开关S1故障”、“关门到位开关S4故障”、“丝杆/螺母副卡滞”是最重要的事件。由于初始库所的重要度指标值越大,对系统性能的影响就越严重,工程人员可依据计算结果制定维修策略,加强对这些薄弱环节的维护。
表2 初始库所的重要度指标
5 结语
文中研究地铁车门系统的可靠性,首先建立车门系统故障树模型,然后通过FTA-FRPN的图形转化规则得到Petri网模型,最后将模糊推理Petri网的推理算法应用于车门系统整体的可靠性分析,计算得到目标事件的故障率和初始事件的重要度。计算结果展示了影响车门运行性能的故障排序,有助于技术人员和维修人员分析车门系统的运营状况,并且通过采用恰当的维修策略提高系统性能。其有效的模糊推理过程及智能推理能力便于计算机编程求解复杂过程。
参考文献
[1]朱小娟,王建兵,印臻民.上海地铁车辆客室车门可靠性技术研究[J].城市轨道交通研究,2006,(3):31-34.
[2]周俊龙,王建兵.上海地铁车辆客室车门可靠性和安全性技术研究[J].电力机车与城轨车辆,2006,29(4):7-10.
[3]Zhou Liming,Yang Jianwei,Cai Guoqiang.Monte-Carlo Simulation Based on FTA in Reliability Analysis of Door System[J].ICCAE,2010.The 2nd International Conference on(Volume:5)26-28 Feb,2010 page(s):713-717.
[4]Wu Jianing,Yan Shaoze,Xie Liyang.Reliability analysis method of a solar array by using fault tree analysis and fuzzy reasoning Petri net[J].Acta Astronautica.2011,(69)960-968.
[5]刘心,印桂生,张磊.基于FRPN的水下机器人故障诊断[J].计算机工程与应用,2010,46(19):217-219.
[6]高梅梅,吴智铭.模糊推理Petri网及其在故障诊断中的应用[J].自动化学报,2009,26(5):677-680.
[7]陈茹雯.基于广义随机Petri网的轨道车辆门系统可靠性分析[J].科学技术与工程,2013,13(4):1095-1098.
[8]马小平,李明,鲍海勇.基于模糊推理Petri网的胶带运输系统故障诊断[J].东南大学学报,2003,33(sup):127-129.
[9]全达,孙秀芳,王缅.基于故障树分析法的识别单元可靠性分析[J].现代制造工程,2012,4:122-125,93.
[10]黄光球,朱华平,郑彦全.基于模糊Petri网的事故树模糊分析方法研究[J].湖南科技大学学报,2006,21(2):34-39.
[11]Lu Qiuqin,Huang Guangqiu.Fuzzy Analysis of Accidents Diagnosis Based on Fuzzy Petri Net[J].International Journal of Systems and Control,2007,2(3):228-236.
篇3：浅谈Petri网的地铁信号系统可靠性分析论文
在电力通信网络系统中, 对系统的可靠性的研究已成为一个热点话题, 在解决网络系统的可靠性时需要解决这样几个问题, 比如建模、分析、优化、预测、评价、仿真等, 这些问题都已经成为该领域必需解决的技术难题。系统可靠性是指系统在适应时间内, 相应的工作条件下完成需要完成的任务的能力, 相应的工作条件包括很多种, 如系统所处的工作环境, 比如温度, 湿度, 电压, CPU占用率等。规定的时间是指某个特定的时刻或特定的时间段;规定的任务是指某个特定的任务或任务集。电力通信网络系统可靠性与这三个因素密切相关, 高可靠性的系统要求规定的时间短, 任务简单, 环境优越, 否则, 其系统可靠性更低[1]。可见, 不同的工作环境会对系统的可靠性产生不同程度的影响, 应该通过各种方法寻找适应系统生存的高可靠性环境。
电力通信网络系统可靠性[2] 必须有一定的衡量指标, 如前期的业务需求和后期的服务质量。考虑到系统所处的不同条件对系统可靠性的影响, 主要概括为两方面的问题。一方面, 系统的工作环境是不断变化着的, 并且这种变化是随机的, 有些情况下的描述是不确定也是不清晰的;另一方面, 每个系统都有其环境适应能力, 并且系统的适应能力有差异, 必须建立相应模型的环境适应能力的系统, 这样才能提高系统的可靠性。基于上述问题, 本文提出了一种基于正态云和模糊Petri网相结合的系统可靠性评估模型 (System Reliability Evaluation ModelBased on Normal Cloud and Fuzzy Petri Net, FPNNC) 。本文着重从温度、湿度、电压、设备负载、CPU占用率等方面分析和评估系统的可靠性。因为将这些因素进行量化, 准确的评价系统的可靠性, 对后续的系统的维护有一定的辅助作用。
1 相关基本理论与概念
1.1 Petri 网的定义
Petri网这一新概念是在1962年由德国学者Carl Adam Petri首次提出来的, Petri网以严格的数学理论为基础, 并且能够方便的表示图形。Petri网在对系统进行描述、建模和分析有很好的优势[1]。1988年, C.G.Loony提出了模糊Petri网 (Fuzzy PetriNet, FPN) , 相比Petri网其具备了模糊推理能力[3,4,5]。本文的研究就是基于模糊Petri网的。
1.2 模糊 Petri 网的定义
1.3 正态云概念的表示方法
云模型是我国科学家李德毅院士近年来提出一种不确定性语言描述工具, 已经在很多领域得到了广泛应用, 比如人工智能、计算机应用、图像分割等[6,7,8]。某一定量数值在论域上的总体分布可以称之为云, 其中的每一个数值可称为是组成云的一个云滴。
云概念[9]通常是由期望、熵和超熵这3个数值表征。要实现描述云模型、完成云变换、进行概念跃升的目的, 都是要以云概念的数字特征为基础的数值基础, 基于正态云模型, 通过很多云滴构造出整个云模型。
(1) 期望:最能代表这个定性云概念的云滴点所处的位置, 它是云概念的最重要的一个数字特征。
(2) 熵原指一个体系的混乱程度, 在云模型中它由概念的模糊性以及随机性两者共同决定, 主要是用来表示定性云概念的不确定性程度。
(3) 超熵超熵是熵的二次计算, 用来计算熵的熵。表示数域空间代表云概念的所有点的凝聚性。超熵的大小能够反映云概念的离散程度以及厚度。
由于正态分布是自然界中最广泛存在的一种分布, 因此, 正态云模型是一种最典型的云类型, 文中所述云模型默认是指正态云模型。
2 基于正态云和模糊 Petri 网的电力通信网络系统可靠性评估模型 (FPNNC)
2.1 基于 HSPNC 的可靠性评估模型
基于云模型和混合Petri网的可靠性模型HSPNC (hybridstochastic Petri net cloud) 是在SPN (stochastic Petri net) 的基础上提出来的, SPN中库所的托肯值为离散的。众所周知, 系统在运行时, 其环境的变化时不可预测的。在使用随机Petri网对系统的可靠性进行分析时, 每一时刻的变迁率都在更新, 且其变化与系统的本身性能有关。在HSPN (hybrid stochasticPetri net) 的变迁过程中, 库所中的值是实时监测的, 不需要人为的输入, 但是, 其变迁率值受库所中的托肯值控制, 随着环境在不断变化。可靠性评价过程如图1所示。
2.2 基于 FPNNC 的可靠性评估模型
众所周知, 所有的电力通信网络系统都有其环境适应范围, 其工作条件会相应的影响系统的使用寿命。这种影响因系统所处的环境而异, 一般而言, 系统在它的设计目标环境, 即理想工作环境中寿命最长, 在工作适用范围边界时的寿命很短, 超出工作适用范围时, 系统可能会瘫痪, 无法正常工作。即系统的寿命除了有自身的失效机理决定外, 还受工作环境的影响, 于是建立了基于FPNNC的可靠性评估模型, 如图2所示。
由图2的FPN模型可以看出, 在分布与并行系统中, 所有先决条件的任务被分解并被多个实体同时执行, 最终任务执行时要使用先决条件的任务的执行结果, 当且仅当先决条件任务都执行了, 最终任务才开始执行。这种多个发起者, 一个接收者很适合本文的系统, 系统的可靠性故障是由多个因素影响的, 比如拓扑因素、站点设备、环境变量和管理系统的等, 在该图中, E表示引起系统故障的变换因素向量, 表示由云模型确定的系统失效率的估计值, ) 表示系统正常工作的状态, 表示系统的失效状态, 表示由环境引起的系统故障, 其托肯值为, 变迁表示系统的失效行为, 其使能条件由离散库所决定, 变迁率受连续库所控制。
本文用线性加权的方法得出可靠性综合指数, 则电力通信网络可靠性综合指数DRCI的数学表达式为:
式中, DIi表示各指标的指数, βi表示各指数最终相对于评价目标的权重。
3 基于 FPNNC 的可靠性评价与管理策略
本文结合国网甘肃省电力公司通信系统的实际情况, 从设备运行环境、设备本身的可靠性、设备冗余、负载分担情况、系统资源情况、网络质量等6个因素分析, 如表1所示, 应用本文提出的可靠性评估模型分析影响电力通信系统的可靠性的效果。
由于电力通信系统可靠性的研究主要内容分布于电力通信系统分析、设计、建设、运行、维护和管理的各个环节, 本文基于FPNNC模型从分析设计阶段、建设实施阶段和运行维护阶段提出了可靠性管理的相关策略。
4 总结
本文以电力通信网络系统为基础, 提出了一种基于正态云和模糊Petri网的系统可靠性评估模型FPNNC, 该模型采用正态云描述电力网络通信系统对所处环境的适应能力, 从设备运行环境、设备本身的可靠性、设备冗余、负载分担情况、系统资源情况、网络质量等6个因素分析评价, 结合国网甘肃省电力公司通信系统的实际情况, 并从分析设计阶段、建设实施阶段和运行维护阶段提出了可靠性管理的相关策略, 为公司通信系统各阶段可靠性管理提供了可行的方法。
参考文献
[1]宋远骏, 李德毅, 孝忠, 等.电子产品可靠性的云模型评价方法[J].电子学报, 2000, 28 (12) :74-76, 68.
[2]张如誌.电力通信网可靠性i平价知I程的研究及系统实现[D].云南大学, 2013.
[3]刘芹, 徐建闽.基于云模型的短时交通流预测方法研究[J].计算机工程与设计, 2012, 33 (5) :1953-1957.
