示意圖；
[0047] 圖12b為本發(fā)明第四實施例采用概率密度抽取法時的仿真流程示意圖。
【具體實施方式】
[0048] 本技術(shù)領(lǐng)域技術(shù)人員可以理解，除非特意聲明，這里使用的單數(shù)形式"一"、"一 個"、"所述"和"該"也可包括復(fù)數(shù)形式。應(yīng)該進一步理解的是，本發(fā)明的說明書中使用的措 辭"包括"是指存在所述特征、整數(shù)、步驟、操作、元件和/或組件，但是并不排除存在或添加 一個或多個其他特征、整數(shù)、步驟、操作、元件、組件和/或它們的組。應(yīng)該理解，當我們稱元 件被"連接"或"耦接"到另一元件時，它可以直接連接或耦接到其他元件，或者也可以存在 中間元件。此外，這里使用的"連接"或"耦接"可以包括無線連接或耦接。這里使用的措 辭"和/或"包括一個或更多個相關(guān)聯(lián)的列出項的任一單元和全部組合。
[0049] 本技術(shù)領(lǐng)域技術(shù)人員可以理解，除非另外定義，這里使用的所有術(shù)語（包括技術(shù) 術(shù)語和科學(xué)術(shù)語）具有與本發(fā)明所屬領(lǐng)域中的普通技術(shù)人員的一般理解相同的意義。還應(yīng) 該理解的是，諸如通用字典中定義的那些術(shù)語應(yīng)該被理解為具有與現(xiàn)有技術(shù)的上下文中的 意義一致的意義，并且除非像這里一樣定義，不會用理想化或過于正式的含義來解釋。
[0050] 為便于對本發(fā)明實施例的理解，下面詳細描述本發(fā)明的實施方式，通過參考附圖 描述的實施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對本發(fā)明的限制。
[0051] 本發(fā)明針對控制系統(tǒng)的安全問題對風(fēng)險估計方法進行優(yōu)化，尤其針對列車控制系 統(tǒng)，采用蒙特卡洛方法對控制系統(tǒng)的求解模型-動態(tài)故障樹模型進行求解，從而得到相應(yīng) 系統(tǒng)的故障概率分布分析數(shù)據(jù)，同時得到系統(tǒng)的組件風(fēng)險分析數(shù)據(jù)，一般指的是系統(tǒng)組件 的重要度分析數(shù)據(jù)。下面結(jié)合具體實施例及附圖，對本發(fā)明作進一步的詳細說明。
[0052] 圖1為本發(fā)明第一實施例的基于蒙特卡洛仿真求解動態(tài)故障樹模型的風(fēng)險分析 方法流程示意圖。
[0053] 如圖1所示，本實施例的基于蒙特卡洛仿真求解動態(tài)故障樹模型的風(fēng)險分析方 法，包括如下步驟：
[0054] 步驟S11，對需要進行風(fēng)險分析的系統(tǒng)建立動態(tài)故障樹模型。
[0055] 優(yōu)選的，本步驟中，構(gòu)建動態(tài)故障樹模型，根據(jù)所述系統(tǒng)的結(jié)構(gòu)，以系統(tǒng)故障為頂 事件，以所述系統(tǒng)的組件故障為基事件，建立所述系統(tǒng)的動態(tài)故障樹模型。
[0056] 步驟S12,估計所述系統(tǒng)的組件故障概率參數(shù)。
[0057] 優(yōu)選的，本步驟中，根據(jù)組件的故障時間數(shù)據(jù)，采用預(yù)設(shè)的參數(shù)估計，得到組件故 障概率數(shù)據(jù)。所述預(yù)設(shè)的參數(shù)估計，包括最小二乘估計、最大似然估計、貝葉斯估計中的一 種或多種。進一步的，優(yōu)選為貝葉斯最大似然估計。這里的貝葉斯最大似然估計，是最大似 然估計與貝葉斯估計相結(jié)合得到的一種新的參數(shù)估計方法，兼具貝葉斯估計和最大似然估 計的優(yōu)點。
[0058] 優(yōu)選的，所述貝葉斯最大似然估計的參數(shù)估計過程中，通過馬爾科夫-蒙特卡洛 方法建立馬爾科夫鏈，使馬爾科夫鏈的穩(wěn)定分布和貝葉斯最大似然估計的后驗分布一致， 當馬爾科夫鏈收斂時，將馬爾科夫鏈的模擬值作為從后驗分布中抽取的樣本。
[0059] 步驟S13,將所述組件故障概率參數(shù)作為動態(tài)故障樹模型運算的輸入值，采用蒙特 卡洛仿真方法，對所述動態(tài)故障樹模型進行求解。
[0060] 本步驟中，通過蒙特卡洛仿真的方法，對所建立的動態(tài)故障樹進行求解，不僅可以 避免出現(xiàn)狀態(tài)爆炸的情況，同時也可以對組件進行故障概率計算，即組件的重要度分析參 數(shù)。
[0061] 對于動態(tài)故障樹的蒙特卡洛仿真，按照仿真的時間步長分，有固定時間步長和可 變時間步長兩種方式來表示模擬中的時間進程。按照仿真中對于組件狀態(tài)即基事件狀態(tài)的 判斷方法分，可分為按照組件故障概率分布抽取和按照組件的概率密度抽取兩種方法。
[0062] 步驟S14,通過所述仿真求解動態(tài)故障樹模型，得到所述系統(tǒng)的故障概率分布分析 數(shù)據(jù)和所述系統(tǒng)的組件重要度分析數(shù)據(jù)。
[0063] 當對列車控制（簡稱"列控"）系統(tǒng)采用本實施例進行風(fēng)險估計時，通過上述過程， 可以得到列控系統(tǒng)組件重要度分析數(shù)據(jù)，即列控系統(tǒng)組件的靈敏度分析。
[0064] 在列車控制系統(tǒng)風(fēng)險分析中，特定組件在系統(tǒng)的架構(gòu)、位置可能造成其影響系統(tǒng) 安全可靠運行的程度，所以分析組件的重要度在系統(tǒng)設(shè)計、診斷及最優(yōu)化分析時有相當大 的作用，在系統(tǒng)檢查、維護及故障檢測執(zhí)行的先后順序可根據(jù)組件重要度分析出的各組件 靈敏度作為依據(jù)，或是在系統(tǒng)改進時改進重要度較大的組件。
[0065] 靈敏度分析大致可有三種方法：（1)數(shù)學(xué)模型計算法、（2)統(tǒng)計靈敏度分析法、（3) 圖形靈敏度分析法。優(yōu)選的，本實施例采用精確度相對較高的數(shù)學(xué)模型計算法。
[0066] 數(shù)學(xué)模型計算法評估輸入?yún)?shù)在一定范圍內(nèi)變動時，輸出的靈敏程度，此方法通 常計算輸入?yún)?shù)的某些可能值范圍，其輸出的響應(yīng)。
[0067] 本實施例對系統(tǒng)風(fēng)險的分析通過蒙特卡洛仿真來實現(xiàn)，因此在對組件的靈敏度分 析時亦采用蒙特卡洛仿真方法，定義系統(tǒng)發(fā)生故障的時間對組件發(fā)生故障的時間靈敏度 為：
【主權(quán)項】
1. 一種基于蒙特卡洛仿真求解動態(tài)故障樹模型的風(fēng)險分析方法，其特征在于，所述方 法包括： 對需要進行風(fēng)險分析的系統(tǒng)建立動態(tài)故障樹模型； 估計所述系統(tǒng)的組件故障概率參數(shù)； 將所述組件故障概率參數(shù)作為動態(tài)故障樹模型運算的輸入值，采用蒙特卡洛仿真方法 對所述動態(tài)故障樹模型進行求解，得到所述系統(tǒng)的故障概率分布分析數(shù)據(jù)和所述系統(tǒng)的組 件重要度分析數(shù)據(jù)。
2. 根據(jù)權(quán)利要求1所述的風(fēng)險分析方法，其特征在于，所述建立動態(tài)故障樹模型，進一 步包括：根據(jù)所述系統(tǒng)的結(jié)構(gòu)，以系統(tǒng)故障為頂事件，以所述系統(tǒng)的組件故障為基事件，建 立所述系統(tǒng)的動態(tài)故障樹模型。
3. 根據(jù)權(quán)利要求1所述的風(fēng)險分析方法，其特征在于，所述估計所述系統(tǒng)的組件故障 概率參數(shù)，進一步包括：根據(jù)組件的故障時間數(shù)據(jù)，采用預(yù)設(shè)的參數(shù)估計得到組件故障概率 參數(shù)。
4. 根據(jù)權(quán)利要求3所述的風(fēng)險分析方法，其特征在于，所述預(yù)設(shè)的參數(shù)估計包括最小 二乘估計、最大似然估計、貝葉斯估計中的一種或多種。
5. 根據(jù)權(quán)利要求3所述的風(fēng)險分析方法，其特征在于，所述預(yù)設(shè)的參數(shù)估計為貝葉斯 最大似然估計。
6. 根據(jù)權(quán)利要求5所述的風(fēng)險分析方法，其特征在于，所述貝葉斯最大似然估計的參 數(shù)估計過程中，通過馬爾科夫-蒙特卡洛方法建立馬爾科夫鏈，使馬爾科夫鏈的穩(wěn)定分布 和貝葉斯最大似然估計的后驗分布一致，當馬爾科夫鏈收斂時，將馬爾科夫鏈的模擬值作 為從后驗分布中抽取的樣本。
7. 根據(jù)權(quán)利要求1所述的風(fēng)險分析方法，其特征在于，所述采用蒙特卡洛仿真方法對 所述動態(tài)故障樹模型進行求解，進一步包括： 選取仿真時間步長； 依據(jù)概率分布或概率密度判斷組件狀態(tài)； 根據(jù)所述組件狀態(tài)對所述動態(tài)故障樹進行邏輯門運算。
8. 根據(jù)權(quán)利要求7所述的風(fēng)險分析方法，其特征在于，所述時間步長為固定步長或可 變步長。
9. 根據(jù)權(quán)利要求7所述的風(fēng)險分析方法，其特征在于，所述依據(jù)概率分布判斷組件狀 態(tài)，進一步包括： 將仿真時間與所述組件的故障時間進行比較，判斷當前所述時間步長內(nèi)的組件狀態(tài)。
10. 根據(jù)權(quán)利要求7所述的風(fēng)險分析方法，其特征在于，所述依據(jù)概率密度判斷組件狀 態(tài)，進一步包括： 設(shè)定所述組件的故障概率為f; 根據(jù)所述組件的故障概率密度函數(shù)，在預(yù)設(shè)時間區(qū)間上抽取服從均勻分布的隨機數(shù)r， 若r<f，則判斷所述組件故障；若r>f，則判斷所述組件非故障。
【專利摘要】本發(fā)明公開了一種基于蒙特卡洛仿真求解的動態(tài)故障樹模型的定量分析方法，所述方法首先對系統(tǒng)建立動態(tài)故障樹模型，而后利用其組件故障概率數(shù)據(jù)進行故障概率參數(shù)動態(tài)估計，作為動態(tài)故障樹運算的輸入值，采用蒙特卡洛方法，對所述動態(tài)故障樹模型進行仿真，通過所述仿真求解動態(tài)故障樹模型，得到所述系統(tǒng)的故障概率分布分析數(shù)據(jù)和所述系統(tǒng)的組件重要度分析數(shù)據(jù)。本發(fā)明的風(fēng)險分析方法不僅可以對狀態(tài)數(shù)量巨大的復(fù)雜系統(tǒng)進行有效的風(fēng)險估計，同時也可以得到系統(tǒng)組件的重要度分析數(shù)據(jù)，即同時也可以對組件的故障率未知及其故障率的變化情況進行有效的風(fēng)險分析。
【IPC分類】G06F19-00
【公開號】CN104778370
【申請?zhí)枴緾N201510188794
【發(fā)明人】牛儒, 苗祚雨, 唐濤, 馬慧茹
【申請人】北京交通大學(xué)
【公開日】2015年7月15日
【申請日】2015年4月20日