n个同型部件和k个修理设备的温贮备可修系统的可靠性研究

在假定部件的工作寿命和贮备寿命以及维修时间都服从指数分布、所有随机变量均相互独立、工作部件的寿命分布与贮备时间无关、故障部件能够修复如新的条件下,对由n个同型部件和k(k≤n)个修理设备组成的温贮备可修系统作了可靠性分析,建立了该类系统的模型,并针对其特殊情形(n=2和k=2)给出了系统可靠性的稳态指标和瞬时指标.     

基于指数分布的异构多部件系统周期检测与维修模型

针对实际生产中常见的有寿异构多部件系统进行维修建模,并对系统维修进行优化.系统中包含主部件以及辅助部件(k-out-of-m:F)子系统,系统整体采取(N,T,τ)维修策略.由于主辅部件地位不同,辅助部件故障往往不能实时监测,需进行周期为τ的检测维修.系统在主部件N次故障后或者到寿命T时进行替换.建立了系统费用率函数模型;针对寿命分布服从指数分布的问题进行优化;通过数值仿真优化故障次数N以及检测维修周期τ.     

n个同型部件和k个修理设备的并联可修系统的可靠度探究

在假定部件的工作寿命服从参数为λ的指数分布,维修时间服从参数为μ的指数分布,部件的状态转换开关时是瞬间完成的,在初始时刻,所有部件都正常,所有随机变量均相互独立,故障部件能够修复如新的条件下,对由n个同型部件和k(k≤n)个修理设备组成的并联可修系统的可靠度进行分析。通过建立该系统的模型,计算出可靠度通式,并对n=2,k=1时的结果进行了验证。     

k-out-of-N系统的随机比较

设 {Xn,n≥ 1}是独立非负随机变量序列 ,N是正整值的随机变量且与 {Xn,n≥ 1}独立 .考虑由寿命为X1,… ,XN 的N个部件组成的k -out -of-N系统 (系统正常当且仅当N个部件中至少k个正常 )的寿命 ,得到了两个这样的系统寿命的故障率序下的随机比较性质     

伽玛分布下n部件串联系统的可靠性等效因子

对于不可修系统,一般使用不同系统模型间可靠性特征的等效因子进行比较.目前所有文献研究的都是部件寿命服从指数分布时的情况,本文将等效因子的概念推广到常见的伽玛分布.主要讨论了可靠性等效因子的问题,给出了当部件寿命分布服从伽玛分布时,n个独立同分布部件串联系统的可靠性等效因子,仅以生存函数作为参考指标,主要给出了串联系统模型,并且给出原系统分别采用降低法、热储备法和冷储备法及改进系统的可靠性.     

不同类型三部件串并联系统的可靠性分析

应用时齐Markov过程,对由三个不同型部件组成的串并联系统,分两部分考虑:1)针对具有转换开关,但转换开关不完全可靠的串并联不可修系统;2)针对各部件均能"修复如新",系统只有一个修理工的串并联可修系统;并假定两类系统中各部件寿命的分布为指数分布,状态空间为离散空间,建立系统的模型.通过对模型分析求解出这两类系统的可...     

定数截尾数据缺失场合下k(m)/n系统可靠性指标的经验Bayes估计

在定数截尾缺失数据样本下,研究了不可修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方法和极大似然估计法得到了部件的平均寿命、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.     

具有多重延误休假的k out of n(G)冷备可修系统

研究了修理工具有多重延误休假的新型 k out of n(G)冷储备可修系统.假定部件寿命、修理工延误休假时间服从指数分布,部件修理时间、修理工休假时间服从一般分布.利用补充变量法和拉普拉斯变换工具,讨论了此系统的首次故障前平均时间、可用度及(0,t]时间内的平均故障次数等可靠性指标.结果表明,文中讨论的模型比以往的模...     

关于Smarandache函数的复合函数的均值

对任意的正整数n,定义数论函数W(n)为最小的正整数k,使得n≤k(3k+1),即W(n)=min{k:n≤k(3k+1),k∈N}.利用初等及解析的方法研究复合函数S(W(n))的均值分布,并获得了较强的均值分布的渐近公式.     

关于F.Smarandache LCM函数与素因数和函数的一个混合均值

对任意的非负整数n,著名的F.Smarandache LCM函数SL(n)定义为最小正整数k,使得n│[1,2,…,k],其中[1,2,…,k]表示1,2,…,k的最小公倍数.利用初等及解析的方法研究函数SL(n)与素因数和函数ω軍(n)的加权均值分布,并给出一个有趣的加权均值分布的渐近公式.     

次序统计量分布的参数识别

设x_1,x_2,…,x_n是n个相互独立的随机变量,第k个(1≤k≤n)次序统计量x(k)的分布是否能唯一决定每个随机变量x_i(i=1,2,…,n)的分布,当k=n时,Anderson TW等对一定类型的随机变量作出了肯定的回答。本文将对一定类型的相互独立同分布(i.i.d.)的随机变量,研究k为任意正整数(1≤k≤n)时上述提出的问题。     

有备件串联系统的可靠性分析模型

针对复杂机械系统求解可靠性指标困难的问题,提出一种有备件串联系统的可靠性分析模型.该模型中机械系统可以等效为由冷贮备系统串联而成的系统.当构成系统各部件的寿命分布和故障后修理时间分布均为指数分布时,这样的系统就可以用马尔科夫过程来描述.在部件寿命不相互独立、维修时间相互独立并且故障部件可以修复如新的情况下,建立该系统的模型.通过状态转移率矩阵,给出了系统可用度、可靠度及首次故障前平均时间等指标的计算方法.通过讨论说明该模型同样适用于不可修复的系统.     

一类异构多部件系统的非集中式维修策略

针对异构多部件系统内部存在部件维修地位不均等的问题,提出了一种基于寿命分布的非集中式维修策略.考虑多部件系统由两类部件构成:功能复杂的高维修优先级部件和功能简单的低维修优先级部件.前者的故障需要立即进行紧急维修,同时维修次数是有限的;而后者的故障可被暂且搁置,以等待成组维修.考虑维修工作由两个维修团队共同竞争完成,团队之间的竞争关系符合斯坦克尔伯格竞争模型.在此基础上,通过建立起部件的故障次序统计量,以多部件系统总体期望费用率的最小化为目标,建立了一种非集中式维修策略的优化模型,并通过数值仿真进行验证.     

非同型单元k/n(G)马尔可夫系统可靠性分析

首先对研究对象进行系统界定和系统分析,建立了非同型单元k/n(G)可修复系统的可靠性分析模型,然后利用马尔可夫过程结合数学方法研究和推导了该系统的可靠性指标的表达方式及计算方法.若各单元的失效和维修指标一致,则非同型单元系统演变成同型单元系统,从而把同型单元k/n(G)表决系统作为特殊情况纳入研究对象中.此外,通过改变初始设置条件可以应用到不同形式的系统情形中,最后通过对双部件并联系统、(n-1)/n表决系统和1/n冷备用系统三种应用实例的可靠性分析和计算,表明该模型是有效的.     

多传感器融合系统的可靠性模型研究

为有效评价多传感器融合系统硬件的可靠性,提出了一种新的三模冗余结构(TMR)半马尔可夫过程模型.该模型以系统单元寿命服从负指数分布、系统单元修复时间服从广义任意分布(修复率是时间的函数)为前提,通过引入补充变量,可以转化为马尔可夫过程模型进行求解,从而获取系统有效性和可靠性的一些重要指标.理论分析和数值结果表明,传统可靠性建模的方法可以作为新模型简化的特例,利用新模型的TMR冗余结构多传感器融合系统与无冗余的单传感器系统相比,系统的平均无故障时间(MTBF)提高了两个数量级.因此,提出的新模型可以准确地描述系统的实际工作状况,为有效评估多传感器融合系统可靠性提供了理论依据.     

k/n(G)可修系统的多水平修理策略优化

研究了具有多水平修理策略的k/n(G)系统,部件可能由于内部故障或外部冲击发生故障,即部件是竞争失效的.利用马尔可夫分析方法,推导了系统可用度等可靠性指标.此外,以最小化系统期望成本为目标,建立优化模型.最后,以三水平修理策略为例,验证了研究结果的实用性.结果表明,多水平修理策略更符合实际工程中对不同等级修理工的需求,对成本优化问题也有一定的影响.     

维修有优先权的且含有r个修理工的环形相邻k/n(F)可修系统分析

研究由n个部件及r个修理工组成的环形相邻k/n(F)可修系统的可靠性问题,假定每个部件工作时间和维修时间均服从指数分布,故障部件可以修复如新.利用广义转移概率的定义和关键部件优先维修的规则,求得该系统的状态转移概率矩阵,并给出一个具体的实例相邻2-out-of-6:F环形可修系统,获得该系统的可靠度及重要可靠性指标.     

两参数逆威布尔分布顺序统计量的矩及渐近分布

设{X_k,1≤k≤n}独立同分布,X_((1)),X_((2)),…,X_((n))为其顺序统计量,当总体服从参数为(m,η)的逆威布尔分布时,得到其顺序统计量的概率密度、高阶矩和方差的表达式.证明了样本间隔不独立且不同分布,当k(k1))固定时,得到顺序统计量X_((n-k+1))和X_((n))的渐近分布,最后给出一个关于并联系统寿命的应用实例.     

随机环境对n中取k系统寿命的影响

在多元比例优势混合模型框架下,研究随机环境对n中取k系统寿命的影响,得到了n中取k系统寿命和环境变量之间的正似然比相依性质.利用随机序,研究环境变量对n中取k系统寿命的影响.     

C个修理工的k/n(G)表决可修系统

假定部件的寿命和部件故障后的修理时间均服从指数分布的条件下，讨论了有C个修理工的k／n（G）表决可修系统，研究了系统故障部件的有关排队指标和可靠性指标，得到了一些重要的结果，如稳态队长分布、等待修理时间分布、稳态可用度．