楊志遠, 趙建民, 程中華

(陸軍工程大學(xué)石家莊校區(qū)裝備指揮與管理系, 河北 石家莊 050003)

0　引　言

隨著技術(shù)的發(fā)展,現(xiàn)代工業(yè)設(shè)備結(jié)構(gòu)越來越復(fù)雜,相應(yīng)的價值和停機造成的損失也越來越高,維修對于降低系統(tǒng)故障率和減少使用成本具有重要的意義。在復(fù)雜系統(tǒng)中,各部件間的退化失效往往具有相互影響,這就使得這類系統(tǒng)的維修決策變得更為復(fù)雜,如果將此類系統(tǒng)的維修決策問題按照獨立退化過程來處理,將會影響維修決策的科學(xué)性乃至正確性。

部件間的相關(guān)關(guān)系可劃分為經(jīng)濟相關(guān)、結(jié)構(gòu)相關(guān)和故障相關(guān),近年來,在復(fù)雜系統(tǒng)維修決策研究中,最受關(guān)注的是對故障相關(guān)性的研究。故障相關(guān)也稱隨機相關(guān),是指一個部件的狀態(tài)會影響其他部件的狀態(tài)。這里的“狀態(tài)”包括壽命、故障率、故障狀態(tài)等各種狀態(tài)度量標準。目前,在故障相關(guān)研究中最常見的是考慮故障率之間的相關(guān)關(guān)系,這種方法是建立在多部件系統(tǒng)故障失效隨機數(shù)據(jù)基礎(chǔ)上的。在關(guān)于故障相關(guān)的早期研究中,文獻[1-2]提出了多部件系統(tǒng)中存在的3種類型的故障相關(guān);文獻[3]考慮兩部件并聯(lián)系統(tǒng)在交叉檢測下的可靠度問題,其中一個部件故障后將以概率p影響另一個部件的故障概率。文獻[4]建立了一個解析模型用于定量分析部件間的相關(guān)故障率。文獻[5]假設(shè)兩部件可修復(fù)系統(tǒng)中故障相關(guān)是單向的,在此基礎(chǔ)上,建立了周期性檢測優(yōu)化模型。另外共因失效也是一種特殊的故障相關(guān)表現(xiàn),目前關(guān)于共因失效的研究也可以認為是基于故障率相關(guān)的,共因失效增大了系統(tǒng)各失效模式間的聯(lián)合失效概率[6],關(guān)于其研究可參考文獻[7-8]。故障率交互的方法是基于故障失效數(shù)據(jù)的,在實際中,有些設(shè)備的可靠度較高因而能獲得的故障數(shù)據(jù)較少[9],會限制該方法的應(yīng)用,而且由于復(fù)雜系統(tǒng)各個部件的獨立故障率難以通過失效數(shù)據(jù)統(tǒng)計得到,因此也很難推導(dǎo)故障率之間的相互影響關(guān)系。

故障相關(guān)性另一種研究方法是基于退化過程相關(guān)開展的,通過各部件退化過程間的相互影響來對部件間的相關(guān)性進行分析研究。目前關(guān)于退化過程相關(guān)的研究文獻還較少,比較常用的是用兩變量退化分布模型[10-12]和Copula函數(shù)[13-14]來表現(xiàn)復(fù)雜系統(tǒng)不同部件退化量間的相關(guān)關(guān)系。使用兩變量退化分布模型和Copula函數(shù)難點在于確定相關(guān)函數(shù)的形式,就Copula法來說,常見的Copula函數(shù)有Gumbel Copula、Clayton Copula、Frank Copula、Gaussian Copula、t-Copula等[15],確定系統(tǒng)適合的Copula函數(shù)及相關(guān)參數(shù)比較困難。退化過程相關(guān)也可用部件退化速率之間的關(guān)系表示,目前采用此種方法的研究還較少且相關(guān)維修策略較為單一,在維修決策模型中也通常只考慮兩部件相關(guān),文獻[16]運用退化速率相關(guān)的方法研究了多部件系統(tǒng)部件退化間的相關(guān)關(guān)系模型并提出了相應(yīng)的基于狀態(tài)維修策略,但模型采用數(shù)據(jù)驅(qū)動的方法,沒有建立關(guān)于部件退化過程相互影響的解析模型,也未得到相應(yīng)的退化過程顯式模型,這限制了對該方法的深入研究和使用。

基于此,本文在非線性Wiener退化過程模型基礎(chǔ)上,考慮退化速率影響建立了退化相關(guān)多部件系統(tǒng)退化過程解析模型和可靠度模型,并提出了相應(yīng)的預(yù)防性維修策略,以單位時間維修費用最小為目標建立了預(yù)防性維修決策優(yōu)化模型,進而得到了系統(tǒng)最優(yōu)預(yù)防性維修策略,以提高這類系統(tǒng)維修活動的經(jīng)濟效益。

1　退化過程模型

在現(xiàn)有退化過程模型中,常用的包括退化軌跡模型、退化量分布模型、累積損傷模型、Gamma過程模型以及Wiener過程模型,其中Gamma過程模型與Wiener過程模型是常用的隨機過程模型。由于Wiener過程模型能夠描述多種典型產(chǎn)品的性能退化過程,并且具有良好的計算性質(zhì),因而是目前性能可靠性建模領(lǐng)域較常用的退化模型之一。本文中采用非線性Wiener過程模型來建立部件退化模型,令X(t)表示部件在時刻t的退化量,那么X(t)可表示為

(1)

式中,λ(t;?)是關(guān)于時間t的連續(xù)非減函數(shù),表示退化過程的平均趨勢,?為影響退化過程的相關(guān)參數(shù);B(t)為標準布朗運動,表示退化過程中的隨機性。可以看出,如果令λ(t;?)=λ,那么模型就變?yōu)榱司€性Wiener過程模型;如果令σB=0,那么模型將退化為真實退化路徑模型。為便于分析,令X(0)=0,即在開始時刻0部件的退化量為0,用X(t)表示部件的累計退化量,則有

(2)

在此基礎(chǔ)上,進一步設(shè)定

(3)

式中,μ(t;?)表示的是期望退化量隨時間的變化情況。由此,部件退化非線性Wiener過程模型可表示為

X(t)=μ(t;?)+σBB(t)

(4)

假設(shè)系統(tǒng)由n個部件組成,部件退化過程中存在相關(guān)關(guān)系。根據(jù)建立的退化模型,n個部件退化過程模型可表示為

X(t)=μ(t;?)+σBB(t)

(5)

式中,X(t),μ(t;?)和σB均為n維列向量,表示不同部件的退化模型?？梢钥闯?退化量X(t)由兩部分組成,第二部分表示的是部件在退化過程中的隨機性因素,假設(shè)對于不同的部件隨機性因素是相互獨立的,所以在本文中采用μ(t;?)描述不同部件退化過程間的相互關(guān)系。

在系統(tǒng)運行過程中,部件的退化會對與其具有相關(guān)關(guān)系部件的退化速率產(chǎn)生影響,這是由于某些部件的退化造成了整個系統(tǒng)在非正常狀況下運行,這會影響相關(guān)部件的退化速率。以齒輪箱為例,軸承的磨損將會造成過量的振動,因此相關(guān)的齒輪退化速度也會加快,反之,齒輪的磨損也會導(dǎo)致軸承的加速退化。為方便實際應(yīng)用,本文中采用退化量期望值的變化定義部件在t時刻的退化速率,表示為

(6)

基于此,借鑒文獻[16]中的退化率相關(guān)法和文獻[18]中相關(guān)故障率的概念,建立部件退化相關(guān)解析模型為

?)=Θn×nμ(t;?)+Q(t)

(7)

式中,Θn×n是部件間的相關(guān)系數(shù)矩陣,表示部件退化間相關(guān)關(guān)系的強弱;Q(t)表示部件的固有退化率。以上參數(shù)可由系統(tǒng)或類似系統(tǒng)歷史退化數(shù)據(jù)或?qū)嶒灁?shù)據(jù)估計得到,以較小時間間隔Δt對各部件的退化狀態(tài)進行取樣,令ΔXt=Xt+Δt-Xt,根據(jù)式(5),可得到ΔXt=μ(t+Δt;?)-μ(t;?)+σBB(t+Δt)-σBB(t),由Wiener過程可得

(8)

基于此,可采用最大似然估計法對Θn×n和Σ的值進行估計;對于Q(t)可參照文獻[16]中所采用的回歸方法得到,這里不再贅述。

式(7)表示部件退化速率受到其自身和具有相關(guān)關(guān)系部件退化量的影響。為便于理解,將式(7)展開為

(9)

式中,θij為部件j累積退化量對部件i退化速率的影響,θij=0表示部件j對部件i無影響。如果θij為常數(shù),式(7)可以看作一個常系數(shù)線性非齊次微分方程組,根據(jù)線性非齊次微分方程組解的存在與唯一定理,給定相應(yīng)的初始條件,那么式(7)存在唯一解。通過求解式(7),就可以求得相應(yīng)的μ(t;?),進而得到各部件退化過程模型X(t)。為求解式(7),引入線性微分算子L,L表示為

(10)

引入線性微分算子L后,式(7)可簡化表示為

L[μ(t;?)]=Q(t)

(11)

其對應(yīng)的齊次常微分方程組形式為

L[μ(t;?)]=0

(12)

根據(jù)微分方程組解得結(jié)構(gòu)性質(zhì),式(11)的解可表示為

(13)

根據(jù)Cayley-Hamilton定理[19]可以得到φ(t)的表達式為

(14)

式中,P0=E;Pj=(Θ-λjE)(Θ-λj-1E)…(Θ-λ1E);j=1,2,…,n。其中,λ1,λ2,…,λn是矩陣Θ的特征根(不一定相異),而函數(shù)γj(t)(j=1,2,…,n)是微分方程組式(15)初值問題的解。

(15)

(16)

由此可得部件退化相關(guān)模型式(7)的通解為

(17)

給定系統(tǒng)各部件的初始退化量μ(t0;?)=μ0,即可得到具有退化相關(guān)關(guān)系各部件的期望退化量函數(shù)為

(18)

在此基礎(chǔ)上,將式(18)代入式(5)中,可得部件退化過程模型為

(19)

2　可靠度模型

由于本文在退化建模中采用的是非線性Wiener過程模型,然而由于退化模型的復(fù)雜性,難以得到部件精確的故障分布函數(shù)。為此,考慮到在實際中部件退化過程一般是非減的,做出假設(shè):對于任意t>s≥0,部件退化量X(t)

2.1　部件可靠度

根據(jù)式(19)可得到退化量在t時刻的分布Gt(x),定義

Gt(x)=Pr{X(t)≤x}

(20)

用T(x)表示退化量達到一定水平x時的隨機時間,定義

Fx(t)=Pr{T(x)≤t}

(21)

基于以上假設(shè),容易得到當且僅當T(x)>t時,X(t)≤x,因此Gt(x)和Fx(t)之間存在關(guān)系為

Gt(x)=1-Fx(t)

(22)

假設(shè)退化過程的故障閾值為D,在本文中,部件故障僅由退化引起,不考慮偶然故障影響,也就是說,當退化水平X(t)超過閾值D時，部件出現(xiàn)故障。那么根據(jù)假設(shè)和可靠度的定義,部件的可靠度函數(shù)可表示為

RD(t)=Gt(D)=1-FD(t)

(23)

(24)

式中,Φ(·)表示標準正態(tài)分布。

Ψt(x;u)=Pr{ΔXt(u)≤x}=

(25)

2.2　系統(tǒng)可靠度

根據(jù)部件退化相關(guān)模型可以看出,部件退化間的相互關(guān)系是通過μ(t;?)來表示的。而退化模型中σBB(t)只與時間相關(guān),不同部件之間σBB(t)是相互獨立的,當時間一定時,μ(t;?)是固定值,所以不同部件間是否發(fā)生故障(退化量是否超過故障閾值)可認為相互獨立。因此,系統(tǒng)可靠度函數(shù)可表示為

(26)

3　系統(tǒng)預(yù)防性維修模型

3.1　基本假設(shè)與預(yù)防性維修策略

在建立預(yù)防性維修模型之前,做出以下基本假設(shè):

假設(shè)1任意部件故障都會造成系統(tǒng)故障,系統(tǒng)故障是由不同部件故障引起的競爭失效過程,系統(tǒng)一旦發(fā)生故障則會立即停止運行并被發(fā)現(xiàn)。

假設(shè)2部件的退化狀態(tài)只能通過檢測得到,且檢測是完善的,即通過檢測能夠精確地得到部件退化狀態(tài)。

假設(shè)3系統(tǒng)由1個核心部件和n-1個輔助部件組成,任何一個部件的故障都將導(dǎo)致系統(tǒng)出現(xiàn)功能故障,核心部件是指價值較高、功能重要且發(fā)生故障造成損失較大的部件。需要注意，本文中的“部件”既可以是單個部件,也可以指一個子系統(tǒng),本文中所指的核心部件是符合上述特點,有必要進行定期檢測的部件組成的子系統(tǒng)。

圖1　系統(tǒng)預(yù)防性維修策略

在以上預(yù)防性維修策略下,由于部件退化間的相互關(guān)系,部件在每個間隔期內(nèi)的退化過程有所差異。假設(shè)部件在第i個預(yù)防性維修間隔內(nèi)t時刻期望退化量記為μi(t;?),為了便于以下模型推導(dǎo),令每個預(yù)防性維修間隔期均從0時刻開始,即0≤t≤Ti。在任意間隔期內(nèi),部件退化間的相互關(guān)系模型是相同的,均由式(7)給出,所以式(16)給出的通解在每個預(yù)防性維修間隔期內(nèi)均適用,只需改變相應(yīng)的初始條件即可。對部件進行更換使得部件修復(fù)如新,即退化量變?yōu)?,因此,在第i個預(yù)防性維修間隔期內(nèi)模型初始條件可表示為

向量中第一項是對于核心部件來說的,由于對其進行檢測不影響退化量,在第i個間隔期初始退化量等于第i-1個間隔期結(jié)束時的退化量,其中對核心部件退化模型存在μ1(0;?)=μ0(T0;?)=0。由此,可得到在第i個預(yù)防性維修間隔期內(nèi)部件的退化過程模型為

(27)

在式(27)基礎(chǔ)上,根據(jù)式(23)可得到各部件在各預(yù)防性維修間隔期內(nèi)的可靠度和故障分布函數(shù)。

已經(jīng)給出了部件可靠度和故障分布函數(shù),但對于核心部件而言,由于其采用功能檢測策略,所以其發(fā)生故障更新或預(yù)防性更換的概率不能由可靠度函數(shù)簡單得到,需要分情況進行討論。

當i=1時,即在第一個預(yù)防性維修間隔期內(nèi),發(fā)生故障更新或預(yù)防性更換的概率較為簡單,根據(jù)部件可靠度函數(shù)及功能檢測策略,其分別為FD,1(T1)和GT1,1(D)-GT1,1(xp)。符號Gt,i(x)=Pr{Xi(t)≤x},表示在第i個預(yù)防性維修間隔期內(nèi)的Gt(x)函數(shù),其他相關(guān)符號表示相同,下面不再贅述。

當i≥2時,核心部件首次更新發(fā)生在第i個預(yù)防性維修間隔期內(nèi)t時刻前故障更新的概率為

HD,i(t)=Pr{Xi(0)

Pr{Xi(0)

(28)

式中,g0,i(x)=dG0,i(x)/dx。

核心部件在第i個預(yù)防性維修間隔期內(nèi)t時刻前未出現(xiàn)部件更新的概率為

Pr{Xi(0)

Pr{Xi(0)

(29)

核心部件在第i次檢測時出現(xiàn)預(yù)防性更換更新的概率為

Pr{Xi(0)

Pr{Xi(0)

(30)

(31)

式中,EC表示每個更新周期內(nèi)系統(tǒng)維修費用期望值；EL表示系統(tǒng)期望更新周期長度。

在預(yù)防性維修策略中,系統(tǒng)有兩種可能的更新方式,一種是由于任意部件故障引起的系統(tǒng)故障更換,稱為故障更新;另一種是由于核心部件在檢測時，退化量在預(yù)防性更換閾值xp和故障閾值D之間引起的系統(tǒng)預(yù)防性更換,稱為檢測更新。

3.2　系統(tǒng)維修總費用

(32)

當i≥2時,根據(jù)系統(tǒng)故障更新是否由核心部件(假設(shè)核心部件編號為1)發(fā)生故障引起,考慮兩種情況,和首次預(yù)防性維修間隔期內(nèi)故障更新概率計算原理類似,可得在第i個預(yù)防性維修間隔期內(nèi),系統(tǒng)故障更新概率為

(33)

(34)

基于此,可得到系統(tǒng)更新周期內(nèi)故障更新期望費用為

(35)

系統(tǒng)檢測更新是由核心部件預(yù)防性更換引起的,而核心部件第i次檢測時發(fā)生預(yù)防性更換的概率已在之前推導(dǎo)給出,如式(29)所示,綜合所有可能的檢測點(i=1,2,…)即可得到系統(tǒng)檢測更新發(fā)生的概率,在此基礎(chǔ)上,可得到系統(tǒng)更新周期內(nèi)檢測更新期望費用為

(36)

綜合系統(tǒng)更新周期內(nèi)故障更新和檢測更新期望費用,可得到每個更新周期內(nèi)系統(tǒng)維修費用期望值

EC=ECfs+ECps

(37)

3.3　系統(tǒng)更新周期長度

在計算期望更新周期長度時,和維修費用模型類似,也可劃分為故障更新和檢測更新,更新概率在維修模型中已得到。在此基礎(chǔ)上,可得到故障更新期望周期長度為

(38)

檢測更新期望周期長度為

(39)

綜合系統(tǒng)更新周期內(nèi)故障更新和檢測更新期望周期長度,可得到系統(tǒng)期望更新周期長度為

EL=ELfs+ELps

(40)

將式(37)和式(40)代入式(31)中即可得到系統(tǒng)單位時間維修費用Cavg(T1,T,xp)的表達式。

(41)

4　算例分析

假設(shè)系統(tǒng)由兩個部件(子系統(tǒng))組成,不失一般性,令部件1為核心部件,部件2為輔助部件,兩部件退化間存在相關(guān)關(guān)系,任意部件故障都會引起系統(tǒng)失效,系統(tǒng)故障是競爭失效過程。為減少系統(tǒng)維修費用,采用所提預(yù)防性維修策略對系統(tǒng)進行維修,退化和維修模型相關(guān)參數(shù)設(shè)定如表1所示,為方便分析,費用單位統(tǒng)一設(shè)置為元,部件退化量單位為毫米(mm),時間單位為月,在以下敘述中不再重復(fù)標明。

基于退化過程相關(guān)模型和預(yù)防性維修策略,可利用非線性Wiener過程的獨立增量特性生成部件退化過程的仿真軌跡。當T1=25,T=10時,對兩部件的退化過程獨立仿真5次,得到的仿真軌跡如圖2所示。

表1　模型參數(shù)設(shè)置

圖2　預(yù)防性維修策略下部件仿真退化軌跡

可以看出,兩個部件的退化過程均呈現(xiàn)明顯的遞增趨勢,且兩部件退化間有明顯的相關(guān)關(guān)系,如隨著部件1的退化量增加,部件2的退化速率也明顯加快,在相同時間內(nèi)的退化量增加;對部件2進行預(yù)防性更換時,部件1的退化速率也會相應(yīng)變慢,退化仿真軌跡出現(xiàn)轉(zhuǎn)折。如果不考慮部件間退化的相互影響,即任意部件維修活動不會影響其他部件的退化過程,將會對維修決策優(yōu)化結(jié)果產(chǎn)生影響,在下面的維修費用分析中將詳細說明。

在得到退化過程模型基礎(chǔ)上,為得到部件可靠度函數(shù),將部件退化近似做非減退化過程處理,為驗證該方法的合理性和精確性,在以上參數(shù)設(shè)置下對部件1和部件2首次到達故障閾值時間進行仿真,分別取樣5 000次,做出首次故障時間的直方圖,得到其近似分布,與解析故障密度函數(shù)進行對比,如圖3所示。

圖3　首次故障時間仿真數(shù)據(jù)和解析分布對比

由結(jié)果圖仿真數(shù)據(jù)和解析分布對比可以看出,所提方法可較為精確地得到部件的故障分布函數(shù),也驗證了當σB較小時,部件非減退化過程假設(shè)的合理性。在此基礎(chǔ)上,對系統(tǒng)首次故障時間進行仿真,同樣取樣5 000次,得到系統(tǒng)故障時間分布仿真數(shù)據(jù)與解析分布對比圖,結(jié)果顯示系統(tǒng)可靠度函數(shù)式(25)可較為精確地描述系統(tǒng)真實故障分布情況。在用迭代法搜尋模型最優(yōu)值的過程中,為方便預(yù)防性維修策略的實施,預(yù)防性維修間隔期的搜索步長取1,即只在整數(shù)范圍內(nèi)求預(yù)防性維修間隔期的最優(yōu)值。當預(yù)防性維修間隔期(T1,T)確定時,根據(jù)優(yōu)化模型可得到系統(tǒng)單位時間維修費用Cavg(T1,T,xp)隨預(yù)防性更換閾值xp的變化情況,如圖4所示。

圖4　xp與Cavg(T1,T,xp)的關(guān)系

圖4中列舉了4種不同預(yù)防性維修間隔期下單位時間維修費用隨xp的變化情況,顯示了對于固定的(T1,T),存在最優(yōu)的預(yù)防性維修閾值xp使得單位時間維修費用最小。從整體上看,隨著預(yù)防性維修間隔期的減小,xp的最優(yōu)值是逐漸增大的,這是由于較小的預(yù)防性維修間隔期可以更為及時地檢測系統(tǒng)退化量,從而可以在部件達到故障閾值前設(shè)置更大的預(yù)防性維修閾值以充分利用部件使用壽命。較小的xp值會引起系統(tǒng)過早更換,而較大的xp值則可相對減少過早更換，但同時會增加系統(tǒng)故障風(fēng)險,這都會導(dǎo)致維修費用增加。同時通過曲線的對比可以說明區(qū)分首次預(yù)防性維修間隔期與重復(fù)預(yù)防性維修間隔期的必要性。

當預(yù)防性更換閾值xp固定時,系統(tǒng)單位時間維修費用Cavg(T1,T,xp)與預(yù)防性維修間隔期(T1,T)的關(guān)系如圖5所示(以xp=5為例)。由系統(tǒng)維修費用率變化三維圖和等高線圖可以看出,對于固定的xp,從整體上看,無論是隨著T1或T的增大,Cavg(T1,T,xp)呈現(xiàn)先降低后升高的趨勢,這是預(yù)防性維修費用減少和故障更換費用增加共同作用結(jié)果。存在最優(yōu)的(T1,T)使得系統(tǒng)單位時間維修費用最小,例如當xp=5時,最優(yōu)預(yù)防性維修間隔期為T1=16,T=8,此時系統(tǒng)單位時間維修費用為528.27元。

在不考慮部件間相互影響的條件下,兩部件的退化過程不會隨著另一個部件的維修發(fā)生變化,所以此時兩部件退化過程可由第一次預(yù)防性維修間隔期內(nèi)的退化模型表示,圖5(b)中的T1=25,T=4點表示在這種情況下對應(yīng)的優(yōu)化結(jié)果,可以看出如果部件間相互影響,所得到的實際費用和預(yù)防性維修間隔期并不是最優(yōu)值。

圖5　(T1,T)與Cavg(T1,T,xp)的關(guān)系(xp=5)

在以上分析基礎(chǔ)上,對不同xp取值下的模型進行優(yōu)化,得到相應(yīng)的最優(yōu)預(yù)防性維修間隔期和系統(tǒng)單位時間維修費用值,如圖6所示。

圖6　不同xp下系統(tǒng)最小單位時間維修費用

表2　不同xp對應(yīng)優(yōu)化結(jié)果

在預(yù)防性維修策略實施過程中,由于工作任務(wù)或者其他一些因素影響,可能不能嚴格按照最優(yōu)預(yù)防性維修間隔期對部件實施檢測和預(yù)防性更換工作,這時就需要分析預(yù)防性維修間隔期變化對系統(tǒng)單位時間維修費用產(chǎn)生的影響。

表3　不同(T1,T)下系統(tǒng)單位時間維修費用

5　結(jié)　論

本文在非線性Wiener退化過程模型基礎(chǔ)上提出了基于退化速率的退化相關(guān)多部件系統(tǒng)退化過程模型和可靠度模型,在此基礎(chǔ)上,建立了系統(tǒng)預(yù)防性維修決策優(yōu)化模型。在模型算例分析部分,通過對不同部件的退化過程仿真說明了部件間的相關(guān)關(guān)系;通過仿真數(shù)據(jù)和解析分布的對比,驗證了可靠度模型的精確性;通過優(yōu)化得到了系統(tǒng)最優(yōu)預(yù)防性維修策略,對比說明了最優(yōu)預(yù)防性維修策略的經(jīng)濟效益。最后分析了決策變量變化對維修費用的影響,為預(yù)防性維修策略的實施提供參考。

參考文獻：

[1] MURTHY D, NGUYEN D. Study of two-component system with failure interaction[J].Naval Research Logistics,1985,32(2): 239-247.

[2] MURTHY D, NGUYEN D. Study of a multi-component system with failure interaction[J]. European Journal of Operational Research, 1985, 21(3): 330-338.

[3] ZEQUEIRA R I, BERENGUER C. On the inspection policy of a two-component parallel system with failure interaction[J]. Reliability Engineering and System Safety, 2005, 88(1): 99-107.

[4] SUN Y, MA L, MATHEW J. An analytical model for interactive failures[J]. Reliability Engineering and System Safety, 2006, 91(5): 495-504.

[5] GOLMAKANI H R, MOAKEDI H. Periodic inspection optimization model for a two-component repairable system with failure interaction[J].Computers and Industrial Engineering,2012,63(3): 540-545.

[6] 周金宇, 謝里陽, 王學(xué)敏. 多狀態(tài)系統(tǒng)共因失效分析及可靠性模型[J]. 機械工程學(xué)報, 2005, 41(6): 66-70.

ZHOU J Y, XIE L Y, WANG X M. Analysis for common cause failure and reliability model in multi-state systems[J]. Journal of Mechanical Engineering, 2005, 41(6): 66-70.

[7] LEVITIN G. Incorporating common-cause failures into non-repairable multistate series-parallel system analysis[J]. IEEE Trans.on Reliability, 2001, 50(4): 380-388.

[8] 李春洋,陳循,易曉山,等.基于馬爾可夫過程的k/n(G)系統(tǒng)共因失效分析[J].系統(tǒng)工程與電子技術(shù),2009,31(11):2793-2796.

LI C Y, CHEN X, YI X S, et al. Analysis of k-out-of-n: G systems subject to common cause failures based on Markov process[J]. Systems Engineering and Electronics, 2009, 31(11): 2793-2796.

[9] HSIEH M H, JENG S L, SHEN P S. Assessing device reliability based on scheduled discrete degradation measurements[J]. Probabilistic Engineering Mechanics, 2009, 24(2): 151-158.

[10] SARI J K, NEWBY M J, BROMBACHER A C. Bivariate constant stress degradation model: LED lighting system reliability estimation with two-stage modeling[J]. Quality and Reliability Engineering International, 2009, 25(8): 1067-1084.

[11] PAN Z, BALAKRISHNAN N. Reliability modeling of degradation of products with multiple performance characteristics based on gamma processes[J]. Reliability Engineering and System Safety, 2011, 96(8): 949-957.

[12] PAN Z, BALAKRISHNAN N, SUN Q, et al. Bivariate degradation analysis of products based on wiener processes and copulas[J]. Journal of Statistical Computation and Simulation,2013,83(7): 1316-1329.

[13] KAISHEV V K, DIMITROVA D S, HAVERMAN S. Modeling the joint distribution of competing risks survival times using copula functions[J]. Insurance, Mathematics and Economics, 2007, 41(3): 339-361.

[14] WANG Y P, PHAM H. Modeling the dependent competing risks with multiple degradation processes and random shock using time-varying copulas[J]. IEEE Trans.on Reliability, 2012, 61(1): 13-22.

[15] 郭馳明.基于獨立增量過程的視情維修優(yōu)化方法研究[D].長沙: 國防科技大學(xué), 2013.

GUO C M. Condition-based maintenance optimization with independent increments processes[D]. Changsha: National University of Defense Technology, 2013.

[16] RASMEKOMEN N, PARLIKAD A K. Condition based maintenance of multi-component systems with degradation state-rate interactions[J]. Reliability Engineering and System Safety, 2016, 148(1): 1-10.

[17] 劉次華.隨機過程[M].5版.武漢:華中科技大學(xué)出版社,2014: 21-22.

LIU C H. Stochastic process[M]. 5th ed. Wuhan: Huazhong University of Science and Technology Press, 2014: 21-22.

[18] SUN Y, MA L, MATHEW J. Failure analysis of engineering systems with preventive maintenance and failure interactions[J]. Computer and Industrial Engineering, 2009, 57(1): 539-549.

[19] 焦寶聰.常微分方程[M].北京:清華大學(xué)出版社,2008:177-178.

JIAO B C. Ordinary differential equations[M]. Beijing: Tsinghua University Press, 2008: 177-178.

[20] BAE S J, KUO W, KVAM P H. Degradation models and implied lifetime distributions[J]. Reliability Engineering and System Safety, 2007, 92(5): 601-608.

[21] LIU B, XU Z G, XIE M, et al. A value-based preventive maintenance policy for multi-component system with continuously degrading components[J]. Reliability Engineering and System Safety, 2014, 132(132): 83-89.

[22] WANG X L, BALAKRISHNAN N, GUO B. Residual life estimation based on a generalized wiener degradation process[J].Reliability Engineering and System Safety,2013,124(4):13-23.