Diagnosis strategy for complex systems based on reliability analysis and MA DM under epistemic uncertainty

• Autorzy: Duan R. , Zhou H. , Fan J.

Warianty tytułu

PL

Strategia diagnostyki dla systemów złożonych oparta na analizie niezawodności oraz metodach wieloatrybutowego podejmowania decyzji MA DM w warunkach niepewności epistemologicznej

• Języki publikacji: EN

Abstrakty

EN

Fault tolerant technology has greatly improved the reliability of train-ground wireless communication system (TWCS). However, its high reliability caused the lack of sufficient fault data and epistemic uncertainty, which increased significantly challenges in system diagnosis. A novel diagnosis method for TWCS is proposed to deal with these challenges in this paper, which makes the best of reliability analysis, fuzzy sets theory and MADM. Specifically, it adopts dynamic fault tree to model their dynamic fault modes and evaluates the failure rates of the basic events using fuzzy sets theory and expert elicitation to hand epistemic uncertainty. Furthermore, it calculates some quantitative parameters information provided by reliability analysis using algebraic technique and Bayesian network to overcome some disadvantages of the traditional methods. Diagnostic importance factor, sensitivity index and heuristic information values are considered comprehensively to obtain the optimal diagnostic ranking order of TWCS using an improved TOPSIS. The proposed method takes full advantages of the dynamic fault tree for modelling, fuzzy sets theory for handling uncertainty and MADM for the best fault search scheme, which is especially suitable for fault diagnosis of the complex systems.

PL

Technologia odporna na błędy przyczyniła się do dużej poprawy niezawodności systemów łączności bezprzewodowej pociąg-ziemia (TWCS). Jednakże wysoka niezawodność tych systemów pociąga za sobą brak wystarczających danych o uszkodzeniach oraz niepewność epistemologiczną, której zwiększenie stworzyło liczne wyzwania w zakresie diagnostyki systemów. W niniejszej pracy zaproponowano nowatorską metodę diagnozowania TWCS, która odpowiada na owe wyzwania wykorzystując analizę niezawodności, teorię zbiorów rozmytych oraz metody wieloatrybutowego podejmowania decyzji MADM. W szczególności, zaproponowana metoda wykorzystuje dynamiczne drzewa błędów do modelowania dynamicznych stanów niezdatności oraz pozwala na oszacowanie częstości występowania uszkodzeń dla zdarzeń podstawowych z wykorzystaniem teorii zbiorów rozmytych oraz oceny eksperckiej, rozwiązując w ten sposób problem niepewności epistemologicznej. Ponadto, metoda ta umożliwia obliczenie niektórych parametrów ilościowych na podstawie informacji pochodzących z analizy niezawodności, z zastosowaniem techniki algebraicznej oraz sieci bayesowskich, co pozwala na obejście ograniczeń tradycyjnie stosowanych metod. W artykule przeprowadzono szczegółową analizę czynnika ważności diagnostycznej, wskaźnika czułości oraz wartości informacji heurystycznej w celu określenia optymalnej kolejności działań diagnostycznych dla TWCS z zastosowaniem poprawionej wersji TOPSIS Proponowana metoda w pełni wykorzystuje zalety metody drzewa błędów do modelowania, teorii zbiorów rozmytych – do rozwiązywania problemu niepewności oraz MADM – do wyznaczania najlepszej metody wyszukiwania niezdatności, co jest szczególnie przydatne w przypadku diagnozowania niezdatności systemów złożonych.

Słowa kluczowe

EN

train-ground wireless communication system; reliability analysis; MADM; epistemic uncertainty; TOPSIS

PL

system łączności bezprzewodowej pociąg-ziemia; analiza niezawodności; MADM; niepewność epistemologiczna; TOPSIS

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2015
• Tom: Vol. 17, no. 3
• Strony: 345--354
• Opis fizyczny: Bibliogr. 23 poz., rys., tab.

Twórcy

autor

Duan R.

• School of Information Engineering Nanchang University Xuefu Rd., 999 Jiangxi, China

autor

Zhou H.

• School of Information Engineering Nanchang University Xuefu Rd., 999 Jiangxi, China

autor

Fan J.

• School of Information Engineering Nanchang University Xuefu Rd., 999 Jiangxi, China

Bibliografia

• 1. Assaf T, Dugan, J.B. Design for diagnosis using a diagnostic evaluation measure. IEEE Instrumentation and Measurement Magazine 2006;(4):37-43, http://dx.doi.org/10.1109/MIM.2006.1664040.
• 2. Assaf, T., Dugan, J.B., Diagnosis based on reliability analysis using monitors and sensors. Reliability Engineering & System Safety 2008; 93(4): 509-521, http://dx.doi.org/10.1016/j.ress.2006.10.024.
• 3. Bobbio A., Portinale L., Minichino M. Improving the analysis of dependable systems by mapping fault trees into Bayesian networks. Reliability Engineering and System Safety 2001; 71(3): 249-260; http://dx.doi.org/10.1016/S0951-8320(00)00077-6.
• 4. Boudali H. Dugan J.B. A discrete-time Bayesian network reliability modelling and analysis framework. Reliability Engineering and System Safety 2005; 87(3): 337-349, http://dx.doi.org/10.1016/j.ress.2004.06.004.
• 5. Hwang C.L., Yoon K. Multiple Attributes Decision Making Methods and Applications. Berlin, Heidelberg: Springer, 1981, http://dx.doi.org/10.1007/978-3-642-48318-9.
• 6. Huang, D, Chen, T and Wang, M.J.J. A fuzzy set approach for event tree analysis. Fuzzy Sets and Systems 2001; 118(1):153-165, http://dx.doi.org/10.1016/S0165-0114(98)00288-7.
• 7. Huang HongZhong, Li Yanfeng, Sun Jian, Yang Yuanjian. Fuzzy Dynamic Fault Tree Analysis for the Solar Array Drive Assembly. Journal of Mechanical Engineering 2013; 49 (19): 70-76, http://dx.doi.org/10.3901/JME.2013.19.070.
• 8. Jafarian E, Rezvani M. A. Application of fuzzy fault tree analysis for evaluation of railway safety risks. Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit 2012; 226: 14-25, http://dx.doi.org/10.1177/0954409711403678.
• 9. Khakzad N, Khan F, Amyotte P. Risk-based design of process systems using discrete-time Bayesian networks. Reliability Engineering and System Safety 2013; 109: 5-17, http://dx.doi.org/10.1016/j.ress.2012.07.009.
• 10. Lu Ying, Li Qiming, and Zhou Zhipeng. Safety risk prediction of subway operation based on fuzzy Bayesian network. Journal of Southeast University (Natural science edition) 2010; 40(5): 1110-1114.
• 11. Meshkat L, Dugan J B and Andrews JD. Dependability analysis of systems with on-demand and active failure modes using dynamic fault trees. IEEE Transactions on Reliability 2002; 51(2): 240-251, http://dx.doi.org/10.1109/TR.2002.1011531.
• 12. Manjit Verma, Amit Kumar. Fuzzy fault tree approach for analysing the fuzzy reliability of a gas power plant. International Journal of Reliability and Safety 2012; 6(4): 354-370, http://dx.doi.org/10.1504/IJRS.2012.049598.
• 13. Mhalla A, Collart Dutilleul S, Craye E. Estimation of failure probability of milk manufacturing unit by fuzzy fault tree analysis, Journal of Intelligent and Fuzzy Systems 2014; 26(2): 741-750.
• 14. Onisawa T. An approach to human reliability in man-machine systems using error possibility. Fuzzy Sets and System 1988; 27(2): 87-103, http://dx.doi.org/10.1016/0165-0114(88)90140-6.
• 15. Przytula K.W., Milford R. An efficient framework for the conversion of fault trees to diagnostic Bayesian network models. In Proceedings of IEEE Aerospace Conference 2006: 1-14, http://dx.doi.org/10.1109/AERO.2006.1656103.
• 16. Purba J H, Lu J, Zhang G, et al. A fuzzy reliability assessment of basic events of fault trees through qualitative data processing. Fuzzy Sets and Systems 2014; 243: 50-69, http://dx.doi.org/10.1016/j.fss.2013.06.009.
• 17. Rongxing Duan, Guochun Wan, Decun Dong. Intelligent Fault Diagnosis Method Based on Dynamic Fault Tree Analysis. Journal of Computational Information Systems 2010; 6(3): 949-957.
• 18. Rongxing Duan, Huilin Zhou, Diagnosis strategy for micro-computer controlled straight electro-pneumatic braking system using fuzzy set and dynamic fault tree. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2014; 16 (2): 217–223.
• 19. Shaoxu, Ni, Yufang, Zhang, Xiaofeng Liang. Intelligent Fault Diagnosis Method Based on Fault Tree. Journal of Shanghai Jiaotong University 2008; 42(8):1372-1386.
• 20. Tetsushi Y and Yanagi S. Dynamic fault tree analysis using bayesian networks and sequence probabilities. IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences 2013; 96(5): 953-962.
• 21. Yao C., Chen D., Feng Z. Dynamic Group Decision-making Fault Diagnosis Method Based on Bayesian Network and TOPSIS. China Mechanical Engineering 2013; 24 (16): 2235-2241.
• 22. Y.F. Li, H.Z. Huang, Y. Liu, N.C. Xiao, H.Q. Li. A new fault tree analysis method: fuzzy dynamic fault tree analysis. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2012; 14 (3): 208-214.
• 23. Yusuf Tansel İç. An experimental design approach using TOPSIS method for the selection of computer-integrated manufacturing technologies. Robotics and Computer-Integrated Manufacturing 2012; 28(2): 245-256, http://dx.doi.org/10.1016/j.rcim.2011.09.005.