Generalized integrated importance measure for system performance evaluation: application to a propeller plane system

Dui, H.; Chen, L.; Wu, S.

doi:10.17531/ein.2017.2.16

Artykuł - szczegóły

Tytuł artykułu

Generalized integrated importance measure for system performance evaluation: application to a propeller plane system

Autorzy

Dui H. , Chen L. , Wu S.

Treść / Zawartość

Pełne teksty:

Pobierz

Identyfikatory

DOI

10.17531/ein.2017.2.16

Warianty tytułu

Uogólniona miara zintegrowanej ważności komponentów jako narzędzie oceny wydajności systemu: zastosowanie w odniesieniu do układu śmigłowca

Języki publikacji

Abstrakty

The integrated importance measure (IIM) evaluates the rate of system performance change due to a component changing from one state to another. The IIM simply considers the scenarios where the transition rate of a component from one state to another is constant. This may contradict the assumption of the degradation, based on which system performance is degrading and therefore the transition rate may be increasing over time. The Weibull distribution describes the life of a component, which has been used in many different engineering applications to model complex data sets. This paper extends the IIM to a new importance measure that considers the scenarios where the transition rate of a component degrading from one state to another is a time-dependent function under the Weibull distribution. It considers the conditional probability distribution of a component sojourning at a state is the Weibull distribution, given the next state that component will jump to. The research on the new importance measure can identify the most important component during three different time periods of the system lifetime, which is corresponding to the characteristics of Weibull distributions. For illustration, the paper then derives some probabilistic properties and applies the extended importance measure to a real-world example (i.e., a propeller plane system).

Miara zintegrowanej ważności (IIM) pozwala oceniać szybkość zmian wydajności systemu powstałych w wyniku przejścia elementu systemu z jednego stanu do drugiego. IIM pozwala rozważać scenariusze, w których szybkość przejścia elementu z jednego stanu do drugiego jest stała. Jest to jednak sprzeczne z założeniem degradacji, zgodnie z którym wydajność systemu obniża się, w związku z czym, szybkość przejścia może z upływem czasu ulegać zwiększeniu. Rozkład Weibulla opisuje żywotność danego elementu, co wykorzystuje się w wielu różnych zastosowaniach technicznych do modelowania złożonych zbiorów danych. W przedstawionej pracy, rozszerzono IIM uzyskując nową miarę ważności, która pozwala rozważać scenariusze, w których szybkość przejścia elementu z jednego stanu do drugiego w wyniku degradacji jest zależną od czasu funkcją rozkładu Weibulla. Przyjęto, że warunkowy rozkład prawdopodobieństwa elementu przebywającego w pewnym stanie jest rozkładem Weibulla, gdzie dany jest kolejny stan do którego ma przejść dany element. Badania nad nową miarą ważności umożliwiają identyfikację najważniejszych elementów podczas trzech różnych okresów czasu życia systemu, co odpowiada charakterystyce rozkładów Weibulla. Dla ilustracji, wyprowadzono pewne właściwości probabilistyczne i zastosowano rozszerzoną miarę ważności do analizy przykładu rzeczywistego układu śmigłowca.

Słowa kluczowe

system performance importance measure Weibull distribution transition rate

wydajność systemu miara ważności rozkład Weibulla szybkość przejścia

Wydawca

Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne

Czasopismo

Eksploatacja i Niezawodność

Rocznik

2017

Tom

Vol. 19, no. 2

Strony

279--286

Opis fizyczny

Bibliogr. 28 poz., rys., tab.

Twórcy

autor

Dui H.

duihongyan@zzu.edu.cn

School of Management engineering, Zhengzhou University, Zhengzhou 450001, China

autor

Chen L.

cliwei@zzu.edu.cn

School of electrical engineering, Zhengzhou University, Zhengzhou 450001, China

autor

Wu S.

s.m.wu@kent.ac.uk

Kent Business School, university of Kent, Canterbury, Kent CT2 7Pe, United Kingdom

Bibliografia

1. Birnbaum Z W. On the importance of different components in a multi-component system, in Multivariate Analysis II. New York: Academic Press 1969: 581-592.
2. Borgonovo E. Differential, criticality and Birnbaum importance measures: An application to basic event, groups and SSCs in event trees and binary decision diagrams. Reliability Engineering & System Safety 2007; 92: 1458-1467, https://doi.org/10.1016/j.ress.2006.09.023.
3. Borgonovo E, Aliee H, Glaß M, Teich J. A new time-independent reliability importance measure. European Journal of Operational Research 2016; 254: 427-442, https://doi.org/10.1016/j.ejor.2016.03.054.
4. Cai B, Liu Y, Fan Q, et al. Multi-source information fusion based fault diagnosis of ground-source heat pump using Bayesian network. Applied Energy 2014; 114: 1-9, https://doi.org/10.1016/j.apenergy.2013.09.043.
5. Cai B, Zhao Y, Liu H, Xie M. A Data-Driven Fault Diagnosis Methodology in Three-Phase Inverters for PMSM Drive Systems. IEEE Transactions on Power Electronics 2016; 99: 1-10, https://doi.org/10.1109/tpel.2016.2608842.
6. Cheng Q, Sun B, Zhao Y, Gu P. A method to analyze the machining accuracy reliability sensitivity of machine tools based on Fast Markov Chain simulation. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2016; 18: 552-564, https://doi.org/10.17531/ein.2016.4.10.
7. Dui H, Si S, Cui L, Cai Z, Sun S. Component importance for multi-state system lifetimes with renewal functions. IEEE Transactions on Reliability 2014; 63: 105-117, https://doi.org/10.1109/TR.2014.2299132.
8. Dui H, Si S, Zuo M, Sun S. Semi-Markov process-based integrated importance measure for multi-state systems. IEEE Transactions on Reliability 2015; 64: 754-765, https://doi.org/10.1109/TR.2015.2413031.
9. Dutuit Y, Rauzy A. On the extension of Importance Measures to complex components. Reliability Engineering & System Safety 2015; 142: 161-168, https://doi.org/10.1016/j.ress.2015.04.016.
10. Jiang R. A new bathtub curve model with a finite support. Reliability Engineering & System Safety 2013; 119: 44-51, https://doi.org/10.1016/j.ress.2013.05.019.
11. Kuo W, Zhu X. Importance Measures in Reliability, Risk, and Optimization: Principles and Applications. UK: Wiley, 2012, https://doi.org/10.1002/9781118314593.
12. Leturiondo U, Salgado O, Galar D. Multi-body modelling of rolling element bearings and performance evaluation with localized damage. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2016; 18: 638 648, https://doi.org/10.17531/ein.2016.4.20.
13. Levitin G, Podofillini L, Zio E. Generalised importance measures for multi-state elements based on performance level restrictions. Reliability Engineering & System Safety 2003; 82: 287-298, https://doi.org/10.1016/S0951-8320(03)00171-6.
14. Liu Y, Lin P, Li Y, Huang H. Bayesian reliability and performance assessment for multi-state systems. IEEE Transactions on Reliability 2015; 64: 394-409, https://doi.org/10.1109/TR.2014.2366292.
15. Musleh R M, Helu A. Estimation of the inverse Weibull distribution based on progressively censored data: Comparative study. Reliability Engineering & System Safety 2014; 131: 216-227, https://doi.org/10.1016/j.ress.2014.07.006.
16. Prabhakar Murthy D N, Xie M, Jiang R. Weibull models, John Wiley &Sons, Inc., Hoboken, New Jersey, 2004.
17. Si S, Dui H, Cai Z, Sun S. The integrated importance measure of multi-state coherent systems for maintenance processes. IEEE Transactions on Reliability 2012; 61: 266-273, https://doi.org/10.1109/TR.2012.2192017.
18. Si S, Dui H, Zhao X, Zhang S, Sun S. Integrated importance measure of component states based on loss of system performance. IEEE Transactions on Reliability 2012; 61: 192-202, https://doi.org/10.1109/TR.2011.2182394.
19. Si S, Levitin G, Dui H, Sun S. Component state-based integrated importance measure for multi-state systems. Reliability Engineering & System Safety 2013; 116: 75-83, https://doi.org/10.1016/j.ress.2013.02.023.
20. Tyrväinen T. Risk importance measures in the dynamic flowgraph methodology. Reliability Engineering & System Safety 2013; 118: 35-50, https://doi.org/10.1016/j.ress.2013.04.013.
21. Werbińska-Wojciechowska S, Zając P. Use of delay-time concept in modelling process of technical and logistics systems maintenance performance: Case study. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2015; 17: 174-185, https://doi.org/10.17531/ein.2015.2.2.
22. Wu S, Chan L. Performance utility-analysis of multi-state systems. IEEE Transactions on Reliability 2003; 52: 14-21, https://doi.org/10.1109/TR.2002.805783.
23. Wu S, Chen Y, Wu Q, Wang Z. Linking component importance to optimisation of preventive maintenance policy. Reliability Engineering & System Safety 2016; 146: 26-32, https://doi.org/10.1016/j.ress.2015.10.008.
24. Wu S, Coolen Frank P A. A cost-based importance measure for system components: An extension of the Birnbaum importance. European Journal of Operational Research 2013; 225: 189-195, https://doi.or g/10.1016/j.ejor.2012.09.034.
25. Xie M, Tang Y, Goh T. N. A modified weibull extension with bathtub-shaped failure rate function. Reliability Engineering & System Safety 2002; 76: 279-285, https://doi.org/10.1016/S0951-8320(02)00022-4.
26. Yang H, Xu G, Fan X N. A reliability analysis method of cloud theory - Monte Carlo based on performance degradation data. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2015; 17: 435-442, https://doi.org/10.17531/ein.2015.3.15.
27. Zhai Q, Yang J, Xie M, Zhao Y. Generalized moment-independent importance measures based on Minkowski distance. European Journal of Operational Research 2014; 239: 449-455, https://doi.org/10.1016/j.ejor.2014.05.021.
28. Zhu X, Kuo W. Importance measures in reliability and mathematical programming. Annals of Operations Research 2014; 212: 241-267, https://doi.org/10.1007/s10479-012-1127-0.

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-aef338c6-ba10-407e-b9a4-99ade672ef33