简介围绕电力系统规划与可靠性中的可修复系统主题面向电力工程专业学生和从业人员系统讲解预防性维修与矫正性维修两类维护策略并引入可靠度、可用度、不可用度等核心可靠性指标。资源为PPT演示文稿共1个文件压缩包仅801KB轻量易用已有168人学习。内容重点涵盖状态空间/时间法、频率平衡法和框图法三种可靠性分析方法结合故障率、修复率、MTTF、MTTR、MTBF等参数给出单元件及多元件串并联系统的建模与推导并配备发电机组、变压器、线路串联等实例有助于读者掌握可修复系统可靠性的计算流程与实际应用。1. 可修复系统的可靠性为什么绕不开马尔可夫设备坏了就修修好继续跑这叫可修复系统。电力系统里几乎到处都是这类设备发电机、变压器、线路、开关坏了不是扔掉而是修复后重新投运。于是可靠性曲线不再是单调下降的一条直线而是“掉下去又弹回来”的循环。要描述这种循环马尔可夫过程是最顺手的工具——把设备按状态归类用失效率 λ 表示“从运行滑向故障”用修复率 μ 表示“从故障爬回运行”剩下的事就是解状态概率。这套模型能同时给出三个工程指标稳态可用度、故障频率、平均故障持续时间也就是标题里 FDfrequency duration频率-持续时间法所指的东西。它不需要额外假设只是把马尔可夫链的稳态概率翻译成运行人员直接关心的数字。下面从单个元件推到串并联系统每一步都给出可复现的公式和代码顺手把参数怎么取、坑在哪里讲清楚。2. 单个可修复元件的两状态马氏模型λ、μ 与稳态可用度2.1 状态空间与转移率先画状态图再列方程可修复元件的状态只有两个运行R和故障F。状态转移图也简单R 以速率 λ 跳向 FF 以速率 μ 跳回 R。λ 的单位是次/小时表示“设备运行一小时内平均发生多少次故障”μ 的单位同样是次/小时习惯上写成 1/MTTR。这里要强调“速率”和“概率”的区别这是马尔可夫建模的第一课在一个极短的时间 Δt 内从 R 到 F 的转移概率约等于 λΔt从 F 到 R 约等于 μΔt。Δt 足够小时两个状态同时转移的概率是 λΔt 乘 μΔt属于高阶小量建模时直接忽略。为什么非要用马尔可夫过程因为可修复系统的指标本质上是“长期平均”而不是“首次失效时间”。不可修复系统算 MTTF 就够了可修复系统还要回答“一年大概坏几次”“每次停多久”。这两个问题只有把状态和转移率摆出来才能回答。马氏假设要求转移率恒定也就是设备“无记忆”——已经运行了 1000 小时和刚投入运行的设备下一小时故障概率一样。现实中设备有老化趋势λ 会随时间缓慢增大但工程上通常按部件寿命曲线的浴盆底部取值把 λ 当作常数误差在可接受范围。2.2 微分方程组与稳态解手推一遍比记公式快用 p_R(t)、p_F(t) 表示时刻 t 处于两个状态的概率列微分方程组dp_R/dt -λ·p_R μ·p_F dp_F/dt λ·p_R - μ·p_F稳态时导数都为 0得到 p_R·λ p_F·μ再加上归一化条件 p_R p_F 1解得稳态可用度 A μ / (λ μ)稳态不可用度 U λ / (λ μ)故障频率 f 是单位时间内从运行状态进入故障状态的期望次数f A·λ。每次故障的平均持续时间 r 1/μ。这三个量构成 FD 方法的最小闭环U f·r。用一组典型数字验证λ 0.001 次/小时μ 0.1 次/小时A 0.9901f 0.0009901 次/小时换算成年就是 8.67 次/年r 10 小时年停运时间 86.7 小时与 U×8760 完全一致。这个自洽性后面校核数值解时经常用到。2.3 参数表λ、μ、MTTF、MTTR 的单位换算符号含义常用单位工程获取方式λ失效率次/小时故障次数 ÷ 累计运行时间μ修复率次/小时1 ÷ MTTRA稳态可用度无量纲μ / (λ μ)f进入故障状态的频率次/年A·λ·8760r单次故障平均持续时间小时1 / μ注意 MTTR 只算从开始检修到恢复的纯修复时间调度等待、备件到位、人员到场这些时间要单独估算后加进去。很多工程报告里可用度算得偏高就是因为把 MTTR 少算了。另外 λ 的统计口径是“运行小时”计划检修停运的时间要从分母里剔除否则 λ 会被低估。2.4 瞬态趋稳五倍时间常数后不用再管初值实际系统不是一开机就进入稳态从初始状态到稳态有个收敛过程。两状态模型的瞬态解有闭式形式p_R(t) A (p_R(0) - A)·exp(-(λ μ)t)时间常数是 1/(λ μ)。用代码盯着它看更直观import numpy as np lam 0.001 # 失效率次/小时 mu 0.1 # 修复率次/小时 lamd lam mu # 稳态可用度与故障频率FD 指标 A_inf mu / lamd f_fail lam * A_inf r_fix 1 / mu print(fA_inf{A_inf:.6f}, f_fail{f_fail:.6f} 1/h, r_fix{r_fix:.1f} h) # 瞬态收敛p_R(t) A (P0 - A)·exp(-(λμ)t)设初值 P01全新设备 for t in [10, 50, 100, 500]: pr A_inf (1.0 - A_inf) * np.exp(-lamd * t) print(ft{t:4d} h p_R{pr:.6f})时间常数约为 9.9 小时50 小时后偏差已经小于初值的 1%500 小时基本就是稳态值。工程上取 5 倍时间常数作为“进入稳态”的判据。这一条在做蒙特卡洛仿真时特别有用仿真预热期至少要比 5/(λμ) 长否则初始状态的影响会污染统计结果。3. 串联系统的马氏状态空间状态合并与系统可用度求解3.1 双元件串联的状态空间四状态表与系统状态映射两个元件串联系统正常当且仅当两个元件都正常。直观做法是把系统可用度写成 A1·A2这在独立假设下是精确的不是近似。但工程上还需要故障频率和平均持续时间这两个量没法靠简单相乘得到——一台元件故障导致系统停运后另一台好的元件处于什么状态、修好多久系统恢复都需要状态空间才能说清楚。双元件串联有四个状态状态编号元件1元件2系统状态0故障运行故障1运行故障故障2故障故障故障3运行运行运行状态转移关系状态 3 以速率 λ1 到状态 0以速率 λ2 到状态 1状态 0 以速率 μ1 回到状态 3以速率 λ2 到状态 2状态 1 以速率 μ2 回到状态 3以速率 λ1 到状态 2状态 2 以速率 μ1 回到状态 0以速率 μ2 回到状态 1。这套规则和并联系统的差别在于“系统故障”的定义不同但状态空间的写法完全一样。3.2 用转移密度矩阵求稳态概率直接可抄的 Python状态空间法的一般形式是构造转移密度矩阵 Q满足行和为 0稳态概率向量 π 满足 πQ 0 且 Σπ 1。求解时把 Q 转置把最后一行的归一化条件替换成全 1变成线性方程组直接解import numpy as np lam1, mu1 0.001, 0.1 # 元件1参数次/小时 lam2, mu2 0.002, 0.15 # 元件2参数次/小时 # 状态顺序0(1故障,2运行), 1(1运行,2故障), 2(1故障,2故障), 3(1运行,2运行) q np.array([ [-(mu1 lam2), 0.0, lam2, mu1 ], [ 0.0, -(lam1 mu2), lam1, mu2 ], [ mu1, mu2, -(mu1 mu2), 0.0 ], [ lam1, lam2, 0.0, -(lam1lam2)], ]) a q.T.copy() a[-1, :] 1.0 # 用归一化条件替换最后一个方程 b np.zeros(4) b[-1] 1.0 pi np.linalg.solve(a, b) U_series pi[0] pi[1] pi[2] # 任一故障即系统故障 A_series pi[3] # 双机都运行 f_series pi[3] * (lam1 lam2) # 从全运行进入故障的频率 r_series U_series / f_series # 系统平均故障持续时间 print(fU_series{U_series:.6f}, A_series{A_series:.6f}) print(ff_series{f_series*8760:.2f} 次/年, r_series{r_series:.2f} h)关键点有两个。第一Q 矩阵每一行代表一个状态非对角元素是“从本行状态转移到列状态”的速率对角元素是负的转出速率之和保证每行和为 0。第二平衡方程 πQ 0 转置后变成 Qᵀπ 0是一个齐次方程组秩亏一所以要用归一化条件补一行。代码里把 Q 转置后最后一行全置 1b 的最后一位置 1解出来的就是稳态概率。跑出来的 U 和闭式解 1 - (μ1/(λ1μ1))·(μ2/(λ2μ2)) 对得上误差在 1e-12 量级。3.3 从状态概率到 FD 指标故障频率和平均持续时间得到稳态概率后FD 指标按定义直接换算。系统进入故障状态的频率等于“系统处于正常运行状态的概率”乘以“从正常运行状态向外转移的速率之和”。对串联系统就是 f π₃·(λ1λ2)。系统每次故障的平均持续时间由 U/f 给出不需要另外建模。这两个量是定期检修计划里最常用的输入知道了每年平均停运多少次、每次多久就能折算停电损失反过来决定检修资源和备件库存。串联系统有个值得记住的结论等效失效率约等于各元件失效率之和而等效修复率约等于元件中较好的修复率。原因是系统停运后只需要修坏的那台修好即恢复。所以串联系统可用度下降的主要推手是“故障次数叠加”而不是“修复时间叠加”。这个结论用于估计多级串联系统的可靠性时非常省事不必每次都搭矩阵。4. 并联与备用系统的马氏建模冗余不等于状态简单相乘4.1 双机并联的平衡方程用 ρλ/μ 写出闭式解两台相同参数的机组并联系统故障当且仅当两台同时故障。状态仍然是四个但“系统故障”的定义变了。用 0 表示运行、1 表示故障状态 00 是双机运行状态 10 和 01 是一台故障状态 11 是双机故障。对称性让 10 和 01 的概率相等设 ρ λ/μ直接列平衡方程状态 002λ·P00 μ·P10 μ·P01 2μ·P10得 P10 ρ·P00状态 112μ·P11 λ·P10 λ·P01 2λ·P10得 P11 ρ·P10 ρ²·P00归一化后得到 P00 1/(1ρ)²P10 ρ/(1ρ)²P11 ρ²/(1ρ)²。系统不可用度U_parallel ρ² / (1 ρ)²ρ 很小时近似为 ρ²这是冗余系统的核心收益单台不可用度是 ρ 量级并联后变成 ρ² 量级。ρ 0.01 时单机 U ≈ 0.0099双机并联 U ≈ 0.000098差了约 100 倍。4.2 冷备用与热备用备用失效率怎么进模型实际电力系统里更常见的是“一台运行、一台备用”而不是两台同时满载。备用方式影响 λ 的取值。热备用是备用机空转或轻载随时能带负荷失效率和运行机同量级模型和双机并联几乎一样。冷备用是停机待命不承受电应力和热应力失效率可以取运行值的 0.1 甚至近似为 0但代价是投入需要切换时间且切换装置本身可能失败。冷备用的三状态模型是状态 0 为一台运行一台备用状态 1 为一台运行一台故障系统仍正常状态 2 为系统故障。从状态 0 到状态 1 的转移率是 λ运行机故障从状态 1 到状态 2 的转移率是 λ另一台也故障加上切换失败率从状态 1 回到状态 0 的转移率是 μ故障机修复。切换时间一般远小于 MTTR通常并入“切换失败”的等效失效率处理常见做法是给切换成功率 p把 p·λ_switch 作为从状态 0 直接进入状态 2 的附加转移率。这个近似在切换装置可靠性很高时误差很小但必须在模型里显式留出这个状态否则算出来的可用度会偏高。4.3 串并联不可用度对照ρ 很小时的量级差异结构不可用度 U年停运小时系统故障频率单次故障持续时间单台机组0.0099086.7 h8.67 次/年10.0 h双机串联0.01970172.6 h17.17 次/年10.1 h双机并联0.0000980.86 h0.172 次/年5.0 h表格里数字用 λ 0.001、μ 0.1 计算。并联系统单次故障持续时间只有 5 小时因为系统故障时两台都坏两组检修力量可以同时上修复率翻倍。用代码验证lam, mu 0.001, 0.1 rho lam / mu U_single rho / (1 rho) U_series 1 - (1 - U_single) ** 2 U_par rho**2 / (1 rho)**2 f_par 2 * rho * lam / (1 rho)**2 # 进入双机故障状态的频率 r_par 1 / (2 * mu) # 两台同时修复修复率翻倍 print(fU_series{U_series:.8f}, U_par{U_par:.8f}) print(f自洽校验: f_par*r_par{f_par * r_par:.8f}, U_par{U_par:.8f})这里的自洽校验值得养成习惯任何状态空间法算完拿 U 和 f·r 对一下差超过 1e-6 就说明转移矩阵某一行写错了。并联系统在 ρ 很小时U 的闭式解、f·r 的关系、蒙特卡洛仿真的结果三者应当互相吻合这是排查建模错误最有效的手段。5. 马氏 FD 模型的数值求解与参数校核技巧5.1 一个通用稳态求解器任意状态数直接套用前面第 3 章的求解代码只能处理四状态换个系统就要重写矩阵。实际建模时状态数经常是十来个写一个通用函数更省事def steady_pi(q): 给定转移密度矩阵 Q行和为 0返回稳态概率向量。 n q.shape[0] a q.T.copy() a[-1, :] 1.0 # 用归一化条件替换最后一个方程 b np.zeros(n) b[-1] 1.0 return np.linalg.solve(a, b)配合两状态模型验证lam, mu 0.001, 0.1 q np.array([[-lam, mu], [lam, -mu]]) pi steady_pi(q) print(pi) # [0.99009901, 0.00990099]与 μ/(λμ)、λ/(λμ) 一致这个函数对任意有限状态马尔可夫链都成立前提是 Q 矩阵满足行和为 0且状态图是连通的。状态数几百个时线性方程组的规模也不会成为瓶颈瓶颈反而在写矩阵本身。我习惯先写状态表再按状态表逐行填转移率最后用“每行和为 0”这个约束做一次断言能挡住大部分手误。5.2 参数敏感性改 λ 划算还是改 μ 划算两状态模型里 A μ/(λμ)分别对 λ 和 μ 求偏导∂A/∂λ -μ / (λμ)² ∂A/∂μ λ / (λμ)²用 λ 0.001、μ 0.1 代入∂A/∂λ ≈ -0.9803∂A/∂μ ≈ 0.0098。表面看 λ 的敏感度大得多但注意两个参数的量纲和实际可调范围不同。降低 10% 失效率λ 降到 0.0009和提升 10% 修复率μ 升到 0.11对 A 的影响都在 0.001 左右。工程上缩短检修时间通常比延长设备无故障寿命便宜很多所以多数情况下先动 μ。并联系统里把 μ 翻倍缩短修复时间对并联可用度的提升比串联系统更明显因为并联的不可用度对修复率的依赖更强。5.3 校核手段闭式解对拍、蒙特卡洛对拍、数据清洗最后一步是把模型和现实数据对齐。估 λ 和 μ 时注意三点剔除计划检修停运时间再算 λMTTR 只取修复动作时间不含等待样本量不足时用小样本置信区间而不是点估计。我习惯把历史数据按季度分组算 λ如果趋势明显上升说明设备进入耗损期再用常数 λ 建模就不合适了。状态空间法跑完之后用两状态闭式解做基准对拍先把模型退化到单元件确认输出等于 μ/(λμ)再加第二台元件用 U f·r 自洽校验。这两道关过了模型基本可靠。必要时再写一个几十行的蒙特卡洛指数抽样做交叉验证——仿真器独立于状态空间法两边对不上时先怀疑 Q 矩阵某一行写错了再怀疑抽样逻辑。最后记住一条模型给的是长期平均值单年实际值围绕平均值波动波动幅度用频率 f 的平方根量级估别拿一年的数据去质疑一个十年的稳态结论。本文还有配套的精品资源点击获取 基于马尔可夫过程的可修复系统可靠性建模与FD指标分析
简介围绕电力系统规划与可靠性中的可修复系统主题面向电力工程专业学生和从业人员系统讲解预防性维修与矫正性维修两类维护策略并引入可靠度、可用度、不可用度等核心可靠性指标。资源为PPT演示文稿共1个文件压缩包仅801KB轻量易用已有168人学习。内容重点涵盖状态空间/时间法、频率平衡法和框图法三种可靠性分析方法结合故障率、修复率、MTTF、MTTR、MTBF等参数给出单元件及多元件串并联系统的建模与推导并配备发电机组、变压器、线路串联等实例有助于读者掌握可修复系统可靠性的计算流程与实际应用。1. 可修复系统的可靠性为什么绕不开马尔可夫设备坏了就修修好继续跑这叫可修复系统。电力系统里几乎到处都是这类设备发电机、变压器、线路、开关坏了不是扔掉而是修复后重新投运。于是可靠性曲线不再是单调下降的一条直线而是“掉下去又弹回来”的循环。要描述这种循环马尔可夫过程是最顺手的工具——把设备按状态归类用失效率 λ 表示“从运行滑向故障”用修复率 μ 表示“从故障爬回运行”剩下的事就是解状态概率。这套模型能同时给出三个工程指标稳态可用度、故障频率、平均故障持续时间也就是标题里 FDfrequency duration频率-持续时间法所指的东西。它不需要额外假设只是把马尔可夫链的稳态概率翻译成运行人员直接关心的数字。下面从单个元件推到串并联系统每一步都给出可复现的公式和代码顺手把参数怎么取、坑在哪里讲清楚。2. 单个可修复元件的两状态马氏模型λ、μ 与稳态可用度2.1 状态空间与转移率先画状态图再列方程可修复元件的状态只有两个运行R和故障F。状态转移图也简单R 以速率 λ 跳向 FF 以速率 μ 跳回 R。λ 的单位是次/小时表示“设备运行一小时内平均发生多少次故障”μ 的单位同样是次/小时习惯上写成 1/MTTR。这里要强调“速率”和“概率”的区别这是马尔可夫建模的第一课在一个极短的时间 Δt 内从 R 到 F 的转移概率约等于 λΔt从 F 到 R 约等于 μΔt。Δt 足够小时两个状态同时转移的概率是 λΔt 乘 μΔt属于高阶小量建模时直接忽略。为什么非要用马尔可夫过程因为可修复系统的指标本质上是“长期平均”而不是“首次失效时间”。不可修复系统算 MTTF 就够了可修复系统还要回答“一年大概坏几次”“每次停多久”。这两个问题只有把状态和转移率摆出来才能回答。马氏假设要求转移率恒定也就是设备“无记忆”——已经运行了 1000 小时和刚投入运行的设备下一小时故障概率一样。现实中设备有老化趋势λ 会随时间缓慢增大但工程上通常按部件寿命曲线的浴盆底部取值把 λ 当作常数误差在可接受范围。2.2 微分方程组与稳态解手推一遍比记公式快用 p_R(t)、p_F(t) 表示时刻 t 处于两个状态的概率列微分方程组dp_R/dt -λ·p_R μ·p_F dp_F/dt λ·p_R - μ·p_F稳态时导数都为 0得到 p_R·λ p_F·μ再加上归一化条件 p_R p_F 1解得稳态可用度 A μ / (λ μ)稳态不可用度 U λ / (λ μ)故障频率 f 是单位时间内从运行状态进入故障状态的期望次数f A·λ。每次故障的平均持续时间 r 1/μ。这三个量构成 FD 方法的最小闭环U f·r。用一组典型数字验证λ 0.001 次/小时μ 0.1 次/小时A 0.9901f 0.0009901 次/小时换算成年就是 8.67 次/年r 10 小时年停运时间 86.7 小时与 U×8760 完全一致。这个自洽性后面校核数值解时经常用到。2.3 参数表λ、μ、MTTF、MTTR 的单位换算符号含义常用单位工程获取方式λ失效率次/小时故障次数 ÷ 累计运行时间μ修复率次/小时1 ÷ MTTRA稳态可用度无量纲μ / (λ μ)f进入故障状态的频率次/年A·λ·8760r单次故障平均持续时间小时1 / μ注意 MTTR 只算从开始检修到恢复的纯修复时间调度等待、备件到位、人员到场这些时间要单独估算后加进去。很多工程报告里可用度算得偏高就是因为把 MTTR 少算了。另外 λ 的统计口径是“运行小时”计划检修停运的时间要从分母里剔除否则 λ 会被低估。2.4 瞬态趋稳五倍时间常数后不用再管初值实际系统不是一开机就进入稳态从初始状态到稳态有个收敛过程。两状态模型的瞬态解有闭式形式p_R(t) A (p_R(0) - A)·exp(-(λ μ)t)时间常数是 1/(λ μ)。用代码盯着它看更直观import numpy as np lam 0.001 # 失效率次/小时 mu 0.1 # 修复率次/小时 lamd lam mu # 稳态可用度与故障频率FD 指标 A_inf mu / lamd f_fail lam * A_inf r_fix 1 / mu print(fA_inf{A_inf:.6f}, f_fail{f_fail:.6f} 1/h, r_fix{r_fix:.1f} h) # 瞬态收敛p_R(t) A (P0 - A)·exp(-(λμ)t)设初值 P01全新设备 for t in [10, 50, 100, 500]: pr A_inf (1.0 - A_inf) * np.exp(-lamd * t) print(ft{t:4d} h p_R{pr:.6f})时间常数约为 9.9 小时50 小时后偏差已经小于初值的 1%500 小时基本就是稳态值。工程上取 5 倍时间常数作为“进入稳态”的判据。这一条在做蒙特卡洛仿真时特别有用仿真预热期至少要比 5/(λμ) 长否则初始状态的影响会污染统计结果。3. 串联系统的马氏状态空间状态合并与系统可用度求解3.1 双元件串联的状态空间四状态表与系统状态映射两个元件串联系统正常当且仅当两个元件都正常。直观做法是把系统可用度写成 A1·A2这在独立假设下是精确的不是近似。但工程上还需要故障频率和平均持续时间这两个量没法靠简单相乘得到——一台元件故障导致系统停运后另一台好的元件处于什么状态、修好多久系统恢复都需要状态空间才能说清楚。双元件串联有四个状态状态编号元件1元件2系统状态0故障运行故障1运行故障故障2故障故障故障3运行运行运行状态转移关系状态 3 以速率 λ1 到状态 0以速率 λ2 到状态 1状态 0 以速率 μ1 回到状态 3以速率 λ2 到状态 2状态 1 以速率 μ2 回到状态 3以速率 λ1 到状态 2状态 2 以速率 μ1 回到状态 0以速率 μ2 回到状态 1。这套规则和并联系统的差别在于“系统故障”的定义不同但状态空间的写法完全一样。3.2 用转移密度矩阵求稳态概率直接可抄的 Python状态空间法的一般形式是构造转移密度矩阵 Q满足行和为 0稳态概率向量 π 满足 πQ 0 且 Σπ 1。求解时把 Q 转置把最后一行的归一化条件替换成全 1变成线性方程组直接解import numpy as np lam1, mu1 0.001, 0.1 # 元件1参数次/小时 lam2, mu2 0.002, 0.15 # 元件2参数次/小时 # 状态顺序0(1故障,2运行), 1(1运行,2故障), 2(1故障,2故障), 3(1运行,2运行) q np.array([ [-(mu1 lam2), 0.0, lam2, mu1 ], [ 0.0, -(lam1 mu2), lam1, mu2 ], [ mu1, mu2, -(mu1 mu2), 0.0 ], [ lam1, lam2, 0.0, -(lam1lam2)], ]) a q.T.copy() a[-1, :] 1.0 # 用归一化条件替换最后一个方程 b np.zeros(4) b[-1] 1.0 pi np.linalg.solve(a, b) U_series pi[0] pi[1] pi[2] # 任一故障即系统故障 A_series pi[3] # 双机都运行 f_series pi[3] * (lam1 lam2) # 从全运行进入故障的频率 r_series U_series / f_series # 系统平均故障持续时间 print(fU_series{U_series:.6f}, A_series{A_series:.6f}) print(ff_series{f_series*8760:.2f} 次/年, r_series{r_series:.2f} h)关键点有两个。第一Q 矩阵每一行代表一个状态非对角元素是“从本行状态转移到列状态”的速率对角元素是负的转出速率之和保证每行和为 0。第二平衡方程 πQ 0 转置后变成 Qᵀπ 0是一个齐次方程组秩亏一所以要用归一化条件补一行。代码里把 Q 转置后最后一行全置 1b 的最后一位置 1解出来的就是稳态概率。跑出来的 U 和闭式解 1 - (μ1/(λ1μ1))·(μ2/(λ2μ2)) 对得上误差在 1e-12 量级。3.3 从状态概率到 FD 指标故障频率和平均持续时间得到稳态概率后FD 指标按定义直接换算。系统进入故障状态的频率等于“系统处于正常运行状态的概率”乘以“从正常运行状态向外转移的速率之和”。对串联系统就是 f π₃·(λ1λ2)。系统每次故障的平均持续时间由 U/f 给出不需要另外建模。这两个量是定期检修计划里最常用的输入知道了每年平均停运多少次、每次多久就能折算停电损失反过来决定检修资源和备件库存。串联系统有个值得记住的结论等效失效率约等于各元件失效率之和而等效修复率约等于元件中较好的修复率。原因是系统停运后只需要修坏的那台修好即恢复。所以串联系统可用度下降的主要推手是“故障次数叠加”而不是“修复时间叠加”。这个结论用于估计多级串联系统的可靠性时非常省事不必每次都搭矩阵。4. 并联与备用系统的马氏建模冗余不等于状态简单相乘4.1 双机并联的平衡方程用 ρλ/μ 写出闭式解两台相同参数的机组并联系统故障当且仅当两台同时故障。状态仍然是四个但“系统故障”的定义变了。用 0 表示运行、1 表示故障状态 00 是双机运行状态 10 和 01 是一台故障状态 11 是双机故障。对称性让 10 和 01 的概率相等设 ρ λ/μ直接列平衡方程状态 002λ·P00 μ·P10 μ·P01 2μ·P10得 P10 ρ·P00状态 112μ·P11 λ·P10 λ·P01 2λ·P10得 P11 ρ·P10 ρ²·P00归一化后得到 P00 1/(1ρ)²P10 ρ/(1ρ)²P11 ρ²/(1ρ)²。系统不可用度U_parallel ρ² / (1 ρ)²ρ 很小时近似为 ρ²这是冗余系统的核心收益单台不可用度是 ρ 量级并联后变成 ρ² 量级。ρ 0.01 时单机 U ≈ 0.0099双机并联 U ≈ 0.000098差了约 100 倍。4.2 冷备用与热备用备用失效率怎么进模型实际电力系统里更常见的是“一台运行、一台备用”而不是两台同时满载。备用方式影响 λ 的取值。热备用是备用机空转或轻载随时能带负荷失效率和运行机同量级模型和双机并联几乎一样。冷备用是停机待命不承受电应力和热应力失效率可以取运行值的 0.1 甚至近似为 0但代价是投入需要切换时间且切换装置本身可能失败。冷备用的三状态模型是状态 0 为一台运行一台备用状态 1 为一台运行一台故障系统仍正常状态 2 为系统故障。从状态 0 到状态 1 的转移率是 λ运行机故障从状态 1 到状态 2 的转移率是 λ另一台也故障加上切换失败率从状态 1 回到状态 0 的转移率是 μ故障机修复。切换时间一般远小于 MTTR通常并入“切换失败”的等效失效率处理常见做法是给切换成功率 p把 p·λ_switch 作为从状态 0 直接进入状态 2 的附加转移率。这个近似在切换装置可靠性很高时误差很小但必须在模型里显式留出这个状态否则算出来的可用度会偏高。4.3 串并联不可用度对照ρ 很小时的量级差异结构不可用度 U年停运小时系统故障频率单次故障持续时间单台机组0.0099086.7 h8.67 次/年10.0 h双机串联0.01970172.6 h17.17 次/年10.1 h双机并联0.0000980.86 h0.172 次/年5.0 h表格里数字用 λ 0.001、μ 0.1 计算。并联系统单次故障持续时间只有 5 小时因为系统故障时两台都坏两组检修力量可以同时上修复率翻倍。用代码验证lam, mu 0.001, 0.1 rho lam / mu U_single rho / (1 rho) U_series 1 - (1 - U_single) ** 2 U_par rho**2 / (1 rho)**2 f_par 2 * rho * lam / (1 rho)**2 # 进入双机故障状态的频率 r_par 1 / (2 * mu) # 两台同时修复修复率翻倍 print(fU_series{U_series:.8f}, U_par{U_par:.8f}) print(f自洽校验: f_par*r_par{f_par * r_par:.8f}, U_par{U_par:.8f})这里的自洽校验值得养成习惯任何状态空间法算完拿 U 和 f·r 对一下差超过 1e-6 就说明转移矩阵某一行写错了。并联系统在 ρ 很小时U 的闭式解、f·r 的关系、蒙特卡洛仿真的结果三者应当互相吻合这是排查建模错误最有效的手段。5. 马氏 FD 模型的数值求解与参数校核技巧5.1 一个通用稳态求解器任意状态数直接套用前面第 3 章的求解代码只能处理四状态换个系统就要重写矩阵。实际建模时状态数经常是十来个写一个通用函数更省事def steady_pi(q): 给定转移密度矩阵 Q行和为 0返回稳态概率向量。 n q.shape[0] a q.T.copy() a[-1, :] 1.0 # 用归一化条件替换最后一个方程 b np.zeros(n) b[-1] 1.0 return np.linalg.solve(a, b)配合两状态模型验证lam, mu 0.001, 0.1 q np.array([[-lam, mu], [lam, -mu]]) pi steady_pi(q) print(pi) # [0.99009901, 0.00990099]与 μ/(λμ)、λ/(λμ) 一致这个函数对任意有限状态马尔可夫链都成立前提是 Q 矩阵满足行和为 0且状态图是连通的。状态数几百个时线性方程组的规模也不会成为瓶颈瓶颈反而在写矩阵本身。我习惯先写状态表再按状态表逐行填转移率最后用“每行和为 0”这个约束做一次断言能挡住大部分手误。5.2 参数敏感性改 λ 划算还是改 μ 划算两状态模型里 A μ/(λμ)分别对 λ 和 μ 求偏导∂A/∂λ -μ / (λμ)² ∂A/∂μ λ / (λμ)²用 λ 0.001、μ 0.1 代入∂A/∂λ ≈ -0.9803∂A/∂μ ≈ 0.0098。表面看 λ 的敏感度大得多但注意两个参数的量纲和实际可调范围不同。降低 10% 失效率λ 降到 0.0009和提升 10% 修复率μ 升到 0.11对 A 的影响都在 0.001 左右。工程上缩短检修时间通常比延长设备无故障寿命便宜很多所以多数情况下先动 μ。并联系统里把 μ 翻倍缩短修复时间对并联可用度的提升比串联系统更明显因为并联的不可用度对修复率的依赖更强。5.3 校核手段闭式解对拍、蒙特卡洛对拍、数据清洗最后一步是把模型和现实数据对齐。估 λ 和 μ 时注意三点剔除计划检修停运时间再算 λMTTR 只取修复动作时间不含等待样本量不足时用小样本置信区间而不是点估计。我习惯把历史数据按季度分组算 λ如果趋势明显上升说明设备进入耗损期再用常数 λ 建模就不合适了。状态空间法跑完之后用两状态闭式解做基准对拍先把模型退化到单元件确认输出等于 μ/(λμ)再加第二台元件用 U f·r 自洽校验。这两道关过了模型基本可靠。必要时再写一个几十行的蒙特卡洛指数抽样做交叉验证——仿真器独立于状态空间法两边对不上时先怀疑 Q 矩阵某一行写错了再怀疑抽样逻辑。最后记住一条模型给的是长期平均值单年实际值围绕平均值波动波动幅度用频率 f 的平方根量级估别拿一年的数据去质疑一个十年的稳态结论。本文还有配套的精品资源点击获取