竞争失效条件下的装备选择性维修优化方法
逯 程1，徐廷学1，李启超2，朱桂芳3
（1.海军航空大学 岸防兵学院，烟台 264001；2.中国人民解放军91206部队，青岛 266100；3.火箭军士官学校，青州 262500）
摘要： 为了实现集群装备的精确化保障目标，提高任务成功概率，提出了一种竞争失效条件下面向随机不确定任务的装备选择性维修优化方法。当任务间隔时间为随机变量时，同时考虑装备、任务与随机竞争失效等相关参数的模糊特性，基于模糊Markov过程与模糊通用生成函数法，建立了竞争失效条件下的模糊多状态系统任务成功概率评估模型；然后以模糊任务成功概率为目标函数，在维修备件资源约束下，建立了针对集群装备的选择性维修决策模型，同时利用Memetic算法对模型进行求解，得到最优维修方案；最后，以某型捷联惯性导航系统装备为例，计算得到该选择性维修模型下的任务成功概率可达到0.6018。分析与实例验证了模型的有效性和合理性。
关 键 词： 选择性维修；随机竞争失效；模糊Markov过程；模糊通用生成函数法；Memetic算法
由于目前海军舰船执行战备巡逻、值班、训练及演习等任务日益增多，武器装备的维修保障工作也面临新的挑战。为了科学合理地安排维修保障活动，确保装备以良好的状态顺利完成各项任务，维护人员会在任务间隙对武器装备进行必需的检测和维护工作。但是，考虑到有限的维修器材、备件、经费和时间等条件，不可能使所有装备都得到系统而完善的检修，此时决策者往往需要综合权衡维修资源消耗与目标任务要求和维修后装备性能的关系，选择装备中一部分可能影响下一阶段任务执行效果的关键部件进行维修，即选择性维修（Selective Maintenance）决策。
选择性维修理论[1]自提出以来，便一直是维修决策领域的研究热点[2-7]。有关不同情况下的选择性维修决策优化问题已有不少研究成果，有面向多种对象采用不同维修方式的选择性维修模型[8-9]、考虑多种资源约束的维修活动优化研究[10-11]、选择性维修模型智能求解算法研究[12-13]及面向连续多阶段任务的选择性维修优化决策问题[14-15]、考虑经济相关性的串并联系统选择性维修建模[16]等等相关研究。
近些年，针对复杂多状态系统的选择性维修问题，Chen[17]等首先以维修成本为目标对多状态系统的选择性维修模型展开了研究，假设串并联系统的部件为K+ 1个状态，通过状态转移概率矩阵和任务成功率的相关限制条件建立了选择性维修模型；Liu[18]等在多状态系统可靠性理论的基础上构建以维修费用为目标的选择性维修模型，并利用遗传算法进行求解；Zuo团队基于 Markov与通用生成函数理论构建了多状态多部件系统的选择性维修模型，并探讨了多种相关性因素对维修决策结果的影响[19-22]。
虽然上述基于多状态系统理论的选择性维修问题研究取得了一定进展，但在以下几个方面还有待继续深入探讨：1）考虑到导弹随舰船在海上执行任务过程中受到振动、冲击及负载等外部环境及其它不确定性因素的影响，装备的性能状态除了自然退化以外，还面临着随机冲击等突发失效与自然退化二者相关竞争失效(Competing Failure,CF)的共同作用[23-24]，现有的选择性维修决策模型并没有考虑竞争失效的因素及随机竞争失效事件（Random Competing Failure,RCF）对任务成功概率评估的影响[25]；2）现有文献的研究对象一般为单一多状态系统，而部队日常训练及保障任务的开展大多需要一定数量的装备共同参与完成，即针对集群装备研究其在任务间隙的选择性维修问题对决策者更具参考意义与价值；3）大多数文献都以维修费用作为约束条件或优化目标，但是在部队实际的装备保障工作中，经济成本并不是考虑的重点，如何在现有的备件资源条件下按时完成维修任务才是关键；4）现有研究大多假设系统及任务参数为确定值，然而在实际部队背景下，由于战备巡逻等任务密集灵活，任务命令的到达具有很强的随机性，加上任务环境复杂多变及其它未知因素的影响，任务进程和装备系统参数往往存在模糊特性。
基于以上分析，本文重点研究当装备参数、任务持续时间及需求、随机竞争失效事件到达率及其导致的状态转移概率均为模糊数，且任务间隔时间为随机变量时，针对集群装备的选择性维修建模问题，并分析模糊RCF与相关任务参数对维修优化方案的影响，为决策者科学有效地安排选择性维修活动提供理论依据与支持。
1 问题描述
某型装备为模糊多状态系统，假设其由m 个多状态子系统组成，子系统均采用模块化设计。子系统
共有qj +1个状态，0表示故障失效状态，qj 表示全新状态，1,2,,qj -1为中间退化状态，各状态性能为
利用
表示子系统j 在时刻t 的模糊状态性能，且
其处于各状态性能的模糊概率为
系统的状态性能则由其各个子系统的组成结构和状态性能决定，若系统可能存在
个状态，其在时刻t 的模糊状态性能表示为
为模糊多状态系统的结构函数，系统的各模糊状态性能表示为
且
同样系统处于各状态的模糊概率为
对于m 个多状态子系统模块构成的装备i 来说，其维修方案可以表示为
，则集群装备的维修方案为
为装备数目，总的维修时间和备件消耗量分别为：
详细了解后，才知这娃生来命苦，幼年时父母双亡，由爷奶养大成人。爷爷奶奶相继去世，他成了一名真正的“孤儿”。考虑长远的爷爷生前把养牛的手艺传授给他，希望他能有一技之长混口饭吃。无奈手头没钱，养牛不成，之后加之娶媳妇又遭挫折，一时精神受到打击，最后自暴自弃，成了村里半精半傻的年轻人。
某舰基导弹装备系统在完成海上战备护航与巡逻训练等任务后，通常需要返回技术阵地进行状态检测和维修保障等工作，在下一任务开始前的任务间隔期
内实施装备维修活动，以满足下个任务的性能要求，装备任务剖面如图1所示。鉴于部队维修保障的实际情况，在有限的备件资源和维修时间条件下只能对故障或退化装备的部分关键模块进行选择性维修。另外，由于任务的不确定性，任务间隔期Tb 为随机变量，下一阶段执行任务的时间
也存在模糊特性。装备在海上执行任务过程中，由于随机冲击载荷及振动等事件的影响，会面临自然退化和相关竞争失效导致的状态转移，随机竞争失效事件以一定的分布产生，并以一定的概率造成子系统间的状态转移，其到达率和状态转移概率均为模糊数。维修决策者需要针对某批集群舰基装备统筹考虑有限的备件资源、任务间隔时间、持续时间、随机竞争失效的模糊特性及任务需求等要素，优化维修决策方案，实现最大化装备任务成功概率的目标。
图1 任务剖面
Fig.1 Task section
为便于研究分析，并结合部队实际，本文做如下假设：
① 任务结束后会进行装备综合测试，维修工作开始前各装备子系统模块状态已知；
② 装备维修工作仅在两个相继任务之间的维修间隔期内开展，任务过程中不进行维修；
③ 只有装备群内所有装备完成相应维修方案后，才能开始下一任务阶段；
④ 对各子系统模块采用不同维修方法对应恢复的性能状态不同，仅考虑维修时间和库存备件两种维修资源，各维修方法的时间和备件消耗已知；
⑤ 部件的状态转移由自然退化和随机竞争失效两部分原因造成，自然退化符合齐次 Markov过程，竞争失效事件的发生符合泊松过程。
2 维修方式及维修资源需求建模
步骤4 利用赌轮盘法选择染色体，若染色体最优解优于L 0，则替代L 0，否则从步骤1重新循环直至达到迭代次数为止。
1）不修。不采取任何维修活动的情况下模块状态保持不变，即Hj =Yj 。
2）非完美维修。非完美维修是部队基层保障单位常见的一种维修方式，包括参数调试、擦拭上油及三防处理等工作，模块状态能恢复到全新状态qj 与当前状态Hj 之间的中间状态，即Hj ＜Yj ＜qj ；
滴滴的企业使命宣称是“让出行更美好”，而滴滴似乎却一直沉浸在商业竞争的惯性思维中，忽视了自身所带有的公共属性，并任凭自身垄断性的优势，一次次危害公共利益。在出行这件事上，最重要的始终是安全问题，但愿滴滴能通过这些血淋淋的生命教训，真正把乘客安全问题重视起来，及时有效地对平台内部进行整改，而不是每次事件发生后换来的一篇不痛不痒的道歉信。
综合以上两种情况，模块j 在t + Δt 时刻处于状态k 的模糊概率为：
这里用二态变量Vij 表示是否对装备i 的模块j 进行维修，Vij =0表示不修，Vij =1表示维修，则该模块维修活动可以表示为：
在基层保障工作中，维修时间分为固定时间和可变时间两部分，固定时间包括装备技术准备和综合测试等工作所需要的时间，可变时间包括改善模块状态所需要的时间，其具体数值依赖于相应调试及更换等维修方法。某类关键模块的备件消耗取决于该模块是否进行预防性或修复性更换维修。
电力自动化系统在电力工程中的运用，实现了系统对设备的监控，维护与管理。再结合了各种现代化通讯技术的同时，建立了一套完善的电力自动化控制系统。这其中包括对电网数据用户，电网结构以及离线数据等多种信息的保存和处理。
其中，
表示装备维
修时间的固定值；
为模块j 的可变维修时间； 表示j 类模块在相应维修方式下的备件消耗，仅在完美维修方式下会消耗备件。另外，当Yj =qj 时，
=
表示完美维修方式下模块拆卸和备件安装所对应的可变时间，
为非完美维修调试时间。
3 模糊随机竞争失效条件下集群装备选择性维修决策建模
3.1 模糊集理论
事实上，写作成了卡夫卡向父亲宣示反抗的方式，成了卡夫卡精神未长成的“奶嘴”，“奶嘴”的安全感和归属感让卡夫卡不禁把它当成了生命的一部分，而且是相当重要甚至超过婚姻的一部分。
坡降较陡的区域，入库河道河槽狭窄，岸线蜿蜒曲折，河床坡降较大，河床浅滩和深潭交错。坡降较缓的区域，河槽变宽，岸线曲率较小，河床坡降较小，尤其在入库河口区段，入库河道多出现沙洲岔道，以U形或宽W形断面形态为主。
常用的三角模糊数可以表示为 ( a ,b ,c )，其隶属度函数及α ( 0 ≤ α ≤1)水平截集（如图2所示）分别表示为：
图2 三角模糊数的α 水平截集
Fig.2 The α -cut level set of triangular fuzzy numbers
3.2 模糊多状态子系统状态分布
为便于分析，这里首先从单个装备子系统模块入手。考虑到随机竞争失效事件的发生服从泊松过程，当相关参数具有模糊特性时，子系统模块退化过程中的模糊状态分布采用模糊Markov过程[26]进行建模。
当某装备按照给定的方案进行维修后，子系统的状态即确定，在仅考虑自然退化的情况下，子系统j 在下个任务的状态转移率矩阵为：
其中，模糊数
表示子系统j 从状态v 到状态k 的转移率，且满足
另外，由假设②可知，当k ＞v 时，
众所周知，机构各构件转角之间关系只取决于各构件相对长度。引入长度比例系数mb(称为凸轮偏心率)、ma和mc：
考虑由随机竞争失效事件导致的子系统状态转移情况，如图3所示，令RCF事件的到达率为
，该情况下子系统j 从状态v 到状态k 的模糊状态概率表示为
，且
图3 随机竞争失效导致的状态转移
Fig.3 State transfer caused by competing causes of failure
下面由子系统j 在t 时刻处于状态v 的模糊概率
推导出下个任务结束后处于状态k 的概率
分为以下两种情况讨论：
情况1： 状态保持不变。
在此情况下，经过Δt 后子系统状态未发生转移，即状态k =v 。当只分析自然退化造成的原因时，Δt 内子系统状态保持不变的概率为
代表模块各状态。进一步考虑随机竞争失效事件的影响时，又可分为以下两种原因：Δt 内未发生 RCF事件的概率为1-
Δt ；发生RCF事件但保持原状态的概率为
综合分析自然退化和 RCF事件的共同影响，模块 j 在Δt 时间内状态保持不变的概率为：
139 CT 引导下经皮肺穿刺活组织检查术后气胸发生的影响因素分析 詹 茜， 黄 挺，王铁功，彭雯佳，陈录广，邵成伟
情况2 ：由其它状态转移到状态k 。
模块j 在Δt 内发生状态转移的原因仍然要综合分析自然退化和 RCF事件的共同影响。仅考虑自然退化造成的状态转移概率为
若状态转移由 R C F事件造成，则概率为：
因此，模块j 在Δt 内由其它状态转移到状态k 的概率为：
其中，v =k + 1,,Yj 。
3）完美维修。完美维修包括模块预防性更换和故障性更换工作，可以将其恢复到全新状态，即Yj =qj 。
对式(9)求导得：
Kolmogorov微分方程组即：
其中，0 ＜ k ＜Yj ，模块j 在进行非完美维修或更换备件后的初始条件为：
排完《哭坟》，王爷坐在排练厅正前方的低台上休息。他显得有些疲惫，恹恹的，整个身子塌下去，鼻尖上全都是汗。
进一步对方程组进行Laplace变换得：
对求得的
进行 Laplace反变换即得到模块j 在时刻t 的模糊状态概率：
设给定一个论域U ，通过一个隶属度函数
：U →[0 ,1]可以确定一个模糊子集
，任意值x 的隶属度
(x )的大小表示其对模糊子集
的从属程度。
= ｛ x |
(x )≥α ｝ 表示模糊子集
的α ( 0 ≤ α ≤1)水平截集，其区间表达形式为
模块j 在任务模糊持续时间
内处于状态k 的概率即表示为
，利用模糊通用生成函数法[27](Fuzzy Universal Generating Function,FUGF)就可以得到模块 j 在任务结束时的状态分布函数：
其中，
为状态k 对应的性能等级，
为模糊变量
的函数，其α 水平截集的表达式及非线性规划求解过程[25]如下：
其中，
可以由式(6)得到。
3.3 多状态装备系统模糊状态分布
根据FUGF理论，利用一个模糊合成因子
表示装备系统所有m 个子系统模块在任务完成后的联合状态分布：
“我国婴幼儿配方乳粉实现了从饱受诟病到凤凰涅槃的巨变，特殊医学配方食品经历了从默默无闻到科学发展的阶段，运动医学营养食品、老年营养食品等产业异军突起，特殊食品已成为食品产业转型升级新的经济增长点。”在日前召开的“2018中国特殊食品合作发展会议（第三届）暨特殊食品产业展览会”上，中国营养保健食品协会会长边振甲表示，从发展到规范，中国特殊食品安全达到了历史最好水平，但虚假夸大宣传、误导消费者、违法添加等潜在风险依然存在，必须加大特殊食品监管力度，构建特殊食品共治格局。
其中，φ （•）为装备结构函数，k 为任务结束时的装备状态，
为状态k 对应的性能等级和概率，同样通过非线性规划的方法得到二者的α 水平截集：
3.4 集群装备模糊任务成功概率评估
考虑到部队的实际情况，作战任务往往具有较强的灵活随机性[28]，假设任务间隔期Tb 为一服从概率密度函数f (Tb )的随机变量，这里定义任务成功概率时，不仅要求集群装备满足一定比例的任务性能指标，还要考虑维修方案能否在间隔期内实施。因此，对于给定的维修方案L ，其所有装备的总维修时间与任务间隔时间的大小存在多种可能，若要求维修活动在Tb 内完成，即t （L ） ≤ Tb ，其概率为：
庭中的花再未开过，也可能是坛子少了的缘故。老爷爷把剩下的几坛花放在一旁的小架子上，那几坛花再未开过，没过几天那几坛花也不见了。行人来来往往地走着，阳台上还有一个身影，弓着背坐在阳台上，那景象似乎和以前一样，却又有些不一样——安静了，花也没了。
互联网已经改变了传统媒介的生存格局，传统媒体逐渐向新媒体方向转型。融合传统媒体的先进成分同时用现代传播技术推动的新媒体改变了人们的生活方式、学习方式、思维方式。新媒体技术在教学上的运用为通识课程的构建提供了一个广阔的空间，大大丰富了其表现形式，利用新媒体技术玩转课堂，改变了以往枯燥单一的学习方式，学生不再是信息的被动接受者，而是信息的主动获取者，学习变得更加轻松愉快。
下面进一步分析单一装备i 的任务模糊满足概率，假设下个任务的性能需求为w ，则装备满足任务要求概率的α 水平截集为：
这里利用相对基数[29](Relative Cardinality)法对式(26)进行计算，令
考虑到α 水平截集在不同取值下模糊区间的变化，本节对其进行改进计算：
其中，
的α 水平截集基数，令Rg 表示rg 的范围，二者分别定义如下：
同理，装备i 的任务满足率α 水平截集区间依然采用参数规划求解。
下面分析集群装备的任务要求，假设该批装备在任务结束时至少有数量M 的装备达到性能要求w ，则装备群满足下个任务要求概率的α 水平截集为：
通过研究某综保基地近5年海外护航及战备巡逻等任务的维修保障记录发电，捷联惯导系统的状态退化及故障情况主要集中在三轴激光陀螺仪、石英挠性加速度计及直流电源分机子系统。为便于分析，本节将捷联惯导系统简化为三个关键子系统功能模块进行研究，分别编号为陀螺仪模块1、加速度计模块2及电源模块3。
综上所述，根据式(25)(30)，综合考虑任务间隔期内的维修时间和执行任务的性能需求两方面的因素，当给定维修方案L 后，集群装备的模糊任务成功概率为：
3.5 选择性维修决策建模
考虑到实战背景下的任务要求，针对下一阶段任务的随机不确定性特点，部队决策者通常希望在现有的维修备件资源的约束条件下，在维修间隔期内完成所有的维修活动，并使装备满足任务要求，从而实现任务成功概率最大的目标。因此，通过建立选择性维修决策模型，可以得到任务成功概率最大时的最优维修方案，决策模型如下：
式(32)表示决策目标为最大化任务成功概率；Bj 表示j 类备件的库存量，式(33)即备件约束条件；式(34)表示维修前后子系统模块的状态约束关系；维修方案
为需要优化的变量，其中
3.6 基于Memetic算法的模型求解
根据3.5节建立的模型可知，选择性维修决策模型的求解是一个复杂的非线性规划问题，当针对集群装备的维修方案进行寻优时，由于可行解的空间较大，而传统枚举搜索法求解效率又很低，因此本文利用Memetic智能算法进行模型的求解。
Memetic算法[30]是一种基于全局搜索和个体搜索相结合的混合算法，这里全局搜索策略采用遗传算法，产生每一代种群后，利用禁忌搜索算法进行局部寻优。首先基于维修后的状态进行染色体编码，则种群个体对应的可行解为：
对于学术期刊出版工作而言，结构思考是一种行之有效的工作流程分析方法，通过采用该方法对繁杂、凌乱、特殊的学术期刊出版流程进行优化，重点开发基于结构思考的期刊出版工作辅助工具，可以突出重点环节，有效提高出版效率。
其中
为十进制数构成的各模块维修状态等级。计算过程如下：
步骤1 按照设定的种群个体数NR 随机生成初始可行解，利用禁忌搜索算法寻求局部最优解，并作为当前可行解L 0；
步骤2 进行交叉和变异操作。这里采用一点交叉法，直至得到可行解或达到循环次数为止；随后以一定概率进行变异，若变异后的父染色体更优，则进行局部搜索后完成替代，直至得到可行解或达到循环次数为止；
步骤3 计算染色体适应度
假设模块j 维修前后的状态分别为Hj 和Yj ，则装备i 对应的维修方案为
考虑非完美维修的情况，模块j 的维修方法可以分为以下几类：
局部搜索策略如下：
步骤1 禁忌搜索的起始当前解和最优解设置为计算的染色体值，并置空初始禁忌列表；
步骤2 改变当前解的每一位状态值，在邻域解中剔除不符合约束条件与禁忌列表中相同操作的解，选出目标函数最大值作为当前解，并将相应禁忌对象加入禁忌列表；
步骤3 用更大目标函数的当前解替代最优解；
步骤4 重复第2步和第3步，直到迭代结束，并用最优解替代原染色体。
4 案例分析
4.1 选择性维修模型求解
以某型捷联惯性导航系统为研究对象，进行分析作为导弹制导控制系统的重要组成部分，捷联惯导系统可在岸基或舰载条件下完成初始对准，在导弹飞行中自主导航，实时向综控机发送导弹的姿态角、角速率、位置和速度等信息，用于导弹控制。
其中，N 为装备数量，
为满足性能需求的第j 种装备序号组合，
为剩余不满足要求的装备。
《中国互联网发展报告2018》显示，截至2017年底，中国网民规模达7.72亿，其中手机网民规模达7.53亿。手机已经成为最主要的移动上网设备[4]。调研大学生移动学习情况，对把握“互联网+”条件下的人才培养、教育服务新模式及探索信息时代教育治理有重要意义。
已知某批次导弹共10枚，在上一任务结束后从舰上返回技术阵地进行惯导单元测试，测试结果分为完好、堪用、拟故障、故障4个状态等级，依次表示为状态3～状态0，各装备子系统模块维修前状态及模糊性能如表1及表2所示。备件库存量及维修时间等维修资源需求见表3。
假设任务间隔时间服从指数分布，参数为λb =0.15/天，任务持续时间为tl =(7 .5,8,9)月，下个任务的性能目标为至少 80%的装备满足性能需求w =(70,80,85)。执行任务过程中，装备会遭受自然退化及RCF事件，RCF事件的到达率为λf =(4,5,6)/月，分别考虑自然退化和 RCF事件的子系统模块模糊状态转移率如表4和表5所示。
表1 维修前装备模块状态
Tab.1 Equipment subsystem state before maintenance
表2 模块状态对应模糊性能
Tab.2 The fuzzy performance of the sub-system state
表3 维修资源需求
Tab.3 Maintenance resource requirements
表4 自然退化条件下的模块状态转移率（月）
Tab.4 State transition rate of modules under natural degradation (month)
表5 RCF事件导致的模糊状态转移概率
Tab.5 Fuzzy state transition probability caused by RCF event
根据维修前各装备子系统模块的状态情况，利用Memetic智能算法进行模型求解，排除一些不合理的维修方案，如对故障模块不予修复，而对处于退化状态的模块进行换件等维修方案。这里的维修方案用各模块维修后的状态表示，数字3～0依次对应完好、堪用、拟故障、故障4个状态等级。在所有可行解中得到最优的维修方案，其维修方式、时间及模糊成功概率如表6所示。
将维修方案依然用维修后子系统模块的状态表示。在仿真过程中计算发现，在模糊参数下计算得到的许多可行方案的任务成功概率值并不是标准的三角模糊数。当α 较大时，由于某些维修方案耗时超过任务间隔时间或无法达到任务需求目标，出现了任务成功概率等于0的情况。另外，当α =1时，在维修方案的隶属度等于1的情况下，还出现任务成功概率的跳变，这是因为方案满足维修时间和任务需求的这两个概率有可能跳变为1。
表6 最优维修方案
Tab.6 Optimal maintenance scheme
综合所有可行解最终得出，表6所示维修方案的任务成功概率最大，当α =1时，为确定值0.6018，此时总维修时间为6.9天，三类子系统模块分别消耗4件。
4.2λb 对选择性维修决策结果的影响
对于下一阶段的随机不确定性任务，参数λb 的大小会直接影响任务间隔时间的长短。从理论上出发，对于某一维修方案，λb 越大，则任务间隔时间越小，维修时间越紧张，任务的成功概率会因此降低。为了进一步分析λb 对选择性维修决策结果的影响，分别对不同λb 值下维修方案的任务成功概率变化情况进行了仿真，α =1时的结果如图4所示。
图4λ b 对任务成功概率的影响
Fig.4 The effect of parameter λ b on the mission success probability
由图4可以看出，对于给定的维修方案，任务成功概率会随参数λb 的增大而减小，这也与前文的理论分析一致，这也从侧面验证了模型的有效性；另外，当λb 的变化范围离开某一区间，还会影响到选择性维修决策的结果，导致维修方案发生变化。
4.3 随机竞争失效对选择性维修决策的影响
进一步分析RCF事件对决策结果的影响，在建模过程中不考虑随机竞争失效因素，通过对可行方案的模糊成功概率仿真计算可得，当α =1时，表6中方案仍为最优维修方案，任务成功概率为 0.7223，大于0.6018（表6中维修方案）；当0≤α ＜1时，在不考虑隶属度为1的情况下，最优维修方案发生了变化，如表7所示，此时对应的任务成功概率最大。
由此可见，随机竞争失效不仅会影响任务成功概率评估值，还会直接影响最终的维修决策结果。所以，在选择性维修决策建模的过程中将装备 RCF事件的影响考虑在内是必要的。
表7 不考虑RCF时的维修方案
Tab.7 Maintenance scheme without considering the RCF
5 结 论
本文考虑部队实际任务间隔的随机特性，在多状态系统参数、任务参数及随机竞争失效参数均为模糊数的情况下，研究了竞争失效条件下集群装备的选择性维修决策问题。文中建立了针对装备群的任务成功概率评估模型，并以其为目标函数，在备件资源的限制下利用 Memetic算法计算得到可行的最优维修方案，有效解决了模糊随机竞争条件下的面向随机不确定任务的多装备选择性维修优化问题。同时，分析了任务间隔参数λb 及随机竞争失效事件对维修决策的影响，从侧面验证了模型的合理性和有效性。
由于模糊随机竞争失效及相关参数的α 水平截集都有可能影响最终的维修方案，所以，在选择性维修决策建模时，不仅要考虑任务持续期间装备系统承受的随机RCF事件，还要综合权衡模糊参数α 水平截集的影响，这样才能为决策者制定维修方案提供准确可信的理论依据和参考。
参考文献（References）：
[1]Rice W F,Cassady C R,Nachlas J A.Optimal maintenance plans under limited maintenance time[C]//Proceedings of the 7th Industrial Engineering Research Conference.Banff,Canada：AIIE,1998：1-3.
[2]Pandey M,Zuo M,Moghaddass R.Selective maintenance scheduling over a finite planning horizon[J].Proceedings of the Institution of Mechanical Engineers,Part O：Journal of Risk and Reliability,2016,230(2)：162-177.
[3]Liu Y,Chen Y,Jiang T.On sequence planning for selective maintenance of multi-state systems under stochastic maintenance durations[J].European Journal of Operational Research,2018,268(1)：113-127.
[4]Tambe P P,Kulkarni M S.Selective maintenance optimization under schedule and quality constraints[J].International Journal of Quality & Reliability Management,2016,33(7)：1030-1059.
[5]Cao W,Jia X,Hu Q,et al.Selective maintenance for maximising system availability：a simulation approach[J].International Journal of Innovative Computing and Applications,2017,8(1)：12-20.
[6]曹文斌,贾希胜,胡起伟,等.基于选择性维修的装备战场抢修决策建模[J].系统工程与电子技术,2018,40(1)：98-105.
Cao W,Jia X,Hu Q,et al.Decision modeling of equipment battlefield repair based on selective maintenance[J].System Engineering and Electronic Technology,2018 40(1)：98-105.
[7]Schneider K,Cassady C R.Evaluation and comparison of alternative fleet-level selective maintenance models[J].Reliability Engineering & System Safety,2015,134：178-187.
[8]Khatab A,Aghezzaf E H.Selective maintenance optimization for series-parallel systems with continuously monitored stochastic degrading components subject to imperfect maintenance[J].IFAC-PapersOnLine,2016,49(28)：256-261.
[9]吕学志,于永利,张柳,等.考虑拼修与多种维修活动的维修任务选择模型[J].兵工学报,2012,32(3)：360-366.
Lv X,Yu Y,Zhang L,et al.Maintenance task selection model considering spelling and multiple maintenance activities[J].Acta Armamentarii,2012,32(3)：360-366.
[10]Cao W,Jia X,Hu Q,et al.Selective maintenance for maximising system availability：a simulation approach[J].International Journal of Innovative Computing & Applications,2017,8(1)：12-20.
[11]Sharma P,Kulkarni M S,Yadav V.A simulation based optimization approach for spare parts forecasting and selective maintenance[J].Reliability Engineering &System Safety,2017,168(12)：274-289.
[12]Zhao J,Zeng J.Group maintenance strategy for stochastic selective maintenance[J].International Journal of Wireless and Mobile Computing,2018,14(4)：362-368.
[13]Feng Q,Bi W,Chen Y,et al.Cooperative game approach based on agent learning for fleet maintenance oriented to mission reliability[J].Computers & Industrial Engineering,2017,112：221-230.
[14]Khatab A,Aghezzaf E H,Diallo C,et al.Selective maintenance optimisation for series-parallel systems alternating missions and scheduled breaks with stochastic durations[J].International Journal of Production Research,2018,55(10)：3008-3024.
[15]Khatab A,Aghezzaf E H,Djelloul I,et al.Selective maintenance optimization for systems operating missions and scheduled breaks with stochastic durations[J].Journal of Manufacturing Systems,2017,43：168-177.
[16]Xu Q,Guo L,Shi H,et al.Selective maintenance problem for series-parallel system under economic dependence [J].Defence Technology,2016,12(5)：388-400.
[17]Chen J,Meng Q,Zuo M.Selective maintenance optimization for multi-state systems[J].European Journal of Operational Research,2001,129(2)：252-258.
[18]Liu Y,Huang H.Optimal selective maintenance strategy for multi-state systems under imperfect maintenance[J].IEEE Transactions on Reliability,2010,59(2)：356-367.
[19]Dao C,Zuo M.Optimal selective maintenance for multistate systems in variable loading conditions[J].Reliability Engineering & System Safety,2017,166：171-180.
[20]Dao C,Zuo M.Selective maintenance of multi-state systems with structural dependence[J].Reliability Engineering & System Safety,2017,159：184-195.
[21]Dao C,Zuo M,Pandey M.Selective maintenance for multi-state series-parallel systems under economic dependence[J].Reliability Engineering & System Safety,2014,121(1)：240-249.
[22]Dao C,Zuo M.Selective maintenance for multistate series systems with S-dependent components[J].IEEE Transactions on Reliability,2016,65(2)：525-539.
[23]潘刚,尚朝轩,梁玉英,等.相关竞争失效场合雷达功率放大系统可靠性评估[J].电子学报,2017,45(4)：805-812.
Pan G,Shang C,Liang Y,et al.Reliability evaluation of radar power amplification system in related competition failure[J].Acta Electronica Sinca,2017,45(4)：805-812.
[24]Zhang J,Huang X,Fang Y,et al.Optimal inspectionbased preventive maintenance policy for three-state mechanical components under competing failure modes[J].Reliability engineering & system safety,2016,152：95-103.
[25]曹文斌,贾希胜,胡起伟.共因失效条件下多状态系统选择性维修优化[J].航空学报,2018,39(2)：164- 178.
Cao W,Jia X,Hu Q.Selective maintenance optimization for multi-state systems subject to common cause failures[J].Acta Aeronauticaet Astronautica Sinica,2018,39(2)：164-178.
[26]Liu Y,Huang H.Reliability assessment for fuzzy multistate systems[J].International Journal of Systems Science,2010,41(4)：365-379.
[27]Dong W,Liu S,Zhang Q,et al.Reliability assessment for uncertain multi-state systems：an extension of fuzzy universal generating function[J].International Journal of Fuzzy Systems,2019,21(3)：945-953.
[28]曹文斌,贾希胜,胡起伟,等.随机多阶段任务成功概率仿真评估研究[J].兵工学报,2017,38(5)：1002-1010.
Cao W,Jia X,Hu Q,et al.Research on the success probability simulation and evaluation of random multi stage task[J].Acta Armamentarii,2017,38(5)：1002-1010.
[29]Ding Y,Lisnianski A.Fuzzy universal generating functons for multi-state system reliability assessment[J].Fuzzy Sets & Systems,2008,159(3)：307-324.
[30]Shang R,Dai K,Jiao L,et al.Improved memetic algorithm based on route distance grouping for multi-objective large scale capacitated arc routing problems[J].IEEE transactions on cybernetics,2016,46(4)：1000-1013.
Optimal method for selective maintenance of equipment subject to competing failure
LU Cheng1,XU Tingxue1,LI Qichao2,ZHU Guifang3
(1.Coastal Defense College,Naval Aeronautical and Astronautical University,Yantai 264001,China;2.Unit 91206 of PLA,Qingdao 266100,China; 3.Rocket Sergeant School,Qingzhou 262500,China)
Abstract : In order to achieve the goal of accurate support for cluster equipment and improve the probability of mission success,an optimization method of equipment selective maintenance for stochastic uncertain tasks under competing failure is proposed.For the case that the interval of a mission is a random variable and the fuzzy characteristics (such as equipment,mission and stochastic competition failure) are considered,a mission success probability evaluation model for the fuzzy multi-state system under the condition of competing failure is established based on the fuzzy Markov process and the fuzzy universal generating function.Then,taking it as the objective function,a selective maintenance decision model for group equipment is established under the constraint of maintenance spare-parts resources.The Memetic algorithm is applied to solve the model,and the optimal maintenance scheme is obtained.Finally,by taking a strapdown inertial navigation system as an example,the probability of mission success under the selective maintenance model is calculated,which reaches 0.6018.The analysis and practical examples verify the validity and rationality of the proposed model.
Key words : selective maintenance; random competing failure; fuzzy Markov process; fuzzy universal generating function; memetic algorithm
中图分类号： N945.17；TB114.3
文献标志码： A
文章编号： 1005-6734(2019)02-0272-09
doi： 10.13695/j.cnki.12-1222/o3.2019.02.020
收稿日期： 2018-10-27；
修回日期： 2019-04-23
基金项目： 国家自然科学基金（51605487）；山东省自然科学基金（2016ZRA06070）
作者简介：
逯程（1990—），男，博士研究生，从事装备综合保障理论与方法研究。E-mail：kvcelu@163.com
联 系 人： 徐廷学（1962—），男，教授，博士生导师。E-mail：xtx-yt@163.com
标签：选择性维修论文; 随机竞争失效论文; 模糊Markov过程论文; 模糊通用生成函数法论文; Memetic算法论文; 海军航空大学 岸防兵学院论文; 中国人民解放军91206部队论文; 火箭军士官学校论文;