可靠性,极限状态和重要性抽样
概率分析的应用主要是确定事件发生的概率。通
常这个事件是个故障,因此,它与系统的可靠性有关。
可靠性 = R a
{ }
1 P?故障
假设故障与下面的条件有关:
如果x满足:,则能推出
limit
()Tx T>
{ }
x∈故障
。
这里x是输入的随机向量。不失一般性,我们可以构
造一个函数:
limit
() ()g xTxT= ?
则有:当时,安全运行; () 0gx<
当时,达到极限状态; () 0gx=
当时,故障发生了。 () 0gx>
假设我们有一个2维的输入系统,则输入数据在
对应平面上被分成安全和故障两个区域:
例:平面极限状态函数
故障
g(x) = 0
极限状态
安全
然而事情并不总是那么容易,故障区域往往具有非常
复杂的形状,例如下图所示:
例: 更复杂的极限状态函数
故障
安全
当然,情况还可能更糟, 会包括多个安全和(或)故
障区域,例如下图所示:
例: 多重故障区域
故障
故障
安全
蒙特卡罗可靠性分析
蒙特卡罗方法利用随机抽样和无偏概率估计来计
算故障发生的概率:
N
N
P
??
=
??
??
故障
故障
在这里:是样本的总数 N
对应的样本数量 N
故障
() 0gx>
就像前面讨论的,如果故障发生的概率很低,这种方
法的效率就会很低,得不偿失。
重要性抽样
重要性抽样是在进行概率模拟时为减小估计结果
的方差而普遍采取的一种技巧。换句话说,如果重要
性抽样起作用,我们对确定的样本进行估计的不确定
性就会降低,或者说对于达到同样的不确定性,所需
要的样本数会减少。总之,重要性抽样是非常有用的,
在对小概率事件的有效估计中发挥着至关重要的作
用。
我们先来看看它的工作原理,然后再应用它来估
计均值和可靠性。
给定:x为输入的随机向量
f(x)为联合概率密度
y(x)是我们感兴趣的模拟的输出
all x
(()) () ()Eyx yxf xdx=
∫
简单的蒙特卡罗方法(亦即:随机抽样)给出:
1
1
() ()
N
n
n
yyxEy
N
=
=≈
∑
标准误差为:
2
2 y
y
N
σ
σ =
假如我们定义一个新的概率密度函数,它需要满
足:
()hx
all x
1()hxdx=
∫
0()hx 1≤ ≤
把带入
()hx
() ()y x f xdx
∫
,得:
()
() () () ()
()
fx
yxf xdx yx hx
hx
dx=
∫∫
由于是一个有效的分布,则有:
()hx
() ( )
yf
h
Ey E=
利用蒙特卡罗方法可以求出
()
yf
h
E
1
1()()
()
() (
nn
N
n
n
yf y x f x yf
hN hx h
)E Ey
=
??
=≈
??
??
=
∑
其标准误差为:
2
2
yf
h
yf
h
N
σ
σ =
所以,如果我们可以选择(x)使得h
y
yf
h
σ σ<,从而就能
降低对y估计的不确定性。
我们怎样使
yf
h
σ减小呢?考虑下面对的选择: h
() () ()hx yx f xα=
其中,
1
() ()yx f xdx
α≡
∫
显然:
yf
const
h
α=←
0
yf
h
σ?= y?是否准确?
很明显,我们的问题是:事先我们不知道,也不
知道,因为这正是我们首先要估计的量。
()yx
() ()yx f xdx
∫
但这给我们提供了一个寻找好的的方法,那就是
我们喜欢的
()hx
() () ()hx yx f xα≈
为什么这样选择?响应面!
回顾前面涡轮叶片的一维热传导问题,我们构造
了一个
()y x
的线性响应面:
8
0
1
()?
ii
i
axyx a
=
+
∑
=
对20个随机样本进行拟合,因为
()f x
已知,且x
i
服从
简单的均匀分布,我们可以求得:
11
?()
?() ()
x
Ey
yxf xdx
α ==
∫
?() ()
()
?()
yxf x
hx
Ey
?=
注意:不再是独立分布的:
i
x
12
() ( )( ) ( )
d
hx hx hx hx= "
所以我们需要设定一定的条件来产生样本,细节马上
就会谈到。
可靠性分析的重要性抽样
如果回到之前讨论的可靠性问题,我们注意到:
{ }
()0
()
gx
f xdxP
>
=
∫
故障 (我们只是在故障区域内积分)
我们还可以定义:
all x
() ()() (yxf xdxPE==
∫
故障)y
0
这里,
0()
1()0
()
gx
gx
yx
≤
?
?
>
?
=
,
,
现在我们就可以应用重要性抽样,我们欲使
?() () ()hx yx f xα≡
如果 () 0?yx→
() 0gx≤
如果 () 1?yx→
() 0gx>
由于我们要用一些近似的模型来构造)(例如: (?yx ()Tx
极限状态的响应面),所以最好不要使在逼近极限()?yx
处有急剧的下降。
一维热传导的例子
假设只有两个随机变量输入
gas
T和,其他的6
个都保持不变:
gas
h
第一步
建立的响应面 ()
mh
Tx
0112
()
?
mh
2
x xxT α αα=+ +
第二步
构造一个平滑地逼近的函数,这儿有个
简单的选择:
()yx ()?yx
lim
lim
?
()
1
1
?
2
max
()?
mh
mh
TxT
TT
yx
??
?
??
+
?
??
=
第三步
确定
()hx
?() () ()hx yx f xα≡
lim
lim
?
()
1
1
?
2
max
()?
mh
mh
TxT
TT
Eyα
??
?
??
+
?
??
= =
第四步
利用来实施有条件的蒙特卡罗方法,并得到:
()hx
1
()()
1
()()
()
N nn
n
n
yf y x f x
PE
Nhh
=
==
∑
故障