可靠性问题随着人类活动的开始而出现。然而，解决这些问题的方法是不同的，并且它们随着技术系统的日益复杂而变化。回顾的观点表明，解决可靠性问题的方式取决于系统的复杂性与人们获取系统及其要素信息的能力之间的比例。

例如，现在要弄清楚一根撬棍在做某项工作时是否足够可靠并不难。现代建模软件的能力足以模拟沿杆的载荷和应力分布。无损检测方法足以证明金属结构中不存在隐藏裂纹或空洞。为什么这很重要?这意味着，如果你有一个准确的物体的物理模型和足够的关于物体当前状态的信息，你就可以准确地预测物体将会发生什么。

许多诊断方法已经开发出来，许多可靠性模型已经创建，那么为什么可靠性仍然是一个问题?

什么是可靠性，为什么它是一个问题?

让我们从这个问题开始:你认为哪个系统可靠?

• 一个可以工作100个小时;
• 一个可以工作1000个小时;
• 能工作一万个小时的那个?

大多数熟悉可靠性评估的人都会选择工作1万小时，因为这是对可靠性最普遍的理解——工作时间更长。

但如果是鱼雷发生器呢?在鱼雷击中目标之前，所需的操作时间是几分钟。在这种情况下，100个小时足够吗?当然会。相反的情况是人工心脏的瓣膜。它应该被设计为至少工作50年，所以即使1万个小时也不足以称这个系统可靠。

因此，所有提到的系统选择如果意外失败，都同样不可靠。考虑这两个例子，将一个系统称为可靠系统意味着它可以像预期的那样长时间工作。

回到crowbar示例，当您能够获得关于系统的详尽信息时，它的行为就变得完全可预测，您可以称系统为可靠的。

从信息的角度来看可靠性，技术系统的复杂性总是领先于对这些系统的知识水平。换句话说，总是没有足够的信息来准确地确定故障发生的时间。图1显示了技术系统复杂性的变化，以及解决可靠性问题方法的变化。

图1:随着技术系统日益复杂，可靠性问题方法的变化

如图1所示，对于原始系统和对它们知之甚少的系统，有一种通过启动/不启动测试来检测可靠性的直观方法。这种失败可能在任何时候以相同的概率发生。

基本技术系统的开发，如马车、磨坊、小屋等，需要一些基本知识，这些知识主要是通过经验获得的，并有一些简单的经验建模。这总比什么都没有好，但对提高可靠性没有太大帮助。

下一个时期包含了基于复杂物理模型的复杂技术系统。计算更加准确，建模更加复杂，可靠性可以得到一定程度的控制。但是，这些知识还不够全面，为了提高可靠性，储备因子被广泛应用。在开发复杂的移动系统之前，这种方法是可以接受的。

例如，人们可以通过增加轴的直径来提高轴的可靠性。然而，它的重量也会增加。虽然你可以负担得起一些固定设备，但增加重量总是与移动系统的限制相矛盾，因为你总是试图让移动系统更轻。矛盾开创了基于概率的可靠性问题方法。事实上，基于概率的方法是一个人对系统的知识水平和你能承受的安全系数之间的妥协。

第一批电子设备的电路中有成千上万个类似的元件，这开创了一种统计方法。这给出了非常精确的结果，类似于物理学，气体中分子的混乱运动产生了确定的压力。

问题是，电子学取得的良好成果促使科学家们将同样的原理应用于电气工程，特别是电机制造。但是，由于电机没有数千个相似的元件，这个理论被应用于大规模生产，在大规模生产中，人们要处理数千个相似的机器。

尽管这种方法适用于大量类似产品的制造商，但它并不能让用户满意。例如，如果一台机器出现故障，用户不希望听到它是制造的1000台机器中的一台，而其他999台机器都正常工作。为了确保每台机器都是可靠的，需要足够的关于机器强度的信息，以及每台机器将受到的应力。所有这些都被认为是信息。

可靠性和信息

用数学方法表明信息和可靠性之间有直接关系是相对容易的。以可靠性最适用的威布尔分布为例:

(方程1)

P (t)=失败概率;一个=比例参数;b=形状参数;t=时间

均值[M(χ)是:

(公式2)

Γ函数

标准差[σ(χ)是:

方程(3)

单位偏差为:

方程(4)

从这些方程中，你可以看到单位偏差不依赖于尺度参数。它只取决于形状参数。

不可能通过分析方法找到每个给定的单位变化的形状参数，但是，图2显示了它的图形化外观。

图2:威布尔分布的形状系数作为单位变异的函数

如图2所示，变化越小，形状参数越高。在技术术语中，通过测量和监视可以实现更低的变化。什么是测量和监控?是的，它正在收集信息。

与失效时间作比较，您可以说，如果您知道元素的强度和该元素受到的应力，那么您就会知道元素是否会在给定的时间段内失效。而且，你的信息越准确，关于它是否会失败的答案就越准确。

这意味着威布尔分布的形状参数是关于进程或对象信息的度量。采用这种方法，可以将威布尔分布修改为:

方程(5)

t=时间;b₀=物体的初始信息(测量);英国电信=在此期间收集的信息t(监控)

表示故障率[λ(t)由式5，得到:

方程(6)

现在，看一下这个函数的图形，如图3所示。

图3:由修正的威布尔公式得到故障率曲线

它看起来像一个经典的可靠性浴缸曲线。有趣的是，这种形状只能通过修改的威布尔参数的非常特定的组合来实现。曲线形状对形状参数非常敏感，正如你已经知道的，它代表了你所拥有的关于对象的信息量。

使用带有不同参数的公式6，可以模拟各种场景。例如，如果b₀= 1和b= 0，得到指数分布。这种分布的失败率是恒定的，取决于平均预期寿命。但是，从信息的角度来看，这意味着什么呢?这意味着你只有一些初始信息。例如，你有一个运行的马达;这是你的初始信息。你不知道电机之前运行了多长时间，负载，温度，振动等。因此，故障随时都可能发生，成为一个故障率恒定的泊松过程。

有可能用信息来控制可靠性吗?是的，这里有一个例子。

感应电机通过滑轮和一组v形皮带驱动风扇。驱动端(DE)轴承是6305。其他参数如下:

基本动载额定值C = 22500 N;

动荷载均值P = 1000 N;

转速n = 1500rpm;

皮带张力Pb = 400 N;力从100到700 N的变化

磁拉力Pm = 150 N;力变化从0到300 N

所有其他部件(如风扇负荷、轴承接触角、温度、润滑特性等)都是稳定的。

为简化分析，假设为高斯分布。

1. 拉力变化:700-100 = 600 N
2. 估计标准偏差:600/6 = 100 N
3. 磁拉力变化:300-0 = 300 N
4. 标准偏差估计:300/6 = 50 N
5. 合成的变化:= 111.8 n
6. 根据Lundberg-Palmgren模型估计的平均预期寿命:
   = 10⁶/60/1500*(22500/1000)^3 = 12656 h
7. 每负载单位标准差:111.8/1000 = 0.1118
8. 失效时间对荷载变化的敏感性:S = 3
9. 荷载变化导致的失效时间偏差:3*0.1118 = 0.3354
10. 故障时间偏差小时:12656*0.3354 = 4245小时
11. 运行4000小时的高斯分布归一化值:t = (12656-4000)/4245 = 2.039
12. 上述t(来自高斯分布表)的Ф(t)值:0.472
13. 4000小时内失效概率:0.5-0.472 = 0.028

如果监测皮带张力，保持在400n, Pb的变化为0。将上述计算中的0代入，则为失败概率:

P(t) = 0.000003

这个例子表明，只要稳定一个参数，系统的可靠性就可以提高100倍。

现在您知道您可以通过拥有关于对象的全部信息来准确地预测对象的行为，下一个问题是:您是否需要这些信息?答案是可靠性的另一个方面:维护策略。

可靠性和维护策略

所有的维护策略都是关于一个问题:您应该停止它还是让它运行?有两个基本策略很简单，可以直接回答这个问题。反应式维护表示运行并面对后果。预防性维护是指停止并吸收成本。这两种策略的信息是毫无疑问的。预防性维护需要的唯一信息是建议的维护间隔时间。

第三种真正的维护策略是预测性的。这就是你真正需要信息来决定是停止还是继续运行的地方。其他策略是预测性的组合，包括根本原因分析(主动)或故障模式和影响分析(以可靠性为中心的维护)。

最新的资产管理不是一种策略，而是一种选择和实施前三种策略的推动者。

最有趣的选择无疑是预测性维护策略。这需要对以下问题给出信息丰富的答案:你应该停止它还是让它运行?如前所述，您可以通过非常准确地确定机器的应力和强度来实现高可靠性。主要的挑战是有多准确?您可以在机器运行时执行一组测试。这会给你b或者说信息量。如果你知道M (x)，平均值，然后你可以确定一个而且P (t)使用公式2和公式5。知道P (t)让你估计可能的损失如下:

方程(7)

l=可能的损失;T=修理/更换的时间;C每小时生产损失成本;C_r修理/更换费用

如果估计损失高于为接收给定值而执行的诊断的成本P (t)，然后您可以增加测试的数量，确保它们影响b价值。

图4:预测性维修计划框图

图4中的图表显示了一个提议的算法，该算法计算出实现某种可用性级别所需的测试数量。这个图表和前面描述的方法为进一步发展可靠性改进提供了途径。显而易见的挑战是:

• 通过将设备的运行特性及其设计参数与故障时间联系起来，建立更精确的数学模型;
• 提高状态监测提供的信息质量;
• 开发获取信息的新方法，最好是使用在线方法;
• 进一步发展所提出的模型，将信息量与特定对象的可靠性联系起来。