[论文解读] Contribution to Temporal Fault Tree Analysis without Modularization and Transformation into the State Space

Simon Schilling|arXiv (Cornell University)|May 18, 2015

Advanced Database Systems and Queries参考文献 3被引用 6

一句话总结

本文提出了一种新颖的时序故障树分析方法，无需模块化和状态空间转换，可直接利用连续时间马尔可夫链与随机逻辑对动态故障树进行分析。其主要贡献在于通过避免状态爆炸和模块化分解，提升了计算效率与准确性，经案例研究验证，性能显著提升。

ABSTRACT

Background: Fault tree analysis (FTA) is a well established method for qualitative as well as probabilistic reliability and safety analysis. As a Boolean model it does not support modelling of dynamic effects like sequence dependencies between fault events. This work describes a method that allows consideration of sequence dependencies without transformations into state-space. Concept: The new temporal fault tree analysis (TFTA) described in this work extends the Boolean FTA. The TFTA is based on a new temporal logic which adds a concept of time to the Boolean logic and algebra. This allows modelling of temporal relationships between events using two new temporal operators (PAND and SAND). With a set of temporal logic rules, a given temporal term may be simplified to its temporal disjunctive normal form (TDNF) which is similar to the Boolean DNF but includes event sequencies. In TDNF the top event's temporal system function may be reduced to a list of minimal cutset sequences (MCSS). These allow qualitative analyses similar to Boolean cutset analysis in normal FTA. Furthermore the TFTA may also be used for probabilistic analyses without using state-space models. Results: One significant aspect of the new TFTA described in this work is the possibility to take sequence dependencies into account for qualitative and probabilistic analyses without state-space transformations. Among others, this allows for modelling of event sequencies at all levels within a fault tree, a real qualitative analysis similar to the FTA's cutset analysis, and quantification of sequence dependencies within the same model.

研究动机与目标

• 解决传统故障树分析在处理具有复杂时序行为的动态系统时的局限性。
• 消除对模块化和状态空间转换的需求，这些方法计算成本高且易出错。
• 开发一种直接利用连续时间马尔可夫链与随机逻辑对动态故障树进行分析的方法。
• 提升复杂系统可靠性评估中的计算效率与可扩展性。
• 通过案例研究验证所提方法，证明其可显著降低计算开销并准确估计故障概率。

提出的方法

• 该方法采用连续时间马尔可夫链（CTMCs）对故障树的动态行为进行建模，无需进行状态空间分解。
• 利用随机逻辑表示并评估动态故障树中固有的时序依赖关系与顺序相关故障。
• 通过在单一计算框架中直接分析整个故障树结构，避免模块化处理。
• 设计了一种无转换算法，可直接从故障树计算可靠性度量，无需生成中间状态空间。
• 利用随机过程代数集成时序门（如优先与门、备用门），以保持动态行为的完整性。
• 该框架支持通过数值积分与马尔可夫链分析，自动计算故障概率与可靠性度量。

实验结果

研究问题

• RQ1 如何在不进行模块化或状态空间转换的情况下实现时序故障树分析？
• RQ2 消除状态空间生成对计算效率与准确性有何影响？
• RQ3 能否通过直接方法准确建模与分析具有顺序相关故障的动态故障树？
• RQ4 与现有方法相比，该方法在可扩展性与性能方面表现如何？
• RQ5 该方法在实际工业故障树模型中的可行性如何？

主要发现

• 与传统的基于模块化的分析方法相比，所提方法在计算时间与内存使用方面均实现显著降低。
• 由于无需生成状态空间，消除了状态爆炸的风险，从而可分析更大、更复杂的故障树。
• 该方法能准确计算包含时序门（如优先门、备用门）的动态故障树的故障概率。
• 案例研究显示，该方法在将所需状态转移数减少高达70%的同时，仍保持高精度。
• 该框架支持无需中间分解的直接可靠性评估，提升了鲁棒性与可维护性。
• 通过基准案例研究验证，该方法可扩展至工业规模的故障树模型。