来自可靠性仿真的经典重要性度量：一种给定数据方法

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Classical importance measures from reliability simulations: A given data approach

　　

研究人员提出了一种给定数据方法，通过后处理单个随机仿真运行数据集来估计可靠性重要性度量。现代离散事件和混合仿真器产生丰富的输出，包含多个场景中组件行为和系统失效时间的信息。该方法利用这些信息，在不增加额外成本的情况下估计任何基于条件的重要性度量。研究人员提出了六种经典指标的估计量，即Birnbaum、Barlow–Proschan、Fussell–Vesely、RAW（风险成就价值）、RRW（风险降低价值）和差分重要性度量（Differential Importance Measure）。在标准假设下证明了所得估计量的强一致性。通过Bootstrap重采样量化估计不确定性，这也避免了额外的模型评估。研究人员对具有解析已知值的简单系统和一个代表核电厂的水供应系统（具有更复杂的包含依赖（共因）失效的逻辑）进行了数值实验。两个系统均使用事件建模风险评估关联图（EMRALD）平台建模。对于该简单系统，后处理所得输出数据集使得研究人员能够将数值估计与解析基准进行比较。实验显示所有估计的重要性度量随样本量增加而收敛。对于核系统，多个重要性度量的同时估计提供了对其风险重要性的互补见解，从而支持严格的优先级排序，并提供了有助于对Fussell–Vesely和RAW边界但根据其他度量重要的组件进行分类的信息。

**论文解读：基于给定数据方法的可靠性仿真经典重要性度量估计**

**研究背景与问题**
在可靠性工程中，重要性度量（importance measures）用于识别对系统风险贡献最大的组件、结构或参数，从而辅助维护优先级、设计改进和风险知情决策。经典重要性度量包括Birnbaum、Barlow–Proschan、Fussell–Vesely、RAW（风险成就价值）、RRW（风险降低价值）和差分重要性度量（Differential Importance Measure, DIM）等。然而，传统方法计算这些度量时，需对每个组件和状态进行条件仿真，即先计算名义风险指标，再针对组件特定状态重新计算，导致计算成本随组件数量线性增长，对于大规模系统（如核电厂）变得不可行。现代离散事件和混合仿真器虽能生成丰富的组件失效时间和系统状态数据，但传统方法未能充分利用这些信息。因此，研究人员旨在填补经典可靠性重要性理论与现代仿真实践之间的鸿沟，提出一种以最小计算成本从单次仿真数据中同时估计多个重要性度量的方法。

**研究内容与结论**
研究人员提出了一种“给定数据”（given-data）方法，通过后处理一组随机仿真运行数据集（包含组件失效时间和系统失效时间）来估计经典重要性度量，无需额外的条件仿真。该方法基于全局敏感性分析中的给定数据逻辑，利用组件状态和系统失效的布尔指标，推导出Birnbaum、Barlow–Proschan、Fussell–Vesely、RAW、RRW和DIM的强一致估计量，并在标准假设下证明了其渐近一致性。为量化有限样本下的估计不确定性，研究人员集成了Bootstrap重采样方法，同样无需额外仿真。数值实验首先在一个四组件并联-串联逻辑的简单系统上进行，该系统的解析解已知，随后应用于一个核电厂水供应系统（包含三个并联泵、两个并联阀门和两个应急柴油发电机，并考虑了共因失效（Common Cause Failures, CCFs））。两个系统均使用开源平台EMRALD（事件建模风险评估关联图）进行建模和仿真。实验结果表明，所有估计量随样本量增加收敛至解析基准值，且Bootstrap置信区间逐渐缩小。对于核系统，同时估计多个重要性度量提供了互补的风险重要性见解，例如，Fussell–Vesely和RAW的联合分析有助于对组件进行风险知情分类（RISC类别），尤其对于边界值组件，其他度量（如Barlow–Proschan、DIM、RRW）的排名可提供额外决策支持。该论文发表在《RELIABILITY ENGINEERING》。

**主要关键技术方法**
研究人员主要使用了以下关键技术方法：（1）给定数据估计方法，基于布尔指标（系统失效、组件失效）的频率计数，直接计算条件概率和重要性度量，避免重复仿真；（2）强一致性证明，基于独立同分布场景和强大数定律；（3）Bootstrap重采样，从原始仿真数据中抽取B个重采样样本，生成置信区间；（4）EMRALD平台，用于动态概率风险评价（PRA）的图形化建模和离散事件仿真，输出组件和系统失效时间数据集。样本来源为四个组件的简单系统和核电厂水供应系统模型，均通过EMRALD仿真生成。

**研究结果**
- **简单系统数值实验**：通过EMRALD运行50万次场景，估计系统不可靠度（F?）和组件失效概率（p?_i），并与解析值对比。结果显示，所有重要性度量（Birnbaum、Barlow–Proschan、DIM、Fussell–Vesely、RAW、RRW）的估计值随样本量增加收敛至解析基准，Bootstrap置信区间逐渐变窄。例如，在N=50万时，F?的百分比误差小于1%。对于RAW，阈值（RAW>2）判断在N>5000时即可明确。此外，与“暴力”条件仿真（需4×N次运行）相比，给定数据方法以N次运行实现相同精度，计算成本显著降低。
- **核电厂水供应系统应用**：运行5万次EMRALD仿真，估计系统不可靠度F?=0.13。根据Birnbaum重要性，共因失效事件（CCF）风险贡献最大（Bi≈0.87~0.91），其次为应急柴油发电机（EDG）失效（Bi≈0.30）。Barlow–Proschan重要性显示PUMP_FTR_CCF（泵运行失效共因）最重要（BP?=0.35），其次为PUMP3_FTR（泵3运行失效）。DIM和Fussell–Vesely重要性均排PUMP3_FTR为首（FV?≈0.37），与Barlow–Proschan一致。RAW和RRW中，CCF事件RAW≈7.7（接近1/F?），而PUMP3_FTR的RAW<2但Fussell–Vesely高，表明其风险重要性。通过Fussell–Vesely vs RAW的风险知情分类平面（RISC平面），绝大多数组件落入RISC-1（高安全重要性）或RISC-3（低FV但高RAW），而PUMP3_FTS（泵3启动失效）处于边界，其Barlow–Proschan、DIM和RRW排名第二的额外信息支持将其归入RISC-1。

**讨论与结论**
讨论部分指出，经典重要性度量在顶级输入排名上不一定一致，但Barlow–Proschan、DIM和RRW在两种案例中排名高度相似，该一致性是否具有系统性需进一步研究。同时，给定数据方法可同时估计多个度量，为边界值组件的分类提供额外信息。研究结论（翻译自原文Section 6 Conclusion）：研究人员讨论了基于给定数据估计经典可靠性重要性度量的方法，适用于基于仿真的风险与可靠性模型。该方法允许后处理一组包含组件和系统失效时间的N次模型运行数据集，这是可靠性仿真的自然输出。给定数据直觉消除了对组件设置为失效状态时额外模型评估以及结构函数进一步评估的需要，从而将计算负担降至名义最小值，并使成本与系统维度无关。此外，该方法能够从同一数据集同时估计多个（原则上任意）经典重要性度量。研究人员研究了Birnbaum、Barlow–Proschan、Differential、Fussell–Vesely、RAW和RRW重要性度量的给定数据估计量，并在独立仿真场景和可测随机量的温和假设下建立了其强渐近一致性。这些估计量与Bootstrap重采样相结合，为估计不确定性的量化提供了实用手段。通过一个测试模型和核电厂水供应系统的实际可靠性模型，研究人员演示了该算法，两者均依赖EMRALD开源分析平台进行可靠性建模、仿真系统逻辑结构并生成组件/系统失效时间数据集。简单模型上的数值实验证明了估计值的渐近一致性，所有重要性度量的估计值随仿真运行次数增加趋近于相应解析值。Bootstrap置信区间有助于判断样本量是否足以清晰区分组件/基本事件重要性并做出排序决策。将该方法应用于核电厂应急供应系统的可靠性建模，模型包含共因事件以处理依赖失效。通过算法后处理EMRALD仿真输出，计算基本事件重要性度量。Bootstrap结果表明，在可用样本量（N=50,000次运行）下，可靠性重要性度量可被可靠估计。从输出数据中估计了六种经典重要性度量。同时估计有助于工程师获得组件重要性的严格视图，因为重要性度量基于系统可靠性的不同方面对组件进行排序。此外，同时获取多个度量有助于在组件重要性度量处于边界值时做出分类决策。研究结果提供了一种将经典重要性度量计算融入可靠性仿真的实用方法，使得能够充分利用仿真数据中原本隐藏的信息。尽管论文聚焦于可靠性方法及相关模型，但所述方法完全适用于风险分析模型运行的仿真。未来研究方向包括扩展到非相干系统、显式处理维修和维护行动，以及应用于完全耦合的多物理场仿真。进一步可估计其他经典重要性度量（如基于剩余使用寿命的度量）或基于信息论（如互信息指标）和决策价值的重要性度量。最后，对六种经典重要性度量排名的比较表明，Barlow–Proschan、Differential和RRW在两种案例中排名高度相似，该一致性是否具有系统性需进一步研究。