Хоча марковське аналізування можна виконувати вручну, характер методів уможливлює використання комп’ютерних програм, більшість з яких наявні на ринку.
Застосування
Метод марковського аналізування можна застосовувати до систем з різноманітними структурами, що передбачають або не передбачають ремонтування, зокрема:
незалежних складників, сполучених паралельно;
незалежних складників, сполучених послідовно;
систем з розподіленням навантаги;
резервних систем, охоплюючи випадки, коли може виникати відмова функції перемикання;
систем, що зазнали погіршення.
Метод марковського аналізування можна також застосовувати для обчислювання готовності, зокрема з урахуванням наявності запасних частин для ремонтування.Вхідні дані
Основні вхідні дані марковського аналізування такі:
перелік різноманітних станів, у яких може перебувати система, підсистема чи складник (наприклад, стан повної працездатності, стан часткової працездатності (тобто погіршений стан), стан відмови тощо);
чітке розуміння можливих переходів, які необхідно змоделювати. Наприклад, погіршення стану автомобільної шини потребує враховування стану запасного колеса і, відповідно, періодичності перевіряння;
швидкість переходу з одного стану до іншого, зазвичай подано або ймовірністю зміни станів для дискретних подій, або інтенсивністю відмов (X) і/або частотою ремонтування (ц) для безперервних подій.
Процес
Основа методу марковського аналізування — концепція «станів» (наприклад, «готовність» і «відмова») і/та переходу між цими двома станами у часі за припущення постійної ймовірності змінювання стану. Використання стохастичної матриці ймовірності переходу дає змогу описувати перехід між всіма станами, уможливлюючи обчислювання різних результатів.
Щоб показати застосування методу марковського аналізування, можна розглянути складну систему, яка може перебувати тільки у трьох станах: працездатному, погіршеному та в стані відмови, означених як стани S1, S2, S3 відповідно. Кожного дня система перебуває в одному з цих трьох станів. У таблиці В.2 наведено ймовірність того, що наступного дня система перебуватиме в стані Si, де і може бути 1,2 чи 3.
Таблиця В.2 — Матриця Маркова
|
Сьогоднішній стан |
|||
S1 |
S2 |
S3 |
||
Завтрашній стан |
S1 |
0,95 |
0,3 |
0,2 |
S2 |
0,04 |
0,65 |
0,6 |
|
S3 |
0,01 |
0,05 |
0,2 |
Цей масив імовірностей називають матрицею Маркова чи матрицею переходу. Сума в кожному стовпці дорівнює 1, оскільки йдеться про суму всіх можливих результатів у кожному випадку. Систему можна також зобразити діаграмою Маркова, у якій кружечками є стани, а стрілками — переходи з відповідною ймовірністю (див. рисунок В.9).
ІЕС 2070/09
Рисунок В.9 — Приклад діаграми Маркова для стану системи
Стрілки, замкнені на одному стані, зазвичай не показують, але у цих прикладах їх наведено для повноти зображення.
Нехай Р; — імовірність перебування системи в стані / для /=1,2,3, тоді система лінійних рівнянь, яку треба розв’язати, має такий вигляд:
Р, = 0,95Рі + 0,30Р2 + 0,20Р3, (В.1)
Р2 = 0,04Р1 + 0,65Р2 + 0,60Р3, (В.2)
Р3 = O.OIP-j + 0,05Р2 + 0,20Р3. (В.З)
Ці три рівняння не є незалежними і не уможливлюватимуть обчислення трьох невідомих. Треба використати наведене нижче рівняння, а одне з наведених вище — вилучити.
1 = Рі + Р2 + р3. (В.4)
Одержані значення становлять 0,85, 0,13 і 0,02 для станів 1,2, 3 відповідно. Система повністю функціює 85 % часу, перебуває в погіршеному стані протягом 13 % часу і у стані відмови — протягом 2 % часу.
Розглянемо два елементи, які функціюють паралельно, за умови, що будь-який з них має бути працездатним, щоб функціювала система. Елементи можуть перебувати або в стані працездатності, або в стані відмови, а готовність системи залежить від стану елементів.
Стани можуть бути такі:
Стан 1 — обидва елементи функціюють правильно;
Стан 2 — один елемент вийшов з ладу та його ремонтують, другий елемент функціює;
Стан 3 — обидва елементи вийшли з ладу, один з них ремонтують.
Якщо припустити, що неперервна інтенсивність відмов кожного елемента дорівнює X, а частота ремонтування дорівнює ц, то діаграма переходу між станами така:
ІЕС 2071/09
Рисунок В. 10 —• Приклад діаграми переходу між станами
Неперервна інтенсивність відмов за умови переходу зі стану 1 до стану 2 становить 2Х, оскільки відмова будь-якого з двох елементів змусить систему перейти до стану 2.
Нехай P/(f) —• імовірність перебування у початковому стані та в момент часу t і P,(f + 5f) — імовірність перебування в кінцевому стані у момент часу t + 8f.
Тоді матриця ймовірностей переходу така:
Таблица В.З — Кінцева матриця Маркова
|
Початковий стан |
|||
РАО |
Р2(0 |
Рз(0 |
||
Кінцевий стан |
P4(f + 5f) |
-2А |
М |
0 |
Р2( t + 5f) |
2А |
- (А + ц) |
н |
|
P3(f + 5f) |
0 |
А |
- н |
Нульові значення виникають через неможливість переходу зі стану 1 до стану 3 або зі стану З до стану 1. Крім того, якщо визначають інтенсивність, то сума у стовпцях дорівнює нулю.
Система рівнянь набуває такого вигляду:
dP1/dt = -2AP1(t) + pP2(t), (В.5)
dP2/dt = 2A.Pi(f) + (- (А. + ц)) P2(f) + P3(f), (В.6)
dP3/dt = Щ(0 + (- ц) P2(f). (В.7)
Щоб спростити обчислення, припускають, що необхідна готовність — це готовність у стабільному стані.
Якщо 5f прямує до нескінченності, тоді dP/df прямує до нуля і рівняння стають легшими для розв'язання. Також треба використовувати додаткове рівняння (В.4).
Тепер рівняння A(f) = Р-Щ) + P2(t) можна записати так:
А = Р-і + Р2.
Відповідно А = (ц2 + 2Хц)/(ц2 + 2X.pi + X2).
Вихідні дані
Вихідні дані марковського аналізування — різні ймовірності перебування в різних станах, і, таким чином, кількісна оцінка ймовірностей відмови та/чи готовності одного з основних складників системи.
Переваги та обмеження
Переваги марковського аналізування:
можливість обчислювати ймовірності стосовно ремонтопридатних систем з кількома погіршеними станами.
Обмеження марковського аналізування:
припущення щодо постійних імовірностей змінення стану, а також припущення щодо відмови чи ремонтування;
усі події статистично незалежні, оскільки майбутні стани незалежні від усіх минулих станів, за винятком стану, який передує безпосередньо;
потребує знання всіх імовірностей змінення стану;
потребує знання операцій над матрицями;
утруднене обмінювання інформацією про результати з нетехнічним персоналом.
Порівняння
Марковське аналізування нагадує аналізування мереж Петрі, оскільки уможливлює моніторинг і спостерігання за станами системи, за тієї відмінності, що мережі Петрі можуть водночас перебувати в кількох станах.
Рекомендовані документи
ІЕС 61078 Analysis techniques for dependability — Reliability ЬГоск diagram and boolean methods (Методи аналізування надійності. Блок-схема надійності та булеві методи).
ІЕС 61165 Application of Markov techniques (Застосування методів Маркова).
ISO/IEC 15909 (усі частини) Software and systems engineering — High-level Petri nets (Програмотех- ніка та системотехніка. Мережі Петрі високого рівня).Імітаційне моделювання методом Монте-Карло
Загальний огляд
Багато систем є надто складними, щоб можна було аналітичними методами змоделювати впливи невизначеності на них. Однак їх можна оцінювати, розглядаючи вхідні дані як випадкові змінні та виконуючи певну кількість N обчислень (так званих імітаційних моделювань) формуванням вибірок вхідних даних для одержання N можливих наслідків бажаного результату.
Цей метод можна застосовувати до складних ситуацій, які може бути важко зрозуміти, застосовуючи аналітичні методи, та щодо яких важко застосовувати аналітичні методи. Системи можна розробляти, використовуючи електронні таблиці та інші традиційні засоби, але вже є новітніші засоби, які задовольняють більш складні вимоги і багато з яких сьогодні відносно недорогі. Коли метод було вперше розроблено, кількість ітерацій, необхідних для імітаційних моделювань методом Монте-Карло, робило процес уповільненим та клопітким, але досягнення у сфері обчислювальної техніки і теоретичні розробки (наприклад, формування вибірок методом «латинського гіперкуба») значно скоротили тривалість опрацювання в багатьох застосованнях.
Застосування
Імітаційне моделювання методом Монте-Карло — засіб оцінювання впливу невизначеності на системи в широкому спектрі ситуацій. Зазвичай його застосовують, щоб оцінити діапазон можливих результатів і відносну частоту значень у цьому діапазоні для кількісних показників системи (наприклад, вартості, тривалості, продуктивності, попиту та інших подібних показників). Імітаційне моделювання методом Монте-Карло можна застосовувати з двома різними цілями:
поширення невизначеності на звичні аналітичні моделі;
проведення ймовірнісних обчислень у разі незастосовності аналітичних методів.
Вхідні дані
Вхідні дані імітаційного моделювання методом Монте-Карло — детально пророблена модель системи та інформація про типи вхідних даних, джерела невизначеності, які має бути відображено, та про необхідні вихідні дані. Вхідні дані, пов’язані з невизначеністю, зображають як випадкові змінні з більшим або меншим розкидом їхніх розподілів відповідно до рівня невизначеностей. Задля цього часто використовують рівномірний, трикутний, нормальний і логарифмічно нормальний розподіли.
Процес
Процес такий:
визначають модель або алгоритм, які якомога точніше відображають поводження досліджуваної системи;
модель тестують кілька разів, використовуючи випадкові числа, щоб отримати вихідні дані моделі (імітування системи). Коли застосування полягає в моделюванні впливів невизначеності, то модель подають у формі рівняння, яке відображає взаємозв’язок між вхідними параметрами та вихідними даними. Значення, які вибирають для вхідних даних, базуються на відповідних розподілах імовірності, які відображають характер невизначеності для цих параметрів;
в усіх випадках за допомогою комп'ютера модель застосовують багато разів (найчастіше до 10 000 разів) з різними вхідними даними та одержують численні вихідні дані. Використовуючи звичайні статистичні методи, ці результати може бути опрацьовано, щоб одержати таку інформацію, як, наприклад, середні значення, стандартний відхил, довірчі інтервали.
Нижче наведено приклад імітаційного моделювання.
Розглянемо випадок двох елементів, призначених функціювати паралельно, але для функціюван- ня системи обов'язковим є функціювання хоча б одного з них. Перший елемент має надійність 0,9, а другий — 0,8.
Можна побудувати таблицю для обчислень з показаними нижче стовпцями.
Таблица В.4 — Приклад імітаційного моделювання методом Монте-Карло
|
Елемент 1 |
Елемент 2 |
|
||
Номер імітації |
Випадкове число |
ФуНКЦІЮЕ? |
Випадкове число |
Функціює? |
Система |
1 |
0,577 243 |
ТАК |
0,059 355 |
ТАК |
1 |
2 |
0,746 909 |
ТАК |
0,311 324 |
ТАК |
1 |
Кінець таблиці В.4
|
Елемент 1 |
Елемент 2 |
|
|||
Номер імітації |
Випадкове число |
Функціює? |
Випадкове число |
Функціює? |
Система |
|
3 |
0,541 728 |
ТАК |
0,919 765 |
НІ |
1 |
|
4 |
0,423 274 |
ТАК |
0,643 514 |
ТАК |
1 |
|
5 |
0,917 776 |
НІ |
0,539 349 |
ТАК |
1 |
|
6 |
0,994 043 |
НІ |
0,972 506 |
НІ |
0 |
|
7 |
0,082 574 |
ТАК |
0,950 241 |
НІ |
1 |
|
8 |
0,661 418 |
ТАК |
0,919 868 |
НІ |
1 |
|
9 |
0,213 376 |
ТАК |
0,367 555 |
ТАК |
1 |
|
10 |
0,565 657 |
ТАК |
0,119215 |
ТАК |
1 |
За допомогою генератора випадкових чисел можна отримати число від 0 до 1, використовуване для порівнювання з імовірністю кожного елемента, щоб визначити, чи функціює система. Маючи лише 10 обчислень, не треба очікувати, що результат 0,9 буде точним. Звичайний підхід передбачає долучений обчислювального пристрою, щоб відстежити, як загальний результат імітаційного моделювання досягає потрібного рівня точності. У цьому прикладі результат 0,979 9 було досягнено після 20 000 ітерацій.